閆 旭，李春明

?

基于模糊邏輯的可控串補線路故障分類

閆 旭1，李春明2

(1.內(nèi)蒙古工業(yè)大學(xué)電力學(xué)院，內(nèi)蒙古自治區(qū) 呼和浩特 010000； 2.內(nèi)蒙古工業(yè)大學(xué)信息工程學(xué)院，內(nèi)蒙古自治區(qū) 呼和浩特 010000)

提出一種基于模糊邏輯的可控串補線路故障分類方法。采集故障后半個周期的三相電流數(shù)據(jù)，選取db4小波作為小波基，使用離散小波變換(DWT)分解電流暫態(tài)信號，將小波分解系數(shù)劃分為三個頻帶，計算每個頻帶的小波奇異熵，獲得能反映不同故障的故障特征量。將特征量作為模糊邏輯的輸入，構(gòu)建模糊故障分類系統(tǒng)。在Matlab環(huán)境下建立電力系統(tǒng)模型，選擇500?kV、300?km超高壓輸電線路進行故障仿真。仿真結(jié)果表明，不同的TCSC觸發(fā)角下，該算法不受故障阻抗、故障初始角、故障類型、故障位置的影響，可以準確檢測故障，完成故障分類。

可控補償輸電線路；故障分類；TCSC；DWT；模糊邏輯

0 引言

可控串補(Thyristor Controlled Series Compensation, TCSC)是柔性交流輸電系統(tǒng)(Flexible Alternative Current Transmission Systems, FACTS)的一個典型代表。含有TCSC的超高壓輸電線路(Extra-high-voltage Transmission Line with TCSC, ETLT)的故障分類方法大多是基于故障后的穩(wěn)態(tài)分量，但隨著FACTS在超高壓輸電線路中的廣泛應(yīng)用[1]，基于穩(wěn)態(tài)量的故障分類方法顯露出明顯不足。相對于穩(wěn)態(tài)分量，線路故障時的暫態(tài)分量更加豐富且含有大量故障信息[2-7]。目前基于暫態(tài)量的ETLT故障分類方法是學(xué)者們研究的熱點。

文獻[8]根據(jù)故障相小波能量大于正常相的原則選擇故障區(qū)域，判斷故障相。文獻[9]使用支持向量機方法(SVM)對故障暫態(tài)電流信號進行預(yù)處理。文獻[10]采用DWT對故障暫態(tài)電流信號進行了7層分解，提取譜能量、平均值、標準差、模極大值、熵值等六種故障特征量，從中選擇最優(yōu)特征量作為極端學(xué)習(xí)機的輸入。文獻[11]采集故障后半個周期的電流數(shù)據(jù)，將小波分解第一層的特征量作為SVM的輸入。文獻[12]使用離散小波包變換(WPT)分解故障暫態(tài)電流信號。上述方法雖然都可以準確、快速地檢測出故障，判斷故障相，但都對系統(tǒng)頻率變化非常敏感，并且需要大量訓(xùn)練樣本和訓(xùn)練時間。

文獻[13]利用改進的卡爾曼濾波方法對ETLT進行故障區(qū)域檢測，該方法沒有考慮故障阻抗對算法的影響。文獻[14]認為在ETLT的故障回路中，直流分量第一個過零點要比其他回路較快出現(xiàn)，因此可以提取故障分量中的直流分量進行故障區(qū)域檢測，但該方法會受到故障類型和故障初始角的影響。文獻[15]設(shè)計了一種基于小波熵的故障區(qū)域檢測和故障分類算法，成功應(yīng)用于含有SSSC和UPFC的輸電線路，但沒有驗證算法是否適合于含有TCSC的輸電線路。針對現(xiàn)有方法的不足，論文旨在結(jié)合ETLT故障特征對現(xiàn)有方法進行改進，實現(xiàn)有效的故障分類。

本文算法的基本思路是：利用DWT對故障后半個周期的三相電流信號進行小波分解，將小波分解系數(shù)分為三個頻帶，計算每個頻帶的小波奇異熵以獲得能反映不同故障的故障特征量。根據(jù)提取到的特征量在不同故障條件和故障類型下的特點，構(gòu)建模糊故障分類系統(tǒng)。將分類判據(jù)作為模糊邏輯的輸入，輸出為分類結(jié)果。為了檢驗其準確性，使用Matlab搭建了500 kV雙端供電系統(tǒng)，對算法進行仿真試驗。仿真結(jié)果表明，該算法有很強的魯棒性，可以快速、準確地識別故障相。

1 基于小波變換的故障信號特征提取

小波變換是一種建立在傅里葉變換基礎(chǔ)上的時頻分析方法。小波變換的有效性很大程度上會受到小波基函數(shù)的影響，這里選擇db4小波提取故障暫態(tài)特征量[16]。文獻[17]指出輸電線路發(fā)生故障后，高頻暫態(tài)分量基本上都集中在故障相信號中，而非故障相信號的能量主要分布在工頻帶附近，為了更加有效地提取特征量，本文取采樣頻率為20 kHz，對暫態(tài)信號進行8層小波分解，將小波分解系數(shù)分成三個頻帶[18-19]，近似系數(shù)為基頻帶，其頻率范圍為0~78.125 Hz；含高次諧波分量的細節(jié)系數(shù)、組成諧波帶，其頻率范圍為78.125~312.5?Hz；細節(jié)系數(shù)、、、、、組成暫態(tài)頻帶，包含故障暫態(tài)特征，其頻率范圍為625~20?000 Hz。

2 模糊邏輯

模糊邏輯推理系統(tǒng)一般包括三個功能塊：模糊化、模糊推理、去模糊化。如圖1所示。

圖1 模糊推理系統(tǒng)

(2)?模糊推理。本文采用Mamdani型模糊推理系統(tǒng)(模糊蘊含運算為Mamdani法)。、、的隸屬度函數(shù)都選擇梯形函數(shù)，如圖2所示。輸入值1的變化幅度較大，常用的三角形、梯形、高斯、鐘形隸屬度函數(shù)都無法滿足1的變化，經(jīng)過多次測試比較最終選擇Z型函數(shù)，如圖3所示。本文總共設(shè)有13個規(guī)則，如表1所示。

(3)?去模糊化。經(jīng)模糊推理得到的結(jié)果是模糊值，必須對其進行去模糊化處理，這里去模糊化方法采用最大隸屬度的平均值法。輸出變量對應(yīng)關(guān)系為：Ag-1、Bg-2、Cg-3、AB-4、BC-5、AC-6、ABg-7、BCg-8、ACg-9、ABC-10。

圖2 的隸屬度函數(shù)

圖3 W1的隸屬度函數(shù)

表1 模糊規(guī)則

本文的模糊邏輯方法基于Matlab的FUZZY LOGIC工具箱。圖4為故障類型識別的流程圖。

圖4 故障分類算法流程圖

3 仿真分析

我國主要將TCSC安裝在500 kV線路上，本文應(yīng)用Matlab PSB搭建了一個簡化的500 kV雙端供電系統(tǒng)，線路總長MN為300 km，輸電線路模型采用分布參數(shù)模型，線路參數(shù)為：，；，；，。TCSC設(shè)置在線路中央，參數(shù)為：，，，諧振角為。提供的補償為30%~50%。頻率為，采樣率為20?kHz，提取的原始信號為故障后半個周期的電流數(shù)據(jù)(200個樣本)。

分別在輸電線路10%、20%、40%、60%、80%、90%處仿真了10種短路故障。同時考慮變化的系統(tǒng)參數(shù)：

圖5 BC兩相短路輸出圖

多數(shù)情況下，分類系統(tǒng)都可以準確識別故障，但在不同故障初始條件下，小波分解系數(shù)的變化幅度不一定明顯，因此分類系統(tǒng)也會出現(xiàn)識別錯誤的情況，比如晶閘管觸發(fā)角為，故障位置為線路的80%，過渡電阻為，發(fā)生AB兩相接地短路故障，、、，輸出結(jié)果為Ag，如圖6所示。

圖6 AB接地輸出圖

表2~表6分別為不同故障類型、不同故障位置、不同故障阻抗、不同晶閘管觸發(fā)角、不同故障初始角下三相電流小波奇異熵比值和選相結(jié)果。

表2 不同故障類型的選相結(jié)果

表3 不同故障位置的選相結(jié)果

表4 不同故障阻抗的選相結(jié)果

表5 不同觸發(fā)角的選相結(jié)果

表6 不同故障初始角的選相結(jié)果

仿真結(jié)果表明，本文基于模糊邏輯的ETLT故障分類方法不受故障阻抗、故障類型、故障初始角和TCSC晶閘管觸發(fā)角的影響，可在故障發(fā)生后快速、準確地判斷出發(fā)生在TCSC前后端的故障相，并可以檢測出高阻故障，正確率在99%以上，表7為10種短路故障下，該方法的平均正確率。

表7 故障類型檢測正確率

4 ??結(jié)論

本文提出一種基于模糊邏輯的可控串補線路故障分類方法。該方法選取db4作為小波基函數(shù)，采集故障后半個周期的電流數(shù)據(jù)，計算小波奇異熵作為故障選相判據(jù)，根據(jù)故障特征量的特點設(shè)計了模糊故障分類系統(tǒng)。相比其他方法，該方法經(jīng)過小波奇異熵處理后的數(shù)據(jù)量較小，突出了故障特征，與模糊邏輯的結(jié)合，避免了訓(xùn)練時間長、計算復(fù)雜等問題。但如何將工程實際問題與本文提出的算法更好地結(jié)合是進一步需要討論的技術(shù)問題。

[1] 索南加樂, 吳雙恵, 侯卓, 等. 串補線路故障特征分析[J]. 電力系統(tǒng)保護與控制, 2012, 40(13): 38-42.

SUONAN Jiale, WU Shuanghui, HOU Zhuo, et al. Fault characteristics analysis for series compensated line[J]. Power System Protection and Control, 2012, 40(13): 38-42.

[2] 符玲, 何正友, 錢清泉. 超高壓輸電線路的故障暫態(tài)特征提取及故障類型判斷[J]. 中國電機工程學(xué)報, 2010, 30(22): 100-106.

FU Ling, HE Zhengyou, QIAN Qingquan. Feature extraction of fault transient and fault type determination for EHV transmission lines[J]. Proceedings of the CSEE, 2010, 30(22): 100-106.

[3] 陳亞, 李夢詩. 基于瞬時能量比的輸電線路故障選相方案[J]. 電力系統(tǒng)保護與控制, 2016, 44(1): 56-64.

CHEN Ya, LI Mengshi. A faulted phase selection scheme for transmission lines based on instantaneous energy ratio[J]. Power System Protection and Control, 2016, 44(1): 56-64.

[4] 田書, 劉芳芳, 任曉明. 基于暫態(tài)量的同塔雙回線路故障選相研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(1): 50-54.

TIAN Shu, LIU Fangfang, REN Xiaoming. Research on transient-based faulty phase selection for double-circuit lines on the same tower[J]. Power System Protection and Control, 2015, 43(1): 50-54.

[5] 陳旸, 胡炎, 邰能靈, 等. 基于電壓故障分量的超高壓線路故障選相新方法[J]. 電力系統(tǒng)保護與控制, 2014, 42(7): 8-14.

CHEN Yang, HU Yan, TAI Nengling, et al. A new method of fault phase identification for EHV lines based on the fault component of phase voltage[J]. Power System Protection and Control, 2014, 42(7): 8-14.

[6] 何引生, 胡玉生, 商立群. 基于故障相電壓功率譜的超高壓串補輸電線路故障識別[J]. 電網(wǎng)與清潔能源, 2014, 30(8): 48-52.

HE Yinsheng, HU Yusheng, SHANG Liqun. Fault recognition for EHV transmission line with series capacitors based on power spectrum of fault phase voltage[J]. Power System and Clean Energy, 2014, 30(8): 48-52.

[7] 吳浩, 郭輝, 蔡亮. 基于故障分量能量系數(shù)和PNN的故障選相研究[J]. 高壓電器, 2013, 49(8): 35-43.

WU Hao, GUO Hui, CAI Liang. Research of fault phase selection based on the energy coefficient of current fault component and PNN[J]. High Voltage Apparatus, 2013, 49(8): 35-43.

[8] DASH P K, SAMANTRAY S R. Phase selection and fault section identification in thyristor controlled series compensated line using discrete wavelet transform[J]. Electrical Power Energy Systems, 2004, 26(9): 725-732.

[9] ?DASH P K, SAMANTARAY S R, PANDA G. Fault classification and section identification of an advanced series-compensated transmission line using support vector machine[J]. IEEE Transactions on Power Delivery, 2007, 22(1): 67-73.

[10]??RAY P, PANIGRAHI B K, SENROY N. Extreme learning machine based fault classification in a series compensated transmission line[C] // 2012 IEEE International on Power Electronics, Bengaluru, 2012: 1-6.

[11] VYAS B, MAHESHWARI R P, DAS B. Fault analysis of controllable series compensated transmission line with wavelet transform and support vector machine[C] // 2012 Nirma University International Conference on Engineering (NUICONE), Ahmedabad, 2012: 1-5.

[12]???BHARGAB V, RUDRA P M, BISWARUP D. Investigation for improved artificial intelligence techniques for thyristor- controlled series-compensated transmission line fault classification with discrete wavelet packet entropy measures[J]. Electric Power Components and Systems, 2014, 42(6): 554-566.

[13]??GIRGIS AA, SALLAM AA, ELDIN A K. An adaptive protection scheme for advanced series compensated transmission lines[J]. IEEE Transactions on Power Delivery, 1998, 13(2): 414-420.

[14]??MAZNIEWSKI P, IZYKOWSKI J. Identification of faulted section in TCSC transmission line based on DC component measurement[C] // 2009 Proceedings of the 44th International on Universities Power Engineering Conference (UPEC), Glasgow, 2009: 1-5.

[15]??ELZONKOLY AM, DESOUKI H. Wavelet entropy based algorithm for fault detection and classification in FACTS compensated transmission line[J]. International Journal of Electrical Power and Energy Systems, 2011, 33(8): 1368-1374.

[16]??COSTA FB, SOBRINHO AHP, ANSALDI M, et al. The effects of the mother wavelet for transmission line fault detection and classification[C] // Proceedings of the 2011 3rd International Youth Conference on Energetics (IYCE), Leiria, 2011: 1-6.

[17] 何正友, 符玲, 麥瑞坤, 等. 小波奇異熵及其在高壓輸電線路故障選相中的應(yīng)用[J]. 中國電機工程學(xué)報, 2007, 27(1): 31-36.

HE Zhengyou, FU Ling, MAI Ruikun, et al. Study on wavelet singular entropy and its application to faulty phase selection in HV transmission lines[J]. Proceedings of the CSEE, 2007, 27(1): 31-36.

[18]??HUSEYIN E. Fault diagnosis system for series compensated transmission line based on wavelet transformand adaptive neuro-fuzzy inference system[J]. Measurement,2013, 46(1): 393-401.

[19]??林圣, 何正友, 錢清泉. 基于人工免疫算法的輸電線路故障類型識別新方法[J]. 電力系統(tǒng)保護與控制, 2011, 39(11): 95-100, 137.

LIN Sheng, HE Zhengyou, QIAN Qingquan. A novel approach of fault type recognition of transmission lines based on artificial immune algorithm[J]. Power System Protection and Control, 2011, 39(11): 95-100, 137.

(編輯 魏小麗)

Fuzzy-logic-based fault classification in a series compensated transmission line

YAN Xu1, LI Chunming2

(1. College of Electrical Engineering, Inner Mongolia University of Technology, Hohhot 010000, China; 2. College of Information Engineering, Inner Mongolia University of Technology, Hohhot 010000, China)

This paper presents a fuzzy-logic technique for fault classification in a series compensated transmission line. The proposed method uses the samples of three line currents for half cycle duration to accomplish this task. Daubechies wavelet “dB4” is used with single level decomposition. The features of the line currents are extracted using discrete wavelet transform. The wavelet decomposition coefficient are divided into three bands to calculate the wavelet singular entropy of every frequency bandto obtain the characteristics of the different failure. The extracted features are applied as inputs to the fuzzy logic for fault classification. To evaluate the feasibility of the proposed technique, it is tested on a 500 kV, 300 km transmission line for all the ten types of fault using Matlab. Simulation result indicates that the proposed approach has a good performance and it won’t be affected by fault resistances, fault inception angle, faulty types and fault distances at different TCSC firing angles.

series compensated transmission line; fault classification; TCSC; DWT; fuzzy logic

10.7667/PSPC150810

2015-08-13；

2016-01-15

閆 旭(1990-)，男，碩士研究生，研究方向為電力系統(tǒng)繼電保護；E-mail: yanxushuai@126.com 李春明(1964-)，男，教授，碩士生導(dǎo)師，主要從事小波分析在電力系統(tǒng)故障分析中的應(yīng)用、新型繼電保護原理等方面的研究工作。