基于小波SOM神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的微電網(wǎng)故障診斷方法?

孫 波 黃建波 陸 潔 王 軒

（國網(wǎng)淮安供電公司 淮安 223002）

1 引言

微電網(wǎng)是分布式發(fā)電、儲能設(shè)備、負(fù)荷和其他設(shè)備集成在一起的小型配電系統(tǒng)。這是分布式電源接入電網(wǎng)的一種有效方法。它具有靈活的操作方式和各種拓?fù)浣Y(jié)構(gòu)特點(diǎn)。目前，微電網(wǎng)系統(tǒng)的研究主要集中在控制和能量管理［1～4］，而微電網(wǎng)系統(tǒng)故障診斷的研究較少。

文獻(xiàn)［5］提出了一種利用改進(jìn)蟻群算法和模糊Petri網(wǎng)進(jìn)行風(fēng)力發(fā)電微電網(wǎng)仿真系統(tǒng)故障診斷的方法。文獻(xiàn)［6］在診斷規(guī)則的基礎(chǔ)上，建立了微電網(wǎng)故障診斷的分析模型。文獻(xiàn)［7］為微電網(wǎng)的拓?fù)渥R別設(shè)計(jì)了Agent和MAS體系結(jié)構(gòu)，并在此基礎(chǔ)上提出了一種基于petri網(wǎng)和先進(jìn)的petri網(wǎng)的故障診斷模型。文獻(xiàn)［8］基于模糊神經(jīng)網(wǎng)絡(luò)對低壓配電網(wǎng)的故障定位算法進(jìn)行了研究。文獻(xiàn)［9］對微電網(wǎng)基礎(chǔ)設(shè)施的故障診斷方法進(jìn)行了總結(jié)。

基于上述研究成果，本文提出了一種將小波SOM神經(jīng)網(wǎng)絡(luò)與多Agent系統(tǒng)相結(jié)合的微網(wǎng)系統(tǒng)故障診斷方法，仿真結(jié)果證明了該方法在微電網(wǎng)故障診斷上的可行性，且該方法具有不受故障位置、故障時(shí)間等因素的影響，對微網(wǎng)拓?fù)浣Y(jié)構(gòu)的變化具有較好的適應(yīng)性等優(yōu)勢。

2 小波奇異熵

小波變換可以將信號分解為一系列小波函數(shù)，可以在時(shí)域和頻域上反映信號［10］。這是分析靜止信號或信號奇異性的有效方法，它常用于有瞬態(tài)信號的故障條件［11］。

矩陣特征可以通過特征值分解得到，但矩陣必須是一個(gè)方陣。實(shí)際上大多數(shù)矩陣都不是方陣，但是小波奇異分解是一種對任何矩陣都適用的方法［12～13］。如果 A是一個(gè) M×N矩陣，U是一個(gè) M×M方陣，Σ是一個(gè)M×N矩陣，VT是一個(gè)N×N矩陣，那么任何M×N矩陣A的奇異值分解都可以表示為

通過信號小波變換得到的系數(shù)矩陣可以分解為DM×N矩陣。矩陣DM×N可以反映原始系數(shù)矩陣的基本特征。此時(shí)必須有矩陣和Vl×N。

在對角矩陣 Rl×l中的主對角元素是矩陣 DM×N的奇異值，若矩陣DM×N反映瞬態(tài)信號的時(shí)間頻率信息，則矩陣rι˙可以表示矩陣DM×N的基本模態(tài)特性。為了描述信號的頻率分量和分布特性，小波奇異熵定義如下：

在實(shí)際電網(wǎng)故障診斷工作中，由于多種干擾因素的影響，直接使用采集數(shù)據(jù)通常無法直觀確定故障位置或者故障原因。小波奇異熵可以反映分析信號能量分布的隨故障的變化而變化的不確定性。當(dāng)故障發(fā)生時(shí)，故障相位的不確定度大于非故障相位的不確定度，因此利用小波奇異熵進(jìn)行故障診斷在理論上具有可行性［14］。

3 基于Som神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的微電網(wǎng)故障診斷方法

3.1 SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)由輸入層和競爭層組成。輸入層神經(jīng)元是一個(gè)一維的N個(gè)節(jié)點(diǎn)，競爭層也是輸出層、節(jié)點(diǎn)被安排在二維的形式與M神經(jīng)元，神經(jīng)元在輸入層和競爭層連接的權(quán)重，這是外部輸入的連接權(quán)值。在競爭層神經(jīng)元之間也有權(quán)值的連接，它的權(quán)值反映了神經(jīng)元之間的相互作用［15］。

圖1 SOM神經(jīng)網(wǎng)絡(luò)模型

SOM神經(jīng)網(wǎng)絡(luò)可以在沒有外部幫助的情況下通過自組織學(xué)習(xí)來顯示競爭層的分類結(jié)果。SOM神經(jīng)網(wǎng)絡(luò)通過對輸入方式的重復(fù)學(xué)習(xí)，實(shí)現(xiàn)對連接權(quán)重的空間分布密度和輸入模式的概率分布的收斂。

3.2 多Agent系統(tǒng)

多Agent系統(tǒng)由多個(gè)分布在不同位置的Agent單元組成，這些Agent單元可以由不同的軟件和硬件平臺來實(shí)現(xiàn)。每個(gè)Agent單元可以獨(dú)立解決有限的問題。通過與其他Agent進(jìn)行交互，它可以解決復(fù)雜的問題［16］。

本文設(shè)計(jì)的一種基于多Agent系統(tǒng)的動態(tài)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)識別故障診斷模型包括三個(gè)部分：監(jiān)視器Agent、ID Agent和Aco。系統(tǒng)模型如圖2所示。

圖2 多Agent系統(tǒng)模型

監(jiān)視器Agent對環(huán)境的節(jié)點(diǎn)數(shù)進(jìn)行監(jiān)控，記錄當(dāng)前正在運(yùn)行的節(jié)點(diǎn)數(shù)Max（i），i=（1，2，……，N）。然后激活與當(dāng)前運(yùn)行節(jié)點(diǎn)數(shù)量相同的ID Agent，每個(gè)激活的ID Agent對應(yīng)正在運(yùn)行的節(jié)點(diǎn)。當(dāng)外部環(huán)境中的節(jié)點(diǎn)數(shù)量發(fā)生變化時(shí)，當(dāng)環(huán)境中的節(jié)點(diǎn)數(shù)量發(fā)生變化時(shí)，根據(jù)Max（i）的值相應(yīng)地對ID Agent的數(shù)量進(jìn)行修改。

在ID Agent層，通過識別每個(gè)ID Agent的所有鄰居Agent，將鄰居Agent矩陣轉(zhuǎn)移到Aco。

在Aco層，得到最終的拓?fù)渥R別矩陣。該矩陣是當(dāng)前系統(tǒng)的拓?fù)浣Y(jié)構(gòu)的數(shù)學(xué)表示形式，可以用來確定拓?fù)渥兓奈恢煤蜁r(shí)間。

3.3 用于網(wǎng)絡(luò)拓?fù)浔O(jiān)測的鄰居Agent的搜索算法

基于算法流程簡潔的考慮，假定網(wǎng)絡(luò)中數(shù)值包的丟失和干擾不考慮的；每個(gè)ID Agent至少有一個(gè)鄰居Agent；鄰居Agent矩陣中元素的值只能是0或1，0不是鄰居Agent，1是鄰居Agent，ID Agent自身的元素值是0。

算法步驟描述如下：

步驟1：根據(jù)監(jiān)測代理監(jiān)控的運(yùn)行節(jié)點(diǎn)N的數(shù)量，建立相應(yīng)的ID Agent，然后對其進(jìn)行編號。每個(gè)ID Agent都有一個(gè)帶有隨機(jī)初始值的鄰居代理矩陣。

步驟2：所有ID Agent按序號按升序排列。

步驟3：以最小號為起始ID Agent的ID Agent，依次將1包的值發(fā)送給剩余的代理ID地址，此包只能由ID代理接收一次。

步驟4：如果目標(biāo)ID、代理ID接收一個(gè)值為0，然后返回到啟動代理ID，則啟動ID代理將在鄰居矩陣元素集合用1中表示目標(biāo)ID代理，否則設(shè)置為0。

步驟5：重復(fù)步驟4，直到確定初始ID代理鄰居矩陣中的所有值，然后將相鄰矩陣轉(zhuǎn)移到Aco。

步驟6：重復(fù)步驟3～步驟5，直到所有ID Agent將其鄰居代理矩陣轉(zhuǎn)移到Aco。

步驟7：完成。

3.4 基于SOM神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的微電網(wǎng)故障診斷方法

基于小波SOM神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的故障診斷模型如圖3所示。

基于圖3所示的模型，設(shè)計(jì)微電網(wǎng)故障診斷算法流程為：

步驟1：收集并存儲了不同運(yùn)行模式下的低壓斷路器的三相電壓、母線三相電流、正常運(yùn)行的零序電流和微電網(wǎng)系統(tǒng)故障。

步驟2：利用小波變換對采集到的信號進(jìn)行分解，計(jì)算出每個(gè)信號的小波奇異熵。對同一運(yùn)行狀態(tài)下的單信號小波奇異熵值進(jìn)行求和，并對計(jì)算結(jié)果進(jìn)行保存。

步驟3：使用第2步的保存的數(shù)據(jù)對SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟4：根據(jù)設(shè)定的時(shí)間間隔，實(shí)時(shí)采集微網(wǎng)系統(tǒng)的低壓斷路器三相電壓、母線三相電流、零序電流等數(shù)據(jù)。對實(shí)時(shí)采集數(shù)據(jù)進(jìn)行小波處理，處理后的數(shù)據(jù)是訓(xùn)練完成的SOM神經(jīng)網(wǎng)絡(luò)的輸入向量。根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的輸出狀態(tài)值，進(jìn)行故障判斷。

圖3 故障診斷模型

步驟5：如果發(fā)生故障，微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)發(fā)生變化的位置就是故障的位置。如果沒有發(fā)生故障，微電網(wǎng)拓?fù)浣Y(jié)果的變化則表示電力設(shè)備的入網(wǎng)和退出運(yùn)行。

4 仿真驗(yàn)證

基于PSCAD微電網(wǎng)仿真系統(tǒng)如圖4所示。基于圖4對不同運(yùn)行模式下微電網(wǎng)的狀態(tài)進(jìn)行模擬分析。

多Agent系統(tǒng)的特征向量數(shù)據(jù)采用周期為100ms，采樣頻率為10kMhz。對采集到的信號進(jìn)行小波分解，分別計(jì)算同一采樣周期內(nèi)各特征向量的小波奇異熵的和作為SOM神經(jīng)網(wǎng)絡(luò)的輸入特征向量。當(dāng)在采樣周期內(nèi)拓?fù)浣Y(jié)構(gòu)只改變一次時(shí)，典型采樣數(shù)據(jù)如表1所示。

對表1的數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)：S1～S3為正常運(yùn)行狀態(tài)，電網(wǎng)負(fù)荷從60%逐漸增至額定負(fù)載；S4～S6為外部故障狀態(tài)，電網(wǎng)滿負(fù)荷工作；S7～S9出現(xiàn)不同位置的單相接地短路故障，電網(wǎng)滿負(fù)荷運(yùn)行，3臺分布式電源分別停止運(yùn)行；S10～S12為不同位置的AB相接地短路狀態(tài)，電網(wǎng)滿負(fù)荷運(yùn)行，3個(gè)分布式發(fā)電設(shè)備分別停止運(yùn)行。

圖4 微電網(wǎng)仿真系統(tǒng)圖

表1 SOM神經(jīng)網(wǎng)絡(luò)的典型初始樣本

為了便于數(shù)據(jù)處理，對表1中的數(shù)據(jù)進(jìn)行歸一化處理，并作為訓(xùn)練數(shù)據(jù)輸入到SOM神經(jīng)網(wǎng)絡(luò)中，優(yōu)化調(diào)整權(quán)值。由于輸入特征向量為7，因此SOM神經(jīng)網(wǎng)絡(luò)的輸入層有7個(gè)神經(jīng)元，輸出層有49*（7*7）個(gè)神經(jīng)元。

雖然樣本數(shù)據(jù)已經(jīng)被初始分類了，但當(dāng)訓(xùn)練步驟為50步時(shí)，樣本數(shù)據(jù)不能單獨(dú)分類，所以初始分類不夠準(zhǔn)確。當(dāng)訓(xùn)練步數(shù)達(dá)到300次時(shí)，樣本數(shù)據(jù)可以被單獨(dú)分類。SOM神經(jīng)網(wǎng)絡(luò)的仿真訓(xùn)練結(jié)果如圖5～圖7所示。

將實(shí)時(shí)采集數(shù)據(jù)輸入SOM神經(jīng)網(wǎng)絡(luò)，每個(gè)狀態(tài)所對應(yīng)的輸出為

已知故障模式和故障位置的測試樣本數(shù)據(jù)如表2所示。對這些樣本數(shù)據(jù)進(jìn)行歸一化處理，并輸入SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測計(jì)算，以驗(yàn)證該故障診斷方法的可行性。

通過計(jì)算，樣本1的故障定位在12號線路，樣本2的故障定位在11號線路，樣本3的故障定位在6號線路。SOM神經(jīng)網(wǎng)絡(luò)的輸出為Y=［7 3 43］。

圖5 初始輸出映射圖

圖6 完成訓(xùn)練后的輸出映射圖

圖7 完成訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)向量圖

表2 已知故障樣本數(shù)據(jù)

利用多Agent系統(tǒng)對斷路器的監(jiān)控識別微電網(wǎng)發(fā)生故障后的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。當(dāng)把表2樣本數(shù)據(jù)所示的故障發(fā)生后，基于多Agent系統(tǒng)所識別的微電網(wǎng)拓?fù)浣Y(jié)構(gòu)變化如圖8所示。

圖8 對故障狀態(tài)下微電網(wǎng)拓?fù)涞淖R別

由圖8可知，故障線路與樣本數(shù)據(jù)所對應(yīng)的故障位置一致。

對另外100個(gè)發(fā)生在不同時(shí)間的故障樣本數(shù)據(jù)進(jìn)行相同的仿真測試，得出以下測試結(jié)果：對其中25例正常運(yùn)行的微電網(wǎng)樣本數(shù)據(jù)的仿真測試中，出現(xiàn)2例因工作負(fù)荷變化的誤判；對其中25例全負(fù)荷工作的外部電源故障的微電網(wǎng)樣本數(shù)據(jù)的仿真測試，出現(xiàn)1例誤判；對其中25例全負(fù)荷工作的A相接地短路故障的微電網(wǎng)樣本數(shù)據(jù)的仿真測試，測試中故障部位各不相同且3臺分布式發(fā)電設(shè)備分別失效，測試結(jié)果出現(xiàn)3次誤判；對其中25例全負(fù)荷工作的AB相接地短路的微電網(wǎng)樣本數(shù)據(jù)，測試中故障部位各不相同且3臺分布式發(fā)電設(shè)備分別失效，測試結(jié)果出現(xiàn)2次誤判。對這100例的仿真測試結(jié)果進(jìn)行統(tǒng)計(jì)得出，采用本文所述的診斷方法的正確診斷率是92%。

5 結(jié)語

本文針對具有靈活運(yùn)行模式和多種拓?fù)浣Y(jié)構(gòu)的微電網(wǎng)系統(tǒng)的故障診斷，提出了一種多Agent系統(tǒng)與小波自組織神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法。仿真測試的結(jié)果表明，在一個(gè)采樣周期內(nèi)，當(dāng)微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)只有一個(gè)變化時(shí)，該方法具有很好的適應(yīng)性，不受故障位置或故障時(shí)間的影響。它可以減少小波SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，準(zhǔn)確判斷微電網(wǎng)故障定位和故障原因。在一個(gè)采用周期內(nèi)出現(xiàn)多處微電網(wǎng)故障的拓?fù)渥R別以及故障診斷的研究將有待于進(jìn)一步的研究。