首页 / 专利分类库 / 发电、变电或配电 / 紧急保护电路装置 / 紧急保护电路装置的零部件 / 基于模糊粒化区间的环形直流微电网线路故障诊断方法

基于模糊粒化区间的环形直流微电网线路故障诊断方法

申请号 CN202410050708.1 申请日 2024-01-15 公开(公告)号 CN118050660A 公开(公告)日 2024-05-17
申请人 中南大学; 发明人 韩华; 刘宏毅; 郑鑫龙; 左啸云; 施光泽; 孙尧; 粟梅;
摘要 本 发明 提出了基于模糊粒化区间的环形直流微 电网 线路故障诊断方法,基于粒化区间上下界和 输出 电压 估计的极间/正极接地故障分类策略,利用粒化区间本身特性和电容器放电过程的特点实现极间/正极接地故障分类,使其不受未知故障 电阻 引起的电压/ 电流 相似性的影响,它可以在不设置 阈值 的情况下,在不到0.5ms的时间内准确区分极间/正极接地故障。提出一种新的负极接地故障检测指标区间极差,放大故障后电压的异常 波动 ,并在1.5ms内检测出负极接地故障。在获得各个变换器端的诊断结果后,可以使用邻居协作机制来识别故障线路。所发明诊断方法在故障 位置 和故障电 阻变 化时均具有良好的性能,能够准确诊断不同类型的线路故障,对不同网络拓扑具有适应性。
权利要求

1.基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:包括如下步骤:
步骤1)确定模糊粒化区间和区间极差;
模糊粒化的目的是提取数据中的异常波动性,并以区间的形式对其进行量化,通过模糊集理论对模型输入进行粒化,建立基于粒化的输入输出映射,有效地捕捉故障后电压波动,并将其反映在宽度、边界等区间质量指标中;
步骤2)基于区间特征的故障诊断;
利用粒化区间本身特性和电容器放电过程的特点实现极间/正极接地故障分类,使其不受未知故障电阻引起的电压/电流相似性的影响;基于区间宽度设计一种故障特征量宽度极差,用于放大后故障后电压变化,检测电流特征不明显的负极接地故障;
步骤3)故障线路识别;
使用上述策略,诊断连接到每个保护单元的两条线路中发生的故障类型,提出相邻源协作方法,根据本地保护单元和其相邻保护单元的诊断结果进一步识别故障线路。
2.根据权利要求1所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:步骤1)具体步骤如下;
模糊造粒过程分为三个步骤:
首先,将采样序列划分为多个子序列,称为操作窗口,操作窗口n包含采样电压Un及其先前的w‑1数据,为了捕捉电压波动,对每个操作窗口进行排序,并进一步划分为两个子序列,表示为:
其中当w为偶数时b=1,当w为奇数时b=2,[w/2]表示不大于w/2的最大整数;
然后对于每个操作窗口,通过模糊隶属度函数构造粒化区间,选择适当的隶属函数能够显著提高构建的粒化区间的质量,采用了三形隶属函数,区间上界和区间下界的定义如下:
最后重复步骤2),直到所有操作窗口都完成粒化操作;
颗粒化后,将原始电压信号转换为包含重要特征的各种粒化区间,用于故障诊断,某一粒化窗口的粒化区间表示为:
其中Gupn,Glown是构造区间的下界和上界,区间宽度衡量了数据的波动范围,IWn定义为:
更宽的区间宽度反映故障线路附近变换器的输出电压的更快下降,基于这一特性,一种新的故障诊断指标区间极差IRn定义为:
IRn=maxGupn‑minGlown                                        (5)区间极差表示最大区间上界和最小区间下界之间的差值,利用模糊粒化区间的特性,准确地检测和量化由极间/正极接地和负极接地故障引起的异常电压波动。
3.根据权利要求1所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:步骤2)具体步骤如下;
考虑到采样电流是离散的,采用后向差分来近似电流的一阶导数,并用于检测故障电流变化明显的极间/正极接地故障,Δt是采样步长,Δin是第n个和第n‑1个电流样本之间的差值;
一旦确定了采样频率,Δt就变为常数,在这种情况下,使用Δin来估计电流的一阶导数,极间&正极接地故障的检测策略定义如下:
其中t是时间点,ε1是检测阈值
为了避免故障的错误分类,提出了基于区间特征的故障分类方法,考虑电路中电容器放电过程,导出以下关系:
iin(t)≈iin(t0‑)≈io(t0‑)                                (8)
其中iin(t)和iin(t0_)是故障前和故障后输入侧馈电电流,io(t0_)是故障前输出侧馈电电流,根据基尔霍夫电流定律,电容器放电电流表示如下:
iC(t)=io(t)‑iin(t)≈io(t)‑io(t0‑)                     (9)
考虑到电容器放电引起的电压降,通过io(t)和初始输出电压Uo(t0)来计算估计的输出电压:
其中Uo(t0)是电容器两端的初始电压,考虑离散采样,(6)式改写成:
其中N是故障后样本的数量,Ts是采样周期,当极间故障发生时,预计估计电压 将接近测量电压Uo,并将落在构建的粒化区间内,然而,当正极接地故障发生时放电电容的大小将加倍, 下降速度将快于Uo.,因此,估计的电压将位于粒化区间范围之外并且低于下限,基于以上分析,极间和正极接地故障的分类策略设计为:
当极间&正极接地故障发生时,只有与故障线路相邻的两个单元的电流会迅速上升并超过ε1,对这两个单元进行电压估计,此外,由于上限和下限的计算是实时的,因此本分类方法无需设置阈值;
如果在窗口Wn中不满足式(7),则它可能对应于负极接地或非故障情况,由于负极接地故障发生后电流几乎没有变化,因此仅使用电流样本很难准确区分负极接地故障和非故障状态,对于负极接地故障,与故障线路相邻的单元的电压下降得更快,因此,负极接地故障检测方法使用故障后电压的异常波动进行模糊粒化区间来检测;
对于每个电压采样数据窗口Wn,计算间隔范围IRn,并将其与预定义阈值ε2进行比较,以检测负极接地故障:
4.根据权利要求1所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:步骤3)具体步骤如下;
对于确定故障线路Fi,所提出方法的原理如式(15)所示,并且:
其中i,j=1,2…6,|i‑j|=1.D={极间,正极接地,负极接地},Ti和Tj是跳闸信号,当线路一端的保护单元检测到故障时,将相应的诊断结果发送给相邻单元,如果从相邻单元那里收到相同的诊断结果,表明这两个变换器相连的线路发生故障,使用相关的固态断路器来确定和隔离故障线路,由于只有故障类型而不是特定值被发送到相邻单元以做出判断,因此在该过程中只需要分散的低带宽通信;
因此,负载切换和光伏间歇性同样会导致非故障性的瞬态变化,当负载发生较大的波动时时,只有与负载相邻的保护单元会识别出这种变化,由于相邻源单元得到不同的诊断结果,因此并不会发出跳闸命令;
总诊断时间Td计算为:
Td=Top+Tcd+TSSCB                  (15)
其中Top是诊断算法执行时间,Tcd是通信延迟时间,考虑到故障距离的变化,更靠近故障点的保护单元将首先触发检测,因此Top取两个保护单元检测时间中的较大值。
5.根据权利要求3所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:所述通信延迟Tcd根据IEC 61850标准来确定,Tcd由四个因素决定:
处理延迟、传播延迟、排队延迟和传输延迟。
6.根据权利要求1所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:
检测阈值ε1的选择,具体选取如下:
在所提出的方法中,阈值ε1用于基于电流特性检测极间/正极接地故障,而ε2用于基于电压特性检测负极接地故障,通过改变故障位置p和故障电阻Rf.,分别模拟极间、正极接地和负极接地故障,为了确定阈值,使用故障后2ms内的相应电流一阶导数和IR峰值来计算以下特征值;
对于所有场景,分析极端情况下的特征值以设置诊断阈值。

说明书全文

基于模糊粒化区间的环形直流微电网线路故障诊断方法

技术领域

[0001] 本发明属于直流微电网故障诊断技术领域,具体为基于模糊粒化区间的环形直流微电网线路故障诊断方法。

背景技术

[0002] 随着DC/DC转换技术的快速发展和直流电负载比例的不断提高,直流微电网已成为可再生能源消费的一种很有前途的选择。直流微电网具有可控性强、易于部署、灵活性高、可靠性高和传输效率高等优点,可以为客户提供高质量的电力。然而,由于设备寿命、天气条件和自然灾害等多种原因导致故障很难避免。缺乏相关的保护方案和标准对直流微电网技术的推广和应用提出了重大挑战。
[0003] 直流微电网可以具有径向拓扑、环形拓扑和网状拓扑。其中环形拓扑可以简化为径向拓扑,也可以扩展为网格拓扑。环形微电网中的电源可以向任何方向供电,以确保故障情况下的稳定供电。这些特性使环形微电网应用具有吸引力。然而,环形结构的故障节点和任何节点之间均会存在两条路径,这增加了故障分析和诊断的难度。
[0004] 现有的直流微电网故障诊断方法主要可分为基于线路单端信息和基于线路双端信息的方法。基于线路单端信息的故障诊断方法通过检测线路某一端的电气量状态识别故障,如通过检测线路单端电流、电流变化率、功率或者限流电抗器电压等识别故障,该类方法只依靠本地信息进行故障检测,无需通信,可靠性较高,但易受短路阻抗的影响,对高阻故障的检测存在困难;基于线路双端信息的故障诊断方法通过比较线路两端的电流、功率等电气量的差异来检测故障的发生,通常具有较高的灵敏性和选择性,然而该类方法依赖线路两端的实时通信,受通信延迟等因素影响较大。此外,对于双极型直流微电网的线路故障的检测,现有方法需要在正极和负极线路上同时安装相应的测量装置才能实现,随着微电网规模的增大,将带来保护成本问题。同时目前大部分基本本地测量信息判断的方法都有其特点和适用场景,故障特征的选择和诊断阈值的设置需要仔细考虑。
[0005] 与现有技术相比,本申请有如下优点;
[0006] 与专利CN1163383804“一种基于最少传感器的直流微电网故障诊断方法”的对比;
[0007] 专利CN103178538A中,采用本地变换器的输出电压、电流构造特征量,采用电压电流差分滑窗累积和,放大故障后的电压电流变化,从而实现极间和接地故障的检测。该方法需要分别对电流特征量SI和电压特征量SV设置阈值εSI和εSV,阈值选取需要单独讨论。此外,滑窗累积和的窗口长度和多步差分的间隔会影响检测的时间和算法的效果,也需要提前选取。算法的参数较多,需要大量先验知识分析。
[0008] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”中,基于模糊粒化区间理论,首先对故障电流变化明显的极间和正极接地故障,通过电流微分设置ε1检测,再通过区间边界和变换器输出估计电压的关系实现分类。对于故障电流不明显的负极接地故障,基于区间特征构造特征量区间极差IR,放大故障后的电压变化,降低负极接地检测阈值ε2选取难度。本发明所选用的阈值ε1只用于初步区分,而阈值ε2的选取只需要考虑线路末端发生高阻故障的情况,阈值选取难度较低,算法也不存在差分间隔等参数的影响。
[0009] 专利CN103178538A中,基于变换器输出侧电容的故障动态分析实现变换器输出电压估计,根据不同故障下,输出电压和实测电压的误差不同来设置故障分类阈值εv实现极间、正极接地、负极接地故障的分类。分类阈值的选取需要单独进行讨论。
[0010] 而本发明提出的故障分类方法充分利用了模糊粒化区间的特性,对于极间故障,输出电压估计值与实际值误差很小,估计值位于区间之内;对于正极接地故障,电压估计值会小于实际值,估计值将小于区间下界。本方法在实现极间/正极接地故障分类时无需设置分类阈值,也能够解决在故障电阻呈两倍关系时极间和正极接地故障特性相似的问题。
[0011] 与专利CN 113702767 B“基于小波滑窗能量孤岛直流微电网故障诊断方法”的对比;
[0012] 专利CN 113702767 B中针对的是并联型直流微电网,并联型拓扑的电源通过树状结构向负载供电。线路之间不存在耦合关系,因此分析相对简单,该发明对其他拓扑的适用性并未得到验证。
[0013] 而本发明所提的诊断方法,既适用于环形拓扑,也可用于并联型和网状拓扑,这在实施例3中得到验证。环形拓扑中的电源可以向任何方向供电,以确保故障情况下的稳定供电。环形拓扑可以简化为径向拓扑,也可以扩展为网格拓扑。然而,环形拓扑包含故障和任何节点之间的两条路径,相比并联型拓扑,故障分析和诊断的难度更大.
[0014] 专利CN 113702767 B中,采集了变换器网侧的输出电流用于诊断,其属于数据驱动的诊断方法。该方法通过小波滑窗能量方法对原始电流进行分解,提取故障特征,再训练支持向量机模型,并用于故障诊断。该方法需要通过仿真模拟,提前构造好训练数据集,训练数据的质量直接影响到算法的诊断效果,而在实际工程中,通常难以获取足量的训练数据集
[0015] 本发明提出的诊断方法属于机理分析的诊断方法,通过对不同故障特征的先验分析,基于原始的电压电流采样信号构造特征量并用于诊断,无需对模型进行训练,也不需要大量数据作为支撑,适用范围更广,实施成本更低。
[0016] 与专利CN111722054A“一种基于容性模糊识别的MMCHVDC输电线路单极接地故障分析方法”和专利CN111722055A“一种基于感性模糊识别的MMC直流输电线路单极接地故障识别方法”的对比。
[0017] 专利CN111722054A和CN111722055A针对的是直流输电线路,与本发明适用的直流微电网对象存在显著差异。相比直流输电线路,直流微电网中存在大量源‑荷‑储单元,系统随机不确定性强;直流微电网的低惯性,双向故障电流造成系统过流能力弱,保护快速性要求高;直流微电网线路长度较短,采样信息有限,通常只有局部信息;此外,直流微电网相关的保护和接地标准不成熟,存在许多保护问题有待解决。上述特点使得本文所提诊断方法具有意义。
[0018] 专利CN111722054A和CN111722055A虽然标题中有“模糊”一词,但其本质上是基于线路正负极采样的电压、电流和电压变化率、电流变化率相关系数的比值来诊断故障,上述专利中的模糊系数本质上是相关度的比值,是基于皮尔逊相关系数计算,与模糊理论,模糊集没有联系。
[0019] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”基于模糊集理论和模糊隶属度函数,通过构造电压电流采样信号的粒化区间,放大故障后的动态,并据此设计诊断特征量。与上述专利具有显著区别。
[0020] 专利CN111722054A和CN111722055A需要在线路上额外加装传感器,收集线路两端的正、负极电压和电流进行诊断,一定程度上增加了投资成本。
[0021] 而本文所提方法只需要获取变换器的网侧电压和正极电流即可完成诊断,所采用的信号也用于系统控制,和系统控制器共享输入,无需在线路上额外加装传感器,具有显著优势。
[0022] 与专利CN 114325213 A“一种直流输电系统故障检测方法”的对比。
[0023] 专利CN 114325213 A针对的是直流输电系统,与本发明适用的直流微电网对象存在显著差异。相比直流输电系统,直流微电网中存在大量源‑荷‑储单元,系统随机不确定性强;直流微电网的低惯性,双向故障电流造成系统过流能力弱,保护快速性要求高;直流微电网线路长度较短,采样信息有限,通常只有局部信息;此外,直流微电网相关的保护和接地标准不成熟,存在许多保护问题有待解决。上述特点使得本文所提诊断方法具有意义。
[0024] 专利CN 114325213 A虽然标题中有“模糊”一词,但其本质上是基于直流输电系统整流侧和逆变侧征集电力,负极电流和电压的相关度实现诊断。该专利中的模糊系数本质上是相关度的比值,是基于皮尔逊相关系数计算的,与模糊理论,模糊集没有联系。
[0025] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”基于模糊集理论和模糊隶属度函数,通过构造电压电流采样信号的粒化区间,放大故障后的动态,并据此设计诊断特征量。与上述专利具有显著区别。
[0026] 专利CN 114325213 A需要在线路上额外加装传感器,收集线路两端的正、负极电压和电流进行诊断,一定程度上增加了投资成本。
[0027] 而本文所提方法只需要获取变换器的网侧电压和正极电流即可完成诊断,所采用的信号也用于系统控制,和系统控制器共享输入,无需在线路上额外加装传感器,具有显著优势。
[0028] 与专利CN116068333A“基于模糊理论的多判据融合故障选线装置及选线方法”和专利CN116068333B“基于模糊理论的多判据融合故障选线装置及选线方法”的对比。
[0029] 专利CN111722054A和CN111722055A针对的是配电网,与本发明适用的直流微电网对象存在显著差异。相比传统交流配电网,直流微电网无自然过零点,无法沿用现有的交流保护技术;同时直流微电网缺少频率相位信息,可用的故障特征量更少;此外,故障电流变化快且持续时间短,诊断更加困难;上述特点使得本文所提诊断方法具有意义。
[0030] 专利CN111722054A和CN111722055A所提的方法是将模糊理论用于配电网过电压故障线路选取,是在根据过电压诊断出故障后,利用模糊理论多重判据来对基于高频模态能量的故障选线方法、基于5次谐波分量的故障选线方法和基于衰减直流分量的故障选线方法这三种基本选线方法的结果进行信息融合,选定故障线路,是属于检测出故障发生以后的后续工作,此外,该方法只考虑了单相接地故障
[0031] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”将模糊集理论和隶属度函数直接用于故障诊断,通过构造粒化区间,对极间故障和接地故障均能精确诊断,相比上述专利的过电压阈值方法可靠性更强。本文的故障线路确定采用的是相邻诊断单元协作的方法,只需要分布式非实时通信,可靠性更高。
[0032] 专利CN111722054A和CN111722055A所提的方法需要在线路上额外加装传感器,收集线路两端的母线零序电压和零序电流进行诊断,一定程度上增加了投资成本。
[0033] 而本文所提方法只需要获取变换器的网侧电压和正极电流即可完成诊断,所采用的信号也用于系统控制,和系统控制器共享输入,无需在线路上额外加装传感器,具有显著优势。
[0034] 与专利CN105911414A“一种基于模糊理论的配电网多判据融合故障选线方法”的对比。
[0035] 专利CN105911414A针对的是配电网,与本发明适用的直流微电网对象存在显著差异。相比传统交流配电网,直流微电网无自然过零点,无法沿用现有的交流保护技术;同时直流微电网缺少频率和相位信息,可用的故障特征量更少;此外,故障电流变化快且持续时间短,诊断更加困难;上述特点使得本文所提诊断方法具有意义。
[0036] 专利CN105911414A所提的方法是将模糊理论用于配电网过电压故障线路选取,是在根据过电压诊断出故障后,利用模糊理论多重判据将具有互补性的基于高频模态能量的故障选线方法、基于5次谐波分量的故障选线方法和基于衰减直流分量的故障选线方法进行智能融合,从而最终选定故障线路,是属于检测出故障发生以后的后续工作,此外,该方法只考虑了单相接地故障
[0037] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”将模糊集理论和隶属度函数直接用于故障诊断,通过构造粒化区间,对极间故障和接地故障均能精确诊断,相比上述专利的过电压阈值方法可靠性更强。本文的故障线路确定采用的是相邻诊断单元协作的方法,只需要分布式非实时通信,可靠性更高。
[0038] 专利CN105911414A所提的方法需要在线路上额外加装传感器,收集线路两端的母线零序电压和零序电流进行诊断,一定程度上增加了投资成本。
[0039] 而本文所提方法只需要获取变换器的网侧电压和正极电流即可完成诊断,所采用的信号也用于系统控制,和系统控制器共享输入,无需在线路上额外加装传感器,具有显著优势。
[0040] 与专利CN102305910A“基于模糊神经网络的大规模直流模拟电路区间诊断方法”的对比。
[0041] 专利CN102305910A针对的是大规模直流模拟电路,属于集成电路领域,主要用于模拟和测试电力系统的运行情况,规模较大,通过电力系统模拟软件进行计算和仿真,其主要故障包括电路的软故障和硬故障。
[0042] 而本发明针对的直流微电网是实际运行的小规模独立电力系统,属于电力系统领域,由可再生能源发电设施和储能系统组成,用于特定地区或建筑物的电力供应。其主要故障包括线路的极间故障和接地故障。
[0043] 二者在目的、规模、运行方式、连接方式和应用领域等方面存在明显的区别。
[0044] 专利CN102305910A虽然也出现了“区间”一词,但其是根据元件的容差范围,将电压区间[0,+∞]拆分成多个子区间,用于描述软故障的故障状态,并作为模糊神经网络输入。
[0045] 而本发明的区间是基于模糊隶属度函数构造电压波动范围的上下界区间,并将区间用于故障分类和检测特征量区间极差的设计,电压的区间始终在工作电压400V附近,是根据数据实施构造的波动区间,具有更强的实时性和精确性。
[0046] 专利CN102305910A虽然也出现了“模糊”一词,但其是利用模糊神经网络来将上面获得的实测电压区间对应的隶属度作为输入,0/1二值输出用于指示故障情况,是数据驱动方法。
[0047] 本发明提出的“基于模糊粒化区间的环形直流微电网故障诊断方法”将模糊集理论和隶属度函数直接用于故障诊断,通过构造粒化区间,属于机理分析的诊断方法,通过对不同故障特征的先验分析,基于原始的电压电流采样信号构造特征量并用于诊断,无需对模型进行训练,也不需要大量数据作为支撑,适用范围更广,实施成本更低。

发明内容

[0048] 为解决上述技术问题,本发明提出了基于模糊粒化区间的环形直流微电网线路故障诊断方法,旨在了在传感器较少的情况下,利用直流变换器的输出电压和正极电流采样信息进行诊断。主要解决少传感器诊断情况下的两大难题:未知故障电阻下的极间/正极接地故障分类和不明显正极电流特性下的负极接地故障检测。
[0049] 为实现上述目的,本发明采取的技术方案是:
[0050] 基于模糊粒化区间的环形直流微电网线路故障诊断方法,包括如下步骤:
[0051] 步骤1)确定模糊粒化区间和区间极差;
[0052] 模糊粒化的目的是提取数据中的异常波动性,并以区间的形式对其进行量化,通过模糊集理论对模型输入进行粒化,建立基于粒化的输入输出映射,有效地捕捉故障后电压波动,并将其反映在宽度、边界等区间质量指标中;
[0053] 步骤2)基于区间特征的故障诊断;
[0054] 利用粒化区间本身特性和电容器放电过程的特点实现极间/正极接地故障分类,使其不受未知故障电阻引起的电压/电流相似性的影响;基于区间宽度设计一种故障特征量宽度极差,用于放大后故障后电压变化,检测电流特征不明显的负极接地故障;
[0055] 步骤3)故障线路识别;
[0056] 使用上述策略,诊断连接到每个保护单元的两条线路中发生的故障类型,提出相邻源协作方法,根据本地保护单元和其相邻保护单元的诊断结果进一步识别故障线路。
[0057] 2.根据权利要求1所述的基于模糊粒化区间的环形直流微电网线路故障诊断方法,其特征在于:步骤1)具体步骤如下;
[0058] 模糊造粒过程分为三个步骤:
[0059] 首先,将采样序列划分为多个子序列,称为操作窗口,操作窗口n包含采样电压Un及其先前的w‑1数据,为了捕捉电压波动,对每个操作窗口进行排序,并进一步划分为两个子序列,表示为:
[0060]
[0061] 其中当w为偶数时b=1,当w为奇数时b=2,[w/2]表示不大于w/2的最大整数;
[0062] 然后对于每个操作窗口,通过模糊隶属度函数构造粒化区间,选择适当的隶属函数能够显著提高构建的粒化区间的质量,采用了三形隶属函数,区间上界和区间下界的定义如下:
[0063]
[0064] 最后重复步骤2),直到所有操作窗口都完成粒化操作;
[0065] 颗粒化后,将原始电压信号转换为包含重要特征的各种粒化区间,用于故障诊断,某一粒化窗口的粒化区间表示为:
[0066]
[0067] 其中Gupn,Glown是构造区间的下界和上界,区间宽度衡量了数据的波动范围,IWn定义为:
[0068]
[0069] 更宽的区间宽度反映故障线路附近变换器的输出电压的更快下降,基于这一特性,一种新的故障诊断指标区间极差IRn定义为:
[0070] IRn=maxGupn‑minGlown    (5)
[0071] 区间极差表示最大区间上界和最小区间下界之间的差值,利用模糊粒化区间的特性,准确地检测和量化由极间/正极接地和负极接地故障引起的异常电压波动。
[0072] 作为本发明进一步改进,步骤2)具体步骤如下;
[0073] 考虑到采样电流是离散的,采用后向差分来近似电流的一阶导数,并用于检测故障电流变化明显的极间/正极接地故障,Δt是采样步长,Δin是第n个和第n‑1个电流样本之间的差值;
[0074]
[0075] 一旦确定了采样频率,Δt就变为常数,在这种情况下,使用Δin来估计电流的一阶导数,极间&正极接地故障的检测策略定义如下:
[0076]
[0077] 其中t是时间点,ε1是检测阈值;
[0078] 为了避免故障的错误分类,提出了基于区间特征的故障分类方法,考虑电路中电容器放电过程,导出以下关系:
[0079] iin(t)≈iin(t0‑)≈io(t0‑)   (8)
[0080] 其中iin(t)和iin(t0_)是故障前和故障后输入侧馈电电流,io(t0_)是故障前输出侧馈电电流,根据基尔霍夫电流定律,电容器放电电流表示如下:
[0081] iC(t)=io(t)‑iin(t)≈io(t)‑io(t0‑)   (9)
[0082] 考虑到电容器放电引起的电压降,通过io(t)和初始输出电压Uo(t0)来计算估计的输出电压:
[0083]
[0084] 其中Uo(t0)是电容器两端的初始电压,考虑离散采样,(6)式改写成:
[0085]
[0086] 其中N是故障后样本的数量,Ts是采样周期,当极间故障发生时,预计估计电压将接近测量电压Uo,并将落在构建的粒化区间内,然而,当正极接地故障发生时放电电容的大小将加倍, 下降速度将快于Uo.,因此,估计的电压将位于粒化区间范围之外并且低于下限,基于以上分析,极间和正极接地故障的分类策略设计为:
[0087]
[0088] 当极间&正极接地故障发生时,只有与故障线路相邻的两个单元的电流会迅速上升并超过ε1,对这两个单元进行电压估计,此外,由于上限和下限的计算是实时的,因此本分类方法无需设置阈值;
[0089] 如果在窗口Wn中不满足式(7),则它可能对应于负极接地或非故障情况,由于负极接地故障发生后电流几乎没有变化,因此仅使用电流样本很难准确区分负极接地故障和非故障状态,对于负极接地故障,与故障线路相邻的单元的电压下降得更快,因此,负极接地故障检测方法使用故障后电压的异常波动进行模糊粒化区间来检测;
[0090] 对于每个电压采样数据窗口Wn,计算间隔范围IRn,并将其与预定义阈值ε2进行比较,以检测负极接地故障:
[0091]
[0092] 作为本发明进一步改进,步骤3)具体步骤如下;
[0093] 对于确定故障线路Fi,所提出方法的原理如式(15)所示,并且:
[0094]
[0095] 其中i,j=1,2…6,|i‑j|=1.D={极间,正极接地,负极接地},Ti和Tj是跳闸信号,当线路一端的保护单元检测到故障时,将相应的诊断结果发送给相邻单元,如果从相邻单元那里收到相同的诊断结果,表明这两个变换器相连的线路发生故障,使用相关的固态断路器来确定和隔离故障线路,由于只有故障类型而不是特定值被发送到相邻单元以做出判断,因此在该过程中只需要分散的低带宽通信;
[0096] 因此,负载切换和光伏间歇性同样会导致非故障性的瞬态变化,当负载发生较大的波动时时,只有与负载相邻的保护单元会识别出这种变化,由于相邻源单元得到不同的诊断结果,因此并不会发出跳闸命令;
[0097] 总诊断时间Td计算为:
[0098] Td=Top+Tcd+TSSCB    (15)
[0099] 其中Top是诊断算法执行时间,Tcd是通信延迟时间,考虑到故障距离的变化,更靠近故障点的保护单元将首先触发检测,因此Top取两个保护单元检测时间中的较大值。
[0100] 作为本发明进一步改进,所述通信延迟Tcd根据IEC 61850标准来确定,Tcd由四个因素决定:
[0101] 处理延迟、传播延迟、排队延迟和传输延迟。
[0102] 作为本发明进一步改进,检测阈值ε1的选择,具体选取如下:
[0103] 在所提出的方法中,阈值ε1用于基于电流特性检测极间/正极接地故障,而ε2用于基于电压特性检测负极接地故障,通过改变故障位置p和故障电阻Rf.,分别模拟极间、正极接地和负极接地故障,为了确定阈值,使用故障后2ms内的相应电流一阶导数和IR峰值来计算以下特征值;
[0104]
[0105] 对于所有场景,分析极端情况下的特征值以设置诊断阈值。
[0106] 与现有技术相比,本发明的有益效果为:
[0107] 本发明提出了基于模糊粒化区间的环形直流微电网线路故障诊断方法,基于粒化区间上下界和输出电压估计的极间/正极接地故障分类策略,利用粒化区间本身特性和电容器放电过程的特点实现极间/正极接地故障分类,使其不受未知故障电阻引起的电压/电流相似性的影响,它可以在不设置阈值的情况下,在不到0.5ms的时间内准确区分极间/正极接地故障。提出一种新的负极接地故障检测指标区间极差,放大故障后电压的异常波动,并在1.5ms内检测出负极接地故障。在获得各个变换器端的诊断结果后,可以使用邻居协作机制来识别故障线路。所发明诊断方法在故障位置和故障电阻变化时均具有良好的性能,能够准确诊断不同类型的线路故障,对不同网络拓扑具有适应性。附图说明
[0108] 图1为本发明的流程图
[0109] 图2为本发明的直流微电网结构示意图;
[0110] 图3为本发明的故障下相邻线路之间影响的简化模型;
[0111] 图4为本发明的极间故障/正极接地故障电流示意图;
[0112] 图5为本发明的极间故障/正极接地故障检测结果示意图;
[0113] 图6为本发明的负极接地故障检测结果示意图;
[0114] 图7为本发明的径向型直流微电网和网格线直流微电网示意图;
[0115] 图8为本发明的不同拓扑结构下正/负极接地故障检测诊断结果示意图。

具体实施方式

[0116] 下面结合附图与具体实施方式对本发明作进一步详细描述:
[0117] 为实现上述目的,本发明采取的技术方案是:
[0118] 一种于模糊粒化区间的环形直流微电网故障诊断方法,包括以下步骤,如附图1所示:
[0119] 步骤1)确定模糊粒化区间和区间极差
[0120] 模糊粒化的目的是提取数据中的异常波动性,并以区间的形式对其进行量化。通过模糊集理论对模型输入进行粒化,可以建立基于粒化的输入输出映射,有效地捕捉故障后电压波动,并将其反映在宽度、边界等区间质量指标中。模糊造粒过程可分为三个主要步骤:
[0121] 首先,将采样序列划分为多个子序列,称为操作窗口。操作窗口n包含采样电压Un及其先前的w‑1数据。为了捕捉电压波动,对每个操作窗口进行排序,并进一步划分为两个子序列,可以表示为:
[0122]
[0123] 其中当w为偶数时b=1,当w为奇数时b=2,[w/2]表示不大于w/2的最大整数。在本发明中,w的值被选择为5。
[0124] 然后对于每个操作窗口,通过模糊隶属度函数构造粒化区间。选择适当的隶属函数显著提高了构建的粒化区间的质量。在本文中,本发明采用了三角形隶属函数,因为它已经被证明可以更好地捕捉波动的数据趋势。区间上界和区间下界的定义如下:
[0125]
[0126] 最后重复步骤2),直到所有操作窗口都完成粒化操作。
[0127] 颗粒化后,将原始电压信号转换为包含重要特征的各种粒化区间,用于故障诊断。某一粒化窗口的粒化区间可以表示为:
[0128]
[0129] 其中Gupn,Glown是构造区间的下界和上界。区间宽度衡量了数据的波动范围,IWn定义为:
[0130]
[0131] 更宽的区间宽度可以反映故障线路附近变换器的输出电压的更快下降。基于这一特性,一种新的故障诊断指标区间极差IRn可以定义为:
[0132] IRn=maxGupn‑minGlown   (5)
[0133] 区间极差表示最大区间上界和最小区间下界之间的差值。利用模糊粒化区间的特性,可以准确地检测和量化由极间/正极接地和负极接地故障引起的异常电压波动。
[0134] 步骤2).基于区间特征的故障诊断
[0135] 考虑到采样电流是离散的,采用后向差分来近似电流的一阶导数,并用于检测故障电流变化明显的极间/正极接地故障。Δt是采样步长,Δin是第n个和第(n‑1)个电流样本之间的差值。
[0136]
[0137] 一旦确定了采样频率,Δt就变为常数。在这种情况下,可以使用Δin来估计电流的一阶导数。极间&正极接地故障的检测策略可以定义如下:
[0138]
[0139] 其中t是时间点,ε1是检测阈值。
[0140] 为了避免故障的错误分类,提出了一种基于区间特征的故障分类方法。考虑电路中电容器放电过程。可以导出以下关系:
[0141] iin(t)≈iin(t0‑)≈io(t0‑)   (8)其中iin(t)和iin(t0_)是故障前和故障后输入侧馈电电流,io(t0_)是故障前输出侧馈电电流。根据基尔霍夫电流定律,电容器放电电流可以表示如下:
[0142] iC(t)=io(t)‑iin(t)≈io(t)‑io(t0‑)    (9)
[0143] 考虑到电容器放电引起的电压降,可以通过io(t)和初始输出电压Uo(t0)来计算估计的输出电压:
[0144]
[0145] 其中Uo(t0)是电容器两端的初始电压。考虑离散采样(6)可以写成:
[0146]
[0147] 其中N是故障后样本的数量,Ts是采样周期。当极间故障发生时,预计估计电压将接近测量电压Uo,并将落在构建的粒化区间内。然而,当正极接地故障发生时放电电容的大小将加倍, 下降速度将快于Uo.。因此,估计的电压将位于粒化区间范围之外并且低于下限。基于以上分析,极间和正极接地故障的分类策略可以设计为:
[0148]
[0149] 当极间&正极接地故障发生时,只有与故障线路相邻的两个单元的电流会迅速上升并超过ε1,对这两个单元进行电压估计。此外,由于上限和下限的计算是实时的,因此本分类方法无需设置阈值。
[0150] 如果在窗口Wn中不满足式(7),则它可能对应于负极接地或非故障情况。由于负极接地故障发生后电流几乎没有变化,因此仅使用电流样本很难准确区分负极接地故障和非故障状态。对于负极接地故障,与故障线路相邻的单元的电压下降得更快。因此,负极接地故障检测方法使用故障后电压的异常波动进行模糊粒化区间来检测。
[0151] 对于每个电压采样数据窗口Wn,计算间隔范围IRn,并将其与预定义阈值ε2进行比较,以检测负极接地故障:
[0152]
[0153] 步骤3).故障线路识别
[0154] 使用上述策略,可以诊断连接到每个单元的两条线路中发生的故障类型。发明进而提出了一种相邻源协作方法进一步识别故障线路。对于确定故障线路Fi,所提出方法的原理如式(15)所示,并且:
[0155]
[0156] 其中i,j=1,2…6,|i‑j|=1.D={极间,正极接地,负极接地},Ti和Tj是跳闸信号。当线路一端的保护单元检测到故障时,它将相应的诊断结果发送给相邻单元。如果从相邻单元那里收到相同的诊断结果,表明这两个变换器相连的线路发生故障,可以使用相关的固态断路器来确定和隔离故障线路。由于只有故障类型而不是特定值被发送到相邻单元以做出判断,因此在该过程中只需要分散的低带宽通信。
[0157] 所提出的方法也表现出对故障的高灵敏度。本发明所研究的直流微电网包括光伏、电池和负载。因此,负载切换和光伏间歇性同样会导致非故障性的瞬态变化。当负载发生较大的波动时时,只有与负载相邻的保护单元会识别出这种变化。由于相邻源单元得到不同的诊断结果,因此并不会发出跳闸命令。
[0158] 总诊断时间Td可以计算为:
[0159] Td=Top+Tcd+TSSCB    (15)
[0160] 其中Top是诊断算法执行时间。考虑到故障距离的变化,更靠近故障点的保护单元将首先触发检测,因此Top取两个保护单元检测时间中的较大值。通信延迟Tcd可以根据IEC61850标准来确定。Tcd主要由四个因素决定:处理延迟、传播延迟、排队延迟和传输延迟。本文中的处理延迟很小,因为它受到传输数据大小和通信信道带宽的影响。在直流微电网中,两个终端之间的距离很小,导致较小的传播延迟。对于先进的通信系统来说,传输和排队延迟可以忽略不计。通信延迟通常在400至600μs的范围内。因此,通信延迟可以被认为是
450μs。断路器操作时间TSSCB通常被认为是50μs。基于上述分析,总通信时延Tcd被认为是500μs。
[0161] 进一步进行阈值选择,具体选取如下:
[0162] 在所提出的方法中,阈值ε1用于基于电流特性检测极间/正极接地故障,而ε2用于基于电压特性检测负极接地故障。由于仅有本地测量单元,因此难以使用分析方法准确计算阈值。实际上阈值的值是根据不同故障场景下的重复测试来确定的。通过改变故障位置p和故障电阻Rf.,在附图2的F5处分别模拟极间、正极接地和负极接地故障。为了确定阈值,使用故障后2ms内的相应电流一阶导数和IR峰值来计算以下特征值。
[0163]
[0164] 对于所有场景,分析极端情况下的特征值以设置诊断阈值。当高阻接地故障(Rf=10Ω)发生在线路的远端(p=0.95p.u)时,极间和正极接地故障的最小FV1和FV2分别为
9.0408和4.6791。当Rf=0.01Ω时,负极接地故障的最大FV3=2.1094在近端(p=0.05p.u)获得。即使故障电阻很低,在高阻接地故障下,负极接地的电流一阶导数也远小于极间和正极接地。为了检测极间/正极接地故障并将其与负极接地故障区分开来,ε1应在[2.1094,
4.6791]的范围内。另一方面,故障后电压降和区间极差将随着故障电阻和距离的增加而减小,当p=0.95p.u和Rf=10Ω时,最小FV4为1.2187。因此,为了检测负极接地故障,ε2应小于
1.2187。
[0165] 在工业应用中,在选择阈值时还应考虑测量误差和噪声等因素。根据IEC 61869‑3标准,电压和电流的测量误差应小于3%。此外,测量设备通常设计为信噪比(SNR)约为80dB。因此,在确定阈值时,还考虑了采样信号中的测量误差和噪声。考虑到上述因素,选择ε1和ε2的值分别为4和1。
[0166] 图2所示直流微电网为一环形双极型直流微电网,其电压等级为400V(±200V),包含有1个光伏发电单元、3个储能单元和2个直流负载单元,各分布式电源和负载通过DC/DC变换器与母线连接。以评估所提出的故障诊断方法在灵敏度、选择性、速度和可靠性方面的性能。传感器安装在每个变换器的输出侧,采样频率fs=20kHz。
[0167] 实施例1:
[0168] 本实施例对极间/正极接地故障检测与分类进行说明,当极间或正极接地故障发生时,应首先根据阈值ε1将其与负极接地故障和非故障瞬态区分开来。为了验证所提出方法的分类能力,在t=0.5s时,在线路61(F6)的中间模拟了两个典型的故障电阻和 不同单元的测量电流和相应的一阶导数如图4所示。故障线的两个相邻单元的信号用虚线标记。尽管故障线路不同,但故障电流特征与第二节的分析一致。极间和正极接地故障的电流一阶段导数将在0.5001s内超过ε1。
[0169] 时,两类故障的相似性也可以在图4中观察到。仅通过设置阈值很难区分这两种故障。为了解决这个问题,采用了式(12)中提出的分类策略。在检测到极间/正极接地故障之后,启动分类算法。只需要估计两个相邻单元的电压,因为只有它们的电流快速上升并超过ε1。单元6(负载2)和单元1(光伏)的估计电压、测量电压和电压区间如图5所示。
[0170] 对于正极接地故障,第二个电压估计值会位于粒化区间之外,故障分类在0.50015s内完成。此外,由于极间故障的电压估计值在电容器放电结束前总是在粒化区间之内,为了确保算法速度,会将粒化窗口(五个样本)内的计算结果作为分类基础。考虑到总时延Ttd=500μs,极间和正极接地故障的诊断时间分别约为0.80ms和0.65ms。极间故障总的来说可以在0.50030s确定分类。
[0171] 实施例2:
[0172] 本实施例对负极接地故障检测与分类进行说明,在t=0.5s时,在线路12(F1)的中间模拟了一个负极接地故障,Rf=10Ω。不同单元的测量电流和相应的一阶导数如图6(a)‑(b)所示。与极间和正极接地故障相比,负极接地的电流一阶导要小得多。即使故障电阻较低,也不会超过ε1,因此分类算法不会误触发。负极接地故障发生时,故障电流没有这样显著的特性,这使得检测变得困难。然而,所提出的模糊粒化方法可以通过连续计算所有单元的区间极差来放大故障后电压暂降,并提高负极接地故障检测的准确性。
[0173] 为了进一步验证所提出的方法在不同线路上发生故障时的性能,还模拟了发生在F6且Rf=10Ω的负极接地故障。负极接地故障发生时,不同变换器的电压区间极差特征量如图6(c)‑(d)所示。尽管故障线路不同,但相邻单元区间极差比其他变换器上升得更快。对于故障F1和F6,相邻单元的区间极差超过阈值ε2的最大时间分别约为0.50070和0.50065s。考虑到500μs的总时延,负极接地故障的诊断时间约为1.20和1.15ms。
[0174] 实施例3:
[0175] 为了证明所提出的方法对不同网络拓扑的可行性和适应性,考虑了图7所示的径向网络和网状网络。在图7(a)中,由于维护或停机,线路23从系统中移除。在t=0.5s时,在线路23(F2)的中间模拟Rf=10Ω的负极接地故障。诊断结果如图8(a)‑(b)所示。与故障线相邻的两个变换器都可以在0.50015s对正极接地故障进行分类。考虑到Ttd=500μs,诊断时间为0.65ms。
[0176] 此外,增加了两条新线路13号线(1.5公里)和26号线(1.2公里),以形成图7(b)中的网状网络。在t=0.5s时,在13号线(F7)和26号线(F8)中间模拟Rf=10Ω的负极接地故障。如8(c)‑(d)所示。尽管栅极结构不同,但相邻单元的区间极差比其他变换器上升得更快。对于故障F7和F8,负极接地故障检测的最长时间分别约为0.50070s和0.50065s。当Ttd=500μs时,负极接地故障的诊断时间约为1.20和1.15ms。上述结果表明,该方法可应用于各种网络拓扑的直流微电网。
[0177] 以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
QQ群二维码
意见反馈