劉洋，張剛，劉睿潔，王源，譚雅嵐，，李石，何小軍，陳波

（1.西安理工大學，陜西西安 710048；2.國網(wǎng)渭南供電公司，陜西渭南 714000；3.國網(wǎng)漢中供電公司，陜西漢中 723000）

330KV變電站過電壓仿真分析及分類識別

劉洋1，2，張剛1，劉睿潔2，王源3，譚雅嵐1，3，李石3，何小軍3，陳波3

（1.西安理工大學，陜西西安 710048；2.國網(wǎng)渭南供電公司，陜西渭南 714000；3.國網(wǎng)漢中供電公司，陜西漢中 723000）

隨著電網(wǎng)的不斷擴展，電力系統(tǒng)過電壓對輸電線路和電氣設備造成的危害日益嚴重，研究電網(wǎng)過電壓信號對有效遏制過電壓和完善系統(tǒng)絕緣具有關鍵意義。以某330 kV變電站為例，基于ATP-EMTP構建過電壓仿真模型，取得單相接地、空載變壓器合閘、電容器組合閘、空載線路合閘、直擊雷以及感應雷6種典型過電壓波形；然后采用時域與小波分析法提取電壓有效值、陡度、小波能量等14個具有良好差異性的特征量；構造了基于SVM的過電壓種類識別結構，用以對過電壓特征量在每層SVM中進行選擇。仿真計算結果表明，上述6種過電壓平均識別率為87.9%，識別速率約1 s。該方法識別精確率高，運行速度快，可滿足對電網(wǎng)過電壓自動識別的工程要求。

過電壓，ATP-EMTP，時域分析，小波分析，SVM，分類識別

電網(wǎng)發(fā)生故障或擾動時產生的過電壓會導致電氣設備絕緣弱點的擊穿甚至設備毀壞。國內外現(xiàn)有的過電壓在線監(jiān)測裝置對過電壓種類還不能有效識別，主要依靠工作人員根據(jù)數(shù)據(jù)信息及工作經驗主觀判斷過電壓類別，這不僅會因人的主觀性導致過電壓類別判斷錯誤，而且會因過電壓數(shù)據(jù)龐大而耗時耗力[1-2]。因而，研究系統(tǒng)過電壓發(fā)生原理，對過電壓進行有效識別具有重要工程實際意義。

當前過電壓分析方法有時域分析[3]、頻域分析[4]、小波變換[5]、Hilbert-Huang變換[6]等，識別方法有人工神經網(wǎng)絡[7]、模糊數(shù)學[8]、S變換[9]、SVM[10]等。文獻[10]采取最小二乘SVM與多級SVM對雷電及操作過電壓辨識；文獻[11]聯(lián)合小波多分辨率概念和信息熵原理，采取小波多分辨率能量分布和分段能量熵提取過電壓特性值；文獻[12]計算三相電壓和零序電壓波形的時域特性與小波特性來實現(xiàn)5種過電壓辨識；文獻[13]利用時域、頻域和小波域特征對實測過電壓信號進行構建分類識別樹。

上述文獻從多角度對過電壓信號進行分析，為電網(wǎng)過電壓分類和工程實際應用提供了重要參考價值。但考慮實測波形難以獲取，波形復雜，筆者利用ATP-EMTP電磁暫態(tài)程序搭建330 kV變電站仿真模型以得到不同類型的過電壓波形，采取時域分析和小波分析的方法提取過電壓特征量，并將這些特征量寫入由SVM構建的分類識別結構中，實現(xiàn)快速準確識別。

1 基于ATP-EMTP的330 kV變電站過電壓波形仿真

1.1 330 kV變電站仿真模型

本文依據(jù)某330 kV變電站現(xiàn)場實際搭建仿真模型，該站一次主接線圖如圖1所示。330kV母線采取雙母線接線方式，兩條進線；兩臺變壓器并列運行，容量均為200 MV·A；330 kV和110 kV側為形連接，10 kV側為形連接；110 kV側采取單母分段接線方式，Ⅰ、Ⅱ母各帶4條出線；10 kV側采取單母線接線方式，分別連接電容器組和站用變等電氣設備。接線圖中兩條330 kV進線與八條110 kV出線均為架空線路。

為獲取該變電站電壓數(shù)據(jù)，于監(jiān)測位置設測壓裝置監(jiān)測電壓波形。本文選取3個監(jiān)測點，各監(jiān)測點如圖1所示。根據(jù)變電站現(xiàn)場各電氣設備實際參數(shù)，結合ATP中各設備模型，搭建該330 kV變電站ATPEMTP模型[14-15]，如圖2所示。

圖1 330 kV變電站主接線簡圖Fig.1 Main wiring diagram of 330kV substation

圖2 330 kV變電站ATP-EMTP仿真模型Fig.2 Simulation model of ATP-EMTP for 330kV substation

1.2 過電壓仿真與波形分析

本文主要對操作過電壓（電容器組合閘、空載線路合閘、空載變壓器合閘），暫態(tài)過電壓（單相接地）及雷電過電壓（直擊雷、感應雷）等6種典型電網(wǎng)過電壓進行仿真分析。

1）單相接地過電壓。在不對稱短路故障中以單相接地最為多見，尤以中性點有效接地系統(tǒng)出現(xiàn)概率最大[16]。本文不考慮保護跳閘，模擬了330 kV 2號進線B相發(fā)生金屬性接地時3號測量點的電壓波形，時長60 ms，如圖3所示。其特點為發(fā)生接地后，接地相電壓值下降，未接地相電壓值抬升。

2）空載變壓器合閘過電壓。模擬了1號空載變壓器加運時1號監(jiān)測點的電壓波形，如圖4所示。其特點為開關閉合前后，電壓幅值差異較大，三相電壓由零變?yōu)檎９ゎl電壓。

3）電容器組合閘過電壓。該變電站10 kVⅠ、Ⅱ母均連接了電容器組，模擬了加運1號電容器組時2號電壓監(jiān)測點處的電壓波形，如圖5所示。當斷路器投切時產生高頻振蕩，并伴有多個周期的低頻振蕩，其過電壓幅值較大，持續(xù)時間較短。

圖3 單相接地過電壓波形Fig.3 Waveform of the single-phase grounding overvoltage

圖4 空載變壓器合閘過電壓波形Fig.4 Waveform of the no-load transformer closing overvoltage

圖5 電容器組合閘過電壓波形Fig.5 Waveform of capacitor banks closing overvoltage

4）空載線路合閘過電壓。對330 kV1號進線末端開路實現(xiàn)線路空載，于10 ms時合上開關，1號測量點采集的電壓波形如圖6所示。其特點為合上開關后出現(xiàn)高頻振蕩，過電壓幅值較大，持續(xù)時間久。

5）直擊雷過電壓。圖7模擬了雷電擊中330 kV輸電導線C相形成的1號監(jiān)測點過電壓波形。發(fā)生直擊雷時，A、B相感應到波形一致但極性相反的信號，幅度相比C相小。其特點為振蕩頻率高，維持時間短。

6）感應雷過電壓。圖8模擬了330 kV進線周圍產生雷擊時A、B、C三相感應出的電壓波形。當負極性雷擊中地面后，三相電壓均感應出相反極性的波形，出現(xiàn)更高幅度過電壓。與直擊雷比較，其A、B、C三相波形十分相近。

圖6 空載線路合閘過電壓波形Fig.6 Waveform of no-load line closing overvoltage

圖7 直擊雷過電壓波形及局部放大圖Fig.7 Waveform of direct lighting overvoltage and partial enlarged view

圖8 感應雷過電壓波形Fig.8 Waveform of induced lightning overvoltage

2 過電壓特征量提取

根據(jù)波形持續(xù)時間，將100 ms劃為3個時間段，xf表示觸發(fā)前階段0～10 ms；tn表示觸發(fā)后至過電壓波形趨于穩(wěn)定的過渡階段10～20 ms；tb表示觸發(fā)后過電壓波形達到穩(wěn)定階段20～100 ms[17]。為便于分析計算，將三相電壓歸一化到[-1，1]區(qū)間。

2.1 基于時域分析法的過電壓特征量提取

采用時域分析法進行提取過電壓特征量，是從不同種類過電壓波形的直觀特性出發(fā)，選取表征不同波形差異的特征量[3]。

1）單相接地過電壓。接地出現(xiàn)后，接地相電壓下降，非接地相電壓抬升，且其波形陡度較小，維持時間超過數(shù)個工頻周波，tb時間段三相電壓始終不對稱，導致零序電壓值較大。因此選擇tb時間段最小陡度Qmin，tb時間段零序電壓U0（本文所提及電壓均為有效值，下同）作為單相接地過電壓的特征量。

式中：ΔUA（n）、ΔUB（n）、ΔUC（n）分別為一定間隔的三相電壓采樣序列值；U0（n）為零序電壓采樣數(shù)列值；N、n為采樣點數(shù)。

2）空載變壓器合閘過電壓。斷路器合閘前變壓器三相電壓均為0，斷路器合閘瞬間約5 ms振蕩后三相電壓恢復正常，過電壓幅值較小。其最明顯特征是斷路器閉合前后三相電壓由0變?yōu)檎ｋ妷海蚨x擇tb時間段電壓與tf時間段電壓的比值K，tf時間段電壓最大值Uf作為空載變壓器合閘過電壓的特征量。

式中：Urmsb、Urmsf分別為tb、tf時間段電壓；Urms為電壓有效值；U（n）為電壓采樣序列值；N、n為采樣點數(shù)；

3）感應雷過電壓。雷電過電壓通常瞬間幅值大、振蕩頻率高，但感應雷過電壓A、B、C相波形高度相似。將三相電壓進行Clark變換后得到零模分量U0與線模分量Uα、Uβ，可見三相電壓波形相似度越高，其線模電壓愈小，線、零模電壓之比λU愈小。因此選擇A、B、C相波形暫態(tài)分量相似度平均值Smean及線、零模電壓比值λU作為感應雷過電壓的特征量。

式中：Sxy為X相與Y相波形相似度；x（n）、y（n）分別為三相過電壓中任意兩相電壓采樣的序列值。

2.2 基于小波分析法的過電壓特征量提取

小波變換能夠將信號解析到若干個尺度的子空間中，可將很難觀察到的信號特性在子空間中突顯出來[5]。對于通過時域法不能有效判斷的過電壓，可利用小波變換，計算其在各個不同頻帶上的特征來進行識別。

1）操作過電壓和雷電過電壓。操作過電壓和雷電過電壓幅值均較大，但操作過電壓相比雷電過電壓維持時間久。在采樣頻率1 MHz的情況下，選擇過電壓發(fā)生后一個完整工頻周期10～30 ms，將該周期分為5個時間段，采取db4小波對這5個時間段進行小波分解，用公式（8）計算得到電容器組合閘、空載線路合閘及直擊雷、感應雷過電壓高頻能量總和，如圖9所示。

圖9 過電壓時間段相對能量分布Fig.9 Relative energy distribution of overvoltage in the time period

式中：Ei為每層高頻能量；di為第i層小波分解后的細節(jié)分量；N為采樣節(jié)點；Esum為高頻能量總和；M為小波分解層數(shù)。

由圖9可以看出，操作過電壓相對能量值較小，分布均勻，每個時間段均存在能量，相差較小，過電壓持續(xù)至30 ms仍未恢復至正常電壓，衰減過程緩慢；雷電過電壓相對能量值較大，分布差異較大，大部分能量集中在時間段1，時間段2上也存在少許能量，時間段3～5幾乎不存在能量，過電壓經約8 ms基本恢復正常，衰減過程迅速。因此選擇過電壓在5個時間段的高頻能量總和E、表征數(shù)據(jù)分散程度的標準差S、以及時間段1和2在5個時間段中能量所占比值R作為識別操作與雷電過電壓的特征量，用式（9）～式（11）進行計算。

式中：Esum1～Esum5分別為過電壓在時間段1～5的相對能量值；Eave表示每個時間段能量的平均值。

2）電容器組合閘過電壓和空載線路合閘過電壓。對該兩類過電壓進行多層小波分解，從不同頻帶上的能量分布找出兩者之間的差異。采用db4小波對介于10～30 ms之間的波形進行一維小波8層分解，用公式（12）計算得到2種過電壓波形每層小波的能量值分布，如圖10所示。

圖10 過電壓相對小波能量分布Fig.10 Relative wavelet energy distribution of overvoltage

式中：Ek表示每層小波能量值；d（n）表示每個采樣點幅值大??；n表示采樣點數(shù)。

由圖10可以看出，電容器組合閘過電壓小波能量在每層次均有分布，第1、8層分布較少，第3～5層分布較多，過電壓發(fā)生后，振蕩激烈，頻率較高；而空載線路合閘過電壓的小波能量重點散布在高層次，第1～3層幾乎不存在能量，大部分在第6～8層次，過電壓發(fā)生后，振蕩相對較弱，頻率較低。

小波熵理論為小波分析法和信息熵理論的聯(lián)合，可定量表示在時域、頻域中的信號能量散布特性[11]。其說明了信號在各自尺度空間中能量散布的離散水平，若信號的能量在各自子頻帶中分配越平均，那么小波熵數(shù)值越大。

選擇能量最大值Emax、第1～3層與8層小波能量之和的比值P1～3、第3～5層與第1～8層小波能量之和的比值P3～5、小波能量熵H、脈沖因子T作為識別電容器組合閘過電壓和空載線路合閘過電壓的特征量，用式（13）—式（17）進行計算。

式中：E1～E8分別表示第1～8層小波能量值；Eave表示第1～8層小波能量值的平均值。

3 基于支持向量機的變電站過電壓種類識別

3.1 過電壓識別分層結構及特征量選擇

支持向量機（SVM）解決結構風險最小化問題[10]的基本思路是在某個樣本空間或特征空間中，構建出一個最優(yōu)超平面使其與其他樣本集之間的間隔最遠，從而達到最大的辨識能力，其算法的詳細闡述可參考文獻[4]。SVM的提出用來處理二分類問題，針對多種過電壓分類的情況時，須要構造SVM分類器使其拓展到多分類問題，本文采用“一對多”的方法構造多級SVM分類器，將多分類問題轉化為二分類問題。

本文根據(jù)仿真波形之間的差異，建立5個SVM分類器實現(xiàn)4層從上到下的過電壓逐層識別結構，對6種典型過電壓識別，如圖11所示。

SVMⅠ對暫時過電壓和操作及雷電過電壓進行識別，用單相接地過電壓的時域特性作為SVMⅠ的特征量Xi=[Q，U0]；SVMⅡ～SVMⅤ對操作和雷電過電壓進行識別，選擇其余時域和小波特性作為其特征量，即Xi=[K，Uf，E，S，R，Smean，λU，Emax，P1～3，P3～5，H，T]。各分類器與其對應特征量及SVM單次訓練效果如表1所示。通過特征量的逐層分級選擇，能夠有針對性地選擇多種類型過電壓特征量，從而提高識別效率，減少運算過程。

圖11 SVM-X過電壓分層識別結構Fig.11 Structure of SVM-X overvoltage classification recognition

表1 過電壓特征量及對應SVM-X單次訓練結果Tab.1 Overvoltage features and corresponding SVM-X single training results

3.2 識別結果分析

按照本文特征量提取方法，通過仿真取得6種過電壓各80條數(shù)據(jù)里的40條作為訓練樣本，其余40條作為測試數(shù)據(jù)用來進行分類識別。對訓練樣本單次訓練后，將測試樣本寫入訓練完畢的SVM-X中進行逐層分類識別，識別結果如表2所示。

表2 過電壓分類識別結果Tab.2 Results of overvoltage classification recognition

從表2可以看出，本文提出的基于SVM的過電壓種類識別方法是有成效的，可完成6種過電壓的確切分類。采納“一對多”方式構造的多層分類器，所需訓練樣本數(shù)較少，僅須單次訓練即可完成不同過電壓種類的逐層識別，平均識別率達到87.9%。因此，該方法可實現(xiàn)對暫態(tài)、操作及雷電過電壓的正確迅速識別。

4 結語

本文結合某330 kV變電站實際結構搭建了ATP-EMTP仿真模型，模擬并分析了單相接地、空載變壓器合閘、電容器組合閘、空載線路合閘、直擊雷以及感應雷6種典型過電壓波形特性。通過對不同電壓等級過電壓波形歸一化處理，根據(jù)各自過電壓特點采用時域分析法與小波分析法提取了14個具有良好差異性的特征量。仿真計算結果表明，所構造的基于SVM的過電壓種類識別結構，能夠對不同過電壓的特征量在每層SVM中選擇。該方法識別精確率高，運行速度快，可滿足電網(wǎng)過電壓自動識別的工程需要。

[1]張緯鈸，何金良，高玉明.過電壓防護及絕緣配合[M].北京：清華大學出版社，2002.

[2]孫才新，司馬文霞，趙杰，等.特高壓輸電系統(tǒng)的過電壓問題[J].電力自動化設備，2005，25（9）：5-9.SUN Caixin，SIMA Wenxia，ZHAO Jie，et al.Over-voltage in UHV transmission system[J].Electric Power Automation Equipment，2005，25（9）：5-9（in Chinese）.

[3]陳寰.基于極性鑒別與暫態(tài)特征分布特性的電網(wǎng)過電壓識別研究[D].重慶：重慶大學，2014.

[4]杜林，李欣，吳高林，等.采用3類特征參量比值法的鐵磁諧振過電壓識別[J].高電壓技術，2011，37（9）：2241-2249.DU Lin，LI Xin，WU Gaolin，et al.Ferro-resonance overvoltage identification using three feature parameters of ratio method[J].High Voltage Engineering，2011，37（9）：2241-2249（in Chinese）.

[5]ZHU T X，TSO S K，LO K L.Wavelet-based fuzzy reasoning approach to power-quality disturbance recognition [J].IEEE Transactions on Power Delivery，2004，19（4）：1928-1935.

[6]司馬文霞，王荊，楊慶，等.Hilbert-Huang變換在電力系統(tǒng)過電壓識別中的應用[J].高電壓技術，2010，36（6）：1480-1486.SIMA Wenxia，WANG Jing，YANG Qing，et al.Application of hilbert-huang transform to power system over-voltage recognition[J].High Voltage Engineering，2010，36（6）：1480-1486（in Chinese）.

[7]MOKRYANI G，HAGHIFAM MR，ESMAEILPOOR J.I－dentification of ferroresonance based on wavelet transform and artificial neural networks[J].Euro.Electric.Power，2009，18（3）：474-486（in Chinese）.

[8]張鈞，李小鵬，何正友.采用自適應神經模糊推理系統(tǒng)的配電網(wǎng)故障分類方法[J].中國電機工程學報，2010，30（25）：87-93.ZHANG Jun，LI Xiaopeng，HE Zhengyou.Fault classification technique for power distribution network using adaptive network based fuzzy inference system[J].Proceedings of the CSEE，2010，30（25）：87-93（in Chinese）.

[9]MISHRA S，BHENDE C N，PANIGRAHI B.K..Detection and classification of power quality disturbances using s-transform and probabilistic neural network[J].IEEE Transactions on Power Delivery，2008，23（1）：280-287.

[10]楊勇，李立浧，杜林，等.采用時頻矩陣奇異值分解和多級支持向量機的雷電及操作過電壓識別[J].電網(wǎng)技術，2012，36（8）：31-37.YANG Yong，LI Licheng，DU Lin，et al.Lightning and switching overvoltage identification based on singular value decomposition of time-frequency matrix and multi-level support vector machine[J].Power System Technology，2012，36（8）：31-37（in Chinese）.

[11]杜林，郭良峰，司馬文霞，等.采用小波多分辨率能量分布分析電網(wǎng)過電壓特征[J].高電壓技術，2009，35（8）：1927-1932.DU Lin，GUO Liangfeng，SIMA Wenxia，et al.Analysis of characteristics of over-voltage in power system using multi-resolution energy distribution of wavelet[J].High VoltageEngineering，2009，35（8）：1927-1932（inChinese）.

[12]杜林，李欣，王麗蓉，等.電力系統(tǒng)暫時過電壓多級支持向量機分層識別 [J].電力系統(tǒng)保護與控制，2012，40（4）：26-31.DU Lin，LI Xin，WANG Lirong，et al.Temporary overvoltage layered pattern identification based on multistage support vector machine in power system[J].Power System Protection and Control，2012，40（4）：26-31（in Chinese）.

[13]黃艷玲，司馬文霞，楊慶，等.基于實測數(shù)據(jù)的電力系統(tǒng)過電壓分類識別 [J].電力系統(tǒng)自動化，2012，36（4）：85-90.HUANG Yanling，SIMA Wenxia，YANG Qing，et al.Classification and identification of power system overvoltages based on measured data[J].Automation of Electric Power Systems，2012，36（4）：85-90（in Chinese）.

[14]周凱，熊慶，何珉，等.10 kV電網(wǎng)過電壓監(jiān)測裝置設計及實測與仿真對比分析[J].高電壓技術，2015，41（1）：35-41.ZHOU Kai，XIONG Qing，HE Min，et al.Design of overvoltage monitoring device for 10 kV power grid and contrastive analysis of its measured and simulation waveforms[J].High Voltage Engineering，2015，41（1）：35-41（in Chinese）.

[15]李璿，葉國雄，王曉琪，等.用ATP-EMTP研究1 000 kV CVT的暫態(tài)特性[J].高電壓技術，2008，34（9）：1850-1855.LI Xuan，YE Guoxiong，WANG Xiaoqi，et al.Transient characteristics of 1 000 kv capacitor voltage transformer based on ATP-EMTP[J].High Voltage Engineering，2012，38（3）：535-543（in Chinese）.

[16]杜林，李欣，司馬文霞，等.110 kV變電站過電壓在線監(jiān)測系統(tǒng)及其波形分析[J].高電壓技術，2012，38（3）：535-543.DU Lin，LI Xin，SIMA Wenxia，et al.Overvoltage online monitoring system for 110 kV substation and its waveforms analysis[J].High Voltage Engineering，2012，38（3）：535-543（in Chinese）.

[17]楊慶，趙洪彬，司馬文霞，等.基于閾值判斷和支持向量機的電網(wǎng)實測過電壓識別[J].高電壓技術，2016，42（10）：3188-3199.YANG Qing，ZHAO Hongbin，SIMA Wenxia，et al.Identification method of grid measured over-voltage based on threshold judgment and support vector machine[J].High VoltageEngineering，2016，42（10）：3188-3199（inChinese）.

Simulation Analysis and Classification Recognition of 330 kV Substation Overvoltage

LIU Yang1，2，ZHANG Gang1，LIU Ruijie2，WANG Yuan3，TAN Yalan1，3，LI Shi3，HE Xiaojun3，CHEN Bo3
（1.Xi’an University of Technology，Xi’an 710048，Shaanxi，China；2.State Grid Weinan Electric Power Supply Company，Weinan 714000，Shaanxi，China；3.State Grid Hanzhong Electric Power Supply Company，Hanzhong 723000，Shaanxi，China）

With continuous expansion of power grid scale，overvoltage of power system is causing serious and increasing damages to transmission lines and electrical equipment.Therefore，research on the power system overvoltage signals is of great significance for effectively restraining the overvoltage and improving the insulation coordination.Based on ATP-EMTP and taking a certain 330kV transformer substation as an example，this paper establishes an overvoltage simulation model from which 6 kinds of typical overvoltage wave forms like the single-phase grounding，no-load transformer closing，capacitor banks closing，no-load line closing，direct lightning and induced lightning are gained.Furthermore，14 features of striking differences such as voltage effective value，steepness，wavelet energy and other features have been analyzed by the time domain and the wavelet analysis method.At last，the paper constructs a system that can recognize different overvoltage layers and make it possible to select from each overvoltage based on SVM.The results show that the average recognition system accuracy for the 6 kinds of overvoltage can be up to over 87.9% and the recognition speed is about 1s.The recognition system is not only accurate enough but also very fast，and it can be used to meet the demands of the auto-recognition of the overvoltage in the grid engineering practice.

overvoltage；ATP-EMTP；time domain analysis；wavelet analysis；SVM；classification recognition

2016-10-19。

劉 洋（1991—），男，碩士研究生，主要研究領域為電力系統(tǒng)分析、安全評估與優(yōu)化運行。

（編輯 李沈）

國家自然科學基金青年科學基金項目（51507141）。

Project Supported by the Youth Fund of the National Natural Science Foundation of China（51507141）.

1674-3814（2017）04-0064-07

TM866

A