殷洪海， 章立， 王凱

(1.國網(wǎng)江蘇省電力有限公司 常州供電分公司，江蘇 常州 213000； 2.國網(wǎng)電力科學研究院有限公司，江蘇 南京 211106)

0 引 言

隨著越來越多分布式電源以及電力電子設備接入配電網(wǎng)，傳統(tǒng)的配網(wǎng)故障定位方法已無法很好地適應有源配電網(wǎng)的故障處理需求[1]。

在現(xiàn)有研究中，針對非對稱故障暫態(tài)過程的定位方法較多，如專家系統(tǒng)、模糊邏輯和人工神經(jīng)網(wǎng)絡等[2-4]。有研究提出基于雙曲線Stockwell變換(Stockwell transform，ST)的故障定位方法，但定位誤差較大，有研究分析分布式發(fā)電(distributed generation，DG)滲透對配電網(wǎng)的影響，并提出相量測量單元和數(shù)字故障記錄結合的故障定位方法，但其只能適應某類別的故障定位[5]。文獻[6]提出基于最小故障電抗和黃金分割的有源配電網(wǎng)故障定位方法，采用梯形迭代進行故障電流判定，但其定位精度仍有待提高。文獻[7]提出一種基于改進鯨魚優(yōu)化算法的有源配電網(wǎng)故障定位方法，但其定位精度受分布式電源容量和位置影響較大?？梢?，現(xiàn)有研究大多基于傳統(tǒng)架構的配電網(wǎng)進行故障診斷，不能很好適用于配電物聯(lián)網(wǎng)建設的需求[8]。

因此，提出配電物聯(lián)網(wǎng)架構下基于云邊協(xié)同的有源配電網(wǎng)故障定位方法。構建“云-管-邊-端”新型配電物聯(lián)網(wǎng)架構體系，基于邊緣側強大的邊緣計算能力，采用ST處理從端側的智能終端捕獲故障電流信號，并通過不同故障饋線計算出總諧波畸變率(total harmonic distortion，THD)，計算故障信號的ST系數(shù)提取故障特征，在“云”側采用深度信念網(wǎng)絡(deep belief network，DBN)學習不同故障的特征屬性并分類，根據(jù)屬性分類因子調(diào)整ST系數(shù)的權重均方根值，以適應不同類型的故障特征處理與定位。

1 基于云邊協(xié)同的有源配電網(wǎng)故障定位方法

基于“云-管-邊-端”的配電物聯(lián)網(wǎng)架構如圖1所示，“云”是配電物聯(lián)網(wǎng)云平臺，以軟件定義的方式對邊緣側匯集的數(shù)據(jù)進行計算、存儲和統(tǒng)一調(diào)度?！肮堋笔峭ㄐ啪W(wǎng)，采用光纖或者5G網(wǎng)絡實現(xiàn)云邊數(shù)據(jù)交互?！斑叀笔强拷鼣?shù)據(jù)源頭的物聯(lián)代理終端，對本地化數(shù)據(jù)進行預處理，就地提供智能決策?！岸恕笔悄┒说闹悄芙K端，實現(xiàn)對配網(wǎng)線路數(shù)據(jù)采集。

圖1 “云-管-邊-端”配電物聯(lián)網(wǎng)架構

本文所提方法基于此架構，將ST處理嵌入物聯(lián)代理終端，利用邊緣側的計算能力對故障信息就地檢測與預處理；再通過云主站的平臺，利用DBN進行不同故障特征訓練、學習分類和故障定位。

1.1 邊緣側基于ST處理的特征提取

對于端側智能終端采集的故障信號x(t)=[x(1),x(2),…,x(m)]，邊緣側的物聯(lián)代理終端中ST處理可定義為：

(1)

(2)

式中：F為ST處理；tkfj為二維矩陣A的幅值，k∈(1,m),j∈(1,n)。

THD會根據(jù)分布式電源接入的量變化而變化，若線路基波有效值為Q1，電流總有效值為Q，則電流信號THD可表示為：

(3)

ST系數(shù)的均方值根(root mean square，RMS)考慮分布式電源接入時THD的變化影響，其隨故障位置的不同而變化。在提取的特征中選擇ST系數(shù)權重均方根值，用作云側DBN訓練的輸入?yún)?shù)，其表達式如下。

(4)

式中:FRMS、Ns和σ分別為ST系數(shù)的權重均方根值、諧波量和高斯函數(shù)的寬度。若RMS>FRMS，則表示在故障點上游，若RMS

1.2 云側基于DBN的故障特征訓練

DBN作為一種非監(jiān)督深度學習神經(jīng)網(wǎng)絡，主動學習輸入數(shù)據(jù)并自動挖掘隱藏在已知數(shù)據(jù)中的豐富信息，其模型結構如圖2所示。

圖2 DBN模型結構圖

DBN可被視為玻爾茲曼機(restricted boltzmann machines，RBM)的堆棧，設RBM狀態(tài)為(v,h)，所具備的能量定義為：

(5)

式中:vi為可視層單元的故障狀態(tài)向量；hj為隱藏層單元的故障狀態(tài)向量；θ為RBM參數(shù)集合；Wij為可視層單元和隱單元的連接權值；ai、bj分別為可視單元和隱單元的偏置向量。RBM學習模型的目的是求出不同故障的特征屬性模型，根據(jù)屬性分類因子去調(diào)整ST系數(shù)的權重均方根值，以適應不同類型的故障特征處理。

1.3 基于ST-DBN的故障定位方法

基于ST-DBN的電網(wǎng)故障定位流程如圖3所示。圖3(a)為基于THD和ST的故障線路檢測流程，圖3(b)為最終的故障定位過程，包括測量模塊、信號處理模塊和DBN訓練學習模塊。

首先在邊緣側基于ST處理，從端側的智能終端捕獲故障電流信號，利用線路端部故障電流信號THD值對線路進行在線故障線路檢測。然后根據(jù)獲得被測信號的ST系數(shù)計算RMS值，通過故障信號THD電平檢測出故障饋線和線路。最后利用云側的DBN算法求出不同故障的特征屬性模型，根據(jù)屬性分類因子調(diào)整ST系數(shù)的權重均方根值，以適應不同類型的故障特征處理與定位。

2 試驗分析與結果

為驗證所提方法，在采用英特爾酷睿i7處理器的PC機上搭建仿真模型，采用基于IEEE 13-bus測試系統(tǒng)構成有源配電網(wǎng)。其中，IEEE 13-bus系統(tǒng)與風電場相連。

2.1 故障定位精度分析

與其他信號處理技術相比，基于云邊協(xié)同的故障定位方法給

圖3 所提方法流程圖

出了更詳細的故障信號系數(shù)。為了對其進行驗證，將故障線路分成10個部分，并對每個部分進行故障模擬。通過從故障線路的發(fā)送端獲得的故障信號計算ST系數(shù)，并根據(jù)ST系數(shù)計算RMS值，以便DBN進行故障定位。表1顯示了IEEE 13-bus測試系統(tǒng)不同測試集的測試結果，定位誤差在0.35～0.57 m之間。

表1 IEEE 13-bus系統(tǒng)線路故障的定位結果

2.2 對比分析

將所提方法與文獻[6-7]中基于阻抗的方法進行了比較，結果如表2所示。

從表2可知，與基于阻抗等物理算法對比，本文方法在故障定位中的精度更高，這是由于本文方法的故障特征判定加入了動態(tài)調(diào)整機制，能適應不同故障類型的特征變化，因此定位誤差更小。

表2 故障定位時各方法應用的比較

3 結束語

基于配電物聯(lián)網(wǎng)架構，提出一種基于云邊協(xié)同的有源配電網(wǎng)故障定位方法。試驗結果表明，所提方法故障定位精度優(yōu)于現(xiàn)有方法。此方法可以減少人工的工作量，為配電故障快速診斷提供幫助。但ST涉及信號的深層分解，會導致一定的計算負擔，下一步將對信號分解和學習訓練作進一步優(yōu)化，以提高故障定位效率。