基于BP神經網絡的自適應距離保護

龍 珠, 鄭浩野

(1.黑龍江省電力設計院有限公司,哈爾濱 150078;2.黑龍江省電力有限公司調度控制中心,哈爾濱 150090)

基于BP神經網絡的自適應距離保護

龍 珠1, 鄭浩野2

(1.黑龍江省電力設計院有限公司,哈爾濱 150078;2.黑龍江省電力有限公司調度控制中心,哈爾濱 150090)

針對傳統(tǒng)距離保護在雙側電源線路發(fā)生過渡電阻短路時存在的缺陷,運用BP神經網絡所具備的自適應能力、學習能力和模式識別能力,研究了基于BP神經網絡模型的自適應距離保護,使距離保護能夠根據(jù)過渡電阻類型的變化給出實時在線判斷。為驗證模型的可行性,以雙端電源供電系統(tǒng)為實例對其進行了仿真,結果表明，該模型計算結果準確、計算效率高,具有一定的優(yōu)越性和可行性。

人工神經網絡;距離保護;BP算法

傳統(tǒng)的距離保護是通過測量從保護安裝處到故障處的正序阻抗來判斷故障是否發(fā)生在保護范圍內。而在實際中測量阻抗的精度會受到很多因素的影響,如過渡電阻就是影響距離保護正確工作的主要因素之一。過渡電阻包括電弧電阻、中間物質的電阻、相導線與大地之間的接觸電阻、金屬桿塔的接地電阻等,在實際工程中,過渡電阻的數(shù)值難以準確計算。而且過渡電阻的存在,使得距離保護的測量阻抗發(fā)生變化,從而導致保護不能夠正確動作[1-2]。盡管目前已經設計出各種特性的繼電器來提高對過渡電阻的反映能力,但傳統(tǒng)保護仍然難以滿足要求。

自適應繼電保護是能根據(jù)電力系統(tǒng)的運行工況或故障狀態(tài)實時改變保護的性能、特性或定值的保護。人工神經網絡是一種并行處理的非線性映射,被廣泛地應用于模式識別和模式分類方面[3],在電力系統(tǒng)中的應用亦越來越多,并在解決實際問題中顯示出巨大潛力。本文將BP神經網絡應用到距離保護中,對測量的原始數(shù)據(jù)進行預處理后作為神經網絡的輸入,針對不同的過渡電阻進行神經網絡權值調整,通過訓練神經網絡達到故障位置識別的目的。

1 BP神經網絡

BP(Back-propagation)神經網絡[4-8]將具有簡單處理能力的多個神經元組織起來使網絡具有復雜的非線性,是一種多層映射網絡。含有一個輸入層、一個隱含層和一個輸出層的BP神經網絡結構如圖1所示。

BP神經網絡的學習由正向和反向兩部分組成。BP神經網絡正向傳播是由上向下傳播,網絡中的正向信息傳播到輸出層的過程中,要經過若干中間層,要通過對比導師信號和網絡的輸出相量來發(fā)現(xiàn)誤差,如果存在誤差就不斷修正神經網絡的權值矩陣,直到達到最佳效果。神經網絡中各層間的權值不是一成不變的,而是通過學習不斷調整的。

圖1 BP神經網結構模型

隱含層第j個神經元的輸出為

oj=f(aj)

式中:aj為隱含層第j個神經元輸入總和;oj為隱含層第j個神經元輸出。

輸出層第k個神經元的輸出為

yk=∑vkjoj

式中:yk為輸出層第j個神經元的輸出值;vkj為隱含層第k個神經元到輸出層第j個神經元的權值。

2 基于BP神經網絡的距離保護

本文所設計的BP神經網絡距離保護步驟如下:

1) 確定BP神經網絡輸入、輸出以及輸入層、隱含層和輸出層個數(shù)。

2) 確定訓練樣本。

3) 對BP神經網絡進行訓練,保存權值。

4) 驗證已訓練好的BP神經網絡。

采用權值矩陣初始值為任意隨機數(shù),在樣本輸入神經網絡前打亂樣本順序,這樣可以避免BP神經網絡進入死記硬背的模式,使神經網絡更快更準確地得到訓練權值。

利用輸出層誤差估算輸出層的前導層誤差,再利用這個誤差反向估算前一層的誤差,如此反復反傳誤差,直到確定輸入層誤差為止。

BP神經網絡每一層神經元都只受上一層神經網絡的影響,若輸出層得不到預期的理想輸出,BP神經網絡進入反傳模式,通過誤差的形式將誤差從輸出層向輸入層各層依次調整各層的權值和閾值,從而逐級減小誤差,直到達到系統(tǒng)設計的精度為止。

BP神經網絡實際原理就是通過求誤差函數(shù)的極小值,反復訓練BP神經網絡,使權值和閾值沿著誤差函數(shù)的負梯度方向改變,直到收斂于最小值。

2.1 傳遞函數(shù)的選取

本文選取Sigmond函數(shù)作為BP神經網絡的激活函數(shù), Sigmond函數(shù)的表達式為

其導數(shù)為

2.2 網絡的輸入

以雙側電源供電系統(tǒng)為例對BP神經網絡進行訓練和校驗,如圖2所示。

圖2 雙側電源供電系統(tǒng)

利用繼電保護整定軟件對電力系統(tǒng)中所有可能出現(xiàn)的故障進行仿真計算,以獲取盡可能全面的訓練樣本。訓練樣本的參數(shù)主要包括:

2) 故障類型。故障類型主要選取電力系統(tǒng)中的一般故障,包括單相接地、兩相短路、兩相接地短路、三相短路4種。

3) 過渡電阻。相間電阻選取0 Ω、25 Ω、50 Ω 3種;接地電阻選取0 Ω、25 Ω、50 Ω、100 Ω、150 Ω和200 Ω 6種。

4) 故障位置。線路模型全長為150 km,每隔15 km選作一個故障點,共選取11個故障點。

為了加快BP神經網絡的學習訓練速度,提高分類精度,訓練樣本在輸入BP神經網絡之前先要對其進行歸一化處理。選取保護安裝處發(fā)生三相故障電流值作為基準電流,額定電壓作為基準電壓,電壓電流相角的基準值取為360°,將所有輸入樣本的范圍歸一化到[-1,1]范圍內,以此數(shù)值作為BP神經網絡的輸入。

2.3 網絡結構

采用三層BP神經網絡,有12個輸入分量,因此BP神經網絡輸入層節(jié)點個數(shù)為12。

對于BP神經網絡,隱含層神經元數(shù)目的確定對神經網絡起著至關重要的作用,它直接影響著網絡是否收斂以及收斂速度。適當?shù)碾[含層節(jié)點個數(shù)可從樣本中提取并存儲其內在規(guī)律,根據(jù)經驗公式來確定隱含層節(jié)點的個數(shù)。BP神經網絡中隱含層節(jié)點個數(shù)m和輸入層節(jié)點個數(shù)n有如下近似關系:

m=2n+1

輸入層神經元個數(shù)為12,因此,本文隱含層節(jié)點個數(shù)取為25。

本文目的是為了判斷線路發(fā)生的故障是否在保護范圍內,BP神經網絡的輸出節(jié)點個數(shù)為1。由于神經元采用的是Sigmond函數(shù),因此輸出層的理想輸出趨近于為0或者1,當故障發(fā)生在保護范圍內時,輸出值接近1,否則輸出接近0。

程序輸入為權值矩陣初始化產生的初始權值,輸出為三層BP神經網絡訓練得到的權值矩陣,其中學習率為0.4,誤差上限為0.01,最大學習次數(shù)為1 000 000。

3 實例驗證

為了驗證所建立的神經網絡模型能否實現(xiàn)所要求的功能,必須將有關的信息存入其中,對神經網絡進行訓練。因此,以圖2所示的雙側電源供電系統(tǒng)為例來說明人工神經網絡在自適應距離保護中的應用,其中三段線路均選用LGJ-150型架空線。

將圖2所示的雙側電源供電系統(tǒng)導入繼電保護故障分析整定管理及仿真系統(tǒng)中,根據(jù)2.2中4種情況對其進行仿真,得到100組數(shù)據(jù)作為BP神經網絡的輸入樣本,50組用于訓練神經網絡,另50組用于驗證。部分測試樣本如表1所示,歸一化后的測試樣本如表2所示。

隨機抽取歸一化后50組數(shù)據(jù)作為訓練樣本訓練已建好的BP神經網絡,再利用余下的50組數(shù)據(jù)樣本檢驗已訓練好的網絡容錯能力、故障識別能力等。訓練樣本標記為NO.1—NO.50,測試樣本標記為NO.51—NO.100,當誤差小于1%時,并經新樣本驗證后,認為BP神經網絡可用,保存該樣本的權值和閾值,利用訓練得到的權值和閾值進行距離保護的識別。故障發(fā)生在保護范圍內用A表示,故障發(fā)生在保護范圍外用B表示。通過比較繼電保護故障分析整定管理及仿真系統(tǒng)故障設置和神經網絡輸出結果,來判斷神經網絡識別是否正確。BP神經網絡的部分識別結果如表3所示。

表1 短路電流表(部分)

表2 歸一化后數(shù)據(jù)(部分)

表3 BP神經網絡識別結果

通過對50個樣本比較得知,網絡對故障位置的判別成功率達到90%以上,基本達到要求,實現(xiàn)了距離保護的要求。

4 結 論

1) BP神經網絡自適應距離保護選取電力系統(tǒng)模型中的故障訓練樣本訓練神經網絡,神經網絡通過自身的自適應和自學習能力對訓練樣本進行學習,記錄不同情況下各種故障的特征,從而使系統(tǒng)能夠獲取正確的診斷結果。

2) BP神經網絡能實現(xiàn)復雜距離保護,能自適應地調整網絡權值來適應系統(tǒng)提供的各種情況,提高了距離保護的自適應性,并有較好的實用性及高度的靈活性和可靠性。

[1] EISSA M M,MASOUND M. A novel digital distance relaying technique for transmission line protection[J]. IEEE Trans. Power Delivery, 2001, 16(1): 380-384.

[2] 索南加樂,許慶強,宋國兵,等. 自適應接地距離繼電器[J]. 電力系統(tǒng)自動化,2005,17(4): 54-58. SUONAN Jiale, XU Qingqiang, SONG Guobing, et al. Adaptive earth fault distance relay [J]. Automation of Electric Power Systems, 2005,17(4): 54-58.

[3] 曾令全,王宏. 基于灰色BP神經網絡的光伏發(fā)電系統(tǒng)最大功率點跟蹤[J]. 黑龍江電力,2013,35(1):1-5. ZENG Lingquan, WANG Hong. Maximum power point tracking of photovoltaic power system based on grey BP neural network [J]. Heilongjiang Electric Power, 2013,35(1):1-5.

[4] 段玉倩, 賀家李. 基于人工神經網絡的距離保護[J]. 中國電機工程學報,1999,19(5):68-71. DUAN Yuqian, HE Jiali. Distance relay protection based on artificial neural network [J]. Proceedings of the CSEE, 1999,19(5):68-71.

[5] 王曉茹, 錢清泉, 伍思濤. 基于神經網絡的自適應距離保護研究[J]. 電力系統(tǒng)自動化, 1998, 22(12): 25-30. WANG Xiaoru, QIAN Qingquan, WU Sitao. Study on neural network based adaptive distance protection [J]. Automation of Electric Power Systems, 1998, 22(12): 25-30.

[6] 唐志國,郭文敏,劉文里,等. 人工智能技術在變壓器故障診斷中的研究[J]. 黑龍江電力,2003,35(2):106-109. TANG Zhiguo, GUO Wenmin, LIU Wenli, et al. Application of artificial intelligent technology to failure diagnosis of voltage transformers [J]. Heilongjiang Electric Power, 2003,35(2):106-109.

[7] 朱洪波,許兆風,馬燕鳳,等. 兩種改進BP算法神經網絡濾波的比較[J]. 電力自動化設備,2003,23(6):35-36. ZHU Hongbo, XU Zhaofeng, MA Yanfeng, et al. Comparison of two improved BP algorithms used in ANN filter [J]. Electric Power Automation Equipment, 2003,23(6):35-36.

[8] 朱洪波. 基于人工神經網絡的發(fā)電機失磁保護的研究[D]. 保定:華北電力大學,2003. ZHU Hongbo. Research of loss-of-excitation protection of generator based on artificial neural network [D]. Baoding: NCEPU, 2003.

(責任編輯 郭金光)

Application of adaptive distance protection based on BP neural network

LONG Zhu1, ZHENG Haoye2

(1.Heilongjiang Research Institute of Electric Power Exploration and Design, Harbin 150078, China;2. Heilongjiang Electric Power Co., LTD. Dispatch and Control Center, Harbin 150090, China)

Aiming at the shortcomings of the traditional distance protection in the faulted network model of transmission line connecting two terminals, this paper studies the adaptive distance protection based on BP neural network on the basis of its ability of self-adaptive, learning and mode identification, so as to make real-time adjustment according to the change of types of transition resistance. To verify the feasibility of the model, the power supply system with double-terminal power source is taken as the example in the simulation. The result shows that the model enjoys accurate and high-efficient calculation with certain advantage and feasibility.

artificial neural network; distance protection; BP algorithms

2015-04-16。

龍 珠(1962—)，女，高級工程師，主要從事電力系統(tǒng)繼電保護工作。

TM713

A

2095-6843(2015)04-0331-04