考慮廣域行波信號強噪聲干擾的輸電線路故障定位

黃南天, 劉洋, 蔡國偉

〔現代電力系統(tǒng)仿真控制與綠色電能新技術教育部重點實驗室(東北電力大學),吉林 吉林 132000〕

0 引 言

準確定位輸電網故障位置,可以有效減少停電時間,避免不必要的經濟損失［1-2］。目前常用的故障定位方法有行波法和阻抗法。其中,行波法的故障測距精度高,不受過渡電阻和故障類型等因素的影響,在工程實踐中得到了廣泛的應用［3-4］。為了抑制行波噪聲,文獻［5］采用S變換提取行波首波頭高頻分量累加值作為定位判斷依據,并利用小波Teager能量算子精確測距。文獻［6］利用小波變換對行波進行處理,該方法具有較好的局部特性,抗噪聲性能較好,但面對不同采樣率與數據窗口,自適應性較差。上述方法對噪聲的抑制起到了較好的效果,但缺少對各測點噪聲數據的聯(lián)合分析,忽略了測點間量測數據的時-空關聯(lián)特性。

針對上述分析,提出了一種考慮行波測點強噪聲數據干擾的輸電網故障定位方法,從時間及空間耦合角度對各節(jié)點故障時段數據進行多級去噪。從而降低量測數據中噪聲信息對故障定位精度的影響。在此基礎上。利用時-空圖卷積網絡(spatial-temporal graph convolutional network, S-TGCN)及故障時段各測點行波信號構成的圖數據,建立考慮輸電網全局特征感知的故障定位模型。

1 行波信號時-空多級去噪

1.1 行波信號時-空基礎去噪

(1)

對EpT中的所有序列分別進行1-D離散余弦變換,然后對變換后的子序列矩陣進行2D離散小波變換,獲得估計的相似子序列集合的稀疏表示ZpT。即:

ZpT=T-1F-1{R{F［T(EpT)］,η·λth2D}}

(2)

式中:T為1-D離散余弦變換算子;F為2-D酉變換算子;λth2D為閾值參數;R為硬閾值濾波算子。對于中心位于pT的目標子序列獲取其估計權重ωpT,即:

(3)

式中:Nht為硬閾值濾波后非零的變換系數數量。估計權重ωpT和補償權重ωA(pm)用于聚合所有估計的相似子序列?；A去噪結果zht(pi)由加權聚合得到,即

(4)

式中:pm為相似子序列集合EpT中的采樣點;χpm為中心位于pm的子序列對應的同尺寸特征函數。

1.2 行波信號最終去噪

行波信號最終去噪的流程與基礎去噪大致相同,區(qū)別在于:最終去噪通過式(5)計算子序列匹配的相似度距離d,用維納濾波器代替硬閾值濾波器,利用式(6)計算維納濾波算子WpT,通過式(7)獲得相應的估計權重ωpT。

(5)

(6)

(7)

2 廣域行波信號和S-TGCN相結合的故障定位方法

為充分挖掘故障位置與各測點行波特征間的非線性映射關系,構建廣域行波信號與S-TGCN相結合的故障定位總體架構如圖1所示。

圖1 S-TGCN故障定位總體架構

2.1 廣域行波圖數據構建

設輸電網行波測點安裝在母線處。廣域行波圖數據由兩部分組成,一部分為反應各母線聯(lián)結關系的鄰接矩陣A,另一部分為去噪后各母線電壓的行波線模量矩陣X={x1,x2,…,xN}。

(8)

式中:i,j∈{1,2,…,N}。若i節(jié)點與j節(jié)點直接相連時,ai,j=1,否則為0。對于任意節(jié)點xi,采用波頭最先到達的測點為基準,截取各母線行波到達前0.05 ms和到達后0.95 ms內的三相電壓,采樣率為1 MHz,并通過凱倫貝爾變換獲得行波線模量。

2.2 S-TGCN判定故障線路

采用S-TGCN對廣域行波圖數據進行特征提取及故障線路識別。首先利用時-空圖卷積層對輸電網全局時-空故障特征進行提取,然后通過全連接層輸出故障線路。其中,空間注意力機制會得到各節(jié)點的自適應權重,參與到故障測距計算中。時-空圖卷積由空間圖卷積和標準時間卷積組成。

采用基于譜的圖卷積運算提取輸電網各測點行波空間維度上的空間特征?；贙-1階切比雪夫圖卷積的定義為:

(9)

利用一個標準的2D卷積層來提取時間特征。第l層上的時域卷積運算定義為:

X(l)=ReLU{Φ*［ReLU(gθ*GX(l-1))］}

(10)

式中:ReLU為激活函數;Φ為卷積核的參數;*為標準卷積運算。

空間注意力機制通過空間注意力矩陣參與圖卷積層的運算?？臻g注意機制定義如下:

P=Vp·σ［(X(l-1)Z1)Z2(Z3X(l-1))T+bp］

(11)

式中:Vp、bp、Z1、Z2、Z3為模型的可訓練參數;σ為sigmoid激活函數;X(l-1)為第l層的輸入,X(l-1)=(X1,X2,…,XTl-1)∈RN×Cl-1×Tl-1;P為空間注意力矩陣。

2.3 自適應多端融合故障測距

為確定故障點的具體位置,根據故障線路構成多條測距鏈路,借助空間注意力機制輸出的自應權重融合多條鏈路的測距結果,提高測距精度。具體步驟如下。

(1) 對各測點行波信號的線模量xi(t)引入Teager能量算子進而準確確定首波到達時刻:

(12)

(13)

式中:c為行波線模波速;lgh為測點h到g之間的電氣距離。

(3) 計算任意i-j鏈路的權重Wi,j,多鏈路的測距結果加權平均求取最終故障測距結果dp。

(14)

3 仿真驗證

3.1 仿真介紹

在PSCAD/EMTDC中搭建圖2所示電壓等級為220 kV的輸電網。輸電線路采用頻率相關相域模型。輸電線路的長度如圖2所示,單位為km。每個母線上安裝行波信號測點。

圖2 仿真系統(tǒng)圖

對每條線路模擬144次單相接地故障,故障位置在線路上均勻分布。故障初相角δ為75°～105°的隨機值,接地阻抗為0～100 Ω,每10 Ω遞增。共形成3 168個圖數據樣本,其中用于模型訓練、驗證和測試的樣本比例為6 ∶2 ∶2。

3.2 噪聲場景對故障線路定位的影響

為評估時-空多級去噪對噪聲的抑制效果,選取希爾伯特黃變換(Hilbert-Huang transform,HHT)和Kalman濾波方法,作為對比方法進行分析。去除噪聲數據后S-TGCN對故障線路的識別率R作為去噪效果的評價指標。

(15)

式中:TP為故障線路中識別正確的樣本;FP為故障線路中識別錯誤的樣本;FN為被誤判為故障線路的其他線路樣本;TN為其他線路識別正確的樣本;C為全網線路總數。

對測試集數據添加不同的噪聲水平,經不同方法去噪后輸入到S-TGCN故障定位模型中所得到的故障定位結果,如表1所示。可以觀察到,在不采取任何去噪措施時,當噪聲水平到達20 dB信噪比時,故障定位模型的準確率僅為92.3%?？梢?強噪聲嚴重影響故障定位的精度。在三種去噪方法中,HHT具有顯著的模態(tài)混疊現象,在強噪聲的影響下,很難分辨出強噪聲的變化。時-空多級去噪方法在去噪過程中考慮了相鄰節(jié)點相似行波,當信噪比從40 dB增為20 dB過程中,識別率僅降低了1%,但Kalman濾波方法下降了4.4%?？梢?時-空多級去噪方法對噪聲有較強的抑制作用,能夠適應復雜的環(huán)境干擾。

表1 不同噪聲水平下去S-TGCN故障識別率

3.3 故障測距分析

為驗證自適應多端融合故障測距方法的準確性。隨機、分散地在輸電網的多個不同位置F1～F6進行故障仿真。各故障位置及其定位結果如表2所示。可以看出,本文方法具有可靠的故障測距能力,識別結果均與實際故障情況相吻合。測距誤差均小于100 m,表現出了較高的測距準確性和穩(wěn)定性。

表2 不同故障點的故障定位試驗結果

4 結束語

本文提出了一種基于時-空多級去噪和S-TGCN結合的輸電網故障定位模型。利用時-空多級去噪方法有效地抑制了各測點的噪聲數據,提高了故障線路定位精度。利用自適應多端融合故障測距方法,輸電網的故障測距誤差小于100 m。本文所提方法定位誤差小,可降低巡線工作的人力物力,提高輸電網運行的經濟性。