朱雁斌

(云南電網(wǎng)有限責(zé)任公司昆明供電局，云南 昆明　650011)

?

基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的接地故障定位研究

朱雁斌

(云南電網(wǎng)有限責(zé)任公司昆明供電局，云南 昆明650011)

摘要：考慮到經(jīng)典的小波包頻帶能力特征提取方法不將頻率時(shí)變特性進(jìn)行考慮而統(tǒng)計(jì)全部的頻帶，而且經(jīng)典的小波能量譜算法沒有將每個(gè)分解頻帶的能量隨著時(shí)間軸分布特性進(jìn)行充分考慮，提出使用卷積小波包能量矩對(duì)單相接地故障信息的特征向量進(jìn)行提取，從而為單相接地故障定位的判斷提供依據(jù)。使用BP神經(jīng)網(wǎng)絡(luò)建立配電網(wǎng)單相接地故障的定位算法；由于常規(guī)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部最小值，并且有算法收斂慢、訓(xùn)練時(shí)間長(zhǎng)等問題，提出使用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，同時(shí)為提高遺傳算法優(yōu)化效率，使用混合編碼方式對(duì)遺傳算法進(jìn)行改進(jìn)。最后通過實(shí)驗(yàn)驗(yàn)證所提出的改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)的接地故障定位算法的性能，結(jié)果表明，故障定位的精度有了較大的改善，驗(yàn)證了所提出方法的可行性。

關(guān)鍵詞：接地故障；BP神經(jīng)網(wǎng)絡(luò)；改進(jìn)遺傳算法；故障定位

Abstract：The frequency band feature extraction method of classical wavelet packet does not consider the frequency time varying characteristics, and the classical wavelet energy spectrum algorithm also does not consider that the features of every decomposed frequency band energy are distributed along with time. The feature vector of single-phase earth fault information is extracted by convolution type of wavelet packet energy moment, which provides a reference for the determination of single-phase earth fault location. BP neural network is used to establish the location algorithm of single-phase earth fault. Because the conventional BP neural network is easy to fall into local minimum, and the algorithm is slow and the training time is long, the genetic algorithm is used to optimize BP neural network, and the hybrid encoding is used to improve the efficiency of genetic algorithm. Finally, the performance of the improved BP neural network is verified by the experiments. The results show that the accuracy of fault location is greatly improved and the feasibility of the proposed method is verified.

Key words：ground fault; BP neural network; improved genetic algorithm; fault location

0引言

近年來電力部門針對(duì)配電系統(tǒng)故障進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，發(fā)現(xiàn)其中60%以上的配電系統(tǒng)故障屬于單相接地引起的。因此，對(duì)于電力部門來說，快速定位故障線路位置及時(shí)解決單相接地引起的配電系統(tǒng)故障是目前急需研究解決的主要問題之一，也是相關(guān)科學(xué)工作者研究的熱點(diǎn)問題之一[1-4]。

文獻(xiàn)[5]中使用卷積型小波包能量矩對(duì)接地故障時(shí)暫態(tài)電流信號(hào)提取特征向量，使用免疫粒子群優(yōu)化對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化并建立精確快速識(shí)別接地故障的識(shí)別定位模型。文獻(xiàn)[6-8]中對(duì)小電流接地系統(tǒng)中的單相接地故障特征進(jìn)行了詳細(xì)分析，故障時(shí)暫態(tài)信息量特征信息使用小波分析進(jìn)行處理，最后使用小波神經(jīng)網(wǎng)絡(luò)建立故障特征分量和故障點(diǎn)位置的映射非線性關(guān)系，從而進(jìn)行接地故障的識(shí)別定位。文獻(xiàn)[9]中使用小波函數(shù)對(duì)常規(guī)BP神經(jīng)網(wǎng)絡(luò)的隱含層激勵(lì)函數(shù)進(jìn)行改造，使用接地故障時(shí)的暫態(tài)電流信號(hào)的有功、無功功率以及小波能量作為神經(jīng)網(wǎng)絡(luò)的輸入向量，使用動(dòng)量項(xiàng)提高BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度。文獻(xiàn)[10]中使用本征模函數(shù)能量矩的方法對(duì)接地故障時(shí)的暫態(tài)電流信號(hào)進(jìn)行特征提取，之后使用三層小波神經(jīng)網(wǎng)絡(luò)建立故障定位識(shí)別模型。

低壓配電網(wǎng)中最為容易出現(xiàn)的接地故障應(yīng)屬小電流接地，即常說的中性點(diǎn)非有效接電，由于配電網(wǎng)出現(xiàn)分支非常多，小電流接地時(shí)的電流非常微弱，這就對(duì)小電流接地的故障定位帶了非常大的難度。針對(duì)這一難題，使用卷積小波包能量矩對(duì)發(fā)生單相接地故障時(shí)的穩(wěn)態(tài)和暫態(tài)特征進(jìn)行提取，再使用BP神經(jīng)網(wǎng)絡(luò)建立接地故障定位模型。

1單相接地故障特征提取

故障暫態(tài)分量包含豐富的單相接地故障信息，能夠?qū)蜗嘟拥毓收蠒r(shí)的特征表示得更清晰，并且不易被故障前的負(fù)荷所干擾，因此使用故障暫態(tài)分量作為單相接地故障定位的判斷依據(jù)是十分有意義的。由于經(jīng)典的小波包頻帶能力特征提取方法不將頻率時(shí)變特性進(jìn)行考慮而統(tǒng)計(jì)全部的頻帶，而且經(jīng)典的小波能量譜算法沒有將每個(gè)分解頻帶的能量隨著時(shí)間軸分布特性進(jìn)行充分考慮，因此使用卷積小波包能量矩對(duì)單相接地故障信息的特征向量進(jìn)行提取，從而為單相接地故障定位的判斷提供依據(jù)。

設(shè)定S(t)為表示時(shí)刻信號(hào)密度的信號(hào)函數(shù)；L2(R)為由所有平方可積的函數(shù)所構(gòu)成的向量空間；如果μn是正交尺度函數(shù)得到的小波包，{2-ω/2μn(2-ω·t-q)，q∈Z}是小波包的子空間的規(guī)范正交基，則信號(hào)函數(shù)S(t)的卷積型小波包變換方法如下：

0<ω

(1)

式中：ω是分解的尺度；H是分解尺度的最大值；n是頻帶號(hào)；p是位置參量。

卷積型的小波包變換快速分解方法表述為

(2)

卷積型的小波包變換重構(gòu)算法表述為

(3)

由卷積型的小波包變換重構(gòu)算法表達(dá)式可以看出，在進(jìn)行迭代運(yùn)算時(shí)，卷積型的小波包變換方法不采取隔二抽一的采用方式，僅僅是平移了上一尺度的分解結(jié)果，故各個(gè)層的各個(gè)頻帶序列長(zhǎng)度等于原來信號(hào)的長(zhǎng)度。這種方法的優(yōu)點(diǎn)就是避免了傳統(tǒng)小波包方法由于不同分解尺度中分解信號(hào)樣本個(gè)數(shù)會(huì)因?yàn)樵黾拥姆纸獬叨榷笖?shù)下降這一缺點(diǎn)[11]。

對(duì)于基于卷積型小波包能量矩的特征的提取步驟如下：

1)使用多層卷積型小波包對(duì)采樣信號(hào)進(jìn)行處理，對(duì)最終分解層的各個(gè)頻帶成份的特征進(jìn)行提取。

2)對(duì)各個(gè)頻帶信號(hào)能量灰度矩進(jìn)行求解。b層分解層的第n個(gè)頻帶信號(hào)的能力灰度矩表示為Γbn，那么Γbn表示為

(4)

式中：N是采樣總數(shù)；b是分解層數(shù)；abn(λ)是小波包分解系數(shù)。

3)由于各個(gè)頻帶內(nèi)的信號(hào)能量矩受到系統(tǒng)故障影響較大，故構(gòu)造使用能量矩作為元素的歸一化特征向量：

(5)

4)使用BP神經(jīng)網(wǎng)絡(luò)對(duì)上面得到的特征向量進(jìn)行故障定位[12]。

2改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

2.1常規(guī)遺傳算法

BP神經(jīng)網(wǎng)絡(luò)算法的遺傳算法優(yōu)化過程表述為

(6)

對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值的修正方法為

Δwij(n)=-ηg(n)+αΔwij(n-1)

(7)

式中：η是自適應(yīng)學(xué)習(xí)率；α是動(dòng)量算子；n是迭代步數(shù)[13]。

使用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立接地故障檢測(cè)模型過程如下：

1)建立常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型并對(duì)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)進(jìn)行初始化；

2)使用常規(guī)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)優(yōu)化；

3)使用通過遺傳算法優(yōu)化得到的最佳BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及權(quán)值、閾值等參數(shù)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行更新，對(duì)建立的模型使用訓(xùn)練樣本進(jìn)行訓(xùn)練以提高模型的泛化能力；

4)使用測(cè)試樣本進(jìn)行模型性能測(cè)試。

整個(gè)模型的建立過程如圖1所示[14]。

圖1　建立常規(guī)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型流程

2.2改進(jìn)遺傳優(yōu)化算法

由于傳統(tǒng)的遺傳算法搜索過程中，出現(xiàn)的高適應(yīng)值個(gè)體會(huì)對(duì)搜索過程產(chǎn)生干擾，影響遺傳算法的性能，故需要對(duì)其進(jìn)行改進(jìn)。使用下面的混合編碼方式對(duì)傳統(tǒng)遺傳算法進(jìn)行改進(jìn)。

1) 混合編碼方案

由于二進(jìn)制編碼和實(shí)數(shù)編碼各有各的優(yōu)點(diǎn)和缺點(diǎn)，故通過混合兩種編碼方式，發(fā)揮二進(jìn)制編碼的操作簡(jiǎn)便易于實(shí)現(xiàn)、實(shí)數(shù)編碼的高精度等優(yōu)勢(shì)，從而提高遺傳算法的效率及全局搜索能力。

2) 選擇算子

使用排序法計(jì)算個(gè)體的選取概率：

Pi=q′(1-Pmax)n(i)-1

(8)

(9)

式中：Pmax是染色體選取概率的最佳值；n(i)是第i個(gè)染色體適應(yīng)值的順序。

3)交叉算子

在二進(jìn)制的編碼過程中，使用單點(diǎn)交叉法進(jìn)行交叉操作：

(10)

在進(jìn)行實(shí)數(shù)編碼過程中，使用算數(shù)交叉法得到交叉算子為

(11)

4)變異算子

在混合編碼的二進(jìn)制編碼和實(shí)數(shù)編碼過程分別使用基本位變異和非均勻變異操作。非均勻變異操作新基因值x′k為

5)確定交叉和變異概率

遺傳算法的性能會(huì)受到交叉概率Pc以及變異概率Pm較大影響，因此使用能夠避免破壞高適應(yīng)值，保證種群多樣性的自適應(yīng)交叉概率和變異概率：

(13)

(14)

3實(shí)驗(yàn)研究

3.1實(shí)驗(yàn)條件

為了通過實(shí)驗(yàn)對(duì)所提出的單相接地故障定位方法進(jìn)行研究，選用一個(gè)小電流接地配電系統(tǒng)作為實(shí)驗(yàn)對(duì)象。該系統(tǒng)為110kV轉(zhuǎn)10kV，出線為5條10kV的系統(tǒng)。當(dāng)主變壓器的中性點(diǎn)不接地時(shí)，使用的接線方式是Y/Δ，當(dāng)主變壓器使用諧振接地時(shí)，使用的接線方式是Y/Yn。配電變壓器使用的接線方式均為Δ/Yn。用于實(shí)驗(yàn)的配電系統(tǒng)中，線路1為架空線路，線路2為電纜線路，線路3為架空/電纜混合線路，線路4為架空線路，線路5為架空線路，線路長(zhǎng)度分別為25km、12km、15km、10km、20km。線路1、3、4、5的各序參數(shù)均相同：正序、零序電阻為0.52Ω/km和0.68Ω/km，正序、零序電容為0.075μF/km和0.042μF/km，正序、零序電感為1.325mH/km和3.845mH/km。線路2的各序參數(shù)：正序、零序電阻為0.081Ω/km和0.152Ω/km，正序、零序電容為0.301μF/km和0.075μF/km，正序、零序電感為0.256mH/km和0.861mH/km。

3.2實(shí)驗(yàn)?zāi)Ｐ徒?/p>

使用Matlab建立所研究的基于改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的單相接地故障定位模型，同時(shí)建立基于傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的單相接地故障定位模型加以對(duì)比。

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為3層結(jié)構(gòu)，輸入神經(jīng)元個(gè)數(shù)為5，即用于故障定位的輸入特征向量：各層過渡電阻、各層的故障點(diǎn)以及使用卷積小波包得到的故障情況的特征向量。輸出神經(jīng)元個(gè)數(shù)為1，即診斷的故障位置信息。設(shè)定學(xué)習(xí)速率為0.05，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)的隱含層參數(shù)以及其他權(quán)值、閾值等均是初始化時(shí)設(shè)定，所研究的改進(jìn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的模型參數(shù)經(jīng)過訓(xùn)練由改進(jìn)遺傳算法得到最優(yōu)值并進(jìn)行賦值。

圖2　兩種算法的網(wǎng)絡(luò)誤差平方和響應(yīng)曲線

進(jìn)行單相接地故障定位研究時(shí)，以上述的實(shí)驗(yàn)?zāi)Ｐ偷玫降谝粭l線路的故障定位為例加以實(shí)驗(yàn)說明。采用的訓(xùn)練樣本使用過渡電阻為0 Ω、60 Ω、120 Ω、600 Ω以及1 200 Ω，1 km的故障步長(zhǎng)形成的數(shù)據(jù)樣本。

兩種算法模型通過訓(xùn)練得到的網(wǎng)絡(luò)誤差平方和響應(yīng)曲線如圖2所示，可以看出相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，研究模型通過混合編碼方式對(duì)個(gè)體交叉及變異概率進(jìn)行調(diào)整，從而得到最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)隱含層參數(shù)以及其他權(quán)值、閾值等，使得模型的訓(xùn)練速度更快，精度更高。

3.3實(shí)驗(yàn)結(jié)果分析

使用上述建立的模型對(duì)測(cè)試樣本進(jìn)行測(cè)試，采用的測(cè)試樣本使用過渡電阻為20 Ω、100 Ω、200 Ω、500 Ω以及1 000 Ω，0.6 km的故障步長(zhǎng)形成的數(shù)據(jù)樣本。得到了兩種模型的定位結(jié)果及誤差，見表1。

表1　兩種模型的故障定位結(jié)果

測(cè)試結(jié)果可以看出，所研究方法的故障定位相對(duì)誤差平均為1.42%，除個(gè)別點(diǎn)外，其他測(cè)試點(diǎn)的相對(duì)誤差均低于1%。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法建立的故障定位的平均相對(duì)誤差為3.31%，研究結(jié)果表明，使用所提的改進(jìn)算法，故障定位的精度有了較大地改善，驗(yàn)證了所提出方法的可行性。

4結(jié)論

快速定位故障線路位置及時(shí)解決單相接地引起的配電系統(tǒng)故障是目前急需研究解決的主要問題之一。針對(duì)小電流接地時(shí)，由于電流非常微弱并且配電網(wǎng)出現(xiàn)分支非常多，難以進(jìn)行定位這一問題，使用卷積小波包能量矩對(duì)發(fā)生單相接地故障時(shí)的穩(wěn)態(tài)和暫態(tài)特征進(jìn)行提取，再使用BP神經(jīng)網(wǎng)絡(luò)建立接地故障定位模型。為提高BP神經(jīng)網(wǎng)絡(luò)效率，避免陷入局部最小值，使用通過混合編碼方式改進(jìn)的遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。最后通過實(shí)驗(yàn)對(duì)一種配電系統(tǒng)模型的單相接地故障定位進(jìn)行實(shí)驗(yàn)研究，結(jié)果表明，針對(duì)該系統(tǒng)所研究方法的故障定位平均相對(duì)誤差比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法建立的故障定位的平均相對(duì)誤差降低了1.89%，具有較好的定位性能和較高的效率。

說明所研究方法的定位性能要明顯優(yōu)于常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)于BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值以及閾值，所提出的改進(jìn)型遺傳算法進(jìn)行了較好的優(yōu)化，有效避免BP神經(jīng)網(wǎng)絡(luò)對(duì)結(jié)構(gòu)參數(shù)盲目選擇帶來的問題等。

參考文獻(xiàn)

[1]高殿瀅,王開宇,劉佳鑫,等.小電流接地系統(tǒng)諧振過電壓的原因分析及防治措施[J].東北電力技術(shù),2014，35(12):47-50.

[2]高殿瀅,李勝川,劉佳鑫.一起500kV線路電壓異?，F(xiàn)象的事故分析處理[J].東北電力技術(shù),2015，36(1):1-5.

[3]張大寧,劉冉,蔡靜,等.變電站接地網(wǎng)缺陷診斷系統(tǒng)[J].東北電力技術(shù),2014，35(2):54-57.

[4]金英.城市電網(wǎng)35 kV系統(tǒng)單相接地故障分析[J].東北電力技術(shù),2013(2):32-36.

[5]周永勇,周湶,楊柱石,等.采用CWP-EM和IPSO-WNN的配電網(wǎng)單相接地故障定位[J].高電壓技術(shù),2010,36(4):873-877.

[6]郭三中.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位研究[J].自動(dòng)化應(yīng)用,2010(12):27-30.

[7]惠學(xué)軍.基于小波神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)單相接地故障定位研究[D]南京：河海大學(xué),2002.

[8]李振然,賈旭彩,李濱.基于小波變換與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的配電網(wǎng)單相接地故障定位方法[J].繼電器,2004(9):24-26.

[9]黃瓊.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)單相接地故障定位研究[D].南昌：南昌大學(xué),2013.

[10]楊柱石,周湶,盧毅,等.基于IMF-EM和IPSO-WNN的配電網(wǎng)單相接地故障定位[C].重慶市電機(jī)工程學(xué)會(huì)2010年學(xué)術(shù)會(huì)議論文集，2010.

[11]張鈞.配電網(wǎng)智能故障診斷與諧波源定位研究[D].成都：西南交通大學(xué),2012.

[12]唐金銳.電力線路在線巡視監(jiān)測(cè)及故障精確定位的研究[D].武漢：華中科技大學(xué),2014.

[13]彭基偉,呂文華,行鴻彥,等.基于改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)的濕度傳感器的溫度補(bǔ)償[J].儀器儀表學(xué)報(bào),2013(1):153-160.

[14]溫文.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的產(chǎn)品質(zhì)量合格率預(yù)測(cè)研究[D].廣州：華南理工大學(xué),2014.

[15]曹步清.基于GA進(jìn)化BP神經(jīng)網(wǎng)絡(luò)的貨幣識(shí)別研究[D].長(zhǎng)沙：中南大學(xué),2007.

[16]董升偉.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的軌道交通短時(shí)客流預(yù)測(cè)方法研究[D].北京：北京交通大學(xué),2013.

中圖分類號(hào)：TM855

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1003-6954(2016)02-0037-04

作者簡(jiǎn)介：

朱雁斌(1985)，工程師，從事電力系統(tǒng)變電、配電生產(chǎn)技術(shù)管理工作。

(收稿日期：2015-11-26)