配电网弧光高阻故障模拟方法及系统

摘要

本发明公开了一种配电网弧光高阻故障模拟方法及系统，包括：基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；分别通过电弧参数对电弧非线性畸变的特性进行独立控制；基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据。本发明有益效果：有助于更直观地认识弧光高阻故障电流的畸变特征，总结不同故障场景下，尤其是不同接地介质和介质表面湿度影响下的畸变特征的差异，从而提高故障诊断方法在不同故障场景下的适应性。

说明书

技术领域

本发明涉及配电网弧光高阻故障模拟仿真技术领域，尤其涉及一种配电网弧光高阻故障模拟方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

弧光高阻故障是一种常见的配电网故障形式，一般是架空线路因断线/下垂坠地，或发生树障从而与高阻抗的接地介质发生接触，形成单相接地故障。常见的高阻抗接地介质包括水泥、沙地、土壤、橡胶、沥青、和树木等，故障电阻从几百欧到几十千欧不等，从而导致故障电流极其微弱，甚至在1安培以内，因此配电网的传统过流保护装置等难以对其实现检测。由于导线和接地介质之间无法形成可靠连接，空气间隙始终存在(除水阻)，因此高阻故障常以电弧实现线路导体和接地介质的电气连接。弧光高阻故障的长期存在容易引发火灾，并对人员和设施的安全带来重大威胁。而故障的极弱特征、负荷电流和背景噪声的干扰、电弧的非线性以及非线性在不同接地介质下的差异等，均给故障的可靠检测和准确定位带来挑战。考虑到弧光高阻故障的现场记录极为有限，并且人工物理实验成本较高，故障特征的分析和诊断方法的初步开发主要依赖于数值仿真，因此，故障的准确、快速建模对提高诊断方法的有效性和研发效率具有重要意义。

现有的弧光高阻故障模型主要由电弧模型与高阻抗介质模型组成，其中高阻抗介质模型一般直接采用大电阻模拟，而电弧模型主要包括经验模型、电力电子元器件(反并联二极管和直流电压源)模型、数学-物理模型和基于热平衡方程的黑盒模型等。考虑到实现的便捷性和对电弧动态过程的模拟能力，基于热平衡方程的黑盒模型得到广泛应用。

然而，已有电弧模型起初是针对真空电弧、断路器电弧和低压电弧而建立的，其偏重于模拟电弧的电压特征，而由于高阻故障对故障电压非线性的抑制，实际的故障诊断主要采用电流量；并且，现有模型未考虑到接地介质的类型、湿度等对电弧特性的影响，从而对部分故障场景下的非线性畸变的仿真准确度不高；除此之外，现有模型的参数确定依然采用人工设置并寻找规律的方法，并且模型参数的含义与所呈现的非线性特征没有直观地联系，故障电压和电流水平的变化会严重影响参数与非线性特征的变化规律，因此实际应用时故障仿真实验的效率极低。

发明内容

为了解决上述问题，本发明提出了一种配电网弧光高阻故障模拟方法及系统，基于电弧的热平衡方程建立非线性畸变可控的弧光高阻故障仿真模型，通过等效、简化电弧“剩余功率”的动态过程，实现三个参数对畸变时长、畸变程度和畸变区间偏移度三种非线性特性的独立控制，从而提高模型对故障非线性畸变的模拟范围和精度。

在一些实施方式中，采用如下技术方案：

一种配电网弧光高阻故障模拟方法，包括：

基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；

分别通过电弧参数对电弧非线性畸变的特性进行独立控制；

基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据。

在另一些实施方式中，采用如下技术方案：

一种配电网弧光高阻故障模拟系统，包括：

用于基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型的模块；

用于分别通过电弧参数对电弧非线性畸变的特性进行独立控制的模块；

用于基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据的模块。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行上述的配电网弧光高阻故障模拟方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的配电网弧光高阻故障模拟方法。

与现有技术相比，本发明的有益效果是：

(1)本发明所给出的弧光高阻故障电流非线性畸变的三种特性，有助于更直观地认识弧光高阻故障电流的畸变特征，总结不同故障场景下，尤其是不同接地介质和介质表面湿度影响下的畸变特征的差异，从而提高故障诊断方法在不同故障场景下的适应性。

(2)本发明所提出的弧光高阻故障的畸变可控模型，基于热平衡方程，并对剩余功率进行等效和简化，从而实现三个电弧参数分别对电弧非线性畸变的三种特性的独立控制，提高对非线性畸变的仿真范围和准确性；三个电弧参数具有明确的物理含义，便于理解参数的变化与所仿真畸变特征的关系，使得参数的设定过程更为直观；

此外，本发明所提出的模型相对于现有的经典模型来说参数设定的变化范围更小并且相对确定，从而简化了人工的参数设定过程，也降低了采用自动参数设定平台的计算时间和资源。

(3)本发明提出了基于Python-PSCAD-MATLAB联合仿真平台和线性衰减权重粒子群算法的模型参数自动设定方案，可实现对连续参考波形的模型动态参数获取，大大提高了弧光高阻故障模型的应用效率；此方案不仅仅适用于所提出的弧光高阻故障畸变可控模型，也同样适用于其他典型的多参数电弧模型。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1(a)-(g)分别为本发明实施例中10kV配电系统实测弧光高阻故障电流波形；

图2(a)-(b)分别为典型黑盒电弧模型的仿真结果；

图3(a)-(c)分别为畸变可控模型仿真结果；

图4(a)-(c)分别为三个模型参数对三种电弧畸变特性的独立控制；

图5为本发明实施例中弧光高阻故障畸变可控模型在PSCAD中的实现过程示意图；

图6为本发明实施例中基于Python-PSCAD-MATLAB联合仿真平台的模型参数自动设定方案流程图；

图7(a)-(d)分别为本发明实施例中基于粒子群算法的模型参数优化过程示意图；

图8(a)-(c)分别为为本发明实施例中连续实测波形的模型动态参数优化结果；

图9为本发明实施例中不同模型对22组实测弧光高阻故障的仿真精度。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

术语解释：

Python是一种跨平台的计算机程序设计语言，是一个高层次的结合了解释性、编译性、互动性和面向对象的脚本语言。

实施例一

在一个或多个实施方式中，公开了一种配电网弧光高阻故障模拟方法，包括以下步骤：

步骤S101：基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型；分别通过电弧参数对电弧非线性畸变的特性进行独立控制。

具体地，弧光高阻故障的非线性主要产生于电弧电离过程在交流信号过零点附近表现出的“零休现象”，发生这一现象的时间区间称为“零休期”(zero-off interval,ZOI)。故障的非线性主要体现在零休期内故障电阻的增大和电流幅值的降低，电压幅值虽略有增加但受大过渡电阻的影响而变化较小。

根据10kV配电系统实测故障数据，揭示了弧光高阻故障电流非线性畸变在不同接地介质环境下的差异，并定义了此种差异主要表现在三个方面：畸变时长、畸变程度、畸变区间偏移度。如图1(a)-(g)，可直观地量化定义这三种畸变特性如下：

1)畸变时长：描述为“零休期”时长，“零休期”是电流半个工频周期内“畸变区间”(distortion interval,DI)的一部分，相对于正弦波形来说与x轴更趋于平行。

2)畸变程度：描述为“零休期”起始点和终点连接线的斜率，斜率越大，畸变程度越小。

3)畸变区间偏移度：描述为“过零点”和“畸变区间”中点的距离。

需要说明的是，图1(a)-(g)中分别代表的是湿沥青不接地系统、湿土壤小电阻接地系统、干土壤不接地系统、湿水泥小电阻接地系统、干水泥消弧线圈接地系统、干草地消弧线圈接地系统、湿草地消弧线圈接地系统。

弧光高阻故障畸变可控模型由非线性电弧电阻和接地介质恒电阻串联表示。其中，非线性电弧电阻基于热平衡方程理论推导、等效和简化得出，包括以下过程：

步骤S1011：从热平衡方程角度推导常用电弧黑盒模型中电弧电阻的数学表达。

其中，Q表示电弧中存储的能量(单位：MW·s或MJ)，P(单位：MW)表示电弧耗散功率，u(单位：kV)，i(单位：kA)分别表示电弧电压和电流，g(单位：Ω

步骤S1012：建立实现三种非线性畸变特性独立控制的畸变可控模型。

在公式(1)中，电弧电阻R

P＝F(ui)＝u·i+P

其中，P

控制电弧电流的非线性畸变本质上是控制电弧电阻的非线性。因此，以图2(a)-(b)所示的几种典型的黑盒电弧模型的仿真结果为例，上述电弧畸变的三种特性可对应于电弧电阻的以下三种特征：

1)畸变时长——高数值电弧电阻的持续时间。事实上相对于正弦波形，电弧的畸变几乎一直存在，但只有当电弧电阻达到一定的“高数值”以上时，电流才会进入“零休期”。

2)畸变区间偏移度——最大电弧电阻发生时间相对于电压过零点的偏移。

3)畸变程度——最大电弧电阻的大小。

若用t

其中，

图3(a)-(c)展示了一个

OFS用来控制畸变区间的偏移度，根据与电弧电阻特征的对应关系，电弧电阻在每半个周期中达到最大值的时刻t

其中，u

进一步，将公式(3)中的τ′代入P

并且公式(5)中的系数可以改写为：

若定义

为了表达方便，后续说明中的k

基于所提出的模型，电弧非线性畸变的三种特性可以分别通过三个电弧参数进行独立控制。其中，t

其中，R

因此，当m＝0即可实现EXT参数对“畸变程度”的独立控制。图4(a)-(c)分别展示了OFS，EXT和DUR对电弧畸变特性的独立控制。

步骤S102：基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据，能够精确模拟弧光高阻故障的实际波形，弥补真实故障样本数据偏少的问题，为弧光高阻故障检测算法测试提供丰富的、符合实际故障特征的数据集合。

作为实用化的故障模型，需具备与数值仿真系统实现电气连接的能力，参照图5，本实施例以PSCAD为例，提供了所提出的弧光高阻故障畸变可控模型的实现方法。具体包括：

步骤S1021：根据模型输入的故障点电压和参数OFS，逐“半周期”确定电弧电阻最大值的发生时间t

步骤S1022：根据参数DUR和EXT描述k

步骤S1023：根据所计算出的

步骤S1024：电弧非线性电阻与恒定的接地介质大电阻串联，构成所提出的弧光高阻故障畸变可控模型的故障电阻。

除此之外，模型中包括三个电弧参数以及系数m等的设定可根据需要选择恒定、随机变化和按预设场景变化等方式。其中，参数的随机变化可采用PSCAD中的“Random NumberGenerator”实现，而参数根据预设场景变化可通过导入并读取外部文件来设定。

步骤S103：基于故障实测数据，通过粒子群优化算法对仿真过程的参数进行优化更新；

本实施例中，通过建立Python、PSCAD和MATLAB三种仿真软件的接口实现模型参数的批量设定，故障仿真的批量运行、仿真故障波形数据的批量生成、读取和处理、以及基于优化算法的参数更新等步骤。流程如图，具体包括以下步骤：

步骤S1031：利用线性衰减权重粒子群算法，在Python中对各粒子进行初始化，每个粒子均反映模型各项参数的取值，对于粒子i，需设定其运动步长V

步骤S1032：Python可通过调用PSCAD的Automatic library(PSCAD4.6.1及更高版本)实现对其仿真及参数的控制。根据每个粒子的参数X

步骤S1033：读取参考数据，如实测的故障波形数据，格式转换后计算仿真偏差A

其中，i

步骤S1034：当所有粒子进行完步骤S1031-步骤S1033的流程，判断A

其中，pb和gb表示个体粒子和总体粒子的最优位置；ω表示线性衰减的惯性权重系数；c

步骤S1035：参数更新后，重新上述过程，直至整个过程结束。

图7(a)-(d)展示了上述联合平台基于线性衰减权重粒子群算法的模型参数优化过程，其中每个粒子的颜色表示使用其对应参数所仿真波形的误差A

本实施例所提出的故障模拟方法得到了河南电科院真型试验场进行的真实高阻故障的测试，并与现有的几种典型故障模型通过联合仿真平台实现了仿真精度的对比。测试的22组故障中，中性点接地方式包括中性点不接地、经消弧线圈接地和经小电阻接地三种，故障接地介质有干(干燥)/湿(湿润)草地、干/湿土地、干/湿沙地、干/湿水泥地、干/湿水泥杆塔、沥青路面等。测试对比结果如图9所示，可见各模型为了实现不同的仿真需求进行不同的假设或简化，从而对不同的非线性畸变波形的仿真精度差异较大，然后从总体的仿真误差角度来看，本实施例所提出的模型对所有的畸变波形均具有较好的拟合效果。

实施例二

在一个或多个实施方式中，公开了一种配电网弧光高阻故障模拟系统，包括：

用于基于电弧的热平衡方程构建非线性畸变可控的弧光高阻故障仿真模型的模块；

用于分别通过电弧参数对电弧非线性畸变的特性进行独立控制的模块；

用于基于输入的故障点电压和上述的电弧参数，在数值仿真系统中实现对所述弧光高阻故障仿真模型的控制，得到仿真故障波形数据的模块。

需要说明的是，上述各模块的具体实现方式采用实施例一中公开的方法实现，不再赘述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的配电网弧光高阻故障模拟方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。