为摘要 非有效接地配电网运行与故障条件复杂多变，现有配电网接地故障选线方法难以有效覆盖不同故障工况，尤其对于高阻接地与弧光接地故障，基于单一故障特征量的故障判据误判率高。该文提出一种基于模糊测度融合诊断的配电网接地故障选线新方法，借助模糊C均值聚类算法，将多种运行工况下采集的表征被保护馈线不同运行状态的历史特征样本集划分为故障类与非故障类，以多种样本相似性测度判据定量分析待测样本与不同类型历史样本的相似程度，形成模糊测度融合诊断矩阵。通过多级评判指标体系对模糊测度融合诊断矩阵进行评判，从而放大故障特征，削弱偶然因素对故障判断的影响，最终输出综合判据矩阵，准确识别故障样本。PSCAD/EMTDC仿真与10kV真型实验测试结果均表明，在非线性负荷等干扰因素的影响下，该方法依然能够准确地捕捉故障特征，在各故障工况下正确地辨识故障样本，具备对不同系统运行方式变化的自适应能力，具有很强的鲁棒性。
关键词：配电网 故障选线 模糊测度融合诊断 评判指标体系
我国6～66kV中压配电网普遍采用中性点不接地和经消弧线圈接地等非有效接地方式[1-3]。配电网深入用户终端，运行与故障工况复杂多变，现有配电网接地故障选线方法难以有效覆盖不同故障工况。尤其对于配电网频发的弧光接地故障与高阻接地故障（如树枝碰线、经横担接地、导线跌落沥青或混凝土路面等），故障特征十分微弱，加之电弧不稳定及负荷谐波干扰等因素影响，其检测与处理难度较大，现有故障判据对弧光与高阻接地故障误判率仍较高，导致系统长时间带接地故障运行，严重威胁配电网运行安全[4]。
随着配电网电缆线路敷设面积增大，系统电容电流水平逐步上升，长时间带接地故障运行易使故障发展为相间故障或多点故障[5]；非线性负载及电力电子设备的广泛接入使干扰因素对故障检测的影响进一步增强[6]；弧光接地故障易引起全系统过电压，造成多组变压器和开关柜烧毁，危及设备及人身安全[7]。2019年6月，国家电网公司设备部发布《关于加强大城市配电电缆网单相接地故障快速处置工作的通知》，明确指出应“推广接地选线跳闸技术，全面提升大城市配电电缆单相接地故障快速处置能力，降低因配电电缆单相接地故障引发电缆通道火灾及大面积停电风险”。因此，在配电网发展的新形势下，有必要研究具备高度自适应性、强鲁棒性的配电网接地故障选线方法，增强配电网接地故障防御能力。
目前国内外主流的配电网接地选线保护方法大致可分为基于稳态特征判据的选线方法[8]、基于暂态特征判据的选线方法[9-10]和注入信号法[11]。上述方法的保护判据仅基于对单一特征量的分析产生，而配电网运行方式复杂多变，故障条件无法预测，单一的保护判据无法覆盖所有的接地工况，因此故障选线准确度不高[12-13]。
近年来，智能配电网的兴起极大地促进了高级配电自动化（Advanced Distribution Automation, ADA）技术的发展[14]。随着人工智能与大数据技术在各工业领域的普及和应用，基于智能算法的接地故障选线方法成为继电保护领域的研究热点，基于神经网络方法[15]、贝叶斯方法[16]、遗传算法[17]及粗糙集理论方法[18]等智能保护算法的配电网接地故障选线技术逐渐涌现。这些方法凭借良好的数据处理能力在一定程度上提升了故障选线方案的精度和自适应性，但保护判据的形成过程普遍缺乏明确的物理机理，仅通过对海量样本进行训练完成故障判断[19]。在运行方式变化的情况下无法实现对系统运行状态的全面刻画，故障判断结果存在片面性，无法满足配电网动态环境中继电保护的自适应性需要。
文献[20]提出“故障测度”的概念，综合选取多种故障判据，要求每个判据依据各自的特征量定量地度量出各元件具有的故障征兆程度，最后由决策环节做出综合判断。该综合判据填补了传统保护判据不能体现判据自身可靠程度的缺陷，输出判断结果的同时能够提供其他元件的故障迹象信息，为运维人员进行故障处理提供参考。
针对上述问题，本文拓展“故障测度”的概念，使其含义由各元件故障迹象的横向比较转换为某一馈线隶属于故障状态或非故障状态的纵向比较，将系统运行的历史数据进行模糊聚类分析得到故障模糊测度融合判据，使判据能够有效覆盖更多故障工况，并具备对运行条件变化的自适应性。在此基础上，建立多级评判指标体系，针对故障模糊测度融合诊断结果进行修正，实现故障特征的有效放大，同时削弱偶然因素对故障判断的影响，最终输出综合判据矩阵准确识别故障样本，大幅提升配电网各类接地故障选线判断的正确率。
配电网运行状态可分为故障状态与非故障状态（其中非故障状态包括正常状态、振荡状态等保护无需动作的运行状态）。在不同运行状态下，利用安装于被保护馈线出口处的配电自动化终端单元（Feeder Terminal Unit, FTU）提取表征馈线运行状态的多种故障特征量。定义第k个运行状态下测量的s个故障特征量构成历史样本为
（1）式中，
为FTU所提取的s个故障特征量值。
分别在n种运行状态下提取n个历史样本，组成历史特征样本集
。历史特征样本集构建方法如图1所示。
图1 历史特征样本集构建方法
Fig.1 Construction method of historical characteristic sample set
配电自动化终端所提取到的各种故障特征量在量纲、单位和数值上存在较大差异，对聚类效果产生不利影响。因此，需对历史特征样本集进行规格化预处理，即
; 
（2）
（3）
（4）式中，
为规格化处理后的样本数据；
为第j个历史特征量的样本均值；
为第j个历史特征量的样本标准差。
规格化预处理后，第k个历史样本表示为
（5）包含n个历史样本的特征指标矩阵表示为
（6）采用模糊C均值聚类算法对历史样本集进行训练。该过程在数学上描述为：对于规格化处理后的历史数据特征指标矩阵X，通过优化目标函数（7），借由平衡迭代方程式（8）、式（9）实现各历史样本的动态聚类，得到故障类与非故障类的聚类中心。
（7）
（8）
（9）式中，c为聚类类别数量，本文中取
；U为初始隶属度矩阵；
表示样本集X被划分为c类的模糊聚类空间；
表示聚类样本Xk从属于第i种聚类类型的隶属度，满足
；
为聚类中心，
；
为表征聚类样本与聚类中心之间空间距离的矩阵范数；m为加权指数，取
。当
时，迭代过程终止。e为迭代停止阈值，取
。
为了能够从样本自身数据结构的角度对样本间相似程度进行量化，进而通过样本相似性度量定量地描述样本与样本之间的相似性关系，按照样本性质上的亲疏程度得到合理的故障测度，本文综合多种相似性测度判据判断待测样本属性。借鉴电力系统信息安全评估领域的多级综合评估方法[21]，将不同样本相似性度量下的多个故障测度判据组合成模糊测度融合判据矩阵，通过多级评判输出综合判据矩阵，实现多种样本相似性测度判据的纵向融合及不同类型故障特征量的横向融合。
2.1.1 隶属度测度判据
将待测样本Xg与n个历史特征样本集
统一进行规格化处理和模糊聚类分析。将n+1个样本划分为故障类与非故障类，并得到所有样本对故障类与非故障类的隶属度矩阵。
定义待测样本对故障类的隶属度
为隶属度故障测度，对非故障类的隶属度
为隶属度非故障测度。
2.1.2 距离相似度比重测度判据
将样本视作高维空间中一个确定点，可通过高维空间中两点间距离的倒数来度量样本之间的相似度。相似度的取值范围为[0,1]，其值越大，表明两个对象越相似。计算历史样本集X的故障类聚类中心p1与非故障类聚类中心p2，采用曼哈顿距离的倒数来度量待测样本Xg与第i类聚类中心pi之间的相似度。
（10）
（11）式中，dg1为待测样本Xg与故障类中心的距离；dg2为待测样本Xg与非故障类中心的距离；Mg1为待测样本Xg与故障类中心的距离相似度；Mg2为待测样本Xg与非故障类中心的距离相似度。
定义距离相似度比重故障测度为
（12）距离相似度比重非故障测度为
（13）2.1.3 相关系数比重测度判据
将任意两个向量
与
视作高维空间中以坐标原点为起点的两个向量（其中
，
），则向量之间的夹角余弦值即为样本Xi与样本Xj的相关系数Rij。相关系数取值范围为[-1,1]，其值越接近于1，表明两个向量正相关性越强。计算待测样本Xg表示的向量与第i类聚类中心pi表示的向量之间的相关系数Rgi。
（14）式中，
；
；Rg1为待测样本Xg与故障类中心的相关系数；Rg2为待测样本Xg与非故障类中心的相关系数。
定义相关系数比重故障测度为
（15）相关系数比重非故障测度为
（16）1）评判因素集
设C为包含所有故障判断因素的集合，其中因素分为l组。
（17）式中，
，m为第i组故障判断因素集所包含的单因素的个数。
故障判断因素集每一组别均划分为多个梯度：C为一级因素集，
为二级因素集，以此类推。实际梯度层级根据所选取故障特征量子类的数量进行设定，本文多级评判指标体系的一级因素集为C={C1,C2}={稳态特征量判据,暂态特征量判据}。对一级因素集的子集进行细分，得到二级因素集C1={C11,C12,C13}={稳态特征量隶属度测度判据，稳态特征量距离相似度比重测度判据，稳态特征量相关系数比重测度判据}，以及C2={C21,C22,C23}={暂态特征量隶属度测度判据，暂态特征量距离相似度比重测度判据，暂态特征量相关系数比重测度判据}。
2）评判集
设
为评判集，其中
表示故障测度，
表示非故障测度。评判集对各层级故障判断因素集均适用。
3）权重集
设
为C中各单因素对评判集V的权重系数集，
为
中各单因素对评判集V的权重系数集，各级权重系数根据同一层级因素集中相应单因素的重要性程度分配，满足
，
。
实际应用中，权重系数W可根据被保护配电网高频故障类型进行设定，同时可考虑系统运行气候环境及线路类型等因素。对于弧光接地故障多发的配电网（雷雨季较多或空气湿度大地区），故障零序电流中谐波含量相对较高，快速傅里叶变换（Fast Fourier Transform, FFT）提取基波分量易失真，因此可增强暂态故障特征量权重；而对于高阻接地故障，故障后瞬间的暂态分量幅值存在显著衰减，暂态特征难以捕捉，因此需提高其稳态特征量权重，以提升高阻检测灵敏度。由于多种故障测度能够实现配电网运行状态的多角度刻画，且不同故障测度判据针对不同待测样本存在适应性上的差异，因此，可通过大量实验及现场故障信息获取丰富的统计数据，在此基础上分析不同故障测度判据的判断准确率，增强高准确率测度判据的权重，从而对权重系数集
进行设置。
按照由末级至一级的顺序依次求取各层级故障判断因素对V的评判矩阵。末级因素的判断矩阵即模糊测度融合诊断矩阵，其元素由第2.1节中三种样本相似性测度判据计算的故障测度与非故障测度组成。求得一级故障测度综合评判矩阵
为故障测度综合诊断矩阵。
本文采用两级评判指标体系，评判体系模型如图2所示。更多层级的评判指标体系建立方法与两级评判指标体系类似，本文不再赘述。
图2 两级评判指标体系模型
Fig.2 Two-stage judgment indicator system model
由二级因素集的故障测度与非故障测度构成模糊测度融合诊断矩阵
。利用复合运算法则求取的综合评判结果为
（18）式中，
，
。
然后对一级因素集进行评判，利用二级因素集的评判输出矩阵
构成一级因素集C的单因素评判矩阵D为
（19）因此，一级因素集C的最终综合判据矩阵为
（20）为将故障测度综合判据矩阵中的模糊测度融合判据转换为实际保护判断，本文选取最大测度值判断准则作为故障选线判据。
（21）即当综合判据矩阵中表征待测样本故障测度的
大于非故障测度
时，判断待测样本为故障样本，实现配电网接地故障保护判断。
基于模糊测度融合诊断的配电网接地故障选线方法实现流程如图3所示。
图3 基于模糊测度融合诊断的配电网接地故障选线实现流程
Fig.3 Flow chart of fault line selection based on fuzzy measures integrated diagnosis
1）将配电网运行状态划分为故障状态与非故障状态，在不同运行状态下提取被保护馈线的多种故障特征量，组成历史特征样本集。
2）采集被保护馈线中的实时数据，构成待测故障特征样本Xg，将待测样本Xg与历史特征样本集
统一进行规格化处理。
3）借助模糊C均值聚类算法，根据各样本中故障特征量的相似程度，将历史数据划分为故障类与非故障类，求取各类别的聚类中心pi与待测样本对各类别的隶属度
。
4）采用多种样本相似性测度判据判断待测样本故障测度与非故障测度，得到模糊测度融合诊断矩阵
。
5）建立两级评判指标体系，首先，由模糊测度融合诊断矩阵，结合权重系数，输出二级因素集的评判矩阵；再由构成一级因素集C的单因素评判矩阵D，结合权重系数W，最后输出综合判据矩阵
。
6）当故障选线判据时，判断待测样本为故障样本，并将其归类于故障历史特征样本集；否则，判断待测样本为非故障样本，将其归类于非故障历史特征样本集。
为验证本文所提配电网故障选线方法的有效性，在PSCAD/EMTDC仿真环境中搭建典型10kV配电系统进行仿真分析，仿真模型如图4所示。该系统采用中性点经消弧线圈接地方式，共有四条出线，其中馈线L1和L4分别为25km和20km的架空线路；馈线L2为12km的电缆线路；馈线L3为混合线路，由5km的架空线路和5km的电缆线路组成。各馈线参数取值见表1。
图4 10kV配电系统接地故障仿真模型
Fig.4 Grounding fault simulation model of 10kV distribution system
表1 10kV配电系统仿真模型参数
Tab.1 Parameters of 10kV distribution system simulation model
线路类型相序电阻/（）电感/（）电容/（） 架空线路正序0.1701.2100.011 零序0.2305.4800.008 电缆线路正序0.2650.2550.170 零序2.5401.0190.153
通过改变配电网脱谐度、故障点位置与故障初相位，对多种故障类型（金属性接地、高阻接地、弧光接地等）进行模拟。为有效覆盖各类运行与故障工况，提取零序导纳角
、负序电流
、零序电流
三种稳态故障特征量，与三种暂态故障特征量：零序电流db4小波变换后模极大值
、零序电流coif5小波变换后模极大值
、故障起始后半个工频周波内的零序能量函数值
，共六种故障特征量作为模糊聚类分析的特征量。选取故障发生在馈线L3与馈线L4上时，馈线L4出口处采集的特征样本组成历史特征样本集。由于篇幅所限，优选其中最具代表性的16组历史特征样本见表2，其中
为非故障样本，
为故障样本。
在馈线L4发生低阻50Ω、高阻3kΩ及间歇性弧光接地故障的条件下，分别提取故障特征量作为待测样本Xg1、Xg2、Xg3。为验证该方法是否在馈线受到扰动的非故障情况下出现误判，在馈线L3设置接地故障，分别在接入非线性负荷和负荷不对称运行的条件下提取馈线L4故障特征量作为待测样本Xg4、Xg5。故障待测样本见表3。
表2 不同运行及接地故障工况下的历史特征样本集
Tab.2 Collection of historical characteristic samples under different system operating and fault conditions
历史特征样本稳态特征量暂态特征量 /(°)/A/A/A/A/J X'188.970.016 30.3550.0890.0911.94 X'288.960.014 80.3300.0590.0551.061 X'388.940.014 30.3180.0480.0430.776 X'488.950.013 10.2980.0320.0180.433 X'588.940.021 80.3420.0370.0761.40 X'688.950.020 20.3210.0190.0480.780 X'788.970.019 50.3060.0170.0400.565 X'888.960.017 40.2730.0120.0260.298 X'9108.80.6941.0601.3581.551-34.60 X'10108.70.6591.0070.8750.947-20.65 X'11108.70.6350.9720.7070.751-15.06 X'12108.60.5820.8900.4780.495-7.43 X'13104.80.9681.3620.7061.290-40.42 X'14104.80.9071.2760.4280.813-21.03 X'15104.70.8661.2190.3450.652-15.22 X'16104.60.7701.0840.2350.435-8.02
表3 故障待测样本
Tab.3 Fault samples to be tested
待测样本稳态特征量暂态特征量 /(°)/A/A/A/A/J Xg1107.50.4671.131.2342.033-55.4 Xg2106.40.6810.9930.5320.418-8.117 Xg3101.71.132.852.0443.252-89.6 Xg488.920.019 80.3640.1690.0853.72 Xg586.863.250.3130.0210.0040.555
分别对待测样本的稳态故障特征量和暂态故障特征量求取多种样本相似性测度判据的故障测度、非故障测度，建立模糊测度融合诊断矩阵见表4。由表4可知，当系统发生低阻接地故障时，由于暂、稳态故障特征均较明显，各故障特征值经聚类后均落在故障范围，三种故障测度判据均能够正确识别Xg1为故障样本。而对于高阻接地故障，由于故障零序回路阻抗值激增，抑制了对地电容中暂态能量的释放过程，导致故障暂态持续时间延长、暂态特征大幅衰减，因此，高阻接地故障下的暂态故障特征判据将样本Xg2识别为非故障样本，发生误判。对于间歇性弧光接地故障情况，电弧反复燃熄引发大量的谐波导致零序电流严重畸变，经FFT提取的稳态故障信号已无法有效反映系统状态，因此基于稳态故障特征的故障判据将样本Xg3识别为非故障样本，导致保护判断失败。在非线性负荷干扰的非故障情况下，即使大量谐波分量导致零序电流发生一定程度畸变，但各故障特征值依然与故障条件下保持较好的区分度，经聚类分析后均落在非故障范围内，三种故障测度判据均能够正确识别Xg4为非故障样本。而在负荷不对称运行的条件下，线路负序分量显著增大，导致稳态特征值经聚类分析后严重偏离非故障聚类中心。因此，基于稳态故障特征的故障判据将样本Xg5错误识别为故障样本。
表4 配电网接地故障模糊测度融合诊断矩阵
Tab.4 Distribution networks ground fault fuzzy measures integrated diagnosis matrix
待测样本一级因素集C二级因素集Ci模糊测度融合诊断矩阵Di是否正确识别 故障测度非故障测度 Xg10.993 30.006 7是 0.771 30.228 7是 0.902 00.098 0是 0.739 50.260 5是 0.709 10.290 9是 0.997 90.002 1是 Xg20.989 90.010 1是 0.810 40.189 6是 0.999 70.000 3是 0.460 90.539 1否 0.469 60.530 4否 0.577 70.422 3是 Xg30.773 20.226 8是 0.650 30.349 7是 0.022 50.977 5否 0.662 30.337 7是 0.646 00.354 0是 0.999 10.000 9是 Xg40.000 90.999 1是 0.143 80.856 2是 0.077 40.922 6是 0.098 60.901 4是 0.188 60.811 4是 0.007 00.993 0是 Xg50.480 50.519 5是 0.605 30.394 7否 0.999 90.000 1否 0.057 10.942 9是 0.162 70.837 3是 0.000 70.999 3是
建立两级评判指标体系对待测故障样本的模糊测度融合诊断矩阵进行分析。权重系数集W、W1及W2根据被保护配电网高频故障类型和大量仿真计算及现场实验获得的各级判据的保护判断准确率制定，考虑模型中电缆与架空线占比类似，历史样本集中设置的各种故障类型较平均，且仿真环境相较现场实际环境更为理想，因此设定W=[0.5 0.5]，W1=W2=[0.4 0.3 0.3]。
根据表4中模糊测度融合诊断矩阵Di，计算得到不同运行状态下的故障测度综合评判结果见表5。
表5 各样本故障测度综合评判结果
Tab.5 Fault measures comprehensive judgment results of various samples
待测样本二级故障测度综合评判矩阵一级故障测度综合评判矩阵评判结果 Xg1 Xg2 Xg3 Xg4 Xg5
由表5可知，评判指标模型依据各测度判据的可信程度对模糊测度判据矩阵中各类判据进行了融合修正，有效地弥补了单一故障测度判据的不足，削弱了待测样本的非故障测度值，使故障测度得以凸显。不同故障条件下的待测样本均有
，即故障测度值大于非故障测度值；非故障条件下的待测样本均有
，即故障测度值小于非故障测度值。因此，在故障信号微弱和受到强干扰影响的情况下，待测样本Xg1、Xg2、Xg3均被准确判断为故障样本，Xg4、Xg5均被准确判断为非故障样本，基于模糊测度融合诊断的配电网接地故障选线能够对各类故障状态进行准确判断。
将基于模糊测度融合诊断的接地故障选线方法与基于支持向量机（Support Vector Machines, SVM）算法、BP神经网络算法的选线方法进行对比。为了测试各类选线方法对系统运行条件变化的自适应性及选线准确率，同时考虑智能算法的训练需要足够的样本支持才能获取有意义的选线结果，在馈线L3、L4上设置不同过渡电阻（5Ω、200Ω、1kΩ、3kΩ、4kΩ、弧光接地故障）、中性点接地方式（不接地、消弧线圈接地、大电阻接地）、故障初相位（0°、30°、60°、90°）及故障点位置（20%、80%），模拟各类接地故障类型，通过馈线L4出口处故障选线装置共采集288组故障特征样本。随机抽取样本总数的25%作为待测样本，剩余216组样本作为历史特征样本，分批次随机抽取历史特征样本进行训练，以检验各类选线算法对历史样本数量的依赖程度。选线正确率为判断正确的样本数与待测样本总数的百分比，选线结果如图5所示。
图5 不同故障选线方法结果对比
Fig.5 Comparison of different fault line detection methods
根据图5可知，即使在历史样本数量仅有54组，无法全面覆盖各类接地故障的情况下，本文所提方法的选线正确率依然达到87.5%，远高于SVM算法和BP神经网络算法的选线正确率。这是由于本文方法运用多种故障测度实现了配电网运行状态的多角度刻画，充分挖掘样本间关联性，提升了特征样本数据的容错性和抗干扰能力，从而减小了对历史样本数量的依赖性。随着历史样本数量的增多，各类选线方法的选线正确率均有不同程度的提高。当历史样本数量达到216组时，本文方法的选线正确率高达97.2%，能适应绝大部分故障工况；而其他两类算法的选线正确率依然不足80%，仅能应对过渡电阻小于1kΩ的故障情况，对高阻故障及弧光接地故障均存在较高的误判率。由此表明，相比SVM算法和BP神经网络算法，本文方法通过多种测度判据的纵向融合及不同类型故障特征量的横向融合凸显故障特征，能够大幅提升在高阻接地故障和弧光接地故障等极端恶劣故障条件下的选线正确率，具备对系统运行条件变化的自适应性。
为进一步验证本文所提故障选线方法对实际故障条件的适应性，在所搭建的10kV真型配电网实验室中进行接地故障选线实验。将配电网实验室10kV母线接入1号、2号、3号、4号四条出线，由接地变压器引出的系统中性点经消弧线圈接地，脱谐度为-15%。接地故障实验条件如图6所示。
图6 10kV配电网接地故障实验条件
Fig.6 Grounding fault test conditions for 10kV distribution network
在系统不同线路设置各类接地故障，提取多种故障特征量组成历史样本集进行模糊聚类分析。然后在1号线路设置高阻3kΩ单相接地故障、高阻1kΩ单相接地故障及弧光接地故障，实测的零序电压、零序电流录波如图7所示。
图7 不同接地故障下1号线路实测录波波形
Fig.7 Measured waveforms of different ground faults on line 1
从实测的零序量时间序列中提取故障特征量组成待测样本Xg6、Xg7、Xg8见表6，结合历史样本集和两级评判模型分别计算不同故障情况的判据矩阵Di、
和
，结果见表7。由此可见，当配电网发生高阻接地故障及弧光接地故障时，故障特征微弱，零序电流严重畸变，基于故障暂态及稳态特征的保护判据分别发生误判，导致故障选线失败。而本文提出的故障选线方法通过模糊测度融合诊断将多种故障特征进行融合，深度挖掘故障信息，能够有效覆盖更多故障工况，并结合两级评判指标体系对判断结果进行修正，凸显故障特性，使综合判据矩阵中故障测度值均大于非故障测度值，在高阻接地及弧光接地等极端恶劣故障条件下，均能够得到可靠正确的判断结果。
表6 实验室实测故障特征样本
Tab.6 Fault characteristics samples measured in the laboratory
待测样本稳态故障特征量暂态故障特征量 x'k1/(°)x'k2/Ax'k3/Ax'k4/Ax'k5/Ax'k6/J Xg6102.70.941.280.650.73-14.7 Xg7102.70.711.020.480.41-8.46 Xg8102.61.492.351.652.18-76.6
表7 实测故障样本模糊测度融合诊断判断结果
Tab.7 Fuzzy measures integrated diagnosis judgment result of actually measured fault samples
待测样本故障类型模糊测度融合诊断矩阵Di二级故障测度综合评判矩阵一级故障测度综合评判矩阵评判结果 Xg6高阻1kΩ单相接地故障 Xg7高阻3kΩ单相接地故障 Xg8弧光接地故障
本文拓展“故障测度”的概念，提出一种基于模糊测度融合诊断的配电网接地故障选线方法。本方法提取多种运行工况及不同故障条件下的特征样本组成历史特征样本集，借助模糊C均值聚类算法，以多种故障检测方法获取的多源故障信息为指标，将历史样本划分为故障类与非故障类，求取各类别的聚类中心。从不同角度比较待测样本与历史特征样本集的样本相似程度，形成多种样本相似性测度判据，进而构成模糊测度融合诊断矩阵；建立多级评判指标体系对模糊测度融合诊断矩阵进行评判，并输出综合判据矩阵作为最终保护判据。PSCAD/EMTDC仿真与10kV真型实验室测试结果均证明了本方法的有效性，在故障录波数据失真，部分样本相似性测度判据发生误判的情况下，通过多级评判指标体系对模糊测度融合诊断矩阵进行修正，依然能够准确识别故障样本，执行正确的故障选线判断，大幅提升配电网各类接地故障选线的正确率。该方法无需设置保护整定值，可实现接地故障的无整定保护，具有不受系统运行方式变化影响的特点。
参考文献
[1] 周兴达, 陆帅. 一种基于消弧线圈和静止同步补偿器协同作用的配电网消弧结构与方法[J]. 电工技术学报, 2019, 34(6): 1251-1262.
Zhou Xingda, Lu Shuai. An arc-suppression method based on the coordinated operation of the petersen coil and the static synchronous compensator in distribution networks[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1251-1262.
[2] 余银钢, 洪新春, 李岭, 等. 基于电力物联网的配电网断线故障识别技术[J]. 电气技术, 2020, 21(7): 76-79.
Yu Yingang, Hong Xinchun, Li Ling, et al. Fault identification technology based on power internet of things[J]. Electrical Engineering, 2020, 21(7): 76-79.
[3] 要焕年, 曹梅月. 电力系统谐振接地[M]. 北京: 中国电力出版社, 2000.
[4] 董俊, 李一凡, 束洪春, 等. 配电网馈出线路单相永久性接地故障性质辨识方法[J]. 电工技术学报, 2020, 35(21): 4576-4585.
Dong Jun, Li Yifan, Shu Hongchun, et al. Study on identification method of single phase permanent ground fault in distribution network feedout line[J]. Transactions of China Electrotechnical Society, 2020, 35(21): 4576-4585.
[5] 徐丙垠, 薛永端, 冯光, 等. 配电网接地故障保护若干问题的探讨[J]. 电力系统自动化, 2019, 43(20): 1-7.
Xu Bingyin, Xue Yongduan, Feng Guang, et al. Discussion on several problems of earthing fault protection in distribution network[J]. Automation of Electric Power Systems, 2019, 43(20): 1-7.
[6] 肖湘宁, 廖坤玉, 唐松浩, 等. 配电网电力电子化的发展和超高次谐波新问题[J]. 电工技术学报, 2018, 33(4): 707-720.
Xiao Xiangning, Liao Kunyu, Tang Songhao, et al. Development of power-electronized distribution grids and the new supraharmonics issues[J]. Transactions of China Electrotechnical Society, 2018, 33(4): 707-720.
[7] 郭凤仪, 高洪鑫, 唐爱霞, 等. 局部二值模式直方图匹配的串联故障电弧检测及选线[J]. 电工技术学报, 2020, 35(8): 1653-1661.
Guo Fengyi, Gao Hongxin, Tang Aixia, et al. Series arc fault detection and line selection based on local binary pattern histogram matching[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1653-1661.
[8] 龙毅, 欧阳金鑫, 熊小伏, 等. 基于零序功率变化量的配电网单相高阻接地保护[J]. 电工技术学报, 2019, 34(17): 3687-3695.
Long Yi, Ouyang Jinxin, Xiong Xiaofu, et al. Protection principle of single-phase high resistance fault for distribution network based on zero-sequence power variation[J]. Transactions of China Electrotechnical Society, 2019, 34(17): 3687-3695.
[9] 束洪春, 李一凡, 田鑫萃, 等. 基于交叉重叠差分变换关联性分析的配电网故障选线[J]. 电力系统自动化, 2019, 43(6): 137-144.
Shu Hongchun, Li Yifan, Tian Xincui, et al. Distribution network fault line selection based on correlation analysis of sequential overlapping derivative transform[J]. Automation of Electric Power Systems, 2019, 43(6): 137-144.
[10] 高杰, 程启明, 程尹曼, 等. 基于量子遗传双稳态系统的配电网故障选线方法[J]. 电力自动化设备, 2018, 38(5): 164-170.
Gao Jie, Cheng Qiming, Cheng Yinman, et al. Faulty line selection method based on quantum genetic bistable system for distribution network[J]. Electric Power Automation Equipment, 2018, 38(5):164-170.
[11] 樊淑娴, 徐丙垠, 张清周. 注入方波信号的经消弧线圈接地系统故障选线方法[J]. 电力系统自动化, 2012, 36(4): 91-95.
Fan Shuxian, Xu Bingyin, Zhang Qingzhou. A new method for fault line selection in distribution system with arc suppression coil grounding with square-wave signal injection[J]. Automation of Electric Power Systems, 2012, 36(4): 91-95.
[12] 王守相, 梁栋, 葛磊蛟. 智能配电网态势感知和态势利导关键技术[J]. 电力系统自动化, 2016, 40(12): 2-8.
Wang Shouxiang, Liang Dong, Ge Leijiao. Kay technologies of situation awareness and orientation for smart distribution systems[J]. Automation of Electric Power Systems, 2016, 40(12): 2-8
[13] 邓丰, 梅龙军, 唐欣, 等. 基于时频域行波全景波形的配电网故障选线方法[J]. 电工技术学报, 2021, 36(13): 2861-2870.
Deng Feng, Mei Longjun, Tang Xin, et al. Faulty line selection method of distribution network based on time-frequency traveling wave panoramic waveform[J]. Transactions of China Electrotechnical Society, 2021, 36(13): 2861-2870.
[14] 胡伟, 李勇, 曹一家, 等. 基于LOF和SVM的智能配电网故障辨识方法[J]. 电力自动化设备, 2016, 36(6): 7-12.
Hu Wei, Li Yong, Cao Yijia, et al. Fault identification based on LOF and SVM for smart distribution network[J]. Electric Power Automation Equipment, 2016, 36(6): 7-12.
[15] 王磊, 曹现峰, 骆玮. 基于改进PSO优化模糊神经网络的配电网故障选线研究[J]. 电气技术, 2016, 17(3): 30-35.
Wang Lei, Cao Xianfeng, Luo Wei. Research on fault line detection for distribution network based on improved PSO to optimize fuzzy neural network [J]. Electrical Engineering. 2016, 17(3): 30-35.
[16] 王英英, 罗毅, 涂光瑜. 基于贝叶斯公式的似然比形式的配电网故障定位方法[J]. 电力系统自动化, 2005, 29(19): 54-57.
Wang Yingying, Luo Yi, Tu Guangyu. Fault location based on Bayes probability likelihood ratio for distribution net works[J]. Automation of Electric Power Systems, 2005, 29(19): 54-57.
[17] 唐金锐, 尹项根, 张哲, 等. 配电网故障自动定位技术研究综述[J]. 电力自动化设备, 2013, 33(5): 7-13.
Tang Jinrui, Yin Xianggen, Zhang Zhe, et al. Survey of fault location technology for distribution networks[J]. Electric Power Automation Equipment, 2013, 33(5):7-13.
[18] 兰华, 朱锋. 基于模糊粗糙集和GA-BP神经网络的配电网故障选线方法[J]. 南方电网技术, 2013, 7(1): 90-94.
Lan Hua, Zhu Feng. Faulty line detection method for distribution network based on fuzzy rough sets and GA-BP neural network[J]. Southern Power Grid Technology, 2013, 7(1): 90-94.
[19] 简金宝, 王媛媛, 曾祥君, 等. 基于系统聚类分析的馈线接地保护[J]. 电力系统自动化, 2013, 37(5): 111-116.
Jian Jinbao, Wang Yuanyuan, Zeng Xiangjun, et al. Earth fault feeder detection based on hierarchical clustering analysis[J]. Automation of Electric Power Systems, 2013, 37(5): 111-116.
[20] 徐彪, 尹项根, 张哲, 等. 电网故障诊断的分阶段解析模型[J]. 电工技术学报, 2018, 33(17): 4113-4122.
Xu Biao, Yin Xianggen, Zhang Zhe, et al. A staged analytical model for power system fault diagnosis[J]. Transactions of China Electrotechnical Society, 2018, 33(17): 4113-4122.
[21] 陈胜, 卫志农, 孙国强, 等. 电-气互联综合能源系统安全分析与优化控制研究综述[J]. 电力自动化设备, 2019, 39(8): 3-11.
Chen Sheng, Wei Zhinong, Sun Guoqiang, et al. Review on security analysis and optimal control of electricity-gas integrated energy system[J]. Electric Power Automation Equipment, 2019, 39(8): 3-11.
Grounding Fault Line Selection of Distribution Networks Based on Fuzzy Measures Integrated Diagnosis
Abstract The operation and fault conditions of non-effectively grounded distribution networks are complex and variable. It is difficult to effectively cover different fault conditions in the existing distribution network ground fault line selection methods. Especially for high-impedance grounding fault and arc-grounding fault, the criterion based on a single fault characteristic has a high rate of false positives. In this paper, a new method of grounding fault line selection for distribution networks based on fuzzy measures integrated diagnosis is proposed. By means of fuzzy C-means clustering algorithm, the historical characteristic sample sets that characterize the different operating states of the protected lines collected under various operating conditions are divided. A variety of sample similarity measure criteria are used to analyze the degree of similarity between the sample to be tested and the faulty and non-faulty categories to form a fuzzy measure integrated diagnosis matrix, and the matrix is evaluated by the multi-stage judgment indicator system. According to the matrix judgment, the fault characteristics are amplified, the influence of accidental factors on the fault judgment is weakened, and finally the comprehensive judgment matrix is used to accurately identify the fault samples. The results of PSCAD/EMTDC simulation and 10kV true experimental test show that under the influence of non-linear load and other disturbance factors, this method can still accurately capture fault characteristics and correctly identify fault samples under various fault conditions. It has the ability to adapt to changes in the operation mode of different systems, and has strong robustness.
keywords：Distribution network, fault line selection, fuzzy measures integrated diagnosis, judgment indicator system
DOI:10.19595/j.cnki.1000-6753.tces.210046
中图分类号：TM862
国家自然科学基金（51737002）和湖南省自然科学基金（2019JJ50645）资助项目。
收稿日期 2021-01-12
改稿日期 2021-07-19
喻 锟 男，1989年生，博士，讲师，研究方向为电力系统保护与控制。E-mail：kunyu0707@163.com（通信作者）
曾祥君 男，1972年生，博士，教授，研究方向为电力系统保护与控制。E-mail：eexjzeng@qq.com（通信作者）
（编辑 赫蕾）