CN103245893A - 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 - Google Patents

Abstract

本发明提供一种利用自然频率的辐射状配网分层分布式ANN故障定位方法，属电力***继电保护技术领域。利用ANN的非线性拟合能力来反映此种映射关系，实现辐射状配电网的故障定位及分支识别。当辐射状配电网发生单相接地故障时，选取故障后T/4时窗的零序电压数据，由FFT提取零序电压自然频率及其幅值，以自然频率值作为分层分布式ANN模型的输入样本，先进行故障定位；再以自然频率对应的幅值作为输入样本，进行故障分支识别，故障距离和故障点所在分支编号作为其输出。该方法克服了行波测距方法中行波波头易逝性的缺点，能够有效提高故障定位抗干扰能力，故障电压数据容错性强。

Description

一种基于自然频率的辐射状配网分层分布式ANN故障定位方法

技术领域

本发明涉及电力***继电保护技术领域，具体的说是一种基于自然频率的辐射状配网分层分布式ANN故障定位方法。

背景技术

综合考虑技术、经济和安全等因素，我国中压配电网大多采用小电流接地方式。配电网是电力***中和用户联系最为直接的环节，其覆盖范围广泛，单相接地故障机率高，技术和经济因素综合决定了多分支辐射状配电网故障定位有其特殊性，人们已经进行了大量的研究。按照所利用信号的不同可分为主动式故障定位法和被动式故障定位法。主动式故障定位法是通过向配电网***注入特定频率功率信号，利用移动或固定安装的信号检测设备来检测故障发生的位置，如“S”注入法、加信传递函数法等，但其可靠性受过渡电阻、间歇性电弧的影响较大，实际应用效果不十分理想。被动式故障定位法主要利用馈线发生故障前后电压、电流信号特征实现故障定位，其中以阻抗法和行波法最具代表性。阻抗法是基于故障回路阻抗和故障距离间的映射关系实现故障位置的判断，因配电网电压和电流互感器传遍特性往往不一致，会给基于阻抗法的定位方法造成较大的测距误差。同时，针对多分支配电网的复杂结构，阻抗法无法有效识别等电气距离处的等效故障。行波法利用暂态行波在量测点和故障点间传播的时差实现故障定位，但受多分支配电网特殊结构影响，故障点第二个反射波头的准确识别更为困难，加之配电网的干扰信源较多、行波法对硬件及互感器性能要求较高等因素，使得行波法在多分支配电网中的应用效果亦不十分理想。

本发明是基于自然频率的辐射状配网分层分布式ANN（Artificial Neural Network，人工神经网络）故障定位方法。当辐射状配电网发生单相接地故障时，故障电压行波从故障点开始沿馈线向两侧传播，并在波阻抗不连续点发生折反射。不同分支发生故障，其故障电压行波经由不同分支组合的传播路径到达母线侧量测端，由量测端获得的故障暂态电压的自然频率及其幅值分布亦不相同。不同分支组合的行波传播路径与自然频率及其幅值分布之间存在着映射关系。可利用ANN强大的非线性拟合能力来反映此种映射关系，实现辐射状配电网的故障定位及分支识别。利用故障后四分之一工频周期时窗的零序电压数据加切比雪夫窗进行处理，由FFT提取零序电压自然频率，以自然频率值作为分层分布式ANN模型的输入样本，先进行故障定位；再以自然频率对应的幅值作为输入样本属性，进行故障分支识别，故障距离和故障点所在分支编号作为其输出样本属性。基于此，实现辐射状配电网的故障定位。

发明内容

本发明的目的在于提出一种基于自然频率的辐射状配网分层分布式ANN故障定位方法，克服行波测距方法中行波波头易逝性的缺点，有效提高故障定位抗干扰能力。

本发明基于自然频率的辐射状配网分层分布式ANN故障定位方法是：当辐射状配电网发生单相接地故障时，利用故障后四分之一工频周期时窗的零序电压数据加切比雪夫窗进行处理，由FFT（Fast Fourier Transform，快速傅里叶变换）提取零序电压自然频率；以自然频率值作为分层分布式ANN（Artificial Neural Network，人工神经网络）模型的输入样本，进行故障距离定位；以自然频率对应的幅值作为输入样本属性，进行故障分支识别；以故障距离和故障点所在分支编号作为其输出样本属性，实现辐射状配电网的故障定位。具体步骤如下：

（1）当辐射状配电网发生单相接地故障时，根据录波装置测得三相电压可得故障零序电压，将其减去对应时间上的稳态电压得到零序暂态故障电压                                               

为：

                    （2）

式中，u _A (k)、u _B (k)、u _C (k)分别为故障线路A、B、C三相电压，k =1、2、3…N，N为采样序列长度；

（2）利用多分支辐射状配电网故障后T/4短时窗母线侧故障零序电压数据，对零序电压数据进行切比雪夫窗提取并进行FFT变换，得到其自然频率分布；

（3）按如下方法训练辐射状配电网故障定位分层分布式ANN：选取步骤（2）中自然频率 p ₁=( f _n1，f _n2，f _n3，f _n4，f _n5，f _n6，f _n7，f _n8）作为第一层神经网络的输入样本，其输出向量 y ₁=d _f，反映故障点距离；选取步骤（2）中自然频率 p ₁各对应的幅值 p ₂=(E _n1，E _n2，E _n3，E _n4，E _n5，E _n6，E _n7，E _n8）作为第二层神经网络的输入样本，其输出向量 y ₂₁=1或 y ₂₁=2和 y ₂₂=3或 y ₂₂=4，反映故障点所在分支；以故障距离和故障点所在分支编号作为其输出样本属性；

（4）根据步骤（3）训练得到的辐射状配电网故障定位分层分布式神经网络，进行故障定位：输出向量 y ₁表示故障点距离为d _f；当输出向量为 y ₂₁或 y ₂₂分别为1、2、3或4时，表示故障点位于对应分支L ₁₂、L ₁₅、L ₁₃或L ₁₄上。

本发明中，对辐射状配电网故障定位分层分布式ANN模型进行训练时，输入样本的选取结合下列故障条件进行：沿馈出线feeder₁选取故障点，故障距离变化步长为200m；故障过渡电阻R分别取20Ω、100Ω、500Ω；故障初始相角分别取30°、60°、90°。

本发明中，测量配电网母线侧零序电压，数据窗的长度为故障初瞬时刻标定后5ms，采样频率为100kHz。

本发明的原理是：

1、自然频率特征分析

当辐射状配电网发生单相接地故障时，故障电压行波从故障点开始沿馈线向两侧传播，并在波阻抗不连续点发生折反射。故障发生在不同分支，故障电压行波经由不同分支组合的传播路径到达变电站侧的量测端，由量测端获得的故障暂态电压的自然频率分布亦不相同，不同分支组合的行波传播路径与自然频率分布之间存在着映射关系。自然频率分布与故障位置存在映射关系。

图2给出了直配线路分布参数等值的故障分量零序网络，其中，R ₀、L ₀、G ₀和C ₀分别为线路单位长度正序的电阻、电感、电导和电容；Z _S为电源阻抗，Z _m为负荷侧阻抗；F为故障点；Z _F为故障点处阻抗；U _F为故障前F点处电压；v为故障行波波速；d为直配线路全长，d _f 为故障点到电源侧的距离。

故障产生的初始行波沿线路向两侧传播，量测端感受到的是量测端M和故障点、末端多次反射的行波的叠加，表现在频率上为一系列具有固定频率的高频分量。

量测端M端获得的反映故障自然频率满足：

                                  （2）

反映线路全长的自然频率满足：

                                  （3）

在式（2）和（3）中，β _M为量测端M反射系数，β _F为故障点反射系数，ω为角频率，

为行波从故障点传播到量测端M的时间（其中，v为故障行波传播速度，d _f 为故障点到电源侧的距离）。

可知，式（2）和（3）有无穷多个解，利用欧拉公式将其转化为指数形式，可以表示为

                   （4）

进而可以得到行波自然频率ω的表示式为

                       

                        （5）

式中，

，；其中θ _M为量测端的反射角，θ _F为故障点反射角。

式（5）中，实部表示自然频率的衰减程度，而其虚部为该自然频率的角频率，则故障行波的自然频率可表示为：

                   （6）

在极端边界条件下，当***侧为开路，故障点为短路时，β _M和β _F均为实数，且β _M β _F=-1时，此时，θ _M=π，θ _F=0，行波自然频率的主成分为：

                              （7）

同理，当线路两端均为开路时，即β_Mβ_N=1时，其中β _N为馈线末端反射系数，行波自然频率的主成分为：

                               （8）

式（7）、（8）中，v为故障行波传播速度，d _f 为故障点到电源侧的距离，d为直配线路全长。

实际情况中，考虑到母线***和配网末端降压变对地杂散电容以及故障点过渡电阻的存在，利用式（7）或（8）来估计故障电压行波自然频率时存在一定偏差。

由上述分析可知，量测端得到的故障行波的频率与量测端的反射角和故障点反射角均有关，且故障行波自然频率主成分和故障点距离之间存在着映射关系，自然频率(分布)很好的反映了故障位置。

2、利用自然频率的辐射状配网分层分布式ANN进行故障定位

对于多分支辐射状配网，故障发生在不同分支，故障电压行波经由不同分支组合的传播路径到达变电站侧的量测端，由量测端获得的故障暂态电压的自然频率分布和幅值不同，不同分支组合的行波传播路径与自然频率分布之间存在着映射关系。其中，故障点至量测端间的距离信息反应在故障电压行波的自然频率分布上，故障分支信息反应在自然频率及其幅值上。利用ANN强大的非线性拟合能力，可以反映此种映射关系。为了提高神经网络的学习效率，优化BP模型的结构，采用分层分布式神经网络模型。

当辐射状配电网***发生单相接地故障时，任一故障分量都含有故障位置的信息，但是不同的故障分量与故障位置之间的映射关系的强弱程度是不同的，因此选择与故障位置强映射关系的自然频率分布作为神经网络的特征量，可以减少输入样本，加快收敛，进而达到精确故障定位。如图4所示，其中第一层ANN用于故障定位，其输入样本属性为自然频率分布，第二层ANN用于故障分支识别，其输入样本属性为自然频率对应的幅值。利用第一层故障定位ANN进行故障定位，当输出故障距离主干上某段且无分支时，则输出结果即为故障点位置；当输出故障距离位于主干上某段且有分支时，则需要根据输出结果利用第二层分支识别ANN进行故障分支识别。

本发明与现有技术相比具有如下优点：

（1）本方法利用故障电压行波从故障点沿馈出线向两侧传播，在波阻抗不连续点发生折反射，故障行波的传播路径和自然频率分布存在着映射关系；自然频率测距是利用量测端感受到的故障行波波头多次折反射形成的高频分量，其不依赖于一两个行波波头的检测，从而克服了行波测距方法中行波波头易逝性的缺点。

（2）本方法采用ANN强大的非线性拟合能力，能够有效提高故障定位抗干扰能力。

（3）本方法在一定程度上不受过渡电阻、故障初始相角影响，故障电压数据容错性强。

附图说明

图1为本发明多分支辐射状配电网***结构示意图；图中，T为主变压器，T_Z为Z字型变压器，L为消弧线圈，R为消弧线圈的阻尼电阻，K为隔离开关，M点是位于母线处的故障行波的量测端，C_E为母线***对地等效电容，f为故障点。

图2为本发明直配线路分布参数等值的故障分量零序网络图，图中，R ₀、L ₀、G ₀和C ₀为线路单位长度正序的电阻、电感、电导和电容；Z _S为电源阻抗，Z _m为负荷侧阻抗；F为故障点；Z _F为故障点处阻抗；U _F为故障前F点处电压；v为故障行波波速；d为直配线路全长，d _f为故障点到电源侧的距离；

图3为本发明配电网发生单相接地故障后，量测端M检测到的零序电压时域波形图；图中，横轴表示时间，单位为ms，纵轴表示零序电压大小，单位为kV；

图4为本发明配电网发生单相接地故障后，从5ms时窗数据中截取4.096ms数据进行加切比雪夫窗FFT变换，得到的自然频率分布图；横轴表示频率，单位为kHz，纵轴表示频率幅值大小，单位为kV。

图5为本发明辐射配网故障定位分层分布式神经网络模型图。

具体实施方式

以下结合附图和具体实施方式，对本发明作进一步阐述。

当辐射状配电网发生单相接地故障时，根据录波装置测得三相电压，通过公式

得到零序暂态故障电压

；利用故障后四分之一工频周期时窗的零序电压数据加切比雪夫窗进行处理，由FFT提取零序电压自然频率；构建辐射配网故障定位分层分布式神经网络（ANN）模型，以自然频率值 p ₁=( f _n1，f _n2，f _n3，f _n4，f _n5，f _n6，f _n7，f _n8）作为分层分布式ANN模型的第一层神经网络的输入样本，得到输出向量 y ₁，根据 y ₁=d _f进行故障距离定位；以自然频率 p ₁所对应的幅值 p ₂=(E _n1，E _n2，E _n3，E _n4，E _n5，E _n6，E _n7，E _n8）作为分层分布式ANN模型的第二层神经网络的输入样本，得到输出向量 y ₂₁=1或 y ₂₁=2和 y ₂₂=3或 y ₂₂=4，进行故障分支识别；以故障距离和故障点所在分支编号作为其输出样本属性。本专利的定位方法首先根据 y ₁=d _f确定故障距离，当输出向量 y ₂₁或 y ₂₂分别为1、2、3或4时，表示故障点位于对应分支L ₁₂、L ₁₅、L ₁₃或L ₁₄上。

实施例1：对于如图1所示的多分支配电网模型，该***中性点经消弧线圈接地，母线右侧布置故障馈出线feeder₁，母线左侧布置健全馈出线feeder₂和feeder₃。馈出线路feeder₁包含5条分支，分别为L ₁₁、L ₁₂、L ₁₃、L ₁₄、和L ₁₅；馈出线路feeder₂为直配馈出线路；馈出线路feeder₃包含3条分支，分别为L ₃₁、L ₃₂和L ₃₃。该配电网中的T为主变压器，电压比为110kV/35kV，联结组别为YN/Y；T_Z是Z字型变压器；L为消弧线圈；R为消弧线圈的阻尼电阻。消弧线圈通过隔离开关K投切。M点是位于母线处的故障行波的量测端，母线***对地等效电容C_E为0.0001μF，负荷侧降压变的对地等效电容如图1中虚框所示。馈出线路feeder₁的分支线路L ₁₃发生单相接地故障，故障点f距离母线侧5.9km，过渡电阻为0.01Ω，故障角θ=90°，故障时刻为0.084s，数据时窗T_s=5ms，采样频率为100kHz。

（1）配电网发生单相接地故障后，量测端M检测到如图3所示的零序电压时域波形。启动后选取5ms时窗数据进行加切比雪夫窗FFT变换，得到如图4所示的自然频率分布。

（2）提取相应的自然频率 p ₁=(11.32,10.8,16.01,18.94,22.25,26.15,29.5,38.2)，输入如图5所示辐射状配网分层分布式ANN模型进行第一层故障定位，输出 y ₁=5.6188；再利用自然频率 p ₁对应的幅值 p ₂=(15.7,5.28,0.51,1.32,0.27,1.17,0.384,0.005)，输入辐射状配网分层分布式ANN第二层故障定位神经网络中，输出结果 y ₂₂=3.0010。

（3）根据（2）中所得结果 y ₁=5.6188，确定故障位于距离母线侧5.6188 km处，实际故障距离为5.9 km，其误差ε _r=4.77%；由 y ₂₂=3.0010，确定故障位于馈出线路L ₁₃上，其结果与实际情况一致，定位效果良好。

实施例2：同样采用实施例1中的模型，馈出线路feeder₁的分支线路L ₁₅发生单相接地故障，故障点f距离母线侧2.5km，过渡电阻为0.01Ω，故障角θ=90°，故障时刻为0.084s，数据时窗T_s=5ms，采样频率为100kHz。

提取相应的自然频率 p ₁=(31.6,11.9,16.2,17,20.1,25.78,41.2,46.9)，输入辐射状配网分层分布式ANN第一层故障定位神经网络中，输出 y ₁=2.4053；再利用自然频率 p ₁对应的幅值 p ₂=(0.23,8.12,0.209,0.188,0.26,0.08,0.065,0.02)，输入辐射状配网分层分布式ANN第二层故障定位神经网络中，输出结果 y ₂₁=1.9981。

根据神经网络的输出结果 y ₁=2.4053，确定故障位于距离母线侧2.4053 km处，实际故障距离为2.5 km，其误差ε _r=3.79%；由 y ₂₁ =1.9981，确定故障位于馈出线路L ₁₅上，其结果与实际情况一致，定位效果良好。

上面结合附图对本发明的实施方式进行了说明，但本发明并不限于上述实施方式，在本领域技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于自然频率的辐射状配网分层分布式ANN故障定位方法，其特征在于：当辐射状配电网发生单相接地故障时，利用故障后四分之一工频周期时窗的零序电压数据加切比雪夫窗进行处理，由FFT提取零序电压自然频率；以自然频率值作为分层分布式ANN模型的输入样本，进行故障距离定位；以自然频率对应的幅值作为输入样本属性，进行故障分支识别；以故障距离和故障点所在分支编号作为其输出样本属性，实现辐射状配电网的故障定位。

2.根据权利要求1所述的基于自然频率的辐射状配网分层分布式ANN故障定位方法，其特征在于具体步骤如下：

（1）当辐射状配电网发生单相接地故障时，根据录波装置测得三相电压可得故障零序电压，将其减去对应时间上的稳态电压得到零序暂态故障电压                                                

为：

                      (1)

式中，u _A (k)、u _B (k)、u _C (k)分别为故障线路A、B、C三相电压，k =1、2、3…N，N为采样序列长度；

（2）利用多分支辐射状配电网故障后T/4短时窗母线侧故障零序电压数据，对零序电压数据进行切比雪夫窗提取并进行FFT变换，得到其自然频率分布；

（3）构建辐射状配电网故障定位分层分布式ANN，并按如下方法进行训练：选取步骤（2）中自然频率 p ₁=( f _n1，f _n2，f _n3，f _n4，f _n5，f _n6，f _n7，f _n8）作为第一层神经网络的输入样本，其输出向量 y ₁=d _f，反映故障点距离；选取步骤（2）中自然频率 p ₁各对应的幅值 p ₂=(E _n1，E _n2，E _n3，E _n4，E _n5，E _n6，E _n7，E _n8）作为第二层神经网络的输入样本，其输出向量 y ₂₁=1或 y ₂₁=2和 y ₂₂=3或 y ₂₂=4，反映故障点所在分支；以故障距离和故障点所在分支编号作为其输出样本属性；

（4）根据步骤（3）训练得到的辐射状配电网故障定位分层分布式神经网络，进行故障定位：输出向量 y ₁表示故障距离为d _f；当输出向量 y ₂₁或 y ₂₂分别为1、2、3或4时，表示故障点位于对应分支L ₁₂、L ₁₅、L ₁₃或L ₁₄上。

3.根据权利要求2所述的基于自然频率和ANN结合的辐射状配电网故障定位方法，其特征在于：对辐射状配电网故障定位分层分布式ANN模型进行训练时，输入样本的选取结合下列故障条件进行：沿馈出线feeder₁选取故障点，故障距离变化步长取200m；故障过渡电阻R分别取20Ω、100Ω、500Ω；故障初始相角分别取30°、60°、90°。

4.根据权利要求所述的基于自然频率和ANN结合的辐射状配电网故障定位方法，其特征在于：测量配电网母线侧电压时，数据窗的长度为故障后5ms，采样频率为100kHz。

Images