基于神經網絡的電力計量故障診斷研究

李 慧 陳愷妍

（廣州供電局有限公司 廣州 510000）

1 引言

電壓、電流互感器與連接導線三個單元是組建電力計量系統的主要內容。當這三個單元的其中任意一個結構發生故障，將影響電力計量系統的全盤運作，從而影響到計量系統的計算精度。在一般情景下，當電力計量系統發生故障，關鍵表現為以下兩點：一是循環會在運行過程中報錯；二是計量系統的計算精度會逐漸降低。例如，當內部接線發生故障造成前端短路，這時電流將徑直流過電能表，發生分流現象，從而影響計量系統的計算精度，使全盤計量數據逐漸偏離。而導致上述故障發生的重要原因便是電流電能表電流線圈出現了短路問題。此類故障已由大量學者通過仿真實驗證實了上述原由的正確性。同時，在仿真實驗的研究過程中發現，導致電力計量系統運行故障的原因有很多，如果每類故障發生時都只排查單一的原因，那么將很難找到故障發生的根源所在。針對復雜多變的計量系統運行故障原因，本文基于電力計量系統的運作原理，利用神經網絡算法對發生的故障原因進行判斷，并驗證該故障排查方法的可行性。

2 高壓電力計量系統原理及問題分析

2.1 高壓電力計量系統原理

圖1為高壓電力計量系統的運作基本規律流程，其中“1”、“2”兩個為通信端點，它們是屬于電度表的兩個測量點，TA1和TA2是基于電磁感應原理來測量、計算的儀器，也稱作電流互感器，IA和IC的腳標A、C表示它們是屬于對應腳標字母相的電流，Ia和Ic腳標中的小寫字母表示它們是對應IA和IC經過TA1、TA2轉換后的二次側小電流。

圖1 高壓電力計量系統運作原理圖

2.2 故障分析

根據目前已區分開電力計量系統的故障類別標準，能獲取各個類型的故障發生原因。凡是最終導致電力計量系統計算精度降低的情況，統稱為計量系統故障。而大多數導致電力計量系統故障的原因都在于組成電力計量系統的各個單元組件在運行時發生了某些故障，比如測量電流的儀器以及變換電壓的儀器。

1）電壓互感器故障問題分析

電壓互感器（PT）在整個高壓電力計量系統里，承擔的任務是將接收的一次側高壓轉換為二次側，然后傳輸到電度表來支持相關計量的工作應用。而電壓互感器（PT）在本質上依舊是降壓變壓器的功能，它通過變換電壓大小，來為輸電過程提供便利。但由于它原本邊線圈的總數量超過了副邊線圈的總數量，因此原邊線圈產生故障的幾率要大得多。而導致這類故障主要原因是原邊線圈的匝間發生短路或者線路斷開等問題。關于這類簡單故障，當電壓互感器（PT）檢測并確定，就能將之前實驗所記錄的一般情況下的電壓數值與當前采集的電壓互感器（PT）的電壓數值進行比較，由此確定是否有故障發生。

2）電流互感器故障分析

電流互感器（CT）的工作原理與電壓互感器大體一致，它們都歸屬于變壓器一類。電流互感器（CT）在運作時需要串入一相，并且需要將整個電能生產雨消費系統里傳輸的超出一般標準的電流降低為達到一般標準的電流。對于電流互感器（CT）來說，一般出現的問題都是短接故障，也叫做短路，比如電流互感器（CT）一次側短路、電流互感器（CT）二次側短路，以及兩個電流互感器（CT）之間二次側相間短路。

2.3 故障檢測原理

上述不同的故障類型，需要采用不同的故障檢測方法進行鑒別。本文以電流互感器（CT）一次側短路檢測電路為例，其系統故障檢測原理如圖2所示。

圖2 CT一次側短路檢測原理圖

電流互感器（CT）接電源的繞組即初級線圈有著較高的電壓，很難直接地進行采數，同時它對電流的阻礙作用比較小，當初級線圈出現短接故障時，它的阻抗會發生變化，這也是增加測量難度的一個問題。針對此類問題，通常使用伏安法來測量阻抗，從而判斷所發生的故障類型。

3 故障特征信號提取

在診斷電力計量系統故障原因時，傳出的故障信號中難免會存在突變或者尖峰的成分，并且這類信號中還存在非平穩的噪聲。要正確地分析這類信號，就必須將信號進行相關處理，剔除信號中的噪聲，留存有利用價值的信號信息。在降噪處理時，傳統的傅立葉變換方法無法滿足完全降噪，原因是利用傅立葉分析的過程被完全放在了頻域，這樣一來信號的突變情況將無法及時體現，一旦信號在某個時間域產生了突變點，那么整個信號圖譜都將受到影響。而小波分析可以在頻域與時域對信號進行多線程分析，在時間域的分辨率升高時降低頻域的分辨率，反之則反，這種分析方法具備自動調焦的功能。所以小波分析可以很好地對信號中的噪聲與突變點進行剔除工作，達到降噪、消噪的目的。對于具體的消噪流程，1994年D.L.Donoho基于小波變換提出了小波閾值消噪的概念。其中提到，在利用小波分析對信號進行分析時許多有用的信息會從系數數值中體現出來，所以在對信號進行分析處理時，設置適宜的閾值對有用的系數進行保存，從而更方便地通過系數數值提取有用信息。根據圖譜的幅度，就可以將有用信息與噪聲進行分離，從而達到消噪的目的。常用的閾值處理方法有兩種：硬閾值處理和軟閾值處理。本文則使用軟閾值算法對信號進行處理。

式中，λ為閾值，ω為小波系數，ωλ為處理后的小波系數。

而經過小波軟閾值處理后的故障特征信號，通過Matlab進行仿真后發現，其曲線比較平滑，說明該方法在對特征信號的提取處理方面，具有一定的優勢。如圖3所示。

圖3 軟閾值處理后的特征信號

4 基于改進神經網絡的故障特征判斷

4.1 BP神經網絡概述

4.1.1 基本結構及流程

BP神經網絡是前端反饋類型的網絡，它的結構組成是通過眾多結構層連接而成。層級大類可分為數據傳入層、許多隱藏層以及數據傳出層共同建立，而每層又包含了若干個連接點，這其中的每個連接點都是網絡中的一個神經元，層與層之間的最基本的結構和功能單位經過權數進行連結。一個最簡單的BP神經網絡，它需要包含一個輸入層、一個隱含層以及一個輸出層，具體的結構如圖4所示。

圖4 BP神經網絡結構

BP神經網絡學習算法主要是根據其數據傳出層所傳出的誤差進行反向回饋，然后調節并更正網絡系統最基本的結構和功能單位的連結權數，不斷縮小誤差值，它的整個學習過程蘊含了正向的數據計算和結果誤差的反向回饋。數據從輸入層進入，通過隱藏層、輸出層進行正向的計算傳遞，在訓練網絡權數的過程中不斷往復，降低誤差，通過數據傳出層將數據反饋給隱藏層，逆向變更各神經元之間的連結權數，這個過程反復進行，使誤差到達期望值的范圍內，具體的訓練流程如圖5所示。

4.1.2 BP神經網絡的缺陷

BP神經網絡能較完美地解決非線性問題，并且有很強的容錯能力，但是它也存在一些缺陷，這關鍵出現在下面三點。

1）神經網絡的層級構造不好確定。目前，神經網絡的層級構造和相關的參數設置沒有現成的、具有完備的理論指導系統。因此，神經網絡的應用受到了許多局限，在構建神經網絡時唯有參照歷史經驗或相關實驗研究結果來決定神經網絡的層級構造以及相關參數的設置。

2）神經網絡的訓練流程收斂速率較緩。誤差函數中有一定概率存在著平坦區域，這個區域的存在會導致誤差函數在該點方向取得的最大值在平坦區內的變化偏小，當權數變換時，倘若學習速率η被設置得過小，那么誤差的更新范圍會非常小，使得它在遭遇平坦區時會造成特別多的迭代次數，將會消耗很長的時間，最終影響整個學習過程的收斂速度，降低效率；而如果將學習速率η設置得太大，便容易與原本梯度下滑的通道發生偏差，引起震蕩，造成不收斂，產生的結果就是最終值誤差很大。

圖5 BP神經網絡訓練流程

3）很可能會墮入局部極小值。如果設計的神經網絡的各個層級的構造比較復雜，這時它的誤差函數相當于一個N維空間崎嶇不平的曲面，擁有許多最大值與最小值的點，且BP神經算法中所選取的梯度下降法，在進行學習時是依照誤差函數的斜面慢慢降低到最小值，但由于復雜網絡誤差函數的多變性，導致誤差調整時在整個訓練過程中常常陷入局部極小值無法跳出。

4.1.3 BP神經網絡算法的改良

1995年J.Kennedy和R.C.Eberhart發表了粒子群優化算法（Particle Swarm Optimization，PSO）。此算法是他們在其他研究結果中所得到的啟發，由于該算法需要設置的參數比較少，而它的優點是容易實現，并且其收斂速度相對來說是比較快的，所以當這個算法被提出時，立馬就變成了群體智能范疇的議論熱門方法。將這兩個算法相結合，彌補了神經網絡的缺陷，使其訓練過程收斂加速，這樣便能很好地避免神經網絡訓練中常常墮入局限最小值情況的發生，使了神經網絡在故障診斷應用中的效率與精度變得更加快速、準確，在電力計量系統的應用中有著巨大的發展空間。

現在倘若存在一個D維指標的立體空間，在該空間中有一個粒子含量為m的群體，此中第i個粒子的所處方位為xi=(xi1，xi2，…，xiD)，它的速率歐幾里得向量為vi=(vi1，vi2，…，viD)。第i個粒子的單一最優數值為pi=(pi1，pi2，...，piD)，全盤粒子集合的整體最優值為pg=(pg1，pg2，…，pgD)，而關于第t+1次的迭代，粒子更新的公式為

根據改公式可以了解到，基本PSO的速度更迭主要由三個點來決定：1）粒子當前個體的運動速度，象征著此時狀況的影響作用；2）是粒子的“自身認知”功能的影響，即粒子個體既有的歷史經歷和印象的影響，這種影響會鞭策粒子向以往探索過的最優值靠攏；3）是粒子種群所包含的“整體記憶”功能，這個功能體現了粒子之間的協同運作以及訊息分享，會鞭策個體粒子漸漸向整個集合歷史記憶的最優位置拉近距離。

而為了提高優化的精度，在全局最優方法中提出了一種動態學習因子的調整方法。具體內容為

其中，t和Tmax分別是目前已迭代的總次數和最大的進化代數，并且0

由此，經過上述改進后的神經網絡模型的整個運作流程如圖6所示。

5 仿真驗證

5.1 初始參數設置

1）BP神經網絡的參數設置。本文將輸入層的神經元數量設置為7，輸出層的神經元數量設置為4，設置了單隱藏層，其中隱含層的數量設置為14，數據傳進層分別在隱藏層和數據傳出層都采取logsig函數，即邏輯回歸中的sigmoid來當作各個層級的神經元之間的轉達函數。

2）PSO變量的還原化。最開始將整個集合的粒子量設置為50；將訓練因子c1與c2的數值均設置為1.5；根據慣性權重線性遞減的方法，設置最小值ωmin=0.4、最大值ωmax=0.9；設置迭代次數的極值Tmax=2000次；設置各個粒子的最大限制速度Vmax=1；設置誤差的精度ε為0.01。

圖6 基于PSO的神經網絡模型

5.2 仿真結果

通過利用上述參數設置進行的實驗，可以得到圖7所示的結果。

圖7 神經網絡誤差仿真

6 結語

通過圖7中的結果能夠總結出，基于粒子群優化BP網絡的高壓電力系統故障診斷方法，在確保了識別準確率的大前提下，在很大程度上減少了迭代的次數，同時加快了收斂速度，結果顯示優化后的算法在應用中的性能提高是非常顯著的。由此可以證明本文設計的算法具有一定的可行性。