李小方，彭敏放，羅翊君，易志鵬，李凌劍

（1.湖南大學電氣與信息工程學院，長沙410082；2．國家電網(wǎng)湖南電力公司培訓中心電力營銷培訓分部，長沙410082）

變電站接地網(wǎng)的信息融合故障診斷

李小方1，彭敏放1，羅翊君2，易志鵬2，李凌劍2

（1.湖南大學電氣與信息工程學院，長沙410082；2．國家電網(wǎng)湖南電力公司培訓中心電力營銷培訓分部，長沙410082）

基于人工神經(jīng)網(wǎng)絡、小波變換及信息融合技術提出一種接地網(wǎng)斷裂故障診斷方法。該方法通過在直流激勵源下，采用人工神經(jīng)網(wǎng)絡的方法對地網(wǎng)的斷裂進行診斷；在高頻激勵源下，建立接地網(wǎng)的高頻模型，利用小波分析對地網(wǎng)的斷裂進行診斷。但是考慮到上述兩種故障診斷方法有其不確定性，為了提高變電站接地網(wǎng)導體故障診斷的可靠性，將上述兩種故障診斷的結果作為證據(jù)來源利用證據(jù)理論實現(xiàn)多種故障診斷方法的融合。最后給出了一個接地網(wǎng)故障診斷的實例，其仿真計算和診斷結果表明，與單一診斷方法相比，故障診斷的可靠性得到了明顯提高。

接地網(wǎng)；故障診斷；信息融合；證據(jù)理論；神經(jīng)網(wǎng)絡；小波分析

電力系統(tǒng)的接地網(wǎng)是維護電力系統(tǒng)安全可靠運行、保障運行人員和電氣設備安全的重要設施，但是由于接地網(wǎng)的腐蝕、斷裂等故障，引起或者擴大事故，帶來巨大的經(jīng)濟損失。為了考慮接地體周圍的土壤放電和同時兼顧接地導體之間的相互耦合作用，真實地反映接地網(wǎng)的實際運行環(huán)境，建立了考慮導體電感和電容的接地網(wǎng)高頻模型。對接地網(wǎng)進行故障診斷常用的方法有電網(wǎng)絡理論法[1-2]和電磁感應原理法[1，3]。目前這些故障診斷方法的準確性都受到各種不確定因素的影響，例如采用神經(jīng)網(wǎng)絡法時，由于接地引下線數(shù)目的限制，測試的數(shù)據(jù)不足導致其準確度受到影響；采用小波分析方法時，由于地網(wǎng)周圍的信號干擾和可測及點的數(shù)目的限制，導致其準確度受到影響。這些不確定因素使診斷結果模糊起來，可能出現(xiàn)各種診斷方法的診斷結果不一致，甚至相互矛盾的診斷。為了提高接地網(wǎng)故障診斷的準確性，將多種故障診斷方法結合起來進行綜合診斷[4-5]。在直流激勵作用下采用神經(jīng)網(wǎng)絡法對接地網(wǎng)進行故障診斷，在高頻激勵作用下采用小波分析法對地網(wǎng)進行故障診斷。將上述兩種方法的診斷結果作為證據(jù)理論的證據(jù)來源。

本文將神經(jīng)網(wǎng)絡法、小波分析法、信息融合、證據(jù)融合等有機結合起來，在已有的理論基礎之上，提出了基于信息融合的接地網(wǎng)故障診斷方法。

1 接地網(wǎng)的高頻激勵模型

為了更好地反映接地網(wǎng)的實際情況，考慮高頻交流激勵情況同時考慮導體的電感以及導體之間和土壤的電容效應，建立了高頻激勵作用下的接地網(wǎng)模型。其中任意一個接地分支導體的電氣參數(shù)有電阻R、電感L對地電導G和對地電容C，可用單位長度上的電阻R0、電導G0、電感L0和電容C0來表示[6]，它們分別可表示為

式中：l為接地體的長度；h為接地體埋深；r為接地體等效半徑；εr為土壤相對介電常數(shù)；ε0為真空相對介質；ρ為土壤電阻率；μ0為土壤的磁系數(shù)，單位均為國際標準單位。

將每一個接地分支導體用形等值電路來等效，其等效電路如圖1所示，在ATP-EMTP軟件中用π等值電路元件來等效代替每一個接地分支導體的單元結構。

本文建立的高頻模型的適用頻率范圍為10 kHz～100 kHz。當激勵源的頻率越大，感抗分量更為明顯。

圖1 π形等值電路Fig.1π-style equivalent circuit

2 兩種接地網(wǎng)故障診斷方法的原理

常見的接地網(wǎng)故障診斷方法有電網(wǎng)絡法、電磁感應法，上述診斷方法均是在接地網(wǎng)電阻模型上提出來的。為了更好地反映接地網(wǎng)的實際運行工作環(huán)境，本文建立了高頻激勵作用下的接地網(wǎng)模型。在高頻激勵下，會出現(xiàn)和低頻時不一樣的響應。此時接地網(wǎng)的電感效應會更好地反映出來，能更好地反映接地網(wǎng)的實際情況，接地網(wǎng)的故障診斷提供了更豐富的特征信息。在高頻激勵下的接地網(wǎng)模型下，利用小波分析法對接地網(wǎng)進行故障診斷。接地網(wǎng)故障診斷的示意如圖2所示[1-2，7]。

圖2 接地網(wǎng)故障診斷示意Fig.2Scheme of grounding grid on fault diagnosis

2.1 人工神經(jīng)網(wǎng)絡法的原理

電力系統(tǒng)接地網(wǎng)故障診斷是保障系統(tǒng)安全運行的重要設施。人工神經(jīng)網(wǎng)絡法主要是將人工智能技術運用到接地網(wǎng)故障診斷。其基本的原理是通過比較接地網(wǎng)可及測試點的電壓測量值與其無故障時的電壓計算值來判定接地網(wǎng)故障，再就是利用人工神經(jīng)網(wǎng)絡[8-9]實現(xiàn)智能故障定位。人工神經(jīng)網(wǎng)絡法診斷的思路：通過專家經(jīng)驗和大量實驗，歸結出具有典型特征的故障樣本，組織構造相應的神經(jīng)網(wǎng)絡，采用樣本集對網(wǎng)絡進行訓練，使得網(wǎng)絡通過學習，把樣本中的輸入和目標向量之間的對應關系記憶在網(wǎng)絡結構上，通過神經(jīng)網(wǎng)絡推理，可以對接地網(wǎng)故障進行診斷[1-3，7]。

2.2 小波分析法的原理

為了更好地反映接地網(wǎng)的實際運行環(huán)境，建立了接地網(wǎng)的高頻激勵模型。當接地網(wǎng)發(fā)生故障時，可及點的電壓波形會與正常時的電壓波形不一樣。根據(jù)這點可以利用小波分析來對接地網(wǎng)進行故障診斷。小波分析法是將小波變換運用到接地網(wǎng)故障診斷，其基本原理與診斷過程是：往地下引線向接地網(wǎng)注入較大的高頻電流源，在高頻激勵的作用下，接地網(wǎng)的導體的電感電容效應就會顯現(xiàn)出來，當接地網(wǎng)發(fā)生故障時，電感、電容和電阻值會發(fā)生變化從而導致接地網(wǎng)的可及點的電壓波形發(fā)生變化。利用小波包對采集到的節(jié)點電壓波形信號進行分解，分別提取每個信號最后一層從低頻到高頻的信號特征，得到各個頻段內的信號能量，接地網(wǎng)支路出現(xiàn)故障時會對各頻帶內的信號能量有較大的影響，可以選取能量突變的信號作為故障特征向量，根據(jù)能量信號變化對接地網(wǎng)的故障進行診斷[10]。

3 基于信息融合的地網(wǎng)故障診斷模型

為了更好地反映接地網(wǎng)的實際運行情況，為接地網(wǎng)的故障診斷提供更多的信息特征。故在接地網(wǎng)的接地引下線中加入高頻激勵電源，建立了接地網(wǎng)的高頻模型。在高頻激勵下的接地網(wǎng)，利用小波分析法來對接地網(wǎng)故障進行診斷；當接地網(wǎng)加入直流激勵源時，采用人工神經(jīng)網(wǎng)絡法對接地網(wǎng)故障進行診斷。但是每種診斷方法的原理不一樣，反映故障的側重點也不一樣，各自有自身的優(yōu)勢和側重點。從診斷學的角度來看，故障診斷是一個多源信息處理問題，由于故障的多樣性和復雜性，故障征兆的不確定性等[11-12]。采用單一方面的信息來反映其狀態(tài)是不完整的，只有從多方面關于同一對象的多維信息，并加以融合利用，才能對設備進行更可靠的診斷[13-14]。

本文提出了基于信息融合接地網(wǎng)故障診斷模型在對某一接地網(wǎng)進行故障診斷時，得出各自的特征數(shù)據(jù)，再根據(jù)信度函數(shù)的獲取方法求出對應的信度分配，最后根據(jù)一定的準則確定故障的類型。其信息融合故障診斷模型如圖3所示。

圖3 接地網(wǎng)的信息融合故障診斷模型Fig．3Fault diagnosis model of grounding network via information fusion

當在接地網(wǎng)的引下線接入直流激勵源時，將接地網(wǎng)看成純電阻模型。將可及節(jié)點的電壓值作為故障特征矢量，作為BP網(wǎng)絡的輸入量，對接地網(wǎng)的支路故障做出初步判斷。當在接地網(wǎng)的引下線接入高頻激勵時，建立接地網(wǎng)的高頻模型，將可及節(jié)點的電壓波形作為故障特征信號，利用小波分析對電壓波形進行分析，根據(jù)分析結果對接地網(wǎng)的支路故障做一個初步診斷。通過一級診斷對接地網(wǎng)的支路故障作出了兩個初步診斷結論，將初步診斷結論帶入決策層進行融合，進行第2次診斷。其中決策層與二級診斷主要是依靠證據(jù)理論的證據(jù)組合來實現(xiàn)。

4 DS證據(jù)理論

4.1 證據(jù)理論的數(shù)學描述

定義1設U為X的所有可能取值的一個論域集合，且所有在U內的元素間是互不相容的，則稱U為X的識別框架。

定義2設U為一識別框，U的冪集2U上的一個映m射：2U→[0，1]在滿足條件

定義3若A?U且m（A）＞0，則稱A為焦點元素。所有焦元的集合稱為核。

定義4設U為一個識別框架，m：2U→[0，1]是U上的可信度分配，定義函數(shù)為

定義5給定識別框U，稱1-Be（lA）為A的似然函數(shù)，記為p（lA），其中Be（lA）表示對A的懷疑程度，即Be（lA）表示確定不是A的程度。

則稱[Bel（A），pl（A）]為A的信任區(qū)間，信任區(qū)間刻畫了對A的信任程度的上下界限。

4.2 D-S證據(jù)理論組合規(guī)則

設F1和F2是兩種診斷方法，設Bel1和Bel2是同一識別框架U上的兩個信任函數(shù)，m1、m2分別是其對應的基本概率賦值[3，10]，焦元分別用A1，A2，…，AK和B1，B2，…，BK，又設

則有

式中：若Ki≠1，則m確定一個基本的概率賦值；若Ki=1，則m1、m2矛盾，不能對基本概率賦值進行組合。式（11）、（12）為證據(jù)組合規(guī)則的計算表達式。圖4為D-S信息融合故障診斷的示意。

圖4 D-S信息融合故障診斷Fig.4D-S informations fusion diagnosis

5 仿真計算

以圖5所示的接地網(wǎng)為例，其中長為84 m，寬為52 m，接地體的材料為扁平鋼，等值半徑r=3 mm，土壤電阻率ρ=300 Ω·m，土壤相對介電常數(shù)ε=6，并利用ATP-EMTP軟件來搭建此接地網(wǎng)的模型。接地網(wǎng)采用不等間距方式布置。

圖5 接地網(wǎng)的平面結構圖Fig.5Planar structure of grounding grid

5.1 人工神經(jīng)網(wǎng)絡法

利用人工神經(jīng)網(wǎng)絡法對接地網(wǎng)進行接地網(wǎng)故障診斷時，將接地網(wǎng)看成純電阻模型。施加的激勵源是直流激勵源。通過改變地網(wǎng)各段導體的電阻值來模擬接地網(wǎng)的故障，接地網(wǎng)的故障情況有輕度腐蝕、中度腐蝕、重度腐蝕和斷裂，在此只考慮地網(wǎng)的斷裂情況。利用ATP-EMTP軟件搭建的地網(wǎng)模型如圖6所示。在節(jié)點17施加10 A的直流激勵源，取節(jié)點3、8、14、23、35、47、58、69、77、80、90為可及節(jié)點，并假定{y3、y6、y7、y17、y19、y26、y34、y36}為故障支路集元件。以26支路故障為例，利用人工神經(jīng)網(wǎng)絡來進行智能故障定位。對接地網(wǎng)26支路進行故障識別的流程：故障特征電壓提取、運用BP神經(jīng)網(wǎng)絡實現(xiàn)接地網(wǎng)斷裂故障識別。當某支路發(fā)生故障時用1表示，正常用時用0表示。BP網(wǎng)絡對圖6所示的接地網(wǎng)故障診斷結果如表1所示。

圖6 接地網(wǎng)仿真模型（直流激勵源）Fig.6Model of simulated ground network（with DC source）

表1BP神經(jīng)網(wǎng)絡對接地網(wǎng)支路26故障診斷結果Tab.1BP neural network’s fault diagnosis results of grounding grid branch 26

從表1輸出值的第1列的輸出結果可以看出，接地網(wǎng)支路26發(fā)生了故障，人工神經(jīng)網(wǎng)絡能對接地網(wǎng)故障進行有效的識別。但是由于接地網(wǎng)的可及節(jié)點數(shù)目有限，提取接地網(wǎng)故障特征量有限，這樣會使人工神經(jīng)網(wǎng)絡的訓練樣本量有限，表1輸出值的第2行的輸出結果可以看出對接地網(wǎng)進行故障診斷時，診斷結果會出現(xiàn)不確定性。

5.2 小波分析法

為了更好地反映接地網(wǎng)真實的運行環(huán)境、豐富了接地網(wǎng)的故障診斷信息，建立了高頻激勵下的接地網(wǎng)模型，如圖7所示。在接地網(wǎng)的引下線接入高頻激勵，會使地網(wǎng)的導體產(chǎn)生電容和電感效應。當?shù)鼐W(wǎng)導體支路發(fā)生故障時，會使地網(wǎng)支路的電阻、電容、電感參數(shù)發(fā)生變化導致使可及節(jié)點的電壓波形發(fā)生變化。本文在搭建接地網(wǎng)的高頻模型時，采用的頻率為60 kHz。

圖7 接地網(wǎng)仿真模型（高頻激勵源）Fig.7Model of simulated ground network（with high frequency source）

現(xiàn)在假設地網(wǎng)的26支路發(fā)生斷裂，可以測得支路正常和故障時的可及節(jié)點的電壓波形分別如圖8和圖9所示。

圖8 正常Fig.8Normal condition

圖9 故障Fig.9Fault

5.3 基于信息融合的接地網(wǎng)故障診斷

現(xiàn)在按照圖4所示的接地網(wǎng)信息融合的故障診斷模型，對接地網(wǎng)的故障診斷將人工神經(jīng)網(wǎng)絡、小波分析結果的初步判斷，進行證據(jù)組合，并得到最終診斷結論。分別用F1、F2表示地網(wǎng)的兩種狀態(tài)：故障、正常，構成故障診斷識別框架U，用F表示框架U的不確定性。人工神經(jīng)網(wǎng)絡的判斷結果用基本概率賦值函數(shù)m1表示，可及節(jié)點電壓波形的小波分析結果用函數(shù)m2表示。

以圖6所示的地網(wǎng)的26支路的故障診斷為例。地網(wǎng)26支路的BP網(wǎng)絡輸出結果為[0.971 0 0.247 1 0.000 9]，初步診斷結果為地網(wǎng)26支路故障。增加可及節(jié)點的電壓波形的小波分析結果，進行決策層融合診斷。對BP網(wǎng)絡的輸出進行歸一化，結果為[0.692 8 0.306 5 0.000 7]得到地網(wǎng)26支路故障F1和地網(wǎng)26支路正常F2的基本概率賦值如表2所示。

表2 基本概率賦值Tab.2Basic probability assignment

現(xiàn)在根據(jù)證據(jù)理論對m1和m2進行證據(jù)組合，如表3所示，根據(jù)式（11）、（12）計算組合時的不一致因子K1=（0.245 2+0.069 3）=0.314 5，組合后形成新的證據(jù)用表3表示，根據(jù)表2和式（12），可獲得新證據(jù)m12對地網(wǎng)的26支路的F1和F2的基本概率賦值如表3所示。

表3m1和m2進行證據(jù)組合Tab.3Combinations of evidence with m1and m2

根據(jù)證據(jù)理論計算得出對人工神經(jīng)網(wǎng)絡法和小波分析法的診斷結果進行組合后得到的置信度分別為

通過證據(jù)組合，融合得到的結果可以看出地網(wǎng)26支路的故障診斷結果的置信度得到了極大的提高（由0.692 8提高到0.910 3），地網(wǎng)26支路故障的不確定性為0.000 1。使對地網(wǎng)26支路的診斷結論（故障）更加確定。由此可見，引入基于信息融合的地網(wǎng)故障模型后，故障診斷的可靠性得到了明顯提高。

6 結論

（1）本文建立了接地網(wǎng)的高頻模型，能更好地反映地網(wǎng)的實際運行環(huán)境。

（2）本文在直流激勵下采用人工神經(jīng)網(wǎng)絡法對地網(wǎng)進行故障診斷，在高頻激勵下用小波分析對地網(wǎng)進行故障診斷。一方面可以采用多種診斷手段對地網(wǎng)進行故障診斷，一方面可以有效地排除偽故障。

（3）本文將人工神經(jīng)網(wǎng)絡法、小波分析法、信息融合、證據(jù)理論等有機地結合起來，并能有效地運用到接地網(wǎng)的故障診斷。故障診斷的可靠性得到了明顯提高。

[1]張曉玲，黃青陽（Zhang Xiaoling，Huang Qingyang）.電力系統(tǒng)接地網(wǎng)故障診斷（Fault diagnosis of grounding grid of electric power plants and substations）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2002，14（1）：48-51.

[2]劉健，王樹奇，李志忠，等（Liu Jian，Wang Shuqi，Li Zhizhong，et al）.基于網(wǎng)絡拓撲分層約簡的接地網(wǎng)腐蝕故障診斷（Grounding grids corrosion diagnosis based on hierarchical simplification of network topology）[J].中國電機工程學報（Proceedings of the CSEE），2008，28（16）：122-128.

[3]陳立，彭敏放，苗文華（Chen Li，Peng Minfang，Miao Wenhua）.信息融合在接地網(wǎng)斷點診斷中的應用（Application of Information Fusion to Fault Diagnosis of the Breaking Points in Grounding Grids）[J].電力系統(tǒng)及其自動化學報（Proceedings of the CSU-EPSA），2010，22（5）：25-30.

[4]He Hao，Peng Minfang，Yi Zhipeng，et al.Grounding grid transient simulation and its application based on ATPEMTP[C]//Third International Conference on Digital Manufacturing and Automation，GuiLin，China，2012：454-457.

[5]Yang JianBo，Singh Madan G.Evidential reasoning approach for multiple-attribute decision making with uncertainty[J].IEEE Trans on Systems，Man and Cybernetics，1994，24（1）：1-18.

[6]項玲，胡敏強，鄭建勇（Xiang Ling，Hu Minqiang，Zheng Jianyong）.運用EMTP預測變電所接地網(wǎng)雷電暫態(tài)效應（EMTP in lightning transient simulation of substations grounding grid）[J].高電壓技術（High Voltage Engineering），2005，31（6）：69-72.

[7]朱大奇，于盛林（Zhu Daqi，Yu Shenglin）.基于D-S證據(jù)理論的數(shù)據(jù)融合算法及其在電路故障診斷中的應用（Data fusion algorithm based on D-S evidential theory and its application for circuit fault diagnosis）[J].電子學報（Acta Electronica Sinica），2002，30（2）：221-223.

[8]Yi Zhipeng，Peng Minfang，He Hao.Fault locating of grounding grids based on ant colony optimizing Elman neural network[C]//Third International Conference on Digital Manufacturing and Automation，GuiLin，China，2012：406-409.

[9]劉洋，崔翔，趙志斌，等（Liu Yang，Cui Xiang，Zhao Zhibin，et al）.基于電磁感應原理的變電站接地網(wǎng)腐蝕診斷方法（Method of corrosion diagnosis of substations’grounding grids based on electromagnetic induction theory）[J].中國電機工程學報（Proceedings of the CSEE），2009，29（4）：97-103.

[10]Carpenter G A，Martens S，Ogas O J.Self-organizing information fusion and hierarchical knowledge discovery：a new framework using ARTMAP neural networks[J].Neural Networks，2005，18（3）：287-295.

[11]Yang Jian-Bo，Singh Madan G.Evidential reasoning approach for multiple-attribute decision making with uncertainty[J].IEEE Trans on Systems，Man and Cybernetics，1994，24（1）：1-18.

[12]Zheng Rong，He Jinliang，Hu Jun，et al.The theory and implementation of corrosion diagnosis for grounding system[C]//IEEE Industry Applications Conference，Pittsburgh，USA，2002：1120-1126.

[13]Zhang Yinan，Sun Qingwei，Quan He，et al.Uncertain informationfusionwithrobustadaptive neural networks-fuzzy reasoning[J].Journal of Systems Engineering and Electronics，2006，17（3）：495-501.

[14]Liu Congli，Peng Minfang.A new approach for monitoring grounding grid of electrical power system[C]//8th International Conference on Electronic Measurement and Instruments，Xi'an，China，2007：419-422.

氣設備狀態(tài)監(jiān)測與故障診斷、工程電磁場數(shù)值計算與仿真、

配電網(wǎng)故障診斷等。Email：pengminfang@hun.edu.cn

羅翊君（1990—），男，碩士研究生，研究方向為電氣設備在

線監(jiān)測與故障診斷。Email：279310673@qq.com

Fault Diagnosis of Substation Grounding Grid Based on Information Fusion

LI Xiaofang1，PENG Minfang1，LUO Yijun2，YI Zhipeng2，LI Lingjian2
（1.College of Electrical and Information Engineering，Hunan University，Changsha 410082，China；2.Hunan Power Grid National Grid Training Center，Changsha 410082，China）

Based on artificial neural network，wavelet transform and information fusion technology，a fault diagnosis method of ground fracture is proposed.By this method，with the excitation source of DC，the method of artificial neural network is utilized to diagnosis the fault of grounding grid；with the excitation source of high frequency，a high frequency model of grounding gird is constructed and the method of wavelet analysis is used to diagnosis the fault of grounding grid.But considering the uncertainty of the above method grids of fault diagnosis in order to improve the reliability of the fault diagnosis of the grounding of substation，and the results of the two kinds of fault diagnosis as a source of evidence，the evidence theory is used to realize the fusion of multiple faults diagnosis methods.Finally，an instance of grounding grid fault diagnosis is illustrated，simulation calculation and diagnosis results indicate that compared with the single diagnosis method，it can improve the reliability of fault diagnosis obviously.

grounding grid；fault diagnosis；information fusion；evidence theory；neural network；wavelet analysis

TM862

A

1003-8930（2015）12-0036-06

10.3969/j.issn.1003-8930.2015.12.07

李小方（1990—）,男，碩士研究生，研究方向為電氣設備在

線監(jiān)測與故障診斷。Email：lixiaofangm@gmail.com

彭敏放(1964—)，女，博士，教授，博士生導師，研究方向為電

2013-12-24；

2014-08-14

國家自然科學基金資助項目（61173108，61272147，60973032）；湖南省自然科學基金重點資助項目（10JJ2045）