不依赖零序电压的配电站所接地故障识别方法

王文轩，程力涵，樊 轶，孙建东，刘明祥，蔡月明

（1. 南瑞集团有限公司（国网电力科学研究院有限公司），江苏省南京市211006；2. 国网江苏省电力有限公司，江苏省南京市210003）

0 引言

随着配电网智能化水平不断提高，配电站所接地故障识别、故障间隔选择（简称选间）的需求愈发迫切。配电站所的接地故障识别与变电站接地故障选线的区别在于，配电站所上游会发生接地，直接用变电站选线方法识别效果并不理想；同时大量配电环网柜仅安装三相电流互感器，缺少零序电压互感器，基于零序电压的方法［1］不适用。因此，需要研究不依赖零序电压的环网柜站所接地故障识别方法。

目前，不依赖零序电压的配电网单相接地故障识别传统方法分为外加信号法［2-3］和故障信号法［4-5］两大类，故障信号法又分为故障稳态信号法［6］与故障暂态信号法［7-10］。在工程应用中，随着暂态故障录波功能的普及，故障暂态信号法逐渐成为最常用的接地故障识别方法。

文献［7-8］提出了利用暂态零序电流特定频率分量，通过暂态零序电流的幅值和极性进行识别的方法。文献［9］提出了小波变换提取暂态零序信息的方法。文献［10］通过三相电流突变量数据的相关性判别接地故障。文献［11］通过零序电流广义S 变换能量相对熵识别接地故障。虽然这些暂态信号法在处理零序电流较大的故障时效果理想，但是实际运行中故障零序电流较小时，易受到定值、采样噪声及电磁干扰的影响，灵敏度降低。

近年来人工智能研究高速发展，通过人工智能技术融合多个判据［12-13］提高识别灵敏度和准确性成为接地故障识别研究的热点。文献［14］通过小波变换、5 次谐波分量计算、基波幅值计算提取零序电流特征输入神经网络，根据神经网络输出结果选出故障线路。文献［15］用主成分分析法对数据进行筛选处理，选出零序电流幅值和相位作为特征量，输入多个训练后的分类模型，最终利用投票法进行并行选线。文献［16］用卷积神经网络分别提取各个线路波形特征，并结合先验特征，输入分类神经网络选出故障线路。以上研究给出了多种判据融合的方法以提高灵敏度和准确性，并取得了一定的效果。但是这些技术运用于配电站所故障识别时仍存在以下问题：识别模型应用中受限于固定的输入维度，例如5间隔选间神经网络模型无法直接应用于7 间隔选间，需要重新构造并训练模型；暂态信号判据在零序电流较小时易受采样噪声及电磁干扰；健全间隔和故障间隔的特征量分布重叠，故障识别误差大，健全线路误判问题突出。

针对上述问题，本文采用物理模型和神经网络结合的思路，根据零序接地网的物理特征合理选取和构造特征量，解决间隔数和拓扑变化问题，降低对神经网络的要求和设计复杂性；并由多层感知机（multilayer perceptron，MLP）神经网络融合多个特征量，综合不同特征量协同增强判决能力，利用神经网络的自适应能力，避免了定值对灵敏度的影响，提高方法对线路参数变化的适应能力。

现场录波回放实验、模拟线路实验、真型实验验证了方法具有适用场景广、抗噪声能力强及识别准确率高的优点。

1 配电站所选间总体设计

1.1 选间问题分析

以图1 所示配电网为例，变电站的10 kV 母线有3 条10 kV 出线L1、L2、L3，其中线路L1 上有2 个配电站所环网柜。环网柜1 进线为L11，出线为L12、L13、L4、L15。对环网柜1 来说，发生接地故障的位置有4 种：站所上游接地、站所负荷出线接地、站所母线接地以及站所下游接地。

图1 配电网示意图Fig.1 Schematic diagram of distribution network

以出线L13 发生单相接地故障为例，零序电流的流向如图1 中箭头所示，故障线路的零序电流由线路流向母线，非故障线路的零序电流由母线流向线路。接地故障时刻非故障线路零序电流Ii为：

式中：i 为线路号；U0为故障时刻零序电压；Ci为线路i 的零序电容；ω 为角频率。

由此可以得出进线L11 的故障电流I11为：

式中：IL为消弧线圈流过的零序电流。

故障线路L13 的零序电流为：

故障选间时应考虑以下问题：选间方法应能同时适用于环网柜1 和环网柜2，避免因出线数量变化而构建不同模型；出线间隔线路短，零序电流较小时，需要降低采样噪声及电磁信号干扰带来的影响；不同的线路参数、故障类型下，故障间隔与健全间隔识别准确率均应有较好效果，以防止误判。

1.2 选间方法设计

为解决上节提出的问题，方法设计思路如下：

1）为增强方法的通用性，将多选一的选间问题降维，各间隔依次进行故障分析，再结合所有间隔的分析结果选出故障间隔。

2）改进故障特征量，改善零序电流较小时的识别效果，解决特征量健全样本和故障样本分布重叠的问题。

3）选用神经网络融合特征量，解决定值整定带来的灵敏度降低问题，并且可以通过特征量样本的训练，提升识别准确率。

4）进线间隔的零序电流是所有出线的和，不参与出线特征分析，留作最终补充判断。

5）神经网络特征量计算时，选零序电流突变最大的出线为参考线路，将与多条线路关联的故障特征转化本线路与参考线路的对比特征，弱化特征量与线路数量的关联。这样提取的故障特征量受拓扑变化影响小，与间隔数量关联低，适用范围广。

6）由任意间隔零序电流突变启动故障识别，并利用过流、负荷波动、开关动作等非零序电流信息进行防误动检测，神经网络的设计可专注于故障条件下的出线间隔的接地故障与健全状态的识别分类，降低神经网络的复杂性。

7）针对零序电流比对特征的不足，设计单间隔特征量参与识别，提高识别准确率。

配电站所故障选间方法流程如图2 所示。

图2 方法流程图Fig.2 Flow chart of method

任意间隔零序电流突变触发方法启动，每个间隔经预处理后计算特征量，由神经网络根据特征量输出每间隔故障评估结果，该结果在0～1 之间，越接近1 表明该间隔为故障间隔的概率越大，越接近0表明为健全间隔的概率越大。所有间隔判断结束后进行异常分析，若识别出多个故障间隔时，选取暂态幅值最大的间隔为故障出线间隔；若所有出线间隔均识别为健全间隔时，比较参考间隔与进线间隔的零序电流首半波极性，若一致则故障在进线间隔上游或者为扰动，若不一致则故障位置在本站所的母线。

2 单相接地选间特征量

2.1 零序特征量

目前常用的零序特征量主要存在2 个问题：特征量样本（尤其是健全特征量样本）分布复杂，导致模型对不同环网柜以及线路参数的适应性不高，接地故障判断准确性降低；负载不均衡或采样精度误差造成稳态零序电流不为零，对故障时零序特征造成影响。

因此，本文构造零序电流特征量时，将零序电流波形处理为零序突变波形再提取特征量，并将各出线间隔与参考间隔的零序电流量比较得到相对特征。

1）零序电流突变量首半波极性特征量x1

零序电流突变量计算如下：

式中：i0(n)为零序电流第n 个采样点的值；m 为数据窗的工频周期数；N 为一个工频周期的采样点数。

构造极性特征x1，由逻辑与运算计算得到。

式中：Pi和Pl分别为参考间隔i 和当前间隔l 的零序突变量中故障起始点后的1/3 工频周期内幅值最大处的极性。Pi、Pl不同则x1为0，表明当前间隔为健全间隔；Pi、Pl相同则x1为1，需要借助其他特征量进一步分析。

2）零序电流突变量暂态波形相关性特征量x2

选择适用范围广的零序电流突变量波形相关性作为特征量x2。计算出线间隔与参考间隔零序电流暂态波形相关性［10］，相关性越低，为健全间隔的概率越大，相关性高则需要借助其他特征量进一步分析。所有间隔特征为1 时，则判断为配电站所上游或内部母线故障。取参考间隔x、当前间隔y 的零序电流突变量故障后第1 个工频周期数据，计算相关系数ρxy得到特征量x2。

式中：ix(n)、iy(n)分别为间隔x、间隔y 的零序电流第n 个采样点的值。

3）零序电流突变量归一化分布特征量x3

为克服零序电流突变较小、负荷电流较小时，暂态波形相似度［14］受噪声影响的问题，构造零序电流突变量归一化分布特征量x3，将各出线间隔零序突变量波形归一化后，引入巴氏系数［17］计算当前间隔与参考间隔的故障后第1 个工频周期数据分布相关性，相关性越低，当前间隔为健全间隔的概率越大，相关性高则需要借助其他特征量进一步分析。取参考间隔与当前间隔零序突变量采样数据，先按下式做归一化处理。

式中：i'0(n)为当前间隔第n 个采样点的归一化值。

再按下式求取首半波分布特征量x3。

式中：Bxy为x、y 序列的巴氏系数；S 表示归一化后的最大值均分为S 个区间；ixk和iyk分别为归一化后的x 和y 序列中分布在第k 个均分区间中的采样点数与1 个工频周期采样点数的比值。

2.2 单间隔特征量

上一节中的多间隔特征量用于确定健全间隔，进一步判断故障间隔需要在零序特征提取的基础上，选取单间隔特征量。

1）三相电流突变量线性相关性特征量x4

对参考间隔进行判断时，无法通过对比得到特征量进行判断，可以选取文献［10］的单间隔三相电流突变量线性相关性进行故障判断，三相电流突变量定义如下：

图3 常规零序电流特征量和本文零序电流特征量的样本分布Fig.3 Sample distribution of normal zero-sequence current characteristic quantities and zero-sequence current characteristic quantities of this paper

式中：iA(n)、iB(n)、iC(n)分别为A、B、C 三相电流第n 个采样点的值。

以故障起始点后第1 个工频周期的突变量为数据用式（6）计算相关系数ρab、ρbc以及ρac，取三者中的最小量作为特征量x4。

式中：ρab、ρbc、ρac分别为AB 两相、BC 两相、AC 两相电流在故障后第1 个工频周期数据的相关系数。

当ρab明显小于ρbc及ρac，则C 相下游发生接地故障概率较大，取ρab作为特征量x4。

2）三相电流突变量分布相关性特征量x5

线路较短或高阻接地故障时，相、零序突变电流减弱，并和采样噪声叠加，影响相关性计算。本文提出用巴氏系数提取三相电流突变量分布相关性特征x5，取三相中最小巴氏系数构造特征量。选故障起始点后第1 个工频周期的突变量数据，按式（8）计算Bab、Bbc以及Bac，取三者中的最小量作为特征量x5。

式中：Bab、Bbc、Bac分别为AB 两相、BC 两相、AC 两相电流故障后第1 个工频周期波形的巴氏系数。

当Bab明显小于Bbc及Bac，则C 相下游发生接地故障概率较大，取Bab作为特征量x5。

3）三相电流突变量不平衡度特征量x6

现场电流互感器存在极性接反的情况，此时x2、x4均会给出错误特征，因此本文构造三相电流突变量不平衡特征量x6，增强此场景下的容错能力。在使用相电流突变量判断接地故障时，取故障点后第1 个工频周期的突变量数据计算不平衡度：

式中：ε 为三相突变量不平衡度；Vmax为三相突变量有效值中最大值；Vavg为三相突变量有效值的平均值。

不平衡度越趋近0，表明当前间隔为健全线路间隔的可能性越大；不平衡度趋近或超过1，表明当前间隔下游接地可能性越大。

3 单相接地故障识别神经网络

3.1 神经网络设计

6 输入1 输出实现二分类的神经网络中，应用成熟且易于在嵌入式终端实现的有MLP 神经网络［18］与径向基（radial basis function，RBF）神经网络［19］。

设定2 种神经网络同等规模，用测试样本进行训练。对比2 种神经网络训练收敛曲线可知，虽然MLP 神经网络收敛速度慢于RBF 神经网络，但测试中RBF 神经网络在误差下降到一定程度后不再下降，而MLP 神经网络仍可随训练次数增加持续收敛达到更高精度。为实现更好的识别精度，选取MLP 神经网络构建及训练用于综合判断接地故障的模型。

设计6 输入1 输出且隐含层数可配置的MLP 神经网络，每个隐含层的神经元个数设计为6 个，与输入相同，这样循环迭代计算的效率最高。结合试凑法得出，隐含层层数为3 时，平均预测误差最小；当隐含层数目小于（或大于）最佳值时，预测是欠拟合（或过拟合）的，并且随着隐含层数目的减少（或增加），预测误差呈现增大的趋势。

最终，输入层节点数确定为6，输出层节点数为1，隐含层数为3，每个隐含层节点数为6。输入特征量取值范围-1～1，隐含层和输出层均采用Sigmoid函数为激活函数。

3.2 神经网络训练

选取在各配电网搜集的二进多出环网柜故障波形以及仿真的故障波形用于计算训练样本。向负荷供电的出线故障视为出线间隔下游故障，故障波形参数类型如表1 所示。

表1 故障波形参数Table 1 Parameters of fault waveform

由表1 参数进行排列组合得到768 组样本。其中故障样本有2 类：故障点上游故障间隔样本、母联故障进线间隔样本；健全样本也是2 类：故障点上游健全间隔样本、故障点下游健全间隔样本。每次仿真会产生多个极为相近的健全样本，同组中利用聚类算法［20］形成1 个健全样本参与训练，以平衡故障样本与健全样本的数目。

选择728 组数据作为训练集对神经网络进行训练，其余40 组数据作为测试集，对神经网络进行测试验证。采用随机梯度下降法［21］训练，训练目标0.01，学习速率自适应，训练后神经网络精度达到0.01 左右。

4 验证

首先用预留的训练集样本进行验证，验证方法在不同出线数量、运行环境下的适应性。之后，通过短线路、低负荷的模拟真型实验验证方法在故障零序电流较小时的识别效果。最后，通过现场线路实验对比验证本文方法的故障识别效果。

4.1 现场录波回放验证

将神经网络训练时预留的40 组现场录波回放样本用于方法验证，结果如表2 所示，所有间隔识别的平均准确率在0.97 以上，可见方法对于不同环网柜、不同中性点接地方式以及接地故障阻值均有良好的适应性。表2 中，以1 进3 出1 备为例，1 进表示1 路进线间隔，3 出表示3 路出线间隔，1 备表示1 路备用间隔。

4.2 真型实验验证

项目组在真型实验室完成10 kV 中性点经消弧线圈接地和经小电阻接地2 种接地方式的线路人工单相接地实验，模拟了线路长度短、负荷较低、电流信号叠加了大量噪声等情况。实验中过渡电阻设置为10、250、500、1 000、1 250、1 500、2 000、3 000、4 000、5 000、6 000、7 000、7 500 Ω。

表2 方法准确率Table 2 Accuracy of method

本文方法实验结果如下：小电阻接地系统故障上游间隔识别准确率达到0.991，故障下游间隔准确率达到0.982；消弧线圈接地系统故障上游间隔识别准确率达到0.984，故障下游间隔准确率达到0.927。可以看出引入巴氏系数特征量后，本文的方法可以不依赖滤波处理降低噪声干扰，准确识别故障。

4.3 实际线路实验验证

在站所终端（distribution terminal unit，DTU）上实现了本文的方法，并部署运行于实际配电网，完成了10 kV 中性点经消弧线圈接地配电网的人工单相接地试验。通过金属性接地、经200～2 000 Ω 过渡电阻接地及弧光接地的全类型单相接地故障对方法进行验证。

选取110 kV 中国江苏无锡新明变10 kV 出线麦高线114 线路开展实验，配电网单线图见图4。麦高114 线为电缆-架空混合型线路。接地故障点位于麦高线20 杆经麦高临时L20 开关A 相接地，故障类型为金属性接地、经200～2 000 Ω 过渡电阻接地及弧光接地，系统电容电流约为76 A，消弧线圈接地系统采用调匝式，系统残流约为5 A。

DTU 中实现了2 种方法以进行对比验证，方法A 为使用较普遍的零序电流幅值、五次谐波、小波能量特征量融合识别方法［11，14-15］；方法B 为本文方法。

最终2 种方法均能准确识别麦高F214A 为故障点上游故障间隔，但对于健全间隔的识别效果有差异。表3 给出了健全间隔F215 在2 种方法下的输出结果。结果越接近0 表明该间隔为健全间隔的概率越大。相比方法A，本文方法B 对健全间隔的识别有更高的精确度，方法A 对健全间隔的输出结果在过渡电阻超过1 000 Ω 后误差明显增加。

图4 配电网单线图Fig.4 Single-line diagram of distribution network

表3 F215 间隔在2 种方法下的输出结果Table 3 Output results of two methods for bay F215

5 结语

本文针对缺少零序电压采集的配电站所，结合物理模型和神经网络，利用配电网接地故障时配电站所的物理特征指导故障特征量的选取和构造，降低神经网络学习复杂性，解决神经网络模型难以适用于间隔数或拓扑变化场景的问题；再由神经网络融合多个特征，增强不同特征的协同判决能力，降低定值灵敏度、噪声干扰对选间方法的影响，以适应线路参数变化的应用场景。实验验证了本文方法具有如下优点。

1）对拓扑和参数的适应能力强，适用于不同环网柜、不同间隔数及不同线路参数的场景。

2）提高了短线路、高阻接地故障时，电流突变量小、采样噪声大情况下的故障识别效果。

3）故障识别准确度高，对健全间隔的识别尤其准确。

本文方法的普适性仍需要在长期运行中检验和总结。后续将根据工程应用反馈，进一步研究特征量构造、神经网络设计和方法，不断提高方法的适应能力及识别准确性。