基于損失功率匹配的配電線路故障定位方法

楊喜行，黃純，申亞濤，胡念恩，萬子恒

(湖南大學 電氣與信息工程學院，湖南 長沙 410082)

0 引言

供電可靠性是對用戶持續(xù)供電能力的體現(xiàn)，是衡量供電質(zhì)量的重要標準。相關(guān)數(shù)據(jù)表明，80%以上的用戶停電事故是由配電系統(tǒng)故障導致的[1]，如何切實有效地進行故障定位和快速復電搶修，以減少停電時間，提升配電系統(tǒng)供電可靠性，一直是國內(nèi)外學者研究的重點問題。

目前，供電公司主要利用配電網(wǎng)自動化系統(tǒng)中饋線終端、故障指示器等自動化設(shè)備提供的故障信息進行故障定位，采用的方法主要包括矩陣法、零序電流法、行波法[2-3]等。這些方法較為成熟，應用廣泛，但其容錯性與可靠性一般，且隨著配電網(wǎng)規(guī)模的增大其計算難度呈指數(shù)上升。在傳統(tǒng)配電網(wǎng)故障定位研究的基礎(chǔ)上，有學者提出基于圖論矩陣算法[4]和基于可達矩陣結(jié)合貝葉斯的故障定位方法[5]，以提高其容錯能力和計算速度；文獻[6]采用整數(shù)線性規(guī)劃的思想結(jié)合最小故障診斷集理論，將故障分析中的邏輯運算線性化，利用0-1整數(shù)規(guī)劃求解故障方程以提高計算效率。還有學者結(jié)合蟻群算法、量子遺傳算法等智能算法，將故障定位問題轉(zhuǎn)化求最優(yōu)解問題[7]，并取得良好效果。此外隨著饋線終端功能的拓展，使得采用電氣暫態(tài)信息的故障定位方法[8-9]不斷涌現(xiàn)，配電網(wǎng)故障定位的容錯性得以進一步提高。

盡管基于配電網(wǎng)自動化系統(tǒng)的故障定位方法已成為故障定位的主流方法，但對于自動化饋線裝置覆蓋不足的配電線路，故障發(fā)生后所上傳的故障信息、保護動作信息和開關(guān)狀態(tài)不足以完整反映配電線路故障狀態(tài)，直接影響到故障定位的準確性和可靠性。

針對這種情況，一些學者提出綜合利用配電SCADA系統(tǒng)與配電網(wǎng)調(diào)度自動化、用電信息采集、95598等系統(tǒng)的信息進行故障定位，包括利用調(diào)度運行管理系統(tǒng)信息的歸集定位方法[10]、利用多系統(tǒng)信息的輔助分區(qū)定位方法[11]、綜合多源數(shù)據(jù)的全信息故障診斷模型[12]等，這些方法通過多系統(tǒng)信息互相驗證約束來彌補SCADA系統(tǒng)信息缺失漏報或誤報的情況。另有一些學者通過分析各系統(tǒng)歷史數(shù)據(jù)來探究配電網(wǎng)故障與各類信息的相關(guān)性，提出了基于電壓數(shù)據(jù)SVM分類的故障定位方法[13]、基于人工免疫聚類的故障相似性分析方法[14]、基于故障預測[15]和故障風險預警[16]的故障定位方法等，這些方法采用數(shù)據(jù)驅(qū)動的思想，充分利用歷史數(shù)據(jù)，為故障定位方法開拓了新的領(lǐng)域。此外，得益于用電信息采集系統(tǒng)的廣泛配置，使得結(jié)合用電召測信息和網(wǎng)絡(luò)樹狀圖來進行故障定位[17]成為可能。

本文針對低、非自動化配電線路因缺少自動化饋線裝置從而難以有效定位故障范圍的問題，提出一種基于線路損失功率匹配的故障定位方法。該方法不依賴于配電自動化系統(tǒng)，而是結(jié)合低、非自動化配電線路已廣泛配置的信息系統(tǒng)，通過負荷預測的手段計算線路損失功率和各開關(guān)故障時段應載功率，最后將此二者進行匹配，定位故障引起的跳閘開關(guān)的位置，確定故障區(qū)段。通過仿真算例和故障實例驗證該方法的工程實用性和有效性。

1 故障定位的信息來源及定位原理

1.1 故障定位信息來源

根據(jù)配網(wǎng)故障定位信息的時變特性，可以將其分為靜態(tài)信息和動態(tài)信息2類，如表1所示。靜態(tài)信息包括資產(chǎn)管理系統(tǒng)中的網(wǎng)絡(luò)拓撲信息和營銷系統(tǒng)中的客戶結(jié)構(gòu)化地址信息，用于故障定位的必需和基礎(chǔ)數(shù)據(jù)。動態(tài)信息主要是指故障發(fā)生后能夠反映故障特征的信息，主要來自調(diào)度自動化系統(tǒng)、配電自動化系統(tǒng)、計量自動化系統(tǒng)和95598語音平臺等，作為故障停電感知和定位的核心數(shù)據(jù)。

表1 配電網(wǎng)信息系統(tǒng)Table 1 Distribution network information systems

故障定位以信息系統(tǒng)所提供信息為基礎(chǔ)。對于低、非自動化配電線路，配電自動化系統(tǒng)的覆蓋范圍極為有限，而且存在較高的漏報和誤報現(xiàn)象。以云南省昆明市城郊某配電線路為例，該線路總長度近60 km，混凝土桿1 000余基，配變100余臺。全線有40臺柱上開關(guān)，其中自動化開關(guān)僅7臺且通訊質(zhì)量較差，經(jīng)常發(fā)生漏報誤報，實際運行中利用自動化開關(guān)上傳的故障信息進行故障定位的效果很差。

文獻[17]依靠召測配變和用戶用電信息來進行故障定位，但也存在一定的局限性。（1）受信道帶寬的影響較大，不具備大規(guī)模召測能力，昆明市實測召測時延在幾到幾十分鐘，且時延隨著召測數(shù)量上升而延長。（2）召測用戶電表失壓告警信息時，不僅需要重點過濾低壓故障導致的停電和告警信號，還需依賴“站-線-變-戶”關(guān)系的準確性，難以達到實用化要求。

本文利用調(diào)度自動化和計量自動化系統(tǒng)中的配電線路功率信息進行故障定位。該定位方法不依賴配網(wǎng)自動化系統(tǒng)提供故障信息，同時比文獻[17]所提方法實時性更好。

1.2 利用線路損失功率的故障定位原理

配電網(wǎng)發(fā)生故障時，故障點上游開關(guān)流過的短路電流超出電流保護整定值時，開關(guān)跳閘，切除此開關(guān)下游的所有用電負荷，在線路首端表現(xiàn)為故障跳閘后功率突然減小，即出現(xiàn)功率損失。線路損失功率即為故障跳閘開關(guān)所帶負荷功率，如果可判斷得到故障跳閘開關(guān)位置，即可定位故障發(fā)生的區(qū)域。

配電網(wǎng)拓撲結(jié)構(gòu)較為復雜，除主干線外，一般還含有多條分支線路，主干線和分支線上均裝置有開關(guān)，以這些開關(guān)為邊界，可將配電網(wǎng)劃分為不同的區(qū)域。以1.1節(jié)所提昆明市城郊某配電線路為例，結(jié)合資產(chǎn)管理系統(tǒng)數(shù)據(jù)對其進行拓撲簡化得到如圖1所示的配電線路拓撲簡化圖。

圖1 簡化配電線路拓撲Fig. 1 Simplified diagram of distribution line topology

綜上所述，發(fā)生故障后，線路首端損失的有功功率等于線路開關(guān)跳閘所切除的有功功率，將線路損失功率與各開關(guān)功率進行匹配尋得故障跳閘開關(guān)，再結(jié)合配電線路拓撲結(jié)構(gòu)即可得到故障區(qū)段定位結(jié)果。

實際工程實現(xiàn)中，結(jié)合上節(jié)所提配電網(wǎng)信息系統(tǒng)，主干線出口處裝置有調(diào)度自動化系統(tǒng)終端，其采樣頻率多為分鐘級，常見為5 min/點，每日288點，且可靠性較高。故可從調(diào)度自動化系統(tǒng)中提取10 kV線路出口處功率，利用此實時數(shù)據(jù)進行超短期負荷預測并計算得到功率損失值。

但對于低、非自動化配電線路，線路開關(guān)無法實時獲取功率值，可采用短期負荷預測的思想[18-19]對各開關(guān)的功率值進行預測。目前，中國電網(wǎng)公司用電信息采集系統(tǒng)覆蓋率達到99%以上，其信息采集終端于每日24:00時后上傳日前采集的配變和用戶電表用電信息至計量自動化系統(tǒng)，采集頻度多為96點/日，結(jié)合資產(chǎn)管理系統(tǒng)中線路開關(guān)與配變拓撲關(guān)系，可將線路開關(guān)下游配變功率累加得到線路開關(guān)的日前96點負荷數(shù)據(jù)。對于配變功率缺失者，也可利用營銷系統(tǒng)中配變下游用戶智能電表采集到的用電數(shù)據(jù)進行補充，從而完善配變功率信息?；谝陨蠑?shù)據(jù)基礎(chǔ)即可計算得到故障發(fā)生時段各開關(guān)有功功率值。

2 線路損失功率預測及開關(guān)功率預測

2.1 線路損失功率預測與折算

從調(diào)度自動化系統(tǒng)得到的線路功率數(shù)據(jù)為實時數(shù)據(jù)，采樣頻度較高，相鄰兩采樣點負荷波動較小(實測絕大多數(shù)在10%以下)，且線路首端功率具有較強的日規(guī)律性，故可以采用時間序列預測的思想[20-21]，依據(jù)前一段時間的負荷序列實時對當前采樣點下一時刻的功率進行負荷預測，當預測值與實測值的差值大于預測精度容許范圍即判定發(fā)生故障跳閘事件，啟動故障定位流程，并計算線路損失功率。

長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM)廣泛應用于時間序列預測問題。LSTM的核心思想在于通過鏈式的網(wǎng)絡(luò)結(jié)構(gòu)，在當前隱藏層與先前隱藏層之間建立權(quán)重連接矩陣，使之能夠?qū)W習時間序列前后之間的映射關(guān)系，對于時間序列預測問題有優(yōu)良的效果。

采用LSTM對1.1節(jié)所提配電線路2020年8—9月的數(shù)據(jù)進行訓練預測并分析其誤差分布規(guī)律。其中LSTM輸入為實時的線路功率時序序列值，輸出為下一時刻功率預測值，參數(shù)設(shè)置為總迭代次數(shù)300次，采取小批量迭代誤差計算，小批量為20批次，隱藏層節(jié)點數(shù)30，求解器adam，閾值梯度為1，初始學習速率與學習速率下降區(qū)分別為0.005和1/2總迭代次數(shù)，學習率下降因子0.2。運行計算得到線路功率預測誤差分布如表2所示。

表2 線路功率預測誤差分布Table 2 Error distribution of line load forecasting

由表2可見，該條線路的功率預測誤差值大于±1%、±2%、 ± 3%、±4%的概率分別小于35.5%、10.3%、1.3%、0.2%；為平衡靈敏性和可靠性，設(shè)置該條線路的故障定位啟動閾值為當前功率預測值的4%。啟動閾值的整定需結(jié)合所保護線路的負荷預測精度。

故障定位流程啟動后，由于線路功率數(shù)據(jù)為288點/日，開關(guān)功率數(shù)據(jù)為96點/日，線路發(fā)生負荷損失所對應時刻可能無法匹配對應的開關(guān)負荷數(shù)據(jù)。故需要分3種情況分析。（1）故障時刻位于96點采樣時刻；（2）故障時刻靠近前一96點采樣時刻；（3）故障時刻靠近后一96點采樣時刻。如圖2所示。

圖2 3種故障情況示意Fig. 2 Schematic diagram of three fault situations

當故障時刻位于96點采樣時刻，直接計算功率損失值；對于2種特殊工況，為保證速動性，在發(fā)生故障后，將線路功率損失值按比例折算至相鄰96點采樣時刻，即

式中：Pcut1為故障情況（1）計算得到的線路損失功率；Pcut2和Pcut3為折算到前一采樣點和后一采樣點的線路損失功率；Pf1、Pf2、Pf3和Pf4為故障發(fā)生后經(jīng)LSTM預測得到的線路正常功率值；PF1、PF2和PF3為3種工況下實測的線路故障功率值。

2.2 線路各開關(guān)功率預測

線路開關(guān)的負荷值相對較小，采樣間隔大，相鄰兩點的波動較大，其負荷值易受到外界因素的影響，且不同于常規(guī)日前負荷預測，對于本文所提故障定位方法而言，只需預測故障發(fā)生時刻前45 min和故障后45 min共1.5小時的各開關(guān)功率即可進行功率匹配，2.1節(jié)所提時序序列預測方法不再適用。

廣義回歸神經(jīng)網(wǎng)絡(luò) (general regression neural network, GRNN)作為多變量輸入的預測算法，其核心思想是通過非線性回歸分析和Parzen非參數(shù)估計，將網(wǎng)絡(luò)參數(shù)最終收斂于樣本量集聚最多的優(yōu)化回歸面，具有優(yōu)異的非線性映射能力、魯棒性和結(jié)果唯一性。本文采用平均影響值(mean impact value, MIV)結(jié)合 GRNN 進行各開關(guān)負荷預測，先利用MIV進行影響因素重要性分析和自變量降維，再輸入GRNN得到開關(guān)負荷預測結(jié)果。

不同線路開關(guān)負荷受到外界因素的影響是不同的，故需要對每個線路開關(guān)獨立進行影響因素分析。氣象因素與負荷之間有顯著的相關(guān)性，且其影響具有滯后的特性[20]，日歷規(guī)則也是負荷預測需要考慮的重要因素。故選取線路所在區(qū)域溫度、風向、濕度、降雨量、過去12小時最高溫度、過去12小時最低溫度等12項氣象指標和當日時刻、星期幾2項日歷指標共14維指標。此外分析該配電線路運行數(shù)據(jù)表明，在對開關(guān)進行負荷預測時線路首端功率為已知數(shù)據(jù)，且線路首端功率與下轄開關(guān)功率有較強的相關(guān)關(guān)系，對于負荷值較大的開關(guān)尤為明顯。這是因為線路功率自身是由下轄開關(guān)功率組成的，且線路功率與開關(guān)功率都受到同一區(qū)域相近的氣象條件、作息規(guī)律等因素影響，故將線路首端功率作為第15項指標。

綜上所述，對線路各開關(guān)進行負荷預測時，首先根據(jù)故障時段選取對應的各開關(guān)歷史負荷值以及溫度、濕度、降雨量，線路首端功率等15維影響因素，然后對影響因素進行MIV重要性分析，選取影響因子位列前5的影響因素，最后將降維后的影響因素和開關(guān)功率數(shù)據(jù)輸入到GRNN進行負荷預測，GRNN徑向基擴展速度設(shè)為0.5。

3 故障定位方法實現(xiàn)流程

綜上所述，故障定位方法實現(xiàn)流程如圖3所示。需要注意的是，圖3中的定位次數(shù)應根據(jù)所保護線路搶修復電流程確定。本文所例舉配電線路在開始巡線搶修一小時后若仍未確定故障位置時即進行分段強送電，因此對該線路設(shè)定故障后進行3次故障定位。

圖3 故障定位流程Fig. 3 Process of fault location

4 仿真算例與故障實例分析

4.1 仿真算例分析

在Matlab/Simulink中，按照1.2節(jié)昆明市城郊某實際配電線路拓撲結(jié)構(gòu)（見圖1）和資產(chǎn)管理系統(tǒng)中此線路及其設(shè)備的參數(shù)建立仿真模型，結(jié)合已有負荷數(shù)據(jù)、各配變?nèi)萘?、配變負荷性質(zhì)以及仿真負荷數(shù)據(jù)進行仿真分析。

結(jié)合2.1節(jié)中故障啟動閾值，篩除開關(guān)負荷占線路總負荷比值(下文均簡稱開關(guān)負荷比)全域均小于4%的線路開關(guān)。篩選后該配電線路共有22臺開關(guān)納入故障定位范圍。按照開關(guān)負荷比排序，選取具有代表性的12臺線路開關(guān)進行故障仿真定位分析，設(shè)置20個不同故障時刻進行故障仿真，按照圖3所示故障定位流程，分別在故障后進行3次故障定位，分別統(tǒng)計定位準確率，結(jié)果如表3所示。

表3 仿真算例故障定位結(jié)果Table 3 Fault location results of simulation examples

由表3可知，跳閘開關(guān)負荷比為4%～6%時其3次故障定位準確率為60%～80%，開關(guān)負荷比為6%～8%時其準確率在90%以上，開關(guān)負荷比大于8%時其準確率為95%以上。說明本文所提方法對于開關(guān)負荷比大于6%的情況故障定位精度較高。

分析仿真數(shù)據(jù)，發(fā)現(xiàn)線路首端功率預測的精度對故障定位的準確度影響較大，功率匹配時為首端損失功率與各開關(guān)功率的絕對值進行匹配，首端功率基值較大導致誤差絕對值較大，并且該配電線路開關(guān)負荷比為4%～6%的開關(guān)共有7臺，故容易出現(xiàn)誤定位至負荷相近開關(guān)的情況，因此故障定位準確率不高。而開關(guān)負荷比大于6%時所對應的跳閘開關(guān)較少，此時線路首端功率預測的誤差絕對值相比也不太明顯，因此故障定位準確率較高。

4.2 故障實例分析

采用所提方法，對上文所述配電線路2020年9月1日上午12:40發(fā)生的故障進行定位，過程如下。

（1）實時監(jiān)測該線路首端功率值并利用LSTM進行功率預測，于當日12:40檢測到線路實際功率為2 712.8 kW，預測功率為3 152.7 kW；功率損失值439.9 kW，功率損失比率為13.9%，大于4%啟動閾值，故障定位程序啟動。

（2）檢測該故障點與線路開關(guān)采樣點并不重合，按式（1）將該線路損失功率折算至下一開關(guān)采樣點即12:45，折算后損失功率值為440.7 kW。

（3）采用MIV-GRNN對線路各開關(guān)進行11:30—13:00故障時段負荷預測。首先基于MIV對7個線路開關(guān)進行影響因素重要性分析（由于數(shù)據(jù)限制，僅包含7處開關(guān)數(shù)據(jù)），結(jié)果如表4所示。

表4 各影響因素對開關(guān)負荷的影響因子值Table 4 Influence values of each factor on switch load

（4）對各開關(guān)分別選取影響因子位列前5的影響因素，再基于GRNN對各開關(guān)功率進行預測，限于篇幅僅展示用于損失功率匹配的2個預測點（因線路損失功率折算至下一開關(guān)采樣點，故功率匹配只需2個開關(guān)功率預測點），其中開關(guān)S5-1為故障跳閘開關(guān)，故障后真實負荷值均為0，見表5。

表5 各開關(guān)故障時段負荷預測結(jié)果Table 5 Load forecasting results for each switch fault

（5）將線路損失折算功率與各開關(guān)功率預測值進行匹配，該線路損失功率為440.7 kW，結(jié)合表5數(shù)據(jù)，開關(guān)S5-1預測功率為433.8 kW最為接近，定位開關(guān)S5-1下游發(fā)生故障。

（6）在12:45和13:00分別進行第2次和第3次故障定位，線路損失功率均與開關(guān)S5-1所帶功率相匹配，定位開關(guān)S5-1下游發(fā)生故障。故障定位過程中線路功率實測值、預測值與各開關(guān)功率預測值見圖4。

圖4 線路與各開關(guān)功率值Fig. 4 Line power and forecasted load of each switch

如圖4所示，在12:40檢測到線路損失功率比率達到13.9%，啟動故障定位，3次定位結(jié)果均與實際跳閘開關(guān)相同，驗證了此方法的工程有效性。

5 結(jié)論

針對低、非自動化配電線路在發(fā)生故障后因缺少自動化饋線裝置從而難以有效定位故障區(qū)段的問題，提出了一種基于損失功率匹配的配電線路故障定位方法，得出如下結(jié)論。

（1）在線路檢測到故障功率損失后即可啟動故障定位流程，利用已采集負荷數(shù)據(jù)即可進行故障定位，不依賴于召測配變或用戶電表失電信息，避免了召測時延，通過功率折算首次功率匹配僅需幾秒即可定位跳閘開關(guān)，實時性較好。

（2）綜合利用低、非自動化配電網(wǎng)已廣泛裝置有的信息系統(tǒng)，包括調(diào)度自動化系統(tǒng)、用電信息采集系統(tǒng)、資產(chǎn)管理系統(tǒng)等系統(tǒng)中的已采集信息進行故障定位，無需新增設(shè)備，實用性好。

（3）不依賴于SCADA系統(tǒng)進行故障定位，尤其適用于因缺乏自動化饋線裝置而無法有效進行故障定位的配電網(wǎng)，且可與其他故障定位方法相結(jié)合，進一步提高故障定位準確性。