多端直流电网的非边界依赖型线路故障辨识方案_周泽雷.pdf

电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 4 期2023 年 4 月Vol.35 No.4Apr.2023多端直流电网的非边界依赖型线路故障辨识方案周泽雷1，吴正平1，付翊航2，刘琦1（1.三峡大学电气与新能源学院，宜昌 443002；2.国网湖北直流运检公司，宜昌 443002）摘要：为实现在网孔结构多端直流电网中仅利用本地测量信息进行故障辨识，本文提出一种基于多频带能量分布特征和模式识别技术的故障辨识方案。首先，利用小波包将故障暂态量分解为多能量频带，然后构建深度置信网络模型来分辨不同频带能量分布之间的差异性，模型分辨出的故障数据组可对应不同的故障类型，结合具有方向识别功能的启动判据形成一套完整的非边界依赖型直流线路故障辨识方案。仿真结果表明，该方案能快速、有效地辨识区内、区外故障。关键词：网孔结构；多端直流电网；频带能量；深度置信网络；故障辨识中图分类号：TM75文献标志码：A文章编号：1003-8930（2023）04-0100-09DOI：10.19635/ki.csu-epsa.001202Line Fault Identification Scheme for Multi-terminal DC Grid Independent of BoundaryComponentZHOU Zelei1，WU Zhengping1，FU Yihang2，LIU Qi1（1.College of Electrical Engineering&New Energy，China Three Gorges University，Yichang 443002，China；2.State Grid Hubei DC Transportation Inspection Company，Yichang 443002，China）Abstract:To realize fault identification in a multi-terminal DC grid with a mesh structure using only the local measurement information，a fault identification scheme based on the energy distribution characteristics in multiple frequencybands and the pattern recognition technology is proposed in this paper.First，wavelet packet is used to decompose thefault transient into the energy of multiple frequency bands.Then，a deep belief network model is built to distinguish thedifference in energy distribution between different frequency bands.The fault data sets identified by this model can correspond to different fault types，and a complete set of DC line fault identification scheme independent of boundary component is formed by combining the starting criterion with a direction recognition function.Simulation results show thatthe proposed scheme can identify the faults in and out of the area quickly and effectively.Keywords:mesh structure；multi-terminal DC grid；energy of frequency band；deep belief network；fault identification基于柔性直流输电技术的多端直流电网VSC-MTDC（voltage source converter based multi-terminalDC）能实现多电源供电与多落点受电，是构建以新能源为主体、清洁低碳、灵活可控电网的重要技术手段1-3。柔性直流系统的惯性低、阻尼小，线路故障后电流迅速上升，系统将在数毫秒内快速过流4-6。现阶段，通常借助继电保护原理配合直流断路器来切除故障线路7。文献8-9利用小波变换分别提取高频电压反行波、高频电流来构建区内外故障识别判据，上述判据基础为高频分量的幅值特性，其选择性依赖于直流线路两侧的边界电抗器元件。然而，构成边界电抗器的选型并非以适配保护灵敏性作为主要依据，而是一个要兼顾系统动态性能、限流能力和投资成本的多目标优化问题10-11。500 kV系统保护的抗过渡电阻能力需达到300 12，而在多目标约束下电抗器参数的可选范围为一个有限的区间，该范围内保护灵敏度远不能覆盖远端300 的高阻故障。若将直流线路上的限流电抗器内置于换流站内部，则在兼顾故障限流能力的前提下，能够大大减小直流线路的总电抗从而提升动态响应能力，也可以解耦边界元件取值与保护性能的内在关联。但不足之处在于网孔型结构的直流线路两侧边界元件缺失，导致现有边界型保护原理不再可用。针对该结构，文献13提出了一种基于线-零模波速差收稿日期：2022-11-03；修回日期：2023-01-15网络出版时间：2023-01-30 13：37：47基金项目：国家自然科学基金资助项目（61871258）周泽雷等：多端直流电网的非边界依赖型线路故障辨识方案周泽雷等：多端直流电网的非边界依赖型线路故障辨识方案101第 35 卷的主保护判据。该原理不依赖边界元件，且抗过渡电阻能力高达300，满足500 kV系统对保护灵敏性的要求，但无法应对极间故障，且未充分研究噪声干扰对保护性能的影响。文献14提出利用故障发生后短时间窗内正向行波幅值积分与反向行波幅值积分的比值进行故障识别，所构造的纵联保护方案可适用于环状直流电网，但可靠性受限于通信系统。文献15提出利用故障前、反行波在换流站两侧的突变量比值差异来构造保护动作判据，双端保护仅需进行逻辑交换即可决定是否执行跳闸，但是需要精确定位行波波头到达时刻，工程应用难度大。文献16基于故障行波波头的折/反射特性，利用Hausdorff距离度量了故障线路与非故障线路两侧行波波头的衰减特性差异，构建了多端行波差动保护判据，但差异度的衡量依赖于高采样率对行波的精确刻画。文献17基于多种换流器的高频阻抗等效模型构建了直流配电网故障时的高频阻抗数学模型，再结合距离保护的二段式整定实现了线路的选择性保护，但文章并未验证高频阻抗等效模型在噪声干扰下的准确性。文献18利用测量点电气量计算相应参考点的电压二次积分值，根据二次积分值的正负判断故障点位于测量点与参考点之间还是之外，但故障点位置判定时仍需要与对端装置交换计算结果。文献19将集成学习模型应用到直流电网线路故障的识别，不需要双端装置通讯和边界元件，但其输入特征的维度高达240，在求解时可能存在维数灾的问题。事实上，边界元件缺失时故障由本线路向相邻非故障线路传播时仅受换流站较小程度滤波的影响，区内外故障能量在各个频带的分布特征差异度较小，且该差异度在异常故障工况下易被破坏。针对以上问题和挑战，本文借助深度置信网络来精确提取能量分布特征，并设计了区内单极故障、区内极间故障、区外单极故障、区外极间故障和异常故障工况五类标签来辨识能量特征所表征的故障场景；结合方向启动元件，形成了一种非边界依赖型的就地化故障辨识方案。仿真测试了该方法在各种带过渡电阻、噪声扰动等工况下的故障辨识性能。1深度置信网络的原理及结构深度置信网络 DBN（deep belief network）由若干层受限玻尔兹曼机RBM（restricted Boltzmann machine）和一层前馈BP（back propagation）神经网络堆叠而成20。该学习模型通过拟合数据的高阶相关性，从而获得数据的联合概率分布。1.1受限玻尔兹曼机RBM是一种基于能量模型的双层结构神经网络，分为可见层和隐藏层，各层神经元之间的连接关系可以用权值来描述。若可见层有n个单元，隐藏层有m个单元，则RBM的能量函数可定义为21E()=i=1naivi-j=1mbjhj-i=1nj=1mwijvihj（1）式中：E()为RBM的能量函数，为RBM的模型参数；vi、ai分别为可见层中第i个单元的状态和偏置；hj、bj分别为隐藏层中第j个单元的状态和偏置；wij为第i个可见单元与第j个隐藏单元之间的连接权重。1.2深度置信网络的构建DBN的结构及工作流程如图1所示，其中：xn为输入的特征向量；hn,n为隐藏层的单元；wi为各隐藏层的传递权重；ln为对应的分类标签。从图1可看出DBN的训练过程分为两个步骤：（1）预训练阶段。由浅至深对每层RBM来进行无监督训练以实现整个模型的参数初始化，前一层RBM训练后得到的隐藏层状态特征作为后一层RBM的输入，逐层传递生成更高阶的特征。（2）微调阶段。无监督训练难以将整个模型的参数收敛至最优，还需进入微调阶段对训练好的参数进行优化。采用传统的全局学习算法有监督地对整个网络的参数进行优化和微调，反方向进行模型参数优化。图 1DBN 的结构及工作流程Fig.1Structure and work flow chart of DBN可视层隐藏层1标签层步骤1：无监督训练，参数初始化输入特征RBM1BP步骤2：监督训练，参数优化和微调隐藏层2隐藏层3RBM2RBM3l1l2lnhn,1w1x1w2w3h1,1h2,1hn,2h1,2h2,2hn,nh1,nh2,nxnx2电 力 系 统 及 其 自 动 化 学 报102第 4 期2线路故障分类及其特征提取研究2.1故障辨识问题描述限流电抗器布置于直流线路两端时，构成的边界条件对高频暂态量的阻滞效应显著，故障时区内、区外感受到的电气量差异很大8-9。而限流电抗器集中布置于换流器出口处的网孔型多端直流电网如图2所示，线路最末端(F1)、末端母线(F2)及其下级线路出口(F3)的电气距离为零，近似于同一个电气节点。上述3种故障场景内，保护P1-1处感受到的故障特征没有明显区别。例如，F1与F2处分别发生故障时，传递至保护P1-1的故障能量特征将呈现很高的相似度。若不加处理，则数据驱动型算法对故障信息特征的学习会产生混淆。为解决此问题，保证良好的选择性，保护范围可主动内缩，适当地牺牲保护对线路的覆盖长度，形成一种类似于交流系统中距离I段的欠范围式保护原理。仅将发生在本线路全长95%内故障记为区内故障，由此人为地增加本线路末端与相邻线路首端的电气距离，构造暂态能量差异，为区内、区外故障特征的识别提供基础。基于深度置信网络的故障分类是从统计和概率角度出发，对直流线路的故障场景进行推断、评估。其基本思想是通过学习历史故障库中的信息来精确掌握不同故障场景下特征量所展现的差异，从而实现对线路故障的状态识别。本文提出一种不依赖边界元件的就地化保故障辨识方案，获取故障量的能量谱将作为此故障样本的特征向量，则输入的样本特征数据集X可表达为X=x1,x2,xK=|x11x21.xK1x12x22.xK2 x1Dx2D.xKD（2）式中：K为样本数量；D为特征数目，即样本特征数据集中每一列都代表一个拥有D个特征的样本。本文设计了5个故障辨识结果，分别对应区内单极接地故障（PGIF）、区内极间短路故障（PPIF）、区外单极接地故障（PGEF）、区外极间短路故障（