趙建飛 柴振華 郭麗 李元肖 陸聰

摘要：中性點不接地配電網(wǎng)系統(tǒng)中，單相接地、弧光接地和鐵磁諧振故障的特征較為接近，但處理的方式不同，準確區(qū)分故障類型能夠為及時采取相應的抑制措施提供重要基礎。對此，提出了基于進化ELM算法的鐵磁諧振故障辨識方法，與未進化的算法相比，對上述幾種故障辨識的準確率可提高3.89個百分點，論文研究工作可以為鐵磁諧振故障辨識提供新思路。

關鍵詞：鐵磁諧振;單相接地;進化ELM

1 引言

單相短路接地故障是中性點不接地系統(tǒng)中常見的故障，當故障消失后往往會伴隨鐵磁諧振過電壓故障[1，2]，此外，間歇性的弧光接地故障也會對電力系統(tǒng)和設備的具有嚴重的危害性，不同故障類型所采取的措施不同，準確辨識出鐵磁諧振過電壓可以為及時采取抑制措施提供有力保障。

目前國內(nèi)外學者對鐵磁諧振的研究工作主要包括故障辨識和抑制兩方面[3，4]。重慶大學司馬文霞老師團隊在此方面做了大量研究工作：首次將反饋脈沖混沌理論[5]引入鐵磁諧振分析中，成功確定了驅(qū)動系統(tǒng)和響應系統(tǒng)，具有一定的應用前景。近年來隨著計算機技術的發(fā)展，數(shù)字仿真技術得到廣泛的應用，可以對各種過電壓的暫態(tài)過程進行快速計算[6，7]。仿真實驗和各種數(shù)據(jù)分析算法是目前鐵磁諧振過電壓辨識研究的主要手段。

圖像法、解析法和平面分析法也可以對鐵磁諧振進行定性研究[8，9]，文獻[10]結(jié)合多重分形理論，對中性點直接接地系統(tǒng)的鐵磁諧振過電壓信號的幾何結(jié)構(gòu)進行奇異值分解，表明過電壓多重分形譜的小波局部極大模值可以很好地區(qū)分鐵磁諧振過電壓和其它過電壓，但是在條件惡劣的情況下，波形畸變，容易引起誤判;文獻[11]將SST變換應用于鐵磁諧振過電壓模態(tài)識別中，首先利用相關系數(shù)法提取信號的主模態(tài)分量，再進行Hilbert變換，得到信號的頻域特征，可以實現(xiàn)鐵磁諧振過電壓的辨識;文獻[12]分析了鐵磁諧振和單相接地故障特征，通過HHT變換可以實現(xiàn)鐵磁諧振高頻和分頻的辨識，進一步通過H橋型逆變器注入電流信號，實現(xiàn)基頻諧振和單相接地故障的辨識，該方法能夠有效對鐵磁諧振狀態(tài)和單相接地狀態(tài)進行辨識，但工程上難以實現(xiàn);文獻[13]提出一種基于時頻分布的配電網(wǎng)暫時過電壓識別方法，利用鐵磁諧振與間歇性弧光接地過電壓的零序電壓頻率和能量分布存在的差異，采用局部特征尺度分解和Hilbert變換相結(jié)合帶通濾波算法實現(xiàn)鐵磁諧振和間歇性弧光接地過電壓的辨識;文獻[14]針對單相接地和工頻諧振過電壓的零序相位差進行定量計算，通過設置閾值法實現(xiàn)單相接地和工頻諧振的辨識，該方法實現(xiàn)簡單但是零序電流變化比較小，難以獲得。上述研究可以實現(xiàn)鐵磁諧振故障的辨識，但都存在一定的局限性，如何在復雜的配電網(wǎng)系統(tǒng)中更加快速、準確的辨識出鐵磁諧振故障，仍然是鐵磁諧振故障辨識的難點問題。

基于模態(tài)分解的信號處理模式屬于時頻域分析技術，既能夠表達出信號的頻域特性又表達信號的時域特性，對非平穩(wěn)信號的處理具有優(yōu)勢，其中，極限學習機（Extreme learning machine，ELM）算法對故障信號辨識具有優(yōu)勢，為此，針對ELM算法在初始權(quán)值和閾值被隨機分配若值賦值不當會使辨識精度下降的問題，提出平衡優(yōu)化器優(yōu)化ELM的算法，將最優(yōu)解賦值給極限學習機的初始權(quán)值和閾值，進行訓練和測試，對過電壓信號和過電流信號進行模態(tài)分解，為鐵磁諧振過電壓辨識提供新思路。

2 ELM算法

極限學習機是一種單隱層前饋神經(jīng)網(wǎng)絡，可分為三層：輸入層、隱含層、輸出層，兩兩層之間的連接關系見下圖。

圖中，輸入層個變量有個相應的神經(jīng)元也為;隱含層有個神經(jīng)元;輸出層有個變量則對應有個神經(jīng)元個。設輸入權(quán)值為有：

式中，ELM可隨機分配和且其值一直保持到訓練結(jié)束，而不需要先確定樣本數(shù)據(jù)。

3鐵磁諧振的ELM辨識模型

3.1鐵磁諧振與單短接地故障辨識特征

區(qū)別單相短路接地和鐵磁諧振過電兩種故障的特征有下述幾個：

（1）中性點電壓中低頻分量所對應的能量

鐵磁諧振按其頻率劃分為分頻諧振、工頻諧振和高頻諧振，對于高頻諧振過電壓，中性點電壓中主要為2次諧波和3次諧波分量;對于分頻諧振過電壓，電壓波形中主要為1/2次和1/3次的諧波分量;而單相接地和基頻諧振中性點電壓波形主要為工頻諧波分量;

（2）中性點電壓中工頻分量所對應的能量

工頻分量所對應的能量大小主要用于區(qū)分工頻過電壓，包括單相接地和基頻諧振過電壓。

（3）中性點電壓中高頻頻分量所對應的能量

高頻分量所對應的能量大小主要用于區(qū)分高頻諧振過電壓。高頻諧振時，系統(tǒng)主要含有2次諧波和3次諧波分量。

3.2鐵磁諧振的ELM辨識模型

采用ELM算法對鐵磁諧振加以辨識的具體步驟如下：

第1步：根據(jù)故障等效電路圖分析故障產(chǎn)生原理，并搭建仿真模型。重點對故障電壓特征進行分析，對比總結(jié)，并對鐵磁諧振故障影響因素進行分析。為下一步進行故障特征值提取提供理論支持。

第2步，導入提取的數(shù)據(jù)，給定訓練樣本數(shù)據(jù)和測試樣本數(shù)據(jù)并對數(shù)據(jù)進行歸一化處理，將樣本數(shù)據(jù)轉(zhuǎn)化為[0，1]之間的數(shù);

第3步，隨機設置模型輸入與輸出層節(jié)點數(shù)、隱含層節(jié)點等參數(shù)，研究不同它們對模型預測效果的影響;

第4步，根據(jù)3.1小節(jié)的特征對樣本進行訓練，將已訓練好的樣本的期望輸出與預測輸出的誤差作為適應度函數(shù)，其表達式如下：

其中，為樣本數(shù)，為期望樣本輸出值，為模型實際預測值，更新多次后，得到問題最優(yōu)解;

第5步，判斷是否達到最大迭代次數(shù)，滿足則停止，否則繼續(xù)重復第三、四步;

第6步，對故障辨識可靠性進行分析。

4算例分析

取某一10kV實際系統(tǒng)搭建仿真模型如下圖所示：

對系統(tǒng)進行三類故障仿真，得到典型波形如圖3-圖5所示。

對故障時刻，故障點位置以及接地電阻等參數(shù)的改變，獲得了大量的仿真數(shù)據(jù)，在對三類故障分類識別時，每種狀態(tài)取100組數(shù)據(jù)，五種運行狀態(tài)共計400組樣本，從中選取400組樣本作為訓練樣本，選取100組為測試樣本。將故障狀態(tài)分別編號，單相接地故障為1-80;弧光接地故障為81-160;基頻諧振為161-220;工頻諧振故障為241-320;高頻諧振故障為321-500。每個數(shù)字分別對應一種運行狀態(tài)，計算結(jié)果最后只輸出輸出數(shù)字。

采用ELM模型對樣本集進行辨識，相應辨識結(jié)果如下圖所示。

圖6為辨識結(jié)果，采用ELM算法的訓練樣本集的總體識別準確率為92.75%，其中鐵磁諧振故障的辨識率98.75%;測試樣本集數(shù)據(jù)的總體識別準確率為91%，鐵磁諧振故障的辨識率為93.45%;可見ELM識別方法能夠?qū)^大部分鐵磁諧振故障加以辨識，不過仍需改進，為此對ELM算法進化，得到下述辨識結(jié)果

可見，對ELM采取進化后，測試樣本集合中鐵磁諧振的綜合辨識率可達到97.34%，比沒有改進之前辨識率提高了3.89個百分點。

5結(jié)語

提出了基于極限學習機（ELM）的鐵磁諧振故障辨識方法，構(gòu)建了基于ELM的辨識模型，并從多組樣本庫中抽取400組數(shù)據(jù)組成訓練集對模型進行訓練，抽取100組樣本數(shù)據(jù)組成測試集對模型辨識進行測試，辨識結(jié)果顯示進化后ELM算法能夠更為準確的辨識鐵磁諧振故障。

參考文獻：

[1]陳欽柱，張涵，趙海龍，等.基于FSWT——SSAEs的配電網(wǎng)內(nèi)部過電壓自動提取與分類識別[J].高壓電器，2020，56（07）：166-172.

[2]王盛陽. 配電網(wǎng)鐵磁諧振過電壓的研究[D]. 浙江大學，2016.

[3]Guo M F，Yang N C，Chen W F. Deep-Learning-based Fault Classification using Hilbert-Huang Transform and Convolutional Neural Network in Power Distribution Systems[J]. IEEE Sensors Journal，2019：1-1

[4]Mokryani G，Siano P，Piccolo A . Identification of ferroresonance based on S-transform and support vector machine[J]. Simulation Modelling Practice & Theory，2010，18（9）：1412-1424.

[5]曾祥君，楊先貴，王文，等.基于零序電壓柔性控制的配電網(wǎng)鐵磁諧振抑制方法[J].中國電機工程學報，2015，35（07）：1666-1673.

[6]劉凡，孫才新，司馬文霞，等. 鐵磁諧振過電壓混沌振蕩的理論研究[J]. 電工技術學報，2006，21（002）：103-107.

[7]Yu Y，Hao Z . Study on Simulation of Ferroresonance Elimination in 10kV Power System[C]// Transmission and Distribution Conference and Exhibition：Asia and Pacific，2005 IEEE/PES. IEEE，2005.

[8]Saravanaselvan R，Ramanujam R，Al-Anbarri K，et al. Ferroresonant oscillations in a transformer terminated line due to an energised parallel line on the same right-of-way[J]. IEEE Proceedings - Generation，Transmission and Distribution，2005，152（4）：475-482.

[9]李云閣，施圍. 應用解析法分析中性點接地系統(tǒng)中的工頻鐵磁諧振-諧振判據(jù)和消諧措施[J]. 中國電機工程學報，2003（09）：141-145.

[10]黃艷玲，司馬文霞，楊鳴，等. 實測鐵磁諧振時間序列的非線性動力學分析[J]. 電工技術學報，2016，31（005）：126-134.

[11]劉凡，司馬文霞，孫才新，等.多重分形在鐵磁諧振過電壓信號分析中的應用[J].中國電機工程學報，2006（18）：138-142.

[12]謝家安，王玉榮.SST在鐵磁諧振過電壓模態(tài)參數(shù)辨識中的應用[J].廣東電力，2020，33（04）：82-89.

[13]蔡晉，林榛，高偉，等.基于HHT及信號注入的配電網(wǎng)諧振與單相接地故障識別[J].電氣技術，2015（12）：31-35+51.

[14]金濤，許立彬，高偉，等. 一種基于LCD-Hilbert變換和奇異譜熵的配電網(wǎng)暫時過電壓類型識別方法[J]. 電機與控制學報，2018，022（011）：26-36.

[15]喻一帆. 配電網(wǎng)工頻鐵磁諧振和單相接地故障辨識[D]. 西安科技大學，2016.