第x卷 第x期 电测与仪表 Vol.x No.x
x年 第x期 Electrical Measurement & Instrumentation Dec.x 10kV配电网单相接地故障综合定位法
严 凤，李双双，楚非非
（华北电力大学 电气与电子工程学院，河北 保定071003）
摘要：中性点不接地的系统运行方式广为我国10kV配电网所采用，发生单相接地故障时，流经对地电容的故障电流较小，使得故障信号难以捕捉，加之网络分支较多，故障定位难以实现。为了解决快速定位的问题，提出了C型行波与决策树相互结合的综合故障定位法。首先利用C型行波在故障测距中的优势与经验模态分解（Empirical Mode Decomposition ，EMD）的去噪功能，确定故障点与测量端之间的距离；其次利用决策树的分类功能针对网络多分支的特点，对线路不同区段进行分类，判断故障信号来源，并通过与BP神经网络与RBF神经网络的判断结果进行对比表明：C型行波与决策树相互结合的方法能够准确地对带有多分支的10kV配电网进行单相接地故障的快速定位。
关键字：10kV配电网；单相接地故障定位；经验模态分解；C型行波；决策树；BP；RBF 中图分类号：TM86 文献标识码：B 文章编号：1001-1390（2015）00-0000-00
A composite single phase grounding fault location method for 10kV
distribution networks
Yan Feng, Li Shuangshuang, Chu Feifei
(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003,
Hebei, China)
Abstract: 10KV distribution networks mostly adopt the neutral non-grounded way in china. When the single phase grounding fault occurs, the fault current is flowing through the capacitance of conductors to earth, and the signal is too weak to be captured. Meanwhile, they also have lots of network branches, so the fault location is difficult to achieve. In order to find the fault point quickly, a comprehensive method which combined C-type of traveling wave and decision tree is proposed. The first step of the method is using the advantages of C-traveling wave fault location method in distance measuring and the noise elimination function of Empirical Mode Decomposition（EMD）to determine the fault distance; The second one is to find out the fault section by using the decision tree. By comparing with the judging results of BP and RBF neural network, it shows that the method based on decision tree can determine the single phase grounding fault point in 10KV distribution networks with branches quickly and accurately.
Keywords: 10kV distribution network, single phase grounding fault location, empirical mode decomposition , C-type of traveling wave, decision tree, BP, RBF
0引 言 任务，是电力系统的重要组成部分。在我国，10kV
配电网将输电网与地区发电厂处的电能按照合配电网主要采取中性点不接地的方式运行，是大多适的电压等级分配给各类用户，承担着电能的分配城市电网的主干支撑。根据有关统计，单相接地故
第x卷 第x期 电测与仪表 Vol.x No.x
x年 第x期 Electrical Measurement & Instrumentation Dec.x 障占配电线路总故障的80%以上，而且其他两相甚至三相故障大多由单相接地故障引起。快速地找到故障点，恢复供电对于提高10kV配电网的供电可靠性具有重要作用。
目前国内外对于配电网单相接地故障选线的技术已经趋渐成熟，但是如何实现配电网的故障定位仍在研究之中。国内外对配电网故障定位的方法按照所用信号的性质说可概括为：利用线路故障时产生的暂态信号定位法与人工主动注入信号定位法两种。随着对人工智能技术的深入研究，应用于配电网故障定位的智能化算法也越来越多。文献[1]利用粒子群良好的收敛性与易实现的特点，通过对辐射状配电网建立适当的模型与对配电网中的单点与多点故障进行定位试验得出，即便部分信号发生畸变，也能够准确找到故障点；文献[2]应用容错性较高的遗传算法，建立了配电网中单一故障定位的统一数学模型，提高了配电网故障定位的效率。文献[3]利用蚁群算法，在辐射状配电网分为主干支路与独立区域两部分后，对其进行局域以及全局寻优，该方法有效降低了可行解的维数，提高了故障定位的速度。文献[7]采用神经网络技术对配电网的故障区段进行了定位分类，也取得了良好的定位结果。
行波法解决配电网故障定位的困难之处在于如何确定故障分支。鉴于决策树方法能够对大量的数据信息进行有效分类的优点，本文提出的10kV配电网单相接地故障定位方法将C型行波故障测距法与决策树分类法结合起来应用。C型行波法属于单端行波测距方法，通过注入信号与信号返回的时间差，结合行波波速确定故障距离。由于分支较多，配电网不同的区段发生故障时，其故障特征也不尽相同，决策树分类法根据不同区段故障时故障电流特征的不同进行分类，判断出故障区段，结合故障距离最终找到故障点。 1 C型行波故障测距原理
现有的行波测距方法有A、B、C、D型4种[4]。电力线路发生故障后，故障点处产生的暂态行波向线路两端传播，在线路分支节点与故障点处，由于波阻抗发生变化，行波将发生折射与反射现象，基于此可根据测量端所接收到的两行波波头时间差来完成故障的测距。行波测距法根据测量端数目的不同可分为单端，双端，多端测距。C型行波测距属
于离线人工注入信号式单端测距方法，可以重复性在线路首端注入高压脉冲信号，利用该信号在线路故障点的反射行波波头到达测量端的时间与行波波速，根据公式（1）来计算出故障点与信号发射端的距离[5-7]。其故障测距原理如图1所示。
注入脉MN冲信号Ft1t2
图1 C型行波定位原理示意图
Fig.1 Schematic diagram of C-type traveling wave
fault location principle
故障发生后，在线路首端人为向已断电的故障线路发射高压脉冲信号，在故障点处，波阻抗发生变化，行波信号将会产生折反射现象，假设发射脉冲信号的注入时刻为t1=0，从故障点处反射回测量端的行波波头到达时刻为t2。设故障点F到线路首端信号检测点M的距离为XL，已知探测脉冲信号以近似光的速度v沿线传播，则故障距离的计算公式为：
Xv?(t2?t1)?tL?2?2 （1） 2经验模态分解降噪法
经验模态分解（Empirical Mode Decomposition，EMD）[8-9]的基本思路是：一个时间序列有多个时间尺度的振荡波构成，设法从经验资料中把这些固有的、内在的本征模态函数（Intrinsic Modal Function，IMF）按照频率的高低分离出来，通过分析本征模态函数分量及其相应的谱，得知原序列的多尺度振荡特征。
在电力系统运行过程当中，存在许多的噪声因素，采用行波法进行故障距离的测定就需要将噪声与故障信号有效分离，由于EMD能够将信号分解成若干个频率从高到低排列的IMF之和，噪声信号一般频率较高，所以将前几个高频的IMF去掉之后重新组合剩余分解信号便可以实现降噪功能。文献[9]中提出了利用平均周期确定IMF中噪声分量的方法，实现对信号的有效降噪。
若N为采样点数，nmax为第n阶IMF的极大值点的个数，那么平均周期则可以表示为如式（2）所
第x卷 第x期 电测与仪表 Vol.x No.x
x年 第x期 Electrical Measurement & Instrumentation Dec.x 示： Tn?N/nmax （2） 计算出每一阶IMF的平均周期，根据白噪声EMD分解后每一个IMF分量的平均周期都为前一个IMF平均周期二倍的特点，筛选出噪声分量并去除之后，将剩余IMF分量重新组合即可实现信号的有效降噪。
本文首先利用平均周期的概念，去除噪声分量，达到信号初步降噪的目的，之后再结合小波变换的功能对初步降噪后的信号进行二次降噪处理，以期达到更好的降噪效果。 3 决策树分类器
决策树是以实例学习为基础的归纳学习算法，采用“自顶向下”的递归方式将一组杂乱的事例推理出决策树表示形式的分类规则。目前决策树分类?方法最常用的算法有基于信息熵的ID3算法与采用悲观剪枝法的C4.5算法。该分类算法的计算速度较快，准确率也较高[10]。文献[12]利用C4.5决策树分类算法对水轮发电机组故障征兆进行分类，实现对其振动故障的诊断；文献[13]中采用电气量为样本属性，通过离线计算得到C4.5决策树，不需大量的实时数据便可刻画出相应的电力系统模型，通过电气量之间的潜在规律进行孤岛检测。目前决策树在电力金融、医药等方面都有具体应用，可见利用决策树方法进行故障区段的判断是可行的。 3.1 决策树的结构
决策树的结构如图2所示，其类似于树形结构。
根节点属性值属性值非叶子节点1叶子节点5非叶子节点2属性值属性值叶子节点1叶子节点2叶子节点3叶子节点4
图2决策树结构示意图
Fig.2 Schematic diagram of decision tree
structure
图2中每个非叶子节点代表训练集数据的输入
属性，根据不同的属性值建立不同的规则节点判断从该点向下的分支，最后在叶子节点处得到结论。 3.2 决策树分类的步骤
与其他人工智能分类方法相比，决策树更易于理解与实现，不需要对数据进行过多的处理，如归一化、去除多余或空白属性等。其分类过程主要分为两步：一是，利用训练集建立并精化一棵决策树，即从数据中获取知识，进行机器归纳学习的过程；二是通过构建的决策树确定事例的类别[11]。
数据决策树分仿真结果采集类器创建测试分析 图3 决策树分类步骤
Fig.3 Steps of decision tree classification
4 仿真实验及结果
图4（a）是某变电站部分用户的简化配电线路图，各段长度均标在图中，分支末端电容为在高频情况下配电变压器的等效替代。假设在F点发生了单接地电阻为1000Ω的单相接地故障，F点距离线路首端M点3.878KM。首先测量故障距离，故障后，在线路M端注入幅值为10kV宽度为2?s的高压脉冲信号。图4（b）为线路区段分布。对该配电线路在ATP-EMTP和MATLAB仿真软件进行试验，仿真图如图4（c）所示，经过实验证明该综合故障定位方法的可行性。
`0.5km0.6kmF2km1km0.6km0.4kmM`1.5km`1.3km2km`1.5km1kmN0.5km1km0.8km0.7km（a）简化线路示意图