CN1930750A - 高阻抗故障检测 - Google Patents

Abstract

一种设备、系统和方法，用于使用具有表决逻辑的复合高阻抗故障检测系统来检测电力线中的高阻抗故障，所述表决逻辑对来自多个独立的高阻抗检测系统逻辑的输出进行采样且如果多个独立的高阻抗检测系统中的任何两个指示高阻抗故障，则确定高阻抗故障。优选地，多个高阻抗检测系统包括具有第一逻辑输出的基于小波的高阻抗故障检测系统、具有第二逻辑输出的基于较高阶统计的高阻抗故障检测系统和具有第三逻辑输出的基于神经网的高阻抗故障检测系统。优选地，多个高阻抗故障检测系统中的每个包括独立地检测电力线上的高阻抗故障的独立高阻抗故障检测应用。

Description

高阻抗故障检测

技术领域

本发明总的涉及电力系统中的故障检测，且具体涉及电力分配线中的高阻抗故障检测。

背景技术

高阻抗故障的特征在于在故障点的高阻抗。因而，高阻抗故障典型地产生小的故障电流水平。因而，高阻抗故障通常可定义为这样的故障，其引起的故障电流不足以通过诸如保护继电器的传统过流装置来识别和清除。

当带电的一次导体与诸如树、结构或设备、电杆横担的准绝缘物体接触或落地时，产生了高阻抗故障。典型地，高阻抗故障在接触点呈现飞弧和闪光。这些难以检测的故障的重要性在于，它们表现出严重的公共安全危险还有飞弧引发火灾的风险。由此，高阻抗故障检测长时间以来一直是继电保护的主要关注。

保护继电器通常设计成通过在高电流状况期间将设备(线路、变压器等)隔离来保护设备免受损害。典型地在分配电路上所发现的高阻抗故障，导致非常小的电流——如果有的话。高阻抗故障不对设备造成威胁，且由于它们的特性，不能通过常规过流装置来检测。但是，下落导体(downedconductor)的危险众所周知。一些主要的关注是，火灾、财产损失以及某人与带电导体接触的可能性。

而且，对于制造者而言，承诺一种全面的解决方案的法律问题(例如责任问题)可能是高成本的。例如，在检测到高阻抗故障之后采用使断路器跳闸并非一种简单的选择。尽管高阻抗故障是危险的，但通过将家庭、交通信号、办公室等断电，使馈线跳闸将产生不必要的新危险。不正确地判断高阻抗故障的影响将具有经济和法律的后果(ramification)。

公用设施必须始终将公众安全作为最高优先级。然而，高阻抗故障检测在过去是不可能的，且现在也不能指望实际的检测算法可以100％检测到所有下落导体，同时具有防止不当操作的100％安全性。公用设施需要一种经济的解决方案和系统，其可以可靠地检测高阻抗故障，且由于不会错误地检测HIF所以也是安全的。

一些最早的HIF检测方案涉及使用低频电流分量的飞弧故障检测技术，且在B.Russel、K.Mehta、R.Chinchali的“An arcing fault detectiontechnique evaluation using recorded data”，IEEE Transactions on PowerDelivery，Vol.3，No.4，pp.1493-1500，October 1988中描述。这种常规的飞弧故障检测技术检查低频即180和210Hz的电流，以确定是否发生了飞弧故障。开发了一种基于特征能量且使用动态阈值的分层次检测方案。尽管该算法进行了现场测试，但其性能限制了它的实际适用性。

题为“High Impedance Fault Detection Apparatus and Method”的美国专利No.4,466,071描述了一种常规高阻抗故障检测技术，其监视和估算交变电流的每个周期的高频分量。基于规定时段和规定模式的高频分量的幅度的显著增加来确定高阻抗故障的发生。然而，此专利只考虑高阻抗故障电流的非常特定的特征，而没有考虑在多分辨率框架(multi-resolutionframework)中的高阻抗故障电流。题为“Energy Analysis Fault DetectionSystem”的美国专利No.5,512,832描述了一种常规检测技术，其将负载电流的能量值与预设的阈值进行比较，以便检测电力线上的飞弧故障。然而，该专利实质上是非常基础的，且没有考虑或使用负载电流的其他特征来检测故障。

另一种HIF检测方案设计了一种神经网络检测系统，其被训练以识别HIF故障，且在S.Ebron，D.Lubkeman，M.White的“A neural networkapproach to the detection of incipient faults on power distribution feeders”，IEEE Transactions on Power Delivery，Vol.5，No.2，pp.905-914，April 1990中描述。尽管此研究在神经网络开发的早期进行，但它确实强调了自适应学习系统在HIF检测中的潜力。该试验性研究不涉及任何在实际过程中生成的数据，而是使用由电磁暂态程序(EMTP)软件所生成的仿真HIF数据来进行开发和测试。此外，在该研究中所使用的神经网络具有相对简单的架构。

题为“Method and Apparatus For Detecting High-Impedance Faults InElectrical Power Systems”的美国专利No.5,537,327描述了一种使用神经网络来检测高阻抗故障的常规高阻抗故障检测技术。然而，美国专利No.5,537,327所使用的特征依赖于负载电流的最大值和最小值的导数(derivative)。过零点也被用于检测故障。B.Russel和C.Benner在“Arcingfault detection for distribution feeders：security assessment in long term fieldtrials”，IEEE Transactions on Power Delivery，Vol.10，No.2，pp.676-683，April1995中，发表了由五个单位合作来进行的包括分阶段故障(staged fault)、自然发生的故障以及正常系统操作的长期HIF检测测试的结果。该研究很详细地描述了HIF检测的某些实用的方面，但其确实表明，使用他们的基于随机性的算法，可实现的最好性能是75％的HIF检测。

British Columbia Hydro和Powertech Labs Inc.测试了包括紧接着在以上所述的Russell等人的系统在内的三个HIF检测系统(见，V.Bucholz，M.Nagpol，J.Nielson，B.Parisi，和W.Zarecki的“High impedance fault detectiondevice tester”，IEEE transactions on Power Delivery，Vol.11，No.1，pp.184-190，January 1996.)。最有意义的结果是，HIF特征的较高频率在HIF检测时和在将HIF与其他类型的故障或正常飞弧操作进行区分时起到重要作用。

在另一个HIF检测研究中，总结了HIF检测和测试的多年经历的结果，且公开了基于随机性的HIF检测算法的性能的正式评估。(见C.Benner和B.Russell的“Practical high impedance fault detection on distribution feeders”，IEEE Transactions on Power Delivery，Vol.33，No.3，pp.635-640，May/June1997)。尽管它的简单和它的专门特性，该算法确实提供了相对可靠的HIF检测。此技术在由General Electric所出售的公知为数字馈线监视器(DFM)的继电器中实现，且使用了主要基于层中的能量、随机性、中间谐波(interharmonics)等的九种算法，如由R.Patterson，W.Tyska，B.Don Russell和B.Michael Aucoin在the Forty-Seventh Annual Conference for ProtectiveRelay Engineers，Texas A&M University，College Station，TX，March 21-23，1994所发表的“A Microprocessor-Based Digital Feeder Monitor WithHigh-Impedance Fault Detection”的第8页的图4中所示。相反，如优选实施例中所描述的本发明的技术只使用了基于神经网络、统计和小波的三种算法，且具有基于独立检测HIF状况的每个算法来确定对HIF故障的检测的表决方案(voting scheme)。

描述HIF故障检测研究和技术的其他出版物有：

a.Snider，L.A.；Yuen，Y.S.，International Conference on Power SystemsTransients 1999，PP.235-40，论文发表于在1999年6月20-24日在匈牙利Budapest召开的会议，该论文提出了一种基于人工神经网络(ANN)的中继算法，该算法使用傅立叶分析来确定低阶谐波矢量，然后这些矢量被馈送到感知器或前馈神经网络。通过向网络馈送由低阶谐波的幅度或相位角组成的输入矢量来训练该网络。本发明使用了不同的神经网络算法，其不同在于它是使用波形采样作为输入的多层感知器、而不是低阶谐波的快速傅立叶变换(FFT)或离散傅立叶变换(DFT)。

b.Don Russell，B.；Benner，Carl L.，Electric Power Systems Research v 31n 2 Nov 1994.p 71-77，其提出了一种对来自若干算法的输出进行处理以确定故障存在的置信度的智能分析系统。这基本上是在GE数字馈线监视器(DFM)中所实施的。此系统处理奇次谐波、偶次谐波和非谐波，并将能量和随机性算法用于电弧检测分析。此系统使用电弧置信度水平生成器生成置信度水平，以及使用专家负载模式分析器生成飞弧持久性。

c.Benner，C.L.；Russell，D.，Rural Electric Power Conference 1996 PP.B2/38-43，论文发表在于1996年4月28-30日在TX Forth Worth召开的由Rural Electr.Power Committee of the IEEE Ind.Applications Soc.IEEE所赞助的Rural Electric Power Conference上，该论文着眼于具有多种检测算法以便成功地平衡故障检测与故障鉴别。该论文确实描述了DFM的能量和随机性算法以及电弧置信度水平发生器和专家负载模式分析器，但是没有较详细地说明其实施。此论文基本上描述了使用多种算法(与DFM一样)来增强这些类型的故障检测。此论文进一步提到GE已经进行了商业开发。尽管此论文确实支持多算法检测，但其没有对在本发明中所使用的任何特定算法构成挑战。

d.Lazkano，A.；Ruiz，J.；Aramendi，E.；Leturiondo，L.A.，Proceedings ofNinth International Conference on Harmonics and Quality of Power，Vol.3，pp.1005-1010，2000，“A New Approach to High Impedance Fault DetectionUsing Wavelet Packet Analysis”，论文发表于在FL Orlando召开的会议，其提出了一种涉及小波包分析的HIF检测技术。其似乎类似于本发明中所实施的小波算法，因为其使用了具有电弧电流信号的4-级分解的Daubechies 4母小波。然而，其只分析电流的二次谐波值。本发明的小波算法分析在320-400Hz区域中的电流分量。因此，理论和实施不同，且该论文只描述了理论结果。

e.Al-Dabbagh，M.；Al-Dabbagh，L.，IJCNN’99.Internmational JointConference on Neural Networks.Proceedings，Vol.5，pp.3386-90，2000，“Neural Networks Based Algorithm for Detecting High Impedance Faults onPower Distribution Lines”，论文发表于在1999年7月10-16日在Washington，D.C.召开的会议上，其描述了与本发明的神经网络检测算法非常类似的神经网络检测算法。然而，在两个算法之间具有显著区别。此论文中的算法同样是具有反向传播的多层网络，但是此算法使用电流和电压信号的DFT作为输入，而不是各个采样本身。此论文没有指出输入、输出和关联于网络的隐藏层的数目，并使用EMTP/ATP仿真来测试算法。

可以理解，用于检测电力线中的高阻抗故障的常规装置典型地并非总是决定性的和/或可靠的，并可能是昂贵的。由此，需要一种可靠且经济的用于检测电力线中的高阻抗故障的新解决方案，其解决了检测的工程和法律后果以及一检测到高阻抗故障就确定如何处理的问题。

发明内容

一种用于检测电力线中的高阻抗故障的方法，包括：

提供各具有输出的多个高阻抗故障检测装置；

使用所述多个高阻抗故障检测装置独立地检测电力线中的高阻抗故障状况；以及

使用决策装置来确定高阻抗故障的出现，其中如果独立输出中的任何两个或多个输出指示所述多个高故障检测装置中的对应高故障检测装置已检测到高阻抗故障状况，则决策装置确定高阻抗故障。

一种用于检测具有流过其中的交变电流的电力系统中的高阻抗故障的系统，包括：

电源；

一个或多个相互连接的电力导体；以及

复合高阻抗故障检测系统，其连接到所述一个或多个电力导体，用于当多个单独的高阻抗故障检测系统中的至少两个各独立地检测到所述电功率导体上的高阻抗故障的发生时，检测到高阻抗故障。

一种用于检测电力线中的高阻抗故障的设备，包括：

具有第一逻辑输出的基于小波的系统，用于检测电力线中的高阻抗故障状况；

具有第二逻辑输出的基于较高阶统计的系统，用于检测电力线中的高阻抗故障状况；以及

具有第三逻辑输出的基于神经网络的系统，用于检测电力线中的高阻抗故障状况，

基于小波的系统、基于较高阶统计的系统和基于神经网络的系统各独立地检测电力线中的同一高阻抗故障状况。

一种用于检测电力线中的高阻抗故障的设备，包括：

各具有输出的多个高阻抗故障检测装置，所述多个高阻抗故障检测装置中的每个独立地检测电力线上的高阻抗故障状况；以及

决策装置，用于在独立输出中的任何两个或多个输出指示所述多个高故障检测装置中的对应高故障检测装置已检测到高阻抗故障状况时确定高阻抗故障。

一种用于电力分配线的保护继电器，包括：

一个或多个计算装置，所述计算装置中的仅一个计算装置用于检测电力分配线中的非高阻抗故障和高阻抗故障两者。

附图说明

结合附图可以更好地理解上述发明内容以及以下的对优选实施例的详细说明。为了说明本发明，在附图中示出的实施例是当前优选的实施例，然而应理解，发明不局限于所公开的具体方法和设备。在附图中：

图1是根据具有本发明的复合高阻抗故障检测系统的示例性电力分配系统的示意图；

图2是示出了根据本发明的示例性复合高阻抗故障检测系统的框图；

图2a是示出图2中所示示例性复合高阻抗故障检测系统的典型实施例的框图；

图3是示出为了在实验上演示高阻抗故障和收集用于测试和估算的数据而开发的示例性实验室模型的框图。

图4示出一流程图，示出了基于小波的高阻抗故障检测系统；

图5示出一流程图，示出基于较高阶统计的高阻抗故障检测系统；

图6示出一流程图，示出了基于神经网络的高阻抗故障检测系统。

具体实施方式

本发明考虑在多分辨率框架中的高阻抗故障。本发明涉及一种用于高阻抗故障检测的新方法，其包括采用多个单独的故障检测系统的多方案高阻抗故障检测方案，所述多个单独的故障检测系统各具有其自己的算法应用，使用相位和/或接地电流的各种特征来单独检测高阻抗故障。适合的电流特征包括如神经网所看见的它们的采样值、它们的波长特征、它们的第四阶矩等。图1示出了具有电力分配线10和复合高阻抗检测系统12的电力分配系统的示意图。图1中的粗竖条是母线16且表示多个分配线的相互连接。复合高阻抗检测系统12包括多个单独的高阻抗故障检测系统，其在图1中未示出但在图2中示出。在图1中还示出电压互感器PT和电流互感器CT，它们提供保护继电器的典型模拟输入。

这些单独的高阻抗故障检测系统具有用于单独检测高阻抗故障的单独算法。这些算法可以使用例如小波、较高阶统计、神经网络等来独立于每个其他系统算法来识别高阻抗故障的存在。每个单独的高阻抗故障检测算法可具有不同的置信度水平。一旦故障由算法独立地检测到并且通过决策逻辑处理，则将故障识别为高阻抗故障。

图2示出了示例性复合高阻抗故障检测系统12，包括在图2中被标识为第二阶统计系统22的基于较高阶统计的高阻抗故障检测系统20，基于小波的高阻抗检测系统24和基于神经网络的高阻抗检测系统26。如图2中所示，提供了在图2中标有“采集”的输入连接28和在图2中标有“检测决策”的输出连接30，用于在电力分配系统和高阻抗故障检测系统22、24、26之间传送电信号。

例如，输入连接28从耦合到电力分配线的感测装置接收电信号。感测装置可包括任何合适的感测装置，如在图1中所示出的电流互感器。采集28的输出通过数据滤波29来处理，数据滤波29将限带信号提供到每个单独的高阻抗故障检测系统22、24、26。

如图2中所示，每个单独的高阻抗故障检测系统22、24、26包括逻辑输出，该逻辑输出被传送到确定是否已经发生高阻抗故障的、在图2中示为“决策逻辑”32的复合高阻抗故障检测系统。一旦确定至少两个单独的高阻抗故障检测系统22、24、26已经独立地检测到高阻抗故障，则复合高阻抗故障检测系统将故障检测和识别为高阻抗故障。这种复合特征提供了增强的防止误识别的安全性，同时提高了检测到所有高阻抗故障的概率。以下将详细讨论每个高阻抗故障检测系统22、24、26及其相关算法和复合算法。

输出连接，即决策逻辑32的“检测决策”30，将来自各个基于小波的高阻抗检测系统、即基于较高阶统计的高阻抗检测系统22、基于小波的高阻抗检测系统24和基于神经网络的高阻抗检测系统26中的每个的逻辑输出提供到复合高阻抗检测系统。

基于较高阶统计的高阻抗检测系统22、基于小波的高阻抗检测系统24和基于神经网络的高阻抗检测系统26以及决策逻辑32实施在微处理器中，该处理器还用于实施HIF检测以外的诸如保护的非HIF检测算法和控制算法，以及如果需要，还有计量和/或监视算法。由此在本发明中，一个微处理器被用于执行非HIF检测和HIF检测算法两者。

图2a以框图形式示出了用于图2的采集28、滤波29、高阻抗故障检测系统20和决策逻辑32、以及典型地关联于保护继电器的其他元件的典型实施例。如图2a中所示，采集28是图1中所示的电压互感器PT和电流互感器CT的组合，其输出通过滤波器21中的对应滤波器来滤波，且被提供到复用器23。

复用器23的输出通过模数转换器25连接到数字信号处理器27的输入。在图2a中示出的实施例还包括存储器32和包括微处理器34a、随机存取存储器34b和只读存储器34c的CPU板34。如以上结合图2的描述，在该图中所示出的各个高阻抗故障检测系统22、24、26中的每个实施在微处理器34a中。还如以上结合图2的描述，微处理器34a还用于实施HIF检测以外的诸如保护的非HIF检测算法和控制算法，以及如果需要，还有计量和/或监视算法。作为高阻抗故障或非高阻抗故障状况得到确定的指示，CPU板34的输出连接到报警36。

测试数据

图3以简化形式示出示例性的实验室模型，开发该模型用来在实验上演示高阻抗故障并收集用于测试和评估的数据。示例性的设置包括两个并联连接的120/4500V、1kVA变压器42，且由120V、15A、60Hz的电源40供电。如图3中所述，裸导体46连接到变压器次级的一个端子以仿真下落的传输线。另一个次级端子连接到埋在土壤48中的铜板，由此仿真地电极和地。

将裸导体落到各种土壤表面上以研究所得到的电流的差异。使用这样一种数据收集系统来收集HIF电流特征：其基于使用具有在Windows NT上运行的Lab-VIEW软件的National Instruments数据采集和信号调节板。数据以20kHz采样、量化为14位且以二进制格式存储。每个HIF实验情形进行50秒的持续时间。

对于七种不同的湿表面状况(湿且冻的草地、土壤、沥青、沙砾、沙地、和混凝土)执行十五种情形，总共是105种HIF情形。该数据采集方案还用于为单相非线性负载(例如TV、荧光灯、PC、桥整流器、相位受控电动机驱动器和弧焊机)收集非HIF电流的特征。创建了总共22个非HIF文件。

信号模型

在此示例性研究中所开发的HIF检测算法是基于使用所有3相和/或地中的HIF电流特征，其被认为是非静态、时变、以及具有变化的暴发持续时间。尽管HIF信号确实类似于电流的三次谐波分量，但其它谐波分量和非谐波分量在HIF检测中也可起到重要作用。一个挑战是开发一种数据模型，其确认高阻抗故障可在电流的观察窗中的任何时间发生，并且可依赖于故障位置与测量站的距离而得到随机的延迟和实质上的衰减。该示例性模型通过先前的HIF研究、实验室中的实际实验观察和传统上代表具有时间相关谱的非静态信号的精确描述的内容而推动。

在此示例性研究中所解决的HIF检测问题被公式化如下：

假设H0：r(t)＝s(t)+n(t)          (1)

假设H1：r(t)＝s(t)+n(t)+f(t)     (2)

其中r(t)表示所监视的相和/或接地电流。假设所有电流记录掺杂有加性高斯噪声n(t)。HIF特征由f(t)来表示且表示HIF电流的瞬时值。正常负载信号由s(t)表示且由此假设H0表示无HIF情况且假设H1表示HIF情况。

使用基于小波的系统的高阻抗故障(HIF)检测

图4是示出了示例性的基于小波的HIF检测应用的流程图。当数据在50采集之后，在52使用320-400Hz的带通滤波器来对其滤波，且然后，如在以下详细描述的，在54其在分开的高通和低通小波分解过滤器中被分解。然后在56计算能量，且在58将所计算的能量与阈值比较以确定是否发生HIF。

以下是使用基于小波的高阻抗故障检测系统的高阻抗故障检测的示例性应用。r(t)的连续小波变换是

[69]其中，小波是(t)，p是位置且s是比例。

[70]位置参量保持对电流谐波的时间变化的跟踪，其对于HIF检测是关键的，且比例变化保持对电流负载的频带的跟踪。位置和比例都是连续的，因而上述变换不适于计算。需要该变换的离散版本，其由以下给出：

其中k、m和n都是整数。

上述变换通过多分辨率分析来实施，其中通过公知为小波分解滤波器的两个分开的低通和高通滤波器将信号分解为低通和高通分量。在滤波之后，以因子2向下采样低通和高通信号两者。高通信号分量对应于信号的第一细节外观(detail look)。第二细节外观可通过将当前低通信号进一步分解为两个新的低通和高通分量而获得。第三、第四等细节信号可通过对随后的低通分量进一步分解而获得。

原始信号可以以倒金字塔的方式根据其低通和高通分量以最小误差来重构。区别性的HIF特征就是可位于这些高通分量中，且可与暂态和脉冲特性的其他非线性负载的特征区分开。分解滤波器与所使用的母小波的类型相关联。

此技术的大多数示例性测试使用Daubechies-4小波来进行，这种小波不是很平滑的小波但是需要较少的计算时间。使用其他小波或其他Daubechies小波，在性能或在所使用的阈值参数上都没有表现出任何明显的变化。

为基于小波的系统而开发的示例性HIF检测算法通过小波变换以不同的比例和细节来检查电流的重叠窗。尽管可使用多个比例来实现适当的HIF检测，但实验第七细节信号承载了与其它正常飞弧负载或正常非线性负载更具可区分性的最有意义的HIF信息。所需的附加预处理是FFT，以便使具有其所有随机延迟分量的电流成为位置不敏感的。

由此，优选的算法依赖于对电流的FFT的幅度的第七细节信号的能量进行估算。将该能量与固定的阈值和先前数据段的能量进行比较。组合决策产生了故障/无故障的确认。在弧焊负载不存在的情况下，此检测方案以约0.5％的误警报率提供约80％的检测。如果将HIF衰减参数的下限设为0.1(即典型的高阻抗故障检测系统不关心对非常微弱的电流的检测)，则检测率增加到约95％且具有约0.1％的误警报率。在存在弧焊信号且不考虑对衰减的任何下限时，检测性能下降至约65％。误警报率保持在约1％以下。

通过小波分解所获得的第七细节信号对应于在二次和五次谐波之间的频率范围(约156-312Hz)。所提出的检测方案的重要性在于将三、四和五次谐波以及谐波之间的频率当做用于HIF检测的特征组。此外，在第七细节信号的时间变化中考虑了HIF电流的时间变化。

使用基于较高阶统计的系统的高阻抗故障(HIF)检测

图5是示出了示例性的基于较高阶统计HIF检测系统的流程图。在50采集数据，在52使用320-400Hz的带通滤波器来对其滤波。在此应用中的数据采集和滤波都与针对图4的基于小波的HIF检测系统所描述的数据采集和滤波相同，且由此对于这些功能，在图5中具有与在图4中所使用的标号相同的标号。然后在60计算能量，且在62将所计算的能量与阈值进行比较以确定是否发生HIF。

如下文所讨论的，已经开发和测试了一种基于对正常电流的较高阶统计特征进行检查的示例性检测系统和算法。较高阶谱、即二谱(bispectrum)和三谱(trispectrum)被传统地认为是重要的特征提取机制，其对应于随机信号的第三和第四阶累积量。根据定义，二谱和三谱是第三和第四阶累积量的二维和三维傅立叶变换，其被定义为：

C2(m，n)＝E{r(t)r(t+m)r(t+n)}             (5)

C3(m，n，k)＝E{r(t)r(t+m)r(t+n)r(t+k)}    (6)

其中E表示期望值。

在此研究中所实施的示例性算法一部分应归因于Tugnait(见J.Tugnait，“Detection of Random Signals by Integrated Polyspectral Analysis”，IEEETransactions on Signal processing，Vol.44，No.8，pp.2102-2108，August 1996)且利用了单相电流负载的积分多谱。此参考通过对其全部引用而结合于此。

检测器被设计成使得在预备阶段使用第二阶统计或在附加阶段使用第三和第四阶统计来做出检测决策。基本构思如下：假定对第二、第三和第四阶警报率的可访问性，可实现的检测决策是什么。首先，仅使用第二阶统计来确定是否存在故障。如果不能进行检测，则触发基于第三和第四阶累积量的替选测试。将组合的两个测试如此地设计，使得由系统操作者来固定和预先确定误警报的概率。显然此检测器使用了能量特征以外的附加信息。

优选地，此检测器依赖于由前面所描述的预处理滤波器所生成所有电流谱，包括中间谐波。以下对HIF检测器逐项说明：

I.如果 $s_{\mathrm{ed}}>T_{{\mathrm{\α}}_s},$ 则宣告故障

其中，特征s_ed表示数据r(t)的第二阶统计，且T_αs是阈值。s_ed被定义为，

$s_{\mathrm{ed}}=\frac{1}{{\mathrm{\σ}}_n^2}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{r}^2\left(t\right)---\left(7\right)$

其中，σ_n ²是给出作为无故障情况的前提H(0)时r(t)的方差。

阈值T_αs被如此选择，使得

$P(x_N^2\left(0\right)>T_{{\mathrm{\α}}_s})={\mathrm{\α}}_h---\left(8\right)$

其中，x_N ²(0)表示N个自由度的非居中的卡方(chi-squared)分布。

参数α_s和α_h由设计者如此设置，使得

α_s+(1-α_s)α_h＝α                            (9)

其中，α是误警报的预定概率。

II.如果先前的测试不能进行检测，则使用以下步骤。如果，则宣告故障

其中，特征s_h表示数据r(t)的第三阶统计，且T_αh是阈值。

阈值T_αh被如些地选择，使得

$P(x_{4L}^2\left(0\right)>T_{{\mathrm{\α}}_h})={\mathrm{\α}}_h---\left(10\right)$

其中，x_4L ²(0)表示N个自由度的非居中的卡方分布。

参数α_s和α_h由设计者如此设置，使得

α_s+(1-α_s)α_h＝α                            (11)

其中，α是误警报的预定概率。

长度N的数据被分成L段，每段长度N_B。第三阶统计s_h是标量且定义为

$s_h=\underset{m=1}{\overset{\frac{N_B}{2}-1}{\mathrm{\Σ}}}{V}_h^{\mathrm{Tr}}\left({\mathrm{\ω}}_m\right){\left(D_{\mathrm{hm}0}\right)}^{-1}{V}_h{\left({\mathrm{\ω}}_m\right)}_r---\left(12\right)$

矢量V_h被定义为

$V_h\left({\mathrm{\ω}}_m\right)=\left[\mathrm{Re}\right\{S_{c_{2r}r}\left(m\right)\left\}\mathrm{Im}\right\{S_{c_{2r}r}\left(m\right)\left\}\mathrm{Re}\right\{S_{c_{3r}r}\left(m\right)\left\}\mathrm{Re}\right\{S_{c_{3r}r}\left(m\right)\}{]}^T---\left(13\right)$

所使用的转置符是T和 ${\mathrm{\ω}}_m=\frac{2\mathrm{\πm}}{N_B},$ 其中m＝1，2，......，L。

由此，ω_m表示所记录的电流的所有谱分量。实分量和虚分量分别由Re和Im表示。在以上实例中所使用的取逆的矩阵D_hm0被限定为对角矩阵，其矩阵元表示无故障信号的积分多谱。

$D_{\mathrm{hm}0}=\mathrm{diag}\left[\frac{S_{\mathrm{nn}}\left({\mathrm{\ω}}_m\right)}{2K}\right\{S_{c_{2n}{c}_{2n}}\left({\mathrm{\ω}}_m\right),S_{c_{2n}{c}_{2n}}\left({\mathrm{\ω}}_m\right),S_{c_{3n}{c}_{3n}}\left({\mathrm{\ω}}_m\right),S_{c_{3n}{c}_{3n}}\left({\mathrm{\ω}}_m\right)\left\}\right]---\left(14\right)$

积分二谱和三谱分量被定义为，

$S_{c_{\mathrm{lr}}}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left[\frac{1}{N_B}{C}_{\mathrm{lr}}^i\left({\mathrm{\ω}}_m\right)R^{\left(i^{*}\right)}\left({\mathrm{\ω}}_m\right)\right]---\left(15\right)$

其中，C_lr＝FFT{c_lr}且累积量被定义为

c_1r＝r(t)，c_2r＝r²(t)和 $c_{3r}=r^3\left(t\right)-\frac{3r\left(t\right)}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{r}^2\left(t\right)---\left(16\right)$

最后，R(ω_k)是傅立叶变换r(t)。

使用所收集的数据来测试以上的示例性算法，且对于包括两个弧焊机负载的总计630个情形，结果显示了具有0误警报率的约97.14％的检测概率。阈值被如此设置，使得对应于约0.09的总误警报率的误警报率α_s＝0.05和α_h＝0.05。较高阶统计被调用约4％的时间。这些结果显示了较高阶特征可以与焊接和其他非线性负载区分开。

使用人工神经网络(ANN)的高阻抗故障(HIF)检测

图6是示出了基于神经网络的HIF检测应用的流程图。在50采集数据，在52使用320-400Hz的带通滤波器来对其滤波。在此应用中，数据采集和滤波都与针对图4的基于小波的HIF检测系统所描述的数据采集和滤波相同，且由此对于这些功能，在图6中具有与在图4中所使用的标号相同的标号。在64使用下文描述的第二神经网络实施例来对采样进行变换，且然后在66使用神经网络算法将其映射到HIF平面中，并在68将其与阈值进行比较以确定是否发生HIF。

以下是使用基于神经网络的高阻抗故障检测系统的高阻抗故障检测的示例性应用。由于人工神经网络(ANN)创建非线性决策边界的能力，其已被成功地使用在许多应用中，以解决复杂分类问题。最一般的和灵活的神经网络是由一系列神经元所构建的多层感知器(MLP)。

所研究的第一神经网络使用连到网络的1000个输入节点(以20kHz、3个周期内的1000个采样)。由于希望降低实施的复杂度，没有尝试使到神经网络第一输入节点的所监视电流的过零同步。当在隐藏层中使用200个节点时，出现最好的结果。利用600个输入/目标情形(300个HIF和300个非HIF)来训练网络，且在完成学习之后具有1.4的和方误差(sum-squarederror)(1个错过的HIF检测和0个误警报)。通过在3600个新的3周期窗(1800个HIF和1800个非HIF)上对网络进行测试来确定一般化性能。将所有大于0.5的网络输出视作指示HIF事件的存在，网络实现了具有22.06％误警报率的70.83％的检测率。

神经网络设计的一个实施例使用数据的3周期窗的谱。1000个采样的FFT的幅度在第13谐波被截断。这导致减小到仅40个输入节点用于神经网络。此网络具有较小的权重和偏置，且可将其训练成快几乎一个数量级。当在隐藏层中使用30个节点时，出现最好的结果。网络由600个情形来训练，且具有11.8的和方误差(8个错过的检测和4个误警报)。对3600个新输入的一般化测试导致了具有约17.06％误警报率的约86.06％的检测率。该网络相对于先前网络的性能提高可能是由于频谱对于相移的不变性。这些性能数字也是基于使用约0.5作为输出阈值用于指示检测到HIF。通过将输出阈值增加到约0.75来尝试减小误警报率。这导致具有约14.8％误警报率的约83.7％的检测率。将阈值增加到约0.95，导致约77.7％的检测率和约11.8％的误警报率。

另一个示例性网络架构是并行运行的先前两种网络的组合。如果两个网络的输出都大于0.5，则指示肯定的HIF决策。如果两个网络的输出都小于0.5，则做出HIF不存在的决策。对于两个神经网络关于HIF电流的存在与否不一致的情形，将两个网络的输出求和且使用可变的阈值来进行决策。1.0的阈值对应于做出最终决策，基于该决策，网络更确信其自己的决策。

例如，如果网络1的输出是0.9867，且网络2的输出是0.0175，则其和将小于1.0，且因为网络2的输出接近于理想值0的程度比网络1的输出接近于理想值1的程度大，将做出无HIF决策。

另一方面，如果其中人们选择减小误警报率的较保守方法是所需要的，则可选择接近1.5的较大阈值。大体上，越大的阈值给予网络指示无HIF情况的权重越大。

表1总结了随该阈值变化的性能。

                                表1

检测和误警报率随阈值的变化。

阈值	1.0	1.1	1.2	1.3	1.4	1.5
							检测率	85.4％	74.9％	71.7％	68.7％	66.9％	65.3％
错误报警率	16.1％	9.2％	7.8％	7.2％	6.6％	6.1％

结果显示，使用所监视电流的谱(FFT)的网络比使用实际电流采样的网络更能够检测到HIF。将采样电流网络与基于谱的网络一起使用可减小误警报率，但看来没有显著增加检测率。在训练和一般化期间没有对电流的过零的同步，可禁止此神经网络检测归因于HIF的某些模式或特征，如半周期的不对称和周期与周期之间的变化。假定仅对3周期数据快照进行检测，则结果是令人鼓舞的。

使用复合系统的高阻抗故障(HIF)检测

再次参考图2，其中示出包括上述所有的三种不同技术的示例性复合HIF检测系统12。

从上述的三种不同HIF技术22、24、26的测试结果中可以看出，在保证没有误警报的同时，它们中没有一个能够检测到所有的HIF故障。本发明估算具有决策逻辑32的分辨率框架的存在来检测高阻抗故障的存在。一旦由多个单独的高阻抗故障检测系统中的任何两个独立地检测到故障，则将该故障识别为高阻抗故障。

一个示例性决策逻辑描述如下：

如果(技术1＝真)；且

如果((技术2＝真)或(技术3＝真))，

那么HIF＝真；

结束；

否则，如果(技术1＝假)；且

如果((技术2＝真)与(技术3＝真))

那么HIF＝真

结束

结束。

其中，技术1是来自基于小波的算法的逻辑输出(真或假)；技术2是来自基于较高阶统计的算法的逻辑输出；且技术3是来自基于ANN的技术的逻辑输出。对于以上实例，如果任何单独技术检测到HIF，则其输出是真，否则其输出是假。

然而应理解，尽管在以上描述中阐明了本发明的众多优点和特性，以及本发明的结构和功能的细节，此公开仅是示例性的，且在发明的原理之内，可以以表达所附权利要求所利用的术语的广泛含义所表示的最大限度来对特别是与部件的形状、尺寸和设置有关的细节做出改变。

Claims (13)

1.一种用于检测电力线中的高阻抗故障的方法，包括：

提供多个高阻抗故障检测装置，其各具有一输出；

使用所述多个高阻抗故障检测装置来独立地检测所述电力线中的高阻抗故障状况；以及

使用决策装置来确定高阻抗故障的存在，其中如果所述独立输出中的任何两个或多个输出指示所述多个高阻抗故障检测装置中的对应高阻抗故障检测装置已检测到高阻抗故障状况，则所述决策装置确定高阻抗故障。

2.权利要求1所述的方法，其中所述多个高阻抗故障检测装置为至少三个。

3.权利要求1所述的方法，其中所述多个高阻抗故障检测装置为至少三个，且各提供了一个逻辑输出，该逻辑输出具有一个状态，指示所述三个检测装置中的对应检测装置已检测到高阻抗故障，且所述决策装置是决策逻辑，并且所述方法进一步包括：

如果所述三个逻辑输出中的任何两个处在指示检测到高阻抗故障的状态，则所述决策装置确定高阻抗故障。

4.权利要求1所述的方法，其中所述决策装置是决策逻辑且所述方法进一步包括：

提供至少三个具有逻辑输出的高阻抗故障检测装置，所述逻辑输出在一个状态下指示所述三个检测装置中的对应检测装置已检测到高阻抗故障；以及

如果所述至少三个逻辑输出中的至少两个处在指示检测到高阻抗故障的所述状态，则所述决策装置确定高阻抗故障。

5.一种用于检测具有流过其中的交变电流的电力系统中的高阻抗故障的系统，包括：

电源；

一个或多个相互连接的电力导体；以及

复合高阻抗故障检测系统，连接到所述一个或多个电力导体，用于当多个单独的高阻抗故障检测系统中的至少两个分别独立地检测到所述电力导体上的高阻抗故障的发生时，检测到高阻抗故障。

6.权利要求5所述的系统，其中所述多个独立的单独高阻抗故障检测系统进一步包括：

具有第一逻辑输出的基于小波的系统，用于检测所述电力线中的高阻抗故障状况；

具有第二逻辑输出的基于较高阶统计的系统，用于检测所述电力线中的高阻抗故障状况；以及

具有第三逻辑输出的基于神经网络的系统，用于检测所述电力线中的高阻抗故障状况，

所述基于小波的系统、所述基于较高阶统计的系统和所述基于神经网络的系统各自独立地检测所述电力线中的同一高阻抗故障状况。

7.权利要求6所述的系统，其中所述复合高阻抗故障检测系统进一步包括用于确定高阻抗故障的发生的决策逻辑，其中如果所述第一逻辑输出、所述第二逻辑输出和/或所述第三逻辑输出中的任何两个处在指示检测到高阻抗故障状况的状态，则所述决策逻辑确定所述高阻抗故障存在。

8.权利要求5所述的系统，进一步包括耦合到所述一个或多个电力导体中的一个或多个、用于感测所述导体上的电流的感测装置，以及设置在所述复合高阻抗故障检测系统和一个或多个所述感测装置之间的带通滤波器。

9.权利要求5所述的系统，进一步包括一个或多个处理器，其接收和处理来自所述感测装置的、指示所述一个或多个电力导体上的电流的数据，以及来自每个所述单独的高阻抗故障检测系统中的逻辑输出，且当所述单独的高阻抗故障检测系统中的任何两个各独立地检测到高阻抗故障时，确定所述一个或多个电力导体上的高阻抗故障。

10.一种用于检测电力线中的高阻抗故障的设备，包括：

具有第一逻辑输出的基于小波的系统，用于检测所述电力线中的高阻抗故障状况；

具有第二逻辑输出的基于较高阶统计的系统，用于检测所述电力线中的高阻抗故障状况；以及

具有第三逻辑输出的基于神经网络的系统，用于检测所述电力线中的高阻抗故障状况，

所述基于小波的系统、所述基于较高阶统计的系统和所述基于神经网络的系统各自独立地检测所述电力线中的同一高阻抗故障状况。

11.一种用于检测电力线中的高阻抗故障的设备，包括：

多个高阻抗故障检测装置，各具有一输出，所述多个高阻抗故障检测装置中的每个独立地检测在所述电力线上的高阻抗故障状况；以及

决策装置，用于在所述独立输出中的任何两个或多个输出指示所述多个高故障检测装置中的对应高故障检测装置已检测到高阻抗故障状况时确定高阻抗故障。

12.一种用于电力分配线的保护继电器，包括：

一个或多个计算装置，所述计算装置中的仅一个计算装置用于检测所述电力分配线中的非高阻抗故障和高阻抗故障两者。

13.权利要求12所述的保护继电器，其中所述计算装置中的所述仅一个计算装置通过使用多个高阻抗故障检测装置独立地检测所述电力分配线中的高阻抗故障状况来检测所述电力分配线中的高阻抗故障，且使用决策装置来确定高阻抗故障的发生，其中如果所述多个独立的高阻抗故障检测装置中的任何两个或多个高阻抗故障检测装置已检测到高阻抗故障状况，则所述决策装置确定高阻抗故障。

Images