牵引供电系统异常扰动在线识别与评估算法.pdf

第 43 卷 第 8 期2023 年 8 月电 力 自 动 化 设 备Electric Power Automation EquipmentVol.43 No.8Aug.2023牵引供电系统异常扰动在线识别与评估算法余家萌，胡海涛，陶海东（西南交通大学 电气工程学院，四川 成都 611756）摘要：牵引供电系统中的异常电气扰动产生的暂态稳态的过电压、过电流具有特征相近、频率分开范围大、捕捉困难等特点，造成扰动事件的类型判定与扰动的关键模态、参数辨识困难。因此，提出一种基于奇异谱分析和Hilbert变换的扰动特征提取算法，实现了对不同异常扰动类型的在线快速识别；改进了总体最小二乘求解的旋转不变技术参数估计（TLS-ESPRIT）算法以精确获取扰动的关键模态参数，并根据各扰动的特征及扰动的关键模态参数定义了扰动严重程度评估指标；利用上述算法对仿真数据和现场实测数据进行验证，结果表明所提算法可以有效、快速地识别牵引供电系统异常扰动类型并对其严重程度进行评估。关键词：牵引供电系统；异常扰动识别；奇异谱分析；Hilbert变换；TLS-ESPRIT算法；严重程度评估中图分类号：TM922 文献标志码：ADOI：10.16081/j.epae.2022120210 引言近年来，随着大量交直交的新型电力机车和动车组（以下统称动车组）投入运行，交直型机车带来的低次谐波电流含量高、功率因数低等问题得到了改善。但是，新型动车组牵引变流器的开关频率更高，响应速度更快，控制拓扑更复杂，特征谐波宽频化；加之动车组运行速度更快、功率更大、频繁过电分相等，导致因机车与牵引供电网（后文简称车网）系统参数不匹配带来的各类异常电气扰动事件频繁发生。例如：2011 2016年间，江苏徐州枢纽所低频振荡月平均次数高达50次，平均最低波动电压达7 412.8 V，严重影响了铁路的正常运行1；2011 年5 9月，沈阳铁路局管内沈山线大虎山、双羊店等牵引变电所，由于交直交型动车组自身产生的高次（27次）谐波与经过牵引供电系统线路引起的谐波谐振过电压导致电容器熔丝熔断2；2011年初，京沪高铁先导段上CRH380AL动车组由于4755次谐波电流放大，造成车顶避雷器烧损3。这些异常电气扰动事件不仅损毁供变电设备带来了巨大的经济损失，还严重威胁了电气化铁路的安全运行。因此，如何对牵引供电系统中潜在的异常电气扰动事件进行精确分类、参数识别、危害评估具有重要的理论价值和现实需求。目前，扰动识别可以通过数据驱动的方式进行分类，一般包含2个步骤：首先采用傅里叶变换45、小波变换6、S域变换7、希尔伯特-黄变换（Hilbert-Huang transform，HHT）8等时频域变换方法提取电压信号的时频域特征，然后运用支持向量机8、决策树4、神经网络9等方法根据提取的特征对扰动进行分类。其中，HHT方法既吸取了小波变换的多分辨率的优势，又不依赖于已知的先验函数基，更适合处理非平稳、非线性信号10。决策树结构简单且容易构建，不依赖训练就能获得较好的分类准确率。尽管上述基于数据驱动的电压检测方法在电力系统的扰动识别中表现良好，但是这些方法应用于牵引供电系统的异常电气现象识别时还存在以下问题：扰动频率的范围宽，从几赫兹到几千赫兹，针对频率较低的扰动，需要足够的样本时间长度以保留其周期特性，针对扰动频率较高的振荡，则需要更高的采样频率以保留完整的扰动信息11，现有方法在处理宽频带扰动信息时存在不足；扰动现象的类型多样化，主要包括低频振荡、高次谐波谐振等。这些异常电气现象与以往电能质量扰动现象在产生机理上有着显著的区别，分类任务的计算规模增大，分类难度大幅增加。因此，传统电力系统中的扰动识别不能直接用于牵引供电系统。综上所述，为了在线识别我国牵引供电系统中存在的异常电气现象，本文采用改进的基于总体最小二乘求解的旋转不变技术参数估计（total least squares-estimation of signal parameters via rotational invariance techniques，TLS-ESPRIT）算 法 与 Hilbert变换相结合提取扰动的时频特征，选取8个有效特征量辨识5种异常扰动；提出一种改进的TLS-ESPRIT算法解决信号阶数难以确定导致的扰动模态计算不准确问题；提出扰动严重程度的量化评估指标，基于指标判断是否存在扰动放大风险，并给出幅值、频率、衰减系数等重要扰动参数信息。收稿日期：20220818；修回日期：20220927在线出版日期：20221226基金项目：国家自然科学基金资助项目（52107127）；四川省自然科学基金资助项目（2022NSFSC0436）Project supported by the National Natural Science Foundation of China（52107127）and the Natural Science Foundation of Sichuan Province（2022NSFSC0436）电 力 自 动 化 设 备第 43 卷1 牵引供电系统异常扰动概述机车负荷的非线性、运行车况的多变性、过分相结构的独特性以及动车组与牵引供电网之间频繁的功率交换导致牵引供电系统的异常电气现象频繁发生11。其中常见的牵引供电系统异常扰动类型见图 1，各牵引供电系统异常扰动的典型时域电压波形见附录A图A1，图中电压均为标幺值。1.1低频带扰动（0100 Hz）1.1.1低频振荡当同一供电区间下升弓整备的电力机车数量达到一定数量后，牵引网电压和电流幅值将会出现低频率的功率波动现象，网压与网流出现按振荡频率正负交替变化的相位差。当机车处于控制闭锁（不控整流）与控制投入（正常整流）2种状态不断切换的过程时，将发生更严重且不规律的低频振荡，网压与网流的相位差发生相位跳变12。该类低频振荡的频率一般在0.67 Hz，振荡持续时间可达10 s以上，网压有效值的波动量可达10 kV。1.1.2过分相铁磁谐振机车车顶电压互感器大多为电磁式电压互感器，当机车进入中性区时，中性线的对地电容与机车电压互感器的非线性电感构成LC谐振回路，接触网中性区两侧供电臂与中性区接触网形成电容耦合，向LC谐振回路提供能量13。系统发生谐振的条件由整个系统参数匹配决定，振荡频率一般为工频的分数（1/51/3）次谐波，持续时间一般大于 0.2 s，谐振时网压峰值可达60 kV5。1.2高频带扰动（100 Hz以上）1.2.1谐波谐振与谐波不稳定谐波谐振是牵引网分布电容与等效电感（包含变压器漏电感和电力系统电感）的并联谐振，通过谐波电流的激发，导致牵引网出现过电压事故。当发生谐波谐振时，牵引网与机车的频域阻抗在高频域交点处的相位裕度不足，系统中某些谐波分量持续放大将导致系统失稳，发生谐波不稳定3。谐振频率范围较宽，谐振频率一般大于550 Hz，谐振持续时间通常为几秒至几十秒不等，单一频率高次谐波电压有效值在几千伏以上，这些高次谐波电压叠加在基波电压上可使网压有效值高达37 kV14。1.2.2断路器开闭过电压机车在进、出电分相前后需断开、闭合主断路器，在牵引网和动车组车顶高压电气系统中引起电磁暂态，产生操作过电压15。开闭断路器时振荡由LC谐振回路产生，振荡频率一般大于1 400 Hz；电压峰值受变电所电压相位影响，当相位约为90或270时，峰值最高，但通常不超过50 kV；网压振荡持续时间一般不超过0.2 s5，属于高频振荡瞬变。1.2.3过分相过电压机车在经过电分相瞬间会引起车网系统的电路结构变化，产生较严重的操作过电压15，其波形在低频域和高频域中的某几个小区间内谐波分量较明显，区间内谐波电压平均值超过基波电压的5%，持续时间一般为0.040.1 s。进分相、出分相过电压的峰值都与电路结构发生变化时变电所电压的相位有关，其网压峰值可达60 kV5。2 牵引供电系统异常扰动识别算法基于数据驱动的异常扰动识别的技术框架如图2所示。图中：信号预处理包括信号的降噪和信号分解，是扰动识别的前提；特征提取通过信号处理等数学方法得到包含异常扰动特征的信息，是扰动识别的基础；问题识别是根据分类算法对牵引供电系统中的扰动事件自动识别的过程。不同算法的性能对比如附录A表A1、A2所示16。2.1信号预处理与时频特征提取奇异谱分析（singular spectrum analysis，SSA）主要用于信号的自适应分解，将多分量复杂信号分解成一组在时频分布上较为简单、规则的单分量，而Hilbert变换能够提取各单分量的瞬时幅值、瞬时相位等时频特征10。SSA算法包括嵌套、奇异值分解、定阶分组、对角平均化17。对于含N个采样数据点的序列x(N)，通过嵌套构造LM维Hankel矩阵H，如式（1）所示。H=x(1)x(2)x(M)x(2)x(3)x(M+1)x(L)x(L+1)x(N)（1）图1常见的牵引供电系统异常扰动类型Fig.1Common types of abnormal disturbances intraction power supply system图2异常扰动识别技术框架Fig.2Framework of abnormal disturbance identification第 8 期余家萌，等：牵引供电系统异常扰动在线识别与评估算法对矩阵H进行奇异值分解，即有：H=i=1LiuivTi（2）式中：1 L为H的奇异值，12L0；ui和vi分别为矩阵H的左、右奇异向量。根据Frobeious范数意义下矩阵最佳逼近定理可知，较大的奇异值反映信号的主要信息，较小的奇异值主要反映噪声干扰。假设选取第2m-1和第2m（2mL）个主元进行重构得到低秩矩阵H，对H进行对角平均化处理后可以进一步重构得到对应的时间序列ym(t)，提取出原信号中周期项、趋势项、噪声等。对重构信号ym(t)进行Hilbert变换：H(ym(t)=1-+ym()t-d（3）计算可得各重构信号的瞬时幅值lm(t)和瞬时相位m(t)为：lm(t)=|ym(t)+jH(ym(t)m(t)=arctan()H(ym(t)/ym(t)（4）瞬时频率 fm(t)为：fm(t)=12m(t)=12dm(t)dt（5）综上所述，SSA算法将时间序列投影到正交向量空间，使得特征变量互不相关以减小模态混叠，通过选取不同的特征变量计算其对应的重构信号可以分离出信号中的各种分量。而Hilbert变换能够反映各重构信号瞬时幅值、相位随时间的变化规律。2.2信号预处理与时频特征提取由第1节可知牵引供电系统中异常扰动频率范围宽，为了减少高、低频带扰动间的干扰，更准确快速地识别低频带扰动，在采用SSA算法前，利用低通滤波器滤除100 Hz以上的高频带谐波，得到仅含有低频信息的电压波形。在此基础上，对含有低频信息的电压波形和含有全频段信息的原始电压波形分别设置不同的时间窗长和采样频率。其中，考虑到暂态扰动一般在10个周期数以内，因此高频带扰动辨识的时间窗长设为0.5 s，采样频率设为4 kHz，以保证完整的暂态过程波形特征。同时，考虑到低频振荡的频率最低可达0.6 Hz，因此低频带扰动的时间窗长设为2 s，采样频率设为1 kHz，以保留完整的振荡周期特性。将前文讨论的扰动特征提取与决策树相结合，提出一种牵引供电系统异常扰动识别方法，其流程图如图3所示。图3中，滤波器的作用是筛选出含低频信息的电压信号，避免高次谐波对分析结果的干扰。本文采用的滤波器为零相位数字滤波器，能有效避免信号差分数字滤波器的相移和波形畸变的问题。以同时含有高频和低频扰动的网压波形为例，经过处理后的电压信号如附录A图A2所示，图中电压均为标幺值。由图可知，低通滤波后的电压幅频特性与原始电压幅频特性中0100 Hz之间的幅频特性一致，有助于更快速方便地提取低频带扰动时频特征。对于含有高频信息和工频信息的原电压波形，设置较短的窗长既能保证检测完整的高频带扰动波形特征，又能避免低频信息的干扰。根据Hilbert变换求得各重构信号的瞬时幅值和瞬时