不停電作業下中低壓配電網接地故障自動診斷研究

張磊

(陜西工業職業技術學院, 信息工程學院， 陜西, 咸陽 712000)

0 引言

電力系統配電網中心點接地系統主要包括大電流接地系統以及小電流接地系統2部分，接地主要方式為經消弧線圈接地、中性點不接地和經高阻抗接地。中低壓配電網接地系統發生單相接地故障時，輸出的電流信號極為微弱，且故障電弧存在較高不確定性[1-2]，據此進行配電網接地故障的精準診斷是電力系統領域研究的重要方向。

近年來，國內外學者針對配電網接地故障診斷與定位進行大量研究[3]。齊鄭等[4]研究基于匹配追蹤的配電網單相接地故障定位方法，將單相接地電流暫態信號利用原子稀疏分解匹配追蹤算法分解，實現小電流接地系統配電網單相接地故障定位，該方法提取暫態信號成分具有較高的精準性；上官鑫等[5]研究基于暫態電壓Pearson相關性的MMC多端柔性直流配電網單極接地故障保護方案，將電壓變化率作為直流配電網單極接地故障的判斷依據，即便在較多的噪聲信號或故障距離較遠情況下均可實現故障有效檢測?；谝陨戏椒ǖ难芯克悸?，本文研究不停電作業下中低壓配電網接地故障自動診斷方法，該方法在不停電作業下可自動診斷中低壓配電網接地故障，可以提升中低壓配電網運行安全性。

1 不停電作業下中低壓配電網接地故障自動診斷方法

1.1 中低壓配電網單相接地故障零序網絡

不停電作業下中低壓配電網中性點接地系統存在故障情況時，破壞三相對地通路對稱性，導致中性點電壓存在偏移[6]。用O端與K1分別表示變電站母線側以及進線開關，K2表示聯絡開關，聯絡開關與變電站其他母線的線路相連。中低壓配電網不停電作業時，開關K1與開關K2分別為閉合狀態以及斷開狀態，即中低壓配電網以環網接線狀態的開環運行方式工作。單相接地故障發生于F點時，即將3倍接地電阻串聯支路與零序電壓源疊加于故障點處，此時故障點F的零序電壓如式(1)：

(1)

中低壓配電網接地線路上存在較小阻抗，配電網零序電壓可視為近似相同，線路對地電容電流可組成線路上零序電流[7]，可得對地電容電流如下：

(2)

當開關K2與K1分別為閉合以及斷開狀態時，此時由其他電源利用開關K1為整條線路供電，設A相接地故障發生于點F處[9]，可得故障后接地電流公式如下：

(3)

由線路對地電容組成零序網絡時，將零序電流參考方向作為變電站A指向線路末端負荷方向，可得其他線路零序電流方向與線路K1F上零序電流為相反方向。故障時零序電壓受分段開關狀態影響，故障點前后線路上零序電流相位關系不受分段開關狀態影響。

1.2 小波神經網絡故障定位

1.2.1 小波神經網絡

小波神經網絡是基于小波原理構建的神經網絡模型，小波神經網絡可有效體現小波變換的時域與頻域良好的特點，同時具有神經網絡的自學習以及高度映射能力。在小波特征空間內搜尋最優小波基(小波神經網絡本質)，將傳統神經網絡隱含層激勵函數利用非線性小波基函數所替代，是小波神經網絡的核心[10]。wi與wj分別表示第i=1,2,…,I個隱含層函數權值以及第j=1,2,…,H個輸入層權值，Ψ(x)表示隱含層激勵函數(即小波函數)，f(x)表示輸出層的激勵函數，如式(4)：

(4)

式中，a表示伸縮因子，b表示平移因子，X表示輸入層信號。

將所提取的中低壓配電網接地零序電流特征量作為小波神經網絡的輸入，選取小波基函數作為小波神經網絡的激勵函數，輸出層接收隱含層輸出，通過輸出層實現結果輸出。小波神經網絡訓練過程中需隨機初始化設置各層權值，小波神經網絡訓練過程如下。

(1) 將通過rand()函數隨機形成的[-1,+1]區間內隨機數值作為初始值。

(2) 根據最小二乘法，設第n個模式(期望輸出di)的誤差E：

(5)

(3) 利用梯度法進行僅值優化，則有：

(6)

(4) 為解決小波神經網絡存在收斂速度慢且易陷入局部極小的問題，引入動量因子[11]η∈(0,1)，則t+1時刻權值為

wj(t+1)=wj(t)+αΔwj(t)-η?E/?wj

wi(t+1)=wi(t)+αΔwi(t)-η?E/?wi

(7)

式中，α為學習步長，保持α為正。

(5) 閾值調整為

l(t+1)=l(t)+αΔbl(t)-η?E/?l

(8)

通過以上過程獲取小波神經網絡各層權值及閾值，通過初始化網絡、分類樣本、輸出預測結果以及修正權值實現小波神經網絡訓練。

1.2.2 接地故障自動診斷

采用小波神經網絡實現不停電作業下中低壓配電網接地故障自動診斷的流程圖如圖1所示。通過圖1可知，首先需預處理所獲取的樣本數據，將完成預處理的中低壓配電網接地零序電流特征量數據輸入小波神經網絡中，訓練小波神經網絡直至網絡收斂，將完成訓練的小波神經網絡作為故障模式集，保存小波神經網絡各層權值，利用所保存小波神經網絡各層權值實現中低壓配電網接地故障的重復性的自動診斷。

圖1 接地故障自動診斷流程圖

2 實例分析

選取MATLAB軟件搭建不停電作業的10 kV中性點不接地配電系統，所搭建配電網模擬結構圖如圖2所示。模擬電路中包含2條非故障線路以及1條故障線路，非故障線路長度分別為230 km以及210 km，故障線路中包含支路數量為7。故障線路末端利用聯絡開關與其余電源相連，其后連接線路總長度為150 km。采用Simulink內分布式線路的標準參數作為線路零序分布參數。

圖2 實驗模擬電路圖

圖2中虛線部分為電導部分，可以確定傳輸電流能力強弱程度，隨機選取1 000組數據作為小波神經網絡訓練集數據，200條數據作為測試數據集。設置故障初相角為0～π、間隔0.02π，接地電阻為0～1 000 Ω、間隔10 Ω，采樣頻率為20 kHz，電容電流為20 A，此時對地電容之和為10.5 μF，負荷為3 MW，功率因數為0.9，伸縮因子和平移因子取值范圍為[0,1]，學習步長為2，動量因子為0.5，誤差界值為0.001，小波神經網絡迭代次數為1 000。

選取匹配追蹤方法(文獻[4])與暫態電壓方法(文獻[5])作為對比方法，采用3種方法診斷配電網接地故障在不同訓練步數情況下的輸出誤差結果如圖3所示。

圖3 輸出誤差對比

從圖3的實驗結果可以看出，采用本文方法診斷不停電作業下中低壓配電網接地故障，不同訓練步數下的輸出誤差均低于其他2種方法，有效驗證采用本文方法診斷不停電作業下中低壓配電網接地故障具有較高的有效性。具體原因是本文方法采用小波神經網絡方法診斷中低壓配電網接地故障，通過調節權值和閾值使小波神經網絡模型輸出精度較高，可有效提升接地故障診斷精度。

為了提高模擬數據的準確度，選取5個測試點，并命名為測試點1到測試點5，利用MATLAB軟件獲取模擬配電網故障診斷結果如表1所示。

從表1實驗結果可以看出，采用本文方法可實現故障點精準定位，獲取不同開關狀態下的故障定位結果，依據測試點的零序電流相對相位實現故障的自動診斷。

表1 模擬數據結果

統計模擬配電網不同過渡電阻情況下零序電流變化量，并依據零序電流變化量判斷配電網是否存在接地故障情況，診斷具體情況如圖4所示。從圖4實驗結果可以看出，采用本文方法可依據零序電流變化量實現配電網接地故障自動診斷，具有較高的配電網接地故障診斷有效性。非故障線路情況下，零序電壓不變，故障線路零序電流基本無變化；故障情況下零序電流變化量變化明顯，依據零序電流變化情況可實現中低壓配電網接地故障的診斷。

圖4 接地故障診斷

統計不同測量距離情況下3種方法自動診斷配電網接地故障診斷精度，對比結果如圖5所示。

圖5 診斷精度對比

從圖5實驗結果可以看出，采用本文方法診斷不同測量距離情況下的接地故障診斷精度明顯高于其他2種方法。采用本文方法診斷不同測量距離情況下的接地故障診斷精度均高于99%；采用匹配追蹤方法與暫態電壓方法診斷不同測量距離情況下的診斷精度均低于98.5%。實驗結果說明本文方法可精準診斷不同測量距離情況下配電網接地故障。

統計采用3種方法檢測該配電網運行400 min的故障檢測漏檢率和誤檢率如圖6、圖7所示。

圖6 漏檢率對比

圖7 誤檢率對比

從圖6、圖7實驗結果可以看出，采用本文方法檢測配電網接地故障漏檢率與誤檢率明顯低于其他2種方法，說明采用本文方法診斷不停電作業下中低壓配電網接地故障的診斷有效性明顯高于另2種方法，再次驗證本文方法具有較高的配電網接地故障診斷有效性。

統計不同診斷數量下采用3種方法檢測配電網接地故障的平均診斷時間，對比結果如圖8所示。

圖8 平均診斷時間對比

從圖8實驗結果可以看出，本文方法在不同診斷數量情況下的平均診斷時間均低于200 ms，另2種方法的平均診斷時間均高于300 ms，實驗結果說明本文方法不僅具有較高的配電網接地故障診斷精度，并且診斷實時性較高，可應用于不停電作業下中低壓配電網接地故障自動診斷中。

3 總結

中低壓配電網接地故障自動診斷對于提升電力系統供電可靠性具有重要意義，因此將小波神經網絡應用于配電網接地故障診斷中，并通過實例分析驗證，采用此研究方法診斷不停電作業下中低壓配電網接地故障具有較高的時效性，可應用于實際中低壓配電網接地故障自動診斷中。所研究方法可獲取真實有效的故障信息，該信息可以作為配電網故障診斷領域的重要依據，具有較高的實際應用性。