在集成可再生能源的配电网中，利用EMD-SVM技术实现抗噪声的故障与电能质量事件检测、分类及定位

《Electric Power Systems Research》：Noise-resilient fault and power quality event detection, classification, and localization in renewable-integrated distribution networks using EMD–SVM

亚周期检测与分类框架实现可再生能源整合配电系统的高效保护

　　

Dhanunjayudu N|Eswaramoorthy K. Varadharaj|Mohana Rao M|Krishnaiah J

电子与通信工程系，IIITDM Kurnool，印度库尔努尔

摘要

本文提出了一种有效的框架，用于检测、分类和定位可再生能源集成配电系统中的故障和电能质量（PQ）事件。该框架仅使用单端变电站测量数据，通过基于EMD-SVM/SVR的方法实现快速事件诊断，决策延迟为0.33个周期。通过轻量级预处理和短窗口分析，确保在非平稳和噪声条件下系统稳定运行。该方法在信噪比为20 dB时分类准确率达到97.8%，故障电阻高达7 Ω，并能可靠地区分电能质量干扰和开关事件，且无误报。与现有的基于EMD、DWT和DMD的技术相比，该框架具有更快的检测速度、更高的鲁棒性和实时可行性，适用于可再生能源集成配电网络的实际保护。

引言

可再生能源（RES）在现代配电系统中的渗透率不断增加，给传统保护方案带来了重大挑战[1]。分布式发电（DG），如太阳能和风能，导致双向功率流动、故障电流水平变化以及系统阻抗改变，常常引起过流继电器的误操作或误跳闸[2]、[3]。这些因素降低了原本为辐射型单向网络设计的传统保护策略的可靠性，因此需要快速智能的事件诊断方法来应对可再生能源集成电网。

先进的信号处理技术已被广泛用于配电系统中的故障检测和电能质量干扰分析。卡尔曼滤波[4]、S变换及其变体[5]、[6]、小波变换[7]、Gabor-Wigner变换[8]和数学形态学[9]等方法能够对瞬态事件进行时频特征分析。然而，这些方法的有效性往往对参数选择（包括窗口长度和基函数）敏感，在可再生能源集成配电网络中常见的非平稳和噪声环境下性能会下降。

经验模态分解（EMD）提供了一种自适应的、数据驱动的替代方法，无需预定义基函数即可分析非线性和非平稳信号[10]、[11]。通过将测量信号分解为固有模态函数（IMFs），EMD能够有效捕捉与故障和干扰相关的瞬态振荡。因此，基于EMD的技术已被应用于母线保护[12]、感应发电机故障诊断[13]、微电网保护[14]以及可再生能源集成配电馈线保护[15]、[16]。这些研究表明，EMD适用于从配电系统中短时非平稳信号中提取故障相关特征。

尽管取得了这些进展，但由于馈线长度短、分支众多以及运行条件多变[16]、[17]，配电系统中的准确故障检测、分类和定位仍然具有挑战性。传统的基于阻抗和行波的位置技术在没有DG和负载不对称的情况下往往缺乏鲁棒性[18]。为了解决这些问题，人们探索了结合信号处理和机器学习的混合方法[19]。其中，支持向量机（SVM）在训练数据有限的情况下表现出强大的泛化能力和高分类准确率[20]、[21]、[22]、[23]，在某些近距离故障场景中优于人工神经网络[24]、[25]。也有基于决策树和数据挖掘的方法被报道[26]、[27]、[28]、[29]，但其在噪声下的鲁棒性仍然有限[30]。最近，基于物理的信息分解技术，如动态模态分解（DMD）及其变体，也被应用于故障和电能质量分析[31]、[32]、[33]、[34]、[41]、[42]、[43]、[44]、[45]。虽然DMD通过Koopman算子分析提供了理论上的严谨性，但其计算负担和线性可观测性假设限制了其在配电网络中快速检测非线性瞬态的适用性。

最近的研究还探讨了基于深度学习的方法，用于配电系统中的故障和电能质量事件诊断，包括带有注意力机制的卷积和循环架构以及混合ANN-HHT框架[35]、[36]。尽管这些方法报告了高分类准确率，但它们通常需要较长的数据窗口、离线训练或多点测量，这限制了它们在亚周期、单端保护应用中的适用性。

因此，仍需要一个统一的、数据驱动的框架，能够在可再生能源集成配电系统中使用单端测量数据实现亚周期、抗噪声的故障和电能质量事件诊断。本研究通过将自适应的基于EMD的信号分解与基于SVM的分类和回归相结合，实现了在实际运行条件下的快速可靠的事件检测、分类和定位。

先前已有研究报道了将经验模态分解（EMD）与机器学习技术（如人工神经网络（ANNs）、支持向量机（SVMs）、决策树和小波基方法）结合用于配电系统中的选定保护和电能质量分析任务[15]、[16]、[20]、[24]、[28]、[29]。然而，大多数现有研究仅将故障检测、分类、定位、孤岛现象或电能质量评估作为孤立问题来处理，通常依赖于较长的观测窗口、多端测量或离线分析。因此，它们在可再生能源集成配电网络中的快速实时保护应用中的适用性仍然有限。

本研究的技术贡献在于系统地将基于EMD的信号分解与基于SVM/SVR的学习集成到一个单端、具有延迟约束的保护框架中。所提出的方法专门设计用于仅使用变电站测量数据进行亚周期决策，同时处理多种电网事件。通过明确考虑测量噪声、故障电阻和可再生能源渗透率，该框架确保在实际运行条件下的可靠和可重复性能，而这在大多数现有的基于EMD-机器学习的方案中并未同时实现。

本研究的主要贡献总结如下：

•

统一的多事件诊断：在单一保护框架内同时检测、分类和定位故障，并可靠地区分电能质量干扰、开关事件、孤岛现象和分布式发电跳闸。

•

单端亚周期保护：仅使用变电站测量数据，在0.33个周期内完成故障检测和定位，无需多点传感或通信辅助方案。

•

在实际运行条件下的鲁棒性：在信噪比低至20 dB和故障电阻高达7 Ω的情况下仍能保持一致的性能，同时考虑了转换器接口的可再生能源和储能系统。

•

计算效率高的EMD稳定化：

通过短窗口分解和集成能量平均，减轻了模态混合、端效应和噪声敏感性，实现了实时可行性，无需高级集成或变分分解方法的计算开销。

•

广泛的定量验证：

在集成太阳能、风能和燃料电池储能的改进型IEEE 13节点和34节点配电系统上进行了全面评估，证明了相对于最近的基于EMD、ANN和DMD的方法，具有更优的检测延迟和定位准确性。

上述每项贡献都在表1中使用了共同的评估框架进行了定量对比，该框架同时考虑了测量配置、运行噪声、故障电阻和事件多样性。虽然某些现有技术在受限条件下处理单一任务时报告了较低的检测延迟，但它们通常仅针对有限的保护或电能质量功能，并未在噪声和高阻抗条件下进行同时单端操作的评估。在这个现实的运行范围内，所提出的框架实现了亚周期故障检测、分类和定位，以及电能质量干扰、开关事件、孤岛现象和分布式发电跳闸的可靠区分，采用了一种统一且实际可部署的方法。

总体而言，这些贡献表明，所提出的EMD-SVM框架将现有的基于EMD的保护方案从孤立的分析研究推进为适用于现代可再生能源集成配电网络的实时保护和电能质量监测的实际解决方案。详细的实时实现方面，包括缓冲策略和延迟分析，在A部分提供。

本文的其余部分组织如下。第2节详细介绍了用于自适应信号分解和故障检测的经验模态分解（EMD）技术。第3节讨论了用于事件分类和故障定位的支持向量机（SVM）和支持向量回归（SVR）模型。第4节描述了仿真平台、网络模型、测试系统参数以及所提出的基于EMD-SVM/SVR的保护框架的统一实现，包括其在具有可再生能源集成的IEEE 13节点和34节点配电系统中的故障检测、分类和定位的执行流程。第5节讨论了仿真结果，分析了检测、分类和定位性能，并将所提出的方法与文献中报道的现有方法进行了比较。最后，第6节总结了本文的主要发现。

部分摘录

经验模态分解

经验模态分解（EMD）是一种自适应的、数据驱动的信号处理技术，通过将非线性和非平稳信号X(t)分解为一组有限的振荡分量（称为固有模态函数（IMFs）和一个残差趋势[10]、[11]、[12]、[15]来分析这些信号。每个IMF满足两个内在条件：（1）极值和零交叉点的数量最多相差一个；（2）上下包络线的平均值几乎为零。

支持向量机（SVM）用于分类和回归

支持向量机（SVM）是一种广泛用于故障分析中的监督学习算法[22]、[23]。在本研究中，SVM分类器用于故障类型识别和故障区域分类，而支持向量回归（SVR）用于节点级故障定位。

输入特征向量：每个事件由一个固定维度的特征向量表示，包括均值、方差、标准差和累积IMF能量。

仿真平台和算法实现

本节描述了仿真环境、网络模型、测试场景以及所提出的EMD-SVM/SVR框架的逐步执行过程。提供的信息旨在便于独立复现第5节报告的结果。

结果分析和洞察

所提出的EMD-SVM框架在修改后的IEEE 13节点和34节点配电系统上进行了九种代表性场景的评估[38]、[39]：

1.

故障发生角度变化，

2.

故障位置变化，

3.

测量噪声变化，

4.

故障电阻变化，

5.

滑动窗口长度变化，

6.

采样频率变化，

7.

开关瞬态，

8.

孤岛现象和DG断开，

9.

BESS模式转换。

结论

本研究提出了一种自适应的EMD-SVM框架，用于可再生能源集成配电系统中的实时故障和电能质量事件诊断。主要的质量和定量发现总结如下：

•

统一诊断：在同一保护框架内同时检测、分类和定位故障、电能质量事件、开关瞬态、孤岛现象和DG跳闸。

•

亚周期响应：在0.33个周期内完成故障检测和定位。

•

鲁棒运行：在20 dB的信噪比下仍能保持一致的性能。

CRediT作者贡献声明

Dhanunjayudu N：撰写——原始草稿、可视化、验证、软件、资源、项目管理、方法论、调查、形式分析、数据整理、概念化。Eswaramoorthy K. Varadharaj：撰写——审阅与编辑、监督。Mohana Rao M：验证。Krishnaiah J：撰写——审阅与编辑、验证、监督。

利益冲突声明

作者声明没有利益冲突