配电物联网架构下基于云边协同的有源配电网故障定位方法
时间：2023-06-22 17:05:04 来源：雅意学习网 本文已影响 人 
殷洪海， 章立， 王凯
(1.国网江苏省电力有限公司 常州供电分公司，江苏 常州 213000；
2.国网电力科学研究院有限公司，江苏 南京 211106)
随着越来越多分布式电源以及电力电子设备接入配电网，传统的配网故障定位方法已无法很好地适应有源配电网的故障处理需求[1]。
在现有研究中，针对非对称故障暂态过程的定位方法较多，如专家系统、模糊逻辑和人工神经网络等[2-4]。有研究提出基于双曲线Stockwell变换(Stockwell transform，ST)的故障定位方法，但定位误差较大，有研究分析分布式发电(distributed generation，DG)渗透对配电网的影响，并提出相量测量单元和数字故障记录结合的故障定位方法，但其只能适应某类别的故障定位[5]。文献[6]提出基于最小故障电抗和黄金分割的有源配电网故障定位方法，采用梯形迭代进行故障电流判定，但其定位精度仍有待提高。文献[7]提出一种基于改进鲸鱼优化算法的有源配电网故障定位方法，但其定位精度受分布式电源容量和位置影响较大。可见，现有研究大多基于传统架构的配电网进行故障诊断，不能很好适用于配电物联网建设的需求[8]。
因此，提出配电物联网架构下基于云边协同的有源配电网故障定位方法。构建“云-管-边-端”新型配电物联网架构体系，基于边缘侧强大的边缘计算能力，采用ST处理从端侧的智能终端捕获故障电流信号，并通过不同故障馈线计算出总谐波畸变率(total harmonic distortion，THD)，计算故障信号的ST系数提取故障特征，在“云”侧采用深度信念网络(deep belief network，DBN)学习不同故障的特征属性并分类，根据属性分类因子调整ST系数的权重均方根值，以适应不同类型的故障特征处理与定位。
基于“云-管-边-端”的配电物联网架构如图1所示，“云”是配电物联网云平台，以软件定义的方式对边缘侧汇集的数据进行计算、存储和统一调度。“管”是通信网，采用光纤或者5G网络实现云边数据交互。“边”是靠近数据源头的物联代理终端，对本地化数据进行预处理，就地提供智能决策。“端”是末端的智能终端，实现对配网线路数据采集。
图1 “云-管-边-端”配电物联网架构
本文所提方法基于此架构，将ST处理嵌入物联代理终端，利用边缘侧的计算能力对故障信息就地检测与预处理；
再通过云主站的平台，利用DBN进行不同故障特征训练、学习分类和故障定位。
1.1 边缘侧基于ST处理的特征提取
对于端侧智能终端采集的故障信号x(t)=[x(1),x(2),…,x(m)]，边缘侧的物联代理终端中ST处理可定义为：
(1)
(2)
式中：F为ST处理；
tkfj为二维矩阵A的幅值，k∈(1,m),j∈(1,n)。
THD会根据分布式电源接入的量变化而变化，若线路基波有效值为Q1，电流总有效值为Q，则电流信号THD可表示为：
(3)
ST系数的均方值根(root mean square，RMS)考虑分布式电源接入时THD的变化影响，其随故障位置的不同而变化。在提取的特征中选择ST系数权重均方根值，用作云侧DBN训练的输入参数，其表达式如下。
(4)
式中:FRMS、Ns和σ分别为ST系数的权重均方根值、谐波量和高斯函数的宽度。若RMS>FRMS，则表示在故障点上游，若RMS DBN作为一种非监督深度学习神经网络，主动学习输入数据并自动挖掘隐藏在已知数据中的丰富信息，其模型结构如图2所示。 图2 DBN模型结构图 DBN可被视为玻尔兹曼机(restricted boltzmann machines，RBM)的堆栈，设RBM状态为(v,h)，所具备的能量定义为： (5) 式中:vi为可视层单元的故障状态向量； 基于ST-DBN的电网故障定位流程如图3所示。图3(a)为基于THD和ST的故障线路检测流程，图3(b)为最终的故障定位过程，包括测量模块、信号处理模块和DBN训练学习模块。 首先在边缘侧基于ST处理，从端侧的智能终端捕获故障电流信号，利用线路端部故障电流信号THD值对线路进行在线故障线路检测。然后根据获得被测信号的ST系数计算RMS值，通过故障信号THD电平检测出故障馈线和线路。最后利用云侧的DBN算法求出不同故障的特征属性模型，根据属性分类因子调整ST系数的权重均方根值，以适应不同类型的故障特征处理与定位。 为验证所提方法，在采用英特尔酷睿i7处理器的PC机上搭建仿真模型，采用基于IEEE 13-bus测试系统构成有源配电网。其中，IEEE 13-bus系统与风电场相连。 与其他信号处理技术相比，基于云边协同的故障定位方法给 图3 所提方法流程图 出了更详细的故障信号系数。为了对其进行验证，将故障线路分成10个部分，并对每个部分进行故障模拟。通过从故障线路的发送端获得的故障信号计算ST系数，并根据ST系数计算RMS值，以便DBN进行故障定位。表1显示了IEEE 13-bus测试系统不同测试集的测试结果，定位误差在0.35～0.57 m之间。 表1 IEEE 13-bus系统线路故障的定位结果 将所提方法与文献[6-7]中基于阻抗的方法进行了比较，结果如表2所示。 从表2可知，与基于阻抗等物理算法对比，本文方法在故障定位中的精度更高，这是由于本文方法的故障特征判定加入了动态调整机制，能适应不同故障类型的特征变化，因此定位误差更小。 表2 故障定位时各方法应用的比较 基于配电物联网架构，提出一种基于云边协同的有源配电网故障定位方法。试验结果表明，所提方法故障定位精度优于现有方法。此方法可以减少人工的工作量，为配电故障快速诊断提供帮助。但ST涉及信号的深层分解，会导致一定的计算负担，下一步将对信号分解和学习训练作进一步优化，以提高故障定位效率。1.2 云侧基于DBN的故障特征训练
hj为隐藏层单元的故障状态向量；
θ为RBM参数集合；
Wij为可视层单元和隐单元的连接权值；
ai、bj分别为可视单元和隐单元的偏置向量。RBM学习模型的目的是求出不同故障的特征属性模型，根据属性分类因子去调整ST系数的权重均方根值，以适应不同类型的故障特征处理。1.3 基于ST-DBN的故障定位方法
2.1 故障定位精度分析
2.2 对比分析
