CN102879704B - 一种高压输电线高阻接地故障多参数数据融合检测方法 - Google Patents

Abstract

本发明公开一种高压输电线高阻接地故障多参数数据融合检测方法，通过检测高压输电线路的电流信号、电流突变信号、电压突变信号、电流五次谐波分量四个特征参数，将四个特征参数经过模糊神经网络进行数据融合，综合诊断线路是否发生接地故障。该方法克服了不同原因造成的高阻接地故障影响不同参数变化，造成单参数高阻接地故障判断困难的问题，从而与传统的单参数测量方法相比，大大提高了高压线路中接地故障诊断的正确率，减少了误判和漏判。

Description

一种高压输电线高阻接地故障多参数数据融合检测方法

技术领域

本发明涉及一种高压输电线的接地故障检测方法，属于电力设备检测、输配电工程和故障诊断技术领域。

背景技术

输电线路接地故障不但会降低电网供电的可靠性，还会严重影响电网的安全稳定运行。根据过渡电阻的大小不同，线路接地故障可分为低阻故障和高阻故障。低阻故障会导致故障点附近的电压急剧下降、电流急剧增大，这种故障常规保护能够可靠检测和处理；但高阻故障引起的电压、电流有时突变量很小，从而增加了检测的难度，常规保护可能无法可靠动作。我国国土面积广阔，地形地貌复杂，线路由于绝缘子闪络雷击、山火火焰对线路放电，以及线路与树枝或其它表面等发生有害电气接触都可能引发高阻接地故障，而这种不易察觉的故障的存在可能会导致电力系统出现更严重的故障。因此，研究能同时检查低阻和高阻接地故障的可靠检测方法具有重要的意义。

 目前关于高阻接地故障的统计数据很少，不过根据线路巡检人员的实地观测，发现发生高阻接地故障而保护不能正确动作的情况比人们预期的要严重得多。影响高阻接地故障发生数量的因素包括：电压水平、线路类型以及线路使用时间等。

从电压等级来看，中低压配电网馈线和高压、超（特）高压输电线路都可能发生高阻接地故障。配电线路因为杆塔低，更容易接触树枝等接地物体，所以发生高阻接地故障的概率较大；但高压输电线因雷击、山火火焰等也会出现高阻接地故障，且一旦故障，对电力供应的影响显著。由于系统结构以及国情的差别，国外对高阻接地故障的研究主要集中于25kV及更低电压等级的配电系统；而国内的研究除了配电网、6kV煤矿供电系统以外，也对110kV及以上电压等级的大接地电流系统展开研究。

从线路类型来分，电缆和架空线都可能发生高阻故障。电缆铺设在地下，受环境因素影响小，发生高阻故障的概率相对较低；而架空线路在室外受环境影响大，风灾、树枝放电、山火火焰、雷击等都可能引发线路高阻故障。因此目前对线路高阻接地故障的研究大多针对架空线路，以及由地下电缆和架空线路分段连接的混合线路。

从线路使用时间来看，状况欠佳的、经历过严重风灾或严重过负荷的、与树枝等发生过放电或其它类型故障的线路容易受高阻接地故障影响。新架空线绝缘好，不容易接地，也不易发生高阻接地故障。旧架空线由于线路老化，绝缘状况下降，发生高阻接地故障的可能性大大增加。实践证明，使用时间长的线路较容易发生高阻接地故障。

 由于接地故障原因较多，并且相对复杂，因此，接地故障的判断比较困难，国内外都展开了对接地故障的研究。目前主要的检测方法有：首半波法、零序电流法、信号注入法和五次谐波法等。首半波法不适用于输电线路在电压过零附近发生接地，暂态过程不明显的场合；零序电流法需要安装零序电流互感器，过程繁琐且精度较低；信号注入法具有设备费用昂贵且安装不方便的弊端，因此推广困难；五次谐波法则由于谐波电流的高次谐波分量较小，易受到干扰，使得其本身可靠性不高。各种方法各有利弊，但它们的共同点是依据单个参数进行判断的。例如：陈佳佳，邰能灵，林韩等.利用单端暂态量检测单相高阻接地故障的新方法.电力系统自动化，2007，Vol37（9）:56-60。而接地故障原因较多，并且相对复杂。因此，综合多个特征参数进行数据融合有利于将各种检测方法进行优势互补，从而减少故障的漏判、错判。人工神经网络具有分布并行处理、非线性映射、自适应学习、较强的鲁棒性和容错等特性，这使得它在模式识别、控制优化、智能信息处理以及故障诊断等方面都有广泛的应用，模糊技术与人工神经网络相结合的模糊神经网络是一种应用广泛的数据融合技术。因此，构建了基于模糊神经网络数据融合故障诊断系统，用于接地故障的综合判断可以大大提高故障诊断的准确性，减少误判和漏判率。

发明内容

【发明目的】     由于接地故障原因较多，相对复杂，因此，接地故障的表现特征相对比较多样化和不完全确定化。目前常用的接地故障主要针对单一信号特征进行判断，因此误判率和漏判率较高。因此，本发明提出将输电线路的多个特征参数通过模糊神经网络进行数据融合，根据线路的多个特征综合判断接地故障，从而提高故障诊断的正确率，减小误判与漏判。

【技术方案】     一种高压输电线高阻接地故障多参数数据融合检测方法，具体步骤为：

（1）测量电流：通过电流传感器测量输电线路电流值；

（2）测量电流突变：电流突变检测电路通过检测发生单相接地故障的瞬间输电线路上形成的衰减振荡电流来获得输电线路电流突变值；

（3）测量电压突变：通过电场感应来获取输电线路中的电压突变值；

（4）将步骤（1）中测得的输电线路电流值经过FFT变换进行谐波分析，获得电流五次谐波分量；

（5）构建用于数据融合的模糊神经网络，模糊神经网络由模糊化和神经网络两部分组成，步骤（1）-（4）获得的四个参数分别经过模糊化处理，经过正常隶属度函数计算，获得四个模糊化参数，这四个模糊化参数作为神经网络的输入，神经网络的输出为输电线路接地故障发生的概率；

（6）将神经网络的输出与预设的阈值相比较进行线路故障判定。

【有益效果】     本发明针对高压输电线高阻接地故障情况复杂提出的高压输电线高阻接地故障多参数数据融合检测方法，通过检测高压输电线路的电流信号、电流突变信号、电压突变信号、电流五次谐波分量四个特征参数，将四个特征参数经过模糊神经网络进行数据融合，综合诊断线路是否发生接地故障。该方法克服了不同原因造成的高阻接地故障影响不同参数变化，造成单参数高阻接地故障判断困难的问题，从而与传统的单参数测量方法相比，大大提高了高压线路中接地故障诊断的正确率，减少了误判和漏判。

附图说明

图1电流突变检测电路框图

图2 神经网络结构图

具体实施方式

一种高压输电线高阻接地故障多参数数据融合检测方法，具体步骤为：

（1）测量电流：通过电流传感器测量输电线路电流值。

（2）测量电流突变：输电线路发生单相接地故障的瞬间，线路对地电容在短时间内放电，同时由于线路电阻和分布电感的存在，在线路上将会形成一个较大的衰减振荡电流，电流突变检测电路通过检测这个衰减振荡电流获得输电线路电流突变值。电流突变检测电路框图如图1所示。电流传感器的输出经过滤波后分别接入滤波电路1和滤波电路2，其中滤波电路1直接测量电流传感器输出，而滤波电路2经过对信号的延迟处理，其输出略滞后于传感器输出信号。因此，将滤波电路1和滤波信号2的信息进行差分后就可以得到电流跳变值。

（3）电压突变测量：由于交变的电压可以产生电磁感应，因此，通过电场感应来获取输电线路中的电压突变情况，具体方法是：在导线的垂直下方放置一中间为绝缘层的两平行极板，可将其等效视为一个电容，极板所处电场将随着输电导线上电压的变化而变化，进而使极板两端电压发生相应的变化。即利用电容把电场场强转变成一个与其成正比的电压信号，从而通过测量极板两端的电压来测量电场，进而反映线路电压变化情况。

假设两平行极板垂直方向上电场强度为E，其上电荷量为Q，电容量为C，极板面积为S，介电常数为                                               ，由极板间介质决定。则有如下公式：

                         （1）

                        （2）

由式（1）和（2）可得：

                     （3）    

由式（3）可以看出当两电极板面积、距离和极间介质一定时，两极板端电压与其垂直方向上电场成正比。通过测量两极板电压来测量线路的电压突变值。

（4）将步骤（1）中测得的输电线路电流值经过FFT变换进行谐波分析，获得电流五次谐波分量。

（5）构建用于数据融合的模糊神经网络。模糊神经网络由模糊化和神经网络两部分组成。步骤（1）-（4）获得的四个参数分别经过模糊化处理，经过正常隶属度函数计算，获得四个模糊化参数，这四个模糊化参数再作为神经网络的输入，神经网络的输出为判断线路发生故障的概率。

（a）模糊化部分：对电流、突变电流、突变电压、电流五次谐波四个参数进行模糊化，进行它们的隶属度计算。以电流信号为例，设检测的电流值为I，正常值阈值下限为I ₁，上限为I ₂，阈值的具体数据视线路容量以及通常负荷而定，由使用该方法的高压输电线路使用和维护部门提供。则I 的正确隶属度函数为：

              （4）

同样方法，分别计算突变电流、突变电压和电流五次谐波的正常隶属度。

（b）神经网络部分：BP神经网络和径向基神经网络都是常用的用于决策系统的神经网络，但是由于径向基神经网络采用Gauss函数作为激励函数，属于局部逼近神经网络，其收敛速度比BP快。因此，本具体实施例选用径向基神经网络。

径向基神经网络由三层组成：输入层、隐层和输出层，结构图如图2所示。隐层节点的作用函数对输入信号将在局部产生响应，其中作用函数采用高斯函数，如式（5）。式中，x是输入向量；是第个隐层节点单元的中心（均值向量）；是第个隐层节点单元的偏差。

                （5）

其中s为隐层节点数，输入层实现从的非线性映射，输出层实现从的线性映射，即：

                    （6）

其中，l为输出层节点数，为隐层第j个节点到输出层第k个节点的连接权值，为隐层第k个节点阈值。根据网络的实际输出与期望输出可以求出网络的均方误差，如式（7）。

       （7）

其中，n表示神经网络的第n次训练，为第n次训练期望输出值；为第n次训练实际输出值；为第n次训练输出均方误差。

径向基神经网络的学习过程是算法通过调整网络权值和阈值，以使输出均方误差最小化的过程。每一步对参数的调节见式（8）（9）。                     

近似均方误差的最速下降算法为：

        （8）

                （9）

其中是神经网络学习速度。

（6）模糊神经网络的输出即为线路接地故障发生的概率，假设神经网络输出为,根据现场数据统计结果设置阈值，本具体实施例设置阈值K=0.6，则当则判定线路故障。

Claims (5)

1.一种高压输电线高阻接地故障多参数数据融合检测方法，其特征在于包括如下步骤：

(1)测量电流：通过电流传感器测量输电线路电流值；

(2)测量电流突变：电流突变检测电路通过检测发生单相接地故障瞬间输电线路上形成的衰减振荡电流来获得输电线路电流突变值；

(3)测量电压突变：通过电场感应来获取输电线路中的电压突变值；

(4)将步骤(1)中测得的输电线路电流值经过FFT变换进行谐波分析，获得电流五次谐波分量；

(5)构建用于数据融合的模糊神经网络，模糊神经网络由模糊化和神经网络两部分组成，步骤(1)-(4)获得的四个参数分别经过模糊化处理，经过正常隶属度函数计算，获得四个模糊化参数，这四个模糊化参数作为神经网络的输入，神经网络的输出为输电线路接地故障发生的概率；

(6)将神经网络的输出与预设的阈值相比较进行线路故障判定。

2.如权利要求1所述的高压输电线高阻接地故障多参数数据融合检测方法，其特征在于，步骤(3)的具体方法是：

在导线的垂直下方放置一中间为绝缘层的两平行极板，将其等效视为一个电容，当两电极板面积、距离和极间介质一定时，两极板端电压与其垂直方向上电场成正比，通过测量两极板端电压来测量线路的电压突变值。

3.如权利要求1所述的高压输电线高阻接地故障多参数数据融合检测方法，其特征在于模糊化部分：

对电流、突变电流、突变电压、电流五次谐波四个参数进行模糊化，进行它们的隶属度计算，以电流信号为例，设检测的电流值为I，正常值阈值下限为I₁，上限为I₂，阈值的具体数据视线路容量以及通常负荷而定，则I的正常隶属度函数为：

$f\left(I\right)=\exp [-\frac{(I-\frac{I_1+I_2}{2})}{2{(I_2-I_1)}^2}],f\left(I\right)\∈\left(\mathrm{0,1}\right]$

用同样方法分别计算突变电流、突变电压和电流五次谐波的正常隶属度。

4.如权利要求1所述的高压输电线高阻接地故障多参数数据融合检测方法，其特征在于神经网络选用径向基神经网络。

5.如权利要求1所述的高压输电线高阻接地故障多参数数据融合检测方法，其特征在于步骤(6)中，假设神经网络的输出为y,y∈[0,1]，设置阈值K＝0.6，当y≥K则判定线路故障。