基于多源故障信息融合的直流配电网故障区段定位方法

《International Journal of Electrical Power & Energy Systems》:Fault section location method of DC distribution network based on multi-source fault information fusion

【字体: 大 中 小 】 时间:2026年02月02日 来源:International Journal of Electrical Power & Energy Systems 5.3

编辑推荐:

  当直流(direct current, DC)配电网发生短路故障时,针对现有故障定位方法中故障程度表征不准确、定位精度低及定位错误等问题,研究人员提出一种在复杂拓扑DC配电网故障恢复期间基于多源故障信息融合的故障区段定位方法。首先,基于压缩感知重建算法提取高频

  
当直流(direct current, DC)配电网发生短路故障时,针对现有故障定位方法中故障程度表征不准确、定位精度低及定位错误等问题,研究人员提出一种在复杂拓扑DC配电网故障恢复期间基于多源故障信息融合的故障区段定位方法。首先,基于压缩感知重建算法提取高频故障电流稀疏向量,初步识别故障范围;分析高频故障电流幅值的非线性衰减特性,构建正态分布模型定量表征衰减趋势,以评估电气量故障程度。其次,基于断路器跳闸瞬间产生的高频电压信号的精确识别,确定DC配电网的局部开关量操作信息,有效修正贝叶斯网络模型中元件的错误状态信息,提升开关量故障程度的准确性。然后,从证据体权重角度改进传统Dempster-Shafer证据理论(D-S证据理论),并基于改进的D-S证据理论融合故障程度,实现精确的故障区段定位。最后,基于电力系统计算机辅助设计(Power Systems Computer Aided Design, PSCAD)平台的DC配电网仿真模型验证了所提故障区段定位方法的有效性与优越性。
论文解读:基于多源故障信息融合的直流配电网故障区段定位方法

研究背景与问题:随着分布式光伏、储能及各类负荷的灵活接入,直流(DC)配电网结构从单一辐射状向多端闭环互联网络演变。 bipolar短路故障的严重性显著增加,故障后需快速隔离故障区域,并进一步实现故障区段的准确定位,以满足故障元件快速检修、故障原因快速分析和缩短供电中断时间等需求。现有故障定位方法主要依赖数据采集与监控(SCADA)系统,融合电压、电流等电气量信息以及继电保护装置、断路器状态等开关量信息。基于电气量的方法抗干扰能力有限,对采样同步和通信要求严格;基于开关量的方法易受通道拥塞、数据丢包等影响,出现信息丢失或错误,导致故障元件误判;基于多源信息融合的方法虽能结合两者优势,但存在融合过程繁琐、对SCADA错误信息缺乏有效校正、且在小规模证据体场景下融合算法性能较低等问题。为此,研究人员提出一种适用于复杂拓扑DC配电网故障恢复期的多源故障信息融合故障区段定位方法,论文发表于《International Journal of Electrical Power & Energy Systems》。

主要技术方法:研究人员采用压缩感知重建算法提取高频故障电流稀疏向量,初步圈定故障范围;构建正态分布模型定量表征高频故障电流幅值的非线性衰减趋势,评估电气量故障程度;通过识别断路器跳闸产生的高频电压信号并结合继电保护动作时序,确定局部开关量信息,修正贝叶斯网络模型中的元件状态错误;从证据理论和概率理论双视角综合赋权,改进D-S证据理论融合规则,实现电气量与开关量故障程度的融合定位。所有方法均在PSCAD/EMTDC平台上搭建IEEE33节点直流配电网模型进行仿真验证。

研究结果:

6.1 故障定位方法有效性验证:以线路L14-15双极短路故障为例,压缩感知重建结果显示B13、B14、B15、B16及相邻线路为疑似故障元件。仅凭电气量故障程度区分度低(L14-15为22.9%,低于B14的28.4%),无法精确定位。SCADA系统上报信息存在漏报和误报。通过检测高频电压信号,识别出L14-15上断路器在主保护时段动作、L13-14上断路器在远后备保护时段动作,并发现CB14-15拒动而SCADA未反馈,同时CB16-15跳闸为误报。修正贝叶斯网络模型后,开关量故障程度中L14-15达84.0%,显著高于其他元件。使用改进D-S证据理论融合后,L14-15故障程度达94.7%,验证了方法的有效性。

6.2 故障程度精度对比分析:在线路故障和母线故障两种场景下,与参考文献[19]、[20]方法相比,所提电气量故障程度评估方法通过定量表征故障电流非线性衰减趋势,使故障元件故障程度提高(线路故障时L14-15提高5.35%和3.55%;母线故障时B14提高2.04%和1.14%),非故障元件故障程度降低。开关量故障程度方面,修正后的贝叶斯网络模型使线路故障时L14-15故障程度提高20.19%,母线故障时B14提高23.79%,非故障元件平均降低约3%左右,显著提升了SCADA信息错误场景下的评估精度。

6.3 改进D-S证据理论性能对比分析:与单一电气量或开关量故障程度定位相比,融合定位在线路故障时故障元件概率分别提高71.79%和10.75%,母线故障时分别提高74.92%和10.39%,且非故障元件平均故障程度更低。在识别框架中补充全集Γ后,冲突系数k在线路和母线故障时分别降低约0.201和0.209,但融合结果略降;进一步结合证据理论和概率理论综合赋权后,融合结果较仅补充全集和传统方法分别提高约4.81%和16.40%(线路故障)、5.15%和17.47%(母线故障),冲突系数较这两种情况分别降低约45.9%和25.8%(线路故障)、48.6%和22.7%(母线故障)。与参考文献[29]、[31]–[36]中七种融合方法相比,所提方法在线路故障时定位精度达94.70%,较其他方法提高4.31%–67.67%;母线故障时达94.51%,提高3.17%–51.47%,同时冲突系数降低约6%–53%。

结论与意义:研究人员提出了一种面向多端柔性直流配电网的故障区段定位方法,解决了故障恢复期定位精度低和故障元件误判问题。主要结论为:1)基于正态分布模型精确估计各疑似故障元件的高频电流幅值,有效提高电气量故障程度准确性;2)提出局部开关量信息识别方法,修正贝叶斯网络中的漏报和误报信息,显著提高开关量故障程度精度;3)改进融合算法降低证据冲突,线路故障时故障元件概率较单一电气量和开关量故障程度分别提高约71.8%和10.7%,母线故障时分别提高约74.9%和10.4%,同时避免定位错误并提高定位精度。与其他定位方法相比,所提方法定位精度提高约5%–67%。未来研究将拓宽故障分析与推演所利用的信息范围,深入挖掘各信息源间的时序因果关系,并采用先进融合算法实现更精准的故障定位。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号