劉小英

(咸陽(yáng)職業(yè)技術(shù)學(xué)院 機(jī)電學(xué)院，陜西 咸陽(yáng) 712000)

隨著清潔能源發(fā)電技術(shù)的不斷發(fā)展，一種新型的配電網(wǎng)絡(luò)應(yīng)運(yùn)而生，該配電網(wǎng)絡(luò)接入分布式電源，提高了配電網(wǎng)絡(luò)供電的可靠性[1-3]。但是隨著多樣化分布式電源的接入，需要利用變換器來(lái)轉(zhuǎn)換電能以及相應(yīng)的控制策略來(lái)提高電能轉(zhuǎn)換效率，在變換器轉(zhuǎn)換電能的過(guò)程中各個(gè)控制器會(huì)產(chǎn)生很多的數(shù)據(jù)信息交互[4-5]。為了提高分布式電源運(yùn)行的穩(wěn)定性，在控制策略中加入故障診斷功能策略，當(dāng)故障發(fā)生時(shí)，能夠迅速地定位故障原因和故障類型，從而準(zhǔn)確地修復(fù)故障，提高分布式配電網(wǎng)絡(luò)的穩(wěn)定運(yùn)行。

配電網(wǎng)絡(luò)的安全穩(wěn)定運(yùn)行對(duì)電力用戶非常重要，針對(duì)分布式電源配電網(wǎng)絡(luò)的故障診斷研究，國(guó)內(nèi)外專家學(xué)者都取得了很大的研究成果。其中，文獻(xiàn)[6]對(duì)智能配電網(wǎng)絡(luò)構(gòu)建了可靠性分析模型，優(yōu)化配置了故障探測(cè)器和開關(guān)器件，利用RBTS測(cè)試系統(tǒng)對(duì)配電網(wǎng)絡(luò)的故障進(jìn)行規(guī)劃、測(cè)試以及標(biāo)定相關(guān)參數(shù)；文獻(xiàn)[7]以數(shù)據(jù)驅(qū)動(dòng)型配電網(wǎng)絡(luò)為研究對(duì)象，設(shè)計(jì)了一個(gè)監(jiān)控與數(shù)據(jù)采集(SCADA)系統(tǒng)采集故障診斷的數(shù)據(jù)，自動(dòng)識(shí)別相關(guān)性并根據(jù)特定事件前后發(fā)生的SCADA事件建立預(yù)測(cè)診斷模型，以此來(lái)提取配電網(wǎng)絡(luò)的故障特征和提高配電網(wǎng)絡(luò)故障診斷效率；文獻(xiàn)[8]中分析了某一特定地區(qū)的配電網(wǎng)運(yùn)行情況，搭建了基于神經(jīng)網(wǎng)絡(luò)算法的故障診斷系統(tǒng)模型，對(duì)配電網(wǎng)故障檢測(cè)終端的模擬量采集模塊系統(tǒng)、數(shù)據(jù)傳輸?shù)拈_關(guān)量輸入輸出模塊系統(tǒng)和人機(jī)接口系統(tǒng)進(jìn)行優(yōu)化設(shè)計(jì)，提高整個(gè)系統(tǒng)的故障診斷精確度；文獻(xiàn)[9]提出了一種改進(jìn)矩陣算法從而實(shí)現(xiàn)對(duì)含分布式發(fā)電配電網(wǎng)的故障定位，針對(duì)矩陣算法定位故障區(qū)段，利用該故障定位方法來(lái)防止故障信息的畸變，減少故障診斷的誤判，從而提高故障診斷的精確度；文獻(xiàn)[10]通過(guò)希爾伯特—黃變換(HHT)帶通濾波算法對(duì)故障波形進(jìn)行等頻寬分解，構(gòu)造時(shí)頻矩陣，然后將時(shí)頻矩陣SVD得到的部分有效奇異值作為特征量，輸入到多級(jí)SVM進(jìn)行訓(xùn)練和分類識(shí)別，最后在PSCAD/EMTDC軟件對(duì)算法進(jìn)行測(cè)試，結(jié)果表明采用的算法對(duì)系統(tǒng)設(shè)定的故障監(jiān)測(cè)項(xiàng)具有很高的識(shí)別率。本文在分布式電源配電網(wǎng)絡(luò)故障定位拓?fù)浣Y(jié)構(gòu)的基礎(chǔ)上，采用粒子群尋優(yōu)算法對(duì)故障進(jìn)行診斷，并在Matlab上構(gòu)建了該優(yōu)化算法的診斷模型，仿真結(jié)果表明采用的優(yōu)化算法提升了配電網(wǎng)的故障診斷精確率。

1 故障定位拓?fù)浣Y(jié)構(gòu)

分布式電源配電網(wǎng)絡(luò)具有非常復(fù)雜的系統(tǒng)功能，這些功能需要各個(gè)子系統(tǒng)協(xié)調(diào)運(yùn)行，而各個(gè)子系統(tǒng)間的數(shù)據(jù)信息交互異常龐大。為了定位故障發(fā)生時(shí)整個(gè)配電網(wǎng)絡(luò)的信息集群特征，需要對(duì)配電網(wǎng)絡(luò)的信息進(jìn)行采集，這些信息包括電網(wǎng)設(shè)備運(yùn)行信息、空間信息、用戶信息、配電網(wǎng)絡(luò)輔助系統(tǒng)運(yùn)行日志、設(shè)備實(shí)時(shí)運(yùn)行信息以及系統(tǒng)間的拓?fù)湫畔?。這些信息有的通過(guò)傳感器采集、專門的測(cè)控設(shè)備、遙感設(shè)備以及系統(tǒng)總線信息記錄設(shè)備等，在采集信息后需要對(duì)數(shù)據(jù)進(jìn)行優(yōu)化處理，傳統(tǒng)的配電網(wǎng)絡(luò)信息處理大都采用相模變換、小波變換以及頻譜分析方法[11-12]。

針對(duì)在信息采集和信息處理過(guò)程中出現(xiàn)的信號(hào)數(shù)據(jù)丟失或失真帶來(lái)的診斷定位不準(zhǔn)確問(wèn)題，采用分時(shí)分區(qū)的采集方法以及重構(gòu)分布式電源配電網(wǎng)絡(luò)的故障定位拓?fù)浣Y(jié)構(gòu)。對(duì)在連續(xù)監(jiān)測(cè)的過(guò)程中，對(duì)輸入連續(xù)性頻域信號(hào)進(jìn)行傅里葉變換[13]，如式(1)所示。

(1)

分布式電源配電網(wǎng)絡(luò)的數(shù)據(jù)傳輸量非常大，對(duì)數(shù)據(jù)信息需要具有一定的覆蓋度，并不是所有的數(shù)據(jù)信息都是診斷故障定位需要的數(shù)據(jù)信息，但是對(duì)于電網(wǎng)信息的采集和優(yōu)化處理需要具備一定的覆蓋度。配電網(wǎng)絡(luò)故障定位系統(tǒng)將具有期望覆蓋度的信號(hào)進(jìn)行診斷，然后根據(jù)故障判據(jù)確定分布式電源配電網(wǎng)絡(luò)發(fā)生的故障。在對(duì)故障進(jìn)行確認(rèn)時(shí)，將故障進(jìn)行分類，確定發(fā)生的故障類型，進(jìn)而可以通過(guò)診斷算法來(lái)確定故障診斷監(jiān)測(cè)項(xiàng)。故障診斷監(jiān)測(cè)項(xiàng)的確認(rèn)仍是一個(gè)非常復(fù)雜的過(guò)程，需要設(shè)定故障觸發(fā)的閾值和故障確認(rèn)的時(shí)間、達(dá)到故障信號(hào)濾波時(shí)間，待故障監(jiān)測(cè)結(jié)果穩(wěn)定后，用高精度故障定位方法找到故障發(fā)生時(shí)所處區(qū)段，可進(jìn)一步縮小故障監(jiān)測(cè)發(fā)生的位置，如對(duì)故障監(jiān)測(cè)發(fā)生的位置加入算法優(yōu)化，結(jié)合精度更高的濾波算法處理，可找到實(shí)際的故障發(fā)生的位置。信號(hào)覆蓋度和分布式電源配電網(wǎng)絡(luò)的故障定位拓?fù)浣Y(jié)構(gòu)如圖1、圖2所示。

圖1 故障定位信號(hào)覆蓋度Fig.1 Fault location signal coverage

2 多目標(biāo)優(yōu)化算法

粒子群算法是1995年由Kennedy 和 Eberhart開發(fā)的一種優(yōu)化算法，其本質(zhì)是一種粒子在群體中智能尋優(yōu)的計(jì)算方法[14-15]。對(duì)于具有自身飛行經(jīng)驗(yàn)的粒子，能夠獲取其當(dāng)前所處的位置信息和歷史最優(yōu)位置信息，而當(dāng)其形成粒子群具有共享飛行經(jīng)驗(yàn)時(shí)，就可以獲取整個(gè)群體的歷史最優(yōu)位置，這一歷史最優(yōu)位置是從具有自身飛行經(jīng)驗(yàn)的單獨(dú)粒子歷史最優(yōu)位置求解最優(yōu)值計(jì)算出來(lái)的。

圖2 分布式電源配電網(wǎng)絡(luò)的故障定位拓?fù)浣Y(jié)構(gòu)Fig.2 Fault location topology of distributed generation distribution network

當(dāng)記錄了整個(gè)粒子群的歷史最優(yōu)位置信息時(shí)，可以將其與群體中單個(gè)粒子的位置作差，通過(guò)調(diào)整這一差值來(lái)獲取當(dāng)前粒子在群體運(yùn)動(dòng)中的最優(yōu)值；為了在群體中得到最大化的最優(yōu)解空間，避免粒子在解空間搜索準(zhǔn)確率下降以及限制在邊界條件區(qū)域無(wú)法進(jìn)行全局的尋優(yōu)，可以設(shè)計(jì)粒子位置調(diào)節(jié)器和隨機(jī)發(fā)生器。

定義D維空間中具有N個(gè)粒子，粒子位置xi=(xi1，xi2，…，xiD)，i=1，2，3，…，n，粒子速度為vi=(vi1，vi2，…，viD)，粒子當(dāng)前最優(yōu)位置表示為pi=(pi1，pi2，…，piD)，將歷史最優(yōu)位置定義為pg=(pg1，pg2，…，pgD)，由此，可以利用數(shù)學(xué)描述將粒子群尋優(yōu)算法表達(dá)如下[16]：

(2)

非線性支持向量機(jī)可以通過(guò)非線性變換將輸入轉(zhuǎn)化成高維空間變量，在變換空間求解最優(yōu)值，對(duì)變換空間的邊界條件會(huì)有限制，為了打破這層限制，構(gòu)建目標(biāo)函數(shù)，利用拉格朗日方程在Hilbert高維空間中求解，構(gòu)建非線性支持向量機(jī)的目標(biāo)函數(shù)[17]如下所示。

(3)

可以通過(guò)上述公式定義支持向量機(jī)的多項(xiàng)式核函數(shù)，構(gòu)建的m階多項(xiàng)式核函數(shù)見式(4)。

K(x，xi)=[(x，xi)+1]m

(4)

基于上述理論支承，粒子群算法在求解過(guò)程中，需要初始化，獲取至少一組粒子的速度和位置初始信息，利用設(shè)定好的適應(yīng)度函數(shù)評(píng)價(jià)方法求解適應(yīng)度，從而更新粒子的歷史最優(yōu)位置以及群體的最優(yōu)位置，而后可以利用循環(huán)迭代，判別是否在全局解空間上達(dá)到最優(yōu)，最后獲取最優(yōu)參數(shù)，粒子群算法流程如圖3所示。

圖3 粒子群算法優(yōu)化流程Fig.3 Particle swarm optimization process

3 故障檢測(cè)算法優(yōu)化設(shè)計(jì)

分布式電源配電網(wǎng)絡(luò)的故障診斷模型的建立需要明確輸入信息和輸出信息，為了保證輸入信息在信號(hào)采集和處理階段不失真和不丟失，采用了分區(qū)分時(shí)的分布式拓?fù)浣Y(jié)構(gòu)。將電網(wǎng)信息進(jìn)行分類處理，對(duì)于三相電路故障[18]輸入信息、單相電路故障輸入信息以及節(jié)點(diǎn)的功能性故障(比如，風(fēng)機(jī)結(jié)構(gòu)性功能損失、配電網(wǎng)反饋超時(shí)、信息調(diào)度延時(shí)等)，需要對(duì)輸入信息進(jìn)行優(yōu)化處理，頻域信號(hào)需要傅里葉變換，其他的信號(hào)需要做卡爾曼濾波處理，形成信息集群后，提取特征變量值，利用Matlab的粒子群算法工具箱[19]，將相關(guān)的參數(shù)匹配好，在設(shè)定的仿真時(shí)間內(nèi)進(jìn)行故障診斷的尋優(yōu)任務(wù)。

本文在診斷算法模型中增加診斷使能條件的判別，由于信息集群的數(shù)據(jù)采集有通過(guò)傳感器進(jìn)行采集的，如果傳感器存在故障，例如信號(hào)短電源、短地或開路、傳感器超出量程范圍故障，都會(huì)導(dǎo)致診斷結(jié)果出現(xiàn)偏差，利用診斷使能模塊設(shè)置相應(yīng)的使能條件能夠避免該問(wèn)題。在構(gòu)建診斷算法模型過(guò)程中，利用PID控制器對(duì)故障監(jiān)測(cè)區(qū)域的故障因子進(jìn)行反饋校正，當(dāng)無(wú)法區(qū)分的故障監(jiān)測(cè)信息輸入后，可以通過(guò)添加故障確認(rèn)模塊，在故障確認(rèn)模塊對(duì)不同的單個(gè)故障監(jiān)測(cè)設(shè)置不同的故障確認(rèn)時(shí)間，具體的模型結(jié)構(gòu)如圖4所示。

圖4 診斷算法模型結(jié)構(gòu)Fig.4 Structure of diagnosis algorithm model

4 仿真結(jié)果分析

在Matlab仿真平臺(tái)[20]構(gòu)建了分布式電源配電網(wǎng)絡(luò)的故障診斷模型，在粒子群算法工具箱中改進(jìn)相關(guān)的參數(shù)設(shè)置，以使其匹配配電網(wǎng)絡(luò)的信息，其中，算法迭代次數(shù)為200，粒子群2個(gè)參數(shù)序列的參數(shù)設(shè)置為C1=C2=1.567 34，C3=C4=1.273 31，將故障測(cè)試的故障類型標(biāo)記為故障A、故障AB、故障B以及故障C，由支持向量機(jī)中選取的核函數(shù)，隨機(jī)選取15個(gè)粒子進(jìn)行故障模型算法的仿真測(cè)試，仿真結(jié)果如圖5—圖8所示。

圖5 配電網(wǎng)信息因子分布Fig.5 Distribution network information factor distribution

圖6 粒子最優(yōu)適應(yīng)度Fig.6 Particle optimal fitness

圖7 粒子尋優(yōu)增速率Fig.7 Growth rate of particle optimization

圖8 故障區(qū)間Fig.8 Fault interval

電網(wǎng)信息因子分布如圖5所示。由圖5中分布可知，當(dāng)電網(wǎng)信息能夠得到優(yōu)化處理時(shí)，電網(wǎng)信息故障因子分布區(qū)域變大，電網(wǎng)信息采集優(yōu)化階段的覆蓋度誤差才能變小。

2個(gè)不同算法參數(shù)序列設(shè)置值的粒子最優(yōu)適應(yīng)度如圖6所示。從圖6中明顯看到，隨著迭代次數(shù)的不斷增加，粒子最優(yōu)適應(yīng)度也越來(lái)越大，最優(yōu)的粒子適應(yīng)度為0.98，表明Pso算法優(yōu)化得到的最優(yōu)值接近了函數(shù)的實(shí)際最優(yōu)值，尋優(yōu)能力非常強(qiáng)。

粒子尋優(yōu)增速率結(jié)果如圖7所示。隨機(jī)選取了15個(gè)粒子進(jìn)行訓(xùn)練，優(yōu)化后的粒子尋優(yōu)速率提高了不少。

故障區(qū)間監(jiān)測(cè)的結(jié)果如圖8所示。利用故障定位算法確定了故障A、故障AB、故障B以及故障C，在故障確認(rèn)時(shí)間段內(nèi)配電網(wǎng)絡(luò)的動(dòng)作值能夠真實(shí)地反映出故障診斷的精確性。

5 總結(jié)

分布式電源配電網(wǎng)絡(luò)的電網(wǎng)信息交互日益復(fù)雜。針對(duì)故障診斷信息在采集和優(yōu)化處理階段存在失真和丟失問(wèn)題，本文采取分時(shí)分區(qū)的分布式電源故障定位拓?fù)浣Y(jié)構(gòu)，結(jié)合支持向量機(jī)的粒子群優(yōu)化算法，對(duì)分布式電源配電網(wǎng)絡(luò)故障在診斷進(jìn)行尋優(yōu)，最后在Matlab/Simulink平臺(tái)構(gòu)建了分布式電源配電網(wǎng)絡(luò)的故障診斷模型。通過(guò)仿真分析，驗(yàn)證了所采用的支持向量機(jī)的粒子群優(yōu)化算法能夠提高配電網(wǎng)絡(luò)的故障診斷準(zhǔn)確率，整個(gè)故障診斷系統(tǒng)未出現(xiàn)超調(diào)現(xiàn)象。

參考文獻(xiàn)(References)：

[1] 楊磊，陳鍇，熊奇，等.基于信息畸變修正和粒子群算法融合的配電網(wǎng)故障定位[J].電力學(xué)報(bào)，2019，34(3)：229-234.

Yang Lei，Chen Kai，Xiong Qi，et al.Distribution network fault location based on information distortion correction and PSO[J].Journal of Electric Power，2019，34(3)：229-234.

[2] 陳磊，詹躍東，田慶生.基于人工魚群算法的配電網(wǎng)故障定位[J].電子測(cè)量技術(shù)，2018，41(23)：1-5.

Chen Lei，Zhan Yuedong，Tian Qingsheng.Fault location of distribution network based on artificial fish swarm algorithm[J].Electronic Measurement Technology，2018，41(23)：1-5.

[3] 張玉鳳，陳松立，吉高卿.含有逆變器的微網(wǎng)保護(hù)方法的研究[J].高壓電器，2016，52(3)：161-164.

Zhang Yufeng，Chen Songli，Ji Gaoqing.Study on protection method of micro-grid with inverter[J].High Voltage Apparatus，2016，52(3)：161-164.

[4] R.Rajaram，K.Sathish Kumar，N.Rajasekar.Power system reconfiguration in a radial distribution network for reducing losses and to improve voltage profile using modified plant growth simulation algorithm with distributed generation(DG)[J].Energy Reports，2015，10(1)：116-122.

[5] Partha Kayal，C.K.Chanda.Optimal mix of solar and wind distributed generations considering performance improvement of electrical distribution network[J].Renewable Energy，2015，3(75)：173-186.

[6] Heidari M，Sepehry M，Aravinthan V.Fault detector and switch placement in cyber-enabled power distribution network[J].IEEE Transactions on Smart Grid，2018：1-1.

[7] Renga D，Apiletti D，Giordano D，et al.Data-driven exploratory models of an electric distribution network for fault prediction and diagnosis[J].Computing，2020，102(5)：1199-1211.

[8] 郭帥.基于廣義神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障診斷系統(tǒng)研究與應(yīng)用[D].天津：天津大學(xué)，2018.

[9] 劉煜，王俊江，焦青，等.含分布式電源的配電網(wǎng)故障定位改進(jìn)矩陣算法[J].科學(xué)技術(shù)與工程，2019，19(34)：186-190.

Liu Yu，Wang Junjiang，Jiao Qing，et al.An improved matrix algorithm for fault location of distribution networks with distributed generation[J].Science Technology and Engineering，2019，19(34)：186-190.

[10] 高偉，陳偉凡，楊耿杰，等.基于奇異值分解和多級(jí)支持向量機(jī)的配電網(wǎng)故障類型識(shí)別[J].電子測(cè)量與儀器學(xué)報(bào)，2018，32(2)：62-71.

Gao Wei，Chen Weifan，Yang Gengjie，et al.Fault type identification for distribution network based on singular value decomposition and multi-level support vector machine[J].Journal of Electronic Measurement and Instrumentation，2018，32(2)：62-71.

[11] 張濤，史蘇怡，徐雪琴.基于二進(jìn)制量子粒子群算法的含分布式電源配電網(wǎng)重構(gòu)[J].電力系統(tǒng)保護(hù)與控制，2016，44(4)：22-28.

Zhang Tao，Shi Suyi，Xu Xueqin.Distribution network reconfiguration with distributed generation based on improved quantum binary particle swarm optimization[J].Power System Protection and Control，2016，44(4)：22-28.

[12] 黃弘揚(yáng)，黃曉明，樓伯良，等.一種多源異構(gòu)配電網(wǎng)實(shí)時(shí)調(diào)度優(yōu)化模型的研究[J].能源與環(huán)保，2018，40(1)：153-157.

Huang Hongyang，Huang Xiaoming，Lou Boliang，et al.Study on a real time scheduling optimization model for multi-source heterogeneous distribution network[J].China Energy and Environmental Protection，2018，40(1)：153-157.

[13] 劉暢，張丕狀，姚金杰，等.基于FFT+FT的FMCW雷達(dá)高精度測(cè)距算法研究[J].國(guó)外電子測(cè)量技術(shù)，2019，38(10)：65-69.

Liu Chang，Zhang Pizhuang，Yao Jinjie，et al.High precision ranging algorithm of FMCW radar based on FFT+FT[J].Foreign Electronic Measurement Technology，2019，38(10)：65-69.

[14] 劉榮，童亮，許永紅.基于pso_FSVM的車用動(dòng)力電池溫度預(yù)測(cè)模型研究[J].現(xiàn)代電子技術(shù)，2018，41(12)：24-27.

Liu Rong，Tong Liang，Xu Yonghong.Research on temperature prediction model of vehicle power battery based on pso_FSVM[J].Modern Electronics Technique，2018，41(12)：24-27.

[15] 薛興祖.基于粒子群—拉格朗日支持向量機(jī)方法的地下廠房變形預(yù)測(cè)分析[J].能源與環(huán)保，2018，40(3)：10-18.

Xue Xingzu.Analysis on deformation prediction of underground power house based on PSO-Lagrangian support vector regression[J].China Energy and Environmental Protection，2018，40(3)：10-18.

[16] 趙新超，劉國(guó)蒞，劉虎球，等.基于非均勻變異和多階段擾動(dòng)的粒子群優(yōu)化算法[J].計(jì)算機(jī)學(xué)報(bào)，2014，37(9)：2058-2070.

Zhao Xinchao，Liu Guoli，Liu Huqiu，et al.Particle swarm optimization algorithm based on non-uniform mutation and multi-stage disturbance[J].Chinese Journal of Computers，2014，37(9)：2058-2070.

[17] M.Dastmalchi，G.A.Sheikhzadeh，A.Arefmanesh.Optimization of micro-finned tubes in double pipe heat exchangers using particle swarm algorithm[J].Applied Thermal Engineering，2017，5(119)：1-9.

[18] 關(guān)龍，劉志剛，何士玉，等.離散二進(jìn)制粒子群算法在基于模型配電網(wǎng)故障診斷中的應(yīng)用[J].電力自動(dòng)化設(shè)備，2013，33(9)：89-93.

Guan Long，Liu Zhigang，He Shiyu，et al.Application of BPSO algorithm in model-based fault diagnosis of distribution network[J].Electric Power Automation Equipment，2013，33(9)：89-93.

[19] 徐鵬飛，邢仁周.粒子群優(yōu)化算法含分布式電源配電網(wǎng)故障定位[J].電源技術(shù)，2018(4)：124-133.

Xu Pengfei，Xing Renzhou.Fault location of distribution network with distributed power supply by particle swarm optimization algorithm[J].Chinese Journal of Power Sources，2018(4)：124-133.

[20] Yalin Huang，Lennart Sder.Evaluation of economic regulation in distribution systems with distributed generation[J].Energy，2017，5(126)：192-201.