基于多源信息融合的电力系统快速故障诊断方法研究

时间：2024-07-28

罗卿

(国网浙江省电力有限公司建德市供电公司,浙江,建德 311600)

0 引言

在智能电网中,对早期故障的位置进行诊断是维持供电可靠性、进行故障分析的重要手段[1]。电网一旦发生故障,会在分布式系统中迅速传播,并可能引起系统的二次故障。由于电力系统故障的分散性和不确定性的影响,传统的基于断路器(CBs)和继电器信息的故障诊断方法往往是无效的。因此,需要将CBs的离散数据与相量测量单元(PMU)的连续电压相结合[2],以提高智能电网的故障诊断能力。

目前,故障检测与诊断在智能电网中得到了广泛的应用。一种方法是利用PMU的信息检测智能电网的故障位置[3]。PMU从全球定位系统卫星接收同步信号,并确定变电站的电压和电流相量。由于PMU的测量成本相对较高,因此实际的应用中,通常只使用较少的PMU,然后利用欧姆公式计算其他电网的电压。另一种则是基于人工神经网络、模糊逻辑、模糊Petri网、支持向量机、决策树等方式的智能检测方法。

近年来,信息融合方法在不同领域得到了广泛的应用,其基本思想是通过充分利用有效的信息源来改进决策过程[4]。将来自不同信息源的多个信息集成到一个框架中,可以得到比单个信息源更可靠的数据库,并可以得到精度更高的决策方法。

因此,本文提出了一种新的智能电网故障诊断融合方法。首先,将来自CBs的离散信息和记录仪的连续电压用于控制中心单元,并使用有序加权平均(OWA)算子来识别故障位置。然后,结合径向基函数(RFS)神经网络和小波的诊断,最后,根据径向基函数的信息,在特征层进行融合决策。

1 基于OWA算子的信息融合算法

1.1 离散小波变换

小波是在时域和频域具有局域特性的波状振荡。它们的正交特性使它们适合于的监测和故障诊断。MALAT等[5]为离散小波变换(DWT)引入了一个框架,即多分辨率分析,它将一个信号映射到不同的分辨率级别。假设f(t)∈L2(R)为正交小波及其尺度函数的线性组合,则

(1)

φm,k(t)=2-m/2φ(2-mt-k);m,k∈Z

(2)

ψm,k(t)=2-m/2ψ(2-mt-k);m,k∈Z

(3)

其中,φ(t)和ψ(t)分别表示尺度函数及其正交小波。m为膨胀因子,k为平移参数。在尺度函数和小波中加入2-m/2进行归一化处理,则

a0,k=

(4)

dm,k=

(5)

1.2 RBF神经网络

RBF网络是一种前馈神经网络[6]。该网络采用径向基函数作为激活函数,提供全局逼近。这是该网络与其它存在局部最小问题的多层感知器网络的主要优势[7]。

图1 RBF网络结构

(6)

其中,Cj(j=1,2,…,n)∈Rn和λj分别为第j个RBF隐藏节点的中心和宽度。

1.3 基于OWA算子的融合方法

利用OWA算子可以将不同方法的决策信息进行融合,以实现高性能的电力系统故障诊断。OWA 算子代表了一类通用的聚合算子[8]。它已被广泛用于不同的领域,包括函数逼近,决策和控制[9]。OWA 算子可以被认为是从维度为n的空间到维度为 1 的空间的映射,由F:Rn→R表示,关联的权重向量W=[w1,w2,…,wn]T服从如下关系,

(7)

(8)

(9)

对于式(7)和式(8)中约束条件,可以通过梯度下降法等方法来获得式(9)的最优解。

2 基于信息融合的故障诊断方法

2.1 基于小波的故障诊断单元

基于基函数的正交性,离散小波变换被证明是分析非稳态信号的有效方法[10]。这些基函数被称为母小波。Haar小波和Daubechies小波是两个著名的母小波[11]。为了达到故障检测的目的,用多分辨率分析方法对故障信号进行分解,以获得故障信号在不同层次上的近似值和细节系数。

图2显示了长度为4的Daubechies母小波的故障信号和它的分解级别(db4),其中,纵轴为标幺值,单位为pu,横轴为采样时间,单位为s。可以看出,细节系数1(CD1)包含高频信号,说明了故障信号的快速变化,可用于检测故障时间。此外,在总线上CD1的值很大的位置,意味着可能存在故障或故障的影响。

图2 故障信号及其db4小波分解

2.2 基于RBF网络结构设计

IEEE 14总线系统被广泛用于进行各种电力系统研究。因此,为了利用RBF网络来诊断IEEE 14总线系统中的故障位置和时间。

考虑如图1所示的RBF网络,并对其诊断单元进行设计。该网络的输入层有14个神经元,隐藏层有28个神经元,输出层有4个神经元。输出函数是以二进制格式设计的。例如,输出0000表示系统中没有故障。输出0001意味着在总线1的位置有故障。输出0010显示总线2的位置有故障,以此类推。选择这种格式的原因是,如果选择十进制格式,输出会对像13和14这样的较大的数字产生饱和,系统无法正确检测这些故障。

2.3 基于OWA算子融合检测方法设计

融合实现的基本思想是利用融合方法的互补性,提高故障检测与诊断系统的性能。本小节将结合基于OWA算子的融合算法的特点,设计所需的故障诊断系统。其基本框架如图3所示。

图3 融合方法框架

其中,CBs可以在早期阶段检测系统中的故障,但由于故障会影响其附近的总线,因此该方法往往不能确定故障的确切位置。DWT诊断单元可以诊断出故障及其位置,但它对系统中的噪声仍然很敏感,并可能产生不止一个故障位置,甚至可能出现漏检。而基于RBF方法可以诊断出故障的位置,但它对故障识别有一定的延迟。基于上述分析,在融合单元,利用基于OWA的融合方法可以有效的结合不同诊断单元的决策,并提前诊断出故障位置。在此过程中,通过优化(9)来调整OWA的权重系数。

3 仿真实验分析

IEEE 14总线系统由于其合理的复杂性和与微电网结构的相似性而被广泛用作研究平台。因此,本文设计如图4所示的IEEE 14总线系统的故障场景。并通过设计的故障方法测试结果,从而验证系统的有效性。

图4 IEEE标准14总线系统

为此,在不同的总线位置向系统加入了几个故障。其中,断路器的离散数据和记录器的连续电压被同时用于故障分析。此外,在所设计的融合诊断系统中,RBF、DWT和CBs诊断单元的权重系数分别为0.4、0.36和0.24。

图5为总线6上190个采样时间的A相接地故障。可以看出,该故障对与总线6连接的总线11有较大影响,从而导致6和11的CB同时断开。因此,CBs信息不能准确标识故障的位置。

图5 总线 6 中的 A 相接地故障及其对总线 11 的影响。

图6显示了总线6和11的故障电压及其CD1。CD1显示了电压的变化。在总线6的191个采样时间,它从几乎为零跳到0.15pu。在191个采样时间,总线11的值上升到接近0.1pu。因此,DWT诊断单元在时间191诊断出6号总线的故障位置。需要注意的是,如果系统中的噪声较大,单独使用DWT进行故障诊断时,可能由于CD1携带了系统中噪声等高频信号而导致漏报。

图6 故障电压和6号和11号总线上的CD1

图7为CBs、DWT、RBF和OWA四个故障诊断系统的输出。可以看出,RBF诊断单元在195个采样时间检测到6号总线的故障。

图7 总线6的CBs,DWT,RBF和OWA 故障诊断系统的输出

而当通过本文提出的基于OWA算子的融合方法进行诊断时,在191采样时间能够准确检测到总线6的故障。与RBF诊断单元相比,它的检测延迟更低。此外,由图7可以看出融合检测方法将CBs、DWT、RBF的故障结果组合在一起作为系统的输出,从而有效的提高了故障识别能力,以及故障定位的可靠性。