基于小波神經網絡的電網故障診斷研究

朱俊敏，景利學，饒克克

(蘭州交通大學自動化與電氣工程學院，甘肅 蘭州 730070)

1 引言

電網故障診斷對于事故后系統快速恢復正常運行具有重要意義。作為事故恢復的第一步，應實現快速準確的故障診斷以隔離故障元件，然后采取相應的措施以恢復供電［1］。電網故障診斷一般基于SCADA系統所提供的保護和斷路器信息來判別電網中的故障元件，多種人工智能方法已用于電網故障診斷［2，3］。神經網絡具有自學習和較強的容錯能力，但使用最為廣泛的BP神經網絡具有收斂速度慢，易陷于局部最優等不足［4］，因此本文將小波神經網絡引入電網的故障診斷。

2 小波神經網絡原理

2.1 小波神經網絡的結構

小波神經網絡分為松散型和緊湊型。前者利用小波進行故障特征提取，然后將所得數據輸入到神經網絡;后者是目前研究小波神經網絡的文獻中廣泛采用的結構形式，其結構如圖1所示，它用小波函數代替常規神經網絡隱含層Sigmoid函數作為激活函數，相應的神經網絡的輸入層到隱含層的權值及隱含層閾值分別由小波函數的尺度參數和平移參數代替，它充分繼承了小波分析和神經網絡兩者的優點，能夠自適應地調整小波基的形狀，具有良好的函數逼近能力和模式分類能力［4］。為提高故障識別效率，本文選用了緊湊型小波神經網絡。

圖1 小波神經網絡結構

隱含層激活函數如式(1):

網絡輸出如式(2):

參數aij，bij在網絡學習中與輸出權值ωij一起通過某種算法進行修正。該小波神經網絡類似于RBF神經網絡，但可以借助于小波分析理論，指導網絡的初始化和參數選取，使網絡具有較簡單的拓撲結構和較快的收斂速度［4］。

2.2 網絡的節點數的選擇

如果小波神經網絡的輸入層有p個神經元，對于電網故障診斷問題來講，p等于電力網絡中所有保護繼電器和斷路器的總數，這些繼電器和斷路器的狀態作為神經網絡的輸入。假設有M個訓練樣本，那么訓練樣本集可以表示為x(t)∈Rp，t=1，…，N。假設所診斷的電網中共有N個元件，如輸電線路、母線和變壓器等，確定這些元件的狀態為故障或正常是診斷的最終目的，則小波神經網絡輸出層的神經元數目為q=N。隱含層節點的選擇可參考文獻［4］中的經驗公式。

2.3 網絡的學習算法

小波神經網絡主要是將多層感知器神經網絡中隱含層Sigmoid函數替換成小波函數Ψ(t)，本文中采用Morlet小波函數如圖2所示。

圖2 Morlet小波函數

設輸入向量為x=［x1，x2，…，xp］T，輸出向量為y=［y1，y2，…，yq］T，輸出向量的期望值為d=［d1，d2，…，dq］T，輸出層到隱含層的權值為 ωij，隱含層到輸出層的權值為ωjk伸縮參數和平移參數分別為aj和bj，假設隱含層神經元為h，則i=1，2，…，q，j=1，2，…，h，k=，2，…，p。

網絡訓練過程基于BP思想，按梯度下降法調整網絡權值，文中選擇訓練誤差為10－3。

3 電網故障診斷仿真

將一個簡單的4母線電力網絡用作測試系統，如圖3所示。系統共有9個元件:4條母線B1～B4，一臺變壓器T1和4條輸電線路L1～L4。在仿真過程中，只考慮簡化的保護配置系統，即包括輸電線路主保護MLP和后備保護BLP，母線主保護MBP和變壓器主保護 MTP［5］。

圖3 測試電網結構圖

在計算機仿真中，M=40，即有40種典型故障樣本。對每種故障樣本，所有繼電器和斷路器的狀態(0或1)作為神經網絡的輸入，即p=33。9個系統元件的狀態是神經網絡的輸出，即q=9。如果神經網絡的某個輸出接近1，則認為相應元件故障。通過式(3)可得，h=19，通過試湊，最終確定h=24。

以母線4故障說明神經網絡的診斷輸出。如果母線4的主保護MBP4拒動，相應的后備保護BLP2和正確動作BLP8，進而跳開斷路器CB2和CB8以隔離母線4，基于小波神經網絡的計算輸出和期望輸出的偏差為5.7×10－29，可見，該方法具有很好的診斷效果。

表1 電網故障測試樣本

為了檢驗小波神經網絡的泛化能力，選取訓練樣本以外的故障情況作為測試樣本。部分測試樣本如表1所示［5］，相應的診斷結果如表2所示。如果輸出向量的某一分量大于0.5，則表示相應的元件故障。

表2 小波神經網絡測試樣本診斷輸出

由表2可見，小波神經網絡具有很好的故障診斷能力。

采用BP神經網絡進行電網故障診斷，選取學習因子η=0.1，動量因子α=0.5，訓練誤差為10－3。以與小波神經網絡同樣的樣本對BP網絡進行訓練和測試，所得結果表3所示。

表3 小波神經網絡和BP神經網絡故障診斷比較

由表3可見，在同樣的網絡結構和訓練誤差下，小波神經網絡比BP神經網絡具有更好的故障診斷能力。

4 結語

在電網故障診斷中引入小波神經網絡并進行了仿真分析，結果表明該方法具有很好的故障診斷能力。與BP神經網絡進行對比表明，小波神經網絡在電網故障診斷中不論從診斷速度還是診斷精度上都優于BP神經網絡。

［1］ 畢天姝，倪億信，吳復立，等.基于徑向基函數神經網絡和模糊控制系統的電網故障診斷新方法［J］.中國電機工程學報，2005，25(14):12－18.

［2］ 林圣，何正友，錢清泉.基于人工免疫算法的輸電線路故障類型識別新方法［J］.電力系統保護與控制，2011，39(11):95 －101.

［3］ 李東敏，劉志剛，蘇玉香，等.基于多小波包和人工神經網絡的電力系統故障類型識別［J］.電力自動化設備，2009，29(1):99 －103.

［4］ 田雨波.混合神經網絡技術［M］.北京:科學出版社，2009.

［5］ 畢天姝，倪億信，吳復立，等.基于新型神經網絡的電網故障診斷方法［J］.中國電機工程學報，2002，22(2):73 －78.