朱永利， 彭 華， 胡智強

(1.華北電力大學 電氣與電子工程學院，河北 保定 071003；2.浙江圖盛輸變電工程有限公司，浙江 溫州 325000)

0 引 言

隨著“碳達峰-碳中和”國家戰(zhàn)略的推進，風電、光伏等高比例可再生能源在電網(wǎng)中的滲透率逐步提高。風電場為有效利用風資源、匯集風電機組的功率，大多建于自然環(huán)境條件惡劣的山脊或海島，而集電線路作為該系統(tǒng)結(jié)構(gòu)的薄弱點，最容易引發(fā)短路故障。故障嚴重的情況下，可造成風電場整體脫網(wǎng)，進而破壞系統(tǒng)的穩(wěn)定性。此外，風電場內(nèi)多風機電源接入，構(gòu)成多分支、非線性網(wǎng)絡，故障機理復雜致使物理建模十分困難[1]。因此，單相接地短路下實現(xiàn)風電場的有效定位，可促進風能這種清潔能源的替代，改善生態(tài)環(huán)境，而且對恢復風電系統(tǒng)的發(fā)電可靠外送、保障電網(wǎng)的安全供電具有實際意義。

風電場的隨機性、非線性導致常規(guī)定位思路難以有效識別故障位置?，F(xiàn)有的故障定位方法主要包括：行波法[2-7]、故障分析法[8-11]、組合法[12，13]、智能算法[14-17]等。行波法已成功應用于簡單雙端網(wǎng)絡，而對于混合多端風機網(wǎng)絡，則會存在時域波頭標定失敗的風險。文獻[7]通過對故障信號進行插值處理以提高采樣率，進而增加波頭檢測的精度，同時優(yōu)化修正行波波速，實現(xiàn)了多分支輸電線路故障距離的準確計算，但風電場的線路極短，應用該方案無法完成測距。故障分析法穩(wěn)定性高，但故障機理復雜，易導致求解波動方程困難且耗時較長。文獻[11]采用R-L模型構(gòu)建線性方程組，并引入多項式插值和系數(shù)逆矩陣1范數(shù)量化估計的直流配電網(wǎng)單端測距方法，然而選擇數(shù)據(jù)窗長較大時，將顯著加大運行計算時間，性價比不高。組合法的本質(zhì)是將兩種及以上定位方法相結(jié)合進行優(yōu)勢互補、取長補短。文獻[13]將矩陣算法和粒子群優(yōu)化算法相結(jié)合，綜合兩者優(yōu)點能夠快速、高容錯性定位不同配電網(wǎng)系統(tǒng)的故障區(qū)段。

人工智能技術(shù)可從多影響因素耦合作用下、復雜多變的故障波形數(shù)據(jù)中提煉出用于定位的精確信息，故智能算法在該研究領域中應用較多，前景廣闊[15]。文獻[16]采用Prony算法對暫態(tài)電壓信號提取自然頻率的主頻和2倍頻作為特征量，并基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡回歸模型準確實現(xiàn)了直流輸電系統(tǒng)的故障測距。文獻[17]提出一種自適應CNN的33節(jié)點配電網(wǎng)故障線選擇及雙端故障點定位方法，通過改進模型的池化層來提高自動特征提取能力，性能優(yōu)于深度置信網(wǎng)絡，但深度學習算法的訓練定位時間較長，并不能夠滿足實時性要求較高的配電網(wǎng)、風電場等實際應用場景。

本文在5 G智慧風電場建設的背景下，提出一種基于變量預測模型的類型判別(Variable Predictive Model Based Class Discriminate，VPMCD)的集電線路智能區(qū)段定位新方法。仿真分析了混合多端風機網(wǎng)絡，并提取零序電流的基頻分量作為風電故障的特征量，構(gòu)建定位樣本庫。此外，針對每一區(qū)段類別，自動為各個特征值選擇最優(yōu)的變量預測模型(VPM)，以建立VPMCD故障定位器，其中誤差平方和指標最小對應的類別即被識別為故障發(fā)生的區(qū)段。最后，通過算例仿真及同支持向量機(Support Vector Machine，SVM)對比分析驗證了所提方法的快速性與精確性。

1 風電場網(wǎng)絡結(jié)構(gòu)

常見風電場屬于典型的混合多端輻射網(wǎng)絡，一般是由升壓站、Z型接地變壓器、集電線路和風電機組等主要電力設備組成，其網(wǎng)絡拓撲電氣結(jié)構(gòu)如圖1所示。

圖1 風電場網(wǎng)絡的拓撲圖Fig. 1 Topological graph of wind farm network

由圖1的網(wǎng)絡拓撲可知，集電系統(tǒng)呈鏈形結(jié)構(gòu)，采用電纜線同架空線混聯(lián)的連接形式。多臺風電機組均通過箱式變壓器經(jīng)一段較短的電纜線連接至集電線路，匯集風電系統(tǒng)的發(fā)電功率再由較短的電纜線接入主變壓器的35 kV側(cè)，之后經(jīng)110 kV高壓輸電線路實現(xiàn)風功率可靠外送，并將其輸入到電網(wǎng)系統(tǒng)側(cè)。為確保風電系統(tǒng)的安全穩(wěn)定運行，Z型接地變壓器通常安裝于主變壓器低壓側(cè)35 kV母線上，由此可構(gòu)成零序通路。

2 風電場故障特征提取

2.1 故障區(qū)段特性分析

信號處理技術(shù)是風電場特征提取的關鍵和前提，其好壞會直接影響故障定位的結(jié)果。FFT[18]作為一種高效頻譜分析方法，不僅能夠快速將時域轉(zhuǎn)化為頻域，而且可準確提取幅值分量，適于對風電場單相接地信號進行故障特征分析。

本文利用FFT算法提取的零序電流基頻分量對故障區(qū)段進行特性分析。研究的風電場網(wǎng)絡敷設有2條電纜線與架空線混合的集電線路，每條集電線路由相鄰風電機組可總共劃分為8個區(qū)段，1-16為區(qū)段編號，測量儀器則安裝于區(qū)段的首端位置。在風電場集電線路1的不同區(qū)段上設置過渡電阻的阻值分別為0 Ω、25 Ω、50 Ω、75 Ω和100 Ω的A相接地短路，進行電磁暫態(tài)故障仿真。其中，因限于篇幅，以區(qū)段1-230 m經(jīng)100 Ω過渡電阻發(fā)生A相接地故障為例進行相關展示，即測點1的零序電流波形數(shù)據(jù)及其各頻率分量如圖2所示。注：區(qū)段a-bm(表示區(qū)段a-距首端升壓站35 kV母線的距離為bm，a為區(qū)段編號，b為距離長度，m為長度單位)

圖2 測點1的零序電流波形數(shù)據(jù)及其各頻率分量(故障條件：區(qū)段1-230 m，100 Ω，A相接地故障)Fig. 2 The zero sequence current waveform data and its frequency components of measuring point 1 (fault conditions: section 1-230 m, 100 Ω, A phase grounding fault)

2.2 零序電流特征構(gòu)建

分析風電場自身特點，主變壓器繞組以及風電機組與集電線路間的箱式變壓器繞組均采用Y0/△結(jié)構(gòu)方式，因此，系統(tǒng)側(cè)和風電機組側(cè)的不對稱接地故障、三相不平衡均不會影響零序網(wǎng)絡，且應用零序電流進行故障特征構(gòu)建具有較高的可靠性和可行性。

風電場網(wǎng)絡中測量儀器采集的故障數(shù)據(jù)是高維時序的，若考慮直接輸入零序電流波形序列，則存在過高冗余，計算量大等問題，進而導致巨額的上傳、運行成本。此外，零序電流波形序列的特征維度超高，引起學習器的訓練時間過長、定位效率低下，由此不能滿足實時性要求較高的風電場實際應用場景。

綜合上述經(jīng)濟性和耗時性兩方面因素，需要對零序電流波形序列進行特征提取，以實現(xiàn)故障數(shù)據(jù)的降維處理。單相接地短路時，依據(jù)圖2分析設計特征量，利用FFT對測量儀器采集的零序電流提取其基頻分量幅值，相關特征標號和特征描述如表1所示。

表1 風電場的零序電流特征Tab.1 Zero sequence current features of wind farm

3 基于VPMCD的風電場故障區(qū)段自動定位

3.1 VPMCD算法

VPMCD[19，20]簡單、無需優(yōu)化調(diào)參，是一種采用VPM的機器學習方法。設風電場的某一故障區(qū)段可用特征向量描述，即X=[X1,X2,…Xp]，其中，特征量Xi會與另外的1個甚至多個特征量間存有函數(shù)關系。當故障發(fā)生于集電線路不同區(qū)段時，該函數(shù)關系將呈現(xiàn)出一定的差異性。為識別風電場的故障區(qū)段，需構(gòu)建能夠表征不同區(qū)段下其特征量函數(shù)關系的數(shù)學模型VPM，可供選擇VPM類型的定義和相應細節(jié)如表2所示。

在表2中，4種類型均屬于多項式響應面模型，隨機選取一種數(shù)學模型，并利用特征量Xj(j≠i)預測特征量Xi，由此可得Xi所對應VPMi的通用數(shù)學表達式為

Xi=f(Xj,b0,bj,bjj,bjk)+e

(1)

式中：e為VPMi的預測誤差。

對于風電場的某一故障區(qū)段，若確定VPMi的類型、階數(shù)及Xi的預測變量，則可由最小二乘法回歸求解式(2)獲得其參數(shù)的估計值：

表2 不同VPM類型的定義和相應細節(jié)

Xi=D·B

(2)

(3)

(4)

3.2 基于VPMCD的風電場故障區(qū)段自動定位設計

本文采用的智能技術(shù)VPMCD原理簡單，無需優(yōu)化參數(shù)，可有效避免人工設定分類閾值難題，并對風電場集電線路自動判別故障發(fā)生的區(qū)段位置。此外，其定位精度高、速度快，單相接地故障區(qū)段分類融合了不同區(qū)段的故障特征信息，同時考慮了直接輸入高維零序電流波形序列帶來的冗余特性。

圖3 基于VPMCD的風電場故障區(qū)段自動定位框架Fig. 3 Automatic fault section location framework of wind farm based on VPMCD algorithm

4 實驗驗證

4.1 風電場仿真設計

為驗證本文VPMCD故障區(qū)段自動定位框架的有效性，采用PSCAD/EMTDC進行風電場單相接地故障仿真設計，110 kV/35 kV的風電場網(wǎng)絡如圖4所示。由圖4可知，在35 kV母線上掛有兩條集電線路出線，且每條線路搭建8臺2 MW的雙饋風機。集電線路類型為電纜線(YJLV23-26/35kV-3×240)-架空線(LGJ240)的混聯(lián)形式，電纜線長度設定為100 m，架空線長度則考慮地理條件因素和風資源分布不均的制約，相鄰風機分支間各區(qū)段的尺寸一般不同，故將其標注在集電線路上，集電線相關電氣參數(shù)的設定依據(jù)如表3所示。風電場35 kV網(wǎng)絡不同于常規(guī)配電網(wǎng)，其中性點的接地方式采用大電流接地。此外，過高的采樣頻率不切合實際風電場的現(xiàn)場應用要求，因而單相接地故障時，信號的采樣頻率選取1 600 Hz，以在滿足風電場定位準確性的前提下，保證其定位效率。

圖4 風電場網(wǎng)絡的仿真設計Fig. 4 Simulation design of wind farm network

表3 集電線相關電氣參數(shù)的設定依據(jù)

風電場的訓練故障樣本集在建立VPMCD模型中可發(fā)揮重要作用，因而選擇覆蓋面廣泛的、代表性強的故障場景作為生成標準。鑒于風電場仿真運行時間問題，該數(shù)據(jù)集構(gòu)建條件包含：①以第一條集電線路為研究對象；②單相接地短路下設置不同故障狀態(tài)混合，詳細如表4所示。

表4 訓練故障樣本集構(gòu)建條件Tab.4 Construction conditions of training fault sample set

4.2 典型位置的故障區(qū)段自動定位

在風電場的不同典型位置隨機設置故障發(fā)生的位點，以較全面驗證基于VPMCD的故障區(qū)段定位的準確性。選取區(qū)段1～60 m為研究對象，即靠近母線節(jié)點在電纜線上設定A相接地故障，過渡電阻100 Ω，其誤差平方和指標和區(qū)段定位結(jié)果如圖5所示。同樣地，將故障點設置在不同區(qū)段的架空集電線上，其誤差平方和指標及輸出的故障區(qū)段編號如表5所示。

圖5 VPMCD故障區(qū)段辨識結(jié)果Fig. 5 Fault section identification results of VPMCD

由圖5和表5可知，該方法對于電纜集電線和架空集電線各類型故障條件均適用，能夠通過誤差平方和指標精確將故障點鎖定在實際故障發(fā)生的區(qū)段。此外，VPMCD故障區(qū)段定位器能夠解決節(jié)點附近故障誤判問題，例如區(qū)段1～60 m，僅區(qū)段1對應的誤差平方和目標函數(shù)值最小，為0.835 6，定位區(qū)段1，滿足多端混聯(lián)的風電場網(wǎng)絡的實際應用。

表5 典型位置的誤差平方和指標及輸出的故障區(qū)段編號Tab.5 The index of the sum of squares for error and the number of the output fault section under typical locations

4.3 智能VPMCD區(qū)段定位抗過渡電阻影響分析

前節(jié)探究了風電場在特定過渡電阻下的故障區(qū)段定位效果，但因故障的不確定性，使過渡電阻呈現(xiàn)出多樣化的阻值。通過PSCAD/EMTDC設置多種過渡電阻情形，特別需含有中間阻值(即與訓練故障樣本集的阻值不同)，采用VPMCD故障區(qū)段定位器對故障區(qū)段進行辨識，其誤差平方和指標及輸出的故障區(qū)段編號如表6所示。

由表6可知，對于不同區(qū)段和過渡電阻，在所有誤差平方和指標中，只有相對應區(qū)段的目標函數(shù)計算值最小，其余區(qū)段則相對較大。此外，面對中間阻值的故障，無需增加原始訓練故障樣本依然可精確辨識故障區(qū)段。因此，該方法具有較強的抗過渡電阻能力和模型通用性，可推廣至風電場多種故障場景。

表6 不同過渡電阻的誤差平方和指標及輸出的故障區(qū)段編號Tab.6 The index of the sum of squares for error and the number of the output fault section under different fault resistances

4.4 智能VPMCD區(qū)段定位抗量測誤差影響分析

考慮到實際工程中采用零序電流互感器測量零序電流(35kV母線處)以及采用電流互感器測量獲取三相電流，然后合成零序電流(集電線路除母線處)時會存在一定誤差，量測誤差一般為±0.5%、±1%等。因此，需分析不同實測幅值誤差對智能VPMCD區(qū)段定位結(jié)果的影響。同樣選取區(qū)段1-60 m為研究對象，設定A相接地故障，過渡電阻100，區(qū)別是在該測試樣本上人為整體改動±0.5%、±1%，其誤差平方和指標和區(qū)段定位結(jié)果如表7所示。

表7 不同量測誤差的誤差平方和指標及輸出的故障區(qū)段編號

由表7可知，隨著量測誤差的改變，誤差平方和指標變化不大，且只有區(qū)段1對應的目標函數(shù)計算值最小，其余區(qū)段則遠大于區(qū)段1。表明，該方法不受實際量測誤差的影響，具備一定的實用性。

4.5 智能算法性能比較

表8從精度和效率兩方面比較了VPMCD與SVM的故障區(qū)段定位效果，以進一步說明本文方法在風電場中使用的優(yōu)越性。SVM：采用RBF進行訓練。因選擇的懲罰因子C和RBF參數(shù)g會對識別精度與泛化能力產(chǎn)生直接影響，故利用網(wǎng)格搜索法10折交叉驗證對參數(shù)進行優(yōu)化，最終確定最優(yōu)C、g的取值均為0.1。

表8 不同智能算法的性能比較Tab.8 Performance comparison of different intelligent algorithms

由表8可知，定位精度方面：風電場集電線路中，VPMCD和SVM算法均能準確對單相接地故障區(qū)段進行識別定位，證明本文故障特征提取的有效性；定位效率方面：VPMCD比SVM算法具有更高的分類效率，定位運算時間可節(jié)省12.3 s，復雜度更低。綜上比較分析，VPMCD更能快速準確的自動識別故障區(qū)段，故更適用于對實時性要求較高的風電場集電線路的定位。

5 結(jié) 論

本文在5 G智慧風電場建設的背景下，針對風電場內(nèi)多風機電源接入導致單相接地短路后定位精度差、效率低的難題，提出一種基于VPMCD的集電線路智能故障區(qū)段定位方法。其中，主要獲取如下結(jié)論：

(1)設置單相接地故障，電網(wǎng)系統(tǒng)和風機均不會影響零序電流，具備一定的可靠性，且采用FFT對冗長的零序電流序列提取其基頻分量幅值，建立區(qū)段定位樣本庫，定位成本低、耗時短。

(2)建立了VPMCD故障區(qū)段定位器，無需主觀選擇、優(yōu)化參數(shù)，并利用訓練好的VPM結(jié)合誤差平方和指標，通過目標函數(shù)最小原則自動輸出故障區(qū)段的編號，PSCAD/EMTDC仿真證明，VPMCD方法的定位效果優(yōu)于SVM方法，具有較強的通用性和較高的實時性，能夠滿足如今風電場網(wǎng)絡現(xiàn)場運維的要求。