郭明

(貴州電網(wǎng)責任有限公司安順供電局，貴州 安順 561000)

0 引 言

由于電力負載的逐年增加，承載大量電能配送的配電系統(tǒng)已成為電力系統(tǒng)的主要故障來源，因此需要保證配電系統(tǒng)的運行可靠性[1-3]。保護配電系統(tǒng)需要做到快速恢復故障區(qū)段、正確操作保護裝置和準確診斷故障。電力系統(tǒng)的故障診斷技術可以分為兩類:①故障發(fā)生后的線路阻抗測量技術；②測量由故障產(chǎn)生的信號的技術[4-5]。兩種技術都需要對配電系統(tǒng)的電壓、電流和阻抗等進行連續(xù)監(jiān)測，才能在故障發(fā)生后快速恢復配電系統(tǒng)，提高配電系統(tǒng)的可靠性。

已有很多學者針對電力系統(tǒng)的故障檢測和識別開展大量研究。針對輸電線路故障分類提出了很多基于監(jiān)督訓練的分類算法，如神經(jīng)網(wǎng)絡、模糊邏輯和模糊神經(jīng)網(wǎng)絡等。但是這些算法都需要解決神經(jīng)網(wǎng)絡訓練復雜性較高的問題[6]。數(shù)字保護繼電器(DPR)用于測量線路電壓和電流，快速發(fā)送跳閘指令，斷開故障線路[7]。DPR是基于電壓和電流的采樣和分析實現(xiàn)線路保護功能。還有學者將快速傅里葉變換(FFT)和離散小波變換(DWT)技術用于故障診斷[8-9]。由此可見，為了進行故障分類，可利用DPR和數(shù)字故障記錄器(DVR)采集信息進行特征提取。數(shù)據(jù)分析則可采用人工神經(jīng)網(wǎng)絡(ANN)、模糊邏輯(FL)、決策樹(DT)和支持向量機(SVM)等算法。

本文使用改進的多分類支持向量機方法實現(xiàn)快速檢測和識別配電系統(tǒng)中的開路故障。該方法使用配電系統(tǒng)節(jié)點電壓有效值作為原始數(shù)據(jù)進行故障診斷。對原始數(shù)據(jù)進行冗余、異常數(shù)據(jù)刪除以及特征約簡以提取最佳特征集，從而實現(xiàn)數(shù)據(jù)預處理。獲得的最佳特征集用來訓練所提出的分類支持向量機模型，并基于不同的訓練數(shù)據(jù)集對訓練后的模型進行測試。本文測試是在由MATLAB所仿真和編程的IEEE 13節(jié)點測試系統(tǒng)上進行的。仿真結果證明了多分類支持向量機不僅可以快速、有效檢測和識別配電系統(tǒng)中的開路故障，而且可以提高故障檢測和識別的準確性。

1 故障診斷方法

本文提出用以檢測和識別配電系統(tǒng)中開路故障多分類支持向量機方法，如圖1所示。在該方法中，電網(wǎng)中每個節(jié)點的實時電壓有效值作為原始數(shù)據(jù)。原始數(shù)據(jù)分為兩個主要數(shù)據(jù)矩陣：①包含無故障情況的數(shù)據(jù)集矩陣;②包含與故障情況有關的數(shù)據(jù)矩陣。在預處理階段，從原始數(shù)據(jù)中刪除不必要的數(shù)據(jù)，然后提取特征，形成特征集。在所形成的特征集中，往往沒有包含某些難以用來預測故障類型的冗余數(shù)據(jù)特征，這將導致故障檢測和識別精度降低。因此為了提高檢測和識別的準確性，必須在數(shù)據(jù)預處理階段從數(shù)據(jù)集中刪除這些冗余特征。隨后，對特征集進行歸一化處理，生成訓練和測試數(shù)據(jù)集。最后，將使用最佳特征集訓練基于徑向基(RBF)核函數(shù)的多分類支持向量機模型。

圖1 故障檢測與識別方法流程圖

為了對不可線性分離的數(shù)據(jù)進行分類，將RBF核函數(shù)用于多分類支持向量機模型。RBF核函數(shù)可表示為：

K[x(t1),x(t2)]=φ[x(t1)]Tφ[x(t2)]

(1)

或：

(2)

式中:K()為核函數(shù)；x(t1)(m×n)和x(t2)(r×s)分別為訓練向量;x(t1)、x(t2)為參考向量的點；m、n、r和s為訓練向量的維度；φ()為特征映射函數(shù)；λ為正則化參數(shù)。較小的λ值表示核函數(shù)的方差較大。

在訓練了多分類支持向量機模型之后，在各種仿真條件(故障場景)下對模型進行測試，以評估其有效性，同時預測對應的故障檢測和識別標簽。最后，分別對故障檢測與識別方法的準確性進行檢驗，具體如下：

(3)

準確性測試是在無噪聲和不同強度白噪聲的條件分別進行的。在配備有Intel Core i7-8550U處理器和12 GB RAM的筆記本電腦上以1.80 GHz時鐘速度在MATLAB 2018a軟件中完成仿真測試。

2 仿真結果和討論

為了評估所提出的故障檢測和識別方法的性能，在MATLAB軟件中對IEEE 13節(jié)點測試系統(tǒng)進行了建模，并在系統(tǒng)的不同位置上設置了三種類型的開路故障：變電站節(jié)點的開路故障、負載節(jié)點的開路故障和輸電線路的開路故障。測試系統(tǒng)如圖2所示。在試驗過程中實時記錄整個系統(tǒng)開路故障前后的所有節(jié)點電壓有效值。為了測試所提出的故障檢測和識別方法的魯棒性，仿真試驗設置了不同類型和不同位置的開路故障。故障具體為：節(jié)點650的變電站開路故障；節(jié)點611、652、645、646、634、680和675的負載開路故障；節(jié)點632-633、632-645、632-671、645-646、671-680、671-684、684-611、684-652和692-675之間的輸電線路開路故障。斷開連接到每個節(jié)點(線路之間)的相應斷路器模擬開路故障，在t= 0.5 s時施加在不同的節(jié)點上。通過重新連接相應的斷路器，在0.05 s內(nèi)清除故障。仿真過程持續(xù)1 s。

圖2 IEEE13節(jié)點測試系統(tǒng)

通過對測試系統(tǒng)的實時監(jiān)測，獲得了三種故障前、后的電壓有效值信號。采樣頻率與電網(wǎng)的實際頻率一致，為50 Hz。經(jīng)過分析發(fā)現(xiàn)，選擇50 Hz作為采樣頻率，響應效果更好，結果也更準確。經(jīng)過去除冗余特征和提取出最佳特征，得出的完整的特征矩陣有15個特征。

訓練和測試數(shù)據(jù)矩陣是在考慮各種模擬條件的情況下開發(fā)的，包含所有可能的開路故障。為了減少所提出方法對參數(shù)變化的依賴性和敏感性，訓練矩陣和測試矩陣彼此不同。整個訓練數(shù)據(jù)集包含756個數(shù)據(jù)樣本(包括20類故障)。測試矩陣包括504個數(shù)據(jù)樣本(具有不同的故障組合)。

針對故障檢測和識別執(zhí)行了不同的測試。表1和表2分別給出了故障檢測和識別的準確性評估。在這兩個表中，F(xiàn)S、FL和FT分別表示變電站的故障、負載故障和傳輸線路的故障。由表中數(shù)據(jù)觀察到，通過將白噪聲應用于原始數(shù)據(jù)集，所提出的方法仍然可以有效地檢測和識別不同的故障。但是，通過增加原始數(shù)據(jù)集中的白噪聲(SNR)強度，所提出的故障檢測和識別方法的準確性有所降低。

表1 故障檢測分析結果

表2 故障識別分析結果

表3顯示了所提出的檢測和識別不同開路故障的方法的整體精度。如表3所示，所提出的方法可以有效地檢測和識別不同的開路故障。

表3 故障分析結果 %

3 結束語

本文提出并開發(fā)了一種改進的多分類支持向量機方法，以同時檢測和識別配電系統(tǒng)中的不同開路故障。對于各種類型的故障場景，所提出的方法可以提供快速和準確的故障檢測和識別。所提出方法進行故障診斷的唯一依據(jù)是整個配電網(wǎng)絡的實時電壓信號有效值。所提出方法的另一個重要特征是需要收集大量信號特征，因此需要應用特征提取方法去除不必要和多余的特征，從而提高預測精度。需要針對不同的故障情況開發(fā)訓練和測試數(shù)據(jù)矩陣，以提高故障分類的準確性。在模擬暫態(tài)開路故障的IEEE 13節(jié)點測試系統(tǒng)上，用MATLAB軟件對該方法進行了仿真測試。結果表明了該方法的準確性、有效性、魯棒性和實時性。