(國(guó)網(wǎng)四川省電力公司建設(shè)管理中心，四川 成都 610021)

母線是電力系統(tǒng)中最重要的元件之一,母線安全、穩(wěn)定、可靠的運(yùn)行關(guān)系到電力系統(tǒng)的穩(wěn)定性及供電的可靠性。同時(shí)母線故障的影響面很大，是最嚴(yán)重的電氣故障之一。因此快速、準(zhǔn)確地識(shí)別母線故障，同時(shí)判斷故障類型，對(duì)切除故障母線，消除或減小故障產(chǎn)生的影響是十分重要的[1.2]。

母線的故障識(shí)別在本質(zhì)上是模式識(shí)別問(wèn)題，這里對(duì)該問(wèn)題展開了討論，并提出了利用概率神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行母線故障識(shí)別的新方法。應(yīng)用概率神經(jīng)網(wǎng)絡(luò)，建立仿真模型，通過(guò)對(duì)采集的故障樣本進(jìn)行試驗(yàn)，結(jié)果表明該模型能有效提高故障識(shí)別準(zhǔn)確率[3]。

1 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)是一種基于貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則發(fā)展而來(lái)的可用于模式分類的并行算法。概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖1所示，共由3層組成[4，5]。

根據(jù)概率密度函數(shù)和貝葉斯分類準(zhǔn)則提出了概率神經(jīng)網(wǎng)絡(luò)的層次模型。在進(jìn)行網(wǎng)絡(luò)訓(xùn)練時(shí)，訓(xùn)練樣本向量直接存儲(chǔ)為概率神經(jīng)網(wǎng)絡(luò)的模式樣本向量。在進(jìn)行網(wǎng)絡(luò)測(cè)試時(shí)，由輸入層將網(wǎng)絡(luò)待測(cè)樣本送到模式層各個(gè)類別單元中，與相應(yīng)權(quán)向量進(jìn)行點(diǎn)積運(yùn)算，然后將計(jì)算的結(jié)果直接送入徑向基層。

圖1 概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在徑向基層中，將各單元與對(duì)應(yīng)分類的模式單元相連，進(jìn)而估計(jì)各類別的概率輸出。在決策競(jìng)爭(zhēng)層中依據(jù)上一層得到對(duì)輸入向量的概率估計(jì)，按貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則將輸入向量分到具有最大后驗(yàn)概率值的類別中去，最終實(shí)現(xiàn)模式識(shí)別[5，6]。

概率神經(jīng)網(wǎng)絡(luò)分類過(guò)程為：輸入向量傳遞到輸入層；徑向基層計(jì)算該輸入向量和樣本輸入向量之間的距離，并輸出一個(gè)距離向量；競(jìng)爭(zhēng)層接受距離向量并計(jì)算每個(gè)模式出現(xiàn)的概率，概率密度函數(shù)最大的那個(gè)神經(jīng)元輸出為1，即所對(duì)應(yīng)的那一類即為待識(shí)別的樣本模式類別，其他神經(jīng)元的輸出全為0[5，6]。

2 母線故障識(shí)別的概率神經(jīng)網(wǎng)絡(luò)模型

2.1 母線故障識(shí)別算法流程

基于概率神經(jīng)網(wǎng)絡(luò)的母線故障識(shí)別算法流程如圖2所示。母線故障識(shí)別過(guò)程分為兩步：①基于一定數(shù)量的訓(xùn)練樣本集對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到期望的概率神經(jīng)網(wǎng)絡(luò)模型；②根據(jù)當(dāng)前輸入對(duì)故障狀態(tài)進(jìn)行識(shí)別，識(shí)別的過(guò)程即為利用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算的過(guò)程。在學(xué)習(xí)和識(shí)別之前,通常需要對(duì)學(xué)習(xí)訓(xùn)練樣本和待識(shí)別樣本數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚?包括預(yù)處理和特征選取/提取等,目的是為概率神經(jīng)網(wǎng)絡(luò)提供合適的識(shí)別輸入和訓(xùn)練樣本[6]。

圖2 基于概率神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別結(jié)構(gòu)圖

要實(shí)現(xiàn)對(duì)母線故障的識(shí)別，需考慮母線各種運(yùn)行狀態(tài)，包括正常、內(nèi)部三相短路、外部三相短路等總共17種狀態(tài)。表1給出了母線各種運(yùn)行狀態(tài)及其在概率神經(jīng)網(wǎng)絡(luò)中的對(duì)應(yīng)輸出類別。

要識(shí)別母線17種運(yùn)行狀態(tài)，需要確定輸入樣本特征值。為了使樣本盡可能地反映母線運(yùn)行狀態(tài)，提取了母線的三相線電壓、相電壓、三相相電流、三相負(fù)序電流相位以及零序電流幅值共10組特征值作為概率神經(jīng)網(wǎng)絡(luò)的輸入樣本。

2.2 數(shù)據(jù)的采集與樣本集的確定

為使訓(xùn)練樣本集包括所要分類的必要信息，所采用的訓(xùn)練樣本盡可能地包括母線各種情況的內(nèi)部故障和外部故障。利用EMTDC程序仿真生成概率神經(jīng)網(wǎng)絡(luò)所需的訓(xùn)練樣本和測(cè)試樣本，同時(shí)在獲取樣本過(guò)程中考慮到電流互感器的飽和情況。數(shù)字仿真系統(tǒng)模型如圖3所示。

圖3中220 kV母線上接有6回線路，2回線路是電源側(cè)線路, 2回線路是負(fù)荷側(cè)線路,還有2回變壓器回路，110 kV母線接有4回負(fù)荷出線。針對(duì)該模型，選取220 kV母線來(lái)進(jìn)行仿真，分別對(duì)6個(gè)回路中的A、B、C三相電路進(jìn)行正常運(yùn)行時(shí)的數(shù)據(jù)采集和故障運(yùn)行時(shí)的數(shù)據(jù)采集，采樣頻率3 kHz，即每周采60個(gè)點(diǎn)，將這些數(shù)據(jù)作為樣本的原始數(shù)據(jù)。所采集的正常數(shù)據(jù)樣本和故障數(shù)據(jù)樣本分別為6回線路的A、B、C三相, 模型的樣本分別取圖3所示的母線的6個(gè)連接元件的A相、B相和C相的一次側(cè)電流之和經(jīng)電流互感器傳變后的二次側(cè)電流。

表1 母線各種運(yùn)行狀態(tài)及對(duì)應(yīng)網(wǎng)絡(luò)輸出編號(hào)

表2 母線各種運(yùn)行狀態(tài)的部分原始數(shù)據(jù)(經(jīng)互感器傳變的二次值)

圖3 母線故障仿真電路

根據(jù)基爾霍夫電流定律，當(dāng)系統(tǒng)處于正常運(yùn)行方式或母線外部故障時(shí)，理論上6個(gè)元件的A、B、C的電流之和應(yīng)該分別為零，但由于現(xiàn)實(shí)的一些原因，如傳變誤差等，6個(gè)元件的A、B、C各相電流之和并不等于零,而是存在一個(gè)不平衡電流。當(dāng)母線內(nèi)部故障時(shí)，電流之和為短路點(diǎn)的總短路電流，值很大。

仿真過(guò)程中，網(wǎng)絡(luò)的每個(gè)樣本取10組數(shù)據(jù)，分別取母線的三相線電壓、相電壓、相電流、零序電流幅值。采集了正常運(yùn)行數(shù)據(jù)和不同故障類型數(shù)據(jù)共17組。表2分別給出了母線部分運(yùn)行狀態(tài)下的原始數(shù)據(jù)片斷。

3 實(shí)驗(yàn)結(jié)果與分析

確定選擇概率神經(jīng)網(wǎng)絡(luò)后，要使用概率神經(jīng)網(wǎng)絡(luò)中默認(rèn)的SPREAD值(0.1)對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，并使用測(cè)試數(shù)據(jù)檢驗(yàn)訓(xùn)練模型所能達(dá)到的識(shí)別正確率。

3.1 采用不同歸一化方式的對(duì)比

為了研究數(shù)據(jù)預(yù)處理對(duì)識(shí)別結(jié)果的影響，采用概率神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練庫(kù)中采用不同數(shù)據(jù)預(yù)處理方法得到的樣本進(jìn)行學(xué)習(xí)，然后對(duì)測(cè)試庫(kù)中的數(shù)據(jù)進(jìn)行測(cè)試，得到的識(shí)別結(jié)果如表3所示。

表3 樣本數(shù)據(jù)采用不同歸一化方式的對(duì)比

由表3可知，如果樣本數(shù)據(jù)不進(jìn)行歸一化處理，則分類準(zhǔn)確率很低且運(yùn)行時(shí)間長(zhǎng)，超過(guò)7 s才能運(yùn)行得到結(jié)果，且識(shí)別結(jié)果準(zhǔn)確率很低，遠(yuǎn)遠(yuǎn)不能滿足對(duì)母線運(yùn)行狀態(tài)的識(shí)別需要。如果將數(shù)據(jù)歸一化到[-1,1]和[0,1]區(qū)間，識(shí)別準(zhǔn)確率較高，運(yùn)行時(shí)間較短。綜合幾種數(shù)據(jù)處理方式可以看出，在母線故障識(shí)別研究中，將數(shù)據(jù)歸一化到[-1，1]區(qū)間效果最好，程序運(yùn)行時(shí)間最短，識(shí)別準(zhǔn)確率很高。

3.2 不同的SPRED值分析比較

表4 不同SPREAD值概率神經(jīng)網(wǎng)絡(luò)性能比較

針對(duì)狀態(tài)特征數(shù)據(jù)，使用不同的SPREAD值對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行了分類測(cè)試，以判別概率神經(jīng)網(wǎng)絡(luò)是否具有不同的分類性能，并且確定哪種SPREAD值的概率神經(jīng)網(wǎng)絡(luò)最適合于該模型的狀態(tài)評(píng)估識(shí)別。選取訓(xùn)練樣本數(shù)為2 414，測(cè)試樣本數(shù)為2 431。對(duì)不同SPREAD值的概率神經(jīng)網(wǎng)絡(luò)性能進(jìn)行了比較實(shí)驗(yàn)，結(jié)果如表4所示。

表5 母線每一種狀態(tài)的分類準(zhǔn)確率

圖4 最優(yōu)參數(shù)設(shè)置下的測(cè)試集實(shí)際分類和預(yù)測(cè)分類圖

從表4中可以看出，從平均評(píng)估正確率上看，SPREAD值為1的時(shí)候分類性能最好且穩(wěn)定，SPREAD值為10的時(shí)候次之，SPREAD值為30的分類性能最差。從運(yùn)行時(shí)間上看，SPREAD值為1的時(shí)候分類速度最快。因此SPREAD值為1的概率神經(jīng)網(wǎng)絡(luò)比其他的推廣性要好。所以本實(shí)驗(yàn)表明SPREAD值為1的概率神經(jīng)網(wǎng)絡(luò)應(yīng)用于母線故障識(shí)別最理想。在最優(yōu)參數(shù)設(shè)置下，運(yùn)行仿真程序，可以得到測(cè)試集實(shí)際分類和預(yù)測(cè)分類圖，如圖4所示。由圖可知，外部三相短路有3個(gè)樣本被分為外部BC相接地短路，2個(gè)樣本分為外部AB相間短路；內(nèi)部AB相短路有1個(gè)樣本被分為了內(nèi)部三相短路，有2個(gè)樣本被分為了內(nèi)部三相短路；內(nèi)部CA相間短路有3個(gè)樣本被分為了內(nèi)部三相短路；外部AB接地短路有2個(gè)樣本被分為了外部三相短路。根據(jù)每一類的識(shí)別情況表可以知道，利用概率神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別母線故障狀態(tài)，具有很高的正判率。能100%區(qū)分母線區(qū)內(nèi)外故障，能很好地識(shí)別母線到底處于哪一種運(yùn)行狀態(tài)。

4 結(jié) 論

所提出的將概率神經(jīng)網(wǎng)絡(luò)方法用于母線故障狀態(tài)識(shí)別有很高的評(píng)估正確率和較好的穩(wěn)定性，評(píng)估正確率高，速度快。概率神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究雖然在母線故障狀態(tài)識(shí)別中取得較好結(jié)果，但概率神經(jīng)網(wǎng)絡(luò)也有一些問(wèn)題需要進(jìn)一步深入研究，如概率神經(jīng)網(wǎng)絡(luò)的性能依賴于SPREAD值的選擇，如何選擇合適的SPREAD值及相關(guān)參數(shù)來(lái)滿足其對(duì)分類結(jié)果影響值得探討。同時(shí)概率神經(jīng)網(wǎng)絡(luò)評(píng)估訓(xùn)練和測(cè)試速度有時(shí)較慢，還需進(jìn)一步研究改進(jìn)算法以適應(yīng)母線運(yùn)行狀態(tài)的實(shí)時(shí)性要求。

[1] 詹紅霞.基于神經(jīng)網(wǎng)絡(luò)的母線保護(hù)方法的研究[J]. 西華大學(xué)學(xué)報(bào)：自然科學(xué)版,2006,25(5):54-56.

[2] 董秀成,韓涵.基于神經(jīng)網(wǎng)絡(luò)模型的母線保護(hù)故障定位研究[J].西華大學(xué)學(xué)報(bào)：自然科學(xué)版,2009,28(1):1-8.

[3] 蕭彥,趙自剛.微機(jī)型母線保護(hù)應(yīng)用中的幾個(gè)問(wèn)題[J]. 華北電力技術(shù),2005(4):28-31.

[4] 銀濤.基于概率神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷的研究[J].電氣應(yīng)用，2006, 25(10): 15-17.

[5] 王豪,鄭恩讓.概率神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中的應(yīng)用[J]. 化工自動(dòng)化及儀表，2010, 37(8): 59-62.

[6] MATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)出版社，2010.