林立堂，郝剛剛，關煥新

(1.盤錦供電公司 計量中心，遼寧 盤錦 124010； 2.沈陽工程學院 a.電力學院; b.自動化學院，遼寧 沈陽 110136)

?

配電系統(tǒng)模糊故障判別理論研究

林立堂1，郝剛剛2a，關煥新2b

(1.盤錦供電公司 計量中心，遼寧 盤錦 124010； 2.沈陽工程學院 a.電力學院; b.自動化學院，遼寧 沈陽 110136)

在分析含分布式電源配電系統(tǒng)故障信息來源及特點的基礎上，針對不確定信息下的故障識別問題，利用模糊集合理論適用于求解具有不確定信息或具有不確定關系問題的優(yōu)勢，提出了基于模糊邏輯的故障診斷方法。實例分析結果表明，所構建的利用RBF神經(jīng)網(wǎng)絡優(yōu)化的模糊隸屬度函數(shù)方法不僅能正確識別系統(tǒng)的故障類型，而且還不受系統(tǒng)模型結構的限制，具有較強的通用性和實用性，為今后配電系統(tǒng)故障診斷提供有力的參考價值。

分布式的電源;配電系統(tǒng);模糊邏輯;RBF神經(jīng)網(wǎng)絡

分布式電源的介入給傳統(tǒng)的電力系統(tǒng)注入了新的活力，同時也給配電系統(tǒng)的故障診斷帶來了巨大的影響。以往的故障診斷方法大都基于確定的數(shù)據(jù)信息，但在含有分布式電源的配電系統(tǒng)中存在大量不確定性，諸如分布式電源的介入改變了配電系統(tǒng)的網(wǎng)絡結構、潮流分布等情況。同時，當發(fā)生故障時，分布式電源也會向短路點提供短路電流，從而使短路電流水平發(fā)生變化。這些因素都有可能產(chǎn)生不確定的數(shù)據(jù)信息，導致保護以及自動控制裝置不可靠動作。因此，基于傳統(tǒng)數(shù)學模型的診斷方法已很大程度上不能保證診斷的準確性和快速性，相比較來說，基于智能診斷方法具有明顯的優(yōu)勢?；诖植诩碚摰墓收显\斷已成功用于配電網(wǎng)，該方法的關鍵是故障決策表的約簡，文獻[3]通過逐一去掉條件屬性驗證是否影響正確分類來實現(xiàn)決策表的約簡。此外，還有基于遺傳算法、神經(jīng)網(wǎng)絡、貝葉斯方法的配電網(wǎng)故障不確定診斷方法,都具有一定的容錯能力。

利用模糊集理論在不確定信息關系問題處理上的優(yōu)勢，提出了基于模糊邏輯故障類型識別的方法，同時利用RBF神經(jīng)網(wǎng)絡的參數(shù)逼近能力對模糊隸屬的函數(shù)進行處理。這樣使得新的故障診斷專家知識更易于擴充到現(xiàn)有的故障診斷系統(tǒng)。

1 模糊集理論基礎

定義 設X是一個非空集合，稱A={|x∈X}為X上的直覺模糊集，其中，?x∈X,uA(x)∈[0,1]和vA(x)∈[0,1]分別為X中元素X屬于A的隸屬度和非隸屬度，即uA(x)為元素x屬于A的程度，且滿足條件0≤uA(x)+vA(x)≤1，?x∈X。如果A是非空集X上的正規(guī)有界閉凸模糊集，則可稱其為一個模糊數(shù)。

對于給定的x∈X，稱π(x)=1-uA(x)-vA(x)為屬于A的猶豫度或不確定度。當π(x)=0時，且僅當直覺模糊集退化為模糊集或經(jīng)典集合時，稱fA(x)=1-|uA,(x)-vA(x)|為x在A中的模糊度。

在含分布式配電系統(tǒng)的故障診斷過程中，考慮到數(shù)據(jù)信息的模糊性，可以將監(jiān)測到的信息用一個模糊變量來表示，支路參數(shù)(阻抗)用常量表示。通過前推回代可以精確采集點不確定的信息量。以線路中采集的有功功率和無功功率為例進行推導。

根據(jù)模糊集的運算規(guī)則，如果A和B是2個模糊集，那么它們的交集和并集分別為：

1)A∩B={

2)A∪B={

3)～A={x,vA(x),uA(x)>|x∈X}

同樣根據(jù)模糊數(shù)的四則運算，如果A和B是2個模糊集，那么A+B，A-B，AB，A/B仍是模糊集。模糊邏輯中,模糊集的運算實際上是其隸屬函數(shù)的運算，而隸屬函數(shù)的確定又是故障診斷的關鍵。

2 模糊隸屬函數(shù)的建立

怎樣確定合適的隸屬函數(shù)，目前還沒有一個普遍適用的方法或一個比較客觀的評定標準，這大多依賴于人的主觀判斷或設定。因此，隸屬函數(shù)的建立通常是在初步確定粗略的隸屬函數(shù)的基礎上，經(jīng)過不斷的實踐檢驗，最終修正和完善。

2.1 基于 RBF 神經(jīng)網(wǎng)絡的隸屬度函數(shù)

隸屬度函數(shù)設置應當盡可能地逼近專家系統(tǒng)所描述的模糊化規(guī)則，而人為設定的函數(shù)通常不能準確地反應其客觀規(guī)律。RBF神經(jīng)網(wǎng)絡具有很強的學習和逼近能力，利用 RBF 神經(jīng)網(wǎng)絡來獲取隸屬函數(shù)，取代人為設定的隸屬函數(shù)，實現(xiàn)了隸屬度函數(shù)的優(yōu)化設置。

隸屬度函數(shù)的學習算法分三步：首先利用聚類分析方法初步確定隸屬度函數(shù)，然后再確定模糊規(guī)則，最后利用輸出誤差反饋學習算法優(yōu)化隸屬函數(shù)。隸屬函數(shù)生成過程是要在輸入集和輸出集初步建立隸屬度函數(shù)，即對訓練數(shù)據(jù)進行聚類，所謂聚類，就是將性質(zhì)比較接近的數(shù)據(jù)歸為一類，而每一類對應一個模糊子集。

2.2 優(yōu)化隸屬度函數(shù)

圖1 隸屬度函數(shù)學習算法流程

3 配電系統(tǒng)故障診斷的構建

配電系統(tǒng)的故障信息主要來自對電壓電流等電氣量的特征、斷路器的狀態(tài)變化信息以及各類保護裝置產(chǎn)生的報警信息進行分析。由于以上模糊變量取決于故障的發(fā)生位置以及短路類型，這對于故障診斷系統(tǒng)來說是完全未知數(shù)據(jù)。根據(jù)歷史數(shù)據(jù)利用RBF神經(jīng)網(wǎng)網(wǎng)絡給出各信息對應的模糊隸屬度，分別對隸屬于不同模糊子集的隸屬度進行初步的故障類型歸類確定出模糊邏輯規(guī)則，再對所分模塊進行故障判別，給出最終的故障識別結果。

由于數(shù)據(jù)采集裝置、網(wǎng)絡傳輸設備等原因,原始數(shù)據(jù)本身不可能做到百分之百的準確，電流誤差主要是由電流互感器測量誤差以及通訊系統(tǒng)干擾造成的。

(1)

其中，φ是電力互感器磁通；Id是短路電流值；K=I1N/I2N，是電流互感器的變比；I1和I2分別為電流互感器的一次側和二次側實測電流值；λi1和λi2分別為磁通及短路電流的系數(shù)；ε是定義的電流互感器的誤差等級。

電壓誤差主要是電壓互感器測量誤差以及系統(tǒng)通訊干擾造成的。后者與電流隨機誤差相同；而前者是由變壓互感器造成的誤差：

(2)

其中，cosφ為功率因數(shù)；Io為空載電流值；λu1和λu2分別為功率因數(shù)和空載電流系數(shù)；K=U1N/U2N，是電壓互感器的變比；U1和U2分別為電壓互感器的一次側和二次側電壓值；ε是電壓互感器的誤差等級。

由于以上模糊變量取決于故障的發(fā)生位置以及短路類型，這對于故障診斷系統(tǒng)來說是完全未知數(shù)據(jù)，所以將其定義為一個隨機變量，則電壓和電流誤差也可以被定義為以模糊隨機變量表示的不確定條件屬性值。

ξ(ΔI%,ΔU%)=ui+σi;ΔI%,ΔU%=ωi

(3)

上式中，ui是電壓量和電流量的隸屬函數(shù)；σi是隨機誤差；ωi是由互感器等級決定的概率分布函數(shù)。對于配電系統(tǒng)故障的決策屬性，首先要考慮測量和保護裝置的誤差，其次再考慮發(fā)生故障的類型，約定如下6類常見的典型故障，包括單相接地、兩相、兩相對地、三相短路情況，以及單相或兩相斷路故障。

圖2 含DG的配電系統(tǒng)接線

當圖2所示配電系統(tǒng)正常運行時，各節(jié)點電壓與各支路電流關系如下:

(4)

當f點發(fā)生故障時，圖2所示配電網(wǎng)中各節(jié)點電壓與各支路電流關系為：

(5)

4 電網(wǎng)故障診斷分析實例

根據(jù)含分布電源的配電網(wǎng)的結構特點，對如圖3所示的IEEE30節(jié)點系統(tǒng)進行分析。在圖3的智能電

網(wǎng)配電系統(tǒng)中，共有30個電氣活動支路。除了線路末端負荷節(jié)點相連的支路外還有27個支路，即對應27個距離保護。由于均為主要支路，其線路參數(shù)是已知的，主電源點及DG點頻率和功率因數(shù)也可知。根據(jù)系統(tǒng)特點收入單重故障無裝置異動，單重故障但有裝置異動和雙重故障記錄在專家?guī)熘?，各條記錄的隸屬度函數(shù)通過訓練給出，最終得出構成系統(tǒng)的規(guī)則庫。

圖3 分布電源的電網(wǎng)結構圖

在所構建的系統(tǒng)中，各個節(jié)點的電流值是可測的，部分電壓值是可測的。以各個節(jié)點號命名，形式如I2，I7，…I30。故障類型的取值為:單相接地(a)、兩相(b)、兩相對地(c)、三相(d)等4種橫向故障以及單相(e)、兩相(f)斷路等2種縱向故障；故障區(qū)間即為網(wǎng)絡結構下的最小可辨識區(qū)間。根據(jù)大量歷史數(shù)據(jù)，建立初步的決策表。

取若干不同故障類型下的故障數(shù)據(jù)對訓練后的規(guī)則進行測試，部分結果如表1所示。其中fi-j表示故障區(qū)間，a-f表示其故障類型，表中數(shù)字分別為其對于該區(qū)間及故障類型的隸屬度。由表2可知，在測試情況下得到的診斷結果都較為準確地反映了真實情況，只是對于多重故障的情況下的診斷結果不理想，這是由于網(wǎng)絡本身各個節(jié)點的變化較多，導致正確率偏低。

表1 部分故障診斷測試實例

全部測試數(shù)據(jù)的診斷結果如表2所示，表中的診斷正確率定義為

(6)

其中，Card(x)為規(guī)則數(shù)目，λ為進入診斷結果的隸屬度閾值，ui為該規(guī)則診斷結果的隸屬度。

表2 不同故障類型診斷測試結果匯總 %

5 結 語

提出的基于模糊的故障診斷方法，不僅實現(xiàn)簡單、識別速度快，而且即使在故障信息不確定的情況下，通過利用模糊邏輯進行不確定關系的劃分。有效解決了配電系統(tǒng)監(jiān)測和保護裝置自身誤差情況下的故障模式情況，所提出的故障診斷原理不受配電系統(tǒng)結構模型的限制，具有較強的通用性和實用性。同時引入RBF神經(jīng)網(wǎng)絡學習算法對模糊隸屬度函數(shù)經(jīng)行優(yōu)化，為今后在線智能故障診斷技術研究提供了很好的借鑒。

[1]張鐵巖，孫秋野.模糊集理論及其電力行業(yè)應用[M].北京：機械工業(yè)出版社,2009.

[2]劉育明,周 湶，唐 捷,等.粗糙集理論提取配電網(wǎng)故障診斷規(guī)則的方法[J].高電壓技術,2006,(8):97-99.

[3]束洪春，孫向飛.司大軍基于粗糙集理論的配電網(wǎng)故障診斷[J].中國電機工程學報，2001,21(10)：73-77.

[4]衛(wèi)志農(nóng)，何 樺，鄭玉平.配電網(wǎng)故障區(qū)間定位的高級遺傳算法[J].中國電機工程學報，2002,22(4):127-130.

[5]孫雅明，廖志偉.基于不同RS與NN組合的數(shù)據(jù)挖掘配電網(wǎng)故障診斷模型[J].電力系統(tǒng)自動化，2003, 27(6):31-35.

[6]王英英，羅 毅，涂光瑜.基于貝葉斯公式的似然比形式的配電網(wǎng)故障定位方法[J].電力系統(tǒng)自動化，2005,29(19):54-57.

[7]梁 睿,王洋洋.基于直覺模糊集的單相接地故障綜合選線方法[J].電網(wǎng)技術,2011,35(11):228-234.

[8]楊國忠,吳碧容,辛少菲. 模糊理論在系統(tǒng)故障診斷中的應用[J].計算機與數(shù)字工程,2015,5:907-910.

[9]李延新，李光宇，李 文.基于RBF神經(jīng)網(wǎng)絡的隸屬度函數(shù)學習算法[J]. 大連交通大學學報,2007,28(2):34-37.

[10]張吉先,鐘秋海,戴亞平. RBF及模糊神經(jīng)網(wǎng)絡在旋轉機械故障診斷中的應用[J]. 系統(tǒng)仿真學報,2004,3:560-563.

[11]王海斌,邱家駒. 基于模糊集理論的配電網(wǎng)故障定位研究[J]. 浙江電力,1999,4:1-4.

[12]吳爭榮，王 鋼，李海鋒，等.計及逆變型分布式電源控制特性的配電網(wǎng)故障分析方法[J].電力系統(tǒng)自動化,2012,36(18):92-96.

[13]BARAN M E, EL-MARKABY I. Fault analysis on distribution feeders with distributed generators[J]. IEEE Trans on Power Systems,2005,20(4):1757-1764.

[14]MORREN J,HAANT S.W.H.Impact of distributed generation units with power electronic converters on distribution network protection[C]//Proceedings of the IET 9th International Conference on Developments in Power Systems Protection, March 17-20, 2008, Glasgow, UK:663-668.

[15]吳 磊,廖秋萍,呂 林,等. 含分布式發(fā)電配電網(wǎng)故障區(qū)間定位的新方法[J]. 電力系統(tǒng)及其自動化學報,2015,5:92-96.

[16]姜惠蘭,梁昭君,楊 維,等. 基于模糊邏輯的高壓輸電線路故障類型識別新方法[J]. 電工電能新技術,2004,1:60-63.

[17]胡 非,賀 攀,干 磊，等. 基于模型診斷在配電網(wǎng)故障診斷中的應用研究[J]. 四川電力技術,2014,4:86-91.

[18]孫秋野,張化光,黎 明. 基于不確定推理的粗糙集配網(wǎng)故障診斷方法研究[J]. 自然科學進展,2009,1:115-120.

[19]吳爭榮,王 鋼,李海鋒,等. 含分布式電源配電網(wǎng)的相間短路故障分析[J]. 中國電機工程學報,2013,1:130-136.

[20]孫秋野,張化光,李鐘旭,等. 數(shù)據(jù)驅(qū)動的不確定信息下智能電網(wǎng)故障診斷[C]//中國自動化學會智能自動化專業(yè)委員會2011年中國智能自動化學術會議論文集.中國自動化學會智能自動化專業(yè)委員會,2011.

(責任編輯 佟金鍇 校對 張 凱)

Study on the theory of fuzzy fault diagnosis for power distribution system

LIN Li-tang1，HAO Gang-gang2a,GUAN Huan-xin2b

(1.Center of Measurement,Panjin Power Suppyly Company,Panjin 124010; 2a.Institute of electric power;2b.College of Automation,Shenyang Institute of Engineering,Shenyang 110136，Liaoning Province)

On the basis of analyzing the distribution system with distributed generation fault information sources and characteristics, for the uncertain information of fault identification problem, this paper has taken the advantage of the superiority that fuzzy set theory is suitable for solving the problem with uncertainty information or uncertainty relationship, presents a fault diagnosis method based on fuzzy logic. The example analysis results have shown that the proposed method, constructing fuzzy membership function method based on RBF neural network optimization, can not only recognize fault types correctly, but also is not limited by the structure of the system model.Therefore,it has the generality and practicability providing a useful reference value for the fault diagnosis of power distribution system in the future.

Distributed power; Power distribution system; Fuzzy logic; RBF neural network

2015-05-15

林立堂(1967-),男,遼寧盤錦人,工程師。

10.13888/j.cnki.jsie(ns).2015.03.011

TM769

A

1673-1603(2015)03-0241-05