喻 錕 胥鵬博 曾祥君 李 理 楊理斌

基于模糊測度融合診斷的配電網(wǎng)接地故障選線

喻 錕 胥鵬博 曾祥君 李 理 楊理斌

（智能電網(wǎng)運(yùn)行與控制湖南省重點(diǎn)實(shí)驗(yàn)室（長沙理工大學(xué)） 長沙 410114）

非有效接地配電網(wǎng)運(yùn)行與故障條件復(fù)雜多變，現(xiàn)有配電網(wǎng)接地故障選線方法難以有效覆蓋不同故障工況，尤其對于高阻接地與弧光接地故障，基于單一故障特征量的故障判據(jù)誤判率高。該文提出一種基于模糊測度融合診斷的配電網(wǎng)接地故障選線新方法，借助模糊C均值聚類算法，將多種運(yùn)行工況下采集的表征被保護(hù)饋線不同運(yùn)行狀態(tài)的歷史特征樣本集劃分為故障類與非故障類，以多種樣本相似性測度判據(jù)定量分析待測樣本與不同類型歷史樣本的相似程度，形成模糊測度融合診斷矩陣。通過多級評判指標(biāo)體系對模糊測度融合診斷矩陣進(jìn)行評判，從而放大故障特征，削弱偶然因素對故障判斷的影響，最終輸出綜合判據(jù)矩陣，準(zhǔn)確識別故障樣本。PSCAD/EMTDC仿真與10kV真型實(shí)驗(yàn)測試結(jié)果均表明，在非線性負(fù)荷等干擾因素的影響下，該方法依然能夠準(zhǔn)確地捕捉故障特征，在各故障工況下正確地辨識故障樣本，具備對不同系統(tǒng)運(yùn)行方式變化的自適應(yīng)能力，具有很強(qiáng)的魯棒性。

配電網(wǎng) 故障選線 模糊測度融合診斷 評判指標(biāo)體系

0 引言

我國6～66kV中壓配電網(wǎng)普遍采用中性點(diǎn)不接地和經(jīng)消弧線圈接地等非有效接地方式[1-3]。配電網(wǎng)深入用戶終端，運(yùn)行與故障工況復(fù)雜多變，現(xiàn)有配電網(wǎng)接地故障選線方法難以有效覆蓋不同故障工況。尤其對于配電網(wǎng)頻發(fā)的弧光接地故障與高阻接地故障（如樹枝碰線、經(jīng)橫擔(dān)接地、導(dǎo)線跌落瀝青或混凝土路面等），故障特征十分微弱，加之電弧不穩(wěn)定及負(fù)荷諧波干擾等因素影響，其檢測與處理難度較大，現(xiàn)有故障判據(jù)對弧光與高阻接地故障誤判率仍較高，導(dǎo)致系統(tǒng)長時(shí)間帶接地故障運(yùn)行，嚴(yán)重威脅配電網(wǎng)運(yùn)行安全[4]。

隨著配電網(wǎng)電纜線路敷設(shè)面積增大，系統(tǒng)電容電流水平逐步上升，長時(shí)間帶接地故障運(yùn)行易使故障發(fā)展為相間故障或多點(diǎn)故障[5]；非線性負(fù)載及電力電子設(shè)備的廣泛接入使干擾因素對故障檢測的影響進(jìn)一步增強(qiáng)[6]；弧光接地故障易引起全系統(tǒng)過電壓，造成多組變壓器和開關(guān)柜燒毀，危及設(shè)備及人身安全[7]。2019年6月，國家電網(wǎng)公司設(shè)備部發(fā)布《關(guān)于加強(qiáng)大城市配電電纜網(wǎng)單相接地故障快速處置工作的通知》，明確指出應(yīng)“推廣接地選線跳閘技術(shù)，全面提升大城市配電電纜單相接地故障快速處置能力，降低因配電電纜單相接地故障引發(fā)電纜通道火災(zāi)及大面積停電風(fēng)險(xiǎn)”。因此，在配電網(wǎng)發(fā)展的新形勢下，有必要研究具備高度自適應(yīng)性、強(qiáng)魯棒性的配電網(wǎng)接地故障選線方法，增強(qiáng)配電網(wǎng)接地故障防御能力。

目前國內(nèi)外主流的配電網(wǎng)接地選線保護(hù)方法大致可分為基于穩(wěn)態(tài)特征判據(jù)的選線方法[8]、基于暫態(tài)特征判據(jù)的選線方法[9-10]和注入信號法[11]。上述方法的保護(hù)判據(jù)僅基于對單一特征量的分析產(chǎn)生，而配電網(wǎng)運(yùn)行方式復(fù)雜多變，故障條件無法預(yù)測，單一的保護(hù)判據(jù)無法覆蓋所有的接地工況，因此故障選線準(zhǔn)確度不高[12-13]。

近年來，智能配電網(wǎng)的興起極大地促進(jìn)了高級配電自動化（Advanced Distribution Automation, ADA）技術(shù)的發(fā)展[14]。隨著人工智能與大數(shù)據(jù)技術(shù)在各工業(yè)領(lǐng)域的普及和應(yīng)用，基于智能算法的接地故障選線方法成為繼電保護(hù)領(lǐng)域的研究熱點(diǎn)，基于神經(jīng)網(wǎng)絡(luò)方法[15]、貝葉斯方法[16]、遺傳算法[17]及粗糙集理論方法[18]等智能保護(hù)算法的配電網(wǎng)接地故障選線技術(shù)逐漸涌現(xiàn)。這些方法憑借良好的數(shù)據(jù)處理能力在一定程度上提升了故障選線方案的精度和自適應(yīng)性，但保護(hù)判據(jù)的形成過程普遍缺乏明確的物理機(jī)理，僅通過對海量樣本進(jìn)行訓(xùn)練完成故障判斷[19]。在運(yùn)行方式變化的情況下無法實(shí)現(xiàn)對系統(tǒng)運(yùn)行狀態(tài)的全面刻畫，故障判斷結(jié)果存在片面性，無法滿足配電網(wǎng)動態(tài)環(huán)境中繼電保護(hù)的自適應(yīng)性需要。

文獻(xiàn)[20]提出“故障測度”的概念，綜合選取多種故障判據(jù)，要求每個(gè)判據(jù)依據(jù)各自的特征量定量地度量出各元件具有的故障征兆程度，最后由決策環(huán)節(jié)做出綜合判斷。該綜合判據(jù)填補(bǔ)了傳統(tǒng)保護(hù)判據(jù)不能體現(xiàn)判據(jù)自身可靠程度的缺陷，輸出判斷結(jié)果的同時(shí)能夠提供其他元件的故障跡象信息，為運(yùn)維人員進(jìn)行故障處理提供參考。

針對上述問題，本文拓展“故障測度”的概念，使其含義由各元件故障跡象的橫向比較轉(zhuǎn)換為某一饋線隸屬于故障狀態(tài)或非故障狀態(tài)的縱向比較，將系統(tǒng)運(yùn)行的歷史數(shù)據(jù)進(jìn)行模糊聚類分析得到故障模糊測度融合判據(jù)，使判據(jù)能夠有效覆蓋更多故障工況，并具備對運(yùn)行條件變化的自適應(yīng)性。在此基礎(chǔ)上，建立多級評判指標(biāo)體系，針對故障模糊測度融合診斷結(jié)果進(jìn)行修正，實(shí)現(xiàn)故障特征的有效放大，同時(shí)削弱偶然因素對故障判斷的影響，最終輸出綜合判據(jù)矩陣準(zhǔn)確識別故障樣本，大幅提升配電網(wǎng)各類接地故障選線判斷的正確率。

1 基于模糊聚類分析的歷史數(shù)據(jù)類型聚合

1.1 構(gòu)建歷史樣本集

圖1 歷史特征樣本集構(gòu)建方法

1.2 數(shù)據(jù)預(yù)處理

配電自動化終端所提取到的各種故障特征量在量綱、單位和數(shù)值上存在較大差異，對聚類效果產(chǎn)生不利影響。因此，需對歷史特征樣本集進(jìn)行規(guī)格化預(yù)處理，即

規(guī)格化預(yù)處理后，第個(gè)歷史樣本表示為

包含個(gè)歷史樣本的特征指標(biāo)矩陣表示為

1.3 歷史樣本集模糊聚類算法

采用模糊C均值聚類算法對歷史樣本集進(jìn)行訓(xùn)練。該過程在數(shù)學(xué)上描述為：對于規(guī)格化處理后的歷史數(shù)據(jù)特征指標(biāo)矩陣，通過優(yōu)化目標(biāo)函數(shù)（7），借由平衡迭代方程式（8）、式（9）實(shí)現(xiàn)各歷史樣本的動態(tài)聚類，得到故障類與非故障類的聚類中心。

2 基于多級評判指標(biāo)體系的故障判據(jù)融合

為了能夠從樣本自身數(shù)據(jù)結(jié)構(gòu)的角度對樣本間相似程度進(jìn)行量化，進(jìn)而通過樣本相似性度量定量地描述樣本與樣本之間的相似性關(guān)系，按照樣本性質(zhì)上的親疏程度得到合理的故障測度，本文綜合多種相似性測度判據(jù)判斷待測樣本屬性。借鑒電力系統(tǒng)信息安全評估領(lǐng)域的多級綜合評估方法[21]，將不同樣本相似性度量下的多個(gè)故障測度判據(jù)組合成模糊測度融合判據(jù)矩陣，通過多級評判輸出綜合判據(jù)矩陣，實(shí)現(xiàn)多種樣本相似性測度判據(jù)的縱向融合及不同類型故障特征量的橫向融合。

2.1 樣本相似性測度判據(jù)

2.1.1 隸屬度測度判據(jù)

2.1.2 距離相似度比重測度判據(jù)

將樣本視作高維空間中一個(gè)確定點(diǎn)，可通過高維空間中兩點(diǎn)間距離的倒數(shù)來度量樣本之間的相似度。相似度的取值范圍為[0,1]，其值越大，表明兩個(gè)對象越相似。計(jì)算歷史樣本集的故障類聚類中心1與非故障類聚類中心2，采用曼哈頓距離的倒數(shù)來度量待測樣本g與第類聚類中心之間的相似度。

式中，g1為待測樣本g與故障類中心的距離；g2為待測樣本g與非故障類中心的距離；g1為待測樣本g與故障類中心的距離相似度；g2為待測樣本g與非故障類中心的距離相似度。

定義距離相似度比重故障測度為

距離相似度比重非故障測度為

2.1.3 相關(guān)系數(shù)比重測度判據(jù)

定義相關(guān)系數(shù)比重故障測度為

相關(guān)系數(shù)比重非故障測度為

2.2 構(gòu)建多級評判指標(biāo)體系

1）評判因素集

設(shè)為包含所有故障判斷因素的集合，其中因素分為組。

2）評判集

3）權(quán)重集

2.3 模糊測度融合診斷模型

本文采用兩級評判指標(biāo)體系，評判體系模型如圖2所示。更多層級的評判指標(biāo)體系建立方法與兩級評判指標(biāo)體系類似，本文不再贅述。

圖2 兩級評判指標(biāo)體系模型

因此，一級因素集的最終綜合判據(jù)矩陣為

為將故障測度綜合判據(jù)矩陣中的模糊測度融合判據(jù)轉(zhuǎn)換為實(shí)際保護(hù)判斷，本文選取最大測度值判斷準(zhǔn)則作為故障選線判據(jù)。

3 配電網(wǎng)接地故障選線的實(shí)現(xiàn)

基于模糊測度融合診斷的配電網(wǎng)接地故障選線方法實(shí)現(xiàn)流程如圖3所示。

圖3 基于模糊測度融合診斷的配電網(wǎng)接地故障選線實(shí)現(xiàn)流程

4 仿真分析

為驗(yàn)證本文所提配電網(wǎng)故障選線方法的有效性，在PSCAD/EMTDC仿真環(huán)境中搭建典型10kV配電系統(tǒng)進(jìn)行仿真分析，仿真模型如圖4所示。該系統(tǒng)采用中性點(diǎn)經(jīng)消弧線圈接地方式，共有四條出線，其中饋線L1和L4分別為25km和20km的架空線路；饋線L2為12km的電纜線路；饋線L3為混合線路，由5km的架空線路和5km的電纜線路組成。各饋線參數(shù)取值見表1。

圖4 10kV配電系統(tǒng)接地故障仿真模型

表1 10kV配電系統(tǒng)仿真模型參數(shù)

Tab.1 Parameters of 10kV distribution system simulation model

4.1 故障樣本的獲取

在饋線L4發(fā)生低阻50Ω、高阻3kΩ及間歇性弧光接地故障的條件下，分別提取故障特征量作為待測樣本g1、g2、g3。為驗(yàn)證該方法是否在饋線受到擾動的非故障情況下出現(xiàn)誤判，在饋線L3設(shè)置接地故障，分別在接入非線性負(fù)荷和負(fù)荷不對稱運(yùn)行的條件下提取饋線L4故障特征量作為待測樣本g4、g5。故障待測樣本見表3。

表2 不同運(yùn)行及接地故障工況下的歷史特征樣本集

Tab.2 Collection of historical characteristic samples under different system operating and fault conditions

表3 故障待測樣本

Tab.3 Fault samples to be tested

4.2 基于模糊測度融合診斷的故障選線

分別對待測樣本的穩(wěn)態(tài)故障特征量和暫態(tài)故障特征量求取多種樣本相似性測度判據(jù)的故障測度、非故障測度，建立模糊測度融合診斷矩陣見表4。由表4可知，當(dāng)系統(tǒng)發(fā)生低阻接地故障時(shí)，由于暫、穩(wěn)態(tài)故障特征均較明顯，各故障特征值經(jīng)聚類后均落在故障范圍，三種故障測度判據(jù)均能夠正確識別g1為故障樣本。而對于高阻接地故障，由于故障零序回路阻抗值激增，抑制了對地電容中暫態(tài)能量的釋放過程，導(dǎo)致故障暫態(tài)持續(xù)時(shí)間延長、暫態(tài)特征大幅衰減，因此，高阻接地故障下的暫態(tài)故障特征判據(jù)將樣本g2識別為非故障樣本，發(fā)生誤判。對于間歇性弧光接地故障情況，電弧反復(fù)燃熄引發(fā)大量的諧波導(dǎo)致零序電流嚴(yán)重畸變，經(jīng)FFT提取的穩(wěn)態(tài)故障信號已無法有效反映系統(tǒng)狀態(tài)，因此基于穩(wěn)態(tài)故障特征的故障判據(jù)將樣本g3識別為非故障樣本，導(dǎo)致保護(hù)判斷失敗。在非線性負(fù)荷干擾的非故障情況下，即使大量諧波分量導(dǎo)致零序電流發(fā)生一定程度畸變，但各故障特征值依然與故障條件下保持較好的區(qū)分度，經(jīng)聚類分析后均落在非故障范圍內(nèi)，三種故障測度判據(jù)均能夠正確識別4為非故障樣本。而在負(fù)荷不對稱運(yùn)行的條件下，線路負(fù)序分量顯著增大，導(dǎo)致穩(wěn)態(tài)特征值經(jīng)聚類分析后嚴(yán)重偏離非故障聚類中心。因此，基于穩(wěn)態(tài)故障特征的故障判據(jù)將樣本5錯(cuò)誤識別為故障樣本。

表4 配電網(wǎng)接地故障模糊測度融合診斷矩陣

Tab.4 Distribution networks ground fault fuzzy measures integrated diagnosis matrix

建立兩級評判指標(biāo)體系對待測故障樣本的模糊測度融合診斷矩陣進(jìn)行分析。權(quán)重系數(shù)集、1及2根據(jù)被保護(hù)配電網(wǎng)高頻故障類型和大量仿真計(jì)算及現(xiàn)場實(shí)驗(yàn)獲得的各級判據(jù)的保護(hù)判斷準(zhǔn)確率制定，考慮模型中電纜與架空線占比類似，歷史樣本集中設(shè)置的各種故障類型較平均，且仿真環(huán)境相較現(xiàn)場實(shí)際環(huán)境更為理想，因此設(shè)定=[0.5 0.5]，1=2=[0.4 0.3 0.3]。

根據(jù)表4中模糊測度融合診斷矩陣，計(jì)算得到不同運(yùn)行狀態(tài)下的故障測度綜合評判結(jié)果見表5。

表5 各樣本故障測度綜合評判結(jié)果

Tab.5 Fault measures comprehensive judgment results of various samples

4.3 與其他選線方法的對比分析

將基于模糊測度融合診斷的接地故障選線方法與基于支持向量機(jī)（Support Vector Machines, SVM）算法、BP神經(jīng)網(wǎng)絡(luò)算法的選線方法進(jìn)行對比。為了測試各類選線方法對系統(tǒng)運(yùn)行條件變化的自適應(yīng)性及選線準(zhǔn)確率，同時(shí)考慮智能算法的訓(xùn)練需要足夠的樣本支持才能獲取有意義的選線結(jié)果，在饋線L3、L4上設(shè)置不同過渡電阻（5Ω、200Ω、1kΩ、3kΩ、4kΩ、弧光接地故障）、中性點(diǎn)接地方式（不接地、消弧線圈接地、大電阻接地）、故障初相位（0°、30°、60°、90°）及故障點(diǎn)位置（20%、80%），模擬各類接地故障類型，通過饋線L4出口處故障選線裝置共采集288組故障特征樣本。隨機(jī)抽取樣本總數(shù)的25%作為待測樣本，剩余216組樣本作為歷史特征樣本，分批次隨機(jī)抽取歷史特征樣本進(jìn)行訓(xùn)練，以檢驗(yàn)各類選線算法對歷史樣本數(shù)量的依賴程度。選線正確率為判斷正確的樣本數(shù)與待測樣本總數(shù)的百分比，選線結(jié)果如圖5所示。

圖5 不同故障選線方法結(jié)果對比

根據(jù)圖5可知，即使在歷史樣本數(shù)量僅有54組，無法全面覆蓋各類接地故障的情況下，本文所提方法的選線正確率依然達(dá)到87.5%，遠(yuǎn)高于SVM算法和BP神經(jīng)網(wǎng)絡(luò)算法的選線正確率。這是由于本文方法運(yùn)用多種故障測度實(shí)現(xiàn)了配電網(wǎng)運(yùn)行狀態(tài)的多角度刻畫，充分挖掘樣本間關(guān)聯(lián)性，提升了特征樣本數(shù)據(jù)的容錯(cuò)性和抗干擾能力，從而減小了對歷史樣本數(shù)量的依賴性。隨著歷史樣本數(shù)量的增多，各類選線方法的選線正確率均有不同程度的提高。當(dāng)歷史樣本數(shù)量達(dá)到216組時(shí)，本文方法的選線正確率高達(dá)97.2%，能適應(yīng)絕大部分故障工況；而其他兩類算法的選線正確率依然不足80%，僅能應(yīng)對過渡電阻小于1kΩ的故障情況，對高阻故障及弧光接地故障均存在較高的誤判率。由此表明，相比SVM算法和BP神經(jīng)網(wǎng)絡(luò)算法，本文方法通過多種測度判據(jù)的縱向融合及不同類型故障特征量的橫向融合凸顯故障特征，能夠大幅提升在高阻接地故障和弧光接地故障等極端惡劣故障條件下的選線正確率，具備對系統(tǒng)運(yùn)行條件變化的自適應(yīng)性。

5 真型實(shí)驗(yàn)驗(yàn)證

為進(jìn)一步驗(yàn)證本文所提故障選線方法對實(shí)際故障條件的適應(yīng)性，在所搭建的10kV真型配電網(wǎng)實(shí)驗(yàn)室中進(jìn)行接地故障選線實(shí)驗(yàn)。將配電網(wǎng)實(shí)驗(yàn)室10kV母線接入1號、2號、3號、4號四條出線，由接地變壓器引出的系統(tǒng)中性點(diǎn)經(jīng)消弧線圈接地，脫諧度為-15%。接地故障實(shí)驗(yàn)條件如圖6所示。

圖6 10kV配電網(wǎng)接地故障實(shí)驗(yàn)條件

在系統(tǒng)不同線路設(shè)置各類接地故障，提取多種故障特征量組成歷史樣本集進(jìn)行模糊聚類分析。然后在1號線路設(shè)置高阻3kΩ單相接地故障、高阻1kΩ單相接地故障及弧光接地故障，實(shí)測的零序電壓、零序電流錄波如圖7所示。

圖7 不同接地故障下1號線路實(shí)測錄波波形

表6 實(shí)驗(yàn)室實(shí)測故障特征樣本

Tab.6 Fault characteristics samples measured in the laboratory

表7 實(shí)測故障樣本模糊測度融合診斷判斷結(jié)果

Tab.7 Fuzzy measures integrated diagnosis judgment result of actually measured fault samples

6 結(jié)論

本文拓展“故障測度”的概念，提出一種基于模糊測度融合診斷的配電網(wǎng)接地故障選線方法。本方法提取多種運(yùn)行工況及不同故障條件下的特征樣本組成歷史特征樣本集，借助模糊C均值聚類算法，以多種故障檢測方法獲取的多源故障信息為指標(biāo)，將歷史樣本劃分為故障類與非故障類，求取各類別的聚類中心。從不同角度比較待測樣本與歷史特征樣本集的樣本相似程度，形成多種樣本相似性測度判據(jù)，進(jìn)而構(gòu)成模糊測度融合診斷矩陣；建立多級評判指標(biāo)體系對模糊測度融合診斷矩陣進(jìn)行評判，并輸出綜合判據(jù)矩陣作為最終保護(hù)判據(jù)。PSCAD/EMTDC仿真與10kV真型實(shí)驗(yàn)室測試結(jié)果均證明了本方法的有效性，在故障錄波數(shù)據(jù)失真，部分樣本相似性測度判據(jù)發(fā)生誤判的情況下，通過多級評判指標(biāo)體系對模糊測度融合診斷矩陣進(jìn)行修正，依然能夠準(zhǔn)確識別故障樣本，執(zhí)行正確的故障選線判斷，大幅提升配電網(wǎng)各類接地故障選線的正確率。該方法無需設(shè)置保護(hù)整定值，可實(shí)現(xiàn)接地故障的無整定保護(hù)，具有不受系統(tǒng)運(yùn)行方式變化影響的特點(diǎn)。

[1] 周興達(dá), 陸帥. 一種基于消弧線圈和靜止同步補(bǔ)償器協(xié)同作用的配電網(wǎng)消弧結(jié)構(gòu)與方法[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(6): 1251-1262.

Zhou Xingda, Lu Shuai. An arc-suppression method based on the coordinated operation of the petersen coil and the static synchronous compensator in distribution networks[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1251-1262.

[2] 余銀鋼, 洪新春, 李嶺, 等. 基于電力物聯(lián)網(wǎng)的配電網(wǎng)斷線故障識別技術(shù)[J]. 電氣技術(shù), 2020, 21(7): 76-79.

Yu Yingang, Hong Xinchun, Li Ling, et al. Fault identification technology based on power internet of things[J]. Electrical Engineering, 2020, 21(7): 76-79.

[3] 要煥年, 曹梅月. 電力系統(tǒng)諧振接地[M]. 北京: 中國電力出版社, 2000.

[4] 董俊, 李一凡, 束洪春, 等. 配電網(wǎng)饋出線路單相永久性接地故障性質(zhì)辨識方法[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(21): 4576-4585.

Dong Jun, Li Yifan, Shu Hongchun, et al. Study on identification method of single phase permanent ground fault in distribution network feedout line[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4576-4585.

[5] 徐丙垠, 薛永端, 馮光, 等. 配電網(wǎng)接地故障保護(hù)若干問題的探討[J]. 電力系統(tǒng)自動化, 2019, 43(20): 1-7.

Xu Bingyin, Xue Yongduan, Feng Guang, et al. Discussion on several problems of earthing fault protection in distribution network[J]. Automation of Electric Power Systems, 2019, 43(20): 1-7.

[6] 肖湘寧, 廖坤玉, 唐松浩, 等. 配電網(wǎng)電力電子化的發(fā)展和超高次諧波新問題[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(4): 707-720.

Xiao Xiangning, Liao Kunyu, Tang Songhao, et al. Development of power-electronized distribution grids and the new supraharmonics issues[J]. Transactions of China Electrotechnical Society, 2018, 33(4): 707-720.

[7] 郭鳳儀, 高洪鑫, 唐愛霞, 等. 局部二值模式直方圖匹配的串聯(lián)故障電弧檢測及選線[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(8): 1653-1661.

Guo Fengyi, Gao Hongxin, Tang Aixia, et al. Series arc fault detection and line selection based on local binary pattern histogram matching[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1653-1661.

[8] 龍毅, 歐陽金鑫, 熊小伏, 等. 基于零序功率變化量的配電網(wǎng)單相高阻接地保護(hù)[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(17): 3687-3695.

Long Yi, Ouyang Jinxin, Xiong Xiaofu, et al. Protection principle of single-phase high resistance fault for distribution network based on zero-sequence power variation[J]. Transactions of China Electrotechnical Society, 2019, 34(17): 3687-3695.

[9] 束洪春, 李一凡, 田鑫萃, 等. 基于交叉重疊差分變換關(guān)聯(lián)性分析的配電網(wǎng)故障選線[J]. 電力系統(tǒng)自動化, 2019, 43(6): 137-144.

Shu Hongchun, Li Yifan, Tian Xincui, et al. Distribution network fault line selection based on correlation analysis of sequential overlapping derivative transform[J]. Automation of Electric Power Systems, 2019, 43(6): 137-144.

[10] 高杰, 程啟明, 程尹曼, 等. 基于量子遺傳雙穩(wěn)態(tài)系統(tǒng)的配電網(wǎng)故障選線方法[J]. 電力自動化設(shè)備, 2018, 38(5): 164-170.

Gao Jie, Cheng Qiming, Cheng Yinman, et al. Faulty line selection method based on quantum genetic bistable system for distribution network[J]. Electric Power Automation Equipment, 2018, 38(5):164-170.

[11] 樊淑嫻, 徐丙垠, 張清周. 注入方波信號的經(jīng)消弧線圈接地系統(tǒng)故障選線方法[J]. 電力系統(tǒng)自動化, 2012, 36(4): 91-95.

Fan Shuxian, Xu Bingyin, Zhang Qingzhou. A new method for fault line selection in distribution system with arc suppression coil grounding with square-wave signal injection[J]. Automation of Electric Power Systems, 2012, 36(4): 91-95.

[12] 王守相, 梁棟, 葛磊蛟. 智能配電網(wǎng)態(tài)勢感知和態(tài)勢利導(dǎo)關(guān)鍵技術(shù)[J]. 電力系統(tǒng)自動化, 2016, 40(12): 2-8.

Wang Shouxiang, Liang Dong, Ge Leijiao. Kay technologies of situation awareness and orientation for smart distribution systems[J]. Automation of Electric Power Systems, 2016, 40(12): 2-8

[13] 鄧豐, 梅龍軍, 唐欣, 等. 基于時(shí)頻域行波全景波形的配電網(wǎng)故障選線方法[J]. 電工技術(shù)學(xué)報(bào), 2021, 36(13): 2861-2870.

Deng Feng, Mei Longjun, Tang Xin, et al. Faulty line selection method of distribution network based on time-frequency traveling wave panoramic waveform[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2861-2870.

[14] 胡偉, 李勇, 曹一家, 等. 基于LOF和SVM的智能配電網(wǎng)故障辨識方法[J]. 電力自動化設(shè)備, 2016, 36(6): 7-12.

Hu Wei, Li Yong, Cao Yijia, et al. Fault identification based on LOF and SVM for smart distribution network[J]. Electric Power Automation Equipment, 2016, 36(6): 7-12.

[15] 王磊, 曹現(xiàn)峰, 駱瑋. 基于改進(jìn)PSO優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障選線研究[J]. 電氣技術(shù), 2016, 17(3): 30-35.

Wang Lei, Cao Xianfeng, Luo Wei. Research on fault line detection for distribution network based on improved PSO to optimize fuzzy neural network [J]. Electrical Engineering. 2016, 17(3): 30-35.

[16] 王英英, 羅毅, 涂光瑜. 基于貝葉斯公式的似然比形式的配電網(wǎng)故障定位方法[J]. 電力系統(tǒng)自動化, 2005, 29(19): 54-57.

Wang Yingying, Luo Yi, Tu Guangyu. Fault location based on Bayes probability likelihood ratio for distribution net works[J]. Automation of Electric Power Systems, 2005, 29(19): 54-57.

[17] 唐金銳, 尹項(xiàng)根, 張哲, 等. 配電網(wǎng)故障自動定位技術(shù)研究綜述[J]. 電力自動化設(shè)備, 2013, 33(5): 7-13.

Tang Jinrui, Yin Xianggen, Zhang Zhe, et al. Survey of fault location technology for distribution networks[J]. Electric Power Automation Equipment, 2013, 33(5):7-13.

[18] 蘭華, 朱鋒. 基于模糊粗糙集和GA-BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障選線方法[J]. 南方電網(wǎng)技術(shù), 2013, 7(1): 90-94.

Lan Hua, Zhu Feng. Faulty line detection method for distribution network based on fuzzy rough sets and GA-BP neural network[J]. Southern Power Grid Technology, 2013, 7(1): 90-94.

[19] 簡金寶, 王媛媛, 曾祥君, 等. 基于系統(tǒng)聚類分析的饋線接地保護(hù)[J]. 電力系統(tǒng)自動化, 2013, 37(5): 111-116.

Jian Jinbao, Wang Yuanyuan, Zeng Xiangjun, et al. Earth fault feeder detection based on hierarchical clustering analysis[J]. Automation of Electric Power Systems, 2013, 37(5): 111-116.

[20] 徐彪, 尹項(xiàng)根, 張哲, 等. 電網(wǎng)故障診斷的分階段解析模型[J]. 電工技術(shù)學(xué)報(bào), 2018, 33(17): 4113-4122.

Xu Biao, Yin Xianggen, Zhang Zhe, et al. A staged analytical model for power system fault diagnosis[J]. Transactions of China Electrotechnical Society, 2018, 33(17): 4113-4122.

[21] 陳勝, 衛(wèi)志農(nóng), 孫國強(qiáng), 等. 電-氣互聯(lián)綜合能源系統(tǒng)安全分析與優(yōu)化控制研究綜述[J]. 電力自動化設(shè)備, 2019, 39(8): 3-11.

Chen Sheng, Wei Zhinong, Sun Guoqiang, et al. Review on security analysis and optimal control of electricity-gas integrated energy system[J]. Electric Power Automation Equipment, 2019, 39(8): 3-11.

Grounding Fault Line Selection of Distribution Networks Based on Fuzzy Measures Integrated Diagnosis

Yu Kun Xu Pengbo Zeng Xiangjun Li Li Yang Libin

（Hunan Province Key Laboratory of Smart Grids Operation and Control Changsha University of Science and Technology Changsha 410114 China）

The operation and fault conditions of non-effectively grounded distribution networks are complex and variable. It is difficult to effectively cover different fault conditions in the existing distribution network ground fault line selection methods. Especially for high-impedance grounding fault and arc-grounding fault, the criterion based on a single fault characteristic has a high rate of false positives. In this paper, a new method of grounding fault line selection for distribution networks based on fuzzy measures integrated diagnosis is proposed. By means of fuzzy C-means clustering algorithm, the historical characteristic sample sets that characterize the different operating states of the protected lines collected under various operating conditions are divided. A variety of sample similarity measure criteria are used to analyze the degree of similarity between the sample to be tested and the faulty and non-faulty categories to form a fuzzy measure integrated diagnosis matrix, and the matrix is evaluated by the multi-stage judgment indicator system. According to the matrix judgment, the fault characteristics are amplified, the influence of accidental factors on the fault judgment is weakened, and finally the comprehensive judgment matrix is used to accurately identify the fault samples. The results of PSCAD/EMTDC simulation and 10kV true experimental test show that under the influence of non-linear load and other disturbance factors, this method can still accurately capture fault characteristics and correctly identify fault samples under various fault conditions. It has the ability to adapt to changes in the operation mode of different systems, and has strong robustness.

Distribution network, fault line selection, fuzzy measures integrated diagnosis, judgment indicator system

10.19595/j.cnki.1000-6753.tces.210046

TM862

國家自然科學(xué)基金（51737002）和湖南省自然科學(xué)基金（2019JJ50645）資助項(xiàng)目。

2021-01-12

2021-07-19

喻 錕 男，1989年生，博士，講師，研究方向?yàn)殡娏ο到y(tǒng)保護(hù)與控制。E-mail：kunyu0707@163.com（通信作者）

曾祥君 男，1972年生，博士，教授，研究方向?yàn)殡娏ο到y(tǒng)保護(hù)與控制。E-mail：eexjzeng@qq.com（通信作者）

（編輯 赫蕾）