基于多源信息融合的電力系統(tǒng)快速故障診斷方法研究

羅卿

(國(guó)網(wǎng)浙江省電力有限公司建德市供電公司,浙江,建德 311600)

0 引言

在智能電網(wǎng)中,對(duì)早期故障的位置進(jìn)行診斷是維持供電可靠性、進(jìn)行故障分析的重要手段[1]。電網(wǎng)一旦發(fā)生故障,會(huì)在分布式系統(tǒng)中迅速傳播,并可能引起系統(tǒng)的二次故障。由于電力系統(tǒng)故障的分散性和不確定性的影響,傳統(tǒng)的基于斷路器(CBs)和繼電器信息的故障診斷方法往往是無(wú)效的。因此,需要將CBs的離散數(shù)據(jù)與相量測(cè)量單元(PMU)的連續(xù)電壓相結(jié)合[2],以提高智能電網(wǎng)的故障診斷能力。

目前,故障檢測(cè)與診斷在智能電網(wǎng)中得到了廣泛的應(yīng)用。一種方法是利用PMU的信息檢測(cè)智能電網(wǎng)的故障位置[3]。PMU從全球定位系統(tǒng)衛(wèi)星接收同步信號(hào),并確定變電站的電壓和電流相量。由于PMU的測(cè)量成本相對(duì)較高,因此實(shí)際的應(yīng)用中,通常只使用較少的PMU,然后利用歐姆公式計(jì)算其他電網(wǎng)的電壓。另一種則是基于人工神經(jīng)網(wǎng)絡(luò)、模糊邏輯、模糊Petri網(wǎng)、支持向量機(jī)、決策樹(shù)等方式的智能檢測(cè)方法。

近年來(lái),信息融合方法在不同領(lǐng)域得到了廣泛的應(yīng)用,其基本思想是通過(guò)充分利用有效的信息源來(lái)改進(jìn)決策過(guò)程[4]。將來(lái)自不同信息源的多個(gè)信息集成到一個(gè)框架中,可以得到比單個(gè)信息源更可靠的數(shù)據(jù)庫(kù),并可以得到精度更高的決策方法。

因此,本文提出了一種新的智能電網(wǎng)故障診斷融合方法。首先,將來(lái)自CBs的離散信息和記錄儀的連續(xù)電壓用于控制中心單元,并使用有序加權(quán)平均(OWA)算子來(lái)識(shí)別故障位置。然后,結(jié)合徑向基函數(shù)(RFS)神經(jīng)網(wǎng)絡(luò)和小波的診斷,最后,根據(jù)徑向基函數(shù)的信息,在特征層進(jìn)行融合決策。

1 基于OWA算子的信息融合算法

1.1 離散小波變換

小波是在時(shí)域和頻域具有局域特性的波狀振蕩。它們的正交特性使它們適合于的監(jiān)測(cè)和故障診斷。MALAT等[5]為離散小波變換(DWT)引入了一個(gè)框架,即多分辨率分析,它將一個(gè)信號(hào)映射到不同的分辨率級(jí)別。假設(shè)f(t)∈L2(R)為正交小波及其尺度函數(shù)的線性組合,則

(1)

φm,k(t)=2-m/2φ(2-mt-k);m,k∈Z

(2)

ψm,k(t)=2-m/2ψ(2-mt-k);m,k∈Z

(3)

其中,φ(t)和ψ(t)分別表示尺度函數(shù)及其正交小波。m為膨脹因子,k為平移參數(shù)。在尺度函數(shù)和小波中加入2-m/2進(jìn)行歸一化處理,則

a0,k=

(4)

dm,k=

(5)

1.2 RBF神經(jīng)網(wǎng)絡(luò)

RBF網(wǎng)絡(luò)是一種前饋神經(jīng)網(wǎng)絡(luò)[6]。該網(wǎng)絡(luò)采用徑向基函數(shù)作為激活函數(shù),提供全局逼近。這是該網(wǎng)絡(luò)與其它存在局部最小問(wèn)題的多層感知器網(wǎng)絡(luò)的主要優(yōu)勢(shì)[7]。

圖1 RBF網(wǎng)絡(luò)結(jié)構(gòu)

(6)

其中,Cj(j=1,2,…,n)∈Rn和λj分別為第j個(gè)RBF隱藏節(jié)點(diǎn)的中心和寬度。

1.3 基于OWA算子的融合方法

利用OWA算子可以將不同方法的決策信息進(jìn)行融合,以實(shí)現(xiàn)高性能的電力系統(tǒng)故障診斷。OWA 算子代表了一類(lèi)通用的聚合算子[8]。它已被廣泛用于不同的領(lǐng)域,包括函數(shù)逼近,決策和控制[9]。OWA 算子可以被認(rèn)為是從維度為n的空間到維度為 1 的空間的映射,由F:Rn→R表示,關(guān)聯(lián)的權(quán)重向量W=[w1,w2,…,wn]T服從如下關(guān)系,

(7)

(8)

(9)

對(duì)于式(7)和式(8)中約束條件,可以通過(guò)梯度下降法等方法來(lái)獲得式(9)的最優(yōu)解。

2 基于信息融合的故障診斷方法

2.1 基于小波的故障診斷單元

基于基函數(shù)的正交性,離散小波變換被證明是分析非穩(wěn)態(tài)信號(hào)的有效方法[10]。這些基函數(shù)被稱(chēng)為母小波。Haar小波和Daubechies小波是兩個(gè)著名的母小波[11]。為了達(dá)到故障檢測(cè)的目的,用多分辨率分析方法對(duì)故障信號(hào)進(jìn)行分解,以獲得故障信號(hào)在不同層次上的近似值和細(xì)節(jié)系數(shù)。

圖2顯示了長(zhǎng)度為4的Daubechies母小波的故障信號(hào)和它的分解級(jí)別(db4),其中,縱軸為標(biāo)幺值,單位為pu,橫軸為采樣時(shí)間,單位為s?？梢钥闯?細(xì)節(jié)系數(shù)1(CD1)包含高頻信號(hào),說(shuō)明了故障信號(hào)的快速變化,可用于檢測(cè)故障時(shí)間。此外,在總線上CD1的值很大的位置,意味著可能存在故障或故障的影響。

圖2 故障信號(hào)及其db4小波分解

2.2 基于RBF網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

IEEE 14總線系統(tǒng)被廣泛用于進(jìn)行各種電力系統(tǒng)研究。因此,為了利用RBF網(wǎng)絡(luò)來(lái)診斷IEEE 14總線系統(tǒng)中的故障位置和時(shí)間。

考慮如圖1所示的RBF網(wǎng)絡(luò),并對(duì)其診斷單元進(jìn)行設(shè)計(jì)。該網(wǎng)絡(luò)的輸入層有14個(gè)神經(jīng)元,隱藏層有28個(gè)神經(jīng)元,輸出層有4個(gè)神經(jīng)元。輸出函數(shù)是以二進(jìn)制格式設(shè)計(jì)的。例如,輸出0000表示系統(tǒng)中沒(méi)有故障。輸出0001意味著在總線1的位置有故障。輸出0010顯示總線2的位置有故障,以此類(lèi)推。選擇這種格式的原因是,如果選擇十進(jìn)制格式,輸出會(huì)對(duì)像13和14這樣的較大的數(shù)字產(chǎn)生飽和,系統(tǒng)無(wú)法正確檢測(cè)這些故障。

2.3 基于OWA算子融合檢測(cè)方法設(shè)計(jì)

融合實(shí)現(xiàn)的基本思想是利用融合方法的互補(bǔ)性,提高故障檢測(cè)與診斷系統(tǒng)的性能。本小節(jié)將結(jié)合基于OWA算子的融合算法的特點(diǎn),設(shè)計(jì)所需的故障診斷系統(tǒng)。其基本框架如圖3所示。

圖3 融合方法框架

其中,CBs可以在早期階段檢測(cè)系統(tǒng)中的故障,但由于故障會(huì)影響其附近的總線,因此該方法往往不能確定故障的確切位置。DWT診斷單元可以診斷出故障及其位置,但它對(duì)系統(tǒng)中的噪聲仍然很敏感,并可能產(chǎn)生不止一個(gè)故障位置,甚至可能出現(xiàn)漏檢。而基于RBF方法可以診斷出故障的位置,但它對(duì)故障識(shí)別有一定的延遲?；谏鲜龇治?在融合單元,利用基于OWA的融合方法可以有效的結(jié)合不同診斷單元的決策,并提前診斷出故障位置。在此過(guò)程中,通過(guò)優(yōu)化(9)來(lái)調(diào)整OWA的權(quán)重系數(shù)。

3 仿真實(shí)驗(yàn)分析

IEEE 14總線系統(tǒng)由于其合理的復(fù)雜性和與微電網(wǎng)結(jié)構(gòu)的相似性而被廣泛用作研究平臺(tái)。因此,本文設(shè)計(jì)如圖4所示的IEEE 14總線系統(tǒng)的故障場(chǎng)景。并通過(guò)設(shè)計(jì)的故障方法測(cè)試結(jié)果,從而驗(yàn)證系統(tǒng)的有效性。

圖4 IEEE標(biāo)準(zhǔn)14總線系統(tǒng)

為此,在不同的總線位置向系統(tǒng)加入了幾個(gè)故障。其中,斷路器的離散數(shù)據(jù)和記錄器的連續(xù)電壓被同時(shí)用于故障分析。此外,在所設(shè)計(jì)的融合診斷系統(tǒng)中,RBF、DWT和CBs診斷單元的權(quán)重系數(shù)分別為0.4、0.36和0.24。

圖5為總線6上190個(gè)采樣時(shí)間的A相接地故障?？梢钥闯?該故障對(duì)與總線6連接的總線11有較大影響,從而導(dǎo)致6和11的CB同時(shí)斷開(kāi)。因此,CBs信息不能準(zhǔn)確標(biāo)識(shí)故障的位置。

圖5 總線 6 中的 A 相接地故障及其對(duì)總線 11 的影響。

圖6顯示了總線6和11的故障電壓及其CD1。CD1顯示了電壓的變化。在總線6的191個(gè)采樣時(shí)間,它從幾乎為零跳到0.15pu。在191個(gè)采樣時(shí)間,總線11的值上升到接近0.1pu。因此,DWT診斷單元在時(shí)間191診斷出6號(hào)總線的故障位置。需要注意的是,如果系統(tǒng)中的噪聲較大,單獨(dú)使用DWT進(jìn)行故障診斷時(shí),可能由于CD1攜帶了系統(tǒng)中噪聲等高頻信號(hào)而導(dǎo)致漏報(bào)。

圖6 故障電壓和6號(hào)和11號(hào)總線上的CD1

圖7為CBs、DWT、RBF和OWA四個(gè)故障診斷系統(tǒng)的輸出?？梢钥闯?RBF診斷單元在195個(gè)采樣時(shí)間檢測(cè)到6號(hào)總線的故障。

圖7 總線6的CBs,DWT,RBF和OWA 故障診斷系統(tǒng)的輸出

而當(dāng)通過(guò)本文提出的基于OWA算子的融合方法進(jìn)行診斷時(shí),在191采樣時(shí)間能夠準(zhǔn)確檢測(cè)到總線6的故障。與RBF診斷單元相比,它的檢測(cè)延遲更低。此外,由圖7可以看出融合檢測(cè)方法將CBs、DWT、RBF的故障結(jié)果組合在一起作為系統(tǒng)的輸出,從而有效的提高了故障識(shí)別能力,以及故障定位的可靠性。

4 總結(jié)

本文提出了一種用于電力智能電網(wǎng)的新融合方法。該方法利用OWA運(yùn)算器將CBs、DWT和RBF 3個(gè)診斷單元的信息結(jié)合起來(lái),從而得到一個(gè)融合的框架來(lái)識(shí)別故障。通過(guò)實(shí)驗(yàn)證明,基于OWA的融合方法不僅可以識(shí)別故障的確切位置,而且與RBF診斷單元相比,它的檢測(cè)延遲更低。