基于小波特征的配電網(wǎng)線路運行工況識別

李德峰

（廣東電網(wǎng)公司 肇慶供電局，廣東 肇慶 526060）

配電網(wǎng)是電力系統(tǒng)的重要組成部分。隨著用電需求量的增長和電力供求市場化的發(fā)展趨勢，用戶對供電可靠性、電能質(zhì)量的要求不斷提高[1-2]。

配電線路作為用電負荷與變電環(huán)節(jié)之間的傳輸介質(zhì)，在用戶側、線路自身及變電站側發(fā)生的各種情況均導致配電網(wǎng)線路發(fā)生不同的工況變化，包括短路、接地、斷線、勵磁涌流、雷擊過電壓、過負荷等。但由于配電網(wǎng)線路拓撲結構復雜，T接線與分支線多，負荷類型多樣，高阻和間歇性故障多，且一些復雜工況，如小電流接地故障的瞬間變化迅速，特征量變化不明顯。至目前為止，配備故障指示器和故障選線技術的配電系統(tǒng)仍無法實現(xiàn)對各種工況的監(jiān)測和識別[3-5]。

基于故障三相電流和壓幅值變化進行故障判別的方法對于低阻故障檢測效果較好，但由于高阻故障接地電流很小，且易受周圍環(huán)境的影響而使該方法失效[6-7]。文獻[8-10]采用了小波變換識別線路工況的方法，成效良好，但該方法過于脆弱，硬件閾值的設定需要依靠專家經(jīng)驗，易受不同系統(tǒng)不同設置的影響。趙智等人分別通過人工神經(jīng)網(wǎng)絡的方法實現(xiàn)了線路工況的識別，可是該方法存在算法收斂速度慢，適應性能差，需要大量的具有代表性的訓練樣本等缺點[11-12]。

綜合考慮現(xiàn)有配電線路工況識別算法的實際應用情況，本文設計了配電線路的工況識別系統(tǒng)，通過在線路監(jiān)測點采集三相電流信號，利用小波分析算法提取信號中的特征量并形成各種工況下的特征基因庫。在線路工況變化時，將提取電流信號中特征量與特征基因庫的樣本進行比較匹配，從而實現(xiàn)配電線路運行工況的識別。

1 配電線路工況識別系統(tǒng)設計

如圖1所示，配電網(wǎng)線路工況識別系統(tǒng)主要由以下幾個有機部分組成。

圖1 配電線路工況識別系統(tǒng)原理圖Fig. 1 The schematics of distribution line identification system conditions

1.1 配電網(wǎng)錄波系統(tǒng)

配電網(wǎng)錄波系統(tǒng)，由現(xiàn)場錄波裝置、通信系統(tǒng)以及錄波庫組成。主要完成現(xiàn)場配網(wǎng)運行工況的波形采集，裝置具備閥值設置功能，對異常工況可主動觸發(fā)上傳并保存，便于后臺系統(tǒng)及時應用處理。

1.2 特征基因庫

特征基因庫是識別線路運行工況最重要的組成部分。它包含特征提取算法庫、規(guī)則庫以及規(guī)則檢測算法庫。當現(xiàn)場有異常工況時，錄波系統(tǒng)可觸發(fā)事項并上傳錄波數(shù)據(jù)，經(jīng)特征提取算法提取當前線路運行特征，通過規(guī)則檢測，實現(xiàn)線路運行工況的識別。

基因庫的設計主要圍繞規(guī)則庫展開。如圖2所示，一個規(guī)則庫可以由多個規(guī)則組成，一個規(guī)則與一組特征量有關（0，1，…，n），一個規(guī)則L對應一種檢測算法G；而特征量的提取可以由多個特征提取算法F完成，一種提取算法F可以提取多個特征量V。通過規(guī)則檢測庫將特征量與規(guī)則庫的規(guī)則進行比較分析，可獲得與線路工況變化相關的信息。

圖2 特征基因提取流程Fig. 2 The process of gene extraction feature

1.3 智能工況識別系統(tǒng)

智能工況識別系統(tǒng)基于配網(wǎng)運行特征基因庫實現(xiàn)。配網(wǎng)系統(tǒng)工況異常時，由識別系統(tǒng)查詢并提取相關監(jiān)測點錄波數(shù)據(jù)到特征基因庫進行數(shù)據(jù)整合分析，識別系統(tǒng)則根據(jù)分析結果為運行維護人員提供線路工況變化的相關信息。為保證線路工況識別的可靠性和準確性，識別工況所需的技術數(shù)據(jù)可根據(jù)專家經(jīng)驗和實際運行情況進行管理更新。

2 配電網(wǎng)線路工況識別關鍵技術

根據(jù)配電網(wǎng)線路工況識別系統(tǒng)設計思路，本文提出的特征基因庫工作流程如圖3所示。現(xiàn)場錄波裝置采集的數(shù)據(jù)主要包括三相電流。考慮到故障發(fā)生時的保護動作跳閘，假設在故障發(fā)生后2個周波時保護動作跳閘，則錄波系統(tǒng)將記錄故障前4個周波、故障中2個周波以及故障后2個周波的數(shù)據(jù)，三相電流數(shù)據(jù)的采樣率為4 000 Hz。當約定時限達到或檢測到線路有故障或預警時，采集的數(shù)據(jù)將以GPRS通信方式發(fā)送到主站。主站通過信號預處理后進行特征提取，獲得特征值，進而判斷各監(jiān)測點實時工況。因此，實現(xiàn)線路工況識別的突破點在于特征提取算法的選擇以及規(guī)則庫的建立2個方面。

圖3 基因庫工作流程Fig. 3 Genebank workflow

2.1 特征提取算法

配電網(wǎng)線路實際運行中，工況的變化會引起線路電流電壓出現(xiàn)幅值突變、諧波、高頻暫態(tài)分量等特征?？紤]線路發(fā)生接地、斷線、勵磁涌流的幾率較高，且故障波形含有較多高頻分量，而小波分析對故障信號中的突變奇異信號十分敏感。經(jīng)多尺度小波變換提取故障信號特征可有效分析線路運行工況[13]。

設信號x（k）經(jīng)離散小波變換后，在第j分解尺度下k時刻的高頻分量系數(shù)為dj（k），低頻分解系數(shù)為aj（k），進行單支重構后得到的信號分量Dj（k）、Aj（k）。J為最大分解尺度。Dj（k）表征了信號x（k）在不同尺度下的分量，也稱為信號的多尺度表示。

2.1.1 小波奇異熵特征

信號的小波分解結果為Dj（k）可以構成一個m×n的矩陣Dm×n。根據(jù)信號奇異值分解理論，對于一個m×n的矩陣Dm×n，必然存在一個m×l維矩陣U，一個l×n維矩陣V和一個l×l維矩陣Λ，使得矩陣Dm×n分解為Dm×n=Um×lΛl×lVl×n，其中對角線矩陣Λ的主對角線元素是非負的，并按降序排列，這些對角線的元素是小波變換矩陣Dm×n的奇異值。參照信號的奇異分解理論，當信號無噪聲或具有較高的信噪比時，其主對角元素的奇異值僅有少數(shù)不為0，小波分解結果矩陣的奇異值也滿足類似的規(guī)律，且信號的頻率成分越少，小波分解結果的奇異值不為零的個數(shù)越少。為了定量描述信號的頻率成分及分布特征，定義如下的小波奇異熵WSE為：

小波奇異熵測度表明，它對于頻率成分比較敏感，而且頻率成分越單一，對應的小波奇異熵值越??；反之，高頻成分越豐富，對應的小波奇異熵值越大。本文取各線路各相故障后1/4周波數(shù)據(jù)的小波奇異熵相對比值：

然后進行歸一化處理，即

通過歸一化相對比值和各階次疊加這2個特殊處理，就能減小系統(tǒng)不確定性和不同故障工況的影響，從而獲取更為準確和可靠的故障類型識別結果。

2.1.2 小波統(tǒng)計量特征

系統(tǒng)發(fā)生故障后，首先計算故障后的三相電流的故障分量

式中，ip（t），p=a，b，c為故障后變壓器二次側的第一個工頻周期內(nèi)的三相電流；i′p（t）為三相電流的故障分量，為故障后第一個周波的三相電流減去故障前一個周波的三相電流。

對這個周波的故障分量進行小波變換，提取重構后的逼近系數(shù)和細節(jié)系數(shù)，對反映故障的故障頻段內(nèi)的信號進行分析，提取7個統(tǒng)計特征量，分別為：ρab、ρbc、ρca、sa、sb、sc、u0f，計算公式如下所示。

式中，n為一個工頻周期內(nèi)的采樣點數(shù)；E（）為數(shù)學期望；p為相別a，b，c。則sp*表征標幺化標準差。一個較大的標準差，代表大部分數(shù)值和其平均值之間差異較大；一個較小的標準差，代表這些數(shù)值較接近平均值。

ρbc和ρca同理。

此外，利用母線零序電壓u0構造一個特征向量。對u0（t）進行FFT變換，提取50 Hz基頻分量的幅值U0作為判斷是否發(fā)生接地故障的特征。

2.2 規(guī)則庫建立

規(guī)則庫是專家系統(tǒng)的重要組成部分，規(guī)則的前提是配電線路上各監(jiān)測點的電場和電流的特征信息，結論是配電線路上發(fā)生的故障類型。將檢測到的電場和電流經(jīng)上述的特征提取算法提取相關特征，通過規(guī)則進行模式匹配，從而得出診斷結果。

采用電磁暫態(tài)仿真軟件PSCAD/EMTDC搭建如圖4所示的配電網(wǎng)仿真模型，采樣頻率為4 kHz[14]。

假設A相低阻接地故障（電阻為0.1 Ω），則仿真所得的三相電壓和三相電流波形如圖5所示。

圖4 配電網(wǎng)仿真模型Fig. 4 The simulation model of distribution network

圖5 AG故障三相電壓和電流波形Fig. 5 Voltage and current waveforms when AG fault

同理，針對中性點不接地系統(tǒng)發(fā)生AG、ABG、AB和ABC/ABCG 4種故障。在不同過渡電阻、故障初相角等情況下，得到不同故障的特征量為圖中1～6個點對應的故障初相角為0，過渡電阻為0～1 000 Ω的特征向量的變化；7～12對應故障初相角為18°，過渡電阻從0～1 000 Ω的特征向量的變化的統(tǒng)計結果圖如圖6所示。

由仿真結果可知，基于小波算法的規(guī)則有：

規(guī)則1。如果A，B，C三相電流的故障分量的標準差均大于預先設定的標準差閾值且互相關系數(shù)均大于預設相關系數(shù)閾值，則配電線路發(fā)生三相短路故障。

規(guī)則2。如果A，B，C三相電流中有兩相的標準差超過預設標準差閾值且這兩相的互相關系數(shù)大于預設的相關系數(shù)閾值，則配電線路發(fā)生兩相短路故障。

規(guī)則3。如果A，B，C三相電流中有一相的標準差超過預設標準差閾值，則配電線路發(fā)生單相低阻接地故障。

規(guī)則4。如果A，B，C三相電流中小波奇異熵相對歸一化比值均大于預先設定的熵閾值，且至少有2個標準差大于預設標準差閾值且相關系數(shù)中至少有一個大于預先設定的閾值，則配電網(wǎng)發(fā)生勵磁涌流。

3 實例驗證

為了驗證本文提出的基于小波特征的線路工況識別方法的有效性，本文以肇慶供電局的配電網(wǎng)線路實際運行錄波數(shù)據(jù)為分析對象，提取電流信息中的特征量，并通過規(guī)則庫調(diào)用來判斷線路實時工況。

算例1：現(xiàn)場三相電流波形如圖7所示。

采用db4小波、分解尺度為3，計算得到的小波特征值見表1所示。

表1 小波特征計算結果Tab. 1 The results of wavelet feature calculation

圖6 故障特征量在不同故障類型下仿真結果Fig. 6 Fault characteristic simulation results under different fault types

圖7 現(xiàn)場數(shù)據(jù)的三相電流波形Fig. 7 Phase current waveform data field

與本文2.2節(jié)提出的基于小波特征的規(guī)則比較，該工況的小波特征符合規(guī)則3，因此，該線路發(fā)生A相接地故障，與實際運行情況相符。

算例2：現(xiàn)場三相電流數(shù)據(jù)波形如圖8所示。

圖8 現(xiàn)場三相電流數(shù)據(jù)波形Fig. 8 Phase current waveform data field

同理，計算得到的該線路運行工況下小波特征值見表2所示。

表2 小波特征計算結果Tab. 2 The results of wavelet feature calculation

由統(tǒng)計表格可知，該工況的小波特征符合規(guī)則4，因此，該線路發(fā)生勵磁涌流，與實際運行情況相符。

4 結論

本文綜合考慮現(xiàn)有配電線路工況識別算法的實際應用情況，設計了包含錄波系統(tǒng)、特征基因庫和智能識別系統(tǒng)的基于小波特征的配電線路運行工況識別系統(tǒng)，通過在線路監(jiān)測點采集三相電流信號，并利用了多尺度小波分析方法提取信號中的信號標準差、互相關系數(shù)、小波奇異熵2個特征量。配電線路各種工況下的特征基因庫通過電磁仿真軟件PSCAD/EMTDC建立起來，并將提取的特征量與特征庫的規(guī)則相匹配來實現(xiàn)線路工況的識別。實例分析表明，本文提出的基于小波特征的識別方法能有效地判斷線路的運行工況，且可靠性和準確性較高。

[1] 邱生敏. 配電網(wǎng)可靠性評估方法研究[D]. 廣州：華南理工大學，2012.QIU Shengmin. Study on the method of reliability evaluation of distribution network[D]. Guangzhou：Master Degree Thesis of South China University of Technology，2012（in Chinese）.

[2] 汪穗峰，張勇軍，任倩，等. 配電網(wǎng)可靠性定量分析研究綜述[J]. 繼電器，2008，3（1）: 79-83.WANG Suifeng，ZHANG Yongjun，REN Qian，et al.Review of research on quantitative analysis of the reliability of distribution network[J]. Relay，2008，3（1）: 79-83（in Chinese）.

[3] 唐金銳，尹項根，張哲，等. 配電網(wǎng)故障自動定位技術研究綜述[J]. 電力自動化設備，2013，5（2）: 7-13.TANG Jinrui，YIN Xianggen，ZHANG Zhe，et al. Review on the research of distribution network fault automatic location technology[J]. Electric Power Automation Equipment，2013，5（2）: 7-13（in Chinese）.

[4] 楊炎龍. 配電網(wǎng)故障定位研究[D]. 廣州：華南理工大學，2013.YANG Yanlong. Study on fault location of distribution network[D]. Guangzhou：Master Degree Thesis of South China University of Technology，2013（in Chinese）.

[5] 劉莉，陳學鋒，翟登輝. 智能配電網(wǎng)故障恢復的現(xiàn)狀與展望[J]. 電力系統(tǒng)保護與控制，2011（13）: 148-154.LIU Li，CHEN Xuefeng，ZHAI Denghui. Present situation and prospect of intelligent distribution network fault restoration[J]. Power System Protection and Control，2011（13）: 148-154（in Chinese）.

[6] 吳振華. 基于GPRS的配電網(wǎng)故障定位系統(tǒng)的研究[D]. 北京：北京交通大學，2014.WU Zhenhua. Study on fault location of distribution network based on GPRS[D]. Beijing：Master Degree Thesis of Beijing Jiaotong University，2014（in Chinese）.

[7] 姚嵐. 配電網(wǎng)線路故障實時監(jiān)測技術研究[J]. 電源技術應用，2013（8）: 32-33.YAO Lan. Research on real time monitoring technology of distribution network fault line[J]. Power Supply Technologies and Applications，2013（8）: 32-33（in Chinese）.

[8] 黃永. 配電網(wǎng)線路高阻故障在線識別方法研究[D]. 重慶：重慶大學，2012.HUANG Yong. Study of on-line fault identification method of high resistance distribution network line[D]. Chongqing：Master Degree Thesis of Chongqing University，2012（in Chinese）.

[9] 吳進偉. 配電網(wǎng)線路故障實時監(jiān)測技術研究[D]. 杭州：浙江大學，2010.WU Jinwei. Research on real time monitoring technology of distribution network fault line[D]. Hangzhou：Master Degree Thesis of Zhejiang University，2010（in Chinese）.

[10] 周小勇，葉銀忠. 小波分析在故障診斷中的應用[J]. 控制工程，2006（1）: 70-73.ZHOU Xiaoyong，YE Yinzhong. Application of wavelet analysis in fault diagnosis[J]. Control Engineering，2006（1）: 70-73（in Chinese）.

[11] 羅曉. 基于粗糙集-人工神經(jīng)網(wǎng)絡的配電網(wǎng)故障診斷研究[D]. 南寧：廣西大學，2006.LUO Xiao. Research on distribution network fault diagnosis of based on rough set artificial and neural network[D].Nanning：Master Degree Thesis of Guangxi University，2006（in Chinese）.

[12] 趙智，王艷松，鮑兵，等. 基于小波神經(jīng)網(wǎng)絡的配電網(wǎng)故障類型識別[J]. 電力系統(tǒng)及其自動化學報，2007（6）:93-96.ZHAO Zhi，WANG Yansong，BAO Bing. Distribution network fault type recognition based on wavelet neural network[J]. Proceedings of the EPSA，2007（6）: 93-96（in Chinese）.

[13] 張德豐. MATLAB工程應用書庫：MATLAB小波分析[M].2版. 北京：機械工業(yè)出版社，2012.ZHANG Defeng. Engineering application of MATLAB library: MATLAB wavelet analysis （Second Edition）[M].Beijing：Machinery Industry Press，2012（in Chinese）.

[14] 翟進乾. 配電線路在線故障識別與診斷方法研究[D]. 重慶：重慶大學，2012.ZHAI Jinqian. Research on online fault identification and diagnosis method of distribution line[D]. Chongqing：Doctor Degree Thesis of Chongqing University，2012（in Chinese）.