基于改進BP神經(jīng)網(wǎng)絡的接地故障定位研究

朱雁斌

(云南電網(wǎng)有限責任公司昆明供電局，云南 昆明　650011)

?

基于改進BP神經(jīng)網(wǎng)絡的接地故障定位研究

朱雁斌

(云南電網(wǎng)有限責任公司昆明供電局，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變特性進行考慮而統(tǒng)計全部的頻帶，而且經(jīng)典的小波能量譜算法沒有將每個分解頻帶的能量隨著時間軸分布特性進行充分考慮，提出使用卷積小波包能量矩對單相接地故障信息的特征向量進行提取，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)絡容易陷入局部最小值，并且有算法收斂慢、訓練時間長等問題，提出使用遺傳算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化，同時為提高遺傳算法優(yōu)化效率，使用混合編碼方式對遺傳算法進行改進。最后通過實驗驗證所提出的改進型BP神經(jīng)網(wǎng)絡的接地故障定位算法的性能，結果表明，故障定位的精度有了較大的改善，驗證了所提出方法的可行性。

關鍵詞：接地故障；BP神經(jīng)網(wǎng)絡；改進遺傳算法；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配電系統(tǒng)故障進行數(shù)據(jù)統(tǒng)計，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，對于電力部門來說，快速定位故障線路位置及時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，也是相關科學工作者研究的熱點問題之一[1-4]。

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

低壓配電網(wǎng)中最為容易出現(xiàn)的接地故障應屬小電流接地，即常說的中性點非有效接電，由于配電網(wǎng)出現(xiàn)分支非常多，小電流接地時的電流非常微弱，這就對小電流接地的故障定位帶了非常大的難度。針對這一難題，使用卷積小波包能量矩對發(fā)生單相接地故障時的穩(wěn)態(tài)和暫態(tài)特征進行提取，再使用BP神經(jīng)網(wǎng)絡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的特征表示得更清晰，并且不易被故障前的負荷所干擾，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變特性進行考慮而統(tǒng)計全部的頻帶，而且經(jīng)典的小波能量譜算法沒有將每個分解頻帶的能量隨著時間軸分布特性進行充分考慮，因此使用卷積小波包能量矩對單相接地故障信息的特征向量進行提取，從而為單相接地故障定位的判斷提供依據(jù)。

設定S(t)為表示時刻信號密度的信號函數(shù)；L2(R)為由所有平方可積的函數(shù)所構成的向量空間；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；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算法表述為

(3)

由卷積型的小波包變換重構算法表達式可以看出，在進行迭代運算時，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果，故各個層的各個頻帶序列長度等于原來信號的長度。這種方法的優(yōu)點就是避免了傳統(tǒng)小波包方法由于不同分解尺度中分解信號樣本個數(shù)會因為增加的分解尺度而指數(shù)下降這一缺點[11]。

對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采樣信號進行處理，對最終分解層的各個頻帶成份的特征進行提取。

2)對各個頻帶信號能量灰度矩進行求解。b層分解層的第n個頻帶信號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)由于各個頻帶內(nèi)的信號能量矩受到系統(tǒng)故障影響較大，故構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)絡對上面得到的特征向量進行故障定位[12]。

2改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡模型

2.1常規(guī)遺傳算法

BP神經(jīng)網(wǎng)絡算法的遺傳算法優(yōu)化過程表述為

(6)

對BP神經(jīng)網(wǎng)絡權值的修正方法為

Δwij(n)=-ηg(n)+αΔwij(n-1)

(7)

式中：η是自適應學習率；α是動量算子；n是迭代步數(shù)[13]。

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

1)建立常規(guī)BP神經(jīng)網(wǎng)絡模型并對網(wǎng)絡模型的結構參數(shù)進行初始化；

2)使用常規(guī)的遺傳算法對BP神經(jīng)網(wǎng)絡進行參數(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)絡結構及權值、閾值等參數(shù)對BP神經(jīng)網(wǎng)絡模型進行更新，對建立的模型使用訓練樣本進行訓練以提高模型的泛化能力；

4)使用測試樣本進行模型性能測試。

整個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)絡模型流程

2.2改進遺傳優(yōu)化算法

由于傳統(tǒng)的遺傳算法搜索過程中，出現(xiàn)的高適應值個體會對搜索過程產(chǎn)生干擾，影響遺傳算法的性能，故需要對其進行改進。使用下面的混合編碼方式對傳統(tǒng)遺傳算法進行改進。

1) 混合編碼方案

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

2) 選擇算子

使用排序法計算個體的選取概率：

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個染色體適應值的順序。

3)交叉算子

在二進制的編碼過程中，使用單點交叉法進行交叉操作：

(10)

在進行實數(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

在混合編碼的二進制編碼和實數(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值，保證種群多樣性的自適應交叉概率和變異概率：

(13)

(14)

3實驗研究

3.1實驗條件

為了通過實驗對所提出的單相接地故障定位方法進行研究，選用一個小電流接地配電系統(tǒng)作為實驗對象。該系統(tǒng)為110kV轉10kV，出線為5條10kV的系統(tǒng)。當主變壓器的中性點不接地時，使用的接線方式是Y/Δ，當主變壓器使用諧振接地時，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。用于實驗的配電系統(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實驗模型建立

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

神經(jīng)網(wǎng)絡的結構為3層結構，輸入神經(jīng)元個數(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)元個數(shù)為1，即診斷的故障位置信息。設定學習速率為0.05，傳統(tǒng)的BP神經(jīng)網(wǎng)絡的隱含層參數(shù)以及其他權值、閾值等均是初始化時設定，所研究的改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的模型參數(shù)經(jīng)過訓練由改進遺傳算法得到最優(yōu)值并進行賦值。

圖2　兩種算法的網(wǎng)絡誤差平方和響應曲線

進行單相接地故障定位研究時，以上述的實驗模型得到第一條線路的故障定位為例加以實驗說明。采用的訓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的故障步長形成的數(shù)據(jù)樣本。

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

3.3實驗結果分析

使用上述建立的模型對測試樣本進行測試，采用的測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的故障步長形成的數(shù)據(jù)樣本。得到了兩種模型的定位結果及誤差，見表1。

表1　兩種模型的故障定位結果

測試結果可以看出，所研究方法的故障定位相對誤差平均為1.42%，除個別點外，其他測試點的相對誤差均低于1%。傳統(tǒng)BP神經(jīng)網(wǎng)絡算法建立的故障定位的平均相對誤差為3.31%，研究結果表明，使用所提的改進算法，故障定位的精度有了較大地改善，驗證了所提出方法的可行性。

4結論

快速定位故障線路位置及時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。針對小電流接地時，由于電流非常微弱并且配電網(wǎng)出現(xiàn)分支非常多，難以進行定位這一問題，使用卷積小波包能量矩對發(fā)生單相接地故障時的穩(wěn)態(tài)和暫態(tài)特征進行提取，再使用BP神經(jīng)網(wǎng)絡建立接地故障定位模型。為提高BP神經(jīng)網(wǎng)絡效率，避免陷入局部最小值，使用通過混合編碼方式改進的遺傳算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化。最后通過實驗對一種配電系統(tǒng)模型的單相接地故障定位進行實驗研究，結果表明，針對該系統(tǒng)所研究方法的故障定位平均相對誤差比傳統(tǒng)BP神經(jīng)網(wǎng)絡算法建立的故障定位的平均相對誤差降低了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)絡模型，對于BP神經(jīng)網(wǎng)絡的結構、權值以及閾值，所提出的改進型遺傳算法進行了較好的優(yōu)化，有效避免BP神經(jīng)網(wǎng)絡對結構參數(shù)盲目選擇帶來的問題等。

參考文獻

[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,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,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,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,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,2010,36(4):873-877.

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

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

[8]李振然,賈旭彩,李濱.基于小波變換與BP神經(jīng)網(wǎng)絡相結合的配電網(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)絡的配電網(wǎng)單相接地故障定位研究[D].南昌：南昌大學,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].重慶市電機工程學會2010年學術會議論文集，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,2012.

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

[13]彭基偉,呂文華,行鴻彥,等.基于改進GA-BP神經(jīng)網(wǎng)絡的濕度傳感器的溫度補償[J].儀器儀表學報,2013(1):153-160.

[14]溫文.基于改進BP神經(jīng)網(wǎng)絡的產(chǎn)品質(zhì)量合格率預測研究[D].廣州：華南理工大學,2014.

[15]曹步清.基于GA進化BP神經(jīng)網(wǎng)絡的貨幣識別研究[D].長沙：中南大學,2007.

[16]董升偉.基于改進BP神經(jīng)網(wǎng)絡的軌道交通短時客流預測方法研究[D].北京：北京交通大學,2013.

中圖分類號：TM855

文獻標志碼：A

文章編號：1003-6954(2016)02-0037-04

作者簡介：

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

(收稿日期：2015-11-26)