李 迎
(國網(wǎng)江蘇省電力工程咨詢有限公司(國網(wǎng)江蘇省電力有限公司建設(shè)分公司),江蘇 南京 210011)
電力系統(tǒng)中,高壓直流電線路承擔(dān)著電能傳輸?shù)娜蝿?wù),具有承載容量大、節(jié)點連接簡單以及傳送距離遠等特點,在我國發(fā)展前景非常廣闊。我國地域遼闊,地形條件復(fù)雜,輸電線路通常會受各種自然環(huán)境、地形以及氣候等因素的影響,極易引發(fā)系統(tǒng)故障,高壓直流輸電線路故障不僅會制約我國社會經(jīng)濟的發(fā)展,還會影響電力系統(tǒng)正常運行[1]。精確定位故障點,有助于減少線路查找的物力和人力,及時實現(xiàn)故障處理,降低由于停電引發(fā)的經(jīng)濟損失[2]。因此,探究可靠、精確的線路故障測距算法,可為輸電線路穩(wěn)定安全運行提供保障。Elman 動態(tài)神經(jīng)網(wǎng)絡(luò)(Elman dynamic Neural Network,ENN)數(shù)據(jù)擬合能力比較強,其自身也存在反饋結(jié)構(gòu),因此將固有頻率2 倍頻與主頻頻率、幅值等當(dāng)作網(wǎng)絡(luò)輸入訓(xùn)練樣本,同時將故障距離當(dāng)作網(wǎng)絡(luò)輸出訓(xùn)練樣本,基于ENN 計算高壓直流輸電線路故障測距。選擇蟻群優(yōu)化(Ant Colony Optimization,ACO)算法優(yōu)化ENN 閾值和權(quán)值,通過MATLAB 與PSCAD 軟件展開聯(lián)合仿真,研究結(jié)果顯示基于ACOENN 算法的輸電線路故障測距具有較高的可靠性、測距精度以及穩(wěn)定性。
通常在高壓直流輸電線路發(fā)生故障時,初始行波會在系統(tǒng)與故障點間持續(xù)反射,形成故障行波,從頻域上看就是一系列諧波,也就是故障行波固有頻率。基于電流函數(shù)公式,將固有頻率、邊界條件與故障距離的關(guān)系表示為
式中:d為故障距離;v為行波傳播速度;s虛部為固有頻率,實部為行波衰減系數(shù)。邊界條件主要分為故障點反射系數(shù)(即a2)與測距點反射系數(shù)(即a1),用公式表示為
式中:Zs為系統(tǒng)輸電側(cè)的阻抗;ZF為故障位置阻抗;Zc為線路傳輸阻抗。求解式(1),得出
式中:aM、aF表示a1與a2所對應(yīng)的反射角。分析故障行波頻譜發(fā)現(xiàn),頻譜內(nèi)首個峰值對應(yīng)幅值達到最大,與該頻率相對應(yīng)的是主頻,本文提取主頻對故障測距算法展開研究。
在高壓直流輸電系統(tǒng)內(nèi)部,母線出現(xiàn)比較少,極易提取故障行波暫態(tài)信號[3]。因此,自暫態(tài)信號內(nèi)進行固有頻率的提取,計算固有頻率和故障距離的函數(shù)關(guān)系,以計算故障距離。圖1 為暫態(tài)行波頻譜。

圖1 暫態(tài)行波波形、頻譜
分析圖1 可知,故障行波傳播輸電線路時,其幅值會呈衰減態(tài)勢,且波頭畸變嚴(yán)重,自時域內(nèi)很難將行波波頭提取出來[4]。本文自頻域角度展開測距,有效避免了由于識別反射波頭產(chǎn)生的誤差。即使圖1 內(nèi)故障行波波頭畸變與衰減狀態(tài)下,也可將精準(zhǔn)固有頻率提取出來,因此該測距方法具有較高穩(wěn)定性與可靠度。
ENN 在反饋網(wǎng)絡(luò)中具有代表性,最初的ENN 主要功能在于處理語音,且ENN和普通網(wǎng)絡(luò)存在差異性,不僅具備隱含層、輸入層以及輸出層,而且增加了特殊聯(lián)系單元,特殊聯(lián)系單元能夠用于存儲隱含層的歷史輸出數(shù)據(jù),因此將該單元叫作結(jié)構(gòu)層,ENN 具備動態(tài)記憶功能[5]。圖2 為ENN 的結(jié)構(gòu)。

圖2 ENN 的結(jié)構(gòu)
分析圖2可知,網(wǎng)絡(luò)結(jié)構(gòu)主要包含結(jié)構(gòu)層、輸入層、隱含層以及輸出層,其中結(jié)構(gòu)層可存儲隱含層的歷史輸出值,能夠自隱含層對反饋信號進行接收,在延遲存儲后輸入隱含層,由此不僅能夠提升網(wǎng)絡(luò)的動態(tài)信息處理能力,而且能夠增強其對歷史數(shù)據(jù)的敏感性。網(wǎng)絡(luò)結(jié)構(gòu)中,輸出層具有線性加權(quán)功能[6]。
ENN 結(jié)構(gòu)圖中,b1表示隱含層與輸入層之間的權(quán)矩陣,b2表示隱含層與特殊聯(lián)系單元之間的權(quán)矩陣,而b3則表示隱含層與輸出層之間的權(quán)矩陣,由此獲得ENN 數(shù)學(xué)模型,用公式表示為
式中:f(·)表示結(jié)構(gòu)層傳遞函數(shù),一般采用Sigmiod函數(shù);而g(·)則表示輸出層傳遞函數(shù),一般采用線性函數(shù)。具體表達公式為
假設(shè)系統(tǒng)的第N步輸出函數(shù)為yd(x),那么系統(tǒng)目標(biāo)函數(shù),也就是誤差函數(shù)用公式表示為
圖3 為ENN 學(xué)習(xí)算法流程圖。

圖3 ENN 學(xué)習(xí)算法流程圖
在ENN 中,信息素發(fā)揮是螞蟻交流信息的一種基本方式,該方式對螞蟻生活極為重要。通過逐步分析螞蟻覓食行為發(fā)現(xiàn),覓食期間,螞蟻通常會通過信息素相互寫作,以形成所需正反饋,確保各路徑螞蟻可以在最短路徑收斂。未經(jīng)優(yōu)化情況下,ENN 網(wǎng)絡(luò)訓(xùn)練過程中極易陷入局部最優(yōu)解,尤其是收斂速度不理想,缺乏確保系統(tǒng)穩(wěn)定性,這就需要優(yōu)化處理ENN 初始權(quán)值和閾值。選擇ACO 算法優(yōu)化ENN,能夠有效防止ENN 陷入局部最優(yōu)解現(xiàn)象,縮減訓(xùn)練頻率和時間,同時有助于故障測距精確度與收斂速度的提升。
ENN 訓(xùn)練前必須提取輸入輸出訓(xùn)練樣本,因此需要考慮到樣本約束條件及其特征,所選樣本既要考慮故障模式,又要符合ENN 訓(xùn)練條件。此次試驗選擇PSCAD 軟件對高壓直流輸電線路模型進行搭建,具體見圖4。

圖4 輸電線路模型
線路模型中,線路總長度設(shè)為800 km,傳輸電流、電壓分別是2.5 kA、±600 kV,設(shè)施線路平波電抗為0.35 H。線路濾波器選擇雙調(diào)諧模式,再對線路模擬仿真,獲得測量端電壓,通過后向預(yù)測Prony 算法將二倍頻、主頻提取出來當(dāng)作樣本屬性,能夠獲得2 000組數(shù)據(jù),隨機抽選其中的1 500組當(dāng)作模型訓(xùn)練,其他500 組數(shù)據(jù)當(dāng)作模型檢驗。通過MATLAB 軟件仿真原始ENN 和ACO 優(yōu)化后的網(wǎng)絡(luò),得到如圖5、圖6 所示的誤差曲線。

圖5 ACO 動態(tài)神經(jīng)網(wǎng)絡(luò)與ENN 收斂曲線

圖5 ACO 動態(tài)神經(jīng)網(wǎng)絡(luò)與ENN 相對誤差
ACO 優(yōu)化后,分析相對誤差曲線可以看出,蟻群算法優(yōu)化后在很大限度上提升了測距誤差平穩(wěn)性,同時縮減了誤差值。首端故障發(fā)生過程中,誤差值較大,可達8.7%,主要是因為首端故障降低了固有頻率精度。首端故障發(fā)生后,測量終端母線與故障點的行波頻率較高,導(dǎo)致行波衰減速度較快,而且對面端反射行波也會對被測端頻率提取產(chǎn)生影響。
基于ACO-ENN 進行高壓直流輸電線路的故障測距,以5 個故障點當(dāng)作試驗點,測距結(jié)果受過渡電阻制約,因此試驗中所選過渡電阻不同,分別采用0 Ω、40 Ω、80 Ω 的過渡電阻,依照所設(shè)參數(shù)得出故障測距數(shù)值,見表1。

表1 高壓直流輸電線路故障測距結(jié)果
分析表1 可知,網(wǎng)絡(luò)優(yōu)化后能夠達到精準(zhǔn)測距,故障測距時,故障測距精度受過渡電阻影響比較小,雖然測距精度會隨距離增加而有所降低,但在600 ~800 m 中,可控制測距精度為±0.4%。因此,通過該方法展開高壓直流輸電線路故障測距,具有良好的魯棒性和穩(wěn)定性。
在高壓電流輸電線路故障測距中,應(yīng)用ACOENN 能夠在很大限度上提升網(wǎng)絡(luò)收斂速度和精確度,因為ACO算法魯棒性比較強,并實現(xiàn)全局最優(yōu)解搜索,所以該方法有助于提高網(wǎng)絡(luò)訓(xùn)練收斂速度,防止陷入局面最優(yōu)。因此,ACO-ENN 算法可在直流輸電線路故障測距領(lǐng)域應(yīng)用與推廣。