基于免疫機制的配電網接地故障融合選線

尹勝蘭， 陳育成

(廣東電網公司 韶關供電局，廣東 韶關 512000)

基于免疫機制的配電網接地故障融合選線

尹勝蘭， 陳育成

(廣東電網公司 韶關供電局，廣東 韶關 512000)

由現(xiàn)場數(shù)據(jù)分析可知，經單一判據(jù)的配電網接地故障選線由于受故障點接地電阻、中性點消弧線圈補償及故障發(fā)生的時刻等因素的影響，選線精確度不高。為了解決這一難題，提出基于免疫機制的融合選線算法，融合4種選線判據(jù)作為免疫機制的抗原集，分別用免疫聚類和遺傳算法優(yōu)化RBF神經網絡中心和權重。將目標網絡應用到配電網接地故障選線，通過仿真實驗，驗證了上述算法具有很高的選線正確率。

免疫機制； RBF神經網絡； 抗原集； 聚類分析； 配電網

0 引言

配電網系統(tǒng)發(fā)生單相接地故障的統(tǒng)計機率達到70%，正確選線對配電網系統(tǒng)的穩(wěn)定性尤為重要[1-2]。但從現(xiàn)場選線數(shù)據(jù)來看，利用單一判據(jù)來選線正確率不高，以小波分析法作為選線判據(jù)受接地點過渡電阻影響很大；以能量函數(shù)法作為選線判據(jù)在考慮線路及中性點消弧線圈電阻影響時選線正確率會明顯下降；以基波分量法或五次諧波分量法作為選線判據(jù)易受中性點消弧線圈和故障時刻的影響[3-5]，因此利用單一故障量作為選線判據(jù)受各種因素的制約難免會出現(xiàn)誤漏選的情況。

提出基于免疫機制的融合選線算法，將4種故障特征量組成的抗原集進行免疫聚類分析，并將分析后的聚類中心用作RBF神經網絡中心。運用遺傳算法獲取RBF神經網絡最佳權重。該選線算法可以自適應不同故障時刻、不同過渡電阻，通過仿真實例驗證了該選線算法具有較高的選線正確率。

1 基于免疫機制的RBF神經網絡的原理

RBF神經網絡不僅能快速收斂，而且具有能逼近任何非線性連續(xù)函數(shù)的能力。它由以下3層構成：不同信號源的輸入層、高維數(shù)隱層、經網絡響應后的輸出層[6-7]。假設輸入層X由I個輸入矢量組成；隱層Z由H個矢量組成； 輸出層Y由O個輸出矢量組成。隱層函數(shù)選用高斯函數(shù)：

(1)

(2)

式中：WK為隱層至輸出層的第k個權重矢量。

隱層中心的選取值及寬度直接影響著RBF神經網絡的機能，聚類分析給隱層中心的選取提供了思路，由于普通聚類法須預先給定聚類中心的數(shù)目，所以很難應用到RBF神經網絡隱層中心的選取?；诿庖邫C制的聚類法依據(jù)免疫系統(tǒng)的自學習、組織和淘汰功能，可以自適應地給出聚類中心的最優(yōu)值及數(shù)目，即RBF神經網絡隱層中心。經優(yōu)化后的RBF神經網絡具有很強的適應性和魯棒性[8]。

2 融合選線算法

2.1 融合選線算法構造框圖

圖1 算法構造框圖

本文選線算法原理如框圖1所示。模擬單相接地故障，獲取每條饋線零序電流的暫態(tài)、基波以及五次諧波分量[9-10]；以零序電流和零序電壓乘積的積分作為每條饋線的能量函數(shù)值[11]。將上述4種故障特征量融合作為一組抗原集?？乖浢庖邫C制聚類后得到RBF神經網絡中心，抽取樣本經遺傳算法獲取RBF神經網絡最佳權重。將任意一組抗原集輸入到RBF神經網絡，即能得出輸出結果。

2.2 算法中各因子的定義

(1)定義Ag：抗原集?？乖疉g由I組輸入數(shù)量組成，即：

(3)

式中：Agi1為零序電流暫態(tài)分量；Aig2為零序電流基波分量；Agi3為零序電流五次諧波分量；Agi4為能量函數(shù)值。

Ab：抗體集?？贵w集Ab由H組矢量組成：

(4)

(2)其他免疫因子定義如下：

aij：抗原抗體之間的親和度。假設抗原集中第i組抗原與抗體集中第j組抗體間的親和力為aij：

(5)

sij：抗體之間的親和度。假設抗體集中第i組抗體與第j組抗體之間的親和度為sij：

(6)

式中：||·||表示矢量間的歐幾里得距離。

Cw：克隆細胞集。依據(jù)抗原和抗體之間的親和度克隆細胞集Cw，親和度與克隆數(shù)量Nc成正比關系，即：

Nc∝τ×aij

(7)

式中：τ為克隆規(guī)模。

Cv：變異細胞集。將Cw隨機變異獲得親和度更高的細胞集Cv：

Cv=Cw-μ(Cw-Agi)

(8)

式中：μ為變異概率。

(3)定義遺傳算法網絡適應度函數(shù)為：

(9)

2.3 算法的詳細步驟

步驟1 給定抗原集Ag，并隨機初始化h組樣本當作抗體集Ab。

步驟2 給定算法的迭代數(shù)目。

步驟3 利用公式(5)計算Ag和Ab中矢量間的親和度aij。選取前n個與Ag親和度最大的矢量采取以下操作：

(a) 通過公式(7)將步驟3選取的矢量，克隆并存入Cw。

(b) 將Cw通過公式(8)變異得到Cv。

步驟4 重新計算Ag與Cv中全部矢量之間的親和度。選擇n個與Ag具有最高親和度的矢量集合Cu。

步驟5 通過公式(6)計算出sij，將Cu中所有小于臨界值σd的矢量淘汰后得到Cp。

步驟6 合并初始抗體集Ab與Cp即(Ab←[Ab;Cp])得到新抗體集Ab。

步驟7 再一次將新抗體集Ab中所有sij小于臨界值σs的矢量淘汰得到Cq。

步驟8 判斷算法終止條件是否滿足，若是，算法終止，最終得到抗體集合CT。

步驟9 用遺傳算法對樣本進行訓練，訓練適應度函數(shù)為公式(9)，當訓練到既定要求次數(shù)后，結束訓練，獲得RBF神經網絡最佳權重WK。

步驟10 以步驟7得到的CT作為目標RBF神經網絡的隱層中心，以步驟9得到WK作為目標RBF神經網絡最佳權重。

步驟11 隨機抽取N組樣本集測試目標RBF神經網絡的精確度。

3 仿真分析

3.1 仿真數(shù)據(jù)的獲取

采用MATLAB仿真，模型如圖2所示，各線路參數(shù)設定為：正序參數(shù)為R1=0.46 Ω/km，X1=0.92 mH/km，C1=6.0×10-8F/km，零序參數(shù)為R0=0.71 Ω/km，X0=8.10 Ω/km，C0=3.81×10-8F/km。10 kV線路長度為L1=10 km，L2=12 km，L3=13 km，L4=15 km，L5=20 km。中性點消弧線圈過補償度為10%。

進行接地故障仿真分析時，經不同故障位置、不同故障點過渡電阻、不同故障時刻收集到一定數(shù)量的故障樣本，即融合抗原集。

圖2 仿真系統(tǒng)模型

3.2 訓練模型的建立

隨機抽取150組抗原集Ag對執(zhí)行其免疫聚類分析，抗原集即為圖2中在不同故障類型下的樣本集，經分析后得到RBF神經網絡隱層中心CT。為提高免疫聚類分析的速度，歸一化處理樣本數(shù)據(jù)[12]，各參數(shù)設定如下：初始化抗體集h=30，克隆規(guī)模τ=10，臨界值δs=0.06，臨界值δd=0.006。分析后獲取到21個聚類矢量，每個聚類矢量由4個抗體融合組成，各中心矢量的取值如圖3所示。

圖3 聚類中心數(shù)目與取值

隨機抽取100組故障樣本用遺傳算法進行訓練，以抗原集Ag作為網絡輸入值，以故障程度作為輸出值。并規(guī)定若輸出值大于或等于0.5時，代表有故障；當輸出值小于0.5時，代表無故障。網絡經過80次迭代后收斂，即獲得RBF網絡的最佳權重WK。

3.3 選線模型的驗證

將60組抗原集Ag檢驗目標RBF網絡的診斷正確率，由檢驗后結果可知，通過本文所提算法選線的正確率可達到99.33%。表1為4種不同故障類型的選線結果。

表1 各線路的故障特征量和結果輸出

注：L1為故障線路。

本文還統(tǒng)計了60組故障樣本分別經5種單一判據(jù)選線的正確率，并與本文選線算法進行對比，對比數(shù)據(jù)見表2，由對比結果可知，本文算法的選線正確率高于其他單一判據(jù)選線的正確率。

表2 不同選線方法正確率對比

4 結論

本文針對單一判據(jù)選線法由于受故障點接地電阻、中性點消弧線圈補償及故障發(fā)生的時刻等因素的影響，致使選線正確率不高的難題，提出了基于免疫機制的融合選線算法，該算法利用免疫機制聚類法可自適應地獲取到神經網絡隱層中心，并經遺傳算法獲取到RBF神經網絡最佳權重，得到的目標RBF神經網絡具有很強的故障判別能力。仿真實例驗證該算法具有很高的選線正確率。

[1]廖桂源，李彩林，施偉，等. 基于EMD聚類算法的配電網單相接地故障選線方法[J]. 電力科學與工程, 2014， 30(2): 57-61.

[2]張國軍，韓靜靜，任榮，等. 多判據(jù)融合小電流單相接地故障選線方法研究與實驗[J]．電工電能新技術，2015，34(4)：56-58.

[3]姜健，鮑光海. 小電流接地系統(tǒng)單相接地故障選線方法綜述[J]. 電氣技術，2015，16(12)：1-4.

[4]秦珣, 陳麗安.基于改進導納法的小電流接地系統(tǒng)接地故障選線方法[J]．電力科學與技術學報，2016，31(1)：96-102.

[5]劉渝根,王建南,馬晉佩,等. 結合小波包變換和5次諧波法的諧振接地系統(tǒng)綜合故障選線方法[J]. 高電壓技術,2015, 15(4)：29-31.

[6]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業(yè)出版社，2003：55-73.

[7]吳俊利, 徐巖.基于RBF神經網絡的太陽能電站VRLA蓄電池容量預測方法[J]. 華北電力大學學報(自然科學版),2010, 37(4)：33-36.

[8]彭湃,周羽生,高云龍,等. GA優(yōu)化LVQ網絡的配電網接地故障選線方法[J]. 電力系統(tǒng)及其自動化學報，2015，27(10)：65-67.

[9]蘭華，朱鋒.基于模糊粗糙集和GA-BP神經網絡的配電網故障選線方法[J]. 南方電網技術，2013，7(1)：91-94

[10]竇新宇,李春明. 基于小波變換的小電流接地故障選線仿真研究[J]. 電力科學與工程， 2011, 27(2)： 41-43.

[11]吳樂鵬,黃純,林達斌,等. 基于暫態(tài)小波能量的小電流接地故障選線新方法[J]. 電力自動化設備, 2013,33(5): 70-73.

[12]馮定. 神經網絡專家系統(tǒng)[M]. 北京：科學出版社，2006：66-69.

Fault Line Selection in Distribution Network Based on Immune Mechanism

YIN Shenglan， CHEN Yucheng

(Shaoguan Power Supply Bureau of Guangdong Power Grid Corporation，Shaoguan 512000，China)

As can been seen from the field data, the accuracy of fault line selection based on a single criterion in distribution network is affected by the many factors, such as the arc extinction coil, occurring point, and transition resistance, which could cause a relatively low accuracy. To solve the problem above, a fusion selection algorithm based on immune mechanism is proposed, which fuses four selection criteria as an immune mechanism of the antigen sets, and the RBF neural network center and weight were optimized by immune clustering and genetic algorithm. By application of the target network to the fault line selection in distribution network the simulation results show that the fault line selection by the presented algorithm has a better accuracy.

immune mechanism; RBF neural network; antigen sets; cluster analysis; distribution network

2017-07-02。

10.3969/j.ISSN.1672-0792.2017.12.006

TM773

A

1672-0792(2017)12-0034-04

尹勝蘭(1984-), 男，工程師，工學碩士，研究方向為電力系統(tǒng)繼電保護與人工智能。

陳育成(1988-), 男，工學碩士，研究方向為電力系統(tǒng)繼電保護與神經網絡。