（电力系统及其自动化专业论文）基于qnnds的配电网故障选线与扰动识别方法研究.pdf

西南交通大学硕士研究生学位论文第1 t 页 v o t i n gr u l e s p n n v r ) 和单q n n 的特征级融合方法进行对比分析，结果该方法取得了 最高的分类精度。仿真分析表明基于q n n d s 的电能质量扰动识别方法能够有效地融 合多种扰动特征量的优点，具有更好的容错性和鲁棒性，提高了扰动识别的准确率， 具有一定的应用价值。 基于q n n d s 配电网故障选线和电能质量扰动识别的仿真分析表明：该模式识别 方法继承了q n n 优秀的模式识别性能和d s 证据理论良好的信息融合能力，在配电网 故障选线和电能质量扰动识别的应用中表现出模式分类准确性高，容错性和鲁棒性好， 适应性强等优点。 关键词：量子神经网络；d s 证据理论；模式识别；信息融合；故障选线；电能质量 扰动识别 西南交通大学硕士研究生学位论文第1 i i 页 a b s t r a c t s m a r td i s t r i b u t i o ng r i d ( s d g ) i sar e s e a r c hh o t s p o ti np o w e rs y s t e mc u r r e n t l y a d v a n c e d d i s t r i b u t i o no p e r a t i o na u t o m a t i o n ( a d o a ) a n da d v a n c e dm e t e r i n gi n f r a s t r u c t u r e ( a m i ) a r e m a j o ra n dp r i o rt e c h n o l o g i e si n t h ec o n s t r u c t i o np r o c e s so fs d g f a u l tl i n ea u t o m a t i c s e l e c t i o no fd i s t r i b u t i o ng r i di ns i n g l ep h a s ef a u l ti sa ni m p o r t a n ta n dd i f f i c u l tt e c h n o l o g yo f a d o a ，a n di ti ss t i l lap r o b l e mw h i c hi s n tr e s o l v e dp r o p e r l y ；t h ea u t o m a t i cc l a s s i f i c a t i o n t e c h n o l o g yo fp o w e rq u a l i t y ( p q ) d i s t u r b a n c e si s as i g n i f i c a n ti s s u eo fp qm o n i t o r i n g s y s t e mi nt h es t r u c t u r eo fa m i s i m u l t a n e o u s l y , t h ea c c u r a c yo ff a u l tl i n es e l e c t i o na n d d i s t u r b a n c e sc l a s s i f i c a t i o nh a sd i r e c ti m p a c t so nt h er e l i a b i l i t y , c o n t i n u i t ya n dq u a l i t yo f p o w e rs u p p l yi nd i s t r i b u t i o ng r i d t oa c h i e v eah i g h e ra c c u r a c yo ff a u l tl i n es e l e c t i o na n d d i s t u r b a n c e sc l a s s i f i c a t i o n ，i n c r e a s et h er e l i a b i l i t yo fp o w e rs u p p l ya n di m p r o v et h ep qo f d i s t r i b u t i o ng r i d ，t h et e c h n o l o g i e so fp a t t e r nr e c o g n i t i o na n di n f o r m a t i o nf u s i o na r eu s e df o r t h er e s e a r c ho ff a u l tl i n es e l e c t i o na n dp o w e rq u a l i t yd i s t u r b a n c e sc l a s s i f i c a t i o ni nt h i sp a p e r t h eb a s i cp r i n c i p l e sa n dm a t h e m a t i c a ld e s c r i p t i o no fq u a n t u mn e u r a ln e t w o r k ( q n n ) a n d d e m p s t e r - s h a f e re v i d e n c et h e o r y ( d s ) a r ei n t r o d u c e di nt h et h e s i s ，w h e r eq n n i sap a t t e r n r e c o g n i t i o nt e c h n o l o g y , a n dd si sat h e o r yo fi n f o r m a t i o nf u s i o n t h ea r c h i t e c t u r ea n d i m p l e m e n t a t i o np r o c e d u r eo fan o v e lp a t t e r nr e c o g n i t i o nm e t h o db a s e do nq n n a n dd s ( q n n - d s ) i sp r e s e n t e d ，a n dt h ee x c e l l e n tp a t t e r nr e c o g n i t i o np r o p e r t ya f t e rt h et w o c o m b i n e di sa n a l y z e d t od e t e c tt h ef a u l tl i n eo fd i s t r i b u t i o ng r i di ns i n g l ep h a s ef a u l t ，t h ep a t t e r nr e c o g n i t i o n m e t h o db a s e do nq n n - d si s p r o p o s e d a c c o r d i n gt o f a s tf o u r i e rt r a n s f o r m ( f f t ) a n d w a v e l e tp a c k e tt r a n s f o r m ( w p t ) a l g o r i t h m s ，t h r e ek i n d so ff a u l tf e a t u r e si n c l u d i n gt h e f u n d a m e n t a lc o m p o n e n t ，t h ef i f t hh a r m o n i cc o m p o n e n t ，a n dt h et r a n s i e n tc o m p o n e n t ， e x t r a c t e df r o mz e r os e q u e n c ec u r r e n ta r eu s e dt ot r a i na n dt e s tt h r e ed i f f e r e n tq n n s ，a n d t h e nd si su s e df o rg l o b a lf u s i o na tt h ed e c i s i o nl e v e lt og a i nau n i f i e df a u l tl i n es e l e c t i o n r e s u l tf r o mt h eo u t p u t so ft h en e t w o r k s t h es i m u l a t i o nr e s u l t si n d i c a t et h a tq n nh a sab e t t e r c o n v e r g e n c ea n dp a t t e r nr e c o g n i t i o np e r f o r m a n c et h a ni m p r o v e db a c kp r o p a g a t i o nn e u r a l n e t w o r k ( b p n n ) ，t h ef a u l tl i n es e l e c t i o nm e t h o db a s e do nq n n d sc a ne f f e c t i v e l yf u s et h e f a u l tf e a t u r ec r i t e r i o n sa n do b t a i nh i g h e ra c c u r a c ya n db e t t e rp r o p e r t i e so ff a u l t - t o l e r a n c ea n d r o b u s t n e s s ，a n dt h ep r o c e s si sn o ts e n s i t i v et oe a r t hm o d e ，f a u l td i s t a n c e ，i n c e p t i o na n g l e s a n dt r a n s i t i o nr e s i s t a n c e t h ec h a r a c t e r i s t i ca n dk e yi s s u e so fp qd i s t u r b a n c e sc l a s s i f i c a t i o na r ea n a l y z e d ，a n d r e c o g n i t i o no fp qe v e n t su s i n gq n n d sp a t t e r nr e c o g n i t i o nm e t h o di sp r o p o s e d t e nk i n d s 西南交通大学硕士研究生学位论文第1 v 页 i o ft y p i c a ld i s t u r b a n c e sm o d e l sa r ec r e a t e da n d10 0 0d i s t u r b a n c e sd a t aa r er a n d o m l y g e n e r a t e db a s e do ns i g n a lp a r a m e t e r sw h i c ha r ea m p l i t u d e ，d i s t u r b a n c ed u r a t i o nt i m e ，a n d s i g n a lt on o i s er a t i o t h r e ek i n d so ff e a t u r ev e c t o r se x t r a c t e db yd i s c r e t ew a v e l e tt r a n s f o r m ( d w t ) ，w p ta n ds - t r a n s f o l - ma r eu t i l i z e dt ot r a i na n dt e s tt h r e ed i f f e r e n tq n n s ，t h e s i m u l a t i o nr e s u l t si n d i c a t et h a te a c hv e c t o rc a nc o r r e c t l yc l a s s i f yt h ep qd i s t u r b a n c e sa n d h a si t so w na d v a n t a g e s ；c o m p a r e dw i t hi m p r o v e db p n n ，i ti sa l s ov e r i f i e dt h a tq n nh a sa b e t t e rc o n v e r g e n c ea n dc l a s s i f i c a t i o np e r f o r m a n c et h a nb p n n au s i n gt h ed se v i d e n c e t h e o r yf o rf u s i n go u t p u t so ft h en e t w o r k sa tt h ed e c i s i o nl e v e lc a no v e r c o m et h ei n f l u e n c eo f t h ef a u l ti n f o r m a t i o nt ot h ec e r t a i ne x t e n ta n do b t a i nh i g h e ra c c u r a c y t h er e c o g n i t i o n c a p a b i l i t yo ft h eq n n d sc l a s s i f i e ri sc o m p a r e dw i t hb p n n - d s ，p r o b a b i l i s t i cn e u r a l n e t w o r kw i t hv o t i n gr u l e s ( p n n v r ) a tt h ed e c i s i o nl e v e l ，a n do n l yo n eq n nw i t h i n f o r m a t i o nf u s i o na tt h ef e a t u r el e v e l ，i ti sf o u n dt h a tt h ep r o p o s e dc l a s s i f i e rg i v e st h eb e s t c l a s s i f i c a t i o nr e s u l t t h e r e f o r e ，t h ep qd i s t u r b a n c e sc l a s s i f i c a t i o nm e t h o db a s e do nq n n - d s c a ne f f e c t i v e l yf u s et h ea d v a n t a g e so fv a r i o u sf e a t u r ev e c t o r sa n do b t a i nh i g h e rd i s t u r b a n c e s r e c o g n i t i o na c c u r a c ya n db e t t e rp r o p e r t i e so ff a u l t t o l e r a n c ea n dr o b u s t n e s s ，a n di tc a nb e u s e da sap qe v e n t sc l a s s i f i e ri np r a c t i c e t h es i m u l a t i o nr e s u l t so ff a u l tl i n es e l e c t i o na n dp qd i s t u r b a n c e sc l a s s i f i c a t i o nb a s e do n q n n d si n d i c a t et h a tt h ep r o p o s e dm e t h o dh a si n h e r i t e dg o o dc l a s s i f i c a t i o np r o p e r t yo f q n na n de x c e l l e n ti n f o r m a t i o nf u s i o np r o p e r t yo fd s ，a n ds h o w nh i g hp a t t e r nr e c o g n i t i o n a c c u r a c bg o o dp r o p e r t i e so ff a u l t - t o l e r a n c ea n dr o b u s t n e s s ，a n ds t r o n ga d a p t a b i l i t ya p p l i e d i nf a u l tl i n es e l e c t i o no fn e u t r a ln o n e f f e c t i v eg r o u n d i n gs y s t e mi ns i n g l ep h a s ef a u l ta n dp q d i s t u r b a n c e sc l a s s i f i c a t i o n k e yw o r d s ：q u a n t u m n e u r a ln e t w o r k ，d se v i d e n c et h e o r y , p a t t e r n r e c o g n i t i o n ， i n f o r m a t i o nf u s i o n ，f a u l tl i n es e l e c t i o n ，p o w e rq u a l i t yd i s t u r b a n c e sc l a s s i f i c a t i o n 西南交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并 向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用 影印、缩印或扫描等复印手段保存和汇编本学位论文。 本学位论文属于 1 保密口，在年解密后适用本授权书； 2 不保密囵，使用本授权书。 ( 请在以上方框内打“”) 学位论文作者虢晦海 r 期川。p | 指导老师签名： - # w ，“m * g * * _ r 一一u n 一m m “* 负荷预测与控制技术 ) t m q 4m m 口镕m 日目、 自动抄表技术 ) - * 一 ，” h n _ * * - - _ q 与用户互动技术 ) d w m 一， “_ _ 自 7 设备管理 ) * h - h - - _ * 、，v * n ”h h _ _ _ _ r 检修管理) _ - _ r ，n m * - - * m - _ _ ， 停电管理) d 口b * 8 _ ”m 一 一m “口“4 - * q _ _ a _ _ ， 规划设计管理 ) 鹚脚唰固 图1 1智能配电网的主要技术和功能 1 2 本课题研究目的和意义 智能配电网的建设是一个庞大的系统集成工程，是一个技术积累、凝聚、沉淀的 过程，所以在其建设过程中不能急于求成，只能循序渐进，步步为营。也就是说，在 各项技术实现的过程中要有先后顺序之分【4 】。针对我国当前配电网自动化程度不高的现 状，在智能配电网建设过程中，高级配电运行自动化和高级量测体系这两项技术可以 先行实现，因为这两项技术的实现可以全面提高配电网的自动化水平，在保证配电网 供电的可靠性和连续性、提高供电电能质量的同时，给智能配电网的建设打下坚实的、 良好的基础。 我国在电压等级为6 k v 6 6 k v 的配电网中广泛采用中性点不接地或者经消弧线圈 西南交通大学硕士研究生学位论文第3 页 接地的方式，这种系统属于小电流接地系统。小电流接地系统的故障绝大多数是单相 接地短路故障，其显著特征是在发生单相接地故障时不形成低阻抗短路回路，故障电 流非常小，电网线电压仍然对称，允许供电l 2 小时，从而提高了系统运行可靠性， 尤其在瞬时故障条件下，短路点可以自行灭弧、恢复绝缘，这对保证供电的连续性具 有非常积极的意义。但随着系统容量的增长，馈线增多，尤其是电缆线路的大量使用， 导致系统电容电流增大，长时间运行可能会发展成两相短路，也易诱发持续时间长、 影响面广的间歇电弧过电压，进而损坏设备，破坏系统安全运行，为避免上述情况的 发生应尽快找到故障线路并排除故障【5 】。配电网故障选线是高级配电运行自动化中的重 点和难点技术，针对这一问题，虽然提出了多种解决方案，但是由于故障工况复杂多 变、故障信号微弱，并受制于现有的传变测量仪器的精度水平，长久以来都没有得到 圆满的解决，目前大部分配电所仍然采用人工逐条线路拉闸的方法来判断故障线路， 其严重限制了配电运行自动化的发展，影响了供电的可靠性与连续性。因此，研究配 电网故障选线技术对提高供电可靠性、连续性，保证供电部门和用户的经济效益，加 速高级配电运行自动化的发展和智能配电网的建设具有重要的意义。 在电力市场机制中，电能是一种由电力部门向电力用户提供，并由供、用双方共 同保证质量的特殊商品，所以电能作为一种商品，与其他商品一样，也应该讲究质量。 随着工业规模的扩大和科学技术的发展，一方面，以电力电子设备为代表的非线性、 冲击性、波动性负载的大量使用造成电能质量污染同趋严重，此外，大量的间歇性分 布式电源接入配电网中也是导致电能质量下降的一个重要原因：另一方面，各种对电 能质量敏感的用电设备不断普及，对供电质量的要求更加苛刻【6 】。劣质的电能质量轻则 造成用户生产力的下降，重则破坏系统的安全稳定运行，引发电网的大面积停电事故， 所以对电能质量问题进行科学系统的研究进而有效地加以控制就显得十分必要。对引 起电能质量下降的各种扰动信号进行准确的分类进而建立有效的电能质量监测系统是 智能配网高级量测技术的重要内容，也是治理和改善电能质量的重要前提。因此，研 究电能质量的分类问题对于确保社会生产和人民生活的优质供电，以最小程度减少对 现代工业企业和重要电力用户的影响，促进智能配网高级量测体系的全面建设具有十 分积极的意义。 近年来，随着模式识别技术的发展，特别是神经网络技术的多样化和实用化，使 得将故障诊断和分类识别问题作为模式识别问题进行研究具备了良好的条件，另一方 面，随着信息融合技术的进步，使得综合利用多特征量进行模式识别成为了发展趋势。 笔者认为，将模式识别、信息融合、信号处理等新技术应用到配电网的各个方面，提 高系统的自动化、智能化程度，是智能配电网未来相当一段时i 廿j 的主要课题。因此， 本文将配电网故障选线和电能质量扰动分类问题作为模式识别问题，充分挖掘配电网 单相接地故障和各种电能质量扰动的特征信息，采用基于量子神经网络的模式识别方 西南交通大学硕士研究生学位论文第4 页 法和基于d s 证据理论的信息融合方法对二者进行研究，旨在提高配电网故障选线精度 和电能质量扰动识别的正确率。 1 3 本课题的研究现状 1 3 1 配电网故障选线国内外研究现状 电力系统的中性点接地方式是一个综合性的技术和经济问题，它与系统的供电可 靠性、人身安全、设备安全、绝缘水平、过电压保护、通信干扰电磁环境及接地装置 等问题有密切的关系1 7 】。配电网中广泛采用小电流接地方式，小电流接地方式主要分为； 中性点不接地、中性点经消弧线圈接地和经高电阻接地方式。在前苏联，小电流接地 得到了广泛的应用，其故障选线装置主要采用零序功率方向和首半波原理选线：日本 在供电、钢铁、化工用电中普遍采用中性点不接地或经电阻接地的方式，所以分别采 用功率方向和零序过电流方法选线原理来切除故障线路。德国多使用谐振接地的方式， 并于2 0 世纪3 0 年代就提出了利用故障暂态过程的单相接地保护原理。法国在使用中 性点经电阻接地几十年后，现在j 下以谐振接地取代电阻接地，并提出了p r o n y 选线方 法和暂念量小波变换选线方法。 国内对配电网故障选线也进行了较多的研列7 1 ，现有故障选线原理，按照利用信号 方式不同可分为主动式与被动式。主动式方法需向电网注入信号，而被动式方法则利 用接地故障产生的电压、电流信号，被动式又可分为利用故障稳态信息、暂态信息以 及综合利用稳态和暂态信息的选线方法三大类( 8 】。 1 3 1 1 基于注入信号的选线方法 基于注入信号的选线方法是主动式的选线方法，通过区分注入信号是特定频率电 流信号还是可变频恒流信号又可分为注入单频信号法【9 。1 0 1 和注入变频信号法1 1 。基于注 入信号的选线方法其优点是不受中性点接地方式的影响；其缺点是需要安装信号注入 装备，且注入信号强度受电压互感器容量限制，接地电阻的大小也影响了选线的准确 性。此外，对间歇性接地来说，注入的信号变化不连续也影响其正确选线。 1 3 1 2 基于故障稳态信息的选线方法 在基于故障稳念信息的选线方法中，零序电流比幅法和比相法【i2 j 由于受线路长短、 过渡电阻、不平衡电流、测量误差等因素的影响很容易出现误判的现象，所以目前很 少单独应用。零序电流群体比幅比相法【 。4 】与零序功率法【5 1 5 1 在根本原理上没有解决零 序电流比幅法和比相法中面临的问题，所以在故障电流很小的情况下，不平衡电流和 测量误差的影响仍然十分严重，选线的证确率不高。最大i s i n b 或a ( i s i n 矽) 法【l6 j 在理 西南交通大学硕士研究生学位论文第5 页 论上消除了不平衡电流的影响，但计算过程中需要取一个参考信号，若该信号出问题 将造成该算法失效，并且计算过程中需求出有关相量的相位关系，计算量大。d e s i r 法【1 7 18 】要求测量消弧线圈的电流，易受电流互感器( c t ) 测量误差的影响，为提高接 地电流的强度，有时特意给消弧线圈串并联接地电阻增大有功分量，但容易扩大事故。 在消弧线圈接地系统中，可以借助五次谐波的大小和方向来进行故障线路判蚓1 9 锄】， 但是接地电流中谐波分量较小且易受c t 不平衡电流的影响，难以检测。为克服单次谐 波信号小的缺点，有学者提出各次谐波综合法，即将零序电流3 ，5 ，7 等多次谐波分 量求和后再根据五次谐波理论进行选线，由于谐波次数越高，幅值越小，因此效果仍 然不太明显。零序导纳法【2 1 2 2 】在国外研究较多，主要用来检测高阻接地故障，该方法 灵敏度较高，但需要与消弧线圈配合使用，不适用不接地或消弧线圈不能自动调谐的 系统。残留增量法【2 3 】可消除c t 等带来的测量误差，灵敏度及可靠性较高，缺点是需 要配合自动调谐消弧线圈使用，且刻意要求消弧线圈脱档调节。负序电流法【2 4 】受系统 不对称度和负荷的影响较大，负序电流的获取也较为困难。能量法【2 5 。2 6 】由于接地电流 中有功分量较小，且积分函数易将一些固定误差累积，实际效果较差。 基于稳态信息选线方法的优点是稳态信号持续时间长，可以连续多次运用稳态信 息选线并综合判断来保证选线的准确率；其缺点也非常明显，其中部分方法的应用受 到中性点接地方式、线路长度、过渡电阻大小的影响，且稳态信号的幅值较小，易受 互感器测量误差和噪声影响，影响选线精度。另外，在出现故障点电弧不稳定，间歇 性接地故障等情况，选线的准确性会严重下降。 1 3 1 3 基于故障暂态信息的选线方法 配电网发生单相接地故障时，故障电压和电流的暂念过程含有丰富的特征量，因 此利用故障暂态信息进行故障选线有利于提高选线精度。在故障暂态信息的选线方法 中，提出较早的是首半波法f 2 ”，该方法利用故障线路暂态零序电流和电压首半波的幅 值和方向均与正常情况不同的特点来实现选线。首半波法可检测不稳定接地故障，但 极性关系成立的时间很短，要求检测装置的数据同步采样速度快，且易受线路参数、 故障初相角等因素的影响。基于小波变换的暂态零序电流比较法【2 & 3 5 】利用合适的小波 和小波基对暂态零序电流进行小波变换，根据故障线路上暂态零序电流某特征分量的 幅值包络线高于健全线路，且二者极性相反的关系选择故障线路，该方法是目前国内 外研究的重点，但由于暂态过程持续时间短且暂念信号受故障时刻等多种因素影响， 呈现出随机性、局部性和非平稳性等特点，使得暂态信号记录和分析受到了一定地限 制，该方法在工程上实际应用效果还有待进一步验证。p r o n y 算法【3 6 1 能够准确地提取故 障暂态信号中起主导作用的暂态主频信号，通过比较故障线路与非故障线路暂念主频 导纳幅值和相位的不同进行选线，但此算法的计算量较大。 基于故障暂念信息的选线方法是近年兴起的研究热点，主要优点是：故障发生时 西南交通大学硕士研究生学位论文第6 页 皇-。 一一 i i 曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼曼皇璺曼曼曼曼曼曼曼曼罡曼舅曼曼曼曼曼皇笪曼曼! 曼蔓曼曼曼 的暂态信号往往强于稳态信号，特征量明显，灵敏度高，并且基本不受中性点接地方 式的影响；其缺点是暂态信号的持续时间短，对于有效提取故障发生时的特征信息并 迅速地判别故障提出了很高的要求，使其应用受到了很大的限制。 1 3 1 4 基于综合信息的选线方法 尽管有以上的多种选线方法被提出，但任何单一选线方法都很难完全适应各种电 网结构与复杂的故障工况的要求，这是现有选线技术失败的主要原因。为解决这一现 状，综合利用故障稳态、暂态信息，结合多种故障特征量，将多种选线方法进行融合 来构造综合选线方法是一种新的研究思路。目前，出现的基于综合信息选线方法有如 下几种： ( 1 ) 神经网络选线法 文献 3 7 3 8 通过提取稳态和暂态信号的故障特征量作为神经网络的输入，通过神 经网络对故障时的各种特征量进行综合判别，来大幅度提高故障选线的准确率。文献 【3 9 构造多种选线方法的相对故障测度函数和可确定故障测度函数来确定其实际故障 测度，再利用神经网络对每种选线方法的实际故障测度进行智能融合，从而得到可靠 性较高的故障选线结果。但是，实际小电流接地系统中馈线一般都比较多( 可能达到 2 0 , - v 3 0 条) ，加之综合了各个故障特征和不同故障状态，神经网络样本的维数非常之高， 若用单一网络进行训练和诊断，在收敛速度和诊断时间上必将大打折扣，甚至会出现 不收敛、误判或漏判等情况。 ( 2 ) 粗糙集选线法 文献 4 0 采用小波包分析方法、有功分量法、五次谐波法和基波幅值法从零序电流 信号中提取暂态分量、有功分量、五次谐波分量和基波分量的故障特征，并计算出它 们的故障测度，以它们的故障测度作为信息系统的条件属性，线路的故障状态作为决 策系统的决策属性，提出了基于粗糙集理论的融合选线方法。 ( 3 ) d s 证据理论选线法 文献 4 1 】基于故障测度概念并利用小波分析理论构造了暂态信息故障测度算法：对 故障工频信息构造了幅值和相角故障测度算法；运用d s 证据理论实现了多判据信息融 合，将多判据选线问题转化为证据推理问题，多故障信息的融合选线判据使选线性能 得到提高。文献 4 2 提出一种基于d s 证据理论的多判据多周期融合的配电网故障选线 方法，以充分利用多方面、不同时段的故障信息，同时抑制了不良数据的影响来提高 故障线路判别能力。 综上所述，配电网故障选线从构造思路上、设计方法上形式多样，充分说明了选 线问题的重要性和复杂性。选线装置多年来的运行情况也暴露出在保护原理、技术上 的不成熟，因此非常有必要对配电网故障选线进行更加深入、更加细致的研究。在单 一选线方法难以适应的情况下，综合利用稳态和暂态信息，并融合多种故障特征的综 西南交通大学硕士研究生学位论文第7 页 合选线方法是未来研究的方向。 1 3 2 配电网电能质量扰动识别国内外研究现状 1 3 2 1电能质量扰动的分类 配电网电能质量问题主要是由电网中各种扰动引起的。按照i e e e 关于电能质量领 域电磁现象的具体分类标准，电力系统中主要的电能质量问题可分稳态和暂态两大类。 稳态电能质量问题以波形畸变为特征，主要包括谐波、间谐波、缺口、噪声以及电压 不平衡等；暂态电能质量问题通常是以频谱和暂态持续时间以及扰动的随机性为特征， 主要包括各种电能质量扰动现象，如问断、凹陷、凸起、脉冲暂态和振荡暂态等。表 1 1 给出了i e e e 电力系统电磁现象的特性及分类【4 3 1 。 表1 1i e e e 电力系统电磁现象的特性及分类 对于表1 1 中列出的各种现象可进一步用其属性和特性加以描述。对于稳念现象， 可利用以下属性描述：幅值、频率、频谱、调制、电源阻抗、缺口深度和面积；对于 西南交通大学硕士研究生学位论文第8 页 非稳态现象，可利用上升率、幅值、相位移、持续时间、频谱、频率、发生率、能量 强度、电源阻抗等属性来描述。表1 1 提供了一个清晰描述电能质量及电磁干扰现象 的实用工具，利用它可以确定电能质量指标和区分测量结果。 针对过去对各种扰动引起电能质量问题( 扰动) 的提法不一，i e e e 第2 2 标准协 调委员会( i e e es t a n d a r d sc o o r d i n a t i n gc o m m i t t e e2 2 ) ( 电能质量) 和其他国际委员会 推荐如下1 5 种术语来描述主要的电能质量问题，它们分别是：谐波( h a r m o n i c ) 、间 谐波( i n t e rh a r m o n i c ) 、电压缺口( n o t c h ) 、直流偏移( d co f f s e t ) 、噪声( n o i s e ) 、 电压不平衡( i m b a l a n c e ) 、电压波动( f l i c k e r ) 、频率偏差( f r e q u e n c y v a r i a t i o n ) 、欠电 压( u n d e r v o l t a g e ) 、过电压( o v e r v o l t a g e ) 、电压暂升( s w e l l ) 、电压暂降( s a g ) 、电 压中断( i n t e r r u p t i o n ) 、振荡暂态( o s c i l l a t i o nt r a n s i e n t ) 、脉冲暂态( i m p u l s et r a n s i e n t ) 1 3 2 2 特征提取方法 为了对电能质量的各种扰动信号进行可靠的、准确的分类，特征提取是至关重要的 一步，特征提取的主要目的就是通过对原始扰动信号进行一系列的变换，并从中提取 能代表扰动信号主要特点的特征信息】。目前，先进的信号处理方法为电能质量扰动 特征提取提供了一个很好的平台。 ( 1 ) 傅立叶变换 在电能质量分析领域，常利用各种改进的f f t 对信号进行等间隔采样，将采样值 转换成数字序列，然后借助计算机进行谐波分析，利用各种扰动的傅立叶频谱具有明 显不同的特征，能够很好的识别谐波、闪变、问谐波等电能质量问题【4 5 4 7 1 。f f t 能够 分别从信号时域和频域进行观察，但不能把二者有机地结合起来，它有最高的频域分 辨率，却不能得到时域信息，所以在分析含有短时高频分量和长时低频分量的信号时 有很大的局限性，因而在识别暂态扰动信号时效果并不理想。 ( 2 ) 小波变换 小波变换由于具有良好的时频局部化特性，可以聚焦到信号的任意细节，能够很 好地处理突变信号，因此特别适于分析非稳态的畸变波形。文献 4 8 1 以小波变换后细节 信号的能量分布、各层能量平均值、信号有效值和扰动持续时间为特征量，通过模糊 神经网络对信噪比为4 6 d b 的电能质量扰动进行分类，除了含谐波的扰动信号外，对其 他扰动均取得了良好的效果。文献 4 9 1 以去噪后的小波变换各层细节信号的能量谱为神 经网络的输入来识别电能质量扰动信号，得到了非常高的分类精度，但是不采取去噪 措施，分类精度将会降低。 ( 3 ) 小波包变换 小波包变换是在小波变换基础上发展起来的，它的优势是在高频部分能提供更加 丰富的频带细节。文献 5 0 】以各节点小波包系数的标准差为特征向量，提出了一种基于 最d , - 乘支持向量机的电能质量分类方法。无噪声信号条件下，在样本数量较小时仍 西南交通大学硕士研究生学位论文第9 页 取得了较好的分类效果。文献 5 1 】以小波包变换后各终节点的能量和能量熵分别作为特 征向量进行电能质量扰动分类，通过比较得出能量熵特征具有更好的分类效果。 ( 4 ) s 变换 s 变换结合了小波变换和傅里叶变换的优点，其分析结果为一个反映了信号时间和 频率信息的时频矩阵，能够较细致和直观地表现信号的时频特性。s 变换以其优良的时 频分析性能在特征提取中的应用f 1 益广泛。文献 5 2 以s 变换输出结果矩阵中的行向量 和列向量分别作为支持向量机的输入来进行电能质量扰动识别，该方法得到了较好的 分类效果。但是s 变换输出结果矩阵中的行向量和列向量一般维数都比较高，直接作 为支持向量机的输入特征量时，会使训练的时间加长、计算内存消耗较大，甚至会影 响到算法的收敛性。文献 5 3 】通过对s 变换输出结果矩阵进行处理，得到了四个特征向 量用于电能质量扰动分类，在信噪比为2 0 4 0 d b 的情况下取得了9 3 2 的分类精度， 该精度在实际应用中可能有些偏低。 ( 5 ) 数学形态学 数学形态学是基于积分几何和随机集论建立起来的一种非线性数学方法，数学形 态学在电能质量领域的应用在国内外还刚刚起步，且大多数只涉及电能质量扰动的检 测与定位问题，在扰动识别中应用较少。文献 5 4 1 介绍了一种用多刻度数学形态学对电 能质量扰动进行分类的方法，该方法是根据各种扰动在形态谱上表现出的刻度和幅值 变化的差异来实现的。由于形态谱本身是一种形状的定量描述，分析结果不可避免地 要受结构函数的幅值和形状的影响。文献 5 5 】提出了一种基于数学形态学的动态电能质 量扰动检测与分类方法。该方法利用数学形态学各种运算得到的幅值特性和形态梯度 可对电压暂降、暂升、中断、暂态脉冲、振荡五种动态电能质量扰动进行分类。 综上所述，在特征提取过程中，每种信号处理方法都有各自的优势和适应范围。 如果将不同方法提取的特征量融合起来，使各种方法的优势得到互补，那么电能质量 扰动分类的精度将得到进一步的提高。 1 3 2 3 模式分类器的选择 各种特征量通过信号处理方法从原始扰动信号中提取出来后，利用这些特征量进行 扰动识别的过程实际就是一个模式识别的过程，选择一个快速、准确的分类器是关键。 人工智能技术的发展为模式识别分类器提供了更多的选择方案和机会。当前，在电能 质量分类识别中应用比较多的模式分类器主要有：专家系统、人工神经网络、支持向 量机和贝叶斯分类器。 ( 1 ) 专家系统 专家系统是一种比较成熟的人工智能技术，它是一个智能计算机程序系统，能利 用人类专家的知识和解决问题的方法处理某一领域的问题。文献 5 6 5 7 1 提出利用专家 系统对电能质量问题进行自动分类，其中专家规则的依据是扰动产生的原因、扰动起 西南交通大学硕士研究生学位论文第1 0 页 i 止时间和有效值等特征。文献 5 8 】在对各种扰动进行时域和多分辨率分析的基础上提取 扰动特征，结合可扩展的规则基专家系统实现扰动信号的分类，并实现了较理想的分 类效果。专家系统用于电能质量扰动分类，最显著的特点就是知识库可以随扰动类型 的变化、经验的积累随时修改、扩充。但随着扰动增多，知识库的完备性难以保证， 维护难度也增大，其复杂程度的增加将会限制其分类性能。 ( 2 ) 人工神经网络 基于人工神经网络的模式分类是一种利用逻辑推理的分类方法，由于其具有自组 织、自学习、容错能力较强和并行处理的优点，因此在电能质量扰动分类领域是必不 可少的分类工具。文献 4 8 - 4 9 ，5 9 1 通过小波变换提取特征向量后，以模糊神经网络或 者学习矢量化神经网络作为电能质量扰动分类器，文献【5 3 通过s 变换提取出扰动特征 后，用概率神经网络作为辨识扰动类型的模式识别分类器，这些方法都取得了良好分 类效果。利用神经网络实现扰动信号自动分类的缺点是：当检测到新的扰动时，神经 网络结构需重置，并进行新的训练，增加了工作量。 ( 3 ) 支持向量机 支持向量机是一种基于统计学习理论的模式识别方法，可以有效解决小样本、非 线性及高维的模式识别问题，具有很强的泛化能力，因此也常用于电能质量扰动信号 的分类。文献 5 0 在提取小波包系数标准差作为特征的基础上，提出一种基于最小二乘 支持向量机的电能质量扰动分类方法。该方法具有较快的训练速度和较高的分类准确 率，在样本数较小时仍取得较好的效果。文献 5 2 】通过s 变换进行扰动信号特征提取， 然后构造支持向量机分类树进行扰动分类。该方案具有分类准确率高，对噪声不敏感， 训练样本少等优点，是电能质量扰动有效的识别方法。文献 6 0 】将多级支持向量机引入 电能质量扰动分类中，通过构造n 1 级支持向量机分类器实现对n 种电能质量扰动的 分类，该方法能有效识别参数在大范围内随机变化的各种电能质量扰动信号。对于小 样本的扰动分类，支持向量机的训练时间短，误识率低，分类效果很好，但当样本数 量增加且存在样本间的相互混叠时，支持向量数目迅速增加，使训练难度增大，s v m 的性能明显下降，而此时神经网络则表现出良