浙江工业大学文献综述模板

文 献 综 述 文 献 综 述 姓 名： 学 号： 指导教师： 工程学士论文：配网自动化的故障隔离问题的研究 文 献 综 述 摘 要：配网自动化是缩短停电时间、减少停电面积从而提高供电可靠性的重要手段，如何在配网发生故障时，通过FTU上报的信息，同时结合配网的拓扑结构，采用有效算法精确的进行故障区间定位，迅速隔离故障区间、恢复非故障区间的供电是配网自动化的一个重要，也是实现配网自动化的关键技术。本文通过参阅相关文献，对当前配网故障定位方法做出了分类，并概括的分析了它们各自的优缺点。 关键词：配网故障定位；矩阵算法；过热弧；遗传算法；专家系统；模糊理论；神经网络 1 引言 国家电力公司明确提出了供电可靠性要达到99.96%的目标。配网自动化是实现这一目标的重要保证。当故障发生后，及时准确地确定故障区间，对配网故障进行准确定位，迅速隔离故障区间和恢复非故障区域供电，减少停电面积，以提高供电可靠性的馈线自动化是配网自动化最重要的内容之一​。 在户外分段开关、环网开关处安装柱上或柜内FTU，并建立有效、可靠的通信网络将其和配网控制中心的SCADA计算机系统连接起来。当配网发生故障后，各相关的FTU将相应的分段开关及联络开关处的实时信息，通过数据通信上传到控制中心，由故障定位软件进行故障定位，从而构成一种高性能的配网自动化系统，这是目前馈线自动化的发展方向。如何根据FTU采集到的实时信息结合配网的拓扑结构，建立一种高效、准确地故障定位算法，是解决这一问题的关键所在[6、9]。 2 配网的拓扑结构 根据配网自动化规则设计要求，我国配网采用辐射型网络和正常运行时处于开环的环网结构。当电网出现故障时，其故障必然位于两个开关点之间，因此在馈线自动化保护中，可以只考虑开关的控制问题。如果忽略电网其它元件，通常来说，可以将配网从结构上简化为以开关为节点的网络，可以分为无分支的辐射型网络，有分支的辐射型网络和环网。 3 当前配网故障定位方法 3.1 基于故障信息阵的定位算法 这种算法的基本原理是首先依据配网的结构构造一个网络描述矩阵。根据馈线的最大负荷，对各台FTU进行整定。当馈线发生故障时，有故障电流流过的分段开关上的FTU将检测到高于其整定值的过电流，此时该FTU就将这个故障电流的最大值及其出现的时刻下来并上报给配网控制中心的SCADA系统，SCADA系统对这些信息进行处理获得一个故障判断矩阵，根据故障判定矩阵就可准确地判断和隔离故障区段。 对于单电源树形配网或开环运行环形配网的故障定位，可将馈线上的断路器、分段开关和联络开关当作节点并进行编号，构造网络描述矩阵和生成故障信息矩阵，通过运算和规范格化处理得到故障判断矩阵[2]。对于多电源闭环运行的配网故障定位，可在生成故障信息矩阵时，考虑故障电流的方向性，可将配网的多电源故障定位转化为单一电源的故障定位问题，只要对每一电源都假定一次正方向，且在每一正方向下用改进后的矩阵算法求一次故障设备，就能找到所有的故障设备，从而可以解决环网闭环运行模式的多点故障定位问题[1]。文献[3、16]提出了一种改进的故障信息阵算法，它无需进行矩阵相乘以及规格化运算，使得判定原理简单、直观，同时容易满足实时性的要求，具有一定的通用性。 根据单电源配网在拓扑结构上可以看作是一种树的特点，还可以引入数据结构中的树和有向图的相关知识，将馈线作为树或有向图来描述，构造基于开关和双亲表示法的馈线有向描述模型[4]。当系统节点数较多时，可采用分线存储技术，将网络描述矩阵按线路为单位进行存储，并单独考虑联络开关的联接关系[5、22]。但是这些算法生成判定信息阵则显得相对复杂，而且在处理多重故障定位时具有一定的局限性，作为一种新的方法还有待于进一步改进。 由于基于信息矩阵的算法完全根据FTU上报的信息进行故障定位，所以在信息误传或保护拒动等情况时，将会影响定位结果，容错性差。 3.2 过热弧搜索故障区段算法 应用这种算法对配网进行故障定位首先要对网络作简化处理。将线路上的电源点、馈线沿线、开关和T节点看作是节点，节点的权是流过节点的负荷。将相邻两个节点间的配网馈线和配网变压器综合看作是图的边，边的权即是该条边上所有配网变压器供出的负荷之和。在由网架结构形成网络运行方式时，取边为有向边(弧)，其方向就是线路的潮流的方向。通过整定计算可以获得各节点和弧的额定负荷值。定义负荷和额定负荷之比为归一化负荷。故障区段是在网络的归一化负荷矩阵中弧的负荷远大于1的那些，这些弧即为过热弧。 采用过热弧进行故障定位实际上就是从归一化负荷矩阵中搜索出过热弧，并根据所有过热弧的起点和终点的性质决定故障区段，然后将故障区段周围的开关均断开的过程。算法的关键在于如何生成负荷分布矩阵[7、8]。实际配网系统在向专线用户或综合负荷供电的分支馈线与主干线交接处常装有特殊形式的隔离开关(如T型节点处)，在构建网络模型时，引入虚拟开关的概念，对这些开关进行特殊的处理[11]，在一定的情况下可以使切除故障的范围更精确，避免无谓的切除造成故障范围的扩大。过热弧搜索故障区段算法也存在容错性差的缺点。 3.3 遗传算法 遗传算法是根据人类遗传机理而提出的一种全局优化算法，它模拟生物进化过程中的繁殖、杂交和突变等现象，具有较强的全局寻优能力，擅长于优化问题[13]。 依据故障过电流信息的配网故障定位方法在有畸变信息或信息误传等情况下会造成误判、漏判，遗传算法因其高容错性能而在配网故障定位分析中受到了重视[23]。根据元件故障与保护动作和断路器跳闸之间的关系，将电力系统的故障诊断问题转化为一个0、1整数问题，建立适合于遗传算法的故障诊断数学模型，给出故障诊断的评价，可实现精确的故障诊断[14]。在配网故障定位中，结合网络的拓扑结构的特点，建立配网的遗传算法数学模型，通过对实时信息进行0、1编码和构造评价函数实现寻优，可以取得很好的故障定位效果[15]。文献[16]引进故障诊断理论中的“最小集”概念，对文献[15]构造的评价函数修正，降低了误判率，提高了容错性能，同时考虑到电流的方向性，从而可以运用遗传算法进行多电源的故障定位。 遗传算法是从全局优化的角度出发解决故障诊断问题，尤其在保护或断路器出现拒动或误动的情况下，能够给出全局最优的诊断结果，具有较高的容错性。但是数学模型的构造是使用遗传算法的主要瓶颈[17]，在如何建立更加合理的故障诊断数学模型及确定交叉和变异等参数方面，还需要再作更进一步的研究。 3.4 专家系统 专家系统（Expert System）是一类包含着知识和推理的智能计算机程序，其内部含有大量的某个领域专家水平的知识和经验，能够利用人类专家的知识和解决问题的方法来处理该领域的问题，比较擅长于解决难以建立数学模型，较多的依赖专家的经验知识的问题[12]。发展专家系统的关键是表达和运用专家知识，对于不同领域，采用的知识表达方法也有所不同，常用的知识表达方式有逻辑、语义网络、产生式规则、框架和黑板等。 目前电力系统警报处理和故障诊断问题的研究大多为基于产生式规则的专家系统[24-26]，它是把保护、断路器的动作逻辑及运行人员的诊断经验用规则表达出来，形成故障诊断的专家知识库，进而根据警报信息和知识库进行推理，获得故障诊断的结论。基于产生式规则专家系统可以把故障诊断问题内含有大量的经验性知识和逻辑推理用模块化、直观化的规则表达出来，并允许对规则进行修改、增加和删除。文献[18]提出了一种基于专家系统的故障定位方法，根据专家提供的运行经验，建立模糊诊断的知识库及相应的推理机制，当故障发生后，SCADA系统发出的保护和开关动作信号激活系统，依据网络拓扑结构形成故障信号链，启动推理机制，进行信号识别及故障定位。 由于我国地区电网的实际情况限制，目前所能用于诊断的信息类型仍然有限，仅限于开关和部分保护信息，由于信息类型较少，影响了这种诊断系统各种功能的发挥。若无法区分各种保护信号，则将使得诊断故障的类型难以实现，在一定程度上降低了系统的功能。 获取完备的知识库是专家系统进行正确的故障诊断的前提和必要条件，知识库不完整，则有可能导致专家系统混乱甚至得出错误的结论。当电力网络拓扑结构发生变化或保护配置发生变化时，需要对知识库进行相应的修改，对知识库的修改可能导致其完备性受到破坏，因而专家系统知识库的维护相当困难；专家系统不具备自学习能力，在故障后保护装置或断路器出现误动、拒动的情况下，缺乏有效的识别错误的能力。 3.5 模糊理论 模糊理论（Fuzzy Theory）是将经典的集合理论模糊化，并引入语言变量和近似推理的模糊逻辑，具有完整的模糊体系的一种智能技术，可以较好的处理不确定性问题[12]。由于保护或断路器的误动、拒动、信道的传输干扰、保护的时限偏差等的存在，使得电力系统故障诊断问题存在许多不确定因素，而模糊理论正擅长模拟人类思维中的近似推理，使得它被广泛应用于电力系统的故障诊断[27-29]。 文献[19]利用用户电话号码与配变之间的连接关系以及配变与开关等设备之间的拓扑关系来建立基于模糊集理论的故障定位方法。当用户打来故障电话时，找到与其对应的配变，由这个配变向上游追溯，找到其上游的所有可能开断的设备，并将它们组成一个模糊子集，给这个集合中的所有元素(即设备)赋以一个隶属度，表示这个设备开断的可能性大小，对于每一个故障电话都建立一个这样的集合，然后对这些集合进行运算，找到隶属度最大，即开断可能性最大的设备作为开断设备，从而确定故障区间及停电范围。文献[28]认为输入信号是准确的，但是故障元件与动作的保护装置、动作的保护装置与触发的断路器之间的关系是不确定的，它们之间的关系用一个0-1之间的数来表示。对于可能的故障装置，寻找由故障点到报警信号之间的通路，从而将可能的故障点和动作的保护装置、动作的保护装置和所控断路器之间的关联关系的模糊度合成就能够得到该位置发生故障的模糊测度。 模糊系统和专家系统具有非常相似的结构，专家系统的一些缺陷模糊系统也存在，如规则库的维护复杂，不具备自学习能力等。其隶属函数的确定也没有一个统一的通用的方法，通常是根据经验或统计来确定，如何正确地建立隶属函数和选择算子来恰当地表现模糊概念也是一个关键性的问题。 3.6 人工神经网络 人工神经网络(ANN)是一种连接机制模型，它是由大量人工神经元广泛互联而成的网络，是以工程技术的手段来模拟人脑神经元网络结构和特征的系统。ANN的最大特点是通过并行调节人工神经元之间的连接权值来隐含的处理问题，具有很强的自适应和自学习能力、非线性映射能力、鲁棒性和容错能力[12]。 应用神经网络进行电力系统报警处理和故障定位能在保护装置误动、数据丢失以及出现其它未考虑的报警类型时也能给出较精确的定位结果[30-35]。文献[36]提出了基于RBF的神经网络的故障类型识别方法，同时采用了正交式最小二乘法的学习算法，训练速度以及精度都有一定的提高。文献[20、21]将神经网络运用到输电线路的故障测距中，提出了基于分层分布式的ANN系统的测距方法，先对故障类型进行识别，然后对应特定的故障类型调用相应的故障电气量进行测距，将复杂问题变换为简单问题的“或”处理，简化了网络的结构，加快了收敛速度。由于配网结构比较复杂，在进行故障定位时一般也要采用分层式的神经网络进行故障定位。 在应用神经网络进行故障定位时，要求系统有大量真实的故障电气量构成模式信息来训练神经网络，因此要考虑的因素很多，从而导致训练样本数目巨大，使得训练不收敛或定位结果不理想，目前运用于配网故障定位方面的研究较少。由于神经网络自身具有很多的优点，应用现代数学工具通过准确地提取故障电气量特征信息作为神经网络的输入进行训练，来提高神经网络的定位性能将是一个很好的发展方向。 4 结语 综上所述，对配网定位方法的研究，多年来取得了很多的成果，但是由于配网系统运行的情况的复杂多变，在实际应用中还存在很多的问题。利用FTU采集到的故障信息，构造故障判定阵或过热弧搜索对配网进行定位，在很大的程度上也受到采集信息的影响，容错性较差，在有畸变信息或信息误传等情况时会造成误判、漏判。随着智能技术的发展，诸如遗传算法、专家系统、模糊理论、神经网络以及其它一些软计算方法在配网故障定位中得到了很好的应用，智能方法具有很高的容错性，能够很好的克服传统的方法进行故障定位存在的缺陷，但是每一种智能方法自身也存在缺陷。随着硬件技术的发展、原理研究的深入以及综合智能技术的发展，通过高效、准确的采集故障后电气量，综合运用各种智能方法，必将使的配网故障定位取得更好的效果。 参考文献： [1] 王飞，孙莹．配电网故障定位的改进矩阵算法．电力系统自动化，2003，27(24)：45~46、49 [2] 刘健，倪建平，杜宇．配电网故障区段判断和隔离的统一矩阵算法．电力系统自动化，1999，23(1)：31~33． [3] 李静一，周正贵．配电网故障区段诊断矩阵改进算法．江汉石油学院学报，2003，25(6)：140~141． [4] 刘伟，郭志忠．配电网故障区间判断的新型矩阵算法．电力系统自动化，2002，26(18)：21~24． [5] 朱发国等．基于现场监控终端的线路故障定位优化矩阵算法．电力系统自动化，2000，24(15)：42~44． [6] 林功平，配电网馈线自动化解决的技术策略，电力系统自动化，2001，25(7)：52~55． [7] 刘健．变结构耗散网络—配电自动化新算法． 北京：中国水利电力出版社，1998． [8] 刘健，王兆安．配电网区域判断和隔离．西安交通大学学报，2000，34(2)：7~10． [9] 刘健等，配电自动化系统，北京：中国水利电力出版社，2003． [10] 卫志农等．配电网故障定位的一种新算法．电力系统自动化，2001，25(14)：48~50． [11] 江道灼，张锋．特殊配电网接线故障定位和隔离的改进算法．电力系统自动化，2002，26(21)：62~66． [12] 易继锴，侯媛彬．智能控制技术．北京：北京工业大学出版社，1999． [13] 吉根林．遗传算法研究综述．计算机应用与软件，2004，21(2)：69~73． [14] 文福栓，韩桢祥．基于遗传算法和模拟退火的电力系统的故障诊断．中国电机工程学报，1994，14(3)：29～35． [15] 杜红卫，孙雅明等．基于遗传算法的配电网故障定位和隔离．电网技术，2003，24(5)：52～55． [16] 卫志农等．配电网故障区间定位的高级遗传算法．中国电机工程学报，2002，22(4)：127～130． [17] 孙艳丰，王众托．遗传算法在优化问题中的应用研究进展．控制与决策，1996，11(4)：425~431． [18] 党德玉等．地区电网警报处理及故障定位专家系统． 电网技术，2000，22(9)：56～58． [19] 王海斌，邱家驹．基于模糊集理论的配电网故障定位研究．浙江电力，1999，18(4)：1～4． [20] 束洪春等．人工神经网络应用于输电线路故障测距研究．电工技术学报，2002，15(6) ：61～64． [21] 杨家兴等．基于人工神经网络输电线路单端故障测距方法．云南电力技术，2002，28(4) ：20～25． [22] Y．Q Wang et al．New Ordering Methods for Sparse Matrix Inversion via Diagonalization．IEEE Trans．on Power System，1997，12(3)：1298～1305． [23] Ignacio J，Ramirez-Rosado．Genetic Algorithms Applied to the Design of Large Power Distribution System．IEEE Trans．on Power System，1998，13(2)：696～703． [24] Emmanouil Styvaktakis et al．Expert System for Classification and Analysis of Power System Events．IEEE Trans．on Power Delivery，2002，17(2)：423～428． [25] Heung-Jae Lee et al．A Fault Diagnosis Expert System for Distribution Substations．IEEE Trans．on Power Delivery，2000，15(1)：92～97． [26] Heung-Jae Lee et al．A Fuzzy Expert System for the Integrated Fault Diagnosis．IEEE Trans．on Power Delivery，2000，15(2)：833～838． [27] Chang C S et al．Fuzzy Logic Approach in Power System Fault Section Identification．IEE Proceedings—Generation，Trans．and Distribution，1997，144(5)：406～414． [28] Monsef H et al．Fuzzy Rule-Based Expert System for Power System Fault Diagnosis．IEE Proceedings—Generation，Trans．and Distribution，1997，144(2)：186～192． [29] Cho H J， Park J K．An Expert System for Fault Section Diagnosis of Power Systems Using Fuzzy Relations．IEEE Trans．on Power Systems，1997，12(1)：342～348． [30] P．K．Dash et al． Application of Minimal Radial Basis Function Neural Network to Distance Protection．IEEE Trans．on Power Delivery，2001，16(1)：68～74． [31] K．G．Narendra et al．Application of a RBF Neural Network for Fault Diagnosis in HVDC System．IEEE Trans．on Power Systems，1998，13(1)：117～183． [32] Angel L．Orille Fernandez et al．A Novel Approach Using a FIRANN for Fault Detection and Direction Estimation for High-Voltage Transmission Lines．IEEE Trans．on Power Delivery， 2002，17(4)：894~900． [33] M．M Tawfik，M．M Morcos． ANN-Based Techniques for Estimating Fault Location on Transmission Lines Using Prony Method．IEEE Trans．on Power Delivery，2001，16(2)：219~224． [34] Zhihong Chen et al．Artificial Neutral Network Approach to Single-Ended Fault Locator for Transmission Lines．IEEE Trans．on Power Delivery，2000，15(4)：370~375． [35] Julio Cesar Stacchini de Souza et al．Fault Location in Electrical Power System Using Intelligent System Techniques．IEEE Trans．on Power Delivery，2001，16(1) ：59～67． [36] Whei-Min Lin et al．A Fault Classification Method by RBF Neural Network With OLS Learning Procedure．IEEE Trans．on Power Delivery，2001，16(4) ：473～477．