基于小波優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障定位算法研究*

臧川，江冰，薛心怡，殷杰

（1.河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇常州213022；2.江蘇省輸配電裝備技術(shù)重點實驗室，江蘇常州213022；3.蘇州市華東電網(wǎng)電氣有限公司，江蘇蘇州215126）

在電力系統(tǒng)運行中，小電流接地系統(tǒng)單相接地故障發(fā)生的概率高達80%以上，遠遠高于相間短路、兩相接地短路等故障發(fā)生率。不少經(jīng)濟發(fā)達地區(qū)的10 kV電網(wǎng)規(guī)劃和改造都朝著以電纜供電為主、架空供電為輔的趨勢發(fā)展。為了提高供電可靠性并減少電網(wǎng)故障帶來的停電影響，供電系統(tǒng)都在積極實施配電運行自動化技術(shù)，通過實時監(jiān)視及時發(fā)現(xiàn)隱患，避免事故的發(fā)生，并自動實現(xiàn)故障的定位、隔離及非故障線路的供電恢復(fù)，減少故障停電時間。因此，如何在10 kV配電網(wǎng)故障定位是一個值得研究和重視的課題[1-2]。

[3]提出了基于S注入法的選線定位原理，利用故障時暫時閑置的電壓互感器注入交流信號電流在故障線路中跟蹤尋找所注入信號的通路進行選線和定位，但是當(dāng)發(fā)生高阻接地時，易受導(dǎo)線分布電容影響，且尋找故障點花費時間較長，有可能在此期間引發(fā)系統(tǒng)第二點接地，造成線路自動跳閘；參考文獻[4]通過行波法測距，即通過分單端法和雙端法測量故障點產(chǎn)生的行波在故障點及母線之間往返的時間或利用故障行波到達線路兩端的時間差來計算故障距離，其主要優(yōu)點是構(gòu)成簡單，容易實現(xiàn)，但行波信號的檢測存在困難；參考文獻[5]提出了基于區(qū)段零序電流的相對性定位方法，該方法根據(jù)區(qū)段零序電流特點構(gòu)造了幅值判據(jù)和相位判據(jù)，需要在饋線上安裝大量新型配電開關(guān)，投資增大，對通信要求較高，而且只能確定故障分支，不能確定故障點位置；參考文獻[6]提出以故障饋線的非故障相暫態(tài)電流作為故障測距的基本依據(jù)，利用小波包對信號進行處理后尋找信號奇異點來確定故障區(qū)段，通過信號的相關(guān)性分析來確定故障點位置，這種定位簡單，易于實現(xiàn)，但可靠性不強，并在實用性上還需進一步研究。

針對上述分析，本文在利用小波變換模極大值的奇異性檢測對故障暫態(tài)信息量提取特征分量的基礎(chǔ)上，將神經(jīng)網(wǎng)絡(luò)良好的非線性擬合能力和遺傳算法的全局尋優(yōu)能力相融合，實現(xiàn)故障特征分量與故障點位置之間的映射，從而實現(xiàn)故障點精確定位，即小波優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障定位。

1 單相接地故障電流分析

中性點不接地系統(tǒng)中，接地故障電流是通過電源變壓器的假想接地中性點接地，給單相接地故障電流提供通路。如圖1所示,假設(shè)線路2的A相發(fā)生單相接地故障，UA=0，則對于非故障線路1，A、B、C三相對地電容電流分別為：

圖1 中性點不接地系統(tǒng)單相接地故障

非故障線路1的基波穩(wěn)態(tài)零序電流為：

對于故障線路2，A、B、C三相對地電容電流分別為：

由上面公式可得故障線路2的零序電流為：

因此故障線路零序電流為所有非故障線路的零序電流之和，方向與非故障線路相反，為線路流向母線；流過故障點的電流是所有非故障相對地電容電流之和；并且，母線電壓在故障時刻也會有一個變化量，因此以這兩個變量作為特征量。

2 小波模極大值的信號奇異性檢測

一個信號f(t)的卷積型小波變換：

一個突變的信號在其突變點必然是奇異的。信號的奇異性用lipischitz α來描述，它的定義如下：

設(shè)0≤α≤1，如果存在常數(shù)K，使得在點t0的領(lǐng)域有下式成立：

則稱函數(shù)f(t)在t0的奇異性指數(shù)是α。如果α=1，則函數(shù)f(t)在t0是可微的，稱函數(shù)f(t)沒有奇異性；如果α=0，則函數(shù)f(t)在t0間斷。α越大，說明奇異函數(shù)f(t)越不奇異；α越小，說明奇異函數(shù)f(t)在t0點變化越尖銳[7]。函數(shù)的奇異性數(shù)值可用小波變換模極大值在不同尺度的數(shù)值計算出來。函數(shù)f(t)∈L2(R)與它的小波變換滿足如下關(guān)系：

當(dāng)s取為2j且W2jf(t0)是小波變換模極大值時，從上式可得：

可以得出lipischitz α為：

上式給出了具有突變性質(zhì)的信號在何時發(fā)生突變以及變化劇烈程度的數(shù)學(xué)描述,即用小波變換模極大值表示。

3 優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障定位算法

3.1 優(yōu)化神經(jīng)網(wǎng)絡(luò)的建模

BP(Back Propagation)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛的一種模型，但它具有學(xué)習(xí)效率低、收斂速度慢、易陷入局部極小狀態(tài)等缺點。因此，本文結(jié)合BP神經(jīng)網(wǎng)絡(luò)和遺傳算法來構(gòu)建適合于10 kV中性點不接地系統(tǒng)的單相接地故障定位模型。該模型分為3層：輸入層、隱含層和輸出層。輸入層為故障信號小波變換的模極大值，輸出層包含單一神經(jīng)元，其值反映故障點位置，采用故障點與母線之間距離的歸一化值來表示。優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

圖2中xj表示輸入層第j個節(jié)點的輸入，j=1，…，M；wij表示隱含層第i個節(jié)點到輸入層第j個節(jié)點之間的權(quán)值；θi表示隱含層第i個節(jié)點的閾值；φ(x)表示隱含層的激勵函數(shù)；wki表示輸出層第k個節(jié)點到隱含層第i個節(jié)點之間的權(quán)值，i=1，…，q；αk表示輸出層第k個節(jié)點的閾值，k=1，…，L；Ψ(x)表示輸出層的激勵函數(shù)；ok表示輸出層第k點的輸出[8]。

3.2 優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程

優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障定位算法如圖3所示，可以分為3個方面：通過遺傳算法優(yōu)化得到網(wǎng)絡(luò)的初始連接權(quán)值和閾值；信號的前向傳播和誤差的反向傳播，即計算實際輸出時按從輸入到輸出的方向進行；權(quán)值和閾值的修正從輸出到輸入的方向進行。

圖3 優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法流程圖

3.2.1 網(wǎng)絡(luò)初始連接權(quán)值和閾值的獲得

遺傳算法是一種全局尋優(yōu)搜索算法。它將問題空間中的可能解看作是群體里的類似于染色體的個體，并將每一個個體編碼成符號串的形式。按照適應(yīng)度函數(shù)計算出函數(shù)值，然后依據(jù)函數(shù)值進行選擇、交叉、變異等操作，不斷進化并得到最優(yōu)解。遺傳算法優(yōu)化步驟如下：

（1）初始化種群P，包括交叉規(guī)模、交叉概率Pc、突變概率Pm并對輸入層與隱含層的權(quán)值和隱含層與輸出層的權(quán)值初始化；在編碼中，采用實數(shù)進行編碼，并初始化種群。

（2）計算每一個個體評價函數(shù)，并將其排序。可按下式概率值選擇網(wǎng)絡(luò)個體：

其中fi為個體i適配值，可用誤差平方和E來衡量，即：

其中i=1，…，N表示染色體數(shù)；k為輸出層節(jié)點數(shù)；p為學(xué)習(xí)樣本數(shù)；Tk為教師信號。

（3）以概率Pc對個體Gi和Gi+1交叉操作產(chǎn)生新個

（4）利用概率Pm突變產(chǎn)生Gj的新個體G′j。

（5）將新個體插入到種群P中，并計算新個體的評價函數(shù)。

（6）如果找到了滿意的個體則結(jié)束，否則轉(zhuǎn)至步驟(3)。達到指標(biāo)后將最優(yōu)個體解碼即可得到優(yōu)化后的網(wǎng)絡(luò)連接的初始權(quán)值和閾值[9]。

3.2.2 信號的前向傳播和誤差的反向傳播

(1)信號的前向傳播過程，即實際輸出從輸入到輸出的方向進行。

隱含層第i個節(jié)點的輸入neti：

隱含層第i個節(jié)點的輸出yi：

輸出層第k個節(jié)點的輸入netk：

輸出

層第k個節(jié)點的輸出ok：

(2)誤差的反向傳播，即首先由輸出層開始逐層計算各層神經(jīng)元的輸出誤差，然后根據(jù)誤差梯度下降法來調(diào)節(jié)各層的權(quán)值和閾值，使修改后的網(wǎng)絡(luò)的最終輸出能接近期望值。

對每一個樣本p的二次型誤差準(zhǔn)則函數(shù)為：

系統(tǒng)對P個訓(xùn)練樣本的總誤差準(zhǔn)則函數(shù)為：

3.2.3 權(quán)值和閾值的修正過程

根據(jù)誤差梯度下降法依次修正輸出層權(quán)值的修正量Δwki、輸出層閾值的修正量Δαk、隱含層權(quán)值的修正量Δwij、隱含層閾值的修正量Δθi。

輸出層權(quán)值調(diào)整公式：

輸出層閾值調(diào)整公式：

隱含層權(quán)值調(diào)整公式：

隱含層閾值調(diào)整公式

4 仿真分析

本文采用Simulink構(gòu)建10 kV中性點不接地系統(tǒng)單相接地故障模型。三相電源為Y型連接，中性點不接地。線路參數(shù)：正序阻抗z1=(0.17+j0.38)Ω/km，正序容納為3.045 μs/km，零序阻抗為0.23+j1.72 Ω/km，零序容納為1.884 μs/km，采樣頻率為5 kHz。3條線路長度分別為20 kM、100 kM、100 kM。以第一條線路A相接地為實驗，從1 kM起，每次增加1 kM，直到9 kM，并且以3種情況作為橫向標(biāo)準(zhǔn)：相角0°，故障電阻50 Ω；相角0°，故障電阻500 Ω；相角45°，故障電阻50 Ω。得到每個標(biāo)準(zhǔn)下故障時線路的零序電流和母線零序電壓，轉(zhuǎn)換成.mat文件，放入Matlab的工作空間進行Morlet復(fù)小波變換。由此得到它們模極大值的實部和虛部并作為輸入訓(xùn)練樣本，實際故障距離作為輸出訓(xùn)練樣本。對遺傳算法優(yōu)化過的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練好之后采用測試樣本進行測試，把輸出反歸一化，得到故障線路距離的測試結(jié)果，并計算得到相對誤差百分比，結(jié)果如表1所示。

由表1可以看出，小波優(yōu)化神經(jīng)網(wǎng)絡(luò)已經(jīng)良好地擬合了輸入故障特征與故障點位置之間的映射，說明小波優(yōu)化神經(jīng)網(wǎng)絡(luò)能夠很好地進行故障定位，3種標(biāo)準(zhǔn)下測試距離的相對誤差在1.5%以下。之所以能達到這么高的精度，一是因為10 kV的小電流接地系統(tǒng)一般為面向用戶的單電源系統(tǒng)，大多數(shù)參數(shù)可知；二是因為小波模極大值能夠很好地反映故障特征；三是因為遺傳算法的尋優(yōu)能力和神經(jīng)網(wǎng)絡(luò)良好的非線性擬合能力。并且通過橫向標(biāo)準(zhǔn)可以得出這種故障定位方法基本不受故障點位置、故障點電阻、相角的影響。

表1 各個標(biāo)準(zhǔn)下的測試結(jié)果和相對誤差

小波變換作為一種現(xiàn)代信號處理方式，非常適合于分析電力系統(tǒng)的暫態(tài)過程，再結(jié)合神經(jīng)網(wǎng)絡(luò)輸入/輸出的良好非線性映射能力以及遺傳算法良好的尋優(yōu)能力，完成對故障的精確定位。測試結(jié)果表明，定位相對誤差非常小(不超過3%)，并且不受故障點位置、故障點電阻及相角的影響。除此之外，遺傳算法使神經(jīng)網(wǎng)絡(luò)避免陷入局部最小問題，加快了網(wǎng)絡(luò)的運算速度,同時遺傳算法還可以對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則進行優(yōu)化，值得進一步研究。

參考文獻

[1]CHAARI O，MEUNIER M，BROUAYE F.Wavelets：a new tool for the resonant grounded power distribution systems relaying[J].IEEE Transactions on Power Delivery，1996，11(3)：1301-1308.

[2]Yao Xin.A review of evolutionary artificial neural networks[J].International Journal of Intelligent Systems，1993，8(4)：539-567.

[3]程杰.周源.基于“S”注入法的小電流接地系統(tǒng)單相接地故障定位方案研究[J].中國科技博覽，2009(13)：86-87.

[4]嚴鳳，楊奇遜，齊鄭，等.基于行波理論的配電網(wǎng)故障定位方法的研究[J].中國電機工程學(xué)報，2004，24(9)：37-43.

[5]夏雨，賈俊國，靖曉平，等.基于新型配電自動化開關(guān)的饋線單相接地故障區(qū)段定位和隔離方法[J].中國電機工程學(xué)報，2003，23(1)：102-106.

[6]張耘川，蘇宏升.基于暫態(tài)行波的小電流接地系統(tǒng)故障定位[J].電測與儀表，2013(2)：5-9.

[7]呂永霞.基于小波奇異性檢測的電力系統(tǒng)故障檢測[J].吉林大學(xué)學(xué)報（信息科學(xué)報），2009，27(2)：156-161.

[8]董天禎，郭江鴻，呂娟，等.基于神經(jīng)網(wǎng)絡(luò)的輸電線路故障檢測研究[J].系統(tǒng)仿真學(xué)報，2009，21(15)：4903-4906，4911.

[9]PAN H．Application of BP neural network based on geneticalgorithm[J]．Computer Application，2005，25(12)：2777-2779.