一种大型光伏电站汇集系统故障定位方法与流程

本发明属于新能源并网发电
技术领域：
，特别涉及到一种大型光伏电站汇集系统内故障定位方法。
背景技术：
：大型集中式光伏电站由数目庞大的光伏发电单元汇集而成，汇集系统内架空线与埋地电缆共存。汇集系统一般不设自动重合闸装置，故障跳闸后需人工排查故障。光伏阵列区占地面积大，且外观区分度小，造成巡线困难，导致断开的光伏系统恢复发电时间长，损失发电效率。因此，准确快速定位汇集系统内故障位置有助于提高光伏电站的发电效率。目前，电力系统中故障定位方法主要包括阻抗法、行波法、S信号注入法和广域通信法。阻抗法易受电源参数、负荷参数等因素影响，当网络中分支较多结构复杂时，容易出现伪故障点。行波法在网络复杂分支众多的情况，难以实现多端行波信号的精确同步获取。S信号注入法的注入信号强度受PT容量的限制，定位精度受导线分布电容、接地电阻等因素影响较大。上述基于单点测量信息的方法定位精度受复杂网络结构及光伏系统馈入故障电流的影响较大。广域通信法利用配电网中多个量测点的故障信息，根据故障区段和非故障区段在故障特征方面表现出的差异确定故障区段。已有基于多点测量信息的故障定位方法中，基于测点间信息交互的方法需要同步测量信息，对通信要求高。而基于电压暂降的方法中大多数不能避免对全网可能故障点的循环遍历过程，当网络规模较大时，运算过程将很长、定位精度差。而在考虑分布式电源接入时，现有方法将分布式电源简单等值成系统频率下的恒流源或可控源，而分布式和集中式光伏并网发电系统在拓扑和控制上有显著区别，导致故障电流特征也有较大差异，原有等值方法很难适用，且在汇集系统中光伏电源渗透率达到100％，无法忽略光伏逆变器的控制特性。因此，有必要研究适合大型光伏电站内逆变器控制特性的故障定位方法。技术实现要素：为了解决上述问题，本发明提出了一种大型光伏电站汇集系统内故障定位方法，其特征在于，所述方法包括以下步骤：步骤1、结合采用逆变器控制的光伏电站，分析得出光伏电站汇集系统内故障电流特征规律；步骤2、光伏电站汇集系统内的线路接线及参数离线形成节点负序阻抗矩阵，从中选取稀疏测量节点所在行，并将所有元素取绝对值，构成感知矩阵；步骤3、光伏电站汇集系统内发生不对称故障后，结合光伏电站汇集系统内光伏系统故障电流无负序分量的特点，利用故障后测量节点电压信息计算得到测点负序电压幅值向量，和感知矩阵构成求解稀疏的节点负序注入电流幅值向量的欠定方程组，利用改进的贝叶斯压缩感知重构算法求解以获得稀疏解；步骤4、统计数据窗长内节点负序注入电流幅值向量中最大元素对应节点出现的次数，将最多的视作故障节点。步骤1的具体过程为：光伏电站汇集系统内故障电流特征分析结合光伏电站汇集系统内光伏发电系统控制，以抑制逆变器并网电流中的负序分量为控制目标，双同步旋转坐标下的参考电流表示为：id+*iq+*id-*iq-*=23[(ed+)2+(eq+)2]ed+eq+eq+-ed+0000P0*Q0*]]>式中，和为并网点电压d、q轴正序分量，和为并网参考电流d、q轴正序分量，和为并网参考电流d、q轴负序分量；为给定有功功率参考值，为给定无功功率参考值；得光伏逆变器并网电流的正序分量幅值：其中，为并网电流正序分量幅值，为并网点电压正序分量幅值，根据故障期间光伏发电系统实际提供的视在功率，并网电流正序分量幅值可以写成：其中，γ为正序电压跌落系数，Em为故障前并网点电压幅值；P0′为故障期间光伏发电单元提供的有功功率直流分量，Q0′为故障期间光伏发电单元提供的无功功率直流分量；得到三相故障电流表达式：Ia=2P0′3γEmsin(ωt+π/2+θ+)Ib=2P0′3γEmsin(ωt-π/6+θ+)Ic=2P0′3γEmsin(ωt+7π/6+θ+)]]>式中，Ia、Ib及Ic分别为三相故障电流；中间变量所述步骤2中，感知矩阵计算方法为：根据光伏电站汇集系统内线路拓扑及参数形成节点负序阻抗阵ZN×N，ZN×N=Z11negZ12neg...Z1lneg...Z1NnegZ21negZ22neg...Z2lneg...Z2Nneg............Zk1negZk2neg...Zklneg...ZkNneg............ZN1negZN2neg...ZNlneg...ZNNnegN×N]]>式中，N为光伏电站汇集系统内网络节点数，为节点k和节点l之间的负序互阻抗，当k＝l时为负序自阻抗。根据光伏电站汇集系统内汇测点分布位置，从节点负序阻抗阵中选取测点对应的行，并对所有元素取绝对值，得到感知矩阵Zneg，Zneg=|Zi11neg||Zi12neg|...|Zi1lneg|...|Zi1Nneg||Zi21neg||Zi22neg|...|Zi2lneg|...|Zi2Nneg|............|Zij1neg||Zij2neg|...|Zijlneg|...|ZijNneg|............|ZiM1neg||ZiM2neg|...|ZiMlneg|...|ZiMNneg|M×N]]>式中，M为测点安装数；ij表示第j个测点对应节点编号j＝1,2,…,M；表示测点ij与节点l之间的负序互阻抗模值。所述步骤3中的欠定方程组为：Vi1negVi2neg...Vijneg...ViMnegM×1=|Zi11neg||Zi12neg|...|Zi1lneg|...|Zi1Nneg||Zi21neg||Zi22neg|...|Zi2lneg|...|Zi2Nneg|............|Zij1neg||Zij2neg|...|Zijlneg|...|ZijNneg|............|ZiM1neg||ZiM2neg|...|ZiMlneg|...|ZiMNneg|M×N00...|Ijneg|...0N×1]]>上式简记为Vneg＝Zneg·Ineg；Vneg为M×1维测点负序电压幅值向量，其中元素表示测点ij所在节点负序电压模值；Zneg为M×N维感知矩阵，Ineg为N×1维待求解的节点负序注入电流幅值向量；表示由故障点注入负序网络的负序电流。步骤3中改进的贝叶斯压缩感知重构算法的理论基础为压缩感知理论和稀疏贝叶斯学习SBL算法；压缩感知理论模型y＝Φθ+e，y为M×1维的观测数据，Φ为M×N维的感知矩阵，θ为N×1维的待重构稀疏向量，e为N×1维服从N(0，σ2)的高斯白噪声，其中M<<N；压缩感知优化重构算法利用θ的稀疏性，通过少量的测点数据，求解欠定方程组以高概率高精度恢复出稀疏的θ；Ineg对应待重构稀疏向量θ，Zneg对应感知矩阵Φ，Vneg则对应观测数据y。SBL算法假设中θ每个元素服从一高斯分布：αi是未知的超参数，是该高斯分布的逆方差，得到压缩感知的高斯似然模型：SBL算法中相关向量机(RelevanceVectorMachine，RVM)分层先验用来作为θ的稀疏先验，和与高斯似然模型是共轭的，将方便计算。定义稀疏向量中θ每个变量相互独立，服从零均值的高斯分布：进一步，假设超参数α服从伽马先验分布：其中a，b是参数模型中的超参数。通过边缘化超参数α，得到θ先验分布形式：当θi视作观测数据，是似然函数，伽马分布Γ(αi|a,b)是与高斯分布中的逆方差αi共轭的。此时θ先验分布满足t-分布。当参数a，b选择合理时，可以得到t-分布在θi＝0处很尖，因此θ先验分布保证了θ大部分变量为0，也就是保证了重建过程中的稀疏性。同样，引入伽马先验p(β|c,d)＝Γ(β|a,b)，其中β＝σ-2为噪声方差倒数，c和d是参数模型中的超参数。RVM的机制就是从学习迭代过程中求出稀疏向量的超参数α和噪声逆方差σ-2。一般将a，b，c，d都取0，此时超参数α和σ-2服从一致分布。根据以上先验分布和观测数据y，由贝叶斯公式可以得到以下后验分布：p(θ,α,σ2|y)＝p(θ|y,α,σ2)p(α,σ2|y)，该式涉及大量的矩阵求逆运算。为了避免庞大的计算量，采用了Tipping和Faul提出的一种快速RVM算法，通过后验估计得到稀疏向量θ的点估计，能够做到优化求解过程中自动保证θ稀疏性而无需参数进行控制。步骤4的具体过程为1)首先根据光伏电站汇集系统内结构参数离线生成节点负序阻抗矩阵，根据测点分布形成Zneg；2)读取故障后测点电压数据，计算一个连续窗长的Vneg；3)将Zneg和窗长中起始时刻的Vneg作为参数送入贝叶斯压缩感知重构算法进行计算，得到Ineg；4)继续读取下一时刻的Vneg重复步骤3)，直到读取完整个窗长的Vneg；5)统计各时刻重构向量中值最大的元素所对应的节点出现的次数，出现次数最多的节点即视为故障节点。所述步骤4中，理论上重构向量中非零元素个数对应故障节点个数。但受算法实际性能及测量、传递噪声等影响，难以保证重构向量中非零元素个数对应故障节点数。为了降低误判的可能性，所述方法采取观察一段连续窗长的重构结果，统计各时刻重构向量中值最大的元素所对应的节点出现的次数，出现次数最多的节点即视为故障节点。有益效果(1)不受光伏出力条件影响；(2)测点稀疏，测量信息无需同步，定位所用数据较短；(3)不受故障类型、过渡电阻影响，抗噪能力强。附图说明图1本发明大型光伏电站汇集系统故障定位方法的流程图图2为大型光伏电站汇集系统拓扑示意图图3为汇集系统负序网络示意图图4本发明所提故障定位算法流程图图5节点15处发生ABG-10Ω故障时的Ineg重构结果图6节点40处BC-25Ω故障时的Ineg重构结果图7节点8处发生CA-10Ω故障时的Ineg重构结果具体实施方式下面结合附图，对本发明作详细说明。本发明提出了一种大型光伏电站汇集系统内故障定位方法，图1本发明大型光伏电站汇集系统故障定位方法的流程图，包括以下步骤：步骤1、结合光伏电站内逆变器采用的控制，分析得出汇集系统内故障电流特征规律；步骤2、光伏电站内汇集线路接线及参数离线形成节点负序阻抗矩阵，从中选取稀疏测量节点所在行，并将所有元素取绝对值，构成感知矩阵；步骤3、汇集系统内发生不对称故障后，结合站内光伏系统故障电流无负序分量的特点，利用故障后测量节点电压信息计算得到测点负序电压幅值向量，和感知矩阵构成求解稀疏的节点负序注入电流幅值向量的欠定方程组，利用改进的贝叶斯压缩感知重构算法求解以获得稀疏解；步骤4、统计数据窗长内节点负序注入电流幅值向量中最大元素对应节点出现的次数，将最多的视作故障节点。图2为大型光伏电站汇集系统内单个汇集站接入的拓扑结构图，图中一台三绕组变压器表示一个光伏发电单元，额定容量为1MW，一条汇集电缆上接入若干个光伏发电单元，多条汇集电缆接入光伏阵列区中的汇集站，然后经架空线接入升压站集中并网。基于实际光伏电站内逆变器采用的控制，对汇集系统内故障电流特征进行理论分析，采用抑制负序电流控制的光伏发电单元在不对称电压条件下不输出负序电流。当汇集系统中某节点处发生不对称故障时，整个网络中只有故障节点处一个负序电源，如图3所示。可以将故障点负序电源看成一个负序电流源，各节点负序电压可以通过节点负序阻抗阵和一个稀疏的节点负序注入电流向量(仅含一个非零元素)乘积得到：V1negV2neg...Vkneg...VNnegN×1=Z11negZ12neg...Z1NnegZ21negZ22neg...Z2Nneg.........Zk1negZk2neg...ZkNneg.........ZN1negZN2neg...ZNNnegN×N00...Ikneg...0N×1]]>式中，表示由故障点注入负序网络的负序电流，N为站内汇集系统网络节点数。考虑汇集系统中M(M<N)个节点上装有电压测量装置，将上式中对应M行提取出来，得到节点负序电压已知的行构成的节点负序电压方程。为了避免了相位计算及对测量信息的同步要求，等式两边均为幅值形式：|Vi1neg||Vi2neg|...|ViMneg|M×1=|Zi11neg||Zi12neg|...|Zi1Nneg||Zi21neg||Zi22neg|...|Zi2Nneg|.........|ZiM1neg||ZiM2neg|...|ZiMNneg|M×N00...|Ikneg|...0N×1]]>式中，M为测点安装数。ik表示第k个测点对应节点编号(k＝1,2,…,M)。上式简记为Vneg＝Zneg·Ineg，Vneg为M×1维测点负序电压幅值向量，Zneg为M×N维感知矩阵，Ineg为N×1维待求解的节点负序注入电流幅值向量。表示由故障点注入负序网络的负序电流。上式是一个欠定方程组，存在无穷多解，采用传统最小二乘法无法得到稀疏解，易造成故障点误判或者难以判断。而压缩感知理论可以有效避免上述问题。压缩感知利用少量的测点数据，凭借优化重构算法求解欠定方程组能够恢复得到足够稀疏的原始信号。鉴于由节点阻抗矩阵得到的感知矩阵列与列相关性强及待重构原始信号Ineg稀疏度极高的特点，本发明采用基于稀疏贝叶斯学习算法的贝叶斯压缩感知重构算法，该算法较其他优化重构算法更适合处理感知矩阵中列与列相关性强的情况，更易获得最稀疏解和抗噪能力更强。图4为本发明所提故障定位流程图，汇集系统中发生故障后定位步骤如下：1)首先根据光伏电站内汇集系统结构参数离线生成节点负序阻抗矩阵，根据测点分布形成Zneg；2)读取故障后测点电压数据，计算一个连续窗长的Vneg；3)将Zneg和窗长中起始时刻的Vneg作为参数送入贝叶斯压缩感知重构算法进行计算，得到Ineg；4)继续读取下一时刻的Vneg重复步骤3)，直到读取完整个窗长的Vneg；5)理论上重构向量中非零元素个数对应故障节点个数。但受算法实际性能及测量、传递噪声等影响，很难保证重构向量中仅含一个非零元素(考虑单一故障)。因此，为了降低误判的可能性，采取观察一段连续窗长的重构结果，统计各时刻重构向量中值最大的元素所对应的节点出现的次数，出现次数最多的节点即视为故障节点。以图3给出的汇集系统为实例模型，测点数取12。在该系统中所有节点处施加不同故障类型、过渡电阻的不对称故障，并考虑测量数据含有较高噪声的情况，定位结果按本方法计算结果与真实故障节点的距离进行分类，如表1所示。表1为本方法遍历所有节点的定位结果，表1中结果表明，在汇集系统内发生故障时，采用稀疏的测量点非同步幅值信息，可以较为精确地找到大部分故障节点的位置。由于系统结构的问题，部分支路无法流通负序电流，导致定位存在误差，将故障定位在相邻节点。然而，考虑到站内实际接线距离，这样的误差并不会给故障清除带来太大影响。表1图5为节点15处发生AB两相短路经10Ω过渡电阻接地故障时的Ineg重构结果，图中x轴为节点编号，y轴为时间窗长，z轴表示Ineg中元素幅值。窗长内任一时刻的重构结果Ineg中均为第15个元素最大，而其余元素均在0附近，因此通过重构结果可以直观判断出故障节点，与真实故障节点位置一致。图6为节点40处发生BC两相经25Ω过渡电阻短路故障，且电压测量信号中含有3％噪声时的Ineg重构结果。此时，窗长内各时刻的重构结果Ineg中出现了多个幅值明显的非零元素，但各时刻Ineg的第40个元素均要比其余元素大得多，因此仍旧可以通过重构结果直观判断出故障节点，且与真实故障节点一致。图7为节点8处发生CA两相经10Ω过渡电阻短路故障时，Ineg重构结果中不同时刻的值最大元素对应节点为7～11，最终定位结果为节点7，为真实故障节点相邻节点。综上实例，本方法利用稀疏测点的故障后较短的非同步测量信息，在不同故障类型、过渡电阻及较高测量噪声条件下能够精确找到大部分故障节点。由于系统结构问题，部分支路无法流通负序电流，当汇集支路上最后一个测点及下游节点处发生故障时，重构结果中值最大元素对应节点分布在测点至支路末端节点之间，而最终定位结果不会超出这个范围，甚至在一个更小的范围内，这样的误差不会给实际故障清除带来太大影响，能够满足实际应用需求。鉴于本方法的分析基础和条件，应用本发明所述方法不受光伏系统运行条件(如出力条件、功率因数等)的影响，仅需利用稀疏测点故障后较短的非同步测量信息，在不同故障类型、过渡电阻及较高测量噪声条件下均能保证良好的故障定位精度。需要说明的是，上述实施方式仅为本发明较佳的实施方案，不能将其理解为对本发明保护范围的限制，在未脱离本发明构思前提下，对本发明所做的任何微小变化与修饰均属于本发明的保护范围。当前第1页1 2 3