基于感应电压特征停运输电线路故障识别方法

刘英培， 王祥宇， 王鑫明， 李少博， 梁华洋， 李世泽

(1.华北电力大学 电气与电子工程学院，河北 保定 071003；2.国家电网河北省电力调度控制中心，河北 石家庄 050021；3.国家电网河北省电力有限公司检修分公司，河北 石家庄 050070)

0 引 言

同塔多回输电线路因其在实现远距离输电的同时节省了土地占用面积而被广泛应用。由于多回输电线路共用同一电力走廊，各回线路间距离较近，当其中一回线路因故障或检修停运时，运行线路将通过电磁场在停运线路上产生感应电压，当电压等级较高时该现象尤为明显，对于500 kV同塔双回输电线路，感应电压甚至可达几十kV[1]。而在调度工作中为防止合闸到存在故障的停运线路上，通常需要对待合闸线路的状态进行判断，准确判断线路的故障状态可以对调度操作及故障的排除提供参考，具有重要的实际意义。

在实际场景中输电线路停运分为因故障停运和因检修停运两种情况。当线路因发生故障而停运时主要通过工作人员巡线对故障进行查找和判断。对于因检修而停运的线路，工作人员将在线路上挂接地线保证工作安全，此时由相关工作人员在检修工作结束后拆除接地线，保证线路不处于接地状态。上述方法虽能确保停运线路处于无故障状态但耗费大量人力，若一线操作人员存在疏忽或误操作时仍可能对线路的故障情况造成误判。输电线路发生永久性故障时，对于某些关键线路不能及时送电可能导致大面积停电，因此没有足够的时间通过巡线等方式确认线路的故障状态，此时操作人员将参考设备发出的信号、气象情况、电网结构等信息根据相关规程规定进行综合判断，若符合条件则进行试送。但在满足试送条件时仍然存在线路处于故障状态的情况。因此依据仿真或工作人员的经验设置相应阈值对线路的故障状态进行判别作为对合闸与否的辅助判断方法。该方法无明确标准，主要依赖操作人员经验，通常取故障电压最大值作为阈值，很难准确判断待合闸线路的故障状态。综上，对于某些没有条件或不能准确判断线路故障状态的关键线路，为避免导致大规模停电，仍需在未确认停运线路无故障的情况下进行合闸操作。若此时线路上仍存在故障，将使得断路器工作状态恶化、对电力系统造成冲击[2-4]、造成设备损坏、在某些场景下甚至可能发生爆炸事故[5]。

目前关于感应电的研究多集中在感应电理论计算[6，7]、感应电的仿真计算[8-11]、感应电的影响因素分析[10-12]等方面。对输电线路的故障检测和及时排除是保障供电可靠性的关键。目前已有大量文献对运行中输电线路的故障进行检测和判断。文献[13]基于故障电流与其余两相故障差流的比例关系提出故障相别选择系数这一概念，根据故障相别选择系数特征实现故障选相。文献[14]以线路两端正序电流故障分量的幅值与矢量差幅值的比值作为线路的故障判据，提出基于正序电流的故障检测的判据。随着计算能力的提高，机器学习被大量应用于工程实际。在文献[15]中，通过希尔伯特-黄变换将发生故障时的电气量转换为时频能量矩阵作为卷积神经网络的输入对配电网故障类型进行判断。而文献[16]基于小波奇异信息和改进SMOTE算法对各类故障特征进行提取并输入SVM对运行中的高压输电线路故障类型进行判断。文献[17]利用S变换提取输电线路故障特征，建立连续隐马尔可夫模型实现故障选相。

上述文献主要讨论了运行中线路的故障识别，鲜有文献针对处于热备用状态下的输电线路的故障状态进行识别。当线路处于不同故障状态时在线路两端测得电压有效值呈现不同的特点。采用适当的方法通过对停运线路两端的电压有效值进行测量可以对该线路的故障状态进行判断。

本文根据停运线路故障时的感应电压有效值特点提出一种停运线路故障识别方法，采用径向基核函数支持向量机(RBF-SVM)及BP神经网络对停运线路的故障进行检测。首先利用RBF-SVM判断线路是否存在故障，若线路存在故障则通过BP神经网络对故障类型进行判断。用于模型训练的样本由仿真实验获得，对停运输电线路单端三相感应电压进行测量，并对测量值进行特征提取及标准化等处理。为验证提出方法的效果，基于6条参数不同的同塔双回输电线路仿真模型进行仿真实验对故障识别算法进行训练和测试，并对比不同特征选取方案选取适当的特征提取方法。结果表明该方法能准确识别停运线路上是否存在故障，并且在存在故障时能较好的判断故障的类型。

1 停运输电线路故障识别方法

如前文所述，当对处于停运状态线路进行合闸时为防止合闸到故障线路需要对待合闸线路的故障情况进行判断。在同塔双回输电线路中，其中一回线路停运，另一回线路正常运行时，若停运线路存在故障，则停运线路上的感应电压将呈现不同的特征。以接地故障为例，当停运线路某相发生接地故障时，该相电压与无故障电压相比将大大减小。基于上述特性提出停运输电线路故障识别方法。停运输电线路故障识别方法由两部分构成，分别是基于RBF-SVM的故障状态识别方法和基于BP神经网络的故障类型识别方法。对停运线路的故障状态进行识别时，首先采集停运线路的感应电压有效值并提取特征作为RBF-SVM的输入，进行故障状态识别；若RBF-SVM判断线路存在故障则样本将作为BP神经网络的输入对故障类型进行识别。

1.1 基于支持向量机故障状态识别方法

支持向量机是功能强大的监督机器学习算法被广泛应用于二分类问题中[18]。

对于线性可分的数据，SVM最终希望找到一个超平面将数据进行分类，该超平面可表达为

ωTx+b=0

(1)

式中：ω和x均为n维向量。

各数据点与超平面距离也称为分类间隔，分类间隔大将获得更好的分类效果，分类间隔d的计算公式为

(2)

因此线性SVM可将问题转化为

(3)

式中：ζi为松弛变量，C为惩罚系数。

对于非线性可分的数据，可以通过引入核函数将数据映射到线性可分的高维特征空间，在不增加过多计算量的基础上获得更好的分类效果。

本文提取的特征量非线性可分，线性核函数SVM不能完成故障状态识别任务，因此引入径向基函数(RBF)作为核函数以完成故障状态的判断。RBF函数可写作

φ(x,l)=exp(-γ‖x-l‖2)

(4)

式中：x为输入数据；l为径向基函数中心；γ为核函数参数。

为完成SVM模型的参数选择和训练，将所有样本中的无故障的样本标记为0，代表无故障；对于存在故障的样本标记为1，代表发生故障。

SVM模型中需要调整的参数有惩罚系数C和核函数参数γ。其中参数C体现了模型对误差的容忍度，而γ则对支持向量数目及训练速度相关。为选择合适的参数，采用网格搜索方法设置4折交叉验证确定C为0.01，γ为1时取得较好的判断效果。

1.2 基于BP神经网络故障类型识别方法

对故障类型的识别可看作多分类问题，采用SVM解决多分类问题较为麻烦，因此采用BP神经网络对样本进行分类。

神经元是人工神经网络的组成单元，神经元主要由输入X、输入权值W、激活函数f及输出y四部分构成，对于每个神经元其输出为

y=f(W·X+b)

(5)

式中：b为偏置项。

BP神经网络主要由一个输入层、数个隐藏层和一个输出层构成，各层均由若干神经元组成。三层神经网络如图1所示。

图1 三层神经网络示意图

BP神经网络训练分为正向传播和反向传播两部分。正向传播过程中，由输入层向输出层进行计算获得预测值，将该预测值与期望值进行对比；反向传播过程中，将误差从输出层传播至输入层，调整各层的权值W和偏置b，重复上述过程直至损失函数最小完成训练。

停运线路短路故障共有11种，因此分别以0～10进行标注，并进行独热编码(One-hot Encoding)将数字0～10转换为以0和1构成的11位数组，其中与原编号相同的位置为1，其他位置均为0，数据编码如表1所示。

表1 数据编码

每个样本由各相感应电压有效值、故障电压比值及无故障电压平均值构成，即每个样本特征数为9，因此BP神经网络输入层神经元设置为9个；神经网络的输出为通过独热编码的0～10，因此输出层神经元数目为11个；通常情况下隐藏层为1～2层，设置隐藏层层数为1，设置隐藏层神经元个数为20。

对于输入层和隐藏层设置激活函数为ReLU，它可以克服训练过程中梯度消失的问题并加快训练速度，其表达式为

f(x)=max(0,x)

(6)

输出层采用sigmoid函数作为激活函数实现分类，其表达式为

(7)

神经网络训练采用交叉熵损失函数，它可以体现出实际输出与期望输出间的距离，表达式为

(8)

式中：n为样本数；y为期望输出；a为实际输出。

选择Adam[19]作为神经网络训练优化器，Adam是目前使用最广泛的优化器，它结合了多种优化器的特点，具有较好的学习效果。

停运线路故障识别方法流程图如图2所示。

图2 停运线路故障识别方法流程图

2 数据处理方法

2.1 特征提取

为准确判断停运线路上的故障类型，对仿真获得的样本进行适当的特征提取。以单相接地故障为例，当线路上发生单相接地故障时，测得故障相感应电压与故障前电压相比有大幅下降。而感应电压与运行线路上测得电压不同，呈现非三相对称的状态，即当线路无故障时测得各相感应电压有效值由于排列位置及方式的不同存在较大差别，因此在对故障的识别中可能产生误判。为减少误判的可能，除采用测得停运输电线路感应电压有效值为特征外，引入新的特征对故障进行识别。

定义无故障电压平均值为各输电线路中所有无故障样本电压平均值，记为Vavg。当该输电线路共有n个无故障样本时，对于各相Vavg可由式(9)计算。

(9)

式中：V为三相电压有效值。

定义故障电压占比Vr为测得故障后的电压有效值与该输电线路对应无故障电压平均值之比，可由式(10)计算。

Vr=V/Vavg

(10)

增加上述特征后，在一定程度上体现了故障前后电压有效值的变化程度。则预处理后的输入样本为感应电压有效值、故障电压占比和无故障电压平均值的组合，可表示为

X=[V,Vr,Vavg]

(11)

式中：V，Vr及Vavg均为三维向量。

2.2 标准化

当输入数据比例差异较大时，往往导致故障识别发生产生误判，因此为提高性能对数据进行标准化处理。标准化过程可表示为

(12)

式中：x′为标准化后特征值；x为该特征标准化前特征值；μ为所有样本中该特征值对应平均值；σ为所有样本中该特征值对应标准差。

经标准化处理后数据符合标准正态分布，即均值为0，标准差为1。

3 结果及分析

3.1 数据生成

本文基于ATP-EMPT电磁暂态仿真软件[20]，以河北省6条主要500 kV同塔双回输电线路参数为基础搭建仿真模型，对各线路其中一回运行，另一回处于停运状态的情况进行仿真，对停运线路在不同位置、经不同过渡电阻、发生不同类型故障时首端的感应电压有效值进行测量，获得停运线路不同故障状态下的单端感应电压测量值。6条线路的主要参数信息如表2所示。导、地线参数如表3所示。

表2 线路基本参数

表3 导、地线参数

表2中SZ1,SZ2,SZV2杆塔布线图如图3所示,其中长度单位为m。

图3 杆塔布线图

由表2知各线路长度,将每条线路按长度平均分为20段，每两段间设置一个故障点且线路首尾各设一故障点，则对于每条线路模型各设置21个故障点，每个故障点分别对11种故障类型进行仿真。同时考虑故障发生时的过渡电阻，设置过渡电阻为0～500 Ω，步长为50 Ω。6条线路共进行15 246次仿真实验。

对无故障样本进行仿真时，设置运行线路电源电压有效值为475～525 kV，步长为5 kV；为体现运行线路潮流，电源角度设置在-20°和20°范围内，步长为2°。6条线路共进行1 326次仿真实验。

以表2中线路1为例，该线路送电过程中处于热备用无故障状态下多次实测感应电压有效值均值与该线路处于相同状态时仿真有效值进行对比，对比结果记录在表4中，结果表明仿真获得数据与输电线路实际感应电压有效值差距不大。

表4 仿真数据与实测数据对比

实际场景中感应电压影响因素复杂[6-8]，在对呼称高及杆塔型号等数据采集时有近似取值的情况，并且受测量装置精确度等因素干扰，仿真结果与实际数据有一定的差异。

考虑到实际场景的复杂性，存在较多难以量化的影响因素，因此在测得数据上加入测得电压有效值±5%范围内的随机噪声，以提高模型的泛化能力。

3.2 故障识别结果分析

为验证所提出方法对故障的识别能力，将标记后的6条不同参数仿真线路采集的数据打乱并任取80%作为训练集，剩余20%作为测试集，在训练集上进行标准化操作后用训练集数据对SVM进行训练。训练完成后将测试集以训练集相同的参数进行标准化处理。将测试集作为输入对训练好的模型进行测试。对于BP神经网络的训练与SVM训练过程类似，不再赘述。停运线路故障状态识别模型训练及测试过程如图4所示。

图4 停运线路故障状态识别模型训练及测试过程

本文采用混淆矩阵及准确率对故障状态识别及故障类型的判别情况进行考查。混淆矩阵能直观的表现所提方法对故障的判断结果是否与实际标签相符，其对角线元素为判断无误的样本数，非对角线元素为误判样本数。

(1)故障状态识别

对RBF-SVM算法进行训练后获得其在训练集和测试集上的混淆矩阵如图5所示。

图5 训练集及测试集上故障状态识别混淆矩阵

RBF-SVM在训练集与测试集上均无误判的情况，判断准确率为100%。因此RBF-SVM在训练集和测试集上均能准确的对故障是否发生进行判断，表现出较好的分类能力。可见SVM对于故障是否发生能做出精准的判断。

(2)故障类型识别

BP神经网络在训练集和测试集上的混淆矩阵如图6所示。

图6 训练集及测试集上故障类型识别混淆矩阵

BP神经网络在训练集上有25个样本归类存在错误，其中有20个ABG故障被误判为BG故障，4个BG故障样本被判定为ABG故障，1个BCG故障被判定为ABCG故障，总体准确率达到99.80%。在测试集上进行故障判断时仅有9个样本归类错误，其中有6个ABG故障样本被判断为BG故障；3个BCG样本被判断为ABCG故障，准确率为99.7%。

3.3 不同特征提取方法下故障分类情况对比

如2.1中所述，不同的特征选取对模型的分类结果将产生影响，现对不同特征选取方法下训练的模型进行对比。不同特征选取方案如表5所示。

表5 特征选取方法

方案1中样本特征为三相感应电压测量值，当按方案1对模型进行训练结果如表6所示。该方案下故障分类算法对BG及ABG故障的辨别能力较差。对于BG故障在训练集和测试集上判断准确率分别为79.11%和80.08%；对于ABG故障在训练集和测试集上准确率分别为88.64%和87.36%。对其他类型故障进行判断时情况较好，但也有不同程度的误判现象产生。方案2中增加了故障电压占比作为特征，体现了故障前后感应电压有效值的变化程度，判断结果如表7所示。算法的故障分类能力得到了提升，误判主要发生在对ABG故障的判定中，在训练集和测试集上准确率分别为90.35%和91.70%。同时在BCG故障的判断中也存在少量误判。方案3在方案2的基础上加入无故障电压的平均值作为样本的特征，判断结果如表8所示。加入无故障电压不仅能体现故障前后感应电压的变化情况，也能在一定程度上体现线路的参数，提高了故障类型判断的准确率。

表6 方案1对各类故障类型判断结果

表7 方案2对各类故障类型判断结果

表8 方案3对各类故障类型判断结果

表9记录了三种方案对故障类型判断的总体准确率。当按方案3对停运线路测量电压有效值进行特征提取时获得了比其他方案更好的效果，准确率在训练集和测试集上分别达到了99.8%和99.7%，可以较好的对故障类型进行识别。

表9 分类准确率

4 结 论

本文从工程实际需求出发提出一种采用停运输电线路单端感应电压量测值为输入的停运输电线路故障状态识别方法。利用停运线路在不同故障状态下测得电压有效值呈现出不同特征这一特点有效的解决了调度工作中对于停运线路合闸前判断线路是否存在故障的问题，减少了合闸到故障线路的情况，为电力系统的安全稳定运行提供保障。

在对停运线路故障状态进行识别时，首先采用RBF-SVM对线路是否存在故障进行判断，当RBF-SVM判断线路存在故障时，将样本输入BP神经网络对故障类型进行判别，以便进一步判断故障原因乃至于排除故障。根据6条线路的实际数据建立仿真模型并针对停运线路采集各种状态下的感应电压有效值。为进一步提高该方案的性能，在测得数据中加入随机噪声，对故障状态识别模型和故障类型识别模型进行训练，且对不同特征选取方法进行对比实验以更好的完成故障分类。通过混淆矩阵对故障识别方法进行考查，结果表明该方法能准确的判断停运线路上是否存在故障，在对故障类型进行判断时准确率也达到99.7%。