基于小波包與改進神經網絡的配電網故障類型識別

摘 要：目前，學者提出的關于故障類型鑒別的方法主要是關于輸電線路的研究，而對于配電網的研究相對很少。傳統的方法主要是利用設定閥值進行故障類型識別，此方法雖然簡單，但是此處的閥值的確定又是一個難題。因此本文提出一種基于小波包與改進神經網絡的配電網故障類型識別方法，利用小波包技術提取故障信號，再將信息轉換為能量并進行歸一化處理作為改進神經網絡的輸入特征向量。再利用Matlab搭建模型對文章所提出的方法進行仿真測試。測試結果表明，本文所提出的方法能夠快速、準確地識別出故障類型。

關鍵詞：小波包分析；神經網絡；配電網；故障類型識別

4 配電網故障系統的仿真

如圖2是在MATPAB軟件的simulink環境中搭建的簡單配電網故障類型識別的模型。母線電壓為10kV，故障發生時間為1/60到5/60秒，系統的仿真時間為0.2s。該系統中運行的頻率為50Hz，在系統中線路采用分布式參數模型。線路的正序電阻R1=0.01273Ω，正序電感L1=0.9337×10-3H，正序電容C1=12.74×10-9F。零序電阻電感電容分別為R0=0.3864Ω，L0=4.1264×10-3H，C0=7.751×10-9F。負載的有功功率為10kW，感性無功功率為100var。

在十種不同的故障模式下，設置故障時不同的接地電阻來獲得更多的故障數據，可以分別取故障電阻為5Ω，10Ω，50Ω，100Ω，300Ω，故障時的位置可以設在10%處，25%處，50%處，75%處和線路的末端，得到改進BP網絡的部分故障訓練數據見表1所示。

神經網絡選用S型函數，輸入層的神經元個數為故障時ABC三相經小波包分解重構并歸一化后組成的能量特征量。隱藏層個數用經驗公式求得，k=（m+n）1/2+a，k為隱藏層個數，n和m分別代表輸入層個數和輸出層個數，a是一個常數，取一到十之間。輸出層為[A B C G]。當某個變量的值為1時表示該相發生了故障，為0時表示沒有發生故障。運用訓練好的網絡對不同故障類型下獲得的測試樣本進行測試。在進行神經網絡測試時，神經網絡的學習速率？濁=0.8，慣性因子？琢=0.9，誤差精度0.01，改進BP神經網絡的最大優化代數Tmax=500，部分測試數據見表2所示。

在測試時往往測試結果不等于1或0。這時根據經驗認定凡是輸出結果大于0.8的都認為這相線路為故障相。由此獲得測試數據診斷結果與期望值對比可知本方法能夠準確識別故障類型。

從BP神經網絡訓練和改進的BP神經網絡訓練權值的誤差-迭代次數曲線可知：全局搜索網絡的誤差隨著優化代數的增加而不斷地減小，改進的BP網絡誤差在第303步就達到了精度要求。利用傳統BP算法進行神經網絡權值訓練，其相關參數值設置同上面改進的BP算法，得到的誤差曲線在0.185左右陷入局部極值，并且在2600步左右才開始跳出極值，二者誤差曲線比較可知，前者改善了后者陷入局部極小值這一缺點，同時也加快了算法的收斂速度。

5 結束語

小波包分解是一種有效的提取并處理配電網故障特征的方法，而通過增加動量項對傳統的BP神經網絡進行改進，使其不易陷入局部最小值，文章將二者結合，對配電網故障進行識別。通過建立仿真模型進行故障檢測實驗，實驗結果表明，文章所提出的配電網故障類型識別方法所提出的算法比單純的利用BP神經網絡算法收斂的速度快，且能夠準確地識別出配電網短路故障類型，具有一定的實用性。

參考文獻

[1]翟進乾.配電線路在線故障識別與診斷方法研究[D].重慶大學，2012.

[2]陳茂英，楊明玉，張新國.基于暫態電流的故障選相原理的探討[J].華北電力大學學報，2005，32（1）：24-27.

[3]趙智，王艷松，鮑兵，等.基于小波神經網絡的配電網故障類型識別[J].電力系統及其自動化學報，2007，06：93-96.

[4]徐濤，王祁.基于小波包神經網絡的傳感器故障診斷方法[J].傳感技術學報，2006，19（4）：1060-1064.

作者簡介：葉金鳳（1988，02-），女，吉林長春人，湖北汽車工業學院電氣工程系，主要研究方向：電力系統方向。