基于人工神經網絡的配網自動化故障定位問題研究

摘要：首先介紹了配電網故障的特點以及小波與神經網絡的特點，并在此基礎上構建出小波神經網絡，根據小波提取故障暫態信息量的特征分量與神經網絡較好的非線性擬合能力，建立故障特征與故障位置之間的映射關系，從而實現故障點的精確定位。

關鍵詞：小波分析；神經網絡；故障定位；配電網

作者簡介：李曉東（1975-），男，寧夏吳忠人，寧夏電力公司吳忠供電局，助理工程師。（寧夏 吳忠 751100）

中圖分類號：TM726 文獻標識碼：A 文章編號：1007-0079（2013）26-0201-03

配電網直接聯系用戶，其可靠供電能力和供電質量既是電力企業經濟效益的直接體現，又對應著不可估量的社會效益。配電網故障自動定位作為配電自動化的一個重要內容，對提高供電可靠性有很大影響，也得到了越來越多的重視。本文在分析研究小波神經網絡特征的基礎上利用小波的時頻分析能力與神經網絡的非線性擬合能力來建立故障特征與故障點的映射，確定故障點的位置。

一、配電網的故障特點

配電網絡拓撲結構復雜，節點眾多且分布廣泛。負荷沿配電線路分布不均勻，而且負荷性質也有很大差異，因此配網故障定位是一項十分艱巨的任務。配電網發生故障的幾率遠大于輸電網，因為配電網的設備為分散分布，采集信號相對困難，而且信號傳輸的距離越遠越容易發生畸變。配電網直接面向廣大的用戶，最易受到用戶端多種多樣不確定因素的影響，所以配電網的故障頻率及操作頻率都較高，運行方式和對應的網絡拓撲經常發生變化。[1]同時，配電網具有閉環設計開環運行的特點，有時會出現短暫的閉環運行，給故障定位帶來困難。

二、神經網絡在配網故障診斷中的應用原理

人工神經網絡（ANN）是一種連接機制模型，它是由大量人工神經元廣泛互聯而成的網絡，是在微觀結構上模擬人的認識能力，其知識處理所模擬的是人的經驗思維機制，決策時它依據的是經驗，而不是一組規劃，特別是在缺乏清楚表達規則或精確數據時神經網絡可產生合理的輸出結果。ANN的最大特點是依靠并行調節人工神經元之間的連接權值來隱含地處理問題，具有很強的自適應和自學習能力、非線性映射能力、魯棒性和容錯能力。

應用神經網絡進行電力系統報警處理和故障定位能在保護裝置誤動、數據丟失以及出現其他未考慮的報警類型時也能給出較精確的定位結果。[2，3]還可以結合小波分析比較精確地定位出故障位置進行隔離。

由于神經網絡自身具有很多的優點，應用現代數學工具通過準確地提取故障電氣量特征信息作為神經網絡的輸入進行訓練來提高神經網絡的定位性能將是一個很好的發展方向。

基于神經網絡的診斷系統結構圖如圖1所示。

三、小波變換

小波變換是繼Fourier變換之后又一有效的時頻分析方法，可以在一個時間和頻域的局域變換所以能有效地從信號中提取信息，可以對信號進行多尺度的細化分析。

小電流接地系統發生單相接地故障時，暫態接地電容電流幅值經常大于穩態時的幾倍到幾十倍，補償的電感電流也會增大。[4]這種情況下小波變換可以將暫態信號映射到由小波伸縮而成的一組基函數上。該函數具有很好地頻帶分割性，再根據小電流接地系統發生故障時零序電流分量的特點，即故障線路上的電流幅值比非故障線路幅值大得多且極性相反這一特征來進行故障點的定位。

四、小波神經網絡

1.小波神經網絡的拓撲結構

小波函數作為神經網絡的激勵函數與普通神經網絡的激勵函數在本質上是一致的，但是小波神經網絡只要尺度、位移以及權重的初始值設置得當，其函數逼近的效果更優于簡單的神經網絡。

在文獻[5]中對小電流接地系統單相接地故障暫態信號用prony方法進行分析時，已證實故障點位置不同時對應的故障暫態信號的特征分量也不同，它們之間存在著特定的對應關系。根據這個原理就可以利用小波分析來獲得故障暫態信號中特定時頻窗特征，將它映射到距離平面上實現故障定位。

小波神經網絡的結構如圖2所示，共有四層，分別為輸入層、小波變換層、隱含層、輸出層。小波變換層選取的神經元激勵函數為Morlet小波：

則在函數空間L2（R）中，一個信號f（t）的小波變換：

對網絡的輸出并不僅僅是簡單的加權求和，而是先對網絡隱含層小波節點的輸出值進行加權求和，再通過Sigmoid函數變換，最終得到的網絡輸出，有利于處理分類問題，[6，7]同時降低訓練過程中發散的可能性。

小電流單相接地故障檢測系統的小波神經網絡模型如圖2所示，輸入層的每一節點對應故障暫態時序序列，輸出包含的單個神經元，其值反映的是故障點的位置。

2.小波神經網絡的學習算法

進行訓練時需要在權值和閾值的修正算法中加入動量項，利用前一步得到的修正值來平滑學習路徑，防止陷入局部極小值，加速學習速度。[8]當逐個對樣本進行訓練時會引起權值與閾值修正時發生振蕩，為避免這種情況的發生可以采用成批訓練方法。

在式（1）中，當a>0時，信號f（t）可離散化fN（i△），式（1）變為：

式子中，N為電流序列點總和，為信號的時間窗寬度。

前向運算：輸入采樣時間序列，小波變換層的輸出為：

按照上式的算法，分別計算出小波變換層的輸出量，其中j為小波變換層的總節點數。

隱層的輸入矢量，其中K表示隱層節點個數。；隱含層輸出矢量：；故障距離輸出。

給定P（P=1，2，3……p）組輸入輸出樣本，學習率為，動量因子是目標誤差函數為：

式中：——輸出層第n個節點的期望輸出；——網絡實際輸出。

算法要實現的目標就是不斷調整網絡的各項參數，使最終的誤差函數獲得最小值。

隱含層與輸出層之間的權值調整式：

輸入層與隱層結點之間的權值調整式：

伸縮因子調整式：

平移因子調整式：

五、小波與神經網絡在配網故障診斷中的應用

1.系統整體設計

本文采用EMTP/ATP軟件進行仿真。設計系統為中性點不接地系統，母線電壓等級為35kV，仿真時間是0.1S，故障發生時間是0.05S，采樣頻率是4000Hz，可充分滿足暫態電容電流自由振動頻率的要求；線路參數：正序阻抗；正序容納；零序阻抗；零序容納。圖3為小電流接地系統。

變化故障點位置和接地電阻形成的學習故障模式集為：在配電網全程線路上選擇故障點，是距離變化的步長，；故障過渡電阻。

2.故障定位效果分析

為了較好地檢測訓練后神經網絡的真實定位效果，需要選取網絡的非學習樣本來檢驗。選取故障點故障過渡電阻。進行組合20×2=40個測試故障模式，按照與形成學習樣本相同的預處理方法形成輸入矢量集合，經過網絡的前向運算得到故障的定位結果。

接地電阻時，故障定位結果，如表1所示。

接地電阻時，故障定位結果，如表2所示。

由表1和表2可得，經過訓練后的小波神經網絡可以很好地擬合輸入矢量和故障點的位置對應關系。對于神經網絡測試的樣本，該誤差基本在1%以下，具有較滿意的定位結果。此故障定位方案之所以精確是因為兩方面的原因：一是小電流接地系統通常情況下是直接面向用戶的，為單電源系統，雖然具有復雜多變的運行方式，但大多數運行參數可知，該方案在一定程度上降低了運行參數的模糊性；二是小波神經網絡在故障之后暫態高頻信息的提取與應用是定位原理的關鍵所在。因此，經過訓練后的小波神經網絡故障定位精確可靠。

六、結論

本文利用小波神經網絡的特點解決配電網故障定位中的問題，小波神經網絡具備小波與神經網絡共同的特點，既具有對非平穩隨機信號所具有的優越的時頻局部特性又具有非線性擬合能力，具有充分的理論依據。在對所建立的小電流接地系統進行仿真的結果分析可知，該定位方案精確度較高、方便可靠。

參考文獻：

[1]郭三中.基于小波神經網絡的配電網故障定位研究J].電力系統自動化，2010，（12）：27-30.

[2]季濤，孫同景，薛永端.配電網故障定位技術現狀與展望[J].繼電器，2005，33（24）：32-37.

[3]張振飛，夏利民.基于神經網絡的滾動軸承故障診斷智能方法[J].信息技術，2008，（8）：35-55.

[4]李振然.基于小波變換與BP神經網絡相結合的配電網單相接地故障定位方法[J].繼電器，2004，32（9）：24-26.

[5]郜洪亮，楊學昌.一種配電線路單相接地故障測距算法[J].清華大學學報（自然科學版），1999，39（9）：33-36.

[6]李玉，潘亞平，魏海平.小波神經網絡及其研究進展[J].科技信息，2006，（9）：24-25.

[7]王晶，束洪春，陳學允.小波變換電力系統工學應用綜述[J].電網技術，2003，（6）：52-63.

[8]龔林春.小波神經網絡在配電網饋線單相接地故障定位的研究[D].廣州：中山大學，2008.

（責任編輯：王祝萍）