李麗 安華 賀健偉 洪海濤 張仁金

摘要：電力系統(tǒng)有些故障產(chǎn)生的小電流不足以使保護(hù)裝置動(dòng)作，這就需要對(duì)故障進(jìn)行診斷，進(jìn)而采取措施，提出了利用監(jiān)督聚類(lèi)神經(jīng)網(wǎng)絡(luò)對(duì)電力設(shè)備故障進(jìn)行診斷并分類(lèi)，現(xiàn)場(chǎng)數(shù)據(jù)測(cè)試結(jié)果證明了該方法的有效性。

關(guān)鍵詞：電力系統(tǒng);故障;監(jiān)督聚類(lèi);神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TM7 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0079（2014）33-0202-02

電力設(shè)備相間短路、三相或單相接地故障（SLG故障）會(huì)呈現(xiàn)出低阻抗，這能引起大電流使保護(hù)裝置動(dòng)作。但是，在△-△連接的分立系統(tǒng)及在Y連接的系統(tǒng)中的SLG故障不會(huì)產(chǎn)生大電流使保護(hù)裝置動(dòng)作。從目前的研究現(xiàn)狀看，這個(gè)問(wèn)題已經(jīng)被廣泛關(guān)注，從安全經(jīng)濟(jì)角度，該類(lèi)故障是有害的，而且故障還存在一定的隱患。[1-3]

一般情況下，當(dāng)系統(tǒng)發(fā)生的故障呈現(xiàn)出較小的故障電流時(shí)，在相電壓波形中只能夠觀察到的是峰值部分，但是在故障相電流的波形成分中有一個(gè)可辨識(shí)的變化，這就是附加頻率。較正常系統(tǒng)的瞬態(tài)相比，這些變化持續(xù)時(shí)間較長(zhǎng)，而且是隨機(jī)出現(xiàn)。故障電流波形和幅值受故障類(lèi)型及所處環(huán)境影響，如土壤、濕度等。對(duì)于無(wú)弧故障情況，故障電流的幅值和相位會(huì)有規(guī)律地變化，但對(duì)于有弧故障，在故障電流波形的幅值和相位中會(huì)斷續(xù)地失真。

從電流特征值能夠判斷出設(shè)備是故障還是正常。從這些特征值也能區(qū)分已有故障的類(lèi)型及發(fā)生的位置。從特征值判斷故障的類(lèi)型是比較困難的，因?yàn)橥环N故障可能呈現(xiàn)出不同的特點(diǎn)，所以迫切需要一些新方法。本文采用的新方法有兩部分：一是信號(hào)處理器，一是基于聚類(lèi)監(jiān)督的診斷系統(tǒng)。這個(gè)方法能夠解決傳統(tǒng)的故障診斷不能解決的難題，如單相故障的分類(lèi)及確定故障發(fā)生在哪一相。

基于神經(jīng)網(wǎng)絡(luò)故障診斷方法的輸入是：對(duì)稱的三相電流。預(yù)處理器計(jì)算出相電流的統(tǒng)計(jì)特性，并把它們輸入到神經(jīng)網(wǎng)絡(luò)分類(lèi)器中。[4]神經(jīng)網(wǎng)絡(luò)判斷有沒(méi)有發(fā)生故障。如果檢驗(yàn)出有故障發(fā)生，則還要對(duì)故障進(jìn)行分類(lèi)，并找出故障發(fā)生點(diǎn)。本文所用的神經(jīng)網(wǎng)絡(luò)是基于聚類(lèi)監(jiān)督的兩級(jí)神經(jīng)網(wǎng)絡(luò)。

該系統(tǒng)具有能區(qū)分故障和疑似故障不同特征的功能。這個(gè)診斷方法提供初步的故障位置信息，以確定故障發(fā)生在哪一相。[5]Texas&M（TAMU）模式記錄的數(shù)據(jù)用來(lái)訓(xùn)練和測(cè)試現(xiàn)場(chǎng)數(shù)據(jù)，映射通過(guò)之前積累的不同現(xiàn)象的數(shù)據(jù)進(jìn)化，以執(zhí)行這些類(lèi)別的任務(wù)。監(jiān)督聚類(lèi)監(jiān)督模式相比傳統(tǒng)模式的分類(lèi)技術(shù)有很多優(yōu)點(diǎn)，能自動(dòng)分類(lèi)檢驗(yàn)故障和故障定位，[6]此外還具有適應(yīng)性和不斷學(xué)習(xí)的能力，計(jì)算效率較高。

一、神經(jīng)網(wǎng)絡(luò)

圖1 神經(jīng)網(wǎng)絡(luò)

圖1是用于電力變壓器故障診斷的神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)為三層前饋結(jié)構(gòu)：輸入層，隱層，輸出層。每一層的神經(jīng)元從前曾獲得輸入信號(hào)并且把輸出送入到后層。輸入層的神經(jīng)元從外部系統(tǒng)獲得一組輸入信號(hào)并按照連接權(quán)直接把輸入數(shù)據(jù)送到隱層的輸入。在下面的計(jì)算中，寫(xiě)在下方的n， h， k分別表示輸入層，隱層，輸出層的各種模式。網(wǎng)絡(luò)的輸入net定義為引入信號(hào)的權(quán)減去偏置值的總權(quán)。在隱層的網(wǎng)絡(luò)輸入神經(jīng)元h， neth由下式表示：

（1）

這里的yn是輸入層神經(jīng)元n的輸出，whn代表從輸入層神經(jīng)元n到隱層神經(jīng)元h的連接權(quán)，而θh是隱層神經(jīng)元h的偏項(xiàng)。

這個(gè)S形函數(shù)被挑選作為已用神經(jīng)網(wǎng)絡(luò)的功能函數(shù). 因此在隱層，神經(jīng)元h，yh，得輸出可描述為：

（2）

然后隱層神經(jīng)元的輸出通過(guò)另一組連接權(quán)被遞送到輸出層的神經(jīng)元。輸出層神經(jīng)元的輸出也可表示為：

（3）

（4）

這里的θk是輸出層神經(jīng)元的偏項(xiàng)。這些參數(shù)（聯(lián)接圈和偏項(xiàng)）必須要在神經(jīng)網(wǎng)絡(luò)能夠產(chǎn)生所期望的輸出前由學(xué)習(xí)過(guò)程決定。

三角規(guī)則通過(guò)最小化下面的錯(cuò)誤函數(shù)E來(lái)調(diào)整神經(jīng)元之間的權(quán)。

（5）

這兒的dk代表神經(jīng)元的期望輸出值，而yk是輸出層神經(jīng)元的計(jì)算值。

權(quán)ukh通過(guò)遞推法反復(fù)校正為訓(xùn)練數(shù)據(jù)得到最小的 E 。

（6）

（7）

（8）

這里的i代表了反復(fù)的次數(shù)，η是學(xué)習(xí)率，而α常數(shù)因子。同樣地，whn可用下式變?yōu)椋?/p>

（9）

（10）

（11）

偏項(xiàng)θk和θh可作為權(quán)，同樣迭帶改變可按照（6）～（11）式同樣進(jìn)行。

輸出層神經(jīng)元k的輸出yk隱含的包含了網(wǎng)絡(luò)的可調(diào)參數(shù)，每一個(gè)神經(jīng)元的連接權(quán)及偏項(xiàng)。在本文中神經(jīng)網(wǎng)絡(luò)的連接權(quán)及偏項(xiàng)都由一種最佳的引伸算法決定，這就避免了在人工神經(jīng)網(wǎng)絡(luò)（ANN）的參數(shù)收斂a，這種方法通過(guò)遞推逼近法訓(xùn)練。[7]

二、故障檢驗(yàn)與辨識(shí)

這個(gè)故障診斷法能夠?qū)崿F(xiàn)故障檢驗(yàn)，故障類(lèi)型的分類(lèi)及辨識(shí)故障在哪一相發(fā)生。這個(gè)方法檢驗(yàn)出反常事件的表現(xiàn)，并決定這個(gè)反常的現(xiàn)象是否為故障引起。假如判斷出它是故障，那么就對(duì)它進(jìn)行分類(lèi)，并判斷在哪一相發(fā)生。這個(gè)故障診斷法可在故障類(lèi)型分類(lèi)時(shí)分出四種故障類(lèi)型。對(duì)于單線和導(dǎo)線破損故障是不同的。前一種代表了傳統(tǒng)的單線對(duì)地故障。導(dǎo)線并沒(méi)有損壞，故有電流持續(xù)流過(guò)。它可能是由于相導(dǎo)線下垂到地面或樹(shù)枝，灌木，起重機(jī)，農(nóng)業(yè)機(jī)械或一些外來(lái)物體引起的。當(dāng)一個(gè)或多個(gè)支路導(dǎo)線開(kāi)路，要么一個(gè)或沒(méi)有斷路時(shí)其他三個(gè)故障可能接觸到地面，不明物。第三種故障也是SLG故障，斷開(kāi)的導(dǎo)線接觸到地面，這時(shí)變電站導(dǎo)線的末端保持在空氣中。[8]第四種故障類(lèi)型是一個(gè)開(kāi)路故障，斷開(kāi)的導(dǎo)線的末端和地面不接觸。只有第一種故障類(lèi)型是屬于TAMU故障，本文要分析的就是這種故障。

這個(gè)故障診斷法也能夠確定故障是在哪一相發(fā)生的。有弧故障是分部系統(tǒng)不平衡，它在相電流波形中斷斷續(xù)續(xù)地出現(xiàn)一些失真。在故障相能看到其主要的影響;在其他兩相不能表現(xiàn)明顯的影響。這種行為是故障辨識(shí)的基本功能。故障相的辨識(shí)和故障類(lèi)別的分類(lèi)為系統(tǒng)的故障定位給出了初步的信息。

三、應(yīng)用

典型地，當(dāng)故障呈現(xiàn)出低的故障電流時(shí)，在相電壓波形中主要能觀察到的是大的幅值。但是，在故障相電流的波形的成分中有一個(gè)可辨識(shí)的變化，這是由于附加頻率的出現(xiàn);較正常系統(tǒng)的瞬態(tài)相比，這些變化持續(xù)較長(zhǎng)時(shí)間，而且是隨機(jī)出現(xiàn)。故障電流形狀和尺寸的性質(zhì)受故障類(lèi)型及，所處條件如土地的類(lèi)型、濕度。對(duì)于無(wú)弧故障情況，故障電流的幅值和相位有確定性的變化。但對(duì)于有弧故障情況，在故障電流波形的幅值和相位中會(huì)斷斷續(xù)續(xù)的隨機(jī)失真。

實(shí)現(xiàn)基于有較聚類(lèi)神經(jīng)網(wǎng)絡(luò)新型的兩個(gè)階段是為了完成故障診斷的辨識(shí)和分類(lèi)功能。圖2所示的是沒(méi)有隱層的單層網(wǎng)絡(luò)，它有Z長(zhǎng)度的輸入向量并產(chǎn)生M球形輸出聚類(lèi)，每個(gè)聚類(lèi)用一個(gè)半徑為Pm，球心為向量定義。用有較和無(wú)較學(xué)習(xí)的算法訓(xùn)練。

在神經(jīng)網(wǎng)絡(luò)被訓(xùn)練后用有較和無(wú)較的學(xué)習(xí)過(guò)程，這個(gè)過(guò)程被整合到故障診斷方法中。在故障診斷法中，基于聚類(lèi)的神經(jīng)網(wǎng)絡(luò)把一個(gè)新的特征模式分類(lèi)到一個(gè)聚類(lèi)Cj中。用最近方式?jīng)Q定規(guī)則，以每個(gè)M聚類(lèi)中心向量的模式間的距離為基礎(chǔ)的最近的聚類(lèi)。

區(qū)別故障和看似故障的診斷方法的有效性通過(guò)一個(gè)現(xiàn)場(chǎng)測(cè)試系統(tǒng)證明，這個(gè)測(cè)試系統(tǒng)利用一些四線制分立系統(tǒng)的數(shù)據(jù)?，F(xiàn)場(chǎng)數(shù)據(jù)也用于證明故障診斷方法的能力，通過(guò)辨識(shí)故障在哪里發(fā)生，得到故障位置的初步信息。用來(lái)訓(xùn)練和測(cè)試現(xiàn)場(chǎng)的數(shù)據(jù)是來(lái)自TAMU數(shù)據(jù)庫(kù)的記錄數(shù)據(jù)，它包含了TAMU下垂導(dǎo)線設(shè)備和在RG&E捕獲的暫態(tài)系統(tǒng)的運(yùn)行數(shù)據(jù)。只有一種但銜接地故障在下垂導(dǎo)線設(shè)備中被截?cái)嘤脕?lái)為這些研究產(chǎn)生故障數(shù)據(jù)。因此，這個(gè)現(xiàn)場(chǎng)數(shù)據(jù)不用于證明故障診斷法的故障診斷類(lèi)型和分類(lèi)功能。數(shù)據(jù)結(jié)果表明了建議的方法的特性。

進(jìn)一步的故障診斷法用仿真數(shù)據(jù)評(píng)估了一個(gè)3層反饋系統(tǒng)。

四、測(cè)試結(jié)果及分析

1.記錄的現(xiàn)場(chǎng)數(shù)據(jù)

從TAMU數(shù)據(jù)庫(kù)里得到7組現(xiàn)場(chǎng)數(shù)據(jù)用來(lái)訓(xùn)練和證明基于神經(jīng)網(wǎng)絡(luò)的故障診斷法。在TAMU下垂導(dǎo)線測(cè)試裝置中獲得4組數(shù)據(jù)代表有弧故障。兩個(gè)故障時(shí)短時(shí)間的（幾秒），兩個(gè)是長(zhǎng)時(shí)間的（幾分鐘），還有是間隙的。另一組從TAMU設(shè)備中得到的代表正常的，無(wú)負(fù)荷暫態(tài)數(shù)據(jù)，剩下的兩組在RG&E中記錄數(shù)據(jù)代表模擬的相電壓，并且瞬時(shí)地記錄電流。

2.現(xiàn)場(chǎng)數(shù)據(jù)應(yīng)用的結(jié)果

表1 系統(tǒng)各種運(yùn)行情況判別成功率

表2 故障相判別成功率1

表1表示的是幾類(lèi)主要的測(cè)試數(shù)據(jù)故障診斷的成功率。表2所示是對(duì)測(cè)試數(shù)據(jù)進(jìn)行故障診斷的辨識(shí)成功率，結(jié)果表明這個(gè)故障診斷法在證實(shí)故障辨識(shí)和分類(lèi)功能的測(cè)試中是很成功的，這個(gè)故障診斷法還能辨別故障模式和不是故障卻類(lèi)似故障的異同點(diǎn)。

3.仿真數(shù)據(jù)

用軟件仿真故障狀態(tài)得到數(shù)據(jù)，然后用于訓(xùn)練有聚類(lèi)監(jiān)督的ANN。在一個(gè)3層的子系統(tǒng)中為其所有層提供了相故障和相故障后的電流進(jìn)行詳細(xì)的仿真得到數(shù)據(jù)，也提供了母線上的三相電壓。訓(xùn)練的數(shù)據(jù)可用于2000多個(gè)仿真產(chǎn)生的故障和正常情況。大約300個(gè)測(cè)試情況代表故障位置，這些情況是為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

4.仿真數(shù)據(jù)應(yīng)用的結(jié)果

表3 故障診斷系統(tǒng)輸出

表4 診斷結(jié)果準(zhǔn)確率統(tǒng)計(jì)

有超過(guò)300種情況不能用ANN看到，這些情況應(yīng)用于測(cè)試系統(tǒng)的性能。對(duì)于每一個(gè)測(cè)試結(jié)果，母線電壓和相電流與應(yīng)用于第一個(gè)ANN的反饋相對(duì)應(yīng)，并且，同樣合適的數(shù)據(jù)應(yīng)用于第二第三個(gè)ANN。這些ANN產(chǎn)生了如表3所示的輸出。每個(gè)ANN決定了在它的反饋中是否會(huì)產(chǎn)生一個(gè)故障，并且如果有故障發(fā)生，那么它就對(duì)故障進(jìn)行分類(lèi)，找出故障相，評(píng)估故障阻值。

表4表示的是，當(dāng)執(zhí)行故障診斷時(shí)通過(guò)有較聚類(lèi)產(chǎn)生的測(cè)試結(jié)果。ANN檢驗(yàn)出從反饋上體現(xiàn)出的故障表現(xiàn)的能力大于90%，在檢驗(yàn)故障后，ANN還能夠很成功地辨別出故障的類(lèi)型和發(fā)生點(diǎn)。錯(cuò)誤的可能性為9.3%，但是這些錯(cuò)誤的情況有一半可能是由于暫態(tài)狀態(tài)。

五、結(jié)論

文章討論了現(xiàn)場(chǎng)數(shù)據(jù)應(yīng)用于一個(gè)新的基于聚類(lèi)的有弧分立故障診斷法。這個(gè)故障診斷法能夠執(zhí)行3個(gè)功能，提供了接地和不接地電力分立系統(tǒng)的故障位置的初步信息，故障檢驗(yàn)，故障分類(lèi)和故障相識(shí)別。它包含兩個(gè)主要的模塊：一個(gè)預(yù)處理器，一個(gè)聚類(lèi)模式。這個(gè)聚類(lèi)模式通過(guò)一個(gè)有較聚類(lèi)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)。這個(gè)故障診斷法的輸入是3相電和反饋電流特性。預(yù)處理器計(jì)算一個(gè)從相電流得到的統(tǒng)計(jì)特征向量，并把它們送入到神經(jīng)網(wǎng)絡(luò)的分類(lèi)器。神經(jīng)網(wǎng)絡(luò)決定了特征模式是正常的還是有故障的。假如檢驗(yàn)為有故障，則神經(jīng)網(wǎng)絡(luò)也要進(jìn)行對(duì)故障分類(lèi)并找出故障相。

用三線或四線制系統(tǒng)的事故現(xiàn)場(chǎng)的故障和正常情況下的電流數(shù)據(jù)來(lái)訓(xùn)練和測(cè)試故障診斷方法，這樣的研究已在進(jìn)行。在驗(yàn)證故障檢驗(yàn)和辨識(shí)功能的測(cè)試中，證明了這種故障診斷方法有較高的成功率。這種故障診斷法還能識(shí)別出故障和線路通斷及開(kāi)關(guān)動(dòng)作而出現(xiàn)的貌似故障的區(qū)別。

參考文獻(xiàn)：

[1]郭創(chuàng)新，朱傳柏，曹一家，等.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢(shì)[J].電力系統(tǒng)自動(dòng)化，2006，8（30）：98-103.

[2]文福拴，錢(qián)源平，韓幀祥，等.利用保護(hù)和斷路器信息的電力系統(tǒng)故障診斷與不可觀測(cè)的保護(hù)的狀態(tài)識(shí)別的模型與Tabu搜索方法[J].電工技術(shù)學(xué)報(bào)，1998，13（5）：1-8.

[3]束洪春，孫向飛，于繼來(lái).粗糙集理論在電力系統(tǒng)中的應(yīng)用[J].電力系統(tǒng)自動(dòng)化，2004，28（3）：90-95.

[4]J.J.Kelly.Transformer fault diagnosis by dissolved-gas analysis[J].IEEE Trans.Ind.Applicant.，1980，（16）：777-782.

[5]Y.M.Park， et al..A logic based expert system （LBES） for fault diagnosis of power system[J].IEEE Trans.Power Syst.，1997，（12）：363-369.

[6]尹清波，張汝波，申麗然，等.基于矢量量化分析的有監(jiān)督聚類(lèi)異常檢測(cè)方法研究[J].計(jì)算機(jī)研究與發(fā)展，2006，（Z2）：414-418.

[7]T.S.Bi，et al..A novel ANN fault diagnosis system for power systems using dual GA loops in ANN training[J].in Proc.IEEE Power Engineering Soc.Summer Meeting，2000，（1）：425–430.

[8]J.C.Tan，et al..Fuzzy expert system for on-line fault diagnosis on a transmission network[J].IEEE Power Engineering Soc.Winter Meeting，2001，（2）：775–780.

（責(zé)任編輯：王意琴）