基于改進神經網絡算法的低壓抗直流互感器動作行為檢測

林中愛，程富勇，廖耀華，王 恩

（1.云南電網有限責任公司電力科學研究院，昆明 650041；2.中國南方電網公司電能計量重點實驗室，昆明 650041）

0 引言

隨著我國搭建電網面積的擴大，越來越多的用戶加入到電網日常用電的負荷中。由于電網中電路的電磁作用，當用戶側在接入電網過程中產生一定的非線性負荷時，由于電荷的不規律運動，電網線路中會產生一部分直流分量，從而在電網中形成非線性的諧波電流。直流互感器是電網中的重要組成元件，當電網中所產生的非線性諧波電流通過互感器時，其中的一次繞組會受到諧波的干擾，互感器的計量量程會瞬間處于爆表狀態，此時互感器如果不采取相應前使用的檢測方的動作，繼續進行計量工作，此時會產生嚴重的二次電流畸變，幅值與正常情況下相差較大，使得計量數值出現誤差，因此在電網中需要應用低壓抗直流互感器，以保證在計量工作中免受諧波電流的干擾，因此低壓抗直流互感器成為了我國電力系統中的重要傳變設備[1]。我國建設智能電網是電力系統改革的重要舉措，也成為了目前研究的熱點問題。低壓抗直流互感器作為變電站中的測量裝置，必須能夠精準測量，及時發現互感器在工作中的故障或誤差，因此對其進行動作行為檢測在實際的電網保護中具有重要的意義。

目前對于低壓抗直流互感器動作行為的檢測研究較少，低壓抗直流互感器在二次側波形的獲取中，很容易發生畸變，在不同程度上出現直流和各個諧波分量，此時變換誤差會受到一定影響。目前通常使用的動作行為檢測方法中，需要設置一個標準互感器，采用數字式的直接校驗對互感器的動作行為進行檢測，但是這種傳統的互感器動作行為檢測方法的檢測誤差較大，因此本文以改進神經網絡算法為基礎，設計一種低壓抗直流互感器動作行為檢測方法。

1 基于改進神經網絡算法的低壓抗直流互感器動作行為檢測方法設計

1.1 設計低壓抗直流互感器動作行為檢測裝置

對于低壓抗直流互感器來說，能夠有效地改善直流分量引起的直流偏磁，在實際應用中不會影響互感器的正確傳變[2]。想要精準的檢測到低壓抗直流互感器動作行為，本文設計了一種檢測裝置，相關的接線方法如圖1所示。

圖1 低壓抗直流互感器動作行為檢測裝置電路圖

在上圖的裝置連接電路中，整體的檢測設備包括電壓源、調壓器以及升流器等，另外選取檢測精度能夠達到0.01%的交直流標準器以及二極管，搭配若干取樣電阻R0-Rx。根據相關的標準要求，對于互感器的斑駁電流來說，需要提供電流的標準值以及測試值[3]。在上圖的電路結構中，當升流器的輸出電流如圖中的箭頭方向所示的時候，此時電流會通過二極管D1流回原位，但是如果電流方向相反，那么電流則會依次經過二極管D2、被檢測的互感器和交直流的標準互感器返回，這時被檢測的互感器則會與交直流標準互感器的極性端形成閉合回路。對于標準互感器來說，一般的額定二次負荷范圍在2.5VA～5VA之間，此時的相位角為90°。

1.2 基于改進神經網絡算法的檢測流程優化

BP神經網絡是近年來人工智能研究領域的重要算法結構，該網絡算法經常被應用在智能檢測方法中，其結構主要由輸出層、輸入層以及隱含層所構成，在不同層中斗毆包含不同的節點神經元，神經元之間依靠傳遞神經遞質作為溝通的橋梁。在傳統的互感器動作行為檢測中，BP神經網絡算法能夠廣泛地應用在故障檢測、動作判斷等領域中，對于復雜度和維度較低的問題識別與判斷中具有較好的非線性處理能力，但是由于算法自身結構的問題，其在實際的檢測學習中收斂速度慢，學習能力差，容易陷入局部最小值，導致最終的檢測結果偏差較大[4]。因此使用粒子群對BP神經網絡進行優化改進，針對復雜的檢測問題能夠加速優化過程，對于高維度的復雜檢測來說，將目標函數的梯度信息影響降至最低。本文所采用的改進BP神經網絡能夠在傳統神經網絡的基礎上，避免學習過程中陷入局部循環。利用粒子群算法來優化閾值和權值，保證BP神經網絡在計算各層權重和分析閾值的過程中，能夠保證粒子群的學習范圍更加廣泛。在檢測流程中，主要是隱藏層和輸出層在相同方向進行傳輸運算時，各個閾值和權值之間的計算關系如式(1)所示。

上式中，Zk表示隱含層中某節點k面對下一層級的輸出值，f表示激勵函數，netk表示該點的凈輸入值，vik表示輸入層中任意節點i連接到隱含層中的任意節點k之間的權重，xi表示輸入層神經元的輸入權值，wkj表示隱含層中節點k到輸出層中節點j的連接權值。n代表總的輸入樣本，zk表示節點在隱含層的輸出值。根據以上方程組的計算檢測流程，首先要確定改進神經網絡中的輸入、隱含和輸出層的結構，并在粒子群算法的基礎上將改進神經網絡中的閾值以及各層之間的連接權重進行編碼，得到粒子群。此時粒子群的參數是不規則且散亂的，要想對粒子群進行重新排布，需要對參數進行初始化，計算粒子群在尋優過程中的適應度值，在全局范圍內尋找最優解，并實現輸出數據的更新。以上操作完畢之后，需要判斷粒子群的迭代次數，保證結果精度在提前預設的范圍之內，如果在范圍內達標，則將全局的最優值作為改進神經網絡的權值和閾值；如果不達標，則需要按照計算公式完成新一代種群的培養，重新計算粒子的適應度值，直至達到精度和迭代次數的要求。

1.3 低壓抗直流互感器動作行為分類

在上一節中，通過優化檢測流程能夠得到互感器在工作過程中的參數變化。但是互感器根據實際運行狀況的不同會出現故障動作和保護動作[5]。在檢測過程中，如果互感器自身發生故障，此時與之相聯的電抗器組的額定電壓會發生變化，電流互感器的變比會上升至1600∶1，當出現這種情況時，此時互感器的檢測準確及能夠達到10P20，斷路器與電流互感器都會在電抗器的尾部出現電流或電壓的震動。但是互感器在實際工作中出現次數最多的應該是保護動作，當在1號主變壓器中的1號電抗器完成投入時，此時的低抗低流I段會發生保護動作，即低壓抗直流的互感器開關與主變壓器35kV的開關都會跳開。根據得到的互感器運行過程樣本，想要將其動作行為進行分類，首先要完成歸一化處理。歸一化過程如式(2)所示。

上式中，y表示經過歸一化之后的輸出值，x表示互感器動作行為的檢測值輸入。當投入不同的電抗器時，動作電流與上一次投入是相似的，在經過歸一化之后，因此故障波形與保護動作之間的行為能夠保持基本一致。根據保護互感器保護動作的原理和邏輯，結合互感器之間的電流電壓波形，能夠分析出在合閘的過程中，電流波形周圍會出現非線性的分量，造成波形出現偏沉。在電感元件出現保護動作時，電流所產生的變化是漸進的，此時的合閘電流是緩慢上升的，當合閘電流的波形相位瞬間電流角度在180°，此時電流中則會產生非線性的波形分量，對于互感器來說，此時則處于自我保護的狀態。因此根據對低壓抗直流互感器來說，準確獲取其電壓值，并對其波形情況進行判斷，就可以分析出其具體的動作行為。至此完成基于改進神經網絡算法的低壓抗直流互感器動作行為檢測方法的研究。

2 方法性能測試

2.1 搭建測試實驗環境

為了驗證本文設計的基于改進神經網絡算法的低壓抗直流互感器動作行為檢測方法在檢測精度方面具有一定的優勢，在方法性能測試中需要搭建測試環境，設計測試流程以進行驗證。在搭建的測試裝置中，選擇的主控單元為PLC的MA5680T，在數據采集中，同步采樣單元為AD7066，并在測試中設置不同的互感器變比。搭建的實驗室測試環境如圖2所示。

圖2 精度測試檢定環境接線圖

在測試過程中，需要設置采用的內置分流電阻的電阻值為2mΩ，在檢測的過程中能夠控制電阻值的調節值為0.1mΩ，精度能夠達到±0.1%，實驗進程中溫度系數的改變范圍值為0～±7ppm/℃，實驗中的分流器最大功率為350W，檢測鉑電阻中會預先放置一個溫度傳感器，保證溫度變化在可控范圍內，避免溫度影響檢測精度。在測試過程中的二次數據讀取中，需要對上圖中的高精密電流檢測箔電阻的阻值進行設置，設置范圍為20～200mΩ，每次變化的梯度為20mΩ。在以上實驗環境下，實驗測試過程中的整體流程如圖3所示。

圖3 實驗測試流程

正在以上實驗測試流程下，對低壓抗直流互感器的動作行為進行檢測。在實驗中選擇傳統的數字式直接校驗法對互感器的電壓進行檢測，并與數字萬用表的測得值進行比較，得到相對誤差。

2.2 實驗結果對比分析

為了保證測試過程的可靠性，本文選擇了30∶1、40∶1、50∶1、60∶1以及80∶1的5種互感器進行測試。兩種方法得到的電壓檢測誤差如表1所示。

表1 檢測結果對比

根據上表得到的兩種方法的檢測結果，與數字萬用表測得值相比，相對誤差的計算公式為：

上式中，V0表示數字萬用表測得值，V表示不同方法的測得值。根據上表中的數據進行計算，得到的兩種方法誤差對比結果如圖4所示。

圖4 兩種方法電壓檢測誤差對比

從上圖中的計算結果可以看出，在不同低壓抗直流互感器類型中，本文設計的互感器動作行為檢測方法與傳統方法相比，在電壓檢測的過程中與數字萬用表測得值之間的誤差更小，驗證了本文方法在實際檢測中的準確性。

3 結語

我國電網的覆蓋面積增大，輸電線路的數量和長度都有突破性的增長，負荷的增加也造成了直流分量的快速增長。為了精確電能計量，低壓抗直流互感器的應用有效解決了直流分量帶來的干擾。為了及時發現互感器在工作中的故障或誤差，對其進行動作行為檢測在實際的電網保護中的意義重大。本文針對傳統檢測方法中存在的缺陷和不足，在檢測過程中引入了基于改進神經網絡算法，這一突破性創新有效增強了動作行為檢測在實際應用中的計算準確性，減小了傳變誤差，對于電力行業發展來說成為了新的推動力。本文設計的方法雖然取得了一定的成果，但是也仍然存在一些不足之處，在后續的工作和研究中，需要針對目前存在的缺陷進行更深入地研究與創新。