使用智能电表实现配电网高阻抗故障的检测与定位

刘型志 ， 田娟， 李松浓， 刘畅， 黄可

(1. 国网重庆市电力公司营销服务中心, 重庆 400023； 2. 国网重庆市电力公司电力科学研究院, 重庆 401120; 3. 能源互联网先进计量与检测技术重庆市重点实验室, 重庆 401120)

0 引言

随着配电网建设的发展，配电网中的高阻抗设备分布越来越多。然而，在严峻的工况条件下，配电网高阻抗设备长期工作容易出现配电网高阻抗故障[1]。因此，需要建立配电网高阻抗设备的检测模型，结合对配电网高阻抗设备的故障特征提取技术实现故障特征融合和信息检测，从而提高配电网高阻抗设备的稳定性、维护配电网的文件运行[2]。而相关的配电网高阻抗故障检测和特征提取方法研究受到了相关领域的极大关注。

一般来说，对配电网高阻抗故障检测和定位是建立在对配电网高阻抗的故障分布式特征提取和大数据信息融合基础上的，通过构建配电网高阻抗设备的故障信息融合模型，结合特征优化辨识方法完成配电网高阻抗设备的故障特征信息融合和检测，可有效提高配电网高阻抗设备的故障信息分析和检测能力。目前，常用于配电网高阻抗设备的故障检测和定位的方法主要有光谱特征提取方法、统计特征提取方法、自相关特征分析方法等[3]，此外，基于主频分量相关性的配电网故障定位方法[4]和基于FP-Growth算法的配电网故障定位方法[5]应用也较为广泛。但应用传统方法进行配电网高阻抗设备的故障检测时抗干扰性不好，导致故障特征定位性能不好。

针对上述问题，本文提出基于智能电表的配电网高阻抗故障的检测与定位方法，利用智能电表实现对配电网高阻抗故障的特征融合和属性分类识别。最后进行仿真测试分析，证明了本文方法在提高配电网高阻抗故障的检测与定位能力方面的优越性能。

1 故障检测总体设计

为了实现基于智能电表的配电网高阻抗故障的检测与定位，首先需实现对配电网高阻抗故障的诊断。通过提取配电网高阻抗故障信息，结合特征信息预处理方法建立配电网高阻抗故障特征提取和选择模型，再通过模糊分类决策完成对配电网高阻抗故障特征的分类和优化训练[6]。上述过程的结构框如图1所示。

图1 配电网高阻抗故障检测定位过程结构

在如图1所示的配电网高阻抗故障检测定位结构图中，在分析配电网的阻抗故障参数的基础上，建立故障参数驱动模型，然后采用阻尼能量特征分析方法重建配电网高阻抗故障的数据[7]，并分析配电网高阻抗的故障分布特征量，通过模糊化信息匹配和模糊推理技术实现信息组合，从而有效提高配电网高阻抗故障定位能力。故障特征信息处理模型结构如图2所示。

图2 配电网高阻抗故障特征信息处理模型

根据图1、图2所示的总体结构模型和故障信息处理模型检测配电网高阻抗故障并完成信息重构，在此基础上，采用暂态能量信息重构的方法分析配电网高阻抗故障的协同特征，并完成故障挖掘[8]，继而可构建配电网高阻抗故障性检测统计特征量如下：

M=p(t)×ci

(1)

式中，ci代表配电网高阻抗故障样本的特征匹配集，p(t)代表配电网的超低频振荡模型。根据高阻抗故障性检测统计特征量，得到配电网高阻抗故障样本的直流信息输出如下：

(2)

式中，p代表数据相关性特征。针对式中得到的故障样本的直流信息进行重构处理，为后续的故障信息挖掘、检测和定位提供基础条件。

2 故障信息挖掘

在完成故障检测总体设计的基础上，分析配电网高阻抗的故障分布特征量，采用智能电表调制配电网高阻抗的直流参数，并通过直流额定有功功率补偿方法提取配电网高阻抗故障特征[9]，从而得到配电网高阻抗故障关联暂态能量V，然后分析配电网高阻抗设备的稳定域边界特征量，得到统计特征值如下：

(3)

式中，t0和tg分别代表配电网高阻抗故障数据的初始采样时间间隔和终止采样时间间隔，θ代表配电网高阻抗相角，V代表配电网高阻抗电压。然后采用多维尺度降维方法计算配电网高阻抗电压输出增益，分析系统振荡衰减，得到配电网高阻抗故障样本数据的挖掘输出如下：

(4)

当系统频率振荡偏差在死区范围内时，得到配电网高阻抗的动态特征匹配结果为

Q=sgnan+G(t)ci

(5)

式中，an代表配电网高阻抗设备的能量变化量。在此基础上，根据直流调制量确定配电网高阻抗故障的关联规则[10]，从而实现故障样本挖掘和故障识别分析。故障样本聚类分析模型如图3所示。

图3 故障样本聚类分析模型

3 高阻抗故障检测定位

3.1 故障特征提取

在高阻抗故障检测定位前，需对故障样本中的故障信息展开特征提取。采用智能电表调制配电网高阻抗的直流参数，再通过直流额定有功功率补偿方法提取配电网高阻抗故障特征。

假设存在p个分布式电气设备故障目标点，Aj(L)为配电网高阻抗故障聚类中心，其中j=1,2,…,k,…，则配电网高阻抗故障数据的相干特征分布集如下：

ZP=Aj(L)+Q[G(t)+an]

(6)

假设配电网高阻抗故障的演化信息聚类分析模型为s(t)，自相关特征匹配矢量为n(t)，二者之间相互独立，则可采用模糊推理的方法得到配电网高阻抗故障数据的自相关特征分布矢量z(t)的协方差矩阵如下：

(7)

式中，B代表直流线路中的最大可控功率，在配电网高阻抗故障演化聚类集中，采用功率偏差稳定性调节的方法[11-12]，得到配电网高阻抗故障特征分布模型为

(8)

式中，矩阵Us和Un代表配电网高阻抗故障信号列矢量，分析l条直流的控制敏感点σl，并故障特征点信息强度按下列顺序排列：σ1≥σ2≥…≥σq≥…>σl，然后通过子空间模型辨识的方法完成对故障特征的提取和挖掘，提高故障故障检测能力。

3.2 基于智能电表的故障定位

假设配电网高阻抗故障特征数据中包含有限元数据组(Ei,Ej,d,t)的关联关系，通过子空间模型辨识得到故障特征分布属性A={A1,A2,…,Am}，配电网高阻抗故障特征分布的幅值为D, 故障信息融合的特征状态为

(9)

对输入输出的 Hankel 数据进行信息辨识[13-14]，并在智能电表中完成故障检测。假设配电网高阻抗故障特征定位的统计序列为{x1,x2,…,xN}，对配电网高阻抗故障特征进行概率分布式融合，得到融合特征量如下：

(10)

通过智能电表进行信息重组，得到配电网高阻抗故障信息参数估计值为p(x0)，根据新的状态变量进行故障挖掘[15]，得到故障定位的优化目标函数表示为

(11)

式中，φ代表配电网高阻抗故障定位的特征参数集，ε代表配电网高阻抗故障检测定位系统的状态空间函数。继而可通过智能电表检测方法得到故障检测定位的节点优化部署模型为

(12)

式中，l(t)代表故障输出波束输出。在此基础上，通过优化的学习算法和故障特征聚类分析算法，实现配电网高阻抗故障的优化检测和智能定位，过程如下：

(13)

综上分析，实现了对配电网高阻抗故障的检测与定位。

4 仿真实验与结果分析

通过仿真实验验证本文方法在实现配电网高阻抗故障检测与定位的应用性能。

仿真实验环境如下：配电网的故障数据采样的节点数为1 200个，输出电压的波动幅值为16 kV，故障特征分布样本数目为1 024个，机器学习的迭代步数为240，步长为20，直流调制系数为0.35。

根据上述参数设定，分析配电网在存在高阻抗故障时的有功功率、无功功率、电压幅值和相角等参数检测结果，如图4所示。

(a) 有功功率

(b) 无功功率

(c) 电压幅值

(d) 相角图4 配电网高阻抗故障检测定位参数识别结果

分析图4结果可知，利用智能电表对配电网高阻抗故障检测和定位，能够有效提高对配电网高阻抗性能参数的重建和修正能力，实现对配电网高阻抗故障的优化检测。

在此基础上，利用对比实验的形式，测试本文方法对配电网高阻抗故障的定位检测精度。应用的对比方法分别为传统的基于主频分量相关性的配电网故障定位方法和基于FP-Growth算法的配电网故障定位方法，得到对比结果如表1所示。

表1 不同方法对电网高阻抗故障检测定位的精度对比结果

分析表1结果可知，随着迭代次数的增加，不同方法对配电网高阻抗故障检测与定位的精度也随之发生变化。但相比之下，利用本文方法进行配电网高阻抗故障检测的精度明显更高，其精度始终保持在0.97以上。

5 总结

本文利用智能电表设计了一种新的配电网高阻抗故障的检测与定位方法。通过模糊分类决策实现配电网高阻抗故障特征分类和优化训练，再通过直流额定有功功率补偿方法提取配电网高阻抗故障特征，在此基础上，结合模糊推理的方法获取配电网高阻抗故障数据的自相关特征分布。然后再通过故障特征聚类分析算法实现配电网高阻抗故障的优化检测和智能定位。经实验分析可知，该方法对配电网高阻抗故障检测定位的精度较高，证明该方法对故障诊断的性能较好，具有更好的应用前景。