翁國(guó)慶，王　強(qiáng)，黃飛騰，宓巧巧，朱雙雙

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

?

配電網(wǎng)絡(luò)電壓暫降源自動(dòng)定位與智能識(shí)別

翁國(guó)慶，王強(qiáng)，黃飛騰，宓巧巧，朱雙雙

(浙江工業(yè)大學(xué) 信息工程學(xué)院，浙江 杭州 310023)

摘要：電壓暫降是配電網(wǎng)絡(luò)中最重要的電能質(zhì)量問(wèn)題之一．針對(duì)短路故障、電容器投切、沖擊負(fù)荷和變壓器啟動(dòng)引起的四種常見電壓暫降類型，分別搭建仿真模型分析其擾動(dòng)信號(hào)特征．采用擾動(dòng)功率和擾動(dòng)能量法實(shí)現(xiàn)其擾動(dòng)方向判定，并針對(duì)傳統(tǒng)的基于矩陣算法的暫降源自動(dòng)定位方案提出改進(jìn)措施．分別基于小波能量熵和自組織競(jìng)爭(zhēng)性神經(jīng)網(wǎng)絡(luò)進(jìn)行暫降擾動(dòng)信號(hào)的特征提取和分類訓(xùn)練，可實(shí)現(xiàn)多類型電壓暫降源的智能識(shí)別，算例分析驗(yàn)證了所提方法的實(shí)用性和有效性．

關(guān)鍵詞：電壓暫降；擾動(dòng)方向判定；自動(dòng)定位；智能識(shí)別；神經(jīng)網(wǎng)絡(luò)

電壓暫降是最重要的電能質(zhì)量指標(biāo)項(xiàng)之一，目前與其相關(guān)的投訴比重高達(dá)80%以上．實(shí)現(xiàn)電壓暫降源的準(zhǔn)確定位和智能識(shí)別對(duì)電能質(zhì)量故障診斷、檢測(cè)以及治理策略的制定非常必要，并有助于責(zé)任劃定和糾紛協(xié)調(diào)[1-2]．目前，關(guān)于電能質(zhì)量擾動(dòng)源定位的研究較少，大多處于理論探索和仿真階段．電壓—電流相量法依據(jù)暫降源位置不同電壓—電流的變化趨勢(shì)不同確定擾動(dòng)源方向[3]；基于有功電流的擾動(dòng)定位則是基于故障發(fā)生時(shí)刻監(jiān)測(cè)裝置處的有功電流方向不同來(lái)判定擾動(dòng)源方向[4]；由于大部分電壓暫降由故障引起，LIC等從電力系統(tǒng)保護(hù)角度，提出基于系統(tǒng)等效阻抗實(shí)部的符號(hào)暫降源定位的方法[5]；在S變換的基礎(chǔ)上，基于多分類支持向量機(jī)可實(shí)現(xiàn)電壓暫降源識(shí)別[6]；基于卡爾曼濾波暫降源分類算法，可有效分類出各事件引起的暫降源[7]，但實(shí)時(shí)性比較差．

針對(duì)4種分別由短路故障、電容器投切、沖擊負(fù)荷和變壓器啟動(dòng)引起的電壓暫降的擾動(dòng)特征，以及它們的暫降源定位和類型智能識(shí)別方法．在實(shí)現(xiàn)4種暫降類型仿真模型構(gòu)建的基礎(chǔ)上，采用擾動(dòng)功率與擾動(dòng)能量算法分別對(duì)其擾動(dòng)方向判定進(jìn)行分析，指出傳統(tǒng)基于矩陣算法的擾動(dòng)源定位算法存在的問(wèn)題并提出相應(yīng)的合理改進(jìn)措施；采用一種基于小波能量熵(WEE)和自組織競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)(SCNN)的多類型電壓暫降源智能識(shí)別方法．

1電壓暫降擾動(dòng)特征及起止時(shí)間定位

1.1　4種主要類型電壓暫降擾動(dòng)特征

實(shí)際配電網(wǎng)絡(luò)中，造成電壓暫降擾動(dòng)事件的原因有多種，其中最常見的4種為：各種短路故障；電容器組投切；沖擊負(fù)荷；變壓器啟動(dòng)時(shí)勵(lì)磁涌流．為比較這4種電壓暫降現(xiàn)象并獲得對(duì)應(yīng)的擾動(dòng)信號(hào)，可基于MATLAB/Simulink平臺(tái)分別搭建其電路仿真模型．仿真分析表明：不同原因引起的電壓暫降擾動(dòng)信號(hào)具有不同的特征，主要體現(xiàn)在電壓暫降幅值、三相幅值不對(duì)稱度、二次諧波含有率、電壓暫降幅值頻度等方面．圖1為4種不同類型電壓暫降擾動(dòng)信號(hào)的仿真波形．

圖1　4種不同類型電壓暫降擾動(dòng)波形Fig.1　Disturbance waveform of four kinds of voltage sags

經(jīng)過(guò)仿真分析，對(duì)4種不同電壓暫降擾動(dòng)信號(hào)特征進(jìn)行概括提煉，這些差異化特征是各類型電壓暫降源正確識(shí)別的基礎(chǔ)．短路故障引起電壓暫降擾動(dòng)信號(hào)特征：暫降程度遠(yuǎn)遠(yuǎn)大于其他原因引起的暫降程度；不同類型短路故障將產(chǎn)生不同的三相電壓暫降波形，在不對(duì)稱短路時(shí)三相不平衡度大；電壓波形的變化迅速．電容器組投切引起電壓暫降擾動(dòng)信號(hào)特征：含有較多的噪聲信號(hào)，且造成影響在暫降結(jié)束后仍將持續(xù)一段時(shí)間；暫降結(jié)束后，有時(shí)伴隨有電壓暫升現(xiàn)象．沖擊負(fù)荷引起電壓暫降擾動(dòng)信號(hào)特征：暫降程度較低；當(dāng)投入非三相沖擊負(fù)荷時(shí)，也可能具有不對(duì)稱性．變壓器啟動(dòng)引起電壓暫降擾動(dòng)信號(hào)特征：暫降波形含有大量諧波(通常為二次諧波)；暫降持續(xù)時(shí)間較其他類型更長(zhǎng)．

1.2　基于小波變換的電壓暫降時(shí)間定位

小波變換(Wavelet transform，WT)具有良好的時(shí)一頻局部化特性，可以聚焦到信號(hào)的任意細(xì)節(jié),從而很好地處理微弱或突變信號(hào)，特別適合于對(duì)非穩(wěn)態(tài)畸變波形問(wèn)題進(jìn)行分析．因此，在已經(jīng)得到了上述四種典型電壓暫降事件的電壓暫降波形的基礎(chǔ)上，采用多分辨小波變換方法來(lái)分析暫降信號(hào)的突變或暫態(tài)特征，從而實(shí)現(xiàn)擾動(dòng)信號(hào)的起止時(shí)刻精確定位．

離散小波變換(DWT)類似于濾波器，可將一個(gè)信號(hào)以小波分樹的形式多級(jí)分解為信號(hào)的近似值和細(xì)節(jié)值[8]．假定信號(hào)a0(n)為離散信號(hào)序列,被分解為

a1(n)=∑h(k-2n)a0(k)

(1)

式中：h(k-2n),g(k-2n)分別為實(shí)現(xiàn)小波分解樹的高通濾波器和低通濾波器；d1(n)為細(xì)節(jié)部分；a1(n)為信號(hào)部分，對(duì)后者繼續(xù)分解,經(jīng)多重分解結(jié)果形成了信號(hào)多分辨分析．

可編程實(shí)現(xiàn)電壓暫降信號(hào)的小波分析過(guò)程，然后把已構(gòu)建仿真模型中產(chǎn)生的各類型電壓暫降擾動(dòng)信號(hào)數(shù)據(jù)導(dǎo)入小波分析程序，實(shí)現(xiàn)各電壓暫降擾動(dòng)信號(hào)的多級(jí)分解．通過(guò)讀取小波分解之后的多層細(xì)節(jié)信號(hào)找出暫降擾動(dòng)信號(hào)的奇異點(diǎn)，即可實(shí)現(xiàn)電壓暫降波形信號(hào)的時(shí)間精確定位．圖2為短路故障引起的電壓暫降擾動(dòng)信號(hào)的小波多級(jí)分解結(jié)果．

圖2　電壓暫降擾動(dòng)信號(hào)的小波多級(jí)分解Fig.2　Wavelet multi-level decomposition of disturbance signal of voltage sag

圖2中分別依次顯示了原始信號(hào)波形，第3層到第1層細(xì)節(jié)信號(hào)．從圖2中可以看出：小波分析的結(jié)果非常理想，從第d1層細(xì)節(jié)信號(hào)中已經(jīng)可以看出信號(hào)的奇異點(diǎn)，信號(hào)的奇異點(diǎn)非常明顯，表現(xiàn)為豎直線段．直觀上看，信號(hào)的奇異點(diǎn)在0.2s和0.3s的時(shí)刻，這和所設(shè)置的電壓暫降發(fā)生時(shí)間吻合．

2暫降源擾動(dòng)方向判定與自動(dòng)定位

2.1　基于擾動(dòng)功率與擾動(dòng)能量法的方向判定

擾動(dòng)方向的有效判定是電壓暫降源定位的關(guān)鍵前提．對(duì)應(yīng)某個(gè)電能質(zhì)量監(jiān)測(cè)裝置(Powerqualitymonitor,PQM)，從監(jiān)測(cè)點(diǎn)的位置來(lái)看，并以系統(tǒng)基頻有功功率的流向作為參考方向，可將整個(gè)網(wǎng)絡(luò)區(qū)域劃分為擾動(dòng)前向區(qū)域與擾動(dòng)后向區(qū)域，如圖3所示．

圖3　擾動(dòng)前向、后向區(qū)域劃分Fig.3　Division of disturbance area

采用基于擾動(dòng)功率與擾動(dòng)能量法進(jìn)行各類型暫降擾動(dòng)的方向判定．該方法的基本原理是，使用暫降過(guò)程中的擾動(dòng)功率和擾動(dòng)能量來(lái)確定電壓暫降源與PQM的相對(duì)位置關(guān)系．基于暫降擾動(dòng)造成瞬時(shí)功率的變化，擾動(dòng)功率DP(t)和擾動(dòng)能量DE(T)可定義[9]為

DP(t)=Ps(t)-Pd(t)

(2)

(3)

式中：Ps(t)為t時(shí)刻暫降擾動(dòng)期間的三相有功功率；Pd(t)為t時(shí)刻暫降擾動(dòng)發(fā)生之前的穩(wěn)態(tài)三相有功功率．

以一個(gè)11kV，50Hz的電壓源通過(guò)配電線路向一個(gè)額定頻率為50Hz，額定電壓為10.5kV，額定功率為10kW，200Var的負(fù)荷供電系統(tǒng)為例，構(gòu)建電壓暫降仿真模型．更改相關(guān)模型和參數(shù)依次仿真，并運(yùn)用擾動(dòng)功率與擾動(dòng)能量法可獲得其各自的監(jiān)測(cè)點(diǎn)前向區(qū)域與后向區(qū)域的DP(t)與DE(T)的波形，如圖4所示．

圖4　各類模型中前、后向區(qū)域暫降擾動(dòng)時(shí)的DP與DEFig.4　DP and DE of various models in the forward and afterward area when occurred voltage sag

采用的暫降源方向判定規(guī)則是：擾動(dòng)功率波形第一個(gè)峰值和擾動(dòng)能量最終值均為正，則擾動(dòng)源位于監(jiān)測(cè)點(diǎn)后向區(qū)域；相反，兩者均為負(fù)，則擾動(dòng)源位于監(jiān)測(cè)點(diǎn)前向區(qū)域．經(jīng)過(guò)觀察判斷，該判定規(guī)則適用于圖3中暫降事件發(fā)生時(shí)的擾動(dòng)前后向區(qū)域判斷．

2.2　暫降源自動(dòng)定位及方案改進(jìn)

上述基于單測(cè)點(diǎn)的暫降擾動(dòng)方向判定僅能夠判別出配電網(wǎng)絡(luò)中發(fā)生擾動(dòng)時(shí)暫降源的前向、后向大致方向，并未實(shí)現(xiàn)擾動(dòng)源的精確定位．未來(lái)智能配電網(wǎng)中，基于網(wǎng)絡(luò)化電能質(zhì)量監(jiān)測(cè)與分析系統(tǒng)強(qiáng)大的信息匯集與融合能力，電壓暫降源的自動(dòng)精確定位程成為可能．

基于配電網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)信息、布置的各PQM位置信息和暫降事件發(fā)生時(shí)各PQM的擾動(dòng)方向判定信息，利用有根樹和特征矩陣法可部分實(shí)現(xiàn)輻射狀配電網(wǎng)絡(luò)中的暫降源的自動(dòng)定位[10]，其具體流程如圖5中實(shí)線框部分所示．圖5中，覆蓋矩陣用以表征配電網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)及其中PQM布置信息，方向矩陣表征配電網(wǎng)絡(luò)中任意點(diǎn)發(fā)生電能質(zhì)量事件時(shí)布置于網(wǎng)絡(luò)的各PQM的擾動(dòng)方向判定結(jié)果，然后基于矩陣乘運(yùn)算得到的定位結(jié)果矩陣，利用其包含的信息可部分實(shí)現(xiàn)電能質(zhì)量事件源的自動(dòng)定位．

圖5　擾動(dòng)源精確定位Fig.5　Pinpoint location of disturbance source

在智能配電網(wǎng)背景下，該算法存在諸多不足，多種情況下該方案可能會(huì)導(dǎo)致擾動(dòng)源定位結(jié)果存在模糊項(xiàng)甚至出現(xiàn)誤判．例如不同的擾動(dòng)，擾動(dòng)特征不盡相同，即使同一類擾動(dòng)也有強(qiáng)弱之分，并且在各測(cè)點(diǎn)的分布也不一樣，加上負(fù)荷波動(dòng)、隨機(jī)干擾、DG引入等不確定因素也會(huì)導(dǎo)致誤判．圖5中虛線框部分是針對(duì)所提問(wèn)題，為使暫降源定位方案具有更高的可靠性和更好的適應(yīng)性而相應(yīng)提出的三項(xiàng)改進(jìn)措施：

1) 網(wǎng)絡(luò)化電能質(zhì)量監(jiān)測(cè)與分析系統(tǒng)中，期望在每個(gè)電網(wǎng)節(jié)點(diǎn)都布置PQM是不現(xiàn)實(shí)，也是不必要的，但這可能給上述基于矩陣算法的暫降源自動(dòng)定位結(jié)果中引入模糊項(xiàng)．可以基于電力系統(tǒng)狀態(tài)估計(jì)原理，使得擾動(dòng)發(fā)生時(shí)部分未布置實(shí)際PQM節(jié)點(diǎn)的關(guān)鍵狀態(tài)量可通過(guò)計(jì)算得出，視作在該類節(jié)點(diǎn)也布置了相應(yīng)的“虛擬PQM”并對(duì)傳統(tǒng)的矩陣算法進(jìn)行擴(kuò)展，從而消除原定位算法中的可疑模糊項(xiàng)，實(shí)現(xiàn)暫降源的精確定位．

2) 現(xiàn)有的擾動(dòng)定位算法主要針對(duì)單電源輻射式配電網(wǎng)，未來(lái)智能配電網(wǎng)中越來(lái)越多的可再生分布式電源(Distribute generation, DG)接入，將會(huì)對(duì)原配電網(wǎng)節(jié)點(diǎn)電壓、功率和電能質(zhì)量等產(chǎn)生較大影響，使得原擾動(dòng)定位方法無(wú)法精確定位或誤判．需要在原矩陣算法中進(jìn)行相應(yīng)調(diào)整，在特征矩陣元素值定義中充分考慮DG群接入后引起的潮流功率方向變化情況，避免由此引起的誤判．

3) 現(xiàn)有定位算法過(guò)于依賴監(jiān)測(cè)點(diǎn)的方向判定結(jié)果的正確性(采用+1，-1值絕對(duì)化描述擾動(dòng)方向判別結(jié)果)，無(wú)法表征各PQM判別結(jié)果的可靠性程度，無(wú)法解決個(gè)別PQM判別錯(cuò)誤即可能導(dǎo)致定位偏差的難題，而實(shí)際上擾動(dòng)事件監(jiān)測(cè)數(shù)據(jù)受到信號(hào)強(qiáng)弱、距離位置、高斯噪聲和監(jiān)測(cè)誤差等諸多因素影響．可以引入可信度概念，描述上述因素不同情景下的對(duì)判別結(jié)果“可信度”的影響機(jī)理，使方向判定結(jié)果帶有“量化可信度”質(zhì)量標(biāo)簽，并通過(guò)評(píng)價(jià)函數(shù)優(yōu)化求解實(shí)現(xiàn)在部分PQM擾動(dòng)信息不可靠情況下的擾動(dòng)源自動(dòng)、精確定位．

3電壓暫降源智能識(shí)別

除實(shí)現(xiàn)擾動(dòng)方向判別與自動(dòng)定位，電壓暫降源的智能識(shí)別也具有重要意義．在暫降擾動(dòng)源候選集合比較明確的較小區(qū)域電網(wǎng)中，綜合利用模式識(shí)別與智能分類技術(shù)，直接通過(guò)提取擾動(dòng)特征、分類器訓(xùn)練進(jìn)行定位決策成為可能．采用WEE和SCNN進(jìn)行暫降源的智能識(shí)別．

3.1　小波能量熵(WEE)

假設(shè)信號(hào)x(n)經(jīng)過(guò)小波分解之后，在第i分解尺度的高頻分量系數(shù)是di，低頻分量系數(shù)為Di和Ai．那么原始信號(hào)序列x(n)在m尺度上面就可以表示為各個(gè)分量疊加，即

(4)

電壓暫降信號(hào)的小波熵特征可由小波能譜熵和系數(shù)熵構(gòu)成，其定義分別如下：

WEE=-∑ipilnpi

(5)

2) 小波系數(shù)熵．對(duì)信號(hào)x(n)進(jìn)行小波多分辨率分解得到各尺度上的小波分解序列，定義其劃分的測(cè)度為

(6)

其中：dj(i)為尺度j小波分解細(xì)節(jié)系數(shù)；N為信號(hào)長(zhǎng)度．根據(jù)信息熵的基本理論，定義WCE為

(7)

4種電壓暫降源具有不同的小波能量熵，綜合反映了不同暫降波形的特征指標(biāo)．小波系數(shù)熵反映了原始信號(hào)在各分解尺度上能量分布的不確定度．

3.2　自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)(SCNN)

SCNN結(jié)構(gòu)屬于層次性網(wǎng)絡(luò)，具有輸入層、競(jìng)爭(zhēng)層和輸出層．通過(guò)檢測(cè)其輸入樣本與訓(xùn)練樣本相互之間的關(guān)系，根據(jù)輸入樣本的信息自適應(yīng)調(diào)節(jié)網(wǎng)絡(luò)，使得輸出響應(yīng)與輸入樣本相適應(yīng)．輸入層負(fù)責(zé)接收外界的信息并且把輸入模式向競(jìng)爭(zhēng)層傳遞．競(jìng)爭(zhēng)層主要負(fù)責(zé)對(duì)該模式進(jìn)行分析和比較，找出可以正確歸類的規(guī)律．輸出層神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本數(shù)據(jù)的種類個(gè)數(shù)，每個(gè)神經(jīng)元遵循勝者為王的競(jìng)爭(zhēng)學(xué)習(xí)算法規(guī)定(獲勝神經(jīng)元輸出為1，反之為0)．

學(xué)習(xí)矢量化法(Learning vector quantization, LVQ)是SCNN眾多模式分類算法中的一種，具有網(wǎng)絡(luò)用戶指定目標(biāo)分類結(jié)果，通過(guò)監(jiān)督學(xué)習(xí)，完成對(duì)輸入向量模式的準(zhǔn)確分類的特點(diǎn)[11]．在電壓暫降源樣本數(shù)據(jù)類別已知的情況下，應(yīng)用LVQ算法可根據(jù)電壓暫降源樣本數(shù)據(jù)的特性，進(jìn)行獎(jiǎng)勵(lì)和懲罰的迭代學(xué)習(xí)，實(shí)現(xiàn)多類型電壓暫降源的智能識(shí)別．

3.3　電壓暫降訓(xùn)練樣本提取

為使構(gòu)建SCNN的訓(xùn)練更具效果，選取的訓(xùn)練樣本一定要具有代表性和廣泛性．在上述四種電壓暫降Simulink仿真模型中，分別修改一些關(guān)鍵的模型仿真參數(shù)，每種暫降模型都可獲得多組

仿真結(jié)果波形在原有的對(duì)仿真暫降信號(hào)的小波分析程序中，加入用以計(jì)算小波能量熵的程序?qū)γ看涡薷膮?shù)后的模型重新計(jì)算并記錄其逼近信號(hào)和各層細(xì)節(jié)信號(hào)的小波能量熵．將每組仿真參數(shù)對(duì)應(yīng)的結(jié)果作為一組樣本數(shù)據(jù)．每個(gè)樣本都有8個(gè)數(shù)據(jù)，它們分別是逼近信號(hào)的小波能量熵Ea、第一層至第七層細(xì)節(jié)信號(hào)的小波能量熵Ed1~Ed7．

觀察所獲得的數(shù)據(jù)，發(fā)現(xiàn)不同參數(shù)下對(duì)應(yīng)的各組數(shù)據(jù)中，Ea和Ed7之間相差比較大，而Ed1~Ed6雖有一些差別但其差別程度和方式基本一樣．因此，只需在除Ea和Ed7之外的6個(gè)小波能量熵?cái)?shù)據(jù)中取一個(gè)代表性數(shù)據(jù)即可．

4算例仿真

以短路故障引起的電壓暫降事件為例進(jìn)行分析．對(duì)小波分析結(jié)果信號(hào)的WEE可能存在影響的因素有：電壓等級(jí)、上下游線路阻抗之比、暫降起止時(shí)刻對(duì)應(yīng)的電壓相位、短路故障類型．

選擇兩種電壓等級(jí)(11 kV，22 kV)進(jìn)行仿真，其他參數(shù)如下：

1) 上下游線路阻抗比值分別為1∶1和1∶2．

2) 上述4種影響因素故障起止時(shí)刻分別為0.2~0.31 s，0.21~0.3 s，0.2~0.3 s以及0.21~0.31 s．

將以上不同情景下的仿真參數(shù)進(jìn)行排列組合，針對(duì)各種情況均進(jìn)行仿真，并求出每次仿真后的WEE數(shù)據(jù)得到27組數(shù)據(jù)，如表1所示．

表1　各種情況下短路故障引起暫降的訓(xùn)練樣本

獲得訓(xùn)練樣本后，需進(jìn)一步基于LVQ算法對(duì)所構(gòu)建的SCNN進(jìn)行訓(xùn)練．為驗(yàn)證訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對(duì)電壓暫降源識(shí)別的效果，需要獲得測(cè)試樣本對(duì)其進(jìn)行測(cè)試．測(cè)試樣本和訓(xùn)練樣本的選取原理基本一致，但需注意：測(cè)試樣本仍然需要廣泛性和代表性；測(cè)試樣本不能是訓(xùn)練樣本中的數(shù)據(jù)，否則不能驗(yàn)證識(shí)別的正確性．

選取不同情景下10組仿真數(shù)據(jù)作為測(cè)試樣本，其對(duì)應(yīng)的仿真參數(shù)情況和數(shù)據(jù)結(jié)果如表2所示．

表2　各種情況下短路故障引起暫降的測(cè)試樣本

從表3中可以看出：對(duì)于第2，3，4三種暫降類型，暫降源的正確識(shí)別率達(dá)到100%，所構(gòu)建的智能識(shí)別模型非常有效(事實(shí)上，真正實(shí)際中識(shí)別器不可能達(dá)到100%，這里可能是因訓(xùn)練樣本和測(cè)試樣本數(shù)據(jù)過(guò)少造成)．但是，對(duì)于第1種暫降類型，70%的正確識(shí)別率不是很理想．其原因很可能是因短路故障本身就有很多類型，而各種短路故障引起的暫降效果和擾動(dòng)信號(hào)特征差異性較大．一方面，算例中采用的訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)可能未能很好地覆蓋各種不同情景；另一方面，多類型、差異化大的復(fù)雜情況本身必然大大提高智能分類器的識(shí)別難度．

表3　4種類型電壓暫降源智能識(shí)別效果

5結(jié)論

從電壓暫降源準(zhǔn)確定位和多類型智能識(shí)別角度進(jìn)行研究，建立常見的由短路故障、電容器投切、沖擊負(fù)荷和變壓器啟動(dòng)引起的4種電壓暫降仿真模型，并提取分析了各種情景下的暫降擾動(dòng)數(shù)據(jù)及波形特征．采用擾動(dòng)功率和擾動(dòng)能量法進(jìn)行擾動(dòng)方向的判定，并對(duì)基于矩陣算法的暫降擾動(dòng)源定位算法進(jìn)行改進(jìn)，使其具有更高的可靠性和更好的適應(yīng)性．實(shí)現(xiàn)了基于小波能量熵和自適應(yīng)競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)的多類型電壓暫降源的智能識(shí)別，并基于算例分析驗(yàn)證了所提方法具有較好的智能識(shí)別特性．

參考文獻(xiàn)：

[1]王克星，宋政湘，陳德桂，等．基于小波變換的配電網(wǎng)電壓暫降的干擾源辨識(shí)[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2003，23(6)：29-34．

[2]翁國(guó)慶，張有兵，曹一家．基于配電線載波通信的電能質(zhì)量擾動(dòng)源自動(dòng)定位方法的研究[J]．浙江工業(yè)大學(xué)學(xué)報(bào)，2010，38(2)：162-167．

[3]RODNEY H G, TAN V K. RAMACHANDARAMURTHY. Power quality event source directivity detection based on V-I scatter graph[C]//IEEE 15th International Conference. China: IEEE，2012：758-762．

[4]WANG Chengshan, WANG Jidong. Locating the source of capacitor switching disturbances based on wavelet transform[C]//Conference on Convergent Technlogise for the Asia-Pacific Region. Pennsylvania: IEEE，2003：998-1001．

[5]LI C, TAYJASANANT T, XU W, et al. Method for voltage-sag-source detection by investigating slope of the system trajectory[J]. IEEE proceedings on center,tansform and distrib，2003，150(3)：367-372．

[6]呂干云，方奇品，蔡秀珊． 基于多分類支持向量機(jī)的電壓暫降源識(shí)別[J]. 電力系統(tǒng)保護(hù)與控制，2010，38(22):151-155．

[7]翁國(guó)慶．網(wǎng)絡(luò)化電能質(zhì)量監(jiān)測(cè)系統(tǒng)若干關(guān)鍵技術(shù)研究[D]．杭州：浙江工業(yè)大學(xué)，2010．

[8]張凱，關(guān)根志，張海龍．用小波變換和瞬時(shí)功率定位電能質(zhì)量擾動(dòng)源[J]．高壓電技術(shù)，2008，34(3)：573-578．

[9]張文濤，王成山．基于改進(jìn)擾動(dòng)功率和能量法的暫態(tài)擾動(dòng)定位[J]．電力系統(tǒng)自動(dòng)化，2007，31(8)：32-35．

[10]翁國(guó)慶，張有兵，王晶．基于鏈表和矩陣算法的電能質(zhì)量擾動(dòng)源自動(dòng)定位[J]．電力自動(dòng)化設(shè)備，2011，31(10)：12-17．

[11]賈勇，何正友，趙靜．基于小波熵和概率神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)電壓暫降源識(shí)別方法[J]．電網(wǎng)技術(shù)，2009，33(16)：63-70．

(責(zé)任編輯：劉巖)

Automatic location and intelligent recognition of voltage sag source in distribution network

WENG Guoqing, WANG Qiang, HUANG Feiteng, MI Qiaoqiao, ZHU Shuangshuang

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Abstract:Voltage sag is one of the most important power quality problems. The simulation models of four kinds of voltage sags are built respectively,which are caused by short-circuit fault, capacitor switching, impact load and starting transformer, and the characteristics of those disturbance signals are analyzed. The disturbance direction judgment algorithm based on disturbed power and disturbed energy is adopted to judge the disturbance direction. The existing automatic location scheme based on the matrix algorithm is improved. The features of sag disturbance signals are extracted and classified training based on the wavelet energy entropy and the self-organizing competitive neural network. By this way, multi-type voltage sag sources can be identified intelligently. The case verifies the practicability and validity of the proposed method.

Keywords:voltage sag; disturbance direction judgment; automatic location; intelligent identification

中圖分類號(hào)：TM993.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1006-4303(2016)01-0045-07

作者簡(jiǎn)介：翁國(guó)慶(1977—)，男，浙江龍游人，副教授，碩士生導(dǎo)師，主要從事電能質(zhì)量監(jiān)控、分布式發(fā)電、智能電網(wǎng)等方面的研究，E-mail:wgq@zjut.edu.cn.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(51207139)；國(guó)家留學(xué)基金資助項(xiàng)目(201408330220)；浙江省教育廳科研項(xiàng)目(Y201431752)

收稿日期：2015-07-07