赵建飞 柴振华 郭丽 李元肖 陆聪

摘要：中性点不接地配电网系统中，单相接地、弧光接地和铁磁谐振故障的特征较为接近，但处理的方式不同，准确区分故障类型能够为及时采取相应的抑制措施提供重要基础。对此，提出了基于进化ELM算法的铁磁谐振故障辨识方法，与未进化的算法相比，对上述几种故障辨识的准确率可提高3.89个百分点，论文研究工作可以为铁磁谐振故障辨识提供新思路。

关键词：铁磁谐振;单相接地;进化ELM

1 引言

单相短路接地故障是中性点不接地系统中常见的故障，当故障消失后往往会伴随铁磁谐振过电压故障[1，2]，此外，间歇性的弧光接地故障也会对电力系统和设备的具有严重的危害性，不同故障类型所采取的措施不同，准确辨识出铁磁谐振过电压可以为及时采取抑制措施提供有力保障。

目前国内外学者对铁磁谐振的研究工作主要包括故障辨识和抑制两方面[3，4]。重庆大学司马文霞老师团队在此方面做了大量研究工作：首次将反馈脉冲混沌理论[5]引入铁磁谐振分析中，成功确定了驱动系统和响应系统，具有一定的应用前景。近年来随着计算机技术的发展，数字仿真技术得到广泛的应用，可以对各种过电压的暂态过程进行快速计算[6，7]。仿真实验和各种数据分析算法是目前铁磁谐振过电压辨识研究的主要手段。

图像法、解析法和平面分析法也可以对铁磁谐振进行定性研究[8，9]，文献[10]结合多重分形理论，对中性点直接接地系统的铁磁谐振过电压信号的几何结构进行奇异值分解，表明过电压多重分形谱的小波局部极大模值可以很好地区分铁磁谐振过电压和其它过电压，但是在条件恶劣的情况下，波形畸变，容易引起误判;文献[11]将SST变换应用于铁磁谐振过电压模态识别中，首先利用相关系数法提取信号的主模态分量，再进行Hilbert变换，得到信号的频域特征，可以实现铁磁谐振过电压的辨识;文献[12]分析了铁磁谐振和单相接地故障特征，通过HHT变换可以实现铁磁谐振高频和分频的辨识，进一步通过H桥型逆变器注入电流信号，实现基频谐振和单相接地故障的辨识，该方法能够有效对铁磁谐振状态和单相接地状态进行辨识，但工程上难以实现;文献[13]提出一种基于时频分布的配电网暂时过电压识别方法，利用铁磁谐振与间歇性弧光接地过电压的零序电压频率和能量分布存在的差异，采用局部特征尺度分解和Hilbert变换相结合带通滤波算法实现铁磁谐振和间歇性弧光接地过电压的辨识;文献[14]针对单相接地和工频谐振过电压的零序相位差进行定量计算，通过设置阈值法实现单相接地和工频谐振的辨识，该方法实现简单但是零序电流变化比较小，难以获得。上述研究可以实现铁磁谐振故障的辨识，但都存在一定的局限性，如何在复杂的配电网系统中更加快速、准确的辨识出铁磁谐振故障，仍然是铁磁谐振故障辨识的难点问题。

基于模态分解的信号处理模式属于时频域分析技术，既能够表达出信号的频域特性又表达信号的时域特性，对非平稳信号的处理具有优势，其中，极限学习机（Extreme learning machine，ELM）算法对故障信号辨识具有优势，为此，针对ELM算法在初始權值和阈值被随机分配若值赋值不当会使辨识精度下降的问题，提出平衡优化器优化ELM的算法，将最优解赋值给极限学习机的初始权值和阈值，进行训练和测试，对过电压信号和过电流信号进行模态分解，为铁磁谐振过电压辨识提供新思路。

2 ELM算法

极限学习机是一种单隐层前馈神经网络，可分为三层：输入层、隐含层、输出层，两两层之间的连接关系见下图。

图中，输入层个变量有个相应的神经元也为;隐含层有个神经元;输出层有个变量则对应有个神经元个。设输入权值为有：

式中，ELM可随机分配和且其值一直保持到训练结束，而不需要先确定样本数据。

3铁磁谐振的ELM辨识模型

3.1铁磁谐振与单短接地故障辨识特征

区别单相短路接地和铁磁谐振过电两种故障的特征有下述几个：

（1）中性点电压中低频分量所对应的能量

铁磁谐振按其频率划分为分频谐振、工频谐振和高频谐振，对于高频谐振过电压，中性点电压中主要为2次谐波和3次谐波分量;对于分频谐振过电压，电压波形中主要为1/2次和1/3次的谐波分量;而单相接地和基频谐振中性点电压波形主要为工频谐波分量;

（2）中性点电压中工频分量所对应的能量

工频分量所对应的能量大小主要用于区分工频过电压，包括单相接地和基频谐振过电压。

（3）中性点电压中高频频分量所对应的能量

高频分量所对应的能量大小主要用于区分高频谐振过电压。高频谐振时，系统主要含有2次谐波和3次谐波分量。

3.2铁磁谐振的ELM辨识模型

采用ELM算法对铁磁谐振加以辨识的具体步骤如下：

第1步：根据故障等效电路图分析故障产生原理，并搭建仿真模型。重点对故障电压特征进行分析，对比总结，并对铁磁谐振故障影响因素进行分析。为下一步进行故障特征值提取提供理论支持。

第2步，导入提取的数据，给定训练样本数据和测试样本数据并对数据进行归一化处理，将样本数据转化为[0，1]之间的数;

第3步，随机设置模型输入与输出层节点数、隐含层节点等参数，研究不同它们对模型预测效果的影响;

第4步，根据3.1小节的特征对样本进行训练，将已训练好的样本的期望输出与预测输出的误差作为适应度函数，其表达式如下：

其中，为样本数，为期望样本输出值，为模型实际预测值，更新多次后，得到问题最优解;

第5步，判断是否达到最大迭代次数，满足则停止，否则继续重复第三、四步;

第6步，对故障辨识可靠性进行分析。

4算例分析

取某一10kV实际系统搭建仿真模型如下图所示：

对系统进行三类故障仿真，得到典型波形如图3-图5所示。

对故障时刻，故障点位置以及接地电阻等参数的改变，获得了大量的仿真数据，在对三类故障分类识别时，每种状态取100组数据，五种运行状态共计400组样本，从中选取400组样本作为训练样本，选取100组为测试样本。将故障状态分别编号，单相接地故障为1-80;弧光接地故障为81-160;基频谐振为161-220;工频谐振故障为241-320;高频谐振故障为321-500。每个数字分别对应一种运行状态，计算结果最后只输出输出数字。

采用ELM模型对样本集进行辨识，相应辨识结果如下图所示。

图6为辨识结果，采用ELM算法的训练样本集的总体识别准确率为92.75%，其中铁磁谐振故障的辨识率98.75%;测试样本集数据的总体识别准确率为91%，铁磁谐振故障的辨识率为93.45%;可见ELM识别方法能够对绝大部分铁磁谐振故障加以辨识，不过仍需改进，为此对ELM算法进化，得到下述辨识结果

可见，对ELM采取进化后，测试样本集合中铁磁谐振的综合辨识率可达到97.34%，比没有改进之前辨识率提高了3.89个百分点。

5结语

提出了基于极限学习机（ELM）的铁磁谐振故障辨识方法，构建了基于ELM的辨识模型，并从多组样本库中抽取400组数据组成训练集对模型进行训练，抽取100组样本数据组成测试集对模型辨识进行测试，辨识结果显示进化后ELM算法能够更为准确的辨识铁磁谐振故障。

参考文献：

[1]陈钦柱，张涵，赵海龙，等.基于FSWT——SSAEs的配电网内部过电压自动提取与分类识别[J].高压电器，2020，56（07）：166-172.

[2]王盛阳. 配电网铁磁谐振过电压的研究[D]. 浙江大学，2016.

[3]Guo M F，Yang N C，Chen W F. Deep-Learning-based Fault Classification using Hilbert-Huang Transform and Convolutional Neural Network in Power Distribution Systems[J]. IEEE Sensors Journal，2019：1-1

[4]Mokryani G，Siano P，Piccolo A . Identification of ferroresonance based on S-transform and support vector machine[J]. Simulation Modelling Practice & Theory，2010，18（9）：1412-1424.

[5]曾祥君，杨先贵，王文，等.基于零序電压柔性控制的配电网铁磁谐振抑制方法[J].中国电机工程学报，2015，35（07）：1666-1673.

[6]刘凡，孙才新，司马文霞，等. 铁磁谐振过电压混沌振荡的理论研究[J]. 电工技术学报，2006，21（002）：103-107.

[7]Yu Y，Hao Z . Study on Simulation of Ferroresonance Elimination in 10kV Power System[C]// Transmission and Distribution Conference and Exhibition：Asia and Pacific，2005 IEEE/PES. IEEE，2005.

[8]Saravanaselvan R，Ramanujam R，Al-Anbarri K，et al. Ferroresonant oscillations in a transformer terminated line due to an energised parallel line on the same right-of-way[J]. IEEE Proceedings - Generation，Transmission and Distribution，2005，152（4）：475-482.

[9]李云阁，施围. 应用解析法分析中性点接地系统中的工频铁磁谐振-谐振判据和消谐措施[J]. 中国电机工程学报，2003（09）：141-145.

[10]黄艳玲，司马文霞，杨鸣，等. 实测铁磁谐振时间序列的非线性动力学分析[J]. 电工技术学报，2016，31（005）：126-134.

[11]刘凡，司马文霞，孙才新，等.多重分形在铁磁谐振过电压信号分析中的应用[J].中国电机工程学报，2006（18）：138-142.

[12]谢家安，王玉荣.SST在铁磁谐振过电压模态参数辨识中的应用[J].广东电力，2020，33（04）：82-89.

[13]蔡晋，林榛，高伟，等.基于HHT及信号注入的配电网谐振与单相接地故障识别[J].电气技术，2015（12）：31-35+51.

[14]金涛，许立彬，高伟，等. 一种基于LCD-Hilbert变换和奇异谱熵的配电网暂时过电压类型识别方法[J]. 电机与控制学报，2018，022（011）：26-36.

[15]喻一帆. 配电网工频铁磁谐振和单相接地故障辨识[D]. 西安科技大学，2016.