李 遠(yuǎn)，蘇 適，楊家全，王志明，潘振寧

（1.云南電網(wǎng)有限責(zé)任公司紅河供電局，云南蒙自 661100；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，云南昆明 650217；3.南方電網(wǎng)數(shù)字電網(wǎng)集團(tuán)有限公司，廣東廣州 510000；4.華南理工大學(xué)電力學(xué)院，廣東廣州 510640）

0 引言

智能變電站二次系統(tǒng)是監(jiān)測(cè)智能變電站狀態(tài)、保障變電站安全穩(wěn)定運(yùn)行、調(diào)整運(yùn)行方式的重要部分，可將變電站全站信息統(tǒng)籌規(guī)劃實(shí)時(shí)監(jiān)測(cè)顯示，有利于變電站值守人員對(duì)變電站狀態(tài)的整體把握。隨著智能變電站的發(fā)展以及智能電子設(shè)備的投入運(yùn)行，智能變電站與傳統(tǒng)變電站相比，在結(jié)構(gòu)與設(shè)備方面均有較大差異。一方面負(fù)荷的快速變化會(huì)導(dǎo)致電壓、電流等二次系統(tǒng)參數(shù)發(fā)生變化，另一方面風(fēng)電和太陽(yáng)能發(fā)電等可再生能源的波動(dòng)性較強(qiáng)，也會(huì)對(duì)電力系統(tǒng)的二次設(shè)備產(chǎn)生壓力，這些不確定性因素，使二次設(shè)備長(zhǎng)時(shí)間處于極限值附近運(yùn)行[1-5]，使得二次系統(tǒng)出現(xiàn)故障的概率增加。因此，為了保證電網(wǎng)的穩(wěn)定性與安全性，需要進(jìn)行二次系統(tǒng)的故障搜索定位，在出現(xiàn)故障時(shí)可以迅速判斷故障種類與故障設(shè)備位置，在進(jìn)行二次設(shè)備檢修時(shí)狀態(tài)評(píng)價(jià)結(jié)果可提供參考。隨著電氣二次回路模型化、數(shù)字化技術(shù)的發(fā)展，二次系統(tǒng)信號(hào)溯源及搜索定位將具有更加可行的技術(shù)基礎(chǔ)。

智能變電站二次系統(tǒng)中存在大量智能電子設(shè)備，并且同一智能電子設(shè)備中一般包含多個(gè)邏輯節(jié)點(diǎn)，由此帶來(lái)的海量數(shù)據(jù)有利于對(duì)狀態(tài)的準(zhǔn)確掌握與故障準(zhǔn)確定位，同時(shí)也導(dǎo)致故障搜索定位面對(duì)的數(shù)據(jù)規(guī)模更大，搜索定位難度較大[6-7]。

在傳統(tǒng)變電站二次系統(tǒng)故障定位方面，往往采用人工建模、枚舉的方法，工作量龐大且復(fù)雜。文獻(xiàn)[8]采用舉證表，依據(jù)二次系統(tǒng)通信鏈路交叉的特點(diǎn)窮舉出網(wǎng)絡(luò)故障的范圍，雖然操作簡(jiǎn)單，但僅適用于二次系統(tǒng)節(jié)點(diǎn)數(shù)量較少的情況，并且故障診斷范圍和精度有限。文獻(xiàn)[9]通過(guò)二次設(shè)備與告警信號(hào)間的關(guān)聯(lián)建立故障樹(shù)，依據(jù)故障特征和關(guān)聯(lián)告警信號(hào)反向推理故障范圍，針對(duì)單個(gè)故障有較高診斷精度，但無(wú)法同時(shí)處理多個(gè)告警信號(hào)。

因此，不少學(xué)者將人工智能技術(shù)與故障診斷方法相結(jié)合，以有效提高故障識(shí)別精度，減少故障誤判概率。文獻(xiàn)[10]針對(duì)二次系統(tǒng)中保護(hù)設(shè)備的隱性缺陷，利用保護(hù)設(shè)備中信號(hào)傳遞的邏輯關(guān)系構(gòu)建解析模型，通過(guò)粒子群算法優(yōu)化目標(biāo)函數(shù)實(shí)現(xiàn)隱性故障的檢測(cè)。文獻(xiàn)[11]利用圖論思想，將配電網(wǎng)中各設(shè)備視為邏輯節(jié)點(diǎn)，通過(guò)建立連接矩陣描述其實(shí)際連接關(guān)系，在此基礎(chǔ)上分析實(shí)際案例中各設(shè)備的故障因果關(guān)系，得到改進(jìn)矩陣判據(jù)，采用矩陣算法對(duì)故障進(jìn)行快速搜索與定位。文獻(xiàn)[12]利用深度置信網(wǎng)絡(luò)對(duì)故障狀態(tài)特征進(jìn)行提取，搭建二次回路故障診斷模型，能快速識(shí)別并定位故障范圍。

本文提出一種基于連接狀態(tài)定位的智能變電站二次系統(tǒng)故障搜索方法，通過(guò)將系統(tǒng)的物理和通信連接關(guān)系轉(zhuǎn)化為一個(gè)矩陣模型，其中每個(gè)節(jié)點(diǎn)的狀態(tài)信息作為矩陣的元素。利用這一模型，運(yùn)用矩陣算法來(lái)識(shí)別系統(tǒng)中的故障節(jié)點(diǎn)。隨后，結(jié)合模糊徑向基（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)，該方法可將故障節(jié)點(diǎn)與預(yù)先定義的故障模式相匹配，從而實(shí)現(xiàn)精確的故障定位。這種方法在故障定位方面具有高度的準(zhǔn)確性，為智能變電站的維護(hù)和運(yùn)營(yíng)提供了一種高效且可靠的解決方案。

1 二次系統(tǒng)連接狀態(tài)矩陣描述

智能變電站二次系統(tǒng)是物理設(shè)備和信息數(shù)據(jù)的融合系統(tǒng)，設(shè)備間不僅具有復(fù)雜的實(shí)體連接關(guān)系，同時(shí)也具有復(fù)雜的通信網(wǎng)絡(luò)關(guān)系及數(shù)據(jù)交互方式。利用連接狀態(tài)矩陣可以描述設(shè)備間的實(shí)體連接關(guān)系，同時(shí)通過(guò)矩陣元素與二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量的映射關(guān)系可將運(yùn)行數(shù)據(jù)融合進(jìn)矩陣模型，整體描述二次系統(tǒng)的物理-信息融合模型。

1.1 矩陣元素與二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量的映射關(guān)系

連接狀態(tài)矩陣將實(shí)體設(shè)備連接關(guān)系與二次系統(tǒng)信息數(shù)據(jù)融合的基礎(chǔ)是矩陣元素與二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量的映射關(guān)系。通過(guò)提取變電站配置描述文件（Substation Configuration Description，SCD）信息可得到矩陣元素與二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量的映射關(guān)系及二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量的取值[13-15]?；谝恢滦栽韺⒍蜗到y(tǒng)信息數(shù)據(jù)與矩陣元素進(jìn)行映射，矩陣元素坐標(biāo)與信息傳遞的源頭和終點(diǎn)對(duì)應(yīng)，實(shí)現(xiàn)二次系統(tǒng)的故障定位及保護(hù)動(dòng)作監(jiān)測(cè)[16]。矩陣元素通過(guò)二次系統(tǒng)的相關(guān)二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量，描述二次系統(tǒng)設(shè)備間的連接狀態(tài)及設(shè)備情況等數(shù)據(jù)信息[17-19]。根據(jù)SCD 文件描述設(shè)備狀態(tài)值的種類，確定矩陣元素類別、取值及表示內(nèi)容如表1所示。

表1 矩陣元素類別、取值及表示內(nèi)容Table 1 Matrix element categories，values，and representations

SV 值元素取1 表示2 個(gè)連接設(shè)備中對(duì)應(yīng)連接節(jié)點(diǎn)的電壓/電流SV 值能夠從前一設(shè)備的i節(jié)點(diǎn)傳入后一設(shè)備的j節(jié)點(diǎn)；取0 表示監(jiān)測(cè)電壓電流值消失。GOOSE 值元素取1 表示2 個(gè)連接設(shè)備中對(duì)應(yīng)節(jié)點(diǎn)存在GOOSE 開(kāi)關(guān)量通信，開(kāi)關(guān)量可以從前一設(shè)備的i節(jié)點(diǎn)傳入后一設(shè)備的j節(jié)點(diǎn)；取0 表示2個(gè)設(shè)備間GOOSE 通信故障。故障元素取1 表示前一設(shè)備i節(jié)點(diǎn)發(fā)出故障信號(hào)，后一設(shè)備j節(jié)點(diǎn)接收到故障信號(hào)；取0 表示無(wú)故障信號(hào)通信傳遞。保護(hù)元素取1 表示保護(hù)設(shè)備中節(jié)點(diǎn)i發(fā)出保護(hù)動(dòng)作信號(hào)傳遞給后一設(shè)備的j節(jié)點(diǎn)；取0 表示未發(fā)出保護(hù)動(dòng)作信號(hào)。出口元素取1 表示有跳閘出口、出口壓板等信號(hào)從前一設(shè)備i節(jié)點(diǎn)傳入后一設(shè)備j節(jié)點(diǎn)；取0表示無(wú)跳閘信號(hào)傳遞。

1.2 連接狀態(tài)矩陣

靜態(tài)配置描述文件信息中主要包含了變電站的基礎(chǔ)設(shè)置[20-21]。對(duì)于智能電子設(shè)備，有對(duì)自身設(shè)備狀態(tài)進(jìn)行監(jiān)測(cè)的各二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量，對(duì)與其連接設(shè)備進(jìn)行監(jiān)測(cè)的二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量，以及對(duì)通信網(wǎng)絡(luò)進(jìn)行監(jiān)測(cè)的二次系統(tǒng)設(shè)備節(jié)點(diǎn)狀態(tài)量，因此1 個(gè)智能電子設(shè)備往往需要連接狀態(tài)矩陣中的多個(gè)元素進(jìn)行描述，即1 個(gè)智能設(shè)備中可能存在多個(gè)節(jié)點(diǎn)。以節(jié)點(diǎn)為基礎(chǔ)構(gòu)建連接狀態(tài)矩陣Α，節(jié)點(diǎn)數(shù)為N，矩陣形式如式（1）：

式中：a1N為節(jié)點(diǎn)1 和節(jié)點(diǎn)N間的連接情況；1 為節(jié)點(diǎn)間數(shù)據(jù)傳輸正常；0 為節(jié)點(diǎn)間數(shù)據(jù)傳輸異常。

則有：

式中：m為智能變電站二次系統(tǒng)中智能電子設(shè)備的數(shù)量；nk（k=1,2,…,m）為第k個(gè)智能電子設(shè)備包含節(jié)點(diǎn)數(shù)。

矩陣元素的初始取值根據(jù)節(jié)點(diǎn)描述及其對(duì)應(yīng)配置描述文件確定。

1.3 連接狀態(tài)搜索方法

當(dāng)二次系統(tǒng)狀態(tài)變化時(shí)，節(jié)點(diǎn)連接情況也會(huì)發(fā)生變化，數(shù)學(xué)上表現(xiàn)為矩陣元素值發(fā)生變化，即連接狀態(tài)矩陣由A變?yōu)樾碌木仃嘇*。矩陣A*可以反映二次系統(tǒng)的某種故障，通過(guò)對(duì)矩陣A*進(jìn)行解析分析，可對(duì)智能變電站二次系統(tǒng)故障進(jìn)行定位，確定故障范圍。

設(shè)故障節(jié)點(diǎn)數(shù)為q（1 ≤q≤limitu），則二次系統(tǒng)故障時(shí)有：

式中：aij為q個(gè)故障節(jié)點(diǎn)對(duì)應(yīng)的矩陣元素；limitu為故障節(jié)點(diǎn)的數(shù)量上限。

根據(jù)相關(guān)故障案例及運(yùn)行經(jīng)驗(yàn)一般limitu值不超過(guò)3。

得到能夠表明故障狀態(tài)的矩陣A*后，利用基于連接狀態(tài)推理的搜索方法，對(duì)故障位置進(jìn)行搜索。

2 個(gè)節(jié)點(diǎn)間信號(hào)數(shù)據(jù)傳輸只經(jīng)過(guò)1 條傳輸線，沒(méi)有經(jīng)過(guò)設(shè)備中轉(zhuǎn)，這樣的節(jié)點(diǎn)影響為直接連通。例如二次系統(tǒng)保護(hù)設(shè)備故障，通過(guò)相應(yīng)節(jié)點(diǎn)向出口節(jié)點(diǎn)發(fā)送錯(cuò)誤跳閘出口信號(hào)。則直接連通關(guān)系中，相應(yīng)矩陣元素變化可用式（4）描述：

式中：S為二次系統(tǒng)前一狀態(tài)向量；S′為計(jì)算狀態(tài)改變后的二次系統(tǒng)后一狀態(tài)向量。

根據(jù)智能變電站配置文件確定二次系統(tǒng)初始狀態(tài)向量S0：

式中：si為二次系統(tǒng)狀態(tài)向量中i節(jié)點(diǎn)的分量。

對(duì)初始狀態(tài)向量進(jìn)行多次矩陣乘法運(yùn)算以表示對(duì)二次系統(tǒng)連接狀態(tài)的搜索過(guò)程。在二次系統(tǒng)信息傳遞過(guò)程中，對(duì)二次系統(tǒng)變化狀態(tài)進(jìn)行多次搜索，得到節(jié)點(diǎn)的終狀態(tài)。通過(guò)將多次搜索過(guò)程后的結(jié)果向量相加得到終狀態(tài)Se：

式中：S′p為第p次狀態(tài)搜索后，二次系統(tǒng)節(jié)點(diǎn)狀態(tài)向量；sign為符號(hào)函數(shù)，表示對(duì)向量中每一元素進(jìn)行運(yùn)算。

通過(guò)計(jì)算得到終狀態(tài)向量Se后，對(duì)計(jì)算結(jié)果進(jìn)行驗(yàn)證。通過(guò)狀態(tài)解析計(jì)算將狀態(tài)向量轉(zhuǎn)化為數(shù)值結(jié)果，狀態(tài)解析結(jié)果包含了各節(jié)點(diǎn)報(bào)文數(shù)據(jù)、接收信息等，將狀態(tài)解析結(jié)果與實(shí)際故障后狀態(tài)結(jié)果進(jìn)行比較，可驗(yàn)證計(jì)算狀態(tài)搜索結(jié)果。驗(yàn)證正確后，根據(jù)終狀態(tài)向量Se定位故障節(jié)點(diǎn)位置。

狀態(tài)解析結(jié)果d為：

驗(yàn)證說(shuō)明連接狀態(tài)搜索矩陣A和故障后的矩陣A*有效后，可進(jìn)行二次系統(tǒng)的故障定位。設(shè)第b個(gè)節(jié)點(diǎn)在矩陣中元素的行坐標(biāo)與列坐標(biāo)分別為xb，yb，則A矩陣與A*矩陣中差異元素集合可表示為：

式中：c為差異元素總個(gè)數(shù)。

其中，(xb,yb)為第b個(gè)差異元素在兩矩陣中位置為xb行yb列，確定x節(jié)點(diǎn)與y節(jié)點(diǎn)兩者連接線路為故障區(qū)域。

綜上，利用輸入的初始狀態(tài)向量、連接狀態(tài)矩陣A及故障后矩陣A*，可得到二次系統(tǒng)故障后各節(jié)點(diǎn)的狀態(tài)情況，并利用矩陣元素差異實(shí)現(xiàn)故障的搜索與定位。具體步驟如圖1 所示。其中，Sn-1和Sn為n-1 次和n次搜索過(guò)程后的結(jié)果向量。

圖1 故障的搜索與定位步驟Fig.1 Fault searching and locating steps

2 利用模糊RBF 神經(jīng)網(wǎng)絡(luò)優(yōu)化的故障定位方法

2.1 模糊RBF神經(jīng)網(wǎng)絡(luò)模型

單純利用連接狀態(tài)矩陣對(duì)連接狀態(tài)進(jìn)行搜索，計(jì)算量較小，但不能綜合利用各節(jié)點(diǎn)的狀態(tài)信息。本文在連接狀態(tài)搜索基礎(chǔ)上，利用模糊RBF 神經(jīng)網(wǎng)絡(luò)對(duì)故障定位進(jìn)行進(jìn)一步修正，以更好地理解和解釋系統(tǒng)中的故障情況和位置，使故障定位更加準(zhǔn)確[22-24]。

RBF 神經(jīng)網(wǎng)絡(luò)是一種前饋型神經(jīng)網(wǎng)絡(luò)，具有全局逼近能力，相比于BP 神經(jīng)網(wǎng)絡(luò)，拓?fù)浣Y(jié)構(gòu)更加緊湊，網(wǎng)絡(luò)參數(shù)可進(jìn)行各自獨(dú)立學(xué)習(xí)，收斂速度更快。將RBF 神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合，使單元處理計(jì)算簡(jiǎn)單，計(jì)算速度加快[25-27]。

2.2 輸入樣本編碼

2.1 節(jié)中神經(jīng)網(wǎng)絡(luò)的輸入為通過(guò)連接狀態(tài)搜索得到的可疑故障節(jié)點(diǎn)坐標(biāo)，為了簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)計(jì)算，將位置坐標(biāo)進(jìn)行預(yù)處理轉(zhuǎn)化為二進(jìn)制編碼數(shù)據(jù)序列。

以三維連接狀態(tài)搜索矩陣A為例，則式（9）中坐標(biāo)為：

將橫縱坐標(biāo)轉(zhuǎn)化為二進(jìn)制并將故障類型用二進(jìn)制表示，本文選取3 種故障類型，編碼分別為01，10，11。

將網(wǎng)絡(luò)輸入輸出轉(zhuǎn)化為編碼形式，可簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的計(jì)算，并且無(wú)需進(jìn)行歸一化處理。另外，為了統(tǒng)一輸入編碼長(zhǎng)度，在A*數(shù)量不一致時(shí)，在輸入編碼尾端補(bǔ)充0 位，對(duì)于三維方陣，其故障節(jié)點(diǎn)數(shù)最多為2，則輸入序列長(zhǎng)度統(tǒng)一為24 位編碼序列。部分樣本案例如表2 所示。

表2 坐標(biāo)樣本案例Table 2 Case for coordinate samples

2.3 故障搜索定位方法流程

將利用連接狀態(tài)矩陣搜索的疑似故障位置結(jié)果輸入模糊RBF 神經(jīng)網(wǎng)絡(luò)，以神經(jīng)網(wǎng)絡(luò)輸出端結(jié)果作為故障搜索定位的最終結(jié)果。故障搜索流程如圖2 所示。

圖2 故障搜索流程Fig.2 Process of fault search method

3 算例分析

以如圖3 所示的500 kV 線路開(kāi)關(guān)誤動(dòng)案例為例，利用Matlab 編程實(shí)現(xiàn)故障搜索定位。其中，0012 為連接開(kāi)關(guān)，0001 和0002 為斷路器。WG-Ⅰ線受外部影響發(fā)生電壓電流突變，導(dǎo)致GY 線上斷路器0001 跳閘，造成電網(wǎng)解列與大規(guī)模停電故障。檢修時(shí)將斷路器0001 再次閉合，對(duì)WG-Ⅰ線進(jìn)行試送電，斷路器0001 再次跳開(kāi)。GH 站線路保護(hù)配置如表3 所示。

圖3 故障案例線路運(yùn)行方式圖Fig.3 Line operation of fault case

外部影響出現(xiàn)前，WG 線與GY 線均處于正常運(yùn)行狀態(tài)，斷路器0001，0002 及連接開(kāi)關(guān)0012 均處于閉合狀態(tài)。

受波動(dòng)影響首次跳閘時(shí)，WG 線線路主保護(hù)1、主保護(hù)2、備用保護(hù)均無(wú)GOOSE 報(bào)文，故障錄波器未錄下波形。0001，0002 斷路器保護(hù)跳閘失靈開(kāi)入動(dòng)作。0001，0002 斷路器繼電箱跳閘指示燈1 的A，B 兩相指示燈點(diǎn)亮。由此，判斷跳閘GOOSE 信號(hào)來(lái)自GY 線線路主保護(hù)1 或線路主保護(hù)2。

為了查明故障原因，排除暫時(shí)性故障影響，在對(duì)WG-Ⅰ線主保護(hù)1 進(jìn)行檢查后，退出后備保護(hù)功能，再次閉合0001 斷路器對(duì)WG-Ⅰ線進(jìn)行送電，并再次出現(xiàn)跳閘現(xiàn)象。再次跳閘后，同樣無(wú)動(dòng)作GOOSE 信號(hào)，故障錄波器無(wú)信號(hào)波形，0001 斷路器保護(hù)動(dòng)作，0001 斷路器保護(hù)跳閘失靈開(kāi)入動(dòng)作，GY-Ⅰ線主保護(hù)1 出現(xiàn)保護(hù)跳閘脈沖信號(hào)。0001斷路器保護(hù)溝通三跳動(dòng)作。

3.1 連接狀態(tài)搜索矩陣的建立

對(duì)案例中各設(shè)備信息狀態(tài)節(jié)點(diǎn)進(jìn)行編號(hào)如表4所示。

表4 設(shè)備節(jié)點(diǎn)編號(hào)Table 4 Device node numbering

第一次跳閘時(shí)，根據(jù)現(xiàn)場(chǎng)設(shè)備實(shí)際情況可進(jìn)行連接狀態(tài)矩陣配置，如式（11）所示。

根據(jù)第二次送電跳閘過(guò)程中對(duì)實(shí)際設(shè)備的分析檢查，建立矩陣A′如式（12）。

另外針對(duì)神經(jīng)網(wǎng)絡(luò)通過(guò)故障案例及相關(guān)設(shè)備運(yùn)行記錄形成訓(xùn)練集及測(cè)試集，相關(guān)運(yùn)行記錄共5 000條。由于多節(jié)點(diǎn)同時(shí)故障概率較小，本文中僅考慮單節(jié)點(diǎn)故障問(wèn)題，即limitu=1，計(jì)算出的故障狀態(tài)連接矩陣A*數(shù)目最多為2。

3.2 基于模糊RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化

將5 000 條數(shù)據(jù)按7：3 的比例形成訓(xùn)練集與測(cè)試集，對(duì)模糊RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重訓(xùn)練。改變模糊化層節(jié)點(diǎn)數(shù)量進(jìn)行多次訓(xùn)練，設(shè)定迭代結(jié)束條件為準(zhǔn)確率達(dá)0.95 或迭代次數(shù)至400。不同學(xué)習(xí)率及節(jié)點(diǎn)數(shù)量下的準(zhǔn)確率結(jié)果如表5 所示。由表5可知，在不同試驗(yàn)條件下，均未達(dá)到準(zhǔn)確率0.95 的結(jié)束條件，當(dāng)學(xué)習(xí)率為0.01，模糊化層節(jié)點(diǎn)數(shù)量為5時(shí)準(zhǔn)確率最高。

表5 不同學(xué)習(xí)率及節(jié)點(diǎn)數(shù)量下的準(zhǔn)確率Table 5 Accuracy with different learning rates and thenumber of nodes

另外使用相同的5 000 條數(shù)據(jù)集，仍按7：3 的比例形成訓(xùn)練集與測(cè)試集，在隱藏層節(jié)點(diǎn)數(shù)為5時(shí)，將模糊RBF 神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)在不同學(xué)習(xí)率下的準(zhǔn)確率進(jìn)行了對(duì)比，結(jié)果如表6 所示。

表6 不同學(xué)習(xí)率下不同神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率比較Table 6 Comparison of accuracy between different neural network models with different learning rates

由表6 可以看出，在0.01 的學(xué)習(xí)率下，模糊RBF神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率最高，達(dá)到了0.91。相比之下，BP 神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)在相同學(xué)習(xí)率下的準(zhǔn)確率分別為0.84 和0.84。隨著學(xué)習(xí)率的增加，這些模型的準(zhǔn)確率有所變化，但模糊RBF 神經(jīng)網(wǎng)絡(luò)在所有測(cè)試的學(xué)習(xí)率下均保持了最高的準(zhǔn)確率。這表明，在這些特定的條件下，模糊RBF 神經(jīng)網(wǎng)絡(luò)在性能上優(yōu)于BP 神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)。

3.3 故障搜索定位結(jié)果分析

第一次跳閘時(shí)，二次系統(tǒng)狀態(tài)向量S為：

根據(jù)現(xiàn)場(chǎng)跳閘情況及GY-Ⅰ線主保護(hù)1 與WG-Ⅰ線備用保護(hù)的監(jiān)測(cè)信號(hào)，可得到此時(shí)的二次系統(tǒng)狀態(tài)解析結(jié)果為：

根據(jù)狀態(tài)解析結(jié)果d，計(jì)算得到最終狀態(tài)Se，如式（15）—式（18）所示，與第1 次跳閘時(shí)的連接狀態(tài)矩陣比較可以發(fā)現(xiàn)，異常節(jié)點(diǎn)元素為{(})13,10，驗(yàn)證狀態(tài)與解析結(jié)果符合，說(shuō)明故障矩陣A*符合實(shí)際故障情況。

式中：S″為計(jì)算狀態(tài)S′改變后的二次系統(tǒng)后一狀態(tài)向量。

將異常節(jié)點(diǎn)元素坐標(biāo)進(jìn)行編碼轉(zhuǎn)換輸入神經(jīng)網(wǎng)絡(luò)，輸出結(jié)果為二進(jìn)制10，根據(jù)前述的故障類型二進(jìn)制編碼可知，該異常節(jié)點(diǎn)元素可反映故障類型1，表示W(wǎng)G-Ⅰ線后備保護(hù)距離模塊故障?，F(xiàn)場(chǎng)檢查發(fā)現(xiàn)，故障原因?yàn)閃G-Ⅰ線后備保護(hù)直流電源輸出電壓異常，引起WG-Ⅰ線后備保護(hù)輸出異常電平，導(dǎo)致擾動(dòng)出現(xiàn)時(shí)繼電器異常動(dòng)作。利用故障搜索方法得到的結(jié)果與現(xiàn)場(chǎng)檢查結(jié)果一致。

第2 次跳閘時(shí)，初始狀態(tài)向量與第1 次跳閘時(shí)相同。根據(jù)二次跳閘時(shí)的現(xiàn)場(chǎng)情況及保護(hù)監(jiān)測(cè)信號(hào)，得到此時(shí)的狀態(tài)解析結(jié)果d′如式（19）。

同理可得故障節(jié)點(diǎn)的搜索結(jié)果為{（13，6），（13，11）}。輸入神經(jīng)網(wǎng)絡(luò)可得到輸出結(jié)果為二進(jìn)制10，異常節(jié)點(diǎn)（13，6）表示GY-Ⅰ線主保護(hù)1 距離保護(hù)故障，異常節(jié)點(diǎn)（13，11）表示0001 斷路器繼電箱故障。現(xiàn)場(chǎng)檢修發(fā)現(xiàn)，WG-Ⅰ線主保護(hù)1 的供電電源異常，導(dǎo)致WG-Ⅰ線主保護(hù)1 輸出異常電平，最后導(dǎo)致0001 斷路器繼電箱輸出錯(cuò)誤動(dòng)作信號(hào)。故障搜索結(jié)果與現(xiàn)場(chǎng)檢查情況一致。

4 結(jié)論

本文將二次系統(tǒng)設(shè)備拓?fù)溥B接關(guān)系抽象為矩陣描述，表明了智能變電站二次系統(tǒng)設(shè)備間的實(shí)際連接關(guān)系及通信關(guān)系等；以各節(jié)點(diǎn)的監(jiān)測(cè)狀態(tài)作為矩陣元素，并在此基礎(chǔ)上通過(guò)矩陣計(jì)算與神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)了二次系統(tǒng)的故障搜索定位，得到以下結(jié)論：

1）基于連接矩陣關(guān)系及神經(jīng)網(wǎng)絡(luò)的故障搜索定位方法具有一定通用性。連接矩陣是通過(guò)二次系統(tǒng)各設(shè)備節(jié)點(diǎn)間的物理或虛擬連接關(guān)系建立的，能夠較好地描述二次系統(tǒng)各設(shè)備間的連接狀態(tài)并及時(shí)反映狀態(tài)變化。對(duì)連接矩陣進(jìn)行動(dòng)態(tài)修正，不受設(shè)備連接順序、設(shè)備數(shù)量等影響，具有一定的通用性。

2）基于連接矩陣關(guān)系及神經(jīng)網(wǎng)絡(luò)的故障搜索定位方法具有較高的準(zhǔn)確性。故障定位搜索方法中針對(duì)二次系統(tǒng)分別獨(dú)立建立了連接矩陣及狀態(tài)解析結(jié)果，利用狀態(tài)解析結(jié)果對(duì)矩陣進(jìn)行校驗(yàn)，能夠充分利用各節(jié)點(diǎn)間的耦合信息，在此基礎(chǔ)上利用徑向基神經(jīng)網(wǎng)絡(luò)得到準(zhǔn)確率較高的故障類型結(jié)果，具有較高的準(zhǔn)確性。