基于VMD和GST的配电网单相接地故障精准定位与选线策略研究.docxVIP

基于VMD和GST的配电网单相接地故障精准定位与选线策略研究

一、绪论

1.1研究背景与意义

随着经济的快速发展和社会的不断进步，电力作为现代社会的重要能源，其需求持续增长，对供电可靠性和稳定性也提出了更高要求。配电网作为电力系统的重要组成部分，直接面向广大用户，其运行状况直接关系到用户的用电体验和电力系统的整体效益。近年来，我国配电网建设取得了显著进展，国家电网公司和南方电网公司不断加大对配电网的投资力度，推动配电网的升级改造，提高配电网的供电能力和可靠性。截至2023年底，国家电网公司经营区域内的配电网变电容量达到45.5亿千伏安，线路长度达到450.6万公里，分别比上一年增长了3.5%和3.1%。南方电网公司的配电网变电容量达到11.3亿千伏安，线路长度达到130.5万公里，同比增长3.2%和2.8%。

然而，在配电网的运行过程中，单相接地故障是最为常见的故障类型之一，据统计，单相接地故障在配电网故障中所占比例高达80%以上。这种故障通常是由于导线断线落地、绝缘子击穿、树木短接等原因引起的，尤其在潮湿、阴雨等恶劣天气条件下，更容易发生。单相接地故障虽然一般不影响用户的正常供电，但如果不及时处理，会对电力系统和设备造成严重危害。一方面，故障可能会导致电压互感器铁芯饱和，励磁电流急剧增加，长时间运行将烧毁电压互感器；另一方面，可能产生谐振过电压，危及变电设备和配电设备的绝缘，进一步引发严重的短路事故，甚至可能导致电气火灾，威胁人身安全和财产安全。对于导线落地的单相接地故障，还可能对行人和线路巡视人员造成跨步电压电击伤害，对人畜安全构成威胁。

及时准确地进行配电网单相接地故障选线与定位，对于保障电力系统的安全稳定运行、提高供电可靠性、减少停电时间和经济损失具有至关重要的意义。快速确定故障线路和故障位置，可以使维修人员迅速采取措施进行修复，避免故障扩大，缩短停电时间，提高用户满意度。准确的故障选线与定位还能为电力系统的运行维护提供重要依据，有助于优化电网运行方式，提高电网的运行效率和可靠性。因此，研究高效、准确的配电网单相接地故障选线与定位方法，具有重要的现实意义和工程应用价值。

1.2国内外研究现状

1.2.1配电网故障选线方法研究现状

多年来，国内外学者针对配电网故障选线问题开展了大量研究，提出了多种选线方法。这些方法大致可分为基于故障稳态信息和基于故障暂态信息两类。

基于故障稳态信息的选线方法是早期研究的重点，主要包括零序电流比相法、零序电流幅值法、零序电流有功分量法、零序导纳法、五次谐波法等。零序电流幅值法利用故障线路的零序电流幅值比健全线路大的特点来选择故障线路，但该方法对谐振接地电网并不适用，且易受故障点电弧不稳定因素的影响，导致选线准确性受限。零序电流幅值相位比较法依据中性点不接地系统中故障线路零序电流与健全线路方向相反的特性来判断故障线路，但对于零序电压及零序电流较小的接地故障，相位判断较为困难。谐波法通过检测故障线路五次谐波电流比健全线路大且方向相反的特点来确定故障线路，适用于经消弧线圈接地系统，但负荷中的五次谐波源和互感器的不平衡电流会对选线结果产生干扰。

随着研究的深入，基于故障暂态信息的选线方法逐渐成为研究热点。这类方法利用故障发生瞬间产生的暂态信号进行选线，具有信号特征明显、不受消弧线圈影响等优点。常见的方法有基于频谱分析和频带分析方法、基于小波理论的暂态零序电流法、模糊神经网络法、暂态能量法等。基于小波理论的暂态零序电流法利用小波变换对暂态零序电流进行分析，提取故障特征，但小波基函数的选择和分解层数的确定对选线效果影响较大。模糊神经网络法将模糊理论和神经网络相结合，能够处理不确定信息，但网络训练需要大量样本数据，且训练时间较长。

近年来，一些新兴技术也被应用于配电网故障选线，如人工智能、机器学习等。文献[X]提出了一种基于支持向量机（SVM）的故障选线方法，通过对故障特征量的学习和分类，实现故障线路的识别，取得了较好的选线效果，但SVM参数的选择对性能影响较大，需要进行优化。文献[X]利用深度学习算法对配电网故障数据进行分析，自动提取故障特征，实现故障选线，提高了选线的准确性和智能化水平，但深度学习模型通常较为复杂，对计算资源要求较高。

然而，现有的故障选线方法仍存在一些不足之处。一方面，配电网运行环境复杂，故障信号容易受到噪声、干扰等因素的影响，导致选线准确性难以保证；另一方面，不同的选线方法对故障类型和故障条件具有一定的局限性，难以适应各种复杂的故障情况。因此，寻找一种更加准确、可靠、适应性强的故障选线方法仍然是当前研究的重点。

变分模态分解（VMD）作为一种新兴的信号处理方法，具有自适应分解、抗噪声能力强等优点，近年来开始被