基于大数据与线路画像的干线断线故障自适应判别方法

姜忠炜

(国网石嘴山供电公司,宁夏 石嘴山 753000)

完善电网干线的故障判别成为保障电力正常输送的关键。干线断线故障判别与常规的低压电路断线故障判别不同,干线电路电压为110 kV且下属分支众多,在相序故障分析上存在多种可能性,故障特征无序化,因此对判别方法的自适应性要求较高。

就现有的判别方法效果来看,其自适应参量极不稳定,容易受到侧低压参量的扰动,进而影响整体判别准确性,造成故障判别误差增大[1]。如文献[2]利用深度卷积神经网络算法,从大量数据中挖掘故障报修服务请求及历史工单信息等数据,主动甄别区域性故障并开展研判,进行故障停电预警智能分析。文献[3]阐述10 kV配电线路断线故障检测和定位方面的相应内容,通过有效的故障检测以及定位技术,采取针对性的故障诊断措施,保证其稳定运行。

从自适应参数与故障特征判别两方面入手,提出基于大数据与线路画像的干线断线故障自适应判别方法,以干线断线画像与判别函数间的匹配关系为创新,在现有画像结构中干线空闲位置上引入一组参量,以获得最佳的判别效果。

1 干线断线故障自适应判别方法

1.1 干线断线故障点特征分析

将干线断线故障点的特征标记为Vsdr,其特征可分为4类,通过线路画像对干线断线故障特征Vsdr 1进行特征画像分析,如图1所示。根据干线上端供电站的110 kV端子电能可知,其接通方式为底线直通方式,因此在变电站三相电接通结构上多采用星型结构将地线直接接地[4]。此时干线断线故障点特征Vsdr 1对称画像关系,可以作如下分析:

图1 干线断线故障类型Vsdr 1的特征画像

如图1所示,断点A的相位与段点之间的边界关系为:

(1)

(2)

在故障产生过程中,由地线段的中性变压器端子排电流无零序性可将关系式(1)与式(2)进行联立整合,经过整理得到:

(3)

结合正负零序方程,进一步画像分析得到:

(4)

(5)

将式(5)代入式(4)可得:

(6)

经过解析计算,得到干线断点位置上的高压侧电压与电流的关系画像为:

(7)

(8)

完成上述画像关系描述后,根据接线方式为Yd12的干线断线前端变压器侧方位电压变化可以分析得到,当变压器转换比为1∶1(理想变压器)时[9-10],干线故障点位置的低压端此时的电压具有无零序分量的特征,由此可以得到低压端正负序分量的画像关系函数为:

(9)

通过利用大数据的矢量合成计算[11-12],得到故障点前端变压器低压位置的电压系数为:

(10)

上述分析均为110 kV线路干线断线类型为Vsdr 1类型时的故障画像过程,其中低压位置的侧方位相电压关系如图2所示。通过对图2中110 kV线路干线断线故障类型为Vsdr 1的状态分析发现,故障发生的瞬时时间段内,故障位置的低压点与故障点位置上的超前相序电压对应的幅值会出现锐减,通常情况下,相序为A-B-C时的幅值减少比例为50%[13],此时存在故障的位置点滞后相电压幅值不会发生改变。并且低压端的侧向故障电压系数对应相位与故障位置点超前电压系数对应相位相同[14]。由此可以判别在变压器正常运行状态下,干线断线故障发生瞬间干线低侧压参数为定值,故障位置与干线总负荷无关。

图2 低压位置的侧方位相电压关系

1.2 基于大数据的干线断线画像生成

根据上述画像数据的函数关系,利用大数据算法对其精准度进行进一步优化,首先根据现有画像数据建立故障识别架构,如图3所示。

在图3中,利用大数据构架能力,在现有画像结构中干线空闲位置上引入一组参量,指向干线负荷开关,当干线出现断线故障时,数据架构中所有关于零序电压的参量会发生变化,根据架构结构指向,可以快速点为发生断线故障的位置主线,并将此时的电压信号与前端变压站母线电压数据进行对比。

若此时两组电压数据矢量与变量均相同,说明此时干线故障为单相接地导致,画像描述的断线分析与实际不符,大数据分析过程中将其剔除。

图3 建立故障识别架构

若此时两组电压数据矢量与变量不相同,且瞬时零序电压值不小于18 V[15],同时故障点位置的1～3电压值差值较大,通过大数据分析可以判别此时出现了断线故障,画像数据判别精准,优化精度后保留输出。

若此时画像数据中的零序电压不小于18 V,同时伴有单相电压值小于额定电压值的故障描述,可通过变压器母线电压是否大于额定电压进行判别分析,大于额定电压,即为单相断线,画像数据准确,优化后输出,反之,将其判别结果剔除。

此判别规则可以应用于多相断线故障的大数据分析判别。

1.3 干线断线故障自适应判别

完成大数据画像精准度分析优化后,考虑到方法的适应性,二次利用大数据算法对其进行优化。与上一阶段的大数据计算不同,此阶段利用大数据的适应性特征,对所得参量的适应系数进行优化,不对故障判别正确性进行分析修正。具体优化过程如下:

首先对故障类型为Vsdr 1的断线故障行为进行大数据识别判别,判别函数为:

(11)

式中,Ufa代表110 kV干线故障点位置上的侧方位电压相位对应的超前电压系数,Uf代表110 kV干线故障点位置上的侧方位电压相位对应的电压系数,Ufl代表110 kV干线故障点位置上的侧方位电压相位对应的滞后电压系数。E代表故障低压位置上的额定电压相位值,E/2代表Vsdr 1故障类型中的干线侧位电压低压相位电压值,ΔE代表整定误差。

区别于Vsdr1类型,Vsdr2(双相断线)类型导致的干线断线故障的动作判据为:

(12)

考虑到Vsdr 3类型故障不属于断线故障,因此不对其进行动作判别。

Vsdr4类型(三相断线)的大数据动作判据为:

(13)

式中,UVsdr4代表Vsdr 4中故障位置点相位电压的侧方位低压电压值。对其进行求值计算,解得:

(14)

式中,t代表干线断线故障状态下,电路中的零序阻抗与正序阻抗之间百分比。

对上述多种判别行为进行大数据综合适应系数分析,得到对应判别量适应系数的优化函数为:

(15)

引入干线状态的经验函数g(t),可进一步提升干线断线类型Vsdr 4低压相位电压值UVsdr4与Vsdr 1和Vsdr 2适应系数优化精度,最终得到输出的干线断线故障自适应判别关系式为:

(16)

(17)

2 应用测试

对提出的干线断线判别方法的有效性进行测试。测试仿真模型的搭建的方式完成。通过仿真工具在搭建的模型中完成对提出方法相关性能参量指标的测试,并根据测试结果综合分析,得出测试结论。

2.1 设置测试条件

利用仿真测试工具MATLAB/Simulink搭建测试场景,搭建场景中测试干线电路电压为110 kV,接线类型为Yd12,前端变电站总转换比值为110/8.6。仿真场景中测试输电距离为100 km,存在干线断线故障的位置为1/3位置,测试模拟时长单位为ms,测试过程总时长为100 ms。故障发生历时时间为30 ms,其中为准确获得判别方法的有效识别精度,在仿真场景下,将断路器的阻抗设定为无穷大,以此模拟理想情况下获得判别方法的多种客观指标数据。仿真测试场景搭建具体参数如表1所示。

表1 仿真测试场景搭建具体参数

2.2 仿真工具测试过程记录

按照上述设定条件及参量,开始提出判别方法的仿真测试,断路器启动到完成干线断线故障发生瞬间,负序电压、电压波形以及电压幅值分别如图4所示。

图4 测试电压状态参量

在同一测试参量的环境下,利用提出的判别方法对断电器断电过程电压变化进行判别,同时由仿真测试工具记录电压状态参量,如图5所示。

2.3 数据分析

通过对图4与图5电压参量变化数据的对比分析可得到如下结论:

(1)由图4(a)可知,常规负序电压曲线波动特征由0.67 ms开始,逐步上升,直至第0.69 ms开始数值趋于平稳,说明此时干线电路已经断开,断路故障形成。曲线发展过程即为负序电压指向干线断线故障的判别依据,以此为判别标准分析图5(a)可以看到,判别方法下的负序电压曲线发展特征与图4(a)负序电压发展特征基本保持一致,在不考虑侧位电压扰动的情况下,提出判别方法成功完成断线故障判别;

(2)基于上述分析思路,分别对图4(b)与图5(b)及图4(c)与图5(c)进行对比分析发现,判别方法所得数据与仿真测试工具获得数据基本相同,除图5(c)中的A、B、C三相曲线走势偏低之外,其整体形态特征相似度极高,说明提出的判别方法能够根据电压波形与电压幅值对断线故障做出准确判别。

图5 判别方法下测试电压状态参量

2.4 自适应性测试

按照上述测试条件,连续重复测试100组数据,按照每10组数据求一均值的记录方式,记录提出方法的适应度数据,具体结果如表2所示。

表2 故障时段电流值监测结果(A)

由表2所示的数据可以看出,经过大数据与线路画像优化后的干线断线故障判别方法的自适应量的波动范围满足测试指标,其数值与指标值一致,说明提出方法在自适应性能提升方面起到了作用。

综合2.2节测试结果综合分析,可以判别提出方法在断线故障判别应用上具有可行且有效的客观效果,所得结果满足测试预期,符合相关测试指标,能够解决断线故障判别自适应性差导致的判别误差偏大问题。

3 结 论

利用大数据算法的分析能力与自适应性优化能力,配合线路画像完成了对干线断线故障自适应参量及其判别精度的优化,在改善方法自适应性的同时,提升了方法对干线断线故障判别的精准度,为电网故障监测研究提供了可行有效的数据。

但从测试数据不难看出,提出方法在断线故障的低压侧电压数据判别上存在约束,现阶段无法通过海量故障特征数据摆脱约束,需要日后不断积累高精度故障特征数据解决此问题,使方法更加完善。