配电网单相接地故障保护方法与提升保护准确性研究

国网陕西省电力有限公司西咸新区供电公司 马 进

供电企业生产管理中，确保配电网运行安全稳定性是主要的管理目标。传统故障处理方式中，主要是利用分析稳态或暂态电气量进行故障分析，能够较为准确的监测到故障现象，但是无法准确识别故障类型。基于CNN技术构建故障分析模型，能够更好的提升故障识别准确性，有针对性的制定处理措施，避免接地故障复杂化，产生永久性接地现象。

1 配电网单向接地故障CNN识别方法

1.1 CNN识别方法原理

卷积神经网络（CNN）识别技术是基于故障信号的经验模态分解，之后将固有模态函数进行希尔伯特变换，能够得出故障信号的时频分布。本课题研究中采用配电网10kV侧母线接地故障现象为例，构建CNN模型，并利用模型分析故障信号参数。通过分析故障出现时a相和b相电压R分量分解结果，对故障现象进行精准判断。

1.2 CNN识别方法应用步骤

利用构建CNN模型法对配电网单相接地故障现象识别，主要包括是三个步骤：确定训练样本。本课题研究中，样本确定为配电网10kV侧母线的三相电压、三相电流及零序电压等故障数据；训练学习。数据采集方式是利用HHT带通滤波器，采集7个故障信号，在滤波处理后构建时频功率矩阵。将矩阵转换成时频谱图后，就可以输入模型完成训练；识别精度提升。在训练完成后，对测试样本进行识别，根据识别结果对参数进行调整，能够有效提升识别精度，进而提升保护准确性；增加样本数据库内容，重复步骤3，直至满足单相接地故障类型的实时识别要求为止[1]。基于上述步骤，应用流程如图1。

图1 单相接地故障分类识别应用流程

1.3 构建时频功率矩阵

时频功率矩阵构建，是先采集故障信号数据，采集数量设定为N个，利用HHT将数据划分为M个子频带，将数据以采样时间轴进行K等分，计算出每等分中数据量为E（E=N/K，且取为整数）。本课题研究中，将M设定为5、N设定为20000、K设定为40，因此E为500。子频带的带宽为300Hz，设计出每个故障信号的时频功率矩阵，矩阵类型包括三相电压、三相电流和零序电压。根据时频功率图谱显示，在a相出现故障时，b、c两相电压会出现升高，根据故障发生时信号在时间、频率高及功率之间的关系分析，即可对故障情况进行初步分析。

1.4 构造CNN模型结构

CNN模型结构是通过多层卷积计算输入最终结果，本课题研究中，将时频功率图谱作为输入层，在不断提取局部特征量后进行计算压缩，模型结构示意如图2所示。

图2 CNN网络结构模型示意图

卷积计算是时频图谱横向和纵向计算同时进行的，通过设置合理权重并连接至各个卷积层，即可自主完成局部特征量的提取。在提取完成后，能够在最大池化层操作中降低数量的同时，保留模型关键特征，实现算法优化。

1.5 仿真试验

仿真试验是利用PACSAD/EMTDC平台搭建故障发生模型，获取样本数据。在进行训练时，先是在模型中打开开关，切除消弧线圈，选取其中部分故障点作为训练样本。结合配电网单相接地故障发生特征，重点关注金属性接地、低阻接地及高阻接地故障现象，通过判断是否存在间歇性电压畸变、电压谐波含量等特征，确定是否出现电弧接地现象。通过对过渡电阻耐受能力分析，确定故障现象属于高阻接地或低阻接地[2]。这些分析结果的准确性，与循环参数的迭代周期有直接关系，迭代次数越多、准确率越高，但是边际准确率也不断降低，因此要根据误差范围是否稳定、准确率能够保持在100%附近时，确定合理的迭代次数。试验中，迭代次数设定为150次，能够达到较好的训练效果。之后是对样本进行测试，将样本输入模型完成测试，直至识别率达到99.5%以上时，即可应用于配电网单相接地故障识别。

2 CNN识别方法保护准确性提升方式

降低误判率。是提升故障保护方法准确率的基本要求，在CNN模型运行中主要存在两个方面的影响因素：首先是消弧线圈在进行补偿时，所产生的感性电流会造成容性故障电流减弱，进而造成系统误判，因此在进行设定模型参数时，需要对消弧线圈参数进行优化，尽量减少这方面的干扰；在低电阻识别时，要尽量避免故障相压跌幅受过渡电阻影响的问题，在高电阻识别时，要尽量避免电压电流故障特征不明显问题[3]。只有通过这些方面的系统优化，才能够确保CNN模型的识别准确率达到配电网安全稳定运行要求。

优化网络拓扑结构。是针对配电网运行实际情况变化，对CNN模型进行优化，确保识别准确性达到要求的关键措施。在电力用户逐步增加、配电网增加出线间隔，或线路大修技改、退出运行时，都会造成实际结构与模型结构偏差过大，对故障识别率造成影响，因此在模型运行中，还应当结合实际情况对样本进行检查，准确查找故障点出现误判的原因，并根据实际情况调整好拓扑结构，避免由于模型与实际情况差异过大产生明显误判，对配电网运行安全产生影响。

加入噪音污染。在模型中加入噪音污染是提升识别准确率、确保保护准确性提升的有效保障。在配电网运行数据采集时，必然会由于噪音干扰现象导致数据不够精准，如在模型中没有添加噪音污染，则会造成实际运行结果与实际运行情况产生偏差[4]。因此在本课题数据故障测试过程中，选择添加30dB的高斯白噪音，对模型进行数据训练。通过添加噪音的方式，能够更好的适应配电网故障发生时数据采集真实情况，在模型中对算法进行优化，尽量规避噪音干扰带来的影响。

综上，基于本课题研究显示，利用CNN模型对配电网单相接地故障现象进行分析，能够通过数据采集和样本测试，较为准确的识别故障类型，模型识别准确率达到98.8%以上。同时在采用降低误判率措施、优化网络拓扑结构、加入噪音污染等方式，确保模型分析与真实数据采集环境相一致情形下，识别准确率也能够达到93.5%以上，已能较好满足配电网单相接地故障监测及处理要求。