海底观测网供电系统故障定位方法

技术领域

本发明涉及的是一种海底电网控制领域的技术，具体是一种海底观测网供电系统故障定位方法。

背景技术

海底观测网供电系统中发生的短路故障维修费用昂贵、维修周期长，快速、准确地定位故障是保证海底观测网络可靠、经济运行的关键。且由于海底接驳盒所收集到的数据质量较差，导致海底电网中的电气故障更难定位和修复。首先，海洋环境和生物、自然灾害和人类活动会对电气传感器造成威胁，导致出现损坏数据。其次，海底光电复合缆通常由电缆和通信光纤封装而成。电气故障可能会损坏光纤，使得通讯网络发生连锁故障，导致出现大规模的缺失数据。此外，主干节点为提高可靠性和经济性，简化其内部结构包括量测模块和通信模块，但也导致岸基站无法获取主干节点的电流数据。因此，在量测数据有限且含异常数据的海底观测网供电系统中实现故障的准确定位是亟待解决的关键。

现有配电网故障定位技术有通过在配电网馈线(包括主干线和各支路)各开关、负荷节点处设置多个智能体，通过判断各相泄露电流大小，对配电网不同运行方式下不同类型区段同回线路发生相间短路故障风险进行预警及准确定位。但由于现有技术没有考虑海底观测过程中涉及的异常数据的影响、海底观测网供电系统的主干节点没有配备通信模块，因此通常无法获取主干电缆的电流数据等特殊情况，导致目前海底故障检测领域尚处于空白。

发明内容

本发明针对现有技术存在的上述不足，提出一种海底观测网供电系统故障定位方法，通过分析过阈值泄漏电流的特征，采用基于相邻泄漏电流方向相似度向量的异常数据检测，准确识别异常节点，通过基于空间相关性的数据插补精确修正异常数据，并根据越阈值泄露电流和插补数据的关系确定故障位置。

本发明是通过以下技术方案实现的：

本发明提出一种海底观测网供电系统故障定位方法，通过构建含海水节点的节点导纳矩阵，计算并分析不同故障场景下的泄漏电流向量，根据越阈值泄露电流特性，构建相邻越阈值泄露电流方向相似度向量以识别存在异常数据的节点；然后对异常数据进行基于空间相关性的数据插补，通过分析越阈值泄露电流与量测数据的关系精确定位故障位置。

优选地，本发明通过在PSCAD中建立系统模型，在不同故障场景下进行案例仿真以验证上述方法的有效性。

所述的泄露电流向量是指：根据基尔霍夫电流定律，流入流出节点的电流总和应恒等于零。由于故障所产生的短路电流会导致其两侧节点出现泄露电流，计算每个节点的泄露电流大小并由向量的形式记录，即泄露电流向量。

所述的越阈值泄露电流是指：理论上只有故障线路两侧的节点会因短路电流而产生泄露电流，其余节点的泄露电流应都为零。但实际工程应用中，由于受到设备的量测误差影响，所有节点的泄露电流都不等于零，所以需要设置相应的阈值来确定泄露电流在理论上是否为零。受到故障或异常数据影响的节点其产生的泄露电流都是超过阈值的，并非在量测误差的范围之内，即越阈值泄露电流。

所述的相邻越阈值泄露电流方向相似度向量是指：根据异常节点会导致其相邻节点产生相同方向越阈值泄露电流的特征，通过分析某一节点的相邻节点数量和泄露电流方向，所定义的用于检测异常节点的一个指标。

本发明涉及一种实现上述方法的系统，包括：泄露电流向量计算单元、异常数据检测单元、异常数据修正单元以及故障定位单元，其中：泄露电流向量计算单元根据系统参数、各节点量测电压、各岸基站输出电流、电极等效阻抗的信息，构建含海水节点的节点导纳矩阵、电压向量、电流向量，并将增加海水节点的节点导纳矩阵与电压向量相乘，最后加上电流向量，得到包含每个节点泄露电流大小的泄露电流向量；异常数据检测单元根据节点导纳矩阵和泄露电流向量，可以获取节点关联矩阵、相邻节点总数向量和泄露电流方向向量的信息，将节点关联矩阵与泄露电流方向向量相乘，并加上相邻节点总数向量，得到相邻越阈值泄露电流方向相似度向量，根据该向量中等于0的元素可以确定对应节点存在异常数据；异常数据修正单元根据系统参数、电压向量的信息，基于节点之间的电气关系，利用相邻节点的健康电压数据来对异常数据进行插补，将插补数据替换相应异常数据以更新电压向量，并重新计算泄露电流向量以对其进行更新；故障定位单元根据系统参数、更新后泄露电流向量、更新后电压向量的信息，通过分析更新后泄露电流向量中越阈值泄露电流与系统参数和量测电压的关系，推导计算出故障定位距离和故障过渡电阻大小。

技术效果

本发明在考虑海水回路并增加海水节点后，故障定位误差整体减少1％。对于存在的多个异常数据节点均可实现100％精度的识别以及有效修正异常数据，修正后故障定位误差平均减少63.9％。且与现有数据插补方法比较，相比于拉格朗日插值法故障定位精度提高52.6％％，相比于牛顿插值法故障定位精度提高36.9％，相比于KNN法故障定位精度提高16.83％。

附图说明

图1为典型的海底负极直流系统示意图；

图2为不同场景下某段主干电缆部示意图；

图中：(a)为正常运行，(b)为开路故障，(c)为短路故障；

图3为部分负极直流系统的简化图示意图；

图4为基于泄露电流向量的故障定位方法流程图示意图；

图5为实施例应用系统模型示意图；

图6为无异常数据时短路故障泄露电流向量分布示意图；

图7为无异常数据时开路故障泄露电流向量的分布示意图；

图8为插补前后的数据比较示意图；

图9为存在异常数据时插补前后泄漏电流向量分布示意图；

图10为不同故障电阻下数据插补前后的故障定位精度对比示意图；

图11为存在丢失数据时插补前后泄漏电流向量分布示意图；

图12为不同故障电阻下数据插补前后的故障定位精度对比示意图；

图13为存在异常数据和丢失数据时插补前后泄漏电流向量分布示意图；

图14为不同故障电阻下数据插补前后的故障定位精度对比示意图；

图15为实施例效果示意图。

具体实施方式

如图1所示，在海底负极直流网络中，采用电极和海水形成回路实现供电。大多数海底观测网络的故障定位文献都忽略海水回路，这实际上对定位精度有影响。海水是一种均匀、良好的导电介质，在浩瀚的大海中近似为等势体。因此，海水可以作为海底观测网络的辅助节点。

附加海水节点后，所有支路电流可以通过分支单元节点和海水节点的电压数据以及等效电阻计算得到。不再需要测量支路电流。因此，电压误差是唯一需要考虑的因素。每个分支单元节点通过海水节点与岸基站形成供电回路。

理论情况下在系统正常运行时I

对于海底负极直流网络，由于分支单元的结构限制，相邻节点的最大数量为三个，即泄露电流误差最多可由三组电缆导纳和电压误差计算所得。为保证零泄露电流不会发生误判，其阈值应等于最大可能发生的泄露电流误差，具体为：T

由于主干电缆比分支电缆长得多，本实施例的重点是如何准确定位主干电缆上的故障。对于故障节点，其泄漏电流将高于阈值(最大误差)，即越阈值泄露电流。

如图2和图4所示，为本实施例涉及一种海底观测网供电系统故障定位方法，包括：

步骤1、计算泄露电流向量，具体包括：

1.1)根据系统参数可以分别获得节点导纳矩阵、电压向量和电流向量。基于基尔霍夫电流定律可得泄露电流向量具体为：

1.2)将节点j和节点k作为研究对象，不考虑异常数据时存在以下三种不同场景：

a)如图2(a)所示,当系统正常运行时节点j的泄露电流为

b)如图2(b)所示，当节点j和节点k之间发生开路故障，两个节点之间的实际电导将发生变化，此时节点j的泄露电流变为

c)如图2(c)所示，当出现短路故障，将故障作为一个新节点加入到节点j和节点k之间。节点j的泄露电流变为

因此，不考虑异常数据时三种场景的泄露电流向量特征如表1所示。

表1.不存在异常数据时泄露电流向量的特征

步骤2、异常数据检测，即通过检查相邻节点的泄露电流方向相似度识别异常节点。

故障所产生的的越阈值泄露电流可用于故障定位。而由异常数据所产生的越阈值泄露电流只会干扰故障定位，即伪越阈值泄露电流，如图3所示。由于每个节点之间的电缆距离一般为几十公里，因此故障只会影响其附近节点的传感器和通信设备。三种典型异常节点如表2所示。

表2.存在异常数据时泄露电流向量的特征

定义从分支单元到接驳盒的泄露电流为正。由于受影响的电气传感器造成的误差不可预测，因此异常数据可能大于或小于真实数据，即偏差为正或负。

所述的步骤2，具体包括：

2.1)根据节点导纳矩阵和泄露电流向量，可得泄露电流方向向量T

2.2)当矩阵S

2.3)当无法识别出更多异常节点时，泄露电流向量仍然与表1中正常运行特征不匹配，则此时存在两个偏差相同的相邻异常节点。可以通过遍历T

步骤3、异常数据插补，即利用相邻节点的健康数据对异常数据进行修正，具体包括：

3.1)当异常节点x不与任何其他伪故障节点相邻，则需暂停节点x向接驳盒供电，利用插补方程对异常数据进行修正，具体为：

3.2)当步骤3.1)实现数据插补后，异常节点仍存在越阈值泄露电流，则该异常节点与故障点相邻，则利用单个相邻节点数据的插补方程进行修正，具体为：

其中：节点x是异常节点，节点z是相邻健康节点之一。

3.3)当存在两个相邻异常节点(节点x，节点y)，则通过方程组插补进行修正，具体为：

3.4)当步骤3.3)实现数据插补后，异常节点仍存在越阈值泄露电流，则故障点与其中一个异常节点相邻，因此进一步提出修正方程组

步骤4、故障定位，即将通过岸基站的定位装置根据更新后的节点泄露电流I

4.1)根据越阈值泄露电流与量测数据之间的关系计算故障位置，具体为：根据节点j到故障点的电阻大小

4.2)利用时域内的故障后稳态数据计算故障距离集合，并取算术平均值作为最终结果，以提高故障定位的精度。

经过具体实际实验，在PSCAD中建立海王星系统模型，如图5所示。海王星系统中电压传感器的最大测量误差为±0.7％。两个节点之间的最短电缆长度为100km，即最大电缆导纳为0.0476S。考虑到海王星系统的电压水平为10kV，将泄露电流阈值设置为±0.9A。本实施例中的故障定位误差为绝对误差。

在节点2和节点30之间电缆上分别设置100Ω、500Ω、1kΩ、2kΩ、3kΩ电阻的故障，且故障与节点2之间的距离为20km。如图6所示，使用极坐标散点图表示泄露电流的分布情况。从圆心到外圈表示泄露电流逐渐增大，每个圆圈半径代表不同的泄露电流值。图中所有泄露电流均为绝对值。

泄露电流向量的分布如图6所示。从泄露电流向量分布图中可以看出，只存在两个越阈值泄露电流，即符合表1中描述的短路故障特征。增加海水节点后对故障定位方法精度的影响如表3所示。在考虑海水节点后，平均故障定位误差可降低1％。

表3.考虑海水节点前后的故障定位精度比较

在节点29和节点30之间电缆上设置开路故障，故障点和节点29之间的距离为10km。

原始泄露电流向量分布如图7所示。仅有两个节点29和30具有绝对值相等的越阈值泄露电流。且根据泄露电流向量可得两个节点的泄露电流恰好为相反数，与表1中描述的开路故障特征所匹配。所以故障定位方法能在无异常数据时准确定位开路故障。

在节点6和节点41之间电缆上设置短路故障，并模拟节点6存在损坏数据，其中故障与节点41之间的距离为30km。

数据插补前后的电压数据对比如图3-8所示。随机抽取10组故障后稳态电压数据，分别记为1～10。插补前数据与真实数据存在约±200V的偏差，该偏差会导致越阈值泄露电流存在较大误差。经过数据插补后，电压偏差可以减少至5V，即减少对越阈值泄露电流的影响。

利用原始数据和插补数据分别计算泄露电流向量，如图9所示。由图中斜线柱可得存在多个越阈值泄露电流，即系统中存在异常节点。首先对异常数据进行插补，插补后由横线柱仍存在3个越阈值泄露电流，与表1中的正常运行时的特征不匹配，说明故障与该异常节点相邻。对异常数据实现插补后，泄露电流向量与短路故障的特征相匹配，如实心柱所示。完成数据插补后可得故障位于节点6和节点41之间。

数据插补前后故障定位精度对比如图10所示。数据插补前平均故障定位误差为39％，如短虚线所示。从图8可以看出，在数据插补前越阈值泄露电流的值会受到伪越阈值泄露电流的影响。且影响后越阈值泄露电流所计算的故障距离存在较大误差，如图9所示。而经过数据插补后，故障定位误差至少降低17％。

在节点16和节点17之间电缆上设置短路故障，并模拟节点15存在丢失数据，故障到节点16的距离为10km。

由图11中斜柱所示的系统中存在5个越阈值泄露电流，即存在潜在的异常节点。实现缺失数据插补，且插补后泄露电流向量与短路故障特征相匹配，从而得到故障位于节点16和节点17之间。由于在仿真中通常将缺失数据设为0，相比损坏数据，缺失数据与真实数据之间存在更大偏差，将导致更大伪越阈值泄露电流的产生。由图节点5到节点7可能存在缺失数据。根据故障距离由两个越阈值泄露电流之间的比例关系所确定。在数据插补前，一组伪越阈值泄露电流(节点14、15、16、35)是由缺失数据引起的，比其他越阈值泄露电流(节点17)大接近10倍以上。如图12中虚线所示，利用受影响的越阈值泄露电流所计算的故障距离将接近故障电缆长度。在数据插补前故障定位误差约为94％，实现数据插补后可以将误差降低约90％。

在节点9和节点44之间设置短路故障，并模拟节点8存在损坏数据，节点43存在缺失数据，其中故障与节点9之间的距离为30km。

泄露电流向量分布如图13所示。红条显示的原始数据表示存在7个越阈值泄露电流，这意味着不止一个节点存在坏数据。节点7～9可能存在异常数据，而节点42～44可能存在缺失数据。通过数据插补后，泄露电流向量与短路故障特征相匹配，且清楚地显示故障位于节点9和30之间。

不同过渡电阻下数据插补前后故障定位精度对比如图14所示。由数据插补后的故障距离结果，上述方法在同时存在不同类型异常数据的情况下也能实现异常数据准确识别和插补。如图中短虚线所示，在数据插补前故障定位误差约为67％。所提数据插补方法可将误差降低至3％，如图中的长虚线所示。

模拟5个节点同时存在不同类型的坏数据，其中节点27、40和41存在损坏数据，节点25和29存在缺失数据。短路故障分别设置在节点28和29(故障1)、节点6和41(故障2)之间，并于节点24和25之间设置开路故障(故障3)。

计算不同故障场景下的越阈值泄露电流，结果如表4所示。故障1和故障3中的越阈值泄露电流受到缺失数据的影响，由于其中

表4.不同故障条件下的越阈值泄露电流

表5.存在5个伪故障节点时短路故障定位结果

现有的故障定位方法通常会删除质量较差的数据，而不是进行数据插补。考虑到陆上电网数据的冗余，这是一种合理的方法。然而，在海底观测网络中发生连锁故障很常见，其将会导致大规模的异常数据产生。从前面的案例，数据插补对于海底故障定位至关重要。传统的数据插补方法通常基于统计学的插补和回归算法。本方法与经典的拉格朗日插值法和牛顿插值法比较结果如表6所示，采用上述故障场景并设置过渡电阻为1000欧姆。

结果表明，采用拉格朗日插值法或牛顿插值法对数据进行插补后，故障定位仍存在较大误差。针对故障场景1，牛顿法的误差为31.1％，拉格朗日法的误差为25.9％。针对故障场景2，牛顿法的误差为79.3％，拉格朗日法的误差为53.1％。而本发明的数据修正效果显著优于传统数据插补方法，在故障1场景下的误差仅为3.25％，故障2场景下误差仅为2.91％。在所研究的案例中，本发明至少能提高23％的故障定位精度。

原因推理如下：两种基于插补法的数据修正方法都需要用到时域内的健康数据。然而，异常数据在节点上会持续存在，导致该插补方法效果不佳。相比之下，所提数据插值方法只依赖于相邻节点的健康数据以及拓扑关系。这种基于电路理论的空间相关性方法将不会受时域上信息确实的影响。

表6.不同数据修正方法下故障定位精度比较

将现有的异常数据检测方法和邻近算法(KNN，K-Nearest Neighbor)相结合，并与本发明进行比较。如图3-15所示，当节点P上存在异常数据。取邻近节点P的K个健康节点数据并计算加权平均值，用其替换节点P上的异常数据。因为分支单元节点只存在3个接口，所以一个节点最多只能连接3个其他节点，将K设为3。权重系数为邻近节点相连电缆的长度并采用与上述相同的故障场景。

对比结果如图15所示。由结果，结合算法的平均故障定位精度为18.32％，本发明的平均故障定位精度为1.49％。在该算例中，本发明至少提高8.9％的故障定位精度，其原因为类似KNN这样的机器学习方法是基于数据进行驱动的，其并没有考虑泄露电流向量、节点电压和电缆导纳之间的隐藏关系。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。