一种基于实时故障滤波数据的配电网自动重合闸判断方法

技术领域

本发明属于电网技术领域，涉及一种基于实时故障滤波数据的配电网自动重合闸判断方法。

背景技术

配电网络是电力系统骨干网络与用户间的中间网络，处在电网的最末端，能够较为客观反映出用户对配电网的供电安全和电能质量等要求。虽然我国的配电自动化及管理水平在不断地增强，但配电网辐射面广、分支线路多，运行环境复杂，对配电网络供电可靠性及安全性造成重大挑战。据相关数据统计，电力系统中的故障停电大约有85％是由于配电网络发生的故障所导致的，其中约有70％是单相接地故障。

配电网发生永久性故障使线路跳闸后，绝缘不能自行恢复，若自动重合闸投到永久性故障点上将会导致事故扩大，还可能导致人身安全事故，因此，必须对瞬时性故障与永久性故障进行在线实时辨识。已有成熟的高压输电线路故障辨识方法无法有效应用到配电线路，且在基于故障录波数据进行深入挖掘故障特征来有效地识别接地故障类型方面并没有太多的研究。本发明提出了基于小波分析和支持向量机的单相接地故障永久和瞬时性故障的分类判别方法，采用小波分析提取故障特征量，提取三相电压和三相电流以及零序电流的故障特征信号，并将提取的特征量作为支持向量机的输入来对故障类别进行判别。最后在MATLAB/SIMULINK环境下对按照配电网实际拓扑模型对两种故障进行了模拟，仿真得到的数据来测试训练好的模型，结果证明了该算法的可行性。

发明内容

有鉴于此，本发明的目的在于提供一种基于实时故障滤波数据的配电网自动重合闸判断方法。

为达到上述目的，本发明提供如下技术方案：

一种基于实时故障滤波数据的配电网自动重合闸判断方法，该方法包括以下步骤：

S1：建立基于小波变换的故障提取模型；

S2：建立故障综合研判-支持向量机分类模型；

S3：仿真建模与分析。

可选的，所述S1具体包括以下步骤：

S11：进行小波变换；

ψ(t)为基本的小波函数，a为尺度因子；b为平移因子，则小波变换的基本定义为：

对任意的一个函数f(t)∈L

式中，a，b和t均是连续变量，称为连续小波变换；在ψ

或

其中，Ψ(ω)是ψ(t)的傅立叶变换；

尺度的离散化是按照幂级数的形式实现的，即尺度参数a为

上式称为ψ

原始信号T(n)的离散小波分析的分解树：CA

对每一层的分解系数进行单支重构后得到的信号分量记为A

S12：选择小波基；

小波基函数有：haar、dbN、coifN、bior、symN，已证实适合接地故障选线的小波基函数有dbN、coifN、symN；考虑到dbN系列小波的正交性、紧支撑性、对不规则信号较为敏感，适合对暂态信号进行分析；其中N表示该小波基函数的消失矩，消失矩特性对信号降噪、压缩以及奇异性检测等应用是一个关键参数；实际信号是包含很多噪声并结合小波基函数的以上特性，需选择自带降噪功能的母小波，故选择db5小波来进行小波变换；实际的暂态录波指示器的采样频率为4096Hz，为不使工频分量混入到高频分量中，避免引入更多的干扰因素，分解层数的选择为4层，每一层的频率范围为0-1024Hz、1024-2048Hz、2048-3072Hz、3072-4096Hz；对于每一条故障线路的电压或者电流而言，都对其进行小波分析，并对其高频部分进行系数重构，构成小波系数数据库，并对其做好标签，作为分类模型的样本，为后续分类模型提供基础数据及其标签集。

可选的，所述S2具体包括以下步骤：

S21：建立非线性支持向量机

假设给定一个特征空间上的训练数据集T＝{(x

设原空间为

z＝φ(x)＝((x

经过变换z＝φ(x)，原空间

ω

变换成为新空间中的直线

ω

ω

在线性支持向量机的对偶问题中，无论是目标函数还是决策函数都只涉及输入实例与实例之间的内积；在对偶问题的目标函数中的内积x

分类决策函数中的内积用核函数代替，通过映射函数φ将原来的输入空间变换到一个新的特征空间，当映射函数是非线性函数时，学习到的含有核函数的支持向量机是非线性分类模型；

S22：建立故障识别网络；

首先利用已有实际数据来训练此算法模型，实际线路仿真得到的数据作为测试样本来测试算法模型；提取三相电压和三相电流以及零序电流作为特征量，每一个特征量都经过db5小波分析预处理，提取其分解重构后的4层高频小波系数作为支持向量机的输入，输出为两类，一类为永久性故障，一类为瞬时性故障。

可选的，所述S3具体包括以下步骤：

S31：实际数据波形的小波分析

提取三相电压和三相电流以及零序电流作为故障特征信号来进行小波分析，采用db5小波，分解层数为4层，提取4层的高频系数，相当于每一条波形都会有4个小波系数组，分别分析一例永久性和瞬时性故障录波数据；

对一例永久性故障和一例瞬时性故障的A相电压和零序电流进行小波分析，对比两类故障的小波系数，无论是幅值还是出现奇异点的频率都有比较明显的差异；每个特征信号的小波分析的高频系数都保留，并形成小波系数库作为支持向量机识别模型的输入；

S32：支持向量机的永久性和瞬时性故障识别仿真验证

在选定了核函数以后接着需要做的是参数的选择，包括径向基函数的参数σ的选择以及正参数C的选择，下面通过仿真选择合适的参数C以及σ，从而得到较高的分类精度；整个仿真在MATLAB仿真环境下实现，设置不同的参数C和σ，比较在不同的参数下的准确率；依据SVM的学习分类过程，在仿真的过程中先将参数C的数值设为无穷，取不同的参数值得到的训练结果；将σ值固定为0.1，正参数C取不同的数值时的训练结果；

选择σ值取0.01，C值取100；应用MATLAB/SIMULINK环境下对按照配电网实际拓扑模型对两种故障进行了模拟，用三相断路器某一相断开与否模拟断线引起的永久性故障，控制SIMULINK自带的故障模块出现时间来模拟瞬时性故障，改变故障位置和故障样本；电力系统模型采用电源端变压器110/10Kv，负荷端变压器为10/0.4Kv，按照实际配电网线路拓扑图搭建，线路包含架空线、电缆以及二者混合线路；三相电压源输出电压为110kV，频率为50Hz,线路中架空部分参数分别为正序阻抗0.03Ω/Km、容抗15nF/Km、感抗0.95mH/Km；零序阻抗0.9Ω/Km、容抗22nF/Km、感抗6mH/Km；电缆线路参数设置为正序阻抗0.008Ω/Km、容抗6nF/Km、感抗0.36mH/Km；零序阻抗0.5Ω/Km、容抗8nF/Km、感抗2.1mH/Km。

本发明的有益效果在于：

1、在重合闸之前进行故障辨识，提出基于录波数据的小波分析和支持向量机故障算法识别模型；

2、通过仿真对提出的算法模型进行了验证，识别效果好。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为小波分解树；

图2为非线性支持向量机二分类；

图3为非线性支持向量机拓扑图；

图4为故障识别网络图

图5为线路仿真模型。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

1.基于小波变换的故障提取模型

电流和电压是配电网最基本的电气量特征。那么分析其三相电压和三相电流是配电网发生故障时最能直接反应其故障特征的量。当配电网发生单相接地故障后，电流会反映配电网状态变化，且故障发生后系统出现零序电流，在接地故障发生的极短时间内，由于系统状态突变，零序电流会包含有瞬时值很大的衰减的暂态自由震荡分量，可能较其稳定值大很多倍，因此有必要对零序电流的时域和频域特征进行分析。小波变换具有很好的时频局域化特性，对高频突变信号和低频缓变信号的分析有着独特的优点。在分析信号时，不同的频率上应有不同的分辨率。低频处应有较高的频率分辨率，而在高频段频率分辨率可降低，使频率分辨率Δf随频率f而变。小波变换正具有这样的特性。因三相电压和三相电流是直接放映故障的特征量，而零序电流包含很多故障暂态信息，故本发明提取三相电压和三相电流以及零序电流作为故障特征信号来进行小波分析。

1.1小波变换原理

小波分析的基本思想是用某一族函数去表示或逼近某一信号或函数，这一族函数称为小波函数系，它是通过基本小波函数的不同尺度的平移和伸缩构成的。

ψ(t)为基本的小波函数，a为尺度因子；b为平移因子，则小波变换的基本定义为：

因此对任意的一个函数f(t)∈L

式中，a，b和t均是连续变量，因此该式又称为连续小波变换。在ψ

或

其中，Ψ(ω)是ψ(t)的傅立叶变换。

由于实际采集数据都是离散数据，故a、b要离散化，所以实际信号处理应采用离散小波变换。一般情况下，尺度的离散化是按照幂级数的形式实现的，即尺度参数a为

上式称为ψ

原始信号T(n)的离散小波分析的分解树如图1所示：图中CA

对每一层的分解系数进行单支重构后得到的信号分量记为A

1.2小波基(母小波)的选择

常用的小波基函数主要有：haar、dbN、coifN、bior、symN等,已证实适合接地故障选线的小波基函数有dbN、coifN、symN。考虑到dbN系列小波的正交性、紧支撑性、对不规则信号较为敏感，适合对暂态信号进行分析。其中N表示该小波基函数的消失矩，消失矩特性对信号降噪、压缩以及奇异性检测等应用是一个关键参数。实际信号是包含很多噪声并结合小波基函数的以上特性，需选择自带降噪功能的母小波，故选择db5小波来进行小波变换。实际的暂态录波指示器的采样频率为4096Hz，为了不使工频分量混入到高频分量中，避免引入更多的干扰因素，分解层数的选择为4层，每一层的频率范围为1024-2048Hz、512-1024Hz、256-512Hz、128-256Hz。对于每一条故障线路的电压或者电流而言，都对其进行小波分析，并对其高频部分进行系数重构，构成小波系数数据库，并对其做好标签，作为分类模型的样本，为后续分类模型提供基础数据及其标签集。

2.故障综合研判-支持向量机分类模型

非线性支持向量机基于核空间理论，通过一个变换将原空间的数据映射到高维特征空间，实现在高维空间中样本的线性可分或近似线性可分。实质还是将非线性问题转换为线性问题。本发明选取的是三相电压和电流以及零序电流作为特征量，在进行小波分析后，由于故障特征可能会体现在不同分解层，因此选取异常信号存在随机性，输入和输出之间的关系无法通过一个特征来反映，信号的特征也具随机性，故本发明分类问题为非线性分类。对于训练样本，经分析样本数据之后，输出就是两类，一类为永久性故障，一类为瞬时性故障，本发明的支持向量机是非线性二分类模型。

2.1非线性支持向量机

如图2所示，假设给定一个特征空间上的训练数据集T＝{(x

设原空间为

z＝φ(x)＝((x

经过变换z＝φ(x)，原空间

ω

变换成为新空间中的直线

ω

ω

在线性支持向量机的对偶问题中，无论是目标函数还是决策函数都只涉及输入实例与实例之间的内积。在对偶问题的目标函数中的内积x

同样，分类决策函数中的内积也可以用核函数代替，通过映射函数φ将原来的输入空间变换到一个新的特征空间，当映射函数是非线性函数时，学习到的含有核函数的支持向量机是非线性分类模型，如图3所示。目前，广泛使用的核函数有线性核函数、多项式核函数、径向基核函数(RBF)和Sigmoid函数等。因RBF核函数具备高维特征空间维数为无穷维的优点，任何样本被从低维空间映射到其特征空间后都变成线性可分，且效果良好，故本发明采用RBF核函数。

2.2故障识别网络

如图4所示，首先利用已有实际数据来训练此算法模型，实际线路仿真得到的数据作为测试样本来测试算法模型。上文中分析知提取三相电压和三相电流以及零序电流作为特征量，每一个特征量都经过db5小波分析预处理，提取其分解重构后的4层高频小波系数作为支持向量机的输入，输出为两类，一类为永久性故障，一类为瞬时性故障。

3仿真建模与分析

本发明算法模型训练所使用的数据来自某市10kV配电网故障时刻暂态故障录波指示器采集的数据，经过一定的筛选后的单相接地故障的数据，按照暂态故障录波指示器的上报信息初步分类为永久故障和瞬时故障两大类。

3.1实际数据波形的小波分析

本发明提取三相电压和三相电流以及零序电流作为故障特征信号来进行小波分析，采用db5小波，分解层数为4层，提取4层的高频系数，相当于每一条波形都会有4个小波系数组，分别分析一例永久性和瞬时性故障录波数据

对一例永久性故障和一例瞬时性故障的A相电压和零序电流进行小波分析，对比两类故障的小波系数，无论是幅值还是出现奇异点的频率都有比较明显的差异,例如比较A相电压时，d2第二层小波系数能很好反映出两者差异，证明本发明利用小波分析进行特征提取是可行的。在对实际数据进行大量分析后，因不同的接地方式，运行工况和不同的接地故障类型影响的单相接地情形下的永久性故障和瞬时性故障其特征信号的小波系数表现最明显出现的高频层数不确定，因此每个特征信号的小波分析的高频系数都保留，并形成小波系数库作为支持向量机识别模型的输入。

3.2支持向量机的永久性和瞬时性故障识别仿真验证

在选定了核函数以后接着需要做的是参数的选择，包括径向基函数的参数σ的选择以及正参数C的选择，下面通过仿真选择合适的参数C以及σ，从而得到较高的分类精度。整个仿真在MATLAB仿真环境下实现，设置不同的参数C和σ，比较在不同的参数下的准确率。依据SVM的学习分类过程，介绍参数为无穷时，准确率较高，因此在仿真的过程中先将参数C的数值设为无穷，取不同的参数值得到的训练结果如表1所示。将σ值固定为0.1，正参数C取不同的数值时的训练结果如表2所示。

表1σ不同时的训练结果

表2正参数C不同时的训练结果

通过表1和表2可以看出选择不同的参数其训练结果和训练精度都不同，因此在应用高斯径向基函数作为支持向量机的核函数在选择参数C和σ的时候，既要考虑训练时间也要考虑准确率。分析其规律后，综上考虑，选择σ值取0.01，C值取100。应用MATLAB/SIMULINK环境下对按照配电网实际拓扑模型对两种故障进行了模拟，用三相断路器某一相断开与否模拟断线引起的永久性故障，控制SIMULINK自带的故障模块出现时间来模拟瞬时性故障，改变故障位置和故障样本。此电力系统模型采用电源端变压器110/10Kv，负荷端变压器为10/0.4Kv，按照实际配电网线路拓扑图搭建，线路包含架空线、电缆以及二者混合线路。三相电压源输出电压为110kV，频率为50Hz,线路中架空部分参数分别为正序阻抗0.03Ω/Km、容抗15nF/Km、感抗0.95mH/Km；零序阻抗0.9Ω/Km、容抗22nF/Km、感抗6mH/Km；电缆线路参数设置为正序阻抗0.008Ω/Km、容抗6nF/Km、感抗0.36mH/Km；零序阻抗0.5Ω/Km、容抗8nF/Km、感抗2.1mH/Km。

如图5所示，故障识别网络的测试样本：取线路的2种故障类型(永久和瞬时性故障)，接地故障过渡电阻取10Ω、500Ω，故障位置取线路的30％、60％，故障初相角取0、45、90，部分故障识别测试结果见表3。

表3测试样本故障类型识别结果

由表可知，故障识别网络的输入特征量较好的与故障类型对应，SVM故障识别网络的正确识别率为95％。

4结论

本发明建立了算法识别模型，能够快速准确地识别两种故障类型，且不受过渡电阻、故障位置和故障初相角的影响，能有效避免配电网中单相接地故障引起的线路跳闸中因永久性故障导致的合闸失败。本发明提出利用小波变换提取三相电压三相电流和零序电流作为特征量，并将小波分析后的小波系数重构作为支持向量机的数据集，算法模型训练数据来源于实际录波数据，增加了模型的可靠性和实用性，识别准确率接近90％。算法模型搭建完成后利用仿真数据来测试算法模型，准确率达到95％，进一步证实了本算法模型的可行性。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。