多重时间判据电能质量扰动事件关联类型分析方法

2022-03-19彭和平王红斌

中国测试 2022年2期

彭和平，王红斌，栾乐，许中，王勇

(广东电网有限责任公司广州供电局，广东广州 510620)

0 引言

随着能源结构的转型，电能质量问题越来越复杂[1]。由于电网拓扑连接特性，电能质量扰动事件之间并非完全相互独立。从事件发生的本质上看，扰动事件之间可能直接或间接地存在某种关联关系，如何描述这些扰动事件的关联关系，对于理解复杂电能质量扰动事件的发展演变过程，实现对扰动的追根溯源、责任划分、复杂扰动模式的挖掘以及扰动治理等具有重要作用[2-4]。

目前对电能质量扰动事件关联分析的研究还比较欠缺。文献[5]通过分析电能质量数据与电网动作数据之间关联特性，实现了对电能质量监测数据清洗，并采用实体匹配方法实现了对电能质量扰动事件的关联分析。文献[6]提出一种基于数据融合的电能质量扰动关联分析方法，实现了对电能质量扰动事件的成因分析。这些方法可以准确实现电能质量扰动事件的成因分析，但是无法明确其在电网中的后续发展演变过程。文献[7]克服了以上研究的不足，首次给出电能质量扰动事件关联类型的完整定义，并应用可拓学理论实现了对复杂电能质量扰动事件扰动模式的挖掘。但是文中对于关联类型的识别没有一套系统、科学的识别方法。研究电能质量扰动事件间的关联关系及表示方法，可以清晰刻画电能质量事件的发生、发展过程，有利于复杂扰动模式挖掘、电能质量综合诊断等分析。

电能质量扰动事件的检测与识别是扰动事件关联类型分析识别的基础。从本质上看，电能质量扰动事件关联类型的分类识别过程，就是挖掘电能质量扰动事件之间关联特征的过程。在电能质量扰动检测中，常用的方法有傅里叶变换[8-9]、小波变换[10-12]、S变换[13]、希尔伯特-黄变换[14]、变分模态分解[15]、扰动分类识别方法主要有模糊逻辑[16]等。这些检测和识别算法为电能质量扰动事件关联类型的分类识别创造了有益条件。

针对目前关联类型分类识别的需求，文中首次提出一种基于多重时间判据的电能质量扰动事件关联类型分析方法。首先，以典型扰动事件为例介绍了关联类型的基本概念，并提出一套可用于直观表示扰动事件发展演变过程的关联类型链式推演表示方法，实现了对扰动事件发生及其演变过程的直观刻画。然后，根据事件起止时刻和过渡段检测结果，定义了两个可以准确刻画关联类型关联特征的时间性特征，并提出一种多重时间判据的电能质量扰动事件关联类型识别方法，可以准确识别出连锁型、发展型、并发型关联类型。最后，采用PSCAD/ EMTDC对不同关联类型的典型扰动进行仿真建模，以对文中方法进行仿真与验证。

1 扰动事件关联类型的基本概念

1.1 关联类型的定义

根据扰动事件发展演变机理可以用传导型、连锁型、发展型和并发型四种关联类型描述扰动事件之间可能存在的关联关系，电网中任何一个复杂电能质量扰动事件都是由具有这四类关联类型（至少包含传导型）的多个电能质量扰动事件复合而成的[7]。以图1所示的典型辐射型网络为例，详细介绍四类关联类型。

图1 辐射型配网结构图

1）传导型

由于电能质量扰动事件在电网中沿着导线传播，造成电网多个监测点同时监测到的多个电能质量扰动事件之间存在的关联类型。如图1中L7发生故障后，同一时刻M3、M5、M6等监测点都会出现不同程度的电压暂降扰动事件，这些扰动事件之间的关联类型为传导型。

其特点为：①电能质量扰动事件源相同，扰动演变过程中不存在中间事件源。②电能质量扰动事件发生时间相同，扰动类型相同。③事件波形特征与变压器台数和联结方式有关。

2）连锁型

电能质量扰动事件发生后，附近的电力设备（保护装置、电容器组、感应电动机）运行状态发生变化导致的其他电能质量扰动事件的发生。这些先后发生的电能质量扰动事件之间的关联类型为连锁型。如图 1中 L7发生三相短路故障，引起M3、M4、M6等监测点出现电压暂降扰动事件，接着保护装置动作切除故障，L7支路重新恢复供电，电动机重新启动引发M6产生新的电压暂降扰动事件。该过程中M6先后发生的电压暂降扰动事件之间的关联类型为连锁型。

其特点为：①电能质量扰动事件源相同，扰动演变过程存在中间事件源。②电能质量扰动事件发生时间不同。③扰动类型不确定，波形特征不同。

3）发展型

电能质量扰动事件发生后导致系统某些参数持续变化继而演变为另一类电能质量扰动事件。前后发生的电能质量扰动事件间不存在明显的分界时间，起始事件没有恢复时间。如图1中架空输电线路L1遭受雷击，在监测点M0处监测到暂态脉冲，随后暂态脉冲在电网的自然频率点可能会发生激励从而产生暂态振荡。该过程中暂态脉冲事件与暂态振荡事件之间的关联类型即为发展型。

其特点为：①电能质量扰动事件源相同，扰动演变过程不存在中间事件源。②电能质量扰动发生时间不同。③扰动类型不同，事件波形特征也不同。

4）并发型

由于电网电力设备（一般为电力电容器组）运行状态变化导致在同一监测点监测到混叠在一起的不同类型的电能质量扰动事件。如图1中开关闭合，电力电容器C1并网，在监测点M4同时出现暂态振荡事件和电压暂升事件。该过程中的暂态振荡事件与电压暂升事件之间的关联类型即为并发型。

其特点为：①电能质量扰动事件源相同，扰动演变过程不存在中间事件源。②电能质量扰动发生时间相同。③扰动类型不同，波形特征也不同。

1.2 关联类型链式推演表示方法

在一个复杂扰动过程中，任意两个扰动事件之间至少具有上诉关联类型中的一类，复杂电能质量扰动事件就是由两个或两个以上电能质量扰动事件，在时间和空间上相互关联耦合而成的。分析和辨识扰动事件之间的关联类型，有利于直观、清晰地对复杂扰动事件进行进一步分析和处理。为了将电能质量扰动事件间的关联类型清晰地表示出来，本文定义了几个概念，结果如表1所示。

表1 关联类型的相关概念

事件源E1：一般指短路故障(F)、变压器投运(T)、雷击(L)、感应电动机启动(M)、电力电容器并网(C)等最先给电网造成电能质量扰动的事件的统称。

中间事件源C2：指由于电能质量扰动事件造成的电网中相关电力设备的动作事件的统称。C可以为B、M等，分别为保护装置的动作事件、感应电动机自启动事件等。

起始事件X1：一次复杂电能质量扰动事件中最初检测到的电能质量扰动事件。X可以为D(dips)、S(swell)、I(interruption)、 P(pulse)、O(oscillatory)，分别表示电压暂降、电压暂升、电压中断、暂态脉冲和暂态振荡。

关联事件X2、X3：指与起始事件具有任意关联类型的其他电能质量扰动事件的统称。

基于以上概念，本文提出了一种链式推演表示方法，可将具有某种关联类型的多个扰动事件，从事件的发生到其在电网中的发展演变过程直观、清晰地表示出来。

1）传导型

式中分子表示事件名称，分母表示事件发生的位置，分子的下标表示扰动的事件数。式(1)的基本含义为在支路L7发生短路故障，导致监测点M3、M5、M6等同时出现电压暂降事件。

2）连锁型

式(2)的基本含义为：在支路L7发生三相短路故障时，M6等监测点出现电压暂降事件，一段时间后引发支路上的开关动作，使支路上的感应电动机因恢复供电而自启动，进一步引起附近监测点M6等监测点发生第二次电压暂降事件。

3）发展型

式(3)的基本含义为：在支路L1发生雷击故障，M0等监测点出现暂态脉冲事件，一段时间事件进一步发展为暂态振荡事件。

4）并发型

式(4)的基本含义为：在支路L5投入电容器组，监测点M4同时出现电压暂升和暂态脉冲事件。

值得一提的是，在复杂扰动过程中，一个起始事件可能对应几个不同关联类型的关联事件，而每两个扰动事件之间的关联类型都是唯一确定的，复杂扰动事件就是由这些确定的关联类型相互组合而成的。如扰动发生过程中可能总是伴随着暂态振荡的发生，那么会存在这样一个复杂扰动事件：它可以分解为三个扰动事件，其中先后发生的两个扰动事件之间的关联类型为连锁型，而同时暂态振荡分别与这两个扰动事件之间的关联类型为并发型。虽然这个过程存在两种关联类型，但是两两扰动事件之间的关联类型是可以唯一确定。

1.3 关联类型的特征分析

不同关联类型的电能质量扰动事件之间时间、空间和因果关系不同，所对应的关联特征也不相同。由以上电能质量扰动事件关联类型的分析容易得出以下结论，总结其起始时间、发生位置、事件源等特点可以得到表2。

表2 关联类型分析

具有传导型和并发型关联类型的电能质量扰动事件的起始时间基本一致，而具有连锁型与发展型的电能质量扰动事件起始时间不同。

具有传导型的电能质量扰动事件总是在不同的监测点，而其他关联类型的扰动事件总是在同一监测点。

对于具有任一关联类型的电能质量扰动事件其事件源都相同，传导型、并发型和发展型中间不存在中间事件源，连锁型存在中间事件源。

本文关联类型的识别方法主要针对发生在同一监测点的电能质量扰动事件的关联类型，即识别同一监测点检测到的多个电能质量扰动事件是否为连锁型、发展型或并发型，不用考虑位置特征。为此提出两种时间性特征用于刻画不同关联类型的起始事件与关联事件在起始时间和中间事件源上的差异。

1）事件起始时间间隔ΔT1

指起始事件与关联事件的起始时间之差。可用式(5)计算。

式中：T(.)start——事件起始时间；

n———关联事件的总个数；

ΔT1i第i个关联事件与起始事件X1的起始事件之差。

2）关联事件过渡时间间隔ΔT2

关联事件过渡时间间隔是一个用于描述中间事件源动作时间的时间特征，指起始事件与关联事件的过渡段时间。过渡段最开始出现在对电压暂降扰动事件的波形刻画中，目的是计算相位跳变、波形点、波形畸变等附加特征，以实现对暂降进行后续数据分析与高级应用。如图2所示为一电压暂降事件波形分段结果，为了方便区分，本文定义了发生型过渡段和恢复型过渡段。

图2 扰动波形分段结果

1）发生型过渡段Seg1：指扰动事件从事件前端到事件持续段的过渡时段。

2）恢复型过渡段Seg2：指扰动事件从持续段到另一平稳阶段（恢复段或另一持续段）的过渡时段。

由此可以由式(6)计算得到关联事件过渡时间间隔ΔT2。

式中T(.)start、n的含义同式(5)。Seg2X1为起始事件恢复型过渡段，Seg1Xi+1为关联事件发生型过渡段。ΔT2i为起始事件X1与第i个关联事件的发生型过渡段开始时间之差。

2 多重时间判据的关联类型识别方法

事件检测与波形分段是计算关联类型时间特征的基础，即先将扰动过程中的起始扰动事件和关联扰动事件进行检测，记录各事件发生的起止时刻，然后分别识别起始事件与关联事件的过渡段，记录其过渡段的起止时刻。然后才能采用式(5)和(6)计算关联类型时间特征，为多重时间判据的关联类型识别方法提供了数据基础。本文通过将改进经验小波变换 (improved empirical wavelet transform,IEWT)和标准希尔伯特变换(normalized HT,NHT)结合以实现对起始事件和关联事件的检测。然后基于奇异值分解（singular value decomposition,SVD）的波形分段方法实现对扰动事件过渡段的检测。

2.1 基于IEWT和NHT的事件检测方法

基于EWT的电能质量扰动检测算法由于其运算量小、具有一定的自适应性以及不会造成模态混叠的优势，在电能质量分析领域得到了广泛地推广与应用。但是频谱“过切分”的现象仍然存在，为了弥补这一缺陷出现了基于IEWT的检测方法，通过对频带边界进行延拓，有效的解决了频谱“过切分”的问题。但是仅采用IEWT进行事件检测易受噪声的干扰，导致部分扰动突变信息的丢失。下面详细介绍事件检测的基本步骤。

Step1：采用IEWT对信号进行分解。

Step2：采用NHT对分解信号进行幅-频解调。

利用NHT对IEWT分解得到的信息分量x进行标准化和解调处理后，可以将分解为调幅与调频部分的乘积形式。由经验包络函数a(t)对x(t)进行标准化处理后的信号xn(t)即为调频信号，调幅部分为A(t)，如式(9)、(10)所示。而瞬时频率函数F(t)可由式(11)计算得到。进行希尔伯特黄变换后的结果。

Step3：扰动特征的提取。

由步骤2解调得到的A(t)和F(t)可得到幅值信息和频率信息，并且由A(t)平稳段的最大最小值还可以得到扰动起止时刻。由式(12)计算A(t)的阈值α，则A(t)与α的交点即为扰动的起止时刻。

其中A(t)static为扰动稳态值，即事件前段和事件恢复段的幅值。

2.2 基于SVD的扰动事件波形分段方法

根据事件频率特性可以将关联类型中涉及的扰动事件分为工频事件和非工频事件两大类。非工频事件包括暂态脉冲和暂态振荡两类扰动事件。对于这两类事件其特点为发生频率较大，事件发生过程总是快速变化的，如脉冲一般在毫秒及以下时间等级，振荡频率在几百赫兹及以上，并且持续时间较短，因此不能直接定义其过渡段，本文直接采用2.1节检测到的扰动起止时刻作为过渡段的时间特征。工频事件主要有电压暂降、电压暂升和电压中断三类扰动事件，其波形特点与电压暂降类似，可以采用奇异点检测的方法实现过渡段边界的定位。基于SVD的电压暂降波形自动分段方法可以对电压暂降等工频扰动事件波形信号过渡段的有效检测，实现暂降等工频扰动事件波形的自动分段。下面介绍工频事件波形分段的具体实现过程。

Step1：检测数据预处理。为了消除持续段电压波动对过渡段边界识别的影响，需要采用滤波算法对其进行平滑处理，以消除事件持续段电压波动的影。本文采用中值滤波算法对工频扰动事件进行平滑处理，可以有效的避免电压波动的干扰，使过渡段的检测结果更准确。

Step2：奇异值分解。利用检测信号X={xi}(i=1,2 ,···,N)构造Hankel矩阵，如式(13)所示，并对构造的Hankel矩阵进行SVD分解，结果如式(14)所示，其中 λi为X的奇异值，ui、vi为使式 (14)成立的正交信号的元素。

Step3：过渡段边界定位。通过设置一个阈值与SVD分解得到的奇异值作比较，当奇异值超过该阈值时，表示过渡段开始，反之，则表示为过渡段结束。为了提高分段方法的自适应性，还可以根据事件持续段的有效值与奇异值之间的线性关系，自适应地设定阈值。本文也直接采用事件持续段有效值的0.25倍作为自适应阈值。

2.3 基于多重时间判据的关联类型识别方法

基于多重时间判据的关联类型识别方法的本质就是根据起始事件与关联事件时间关系的差异识别出不同的关联类型，其基本流程如图3所示。主要分为三个环节，第一个环节为事件检测与分段，用于检测事件起止时刻和过渡段；第二个环节为时间特征的计算，即应用式 (5)、(6)计算ΔT1、ΔT2。第三个环节为根据多重时间判据的判断结果得出不同的关联类型，下面详细介绍多重时间判据的判断过程。

图3 关联类型识别方法流程图

1）判据一：判断是否需要进行关联类型的判断，如式(15)所示。满足则需要，否则就不需要。

其中ɛ0为电能质量扰动事件持续时间TXi与中间事件源动作时间TC2之和的最大值。由于事件持续时间不超过1 min，考虑中间事件源为电动机启动时启动时间不超过1 min，因此本文取ɛ0=2 min。

2）判据二：判断关联类型是否为并发型，如式(16)所示。满足则为并发型，不满足则为其他类型。

其中ɛ1＜＜ɛ0，本文取ɛ1=0.001。

3）判据三：判断关联类型是否为发展型，如式(17)所示。在满足式(15)，而不满足式(16)的前提下，若式(17)满足则为发展型，否则为连锁型。

其中T(Seg2X1)为起始事件恢复型过渡段的持续时间。满足式(17)说明扰动过程中不存在中间事件源，即不存在起始事件不存在恢复段。

3 仿真分析与验证

本文基于 PSCAD/EMTDC对本文1.1节所示的典型辐射型中压配电系统进行仿真，生成关联类型为连锁型、并发型、发展型的扰动事件。系统仿真步长为250 us，仿真时长分别设置为4 s、1 s、0.1 s，系统采样频率为 4 000 Hz，长度分别为 16 000、4 000、400个采样点。电脑配置为Intel(R) Core(TM)i5-9400 CPU @ 2.90 GHz。

3.1 事件检测与波形分段结果分析

由于实际信号中会存在噪声干扰，文中采用的扰动数据为仿真数据，无法体现实际噪声的干扰，由于实际电力系统中的噪声信号不会很大，信噪比为30 dB高斯白噪声是一种较为严苛情况，在这种情景下的分析结果更具有说服力，因此本文对仿真数据添加了信噪比为30 dB高斯白噪声。

仿真分析结果如下：

1）连锁型

仿真设置的三相短路故障（事件源F11）发生时刻为2.242 2 s、故障切除（中间事件源B2）动作时间为2.335 8 s电机启动即中间事件源M2动作时间为2.535 8 s。本文应用基于IEWT与NHT的事件检测算法对仿真波形进行事件检测，得到的结果如图4所示（图中幅值为标幺值，后同）。图中C1、C2为分解结果，可以看出该扰动包含两次电压暂降事件，由C2及其幅值曲线可以得到事件发生和结束时刻。

图4 事件检测及波形分段结果

将检测到的事件的时间特征记录于表3。对比LMD和HHT算法可以看出，本文方法具有较高的准确性。

表3 检测结果

2）发展型

仿真设置的雷击故障（事件源L1）发生时刻为0.040 2 s。得到的检测结果如图5所示。可以得出可以将原信号分解为基频分量C1、振荡分量C2和脉冲分量C3，由C2、C3及其幅值曲线可以准确得出事件发生和结束时刻，最终得到的检测事件的时间特征记录于表4。对比LMD和HHT算法可以看出，本文方法具有较高的准确性。

表4 检测结果

图5 事件检测及波形分段结果

3）并发型

仿真设置的电容器组（事件源C1）发生时刻为0.644 5 s。得到的检测结果如图6所示，并将检测到的事件的时间特征记录于表4。对比LMD和HHT算法可以看出，本文方法具有较高的准确性。

根据图6可以看出原信号被分为了基频分量C1和振荡分量C2，由C1、C2及其幅值曲线可以准确提取事件发生和结束时刻。

图6 事件检测及波形分段结果

应用2.3节的波形分段方法检测扰动事件过渡段，波形分段结果如图4(c)、图6(c)所示，其时间特征如表5、表6所示。

表5 检测结果

表6 过渡段检测结果

3.2 关联类型识别结果

根据式(5)和式(6)计算3.1节中三类关联类型的事件起始时间间隔ΔT1和关联事件过渡时间间隔ΔT2，计算结果如表7所示。将ΔT1、ΔT2的计算结果与式(15)、(16)和(17)三个时间判据作比较，得出的关联类型与实际结果完全相同，验证了本文方法的有效性。

表7 起始和过渡时间间隔

为了进一步验证方法的准确性，本文通过设置不同的故障时间和开关动作时间对连锁型、发展型和并发型的三种典型扰动采用PSCAD/EMTDC多重运行功能进行动态仿真，得到45组并发型、90组发展型、85组连锁型，分别在原始信号和叠加信噪比为30 dB的情况下应用本文提出的多重时间判据的识别方法进行验证，结果如表8所示。

表8 不同噪声下本文方法的识别准确率

由表8可知，在没有噪声干扰的情况下本文方法可以将连锁型、发展型和并发型准确地识别出来。但是在噪声环境下，识别结果明显降低，其中并发型的识别不受噪声的影响识别率仍然为100%，但是发展型和并发型的识别率明显降低，其主要原因在于噪声会导致事件检测和波形分段结果产生误差，进而影响关联事件过渡时间间隔ΔT2的计算结果，导致发展型和连锁型的识别出现混淆。为了提高本文方法的分类识别率，可以在事件检测和波形分段前对原始数据进行降噪处理。