陳佳慧，靳一瑋

（上海電力大學(xué) 電子與信息工程學(xué)院，上海 201306）

1 概述

近年來，隨著分布式發(fā)電技術(shù)的發(fā)展，含分布式電源配電網(wǎng)的故障診斷技術(shù)也受到了各界的關(guān)注，成為分布式電源配電網(wǎng)發(fā)展不可或缺的重要核心技術(shù)之一，可及時精確處理電網(wǎng)故障、確保其穩(wěn)定運(yùn)行。

目前，人工智能方法被廣泛用于電網(wǎng)故障診斷研究中，使得故障診斷的速度和精度得到了不斷地改善[1-2]。劉科研等[1]采用支持向量機(jī)法對有源配電網(wǎng)進(jìn)行故障分類和定位，得到了較高的故障分類精度；孫潔娣等[2]利用卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory networks，LSTM）實現(xiàn)了智能和可靠的軸承故障診斷。其他研究還會同時利用小波變換對信號進(jìn)行特征提取，它可對信號進(jìn)行時頻分析，能較好地處理暫態(tài)和噪聲等信號。

本文采用了最大重疊離散小波變換（Maximum overlap discrete wavelet transform，MODWT）和 LSTM 神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，其中，LSTM 網(wǎng)絡(luò)在預(yù)測時間序列和故障診斷等方面有應(yīng)用，它可以較好地處理時序數(shù)據(jù)，利用狀態(tài)的時間序列來學(xué)習(xí)故障信息[2]；MODWT 變換是一種高度冗余的非正交變換，它能較快地檢測瞬態(tài)，對起始點的選擇沒有要求，還能處理任何長度的信號，適用于分析故障檢測等問題[3-4]。因此，文中考慮了LSTM 網(wǎng)絡(luò)能較好分析時序數(shù)據(jù)和MODWT 變換具備快速檢測暫態(tài)等特點，將兩者應(yīng)用到含分布式電源配電網(wǎng)中，旨在提高故障檢測和分類的準(zhǔn)確率。

2 故障診斷方案

文章主要研究將MODWT 變換和LSTM 網(wǎng)絡(luò)結(jié)合應(yīng)用到含分布式電源配電網(wǎng)的輸電線路短路故障診斷中。具體的故障診斷方案如下：（1）通過SIMULINK 搭建相應(yīng)的含分布式電源配電網(wǎng)模型，并獲取數(shù)據(jù)。（2）進(jìn)行故障檢測。對電流信號進(jìn)行MODWT 變換，通過分析小波的第一級細(xì)節(jié)系數(shù)可以判別是否發(fā)生故障，若發(fā)生故障還需要檢測出故障發(fā)生時刻。（3）進(jìn)行特征提取。選取故障發(fā)生前后1 個工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量 IC作為特征提取的對象，并計算相應(yīng)的特征向量。（4）進(jìn)行網(wǎng)絡(luò)訓(xùn)練、測試。將（3）中得到的特征向量輸入到搭建好的神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練和測試，得到故障分類結(jié)果。

2.1 模型的建立和數(shù)據(jù)的產(chǎn)生

為評估文中所提方法的性能，通過MATLAB 軟件搭建修正的IEEE13 總線標(biāo)準(zhǔn)系統(tǒng)模型進(jìn)行算例分析[5]，如圖1所示。以下是對該系統(tǒng)的一些說明：

（1）這是一個小型、高負(fù)載且三相不平衡的4.16kV饋線系統(tǒng)。（2）原系統(tǒng)的節(jié)點650 和節(jié)點632 通過穩(wěn)壓器連接，此系統(tǒng)將4.16kV 的三相電壓源直連節(jié)點632。（3）一個4.16kV/480V 的變壓器將光伏發(fā)電單元連接到節(jié)點680，從而實現(xiàn)并網(wǎng)。（4）不改變系統(tǒng)其他數(shù)據(jù)，具體參數(shù)參考文獻(xiàn)[5]。

文中考慮了隨機(jī)的故障發(fā)生時刻、故障發(fā)生線路、過渡電阻和短路故障類型等不同影響因素下的故障工況，具體設(shè)置如下：（1）故障發(fā)生時刻：故障發(fā)生的時刻具有隨機(jī)性，在[0，0.5s]上服從均勻分布，仿真過程中設(shè)置了三個故障發(fā)生時刻分別為 t1、t2、t3。（2）可能發(fā)生故障線路：line632-633、line632-671、line671-680。（3）過渡電阻：0.01、1、10。（4）短 路 故 障 類 型 ：AG、BG、CG、AB、AC， BC、ABC、ABCG、ABG、ACG、BCG。共產(chǎn)生3*3*3*11=297 種故障工況。

圖1 修正的IEEE13 總線標(biāo)準(zhǔn)系統(tǒng)圖

2.2 故障檢測

2.2.1 MODWT 變換理論簡介

MODWT 變換具備以下幾個特點[3-4]：它對所處理的信號長度沒有要求，因此適用范圍廣；它沒有降采樣過程，可以在每個采樣過程之后立即計算小波系數(shù)；同時，它對時間序列的起始點沒有要求，可以任意選擇。這些特點使得MODWT 變換相對于DWT 變換分析暫態(tài)信號時更具優(yōu)勢，尤其適合于分析具有任意故障初相角的故障檢測和分類問題。

MODWT 變換將信號 Y（N）分解成 log2N 級，其中，N 為信號的長度。另外，MODWT 變換的細(xì)節(jié)系數(shù)和尺度系數(shù)的公式[5]分別為

式中，N 為信號的長度；l=0，1，2，...L-1；L 為濾波器的寬度為第 j 級的尺度濾波器為第 j 級的小波濾波器。

2.2.2 檢測算法

故障檢測算法的作用是判斷是否發(fā)生故障，同時，若發(fā)生故障則還需檢測出故障的發(fā)生時刻。當(dāng)?shù)玫綌?shù)據(jù)后，首先需要進(jìn)行故障檢測來判斷是否發(fā)生故障，若發(fā)生故障，電流將發(fā)生突變，并產(chǎn)生短暫的瞬態(tài)現(xiàn)象。通過提取、分析MODWT 變換第一級系數(shù)的高頻分量，可檢測到故障發(fā)生時刻，否則檢測結(jié)束。相關(guān)研究提出了利用閾值法來檢測故障[6]，即對電流進(jìn)行小波變換，再提取、分析第一級小波細(xì)節(jié)系數(shù)，若系數(shù)超過設(shè)置的閾值，則可以檢測是否發(fā)生故障并確定故障發(fā)生時刻。然而，此方法存在難以選擇合適閾值的問題，若閾值設(shè)置不當(dāng)，可能會出現(xiàn)漏檢或誤檢等現(xiàn)象。為了避免及提高檢測率，本文提出基于信號本身幅值大小的閾值選取方法，即基于相鄰系數(shù)差的閾值法，而不是常規(guī)的經(jīng)驗法。具體的故障檢測算法如下：（1）使用“Haar”小波對電壓進(jìn)行 MODWT 變換；（2）提取每相的第一級細(xì)節(jié)系數(shù)，并去除前1000 個和最后1000 個細(xì)節(jié)系數(shù)；（3）計算并確定基于相鄰系數(shù)差的閾值。對于（2）中獲得的系數(shù)，首先計算出相鄰點之間系數(shù)差的絕對值Dk，如公式（3）所示。接著進(jìn)行比較，并找到最大值Dkmax及其所在相，設(shè)定的閾值即為Dkmax，

（4）將Dkmax所在相的細(xì)節(jié)系數(shù)絕對值與閾值進(jìn)行比較，若首次出現(xiàn)大于閾值的，則對應(yīng)的為故障發(fā)生時刻。

以發(fā)生C 相接地短路（CG）為例，圖2 為使用基于相鄰系數(shù)差的閾值法檢測CG 故障發(fā)生時刻的結(jié)果圖。

由圖2 可以看出，采用文中的故障檢測算法可以精準(zhǔn)地檢測出故障的發(fā)生時刻，并且不存在延時現(xiàn)象，至于故障檢測的識別率，將和故障分類的準(zhǔn)確率一起討論，詳見3 中的結(jié)果與分析。

2.3 特征提取

特征提取的目的是選擇合適的特征向量來作為神經(jīng)網(wǎng)絡(luò)的輸入。當(dāng)檢測到故障發(fā)生時刻后，選取故障發(fā)生前后1個工頻周期的 A、B、C 三相電流 IA、IB、IC以及零序電流分量IC作為特征提取的對象，并得到經(jīng)過MODWT 變換后的各級小波細(xì)節(jié)系數(shù)，若直接用小波系數(shù)作為特征向量輸入到神經(jīng)網(wǎng)絡(luò)中將會導(dǎo)致存儲空間大和分類精度差等問題，通常特征向量的選取會使用相關(guān)的統(tǒng)計量。本文選擇“總標(biāo)準(zhǔn)偏差的變化量”和“總均值的變化量”作為特征向量，其詳細(xì)信息如下所示：

（1）總標(biāo)準(zhǔn)偏差的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級數(shù)；N 為每一級采樣點的數(shù)量；Dij為細(xì)節(jié)系數(shù)；μD，i為每一級細(xì)節(jié)系數(shù)的平均值；σDA為故障后一周期的總標(biāo)準(zhǔn)偏差；σDB為故障前一周期的總標(biāo)準(zhǔn)偏差。

（2）總均值的變化量為

式中，i=1，2，3，...，J；J 為 MODWT 的分解級數(shù)；N 為每一級采樣點的數(shù)量；Dij為細(xì)節(jié)系數(shù)；μDA為故障后一周期的總平均值；μDB為故障前一周期的總平均值。

圖2 使用基于相鄰系數(shù)差的閾值法進(jìn)行故障發(fā)生時刻檢測案例

2.4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

LSTM 網(wǎng)絡(luò)對于分析時序數(shù)據(jù)具有一定的優(yōu)勢，可以記憶長時間的數(shù)據(jù)，在預(yù)測時間序列和故障診斷等方面有應(yīng)用。

文中LSTM 網(wǎng)絡(luò)的神經(jīng)元個數(shù)和其他參數(shù)的設(shè)置對網(wǎng)絡(luò)的訓(xùn)練非常關(guān)鍵，將直接決定最終的分類效果，一般可以通過經(jīng)驗公式和不斷試驗來設(shè)置。文中具體的參數(shù)設(shè)置如表1 所示。

3 結(jié)果與分析

表2 為文中所提故障診斷方案的結(jié)果，分別統(tǒng)計了故障檢測的識別率和故障分類的準(zhǔn)確率。通過表2 可以看出：文中所提故障檢測算法的總體故障檢測率達(dá)到了99.33%，不同輸電線路的檢測準(zhǔn)確率也可以達(dá)到98.99%以上，表明該檢測算法是基本可行的。至于故障分類的性能則稍差一些，盡管如此，該方法仍可以提供令人滿意的96.67%的整體分類精度，不同輸電線路的故障分類準(zhǔn)確率也可以達(dá)到95.45%以上。

表3 為不同故障分類算法的結(jié)果對比，將文中所提的故障分類算法和其他兩種智能算法進(jìn)行了對比。注意：其中效果最好的方案以粗體顯示，這些比較方案的數(shù)據(jù)均由本文的測試系統(tǒng)提供，并且也使用文中提出的檢測算法來檢測故障。通過表3 的對比可以發(fā)現(xiàn)，在所有這些比較方案中，文中所提出的分類算法以最高的分類準(zhǔn)確率優(yōu)于其他智能方案，這也表明了該故障分類的算法也是基本可行的。

盡管所提出的故障診斷方案可以獲得一個不錯的故障檢測和故障分類的結(jié)果，但對于故障檢測來說，仍存在個別誤檢的情況，對于故障分類來說，仍存在個別錯誤判斷的情況。主要原因是：在故障檢測時，隨著過渡電阻的增加，故障相的波形特性將無明顯變化，因而其MODWT 變換后的一級小波細(xì)節(jié)系數(shù)的突變也會減小，而文中閾值的選取會一定地依賴于該突變，所以會導(dǎo)致個別誤檢。同時，也會導(dǎo)致故障分類區(qū)分的難度增加。

表1 LSTM 網(wǎng)絡(luò)的參數(shù)設(shè)置

表2 故障診斷結(jié)果

表3 故障分類結(jié)果對比

4 結(jié)論

文中通過研究含分布式電源配電網(wǎng)的輸電線路短路故障，首先采用了基于相鄰系數(shù)差的閾值法實現(xiàn)了故障檢測，接著將MODWT 變換和LSTM 神經(jīng)網(wǎng)絡(luò)結(jié)合實現(xiàn)了故障分類，診斷結(jié)果以及和其他智能方法的比較表明了該方案的有效性。盡管如此，該診斷算法在高過渡電阻情況下的準(zhǔn)確率仍有待提高。