基于云边协同运算的配电变压器故障快速检测算法研究

2022-11-05吴钢王振兴焦阳杨学伟唐皓淞

电子设计工程 2022年21期

吴钢，王振兴，焦阳，杨学伟，唐皓淞

（1.国网北京海淀供电公司，北京 100031；2.北京电力自动化设备有限公司，北京 100044）

我国城乡配电网中配电变压器通常采用三相四线制的配电线路。随着工业用电量的持续增长与民用电气化的不断普及，大量非线性、冲击性、单相性负载给电网带来强烈冲击，并导致低压端配电变压器不可避免的长期运行于三相不平衡状态，极易导致变压器出现故障。因此，变压器故障的快速诊断具有重要意义。

低压端配电变压器的快速检测涉及到大量的终端设备设施，传统的处理方式需要将所有故障终端信息集中到主站，然后进行统筹分析，极大地影响了系统的实时性与经济性。随着5G 技术的快速发展与广泛普及，各终端设备的独立边缘计算和电网主站云计算中心的故障自主研判、信息交互成为可能，并实现配电变压器故障的自主监测、判定、应对，同时降低运维成本。

该文基于云边协同运算技术和变压器状态检测算法，设计了一款变压器故障快速诊断平台。

1 变压器状态检测算法设计

分别通过对不同相位的状态进行分离，提取相应特征以实现变压器状态的判定。

在三相平衡状态下，负序与零序分量均为0，其基波仅由正序分量构成。而在三相不平衡状态下，正负零序分量均可能存在。同时，由于三相分量均可认为是正负零序分量之和。因此，在提取dq轴旋转坐标系下的正、负、零序分量后，可以找出三相不平衡状态下各相的幅值与相位角特征[1]。图1 为三相不平衡状态下正、负、零序的示意图。

图1 三相不平衡状态下的示意图

根据图1所示，令运算算子a=ej2π/3，则有a2=ej4π/3或a2=e-j2π/3。此时，正、负、零序分量可通过单相电压表示为：

对式（1）所示的矩阵进行逆变换，得到的结果如式（2）所示：

其中，可进一步推导运算算子a，得到如式（3）所示的形式：

将式（3）代入式（2），则式（2）可以简化为：

由式（4）可知，此时A、B、C 各单相的幅值与相位角均可通过dq轴旋转坐标系下的d轴与q轴分量得到[2]。

不平衡三相电压在dq轴上的投影为：

上式中，Vd(t)与Vq(t)分别为t时刻下d轴和q轴上的电压值。为消除高频滤波，低通滤波器将被接入系统中。此时，考虑低通滤波器导致的系统延时，Vd(t)与Vq(t)将滞后四分之一个系统信号周期，则d轴与q轴上的电压值将变为Vd(t-T/4))与Vq(t-T/4)。考虑滞后的dq轴上的电压输出信号过程，如图2所示。

图2 考虑滞后信号的系统输出流程图

由于Park 变换的参考坐标系为旋转坐标系，在三相不平衡状态下，为保证式（5）～式（7）所示的三相电压与Park 变换后的dq轴旋转坐标系保持同步旋转[3]，该文引入了PLL 锁相环算法，从而通过式中的ωt实现了旋转坐标系与不平衡三相系统的同步。满足旋转坐标系同步旋转的PLL 锁相环结构，如图3所示[4]。

图3 旋转坐标系中的PLL锁相环结构

由此可得，最终的三相不平衡状态检测算法模型如图4 所示。

在图4 中，φa、φb、φc分别表示A、B、C 相的单相相位，Δθb和Δθc分别表示B、C 相与A 相的相位差。

图4 基于改进的Park变换的三相不平衡检测算法模型

2 基于加强学习的分析算法设计

在实际的电网运行维护中，由于存在大量终端配电变压器，难以实现对每一台配电变压器的常态化跟踪与针对性维护。同时，部分配电变压器位于边远地区，且地势复杂、人工维护成本较高。因此，采用云边协同运算技术对低压端配电变压器进行日常管理与维护。低压端配电变压器故障检测的边缘计算模型与应用框架，如图5 所示。

图5 边缘计算在低压端配电变压器故障检测中的应用框架示意图

在图5 中，首先通过该文提出的三相不平衡故障检测算法对各低压端配电变压器终端进行实时监控。在边缘计算服务器上，计算每个节点以获得最短边缘内的最低成本估算，进而控制节点成本。通过计算数据集中的资源利用率来建立基于物联网的资源分配，并在集合{CNi}中表示计算节点，总的平均数据包由{Di}表示[5]。任务分配是根据数据节点区域内分配的节点数量变化执行的，如式（8）所示[6]：

式中，ENh为估计深度为h的相似节点数量，ENC代表在默认节点设置分配中，具有不同键标签的计算节点数量[7]。对于所有节点，树的深度假定为在主要空间中传入树的数量级[8]。假定该层是行为中的性能度量，如式（9）所示：

假定该集合为估计每个网络节点中最低成本的方法，其中每个参数的集合奖励如式（10）所示[9]：

式中，RW(Tj)表示对j个节点进行任务分配的奖励，假定对于所有的操作和计算机制而言，该操作的成本均是对计算节点的奖励[10]。数据处理的资源分配架构如图6 所示，其主要包含的功能有数据输入、数据处理、资源管理和数据分析等[11]。其中数据预处理部分负责边缘设备的连接过程，并对提供给优化器的数据进行预处理[12]。资源管理部分则根据任务分配和基于加强学习的机制状态执行操作[13]。

图6 资源分配架构

对于从根节点到子节点的所有计算奖励，使用奖励机制中的动作来估计所有节点的路径，此次估算的传入任务设置如下式所示[14]：

此外，所定义的策略连同用于资源分配策略的奖励计算同时返回[15]。因此RWK(a)在行为状态下具有奖励价值，主要方式是通过在行为分配中实施奖励的策略来确定最大节点数，如式（12）所示[16]：

3 实验验证

为了验证所提方法的有效性，设计了实验对云边协同数据分析工具的性能以及故障检测算法的可靠程度进行了验证。

首先对云端协同算法进行了验证，根据配电变压器模式进行估算，并为不同状态的变压器设备分配了行为数据分析模式。通过分析来自异构源的数据，实现估计变压器设备分析的能量损耗。

采用遗传算法和人工蜂群算法以及该文算法对多达350 个变压器的数据分析案例进行比较。结果如表1 所示，边缘计算链路中吞吐量增加时，能量消耗也随之增加，相比较而言，该算法对数据进行分析时，平均能量消耗最低。该算法的传输损失实验结果如图7 所示，D2D 表示边缘计算网络中的设备数量，分析结果可知在不同传输功率下，该边缘计算网络的通信传输损失均在2%以下。

表1 能量损耗对比

图7 传输损失实验结果

在考察边缘计算平台的基础上，进行了仿真实验分析，对所提出的三相不平衡状态检测算法进行验证，并与传统的谐波分析算法所得结果进行对比。低压端配电变压器的三相不平衡状态均为单相故障，以下仿真实验中采用的三相正弦波的幅值均为1，周期均为0.02 s。

当配电变压器处于三相不平衡状态，且A 相单相电压在0.1 s 后突降20%，另外两相的电压均保持不变时，图8 为传统谐波分析法与该文提出算法的仿真对比。

图8 单相故障下谐波分析法与改进的Park算法的对比

由图8 可知，采用传统的谐波分析法时，A 相不平衡状态的检测延迟约为一个周期(0.02 s)，而采用改进的Park 变换算法时，A 相不平衡状态的检测延迟仅为1/2 个周期(0.01 s)。仿真结果表明，采用改进的Park 变换算法时，相对于传统的谐波分析法能够有效对单相不平衡状态的检测速度提升约50%。

当配电变压器处于三相不平衡状态下，且A、B、C 各单相电压均产生突变。其中，A 相电压幅值在0.3 s 后突升20%，B 相电压幅值在0.3 s 后突降20%，C 相电压幅值在0.3 s 后突降40%。传统的谐波分析法的检测延迟约为一个周期(0.02 s)，同时某单相电压幅值突降或突升比例越大，则检测延迟越高。如图9 所示，A 相与C 相电压检测延迟均在0.02 s 左右，而B 相的检测延迟明显大于0.02 s。