基于LoRa无线技术的配电网故障自动化识别方法

陈 芳

（广东电网有限责任公司梅州供电局，广东 梅州 514021）

0 引 言

目前，对于配电网电气设备的自动化识别主要通过分层识别的方式实现。通过建立分层定位等效模型，对线路的零序电流进行运算，从而实现对故障的自动化识别[1]。该方法可以将较为复杂的配电网设备故障转换为小模块的简单故障识别，从而有效降低了识别的技术难度，可以提高配电网设备故障识别的整体效率，但是该方法也存在一些不完备性。首先，由于不同故障类型之间的故障信号波形差异较大，因此在对故障波形进行分层时，缺乏统一的分层标准，导致不同分层情况下最终得到的故障识别效果差异较大。同时，采用传统方法对故障信号特征值进行计算时，由于计算过程较为简单，容易出现具备最优的问题，导致识别结果不具有代表性，从而对故障识别精度产生不利影响。对此，需提出新型的配电网设备故障自动化识别方法，旨在提高识别准确度，建立出对应的故障类型判定方法，为配电网电气设备的有效运行提供帮助[2]。

1 配电网故障自动化识别方法

1.1 配电网故障特征提取

配电网设备在发生故障后的1～2个周期内发出稳态信号。通过对这些信号进行提取，获得信号稳态信息以及衰减分量，可提取出故障特征，从而为故障自动化识别提供帮助，具体提取步骤如下文所述。

首先采用希尔伯特-黄转换（Hilbert-Huang Transform，HHT）滤波算法对故障特征波形进行变换，得到故障波形特征时域图谱。为了便于说明，假设配电网设备故障信号的波形经HHT变换后分解为多个子区域，每个区域下的波形数为n，则子区域中心点为aij[3]。据此，可构建出配电网设备故障波形的时频矩阵，具体表达式为

对上述时域矩阵进行提取，得到对应的故障波形奇异值，为减少提取特征向量中的冗余项，对提取出的奇异值进行如下处理

式中：λi代表提取到的故障波形奇异值元素；r代表元素总数；k代表奇异值贡献率；s代表主要奇异值个数。将提取的奇异值组成向量矩阵，设为X[4]。该向量矩阵包括3个分块矩阵X1k，分别表示配电网设备的电压、电流以及零序电压值。为保证提取的奇异值均在规定变化范围内，需对其进行归一化处理，具体处理公式为

式中：xij代表分块矩阵X1k中的元素；代表归一化处理后的元素；max(X1k)和min(X1k)分别代表分块矩阵中的最大元素以及最小元素。通过上述步骤对特征矩阵进行归一化处理，完成对配电网设备故障特征的提取。

1.2 基于LoRa无线技术的配电网故障区段定位

为对配电网进行故障自动化识别，需要判定出故障节点的具体区间，从而缩小故障范围。对此，采用卷积神经网络技术实现对故障区段的定位，并将定位结果通过LoRa无线技术传输到数据采集器中，完成故障信息的输送。本文选用的控制器为AK165-M型LoRa无线控制模块[5]。LoRa无线协调器的常见结构如图1所示。

图1 LoRa无线协调器结构

采用卷积神经网络对故障区间进行定位的具体步骤如下文所述。

（1）在卷积层进行线性滤波计算，实现对故障分段区间的连接。将配电网设备的二维图像进行扫描，并输入进卷积层中，二维图像中的所有像素都重新进行排序与计算，具体计算公式为

式中：(i，j)代表配电网设备图像中心像素的具体坐标；h代表配电网设备图像的整体高度；w代表图像宽度；f代表设备原始二维图像；g代表转化后的设备新图像；H代表卷积核。

（2）在对配电网电气设备二维图像的边缘进行卷积运算时，为提高图像特征的完整度，对边缘部分填充随机像素。

（3）电气设备的二维图像在经历卷积层的运算后，传送到池化层[6]。池化层对设备的像素数据进行2次处理，主要通过减小图像像素的空间尺寸，从而提高模型的泛化能力，对数据进行提纯处理，最终将设备图像数据传输到全连接层。

（4）全连接层将二维图像数据转换为分值向量，并通过设定模型的学习率、更新率等具体参数进行训练。

综合上述步骤，提出的配电网故障区段定位流程如图2所示。

图2 配电网设备故障区段定位流程

配电网设备故障区段定位流程为：首先通过故障波形确定配电网设备故障区段的某些可能存在故障的线路，获取故障特征信息；其次将设备故障特征信息输入卷积神经网络训练模型中进行训练。为判定训练结果是否可靠，需采用评价指标对训练结果进行评价。将测试集标签进行初始化，统一标记为0。当配电网设备出现故障时，获取输出线路序列，根据序列变化对配电网设备故障进行定位。若采集到的设备特征图像满足预设条件，则说明该故障位于检测前端，反之则说明该故障点在检测后端。采用该方法先对主干线路进行排查，待排查出主干故障线路后，再对不同支路的线路进行故障排查，最终确定故障的具体区间。

1.3 配电网故障类型判定

在对配电网设备故障区间进行判定后，得到对应的故障相，然后进行故障类型的判定。对此，首先需要判定该故障属于单相故障还是三相故障。对故障区间两端节点的电流幅值进行测量，判定该零序电流值与电流阈值之间的关系，从而判定故障类型。具体故障类型判定公式为

式中：Ik和Ik+1分别代表故障区间两端的零序电流值；Ith代表实际电流阈值。当故障区间两端的零序电流值满足第1个表达式时，说明此刻的故障类型为接地短路故障；当电流值满足第2个表达式时，表明冲击负荷发生变化，零序电流值大于实际电流阈值，说明此刻的故障类型为断交直流混淆故障；当电流值满足第3个表达式时，系统有功功率不平衡，零序电流值小于实际电流阈值，说明此刻的故障类型为频率偏差故障；当电流值满足第4个表达式时，电缆和设备长期过负荷运行，促使绝缘老化，使得两端零序电流值小于实际电流阈值，说明此刻的故障类型为相间短路故障。对上述表达式进行整理，即可得到

式中：Imax代表电流等效区域内的最大电流幅值；η代表安全系数[7]。

通过上述步骤即可判定出配电网设备的故障类型，结合上述故障波值特征提取以及故障区段定位相关的内容，基于LoRa无线技术的配电网故障自动化识别方法设计完成。

2 实验验证

为证明提出的基于LoRa无线技术的配电网故障自动化识别方法在故障识别效果上优于传统的配电网故障自动化识别方法，在完成理论部分设计后进行实验验证，对该故障识别方法的实际识别情况进行验证与分析。

2.1 实验准备

本次实验的实验对象为某配电网的5种电气设备，分别为变压器、直流屏、高压电缆、母线桥以及高低压柜。从配电网中心数据库中调取5种电气设备的历史数据，采用PSCAD软件对设备进行仿真搭建。为提高实验结果的准确性，从历史数据中选取了5种不同的历史故障类型进行仿真模拟，分别为断线故障、短路故障、接地故障、交直流混淆故障、频率偏差故障。采用仿真软件对故障波形进行提取，为保证故障信号的完整性，每个故障波形均包括故障前期以及故障中期的信号波形。为使实验结果更有对比性，本次实验选取了2种传统的配电网设备故障自动化识别方法作为实验对照组，分别是基于数据驱动的配电网故障识别方法以及基于CWN技术的配电网故障识别方法。

在本次实验搭建的仿真实验对象中，电气设备全部连接同一110 kV/10 kV变压器进行供电，配电网线路阻抗为0.5Ω。模拟配电网设备线路的零序电流值为5.42 mA。采用3种故障识别方法对上述搭建的5种不同的故障类型进行识别，对比识别结果与实际情况之间的差距。

2.2 实验结果

本文选取的评价指标为模型的准确率，该值描述的是模型训练情况与验证情况之间的拟合程度，可对模型的训练结果进行有效判定。通过对比不同方法下的识别定位曲线与实际故障定位曲线之间的拟合程度，判定方法的有效性。实验将进化代数分别设置为10次、20次、30次、40次以及50次，对比不同进化代数下定位结果的亲和度。具体定位结果如图3所示。

图3 故障识别结果对比

根据上述实验结果可以看出，不同配电网故障自动化识别方法在不同进化代数下对应的亲和度函数值也有所不同。通过对比实际故障定位区间与不同定位结果之间的拟合程度可以看出，传统的配电网故障识别方法对故障类型识别的准确率较低，且对于故障的搜索维度较低。而本文提出的基于LoRa无线技术的配电网故障自动化识别方法得到的故障区间定位结果明显更接近实际的故障区间定位情况。由此可说明本文提出的方法能够有效克服故障类型的复杂情况，实现对不同故障类型的精准识别。

3 结 论

本文所提出的基于LoRa无线技术的配电网故障自动化识别方法通过采用LoRa无线技术实现了故障信息的有效传递。通过对故障区间进行定位，并结合构建故障类型的判定方法，实现了对配电网设备故障的自动化识别。可克服配电网电压频率不稳定的问题，具备良好的鲁棒性。在今后的研究工作中，还需对配电网设备中的冗余信息进行处理，从冗余信息中提取有利于实现故障识别的数据，从而提高故障识别效果，为配电网电气设备的平稳运行提供良好保障。