一種配電網(wǎng)運(yùn)行狀態(tài)智能識別方法

蔡茂

(國網(wǎng)湖南省電力公司長沙供電分公司，湖南 長沙 410004)

一種配電網(wǎng)運(yùn)行狀態(tài)智能識別方法

蔡茂

(國網(wǎng)湖南省電力公司長沙供電分公司，湖南 長沙 410004)

文中提出了一種基于小波包時間熵與支持向量機(jī) (SVM)的配電網(wǎng)運(yùn)行狀態(tài)智能識別方法。仿真結(jié)果表明，該配電網(wǎng)運(yùn)行狀態(tài)智能分類識別方法中選取的小波包時間熵特征量維數(shù)相對較低，抗干擾能力強(qiáng)，分類識別所需訓(xùn)練樣本少，分類速度快，識別準(zhǔn)確率高，可較好應(yīng)用于配電網(wǎng)運(yùn)行狀態(tài)的在線智能識別。

配電網(wǎng)；智能分類識別；SVM；小波包時間熵

配電網(wǎng)密布城鄉(xiāng)及山區(qū)，終年處于戶外，經(jīng)受風(fēng)雨冰霜、雷電及日益嚴(yán)酷的環(huán)境污染等惡劣環(huán)境影響，加上不可預(yù)測的人為因素，發(fā)生故障的概率很高。另外，配電網(wǎng)運(yùn)行過程中，勵磁涌流、過負(fù)荷、雷擊、竊電等各種異常運(yùn)行狀況時有發(fā)生。因此，迅速甄別配電網(wǎng)的正常、異常以及故障狀態(tài)，綜合掌握電網(wǎng)的運(yùn)行狀況，對于現(xiàn)場運(yùn)行人員分析故障原因、查找故障點(diǎn)具有指導(dǎo)作用，能夠大大提升配電網(wǎng)運(yùn)行管理水平。

目前，國內(nèi)外對于配電網(wǎng)運(yùn)行狀態(tài)識別進(jìn)行了大量研究。文獻(xiàn) 〔1〕對某電網(wǎng)單相接地故障類型、故障特性等進(jìn)行了統(tǒng)計，但沒有提出通用性的故障數(shù)據(jù)分析方法。文獻(xiàn) 〔2〕應(yīng)用相平面和分層聚類方法研究了配電網(wǎng)因樹木、動物、雷電等引起的單相接地故障分類識別問題，但沒有考慮其他運(yùn)行狀態(tài)，同時識別準(zhǔn)確率較低。文獻(xiàn) 〔3〕基于穩(wěn)態(tài)量同樣只能判斷3種接地故障。文獻(xiàn) 〔4〕利用神經(jīng)網(wǎng)絡(luò)的方法對電網(wǎng)穩(wěn)態(tài)故障類型進(jìn)行分類識別，但沒有考慮暫態(tài)故障。文獻(xiàn) 〔5〕利用小波變換提取特征頻帶能量，對變電所內(nèi)部的故障電流或者電壓信號進(jìn)行分解重構(gòu)，通過與規(guī)定的閾值對比便可以得出故障相。但是，由于閾值的設(shè)定是通過專家經(jīng)驗(yàn)法獲得，受設(shè)置量的影響較大。另外基于改進(jìn)Petri網(wǎng)模型〔6〕、基于粗糙集理論和神經(jīng)網(wǎng)絡(luò)模型〔7〕等方法與理論被運(yùn)用到電網(wǎng)故障分類識別中，取得了一定研究成果，但這些研究中缺少對配電網(wǎng)運(yùn)行狀態(tài)分類識別的系統(tǒng)研究，選取的特征量泛化性不強(qiáng)，因而最終識別率不是很理想。

文中結(jié)合上述研究中存在的優(yōu)點(diǎn)和不足，充分考慮配電網(wǎng)運(yùn)行狀態(tài)的暫穩(wěn)態(tài)特征，構(gòu)建了一種小波包時間熵特征量，并利用支持向量機(jī)理論建立分類器，實(shí)現(xiàn)對配電網(wǎng)運(yùn)行狀態(tài)的在線智能識別。

1 小波包時間熵特征提取方法

當(dāng)配電網(wǎng)運(yùn)行狀態(tài)發(fā)生改變時，最直觀的表現(xiàn)為電壓、電流信號發(fā)生變化，因此可利用小波包分析具有時頻局部化特性和熵對系統(tǒng)狀態(tài)進(jìn)行表征的能力，將小波包分析和熵結(jié)合起來，提取能夠描述配電網(wǎng)系列運(yùn)行狀態(tài)的特征量，為后續(xù)運(yùn)行狀態(tài)的分類提供數(shù)據(jù)支持。

1.1 小波包時間熵特征的定義

對信號x(t)進(jìn)行n層小波包分解并進(jìn)行單支重構(gòu)后，得到所有尺度下的小波包系數(shù)序列Xn，k(i)，k＝0～2n－1，i＝1，2，...，N，N為信號的維數(shù) (長度)，k為小波包分解尺度。表示為信號在第k尺度下i時刻小波包能量系數(shù)。現(xiàn)在n層分解、第k尺度下單支重構(gòu)后的小波包能量系數(shù)上定義一滑動窗，設(shè)窗寬為ω＜N，滑動因子σ＜N，于是滑動窗為

式中 m＝1，2，...，M，M表示時間段內(nèi)滑動窗的總數(shù)，M＝ (N－ω)/σ。將滑動窗均勻地劃分為如下L個區(qū)間，有

1.2 特征重要性評價標(biāo)準(zhǔn)

現(xiàn)假設(shè)有2類線性可分類模式 (記為類別Ⅰ和類別Ⅱ)，對于2類訓(xùn)練樣本特征集中第r個特征元素，現(xiàn)定義其重要性評價標(biāo)準(zhǔn)如下:

式中m和σ表示樣本均值和樣本標(biāo)準(zhǔn)方差。1個好的特征應(yīng)能使2類樣本具有較大的類間距離和較小的類內(nèi)方差，所以J(r)值越大越好。

1.3 最優(yōu)特征子集選擇算法

文中提出的最優(yōu)特征子集選擇算法其核心思想是每次特征的增減操作考慮單個特征元素的重要性。

1)借助于小波包時間熵特征重要性評價標(biāo)準(zhǔn)J(r)，對于每個小波包時間熵特征元素Wr(r＝1，2，…，R)進(jìn)行重要性評估，R為特征集中小波包時間熵特征元素的個數(shù)。隨后按重要性對各個特征元素降序排序。

2)初始化特征子集Hr＝[]，以及下標(biāo)變量r＝1。

3)把所有訓(xùn)練樣本的特征子集Hr劃分為訓(xùn)練子集和測試子集， 利用對某個多類分類器進(jìn)行訓(xùn)練，并利用進(jìn)行性能評估，同時記錄該多類分類器的識別準(zhǔn)確率Accuracy(分類正確的樣本數(shù)目與全部測試樣本數(shù)目之比值)。

4)r＝r＋1，如果 r＞R，評估結(jié)束，轉(zhuǎn)向第5步；否則，Hr＝Hr－1∪{WJr}并跳轉(zhuǎn)至第3步。

5)選擇最大Accuracy所對應(yīng)的特征子集作為最優(yōu)特征子集。如果有多個Accuracy均為最大，只需選擇對應(yīng)特征數(shù)目最少的1組即可。

2 基于核空間距離分析的混合SVM方法

支持向量機(jī) (SVM)〔10〕是基于統(tǒng)計學(xué)理論的新型機(jī)器學(xué)習(xí)方法，其核心思想是利用內(nèi)積函數(shù)定義的非線性變化將原始空間內(nèi)不可分的輸入樣本映射到高維線性特征空間，使其線性可分。最基本的支持向量機(jī)分類器為二元支持向量機(jī)分類器，能夠?qū)崿F(xiàn)對帶正、負(fù)標(biāo)簽的數(shù)據(jù)進(jìn)行分類，但絕大部分的實(shí)際應(yīng)用都屬于多模式分類問題。文中將采用集成多個二元支持向量機(jī)分類器以形成一個多類SVC來構(gòu)造配網(wǎng)運(yùn)行狀態(tài)多類分類器。

對于多類模式分類識別的問題，如果待測樣本x?對應(yīng)的2個或多個決策函數(shù)的輸出均為有效值，則表示待測樣本落入了某個不可分類區(qū)。為了解決待測樣本落入不可分類區(qū)造成的分類器性能下降問題，提出了基于核空間距離判別分析方法。該方法的基本思想如下:當(dāng)僅有一個決策函數(shù)有效時，進(jìn)行正常的分類決策；當(dāng)多個決策函數(shù)有效或所有決策函數(shù)都無效時，計算待測樣本和對應(yīng)決策面的空間距離，根據(jù)空間距離大小進(jìn)行故障決策。

3 配電網(wǎng)運(yùn)行狀態(tài)智能分類器

文中以配電網(wǎng)常見運(yùn)行狀態(tài)為研究對象，結(jié)合SVM的理論構(gòu)造2個分類器。其中分類器I記為SVC－Ⅰ，面向相電流突變量來構(gòu)建特征向量，主要包括過負(fù)荷運(yùn)行、相間短路 (包括兩相和三相短路)、大電機(jī)啟動、斷線故障、以及變壓器勵磁涌流5類常見運(yùn)行狀態(tài)；分類器II記為SVC－Ⅱ，面向零序電流來構(gòu)建特征向量，主要為單相接地故障，包括穩(wěn)定型故障、穩(wěn)定電弧型故障、間歇電弧型故障共3類運(yùn)行狀態(tài)。

配電網(wǎng)運(yùn)行狀態(tài)分類器的建立主要由訓(xùn)練和診斷2個部分組成，如圖1所示。其中訓(xùn)練階段包括以下步驟:

圖1 基于支持向量機(jī)的配電網(wǎng)運(yùn)行狀態(tài)分類器建立流程圖

1)針對各種配網(wǎng)運(yùn)行狀態(tài)，建立包含多個訓(xùn)練樣本的訓(xùn)練樣本集。

2)對訓(xùn)練樣本集中所有訓(xùn)練樣本進(jìn)行特征提取，得到每個訓(xùn)練樣本的原始小波包時間熵特征集合。

3)構(gòu)建混合支持向量機(jī)多類分類器，得到每個二元支持向量機(jī)的相應(yīng)訓(xùn)練參數(shù)。

4)對原始樣本特征集合中的小波包時間熵特征元素進(jìn)行重要性評價并排序，基于混合支持向量機(jī)多類分類器，利用小波包時間熵特征最優(yōu)特征子集選擇算法，提取最優(yōu)特征子集。

診斷階段具體步驟如下:

1)判斷是否有零序電流；如果沒有，則采集故障相電流并把數(shù)據(jù)導(dǎo)入SVC－Ⅰ，由此得到分類結(jié)果。否則進(jìn)入第2步。

2)將零序電流導(dǎo)入SVC－Ⅱ，得到此時配網(wǎng)所屬運(yùn)行狀態(tài)。

4 算例分析

在仿真軟件PSCAD中搭建典型配網(wǎng)模型 (包括單輻射接線、手拉手接線、分段兩聯(lián)絡(luò)線接線、3－1接線)。模擬配網(wǎng)運(yùn)行中的正常、異常 (大電機(jī)啟動〔11〕、 過負(fù)荷運(yùn)行、 變壓器勵磁涌流〔12〕)、故障 (相間短路、接地、斷線)狀態(tài)，其中單相接地故障模擬穩(wěn)定型故障〔3〕、穩(wěn)定電弧型故障〔13〕、間歇電弧型故障〔14〕，仿真得到大量數(shù)據(jù)樣本，其中SVC－Ⅰ面向故障相電流，SVC－Ⅱ面向零序電流。設(shè)定SVC－Ⅰ中樣本的采樣頻率為800 Hz，取電流波形突變前5個周波，突變后100個周波，一共1 680個點(diǎn)作為實(shí)際數(shù)據(jù)樣本，SVC－Ⅱ中樣本的采樣頻率為4 000 Hz，取零序電流波形突變后8個周波共640個點(diǎn)作為實(shí)際數(shù)據(jù)樣本。每種運(yùn)行狀態(tài)模式樣本數(shù)據(jù)80組，其中40個作為訓(xùn)練樣本，40個作為測試樣本。仿真中分類器SVC－Ⅰ中小波包時間熵的窗參數(shù) ω＝8×fs＝128，σ＝128，L＝128；分類器SVC－Ⅱ中小波包時間熵的窗參數(shù) ω＝fs＝80，σ＝80，L＝80，即采用逐窗滑動。

使用常用的小波能譜熵〔5〕與文中提出的小波包時間熵特征分類測試結(jié)果如表1所示。

表1 小波包時間熵分類測試結(jié)果

從表1的分類測試結(jié)果可以看出，相比于小波能譜熵，文中所定義的小波包時間熵能夠較好地識別配電網(wǎng)類別Ⅰ，Ⅱ中所列狀態(tài)；基于 WpTE特征構(gòu)造的SVC識別率較高，表明小波包時間熵能夠作為一個普適特征量對配電網(wǎng)運(yùn)行狀態(tài)進(jìn)行表征。其次支持向量機(jī)分類器運(yùn)算速度快，對訓(xùn)練樣本數(shù)量依賴較弱，文中算例中每類狀態(tài)的訓(xùn)練樣本只選取了40個，但分類性能依然很好。

表2，3可以看出，SVC－Ⅰ中特征子集 H7，H8以及SVC－Ⅱ中特征子集H8均可使分類器的性能達(dá)到100%的分類效果，由于SVC－Ⅰ中特征子集H7包含的分類特征元素最少，因此根據(jù)前面算法中的約定，H7為SVC－Ⅰ的最優(yōu)特征子集，同時H8為SVC－Ⅱ的最優(yōu)特征子集?；贖7和H8特征元素的組合順序分別提取類別Ⅰ和類別Ⅱ中樣本的特征量，訓(xùn)練得到最終的SVC－Ⅰ和SVC－Ⅱ。另外表中同時可以看出，特征元素個數(shù)越大不一定代表分類識別效果越好。

表2 SVC－Ⅰ小波包時間熵最優(yōu)特征子集選擇結(jié)果

表3 SVC－Ⅱ小波包時間熵最優(yōu)特征子集選擇結(jié)果

表4列出了SVC－Ⅰ與SVC－Ⅱ中所含運(yùn)行狀態(tài)的訓(xùn)練樣本中心 (最優(yōu)小波包時間熵特征集)。

表4 配電網(wǎng)運(yùn)行狀態(tài)小波包時間熵特征集

5 結(jié)論

配電網(wǎng)各種復(fù)雜運(yùn)行狀態(tài)的智能識別對于保障未來智能配電網(wǎng)安全運(yùn)行具有重要意義。文中定義了一種小波包時間熵的信號特征提取方法，構(gòu)建了小波包時間嫡特征重要性評價標(biāo)準(zhǔn)以及最優(yōu)特征子集的選擇算法，建立最優(yōu)特征子集，提高了特征選擇效率，節(jié)約了分類時間；考慮配電網(wǎng)運(yùn)行狀態(tài)特點(diǎn)，構(gòu)造了基于核空間距離分析的支持向量機(jī)多類分類器。針對典型配網(wǎng)模型的仿真算例結(jié)果表明，該配電網(wǎng)運(yùn)行狀態(tài)智能識別方法中定義的小波包時間熵能夠區(qū)分識別不同運(yùn)行狀態(tài)特征，其特征選擇算法的特征量維數(shù)相對較低，抗干擾能力強(qiáng)，使后續(xù)分類器的分類識別計算量減??；在此基礎(chǔ)上采用的基于核空間距離分析的混合SVM多類分類器所需訓(xùn)練樣本少，分類速度快，識別準(zhǔn)確率高，可較好地應(yīng)用于配電網(wǎng)運(yùn)行狀態(tài)的智能分類識別。

〔1〕HANNINEN S，LEHTONEN M.Characteristics of earth faults in electrical distribution networks with high impedance earthing. Electric Power Systems Research，1998，44(3):155-161.

〔2〕賈清泉，陳麗，袁野.應(yīng)用相平面和分層聚類的配電網(wǎng)單相接地故障特征分類 〔J〕.電力系統(tǒng)自動化，2009，33(8): 68-71.

〔3〕 B.Das.Fuzzy logic-based fault-type identification in unbalanced radial power distribution system 〔J〕.IEEE Transaction on Power Delivery，2006，21(1):278-285.

〔4〕楊光亮，樂全明，郁惟鏞，等.基于小波神經(jīng)網(wǎng)絡(luò)和故障錄波數(shù)據(jù)的電網(wǎng)故障類型識別 〔J〕.中國電機(jī)工程學(xué)報，2006，26(10):99-103.

〔5〕R.H.Salim，K.De Oliveira，A.D.Filomena，et al.Hybrid fault diagnosis scheme implementation for power distribution systems automation〔J〕.IEEE Transactions on Power Deliver，2008，23 (4):1 846-1 856.

〔6〕畢天妹，楊春發(fā)，黃少鋒，等.基于改進(jìn)Petri網(wǎng)模型的電網(wǎng)故障診斷方法 〔J〕.中國電機(jī)工程學(xué)報，2005，29(21): 66-70.

〔7〕蘇宏升，李群湛.基于粗糙集理論和神經(jīng)網(wǎng)絡(luò)模型的變電站故障診斷方法 〔J〕.中國電機(jī)工程學(xué)報，2005，29(l6): 66-70.

〔8〕何正友，蔡玉梅，錢清泉.小波熵理論及其在電力系統(tǒng)故障檢測中的應(yīng)用研究 〔J〕.中國電機(jī)工程學(xué)報，2005，25(5): 38-43.

〔9〕占勇，陳浩忠，丁屹峰，等.基于S變換的電能質(zhì)量擾動支持向量機(jī)分類識別 〔J〕.中國電機(jī)工程學(xué)報，2005，25(4): 51-56.

〔10〕李元誠，方廷健，于爾鏗.短期負(fù)荷預(yù)測的支持向量機(jī)方法研究 〔J〕.中國電機(jī)工程學(xué)報，2003，23(6):55-59

〔11〕高愛云，蔡澤祥.EMTDC異步電動機(jī)模型及其啟動過程仿真〔J〕.繼電器，2003，31(1):80-83.

〔12〕許超英，李海峰，趙建倉，等.電力變壓器勵磁涌流和故障電流仿真研究 〔J〕.繼電器，2002，30(6):29－32.

〔13〕顧榮斌，蔡旭，陳海昆，等.非有效接地電網(wǎng)單相電弧接地故障的建模及仿真 〔J〕.電力系統(tǒng)自動化，2009，33(13): 63-67.

〔14〕童奕賓，由智文，李姝.小電阻接地系統(tǒng)間歇性弧光過電壓分析 〔J〕.電力系統(tǒng)及其自動化學(xué)報，2012，24(3): 116-120.

An intelligent identification method for distribution network operation state

CAI Mao
(State Grid Hunan Electric Power Corporation Changsha Power Supply Company，Changsha 410004，China)

This paper proposes an intelligent identification method for distribution network operation state based on waveletpacket time entropy and SVM.The simulation results show that the method has good performance on accurate state identification with low dimension of eigenvector，good anti-interference ability，less training samples and high classification speed.Also it can be well used in online application of intelligent identification for distribution network operation state.

distribution network；intelligent classification；SVM；Wavelet-packet Time Entropy

10.3969/j.issn.1008-0198.2015.02.006

TM72

A

1008-0198(2015)02-0021-04

2014-11-04