張萍，任曉俠

西安供電局，陜西 西安 710032

0 引言

隨著電力工業(yè)的不斷發(fā)展，現(xiàn)代電力系統(tǒng)已成為一個高階非線性、高復(fù)雜的大系統(tǒng)，系統(tǒng)運行的可靠性也越來越受到人們的關(guān)注，對保證電網(wǎng)安全與穩(wěn)定運行的繼電保護(hù)技術(shù)提出了更高的要求。一些傳統(tǒng)的繼電保護(hù)和故障診斷技術(shù)存在一些固有的缺陷，如整定復(fù)雜，不能全線速動，可靠性受通信線路和元件的限制等等，不能滿足電力系統(tǒng)不斷發(fā)展的要求。因此，基于人工智能技術(shù)的繼電保護(hù)系統(tǒng)越來越受到重視。

1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)[1]（Aartificial Neural Network，簡稱ANN）是模擬生物神經(jīng)元的結(jié)構(gòu)而提出的一種信息處理方法。它具有復(fù)雜的動力學(xué)特性，并行處理機制，學(xué)習(xí)、聯(lián)想和記憶功能，還具有高度的自組織、自適應(yīng)能力。ANN網(wǎng)絡(luò)由大量的模擬人腦的神經(jīng)元互聯(lián)組成，通過調(diào)整連接權(quán)值，由整體狀態(tài)來給出響應(yīng)信息，它具有本質(zhì)的非線性特征、并行處理能力、強魯棒性以及自組織自學(xué)習(xí)的能力。通過對反映輸入特征量的大量樣本學(xué)習(xí)，可以對任意復(fù)雜狀態(tài)或過程進(jìn)行分類和識別。

由于神經(jīng)網(wǎng)絡(luò)提供了比傳統(tǒng)計算機更接近人類感知與識別的途徑，因此，它能在模式識別、知識工程、自動控制等領(lǐng)域取得鼓舞人心的成果，在各行各業(yè)得到越來越廣泛的應(yīng)用。對于電力系統(tǒng)這個存在著大量非線性的復(fù)雜大系統(tǒng)來講，ANN理論在電力系統(tǒng)中的應(yīng)用具有很大的潛力，目前已涉及到如暫態(tài)、動穩(wěn)分析、負(fù)荷預(yù)報、機組最優(yōu)組合、警報處理與故障診斷、配電網(wǎng)線損計算、發(fā)電規(guī)劃、經(jīng)濟運行及電力系統(tǒng)控制等方面[2]。

2 基于ANN電流保護(hù)模型的特點

傳統(tǒng)的輸電線路繼電保護(hù)主要有電流保護(hù)、距離保護(hù)和縱聯(lián)保護(hù)。電流保護(hù)是一種原理最簡單的保護(hù)方式，但它的保護(hù)范圍直接受到電網(wǎng)接線方式和系統(tǒng)運行方式的影響，一般只適合于35kV及以下電網(wǎng)中。縱聯(lián)保護(hù)能夠?qū)崿F(xiàn)全線速動，但它需要專用的通信通道將輸電線路兩端的電氣量聯(lián)系起來，以便判斷故障發(fā)生的范圍，這樣將大大增加投資成本，而且還存在運行可靠性不高的問題。

有試驗表明，基于人工神經(jīng)網(wǎng)絡(luò)的電流保護(hù)，在系統(tǒng)的各種運行方式下及各種故障中，不僅能夠自適應(yīng)識別線路的故障類型、故障相別和故障點的位置，還可以準(zhǔn)確地區(qū)分振蕩與故障兩種情況[4]。

神經(jīng)網(wǎng)絡(luò)理論的保護(hù)裝置可直接取線路及其周邊的模擬量、數(shù)字量，經(jīng)模式特征變換輸入給神經(jīng)網(wǎng)絡(luò)，根據(jù)以前學(xué)習(xí)過的訓(xùn)練材料，對數(shù)據(jù)進(jìn)行推理、分析評價和輸出。專家系統(tǒng)對運行過程控制和訓(xùn)練，按最優(yōu)方式收集數(shù)據(jù)或由分析過程再收集控制，對輸出結(jié)果進(jìn)行評估，判別其正確性和一致性，作出最終判決，經(jīng)變換輸出，去執(zhí)行機構(gòu)。即使是新型保護(hù)，也會存在著某些功能模塊不正確動作的可能，這時可以過后人為干預(yù)擴展專家系統(tǒng)數(shù)據(jù)庫或由專家系統(tǒng)作出判別，作為樣本訓(xùn)練ANN的這部分功能模塊，改變其某些網(wǎng)線的權(quán)值，以使下次相同情況下減少不正確動作的可能。

3 基于ANN電流保護(hù)模型的建立

在輸電路系統(tǒng)中，常見的短路故障類型有：三相短路、兩相短路、兩相短路接地和單相接地等多種。其中單相接地故障轉(zhuǎn)較為普遍。當(dāng)電力系統(tǒng)發(fā)生故障時，輸電線路各相、各序電壓、電流也隨之發(fā)生變化，特別是故障后故障相的相電壓和相電流，以及接地系統(tǒng)在接地故障的零序電流的變化有明顯的代表性。因此，基于ANN電流保護(hù)模型的建立如下：

1）產(chǎn)生數(shù)據(jù)樣本集

包括原始電流電壓數(shù)據(jù)的收集、分析以及數(shù)據(jù)的預(yù)處理，只有經(jīng)過這些步驟后，才能對神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的學(xué)習(xí)和訓(xùn)練。樣本集應(yīng)盡可能包含輸電線路的各種故障模式，使得訓(xùn)練后ANN在各種因素變化時，仍能夠?qū)崿F(xiàn)故障點的精確定位。為了使ANN網(wǎng)絡(luò)更好地學(xué)習(xí)收斂，應(yīng)減少原始數(shù)據(jù)的維數(shù)，并從中抽取簡明而有用的信息，從而提高訓(xùn)練的速度和效率。可以采取時域范圍內(nèi)的電壓電流波形的快速傅里葉變換或者采用在時域頻域更優(yōu)越的小波變換的信號處理方法。

2）確定網(wǎng)絡(luò)的類型和結(jié)構(gòu)

確定網(wǎng)絡(luò)類型，選擇網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。例如可以選擇Uar、Uai、Ubr、Ubi、Ucr、Uci、Iar、Iai、Ibr、Ibi、Icr、Ici、Ior、Ioi(下標(biāo) r和 i分別代表實部與虛部14個數(shù)據(jù)量作為網(wǎng)絡(luò)的輸入。中間層和神經(jīng)元的個數(shù)可由大量的實驗確定。一般兩層中間層就已有足夠的精度，當(dāng)然，層數(shù)越多，網(wǎng)絡(luò)學(xué)習(xí)的自由度越大，解決問題的潛力就越大。但層數(shù)太多，會降低學(xué)習(xí)和診斷效率。輸出層則表示故障相別和類型。可以是A相、B相、C相、接地和正方向。各輸出值為1，代表選中；輸出值為0，代表沒選中。

3）訓(xùn)練和測試

在訓(xùn)練過程中對被保護(hù)線路的電流電壓樣本數(shù)據(jù)反復(fù)使用，找出蘊涵在樣本數(shù)據(jù)中的輸入和輸出之間的本質(zhì)聯(lián)系，從而對于未經(jīng)訓(xùn)練的輸入也能給出合適的輸出，即具備泛化功能。該保護(hù)通過對被保護(hù)線路電壓、電流的特征值的學(xué)習(xí)，不僅能自適應(yīng)地識別輸電線路在各種運行方式和故障條件下的故障方向及故障相別，而且在整個時域上都具有準(zhǔn)確的識別能力，它避免了常規(guī)差動保護(hù)整定法的不靈活性和原理上的不足，有工程實用價值。

4 結(jié)論

近年來，人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)繼電保護(hù)中的應(yīng)用越來越多，可以用來解決一些常規(guī)保護(hù)難以解決的問題。但是其應(yīng)用的可靠性問題是妨礙其在繼電保護(hù)領(lǐng)域獲得廣泛應(yīng)用的最大障礙。通過國內(nèi)外科研人員以及電力部門從業(yè)人員的研究和共同探討，神經(jīng)網(wǎng)絡(luò)的應(yīng)用勢必走向成熟，其在繼電保護(hù)中的應(yīng)用也會更加廣泛。

[1]MartinT.Hagan.HowardB.Demuth.MaekH.Beale.神經(jīng)網(wǎng)絡(luò)設(shè)計.機械工業(yè)出版社.

[2]吳捷.現(xiàn)代控制技術(shù)在電力系統(tǒng)控制中的應(yīng)用.全國高校電力系統(tǒng)及其自動化專業(yè)年會，廣州，1997.

[3]賀家李.電力系統(tǒng)繼電保護(hù)原理[M].天津：天津大學(xué)，1991.

[4]李營，楊奇遜.分布式微機母線保護(hù)的探討[J].電力系統(tǒng)自動化，1999，23(1).