基于灰狼算法的配電網短路故障自動監測系統

施曉敏，徐 飛，沈 磊

（國網安徽省電力有限公司，合肥 230022）

配電網在電力系統當中起著至關重要的作用，由于實際配電網運行過程中存在一定的噪聲干擾等情況，導致故障識別的準確率與快捷性無法進一步提高[1-2]。基于此提出通過灰狼算法進行神經網絡的優化，并結合集成經驗模態進行本證模態分量的分解，以此構建相應的自動化監測系統，對故障線路進行自動化識別。

1 基于經驗模態的電流暫態分解

短路接地的等效電路如圖1 所示。

圖1 短路接地等效暫態分析Fig.1 Equivalent transient analysis of short-circuit grounding

圖1 中，C 為線路相應的對地電容；R0為等效后的等值電阻，該接地電阻包括發生故障時的電弧電阻以及接地電阻[3-5]；L0為未接地的中性點等效后的電感；L 為消弧線圈等效后的電感，對應等效電阻用RL表示；U0為零序電源對應的等效電壓。

發生故障時電流的暫態可以描述為

式中：暫態電流由兩部分組成，iC為一部分電容產生的電流，iL為一部分電感產生的電流；ICm為穩態情況下iC對應的幅值；ILm為iL對應的幅值；Um為零序電壓對應的幅值；ω 為工頻情況下對應的頻率；φ 為電壓的相位。電容回路中，τC為時間常數；電感回路中，τL為時間常數；無外界干擾時，ωf為電流振蕩頻率。其中接地電流時的穩態對應式（1）中的（ICm-ILm）·cos（ωt+φ），電容電流對應的直流部分對應式（1）中的，電感電流對應的直流部分對應式（1）中的ILmcosφe-t/τL，電容與電感電流的直流部分構成對應的暫態電流。

2 集成經驗模態分解

2.1 集成經驗模態概述

首先需要對輸入的原始信號進行多次復制，得到原始信號相應的序列，而后加入相應的高斯白噪聲，這一過程表述為

式中：ni（t）為相應的高斯白噪聲；x（t）為原始信號。

在得到相應的集成經驗模態原始信號的序列之后，對其進行經驗模態的分解，將其表述為

式中：集成經驗模態被分解為2 個部分，cij為信號i分解之后對應的經驗模態分量j，ri為除去信號i 對應其余的殘余分量。

依據上述步驟對整體經驗模態進行分解，而后求對應的平均值，再進行經驗模態分量以及殘余分量的求和，將其表述為

式中：cj（t）為經驗模態j，通過式（5）求取，相應的參與分量通過式（6）求取。

式中：M 為相應經驗模態分量的個數。

2.2 提取數據特征

系統選擇的采樣頻率為10 kHz，對故障后一工頻周期進行數據采樣，步長選擇1 ms，滑動窗窗寬設置為5 ms。對于滑動窗，可以如下形式劃分：

式中：ch為采樣點，h=1，2，…，200；si為滑動窗，i=1，2，…，16。

對各窗口得到的波形數據通過集成經驗模態做出分解，得到對應多個經驗模態，對應分量的能量值可以表述為

式中：v 為對應分量k 不同的離散點；N 為采樣點的總數；x 為對應窗口序列；y 為相應的線路。

3 灰狼算法尋優

3.1 改進循環神經網絡

改進后循環神經網絡的結構示意圖如圖2所示。

圖2 改進神經網絡結構示意圖Fig.2 Schematic diagram of the improved neural network structure

圖2 由下及上不同的虛線框分別對應輸出門、輸入門以及遺忘門。對于上一時刻，Ct-1、ht-1為相應的隱藏量，xt為時刻t 對應隱藏量，fi為遺忘門對應的輸出，Nt為輸入門對應的輸入，為輸入單元當前狀態，Ot為輸出門對應的輸出，Ct和ht為時刻t對應的輸出。

優化后僅設置重置門以及相應的更新門，對應的網絡結構示意圖如圖3 所示。

圖3 優化后網絡結構示意圖Fig.3 Schematic diagram of the optimized network structure

優化后神經網絡的參數更新可以表示為

式中：rt為重置門；zt為更新門；xt為時刻t 對應的輸入為對應的候選隱藏量；ht為隱藏量；wr、wz以及wh分別為不同的權重系數；σ（）為sigmoid 激活函數；tanh（）為雙曲正切函數。

3.2 灰狼算法優化

灰狼算法以狼群為學習對象，設狼群中α 適應的能力最強，β 適應的能力僅次于α，σ 為其余適應能力的狼，3 種狼通過定位不斷靠近獵物。

據此，狼群與獵物之間的初始距離可以表示為

式中：g 為迭代的次數；s 為狼的位置；sp為獵物對應位置；c 為不同類狼對應的權重系數；r1為隨機數，范圍是［0，1］。

初始距離確定之后，按照式（11）～式（14）進行距離以及適應度的更新。

式中：μ 為收斂向量；r2為隨機數，范圍是［0，1］；a隨著迭代線性遞減，初始值設為2；dk為狼群k 同獵物的距離；ci為不同狼對應的權重系數；μi為對應的收斂向量。

由此優化后的神經網絡流程如圖4 所示。

圖4 灰狼算法優化神經網絡流程Fig.4 Flow chart of grey wolf algorithm optimizes neural network

4 自動化監測模型構建

4.1 神經網絡構建

優化后的神經網絡如圖5 所示。

圖5 優化神經網絡整體示意圖Fig.5 Schematic diagram of the optimized neural network

圖5 中，單獨由灰狼算法優化后的神經網絡難以具備較強的分類性能，加入對應的softmax 層以提高分類能力，Mi（i=0，1，…，n）為神經網絡對應的輸入層。

4.2 整體檢測模型構建

基于灰狼算法優化神經網絡的整體監測模型具體流程如圖6 所示。

圖6 自動化監測模型具體流程Fig.6 Flow chart of the automated monitoring model

5 實例驗證及性能分析

5.1 自動化監測系統實例驗證及分析

5.1.1 故障模型參數設置

系統仿真模型通過PSCAD 進行搭建，具體線路仿真如圖7 所示，對應的線路參數如表1 所示。

表1 線路參數設定Tab.1 Line parameter settings

圖7 實際線路仿真模型Fig.7 Actual line simulation model

故障設定為發生接地短路的線路為L2，得到對應的零序電流測試圖如圖8 所示。

圖8 零序電流測試圖Fig.8 Zero-sequence current test diagram

5.1.2 故障數據樣本選擇

故障樣本數據選擇接地短路故障時產生的零序電流的數據信息。首個滑動窗通過集成經驗模態分解之后的示意圖如圖9 所示。

圖9 集成經驗模態分解滑動窗示意圖Fig.9 Schematic diagram of integrated empirical mode decomposition sliding window

實際故障數據采集時，對接地電阻、初始角以及接地點進行不同設定，具體設定如表2 所示。

表2 中，依據不同的參數設定，在4 條線路當中可以生成720 組不同的樣本數據信息。

5.1.3 故障檢測分析測試

依據上述分組，選擇640 組樣本數據信息作為訓練集數據，選擇80 組數據作為測試數據，最終測試結果如圖10 所示。

圖10 最終測試結果對比Fig.10 Comparison of final test results

圖10 中，實際測試結果與系統預測結果基本吻合。

實際配電網運行時，短路故障是隨機的，為了真實模擬實際情況，對故障參數進行隨機生成并分析，得到的結果如表3 所示。

表3 隨機故障測試結果Tab.3 Random fault test results

5.2 系統算法實例驗證及分析

5.2.1 噪聲干擾測試

當噪聲干擾為10 dB 時，原始波形與噪聲干擾圖像如圖11 所示。

圖11 原始波形寫噪聲干擾波形示意圖Fig.11 Schematic diagram of the original waveform and the noise interference waveform

分析圖11 可知，當噪聲干擾時，整體波形的變化幅度不大，僅在0.025 s 左右波形產生了較大幅度變化。對不同噪聲干擾對比得測試結果如表4所示。

表4 不同噪聲干擾測試結果對比Tab.4 Comparison of test results of different noise interference

表4 中，噪聲干擾的識別率均在92.5%以上，且隨著信噪比的增大，識別率相對變高。

5.2.2 隨機數據信息丟失

實驗測試選擇L1 線路進行數據信息丟失測試，原始數據圖像如圖12 所示，數據丟失圖像如圖13 所示。

圖12 未丟失數據原始圖像Fig.12 Raw image of no data loss

圖13 丟失部分數據圖像Fig.13 Image of partial data loss

圖12 與圖13 中，當數據部分丟失時，與原始圖像產生較大差別，具體的識別結果如圖14 所示。

圖14 實際改進算法測試結果Fig.14 Test results of the actual improved algorithm

圖14 中，盡管在數據信息部分丟失的情況下波形差別相對較大，但改進算法依舊能夠精確地識別到相應的故障線路。

5.2.3 不同神經網絡對比測試

將灰狼優化后的神經網絡與其他神經網絡如RBF、Elman 以及BP 進行對比，得到的對比結果如表5 所示。表5 中，本文改進的神經網絡在不同情況下均表現出優異的識別性能。

表5 不同神經網絡對比結果/（%）Tab.5 Comparison results of different neural networks/（%）

6 結語

自動化監測系統中，通過灰狼算法對神經網絡進行進一步的優化，同時結合集成經驗模態進行暫態電流的分解，改進系統參數設置更少，同時優化相應的計算步驟。經過實際算例驗證，提出的自動化監測系統能夠在提高效率的同時，具備更好的抗干擾性能，相比其他算法具有更精確的識別率。