概率神經網絡在母線故障識別中的應用研究

(國網四川省電力公司建設管理中心，四川 成都 610021)

母線是電力系統中最重要的元件之一,母線安全、穩定、可靠的運行關系到電力系統的穩定性及供電的可靠性。同時母線故障的影響面很大，是最嚴重的電氣故障之一。因此快速、準確地識別母線故障，同時判斷故障類型，對切除故障母線，消除或減小故障產生的影響是十分重要的[1.2]。

母線的故障識別在本質上是模式識別問題，這里對該問題展開了討論，并提出了利用概率神經網絡來進行母線故障識別的新方法。應用概率神經網絡，建立仿真模型，通過對采集的故障樣本進行試驗，結果表明該模型能有效提高故障識別準確率[3]。

1 概率神經網絡

概率神經網絡是一種基于貝葉斯最小風險準則發展而來的可用于模式分類的并行算法。概率神經網絡的結構如圖1所示，共由3層組成[4，5]。

根據概率密度函數和貝葉斯分類準則提出了概率神經網絡的層次模型。在進行網絡訓練時，訓練樣本向量直接存儲為概率神經網絡的模式樣本向量。在進行網絡測試時，由輸入層將網絡待測樣本送到模式層各個類別單元中，與相應權向量進行點積運算，然后將計算的結果直接送入徑向基層。

圖1 概率神經網絡結構

在徑向基層中，將各單元與對應分類的模式單元相連，進而估計各類別的概率輸出。在決策競爭層中依據上一層得到對輸入向量的概率估計，按貝葉斯最小風險準則將輸入向量分到具有最大后驗概率值的類別中去，最終實現模式識別[5，6]。

概率神經網絡分類過程為：輸入向量傳遞到輸入層；徑向基層計算該輸入向量和樣本輸入向量之間的距離，并輸出一個距離向量；競爭層接受距離向量并計算每個模式出現的概率，概率密度函數最大的那個神經元輸出為1，即所對應的那一類即為待識別的樣本模式類別，其他神經元的輸出全為0[5，6]。

2 母線故障識別的概率神經網絡模型

2.1 母線故障識別算法流程

基于概率神經網絡的母線故障識別算法流程如圖2所示。母線故障識別過程分為兩步：①基于一定數量的訓練樣本集對概率神經網絡進行訓練，得到期望的概率神經網絡模型；②根據當前輸入對故障狀態進行識別，識別的過程即為利用概率神經網絡進行計算的過程。在學習和識別之前,通常需要對學習訓練樣本和待識別樣本數據進行適當的處理,包括預處理和特征選取/提取等,目的是為概率神經網絡提供合適的識別輸入和訓練樣本[6]。

圖2 基于概率神經網絡的目標識別結構圖

要實現對母線故障的識別，需考慮母線各種運行狀態，包括正常、內部三相短路、外部三相短路等總共17種狀態。表1給出了母線各種運行狀態及其在概率神經網絡中的對應輸出類別。

要識別母線17種運行狀態，需要確定輸入樣本特征值。為了使樣本盡可能地反映母線運行狀態，提取了母線的三相線電壓、相電壓、三相相電流、三相負序電流相位以及零序電流幅值共10組特征值作為概率神經網絡的輸入樣本。

2.2 數據的采集與樣本集的確定

為使訓練樣本集包括所要分類的必要信息，所采用的訓練樣本盡可能地包括母線各種情況的內部故障和外部故障。利用EMTDC程序仿真生成概率神經網絡所需的訓練樣本和測試樣本，同時在獲取樣本過程中考慮到電流互感器的飽和情況。數字仿真系統模型如圖3所示。

圖3中220 kV母線上接有6回線路，2回線路是電源側線路, 2回線路是負荷側線路,還有2回變壓器回路，110 kV母線接有4回負荷出線。針對該模型，選取220 kV母線來進行仿真，分別對6個回路中的A、B、C三相電路進行正常運行時的數據采集和故障運行時的數據采集，采樣頻率3 kHz，即每周采60個點，將這些數據作為樣本的原始數據。所采集的正常數據樣本和故障數據樣本分別為6回線路的A、B、C三相, 模型的樣本分別取圖3所示的母線的6個連接元件的A相、B相和C相的一次側電流之和經電流互感器傳變后的二次側電流。

表1 母線各種運行狀態及對應網絡輸出編號

表2 母線各種運行狀態的部分原始數據(經互感器傳變的二次值)

圖3 母線故障仿真電路

根據基爾霍夫電流定律，當系統處于正常運行方式或母線外部故障時，理論上6個元件的A、B、C的電流之和應該分別為零，但由于現實的一些原因，如傳變誤差等，6個元件的A、B、C各相電流之和并不等于零,而是存在一個不平衡電流。當母線內部故障時，電流之和為短路點的總短路電流，值很大。

仿真過程中，網絡的每個樣本取10組數據，分別取母線的三相線電壓、相電壓、相電流、零序電流幅值。采集了正常運行數據和不同故障類型數據共17組。表2分別給出了母線部分運行狀態下的原始數據片斷。

3 實驗結果與分析

確定選擇概率神經網絡后，要使用概率神經網絡中默認的SPREAD值(0.1)對訓練數據進行學習，并使用測試數據檢驗訓練模型所能達到的識別正確率。

3.1 采用不同歸一化方式的對比

為了研究數據預處理對識別結果的影響，采用概率神經網絡對訓練庫中采用不同數據預處理方法得到的樣本進行學習，然后對測試庫中的數據進行測試，得到的識別結果如表3所示。

表3 樣本數據采用不同歸一化方式的對比

由表3可知，如果樣本數據不進行歸一化處理，則分類準確率很低且運行時間長，超過7 s才能運行得到結果，且識別結果準確率很低，遠遠不能滿足對母線運行狀態的識別需要。如果將數據歸一化到[-1,1]和[0,1]區間，識別準確率較高，運行時間較短。綜合幾種數據處理方式可以看出，在母線故障識別研究中，將數據歸一化到[-1，1]區間效果最好，程序運行時間最短，識別準確率很高。

3.2 不同的SPRED值分析比較

表4 不同SPREAD值概率神經網絡性能比較

針對狀態特征數據，使用不同的SPREAD值對概率神經網絡進行了分類測試，以判別概率神經網絡是否具有不同的分類性能，并且確定哪種SPREAD值的概率神經網絡最適合于該模型的狀態評估識別。選取訓練樣本數為2 414，測試樣本數為2 431。對不同SPREAD值的概率神經網絡性能進行了比較實驗，結果如表4所示。

表5 母線每一種狀態的分類準確率

圖4 最優參數設置下的測試集實際分類和預測分類圖

從表4中可以看出，從平均評估正確率上看，SPREAD值為1的時候分類性能最好且穩定，SPREAD值為10的時候次之，SPREAD值為30的分類性能最差。從運行時間上看，SPREAD值為1的時候分類速度最快。因此SPREAD值為1的概率神經網絡比其他的推廣性要好。所以本實驗表明SPREAD值為1的概率神經網絡應用于母線故障識別最理想。在最優參數設置下，運行仿真程序，可以得到測試集實際分類和預測分類圖，如圖4所示。由圖可知，外部三相短路有3個樣本被分為外部BC相接地短路，2個樣本分為外部AB相間短路；內部AB相短路有1個樣本被分為了內部三相短路，有2個樣本被分為了內部三相短路；內部CA相間短路有3個樣本被分為了內部三相短路；外部AB接地短路有2個樣本被分為了外部三相短路。根據每一類的識別情況表可以知道，利用概率神經網絡來識別母線故障狀態，具有很高的正判率。能100%區分母線區內外故障，能很好地識別母線到底處于哪一種運行狀態。

4 結 論

所提出的將概率神經網絡方法用于母線故障狀態識別有很高的評估正確率和較好的穩定性，評估正確率高，速度快。概率神經網絡的應用研究雖然在母線故障狀態識別中取得較好結果，但概率神經網絡也有一些問題需要進一步深入研究，如概率神經網絡的性能依賴于SPREAD值的選擇，如何選擇合適的SPREAD值及相關參數來滿足其對分類結果影響值得探討。同時概率神經網絡評估訓練和測試速度有時較慢，還需進一步研究改進算法以適應母線運行狀態的實時性要求。

[1] 詹紅霞.基于神經網絡的母線保護方法的研究[J]. 西華大學學報：自然科學版,2006,25(5):54-56.

[2] 董秀成,韓涵.基于神經網絡模型的母線保護故障定位研究[J].西華大學學報：自然科學版,2009,28(1):1-8.

[3] 蕭彥,趙自剛.微機型母線保護應用中的幾個問題[J]. 華北電力技術,2005(4):28-31.

[4] 銀濤.基于概率神經網絡的變壓器故障診斷的研究[J].電氣應用，2006, 25(10): 15-17.

[5] 王豪,鄭恩讓.概率神經網絡在電機故障診斷中的應用[J]. 化工自動化及儀表，2010, 37(8): 59-62.

[6] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.