基于BP神經網(wǎng)絡的電網(wǎng)故障定位

張繁斌，范英樂，劉寶童，劉璐，李貝貝，李熙

(國網(wǎng)江蘇省電力有限公司徐州供電分公司，江蘇 徐州 221000)

電網(wǎng)發(fā)生復雜故障后，調控中心在短時間內將會收到系統(tǒng)采集的及監(jiān)控人員匯報的各種信息，多類信息從各方面反映了故障情況。極端情況下故障發(fā)生伴隨通道退出，將有大量信息無法上傳或存在畸變，這就要求調控人員利用積累的經驗快速確定故障元件，但這非常依賴調控人員的經驗圖譜，在發(fā)生復雜故障時，各類不正確的信息會對調控員的正確決策造成干擾，對電網(wǎng)安全運行造成一定隱患。國外曾發(fā)生過多次嚴重電網(wǎng)故障，因不能快速準確診斷，使得電網(wǎng)恢復時間很長，造成了很大的損失，例如2016年一次強臺風天氣襲擊了南澳大利亞州，導致風電機組大規(guī)模脫網(wǎng)，最終導致了全州大停電事件[1]。2018年3月，巴西北電南送的特高壓直流輸電直流通道阻斷，引起巴西電網(wǎng)大范圍潮流轉移，系統(tǒng)振蕩，區(qū)域電網(wǎng)網(wǎng)間聯(lián)絡線的失步、距離和過電壓等保護動作跳閘，巴西電網(wǎng)解列為北方、東北和南方3個獨立運行電網(wǎng)[2]。2020年8月，由于罕見高溫引起的負荷增長以及區(qū)域間電力協(xié)調能力不足，同時應對新能源波動的靈活調節(jié)能力不足，引起了美國加州大停電事件[3]。另外巴西發(fā)生的大停電事故，荷蘭的變電站由于失壓故障引發(fā)的大面積停電事件，以及日本由于地質災害地震海嘯引發(fā)的大停電事件等在全球造成了極其惡劣的影響[4-7]。這些大停電事件的發(fā)生都是由于某個故障發(fā)生不能及時判斷處理而引起的連鎖反應。若是能在故障發(fā)生后快速準確識別故障區(qū)域，那么調控人員便可在短時間內根據(jù)故障區(qū)域及影響范圍制定合理事故處理方案，便可減輕因電網(wǎng)事故產生的惡劣影響，這也正是本文研究故障定位的重要意義。但是在短時間內正確甄別上傳的正確信息是有一定難度的，正是基于這點，利用人工智能技術的非線性處理能力便可以很好解決這個問題。

1 故障定位方法及神經網(wǎng)絡結構

1.1 故障定位方法

目前故障元件定位方法有很多人工智能方法，其中神經網(wǎng)絡方法最為適用，有的已應用在調控運行中[8-12]。其中專家系統(tǒng)過多依賴于其在專業(yè)領域積累的經驗，且維護煩瑣；Petri網(wǎng)當在其處理復雜問題時會出現(xiàn)組合爆炸的情況，對電網(wǎng)拓撲變化不能及時反應，且容錯能力較弱。神經網(wǎng)絡等人工智能方法在電網(wǎng)應用喝多，文獻[13]分析了電網(wǎng)發(fā)展新特點和調度控制面臨的挑戰(zhàn)，進而按照人工智能與現(xiàn)有技術體系深度融合的思路,開展電網(wǎng)調控領域人工智能應用技術框架研究，提出了總體思路及目標。文獻[14]提供了一種基于長短期記憶(long short term memory,LSTM)網(wǎng)絡的電網(wǎng)動態(tài)軌跡趨勢預測方法。文獻[15]利用粒子群算法和列文伯格-馬夸爾特算法對神經網(wǎng)絡進行優(yōu)化改進，建立了基于粒子群算法優(yōu)化的BP神經網(wǎng)絡負荷預測模型。文獻[16]運用機器學習算法構建了塔筒傾覆故障模型，可以反映設備狀態(tài)，檢測模型特征值的變化趨勢，實現(xiàn)塔筒傾覆狀態(tài)的在線檢測和劣化過程的早期預警。

針對復雜電網(wǎng)的故障元件定位，神經網(wǎng)絡因其具有強大的非線性處理能力，在應用中取得了很好的效果。本文利用BP神經網(wǎng)絡對故障發(fā)生時的各類信息進行篩選，自動弱化畸變信息，強化有用信息，通過內部機理的非線性運算，通過神經網(wǎng)絡輸出層輸出量化結果，便可以迅速定位故障元件。

電網(wǎng)的調控中心是電網(wǎng)運行指揮中樞，而調控人員的決策則是指揮中樞的核心。目前事故后的調度決策大部分仍以人工分析為主，主要依靠調控人員以往的處理經驗，當遇到一些特殊情況，例如發(fā)生信息缺失或畸變，根據(jù)已有繁雜信息無法及時推斷故障工況時，便會在一定程度上加大了調控人員的工作難度和工作壓力，給準確快速恢復供電增加了難度。若在電網(wǎng)發(fā)生故障后，利用BP神經網(wǎng)絡處理非線性問題的能力，通過對以往電網(wǎng)的歷史運行數(shù)據(jù)進行學習，首先對各類上傳的信息進行判斷篩選，由此再獲得相應的故障區(qū)域，以輔助調控人員的運行決策，為其準確快速處理故障恢復正常供電提供支撐，同時能縮短調控運行及檢修人員的判斷時間，提高處理效率，以致在短時間內消除故障，保證電網(wǎng)安全運行。

1.2 神經元模型

單個神經元模型是神經網(wǎng)絡最基本的組成單元，也是用來處理非線性映射的最基本單元，其中ANN應用于電網(wǎng)技術是在20世紀80年代后期，便形成了BP神經網(wǎng)絡診斷方法。BP神經網(wǎng)絡由若干人工神經元連接而成，它是一種處理非線性問題、并可自動調整擬合的智能系統(tǒng)，在處理復雜問題時具有獨特的優(yōu)勢[17-22]。

神經網(wǎng)絡由單個神經元模型組成，由它來構成各種不同形式的神經網(wǎng)絡，包含3個基本模型：連接權值、求和單元、激活函數(shù)。其基本結構如圖1：

圖1 單個神經元模型Fig.1 Single neuron model

連接權值即連接強度，其正負代表了激活和抑制狀態(tài)，對應生物中的“突觸”的連接強度，是非線性擬合的重要組成部分；輸入信號是外界的輸入量，是在求和單元進行線性計算；激活函數(shù)用來進行非線性計算，并且用于限制輸出振幅，一般在(0,1)之間。可用下列公示表示:

(1)

yk=f(uk+bk)

(2)

上兩式中，xi(i=1,……,m)代表輸入信號；wik(i=1,……,m)是連接權值；uk則是經過求和單元之后的輸出；bk為閾值；f(·)為激活函數(shù)；yk為輸出信號。

1.3 BP神經網(wǎng)絡結構

神經網(wǎng)絡按照連接形式，最經典的網(wǎng)絡結構就是前饋型和反饋型。BP神經網(wǎng)絡屬于前饋型，前饋型是指數(shù)據(jù)由上至下單向傳遞，只從輸入層傳遞到輸出層，沒有反饋過程。圖2則為多層前饋型的拓撲結構，其中xi(i=1,……,N)代表輸入信號，yi(i=1,……,N)代表輸出信號。信號的處理方向為，輸入數(shù)據(jù)通過輸入層進入神經網(wǎng)絡，通過若干隱含層的非線性處理后，再通過輸出層輸出結果。

圖2 前饋型網(wǎng)絡結構模型Fig.2 Feedforward network structure model

2 BP神經網(wǎng)絡傳播原理

神經網(wǎng)絡有多類算法，其中反向傳播算法是一種易于理解且可行的迭代方法[23-28]，適用于電網(wǎng)故障定位中。BP(Back Propagation)神經網(wǎng)絡是根據(jù)誤差反向傳播算法訓練的。誤差反向傳播算法有兩個過程：數(shù)據(jù)的正向傳遞與反向傳遞。其應用在電網(wǎng)故障定位時，首先設置一個神經網(wǎng)絡的目標值，將各類上傳的信息(例如保護裝置及開關狀態(tài))通過一定規(guī)則轉換為數(shù)字量，這些量值依次通過輸入層、隱含層和輸出層。隱含層的作用是在內部通過激活函數(shù)和連接權值對數(shù)據(jù)進行非線性計算，然后將結果在輸出層輸出；如果輸出結果與預期目標有差距，且偏差達不到目標值，則將偏差進行反向傳遞，按照梯度下降算法繼續(xù)迭代來更新新的權值，最終以使得誤差滿足所設定的目標值，此時通過迭代形成的權值就是固定問題所需要的值，將所需要診斷的信息通過一定規(guī)則轉換為數(shù)字量后，通過已經固化權值的神經網(wǎng)絡的非線性運算后，便可得到最終的計算數(shù)據(jù)，將其按照一定規(guī)則進行轉換，便可以得到本文故障定位的結果。

2.1 訓練函數(shù)

BP神經網(wǎng)絡中常用的訓練函數(shù)有l(wèi)og-sigmoid型函數(shù)logsig、tan-sigmoid型函數(shù)tansig以及純線性函數(shù)purelin。同一訓練函數(shù)在不同情境下的效果也不相同的，訓練函數(shù)主要用來全局調整權值和閾值，用于達到整體誤差最小。logsig及其tansig型函數(shù)的輸出范圍分別為(0,1)與(-1,1)。圖3為logsig型函數(shù):

圖3 logsig函數(shù)模型Fig.3 Logsig function model

2.2 反向傳播算法

誤差反向傳播，即從輸出層反向逐層計算每層誤差，不斷更新權值、閾值，不斷迭代直至滿足目標的要求。

若訓練樣本包含P(1-P)個樣本，誤差的二次型準則函數(shù)為：

(3)

網(wǎng)絡對P個訓練樣本的總體誤差函數(shù)為：

(4)

2.3 反向傳播算法流程

BP神經網(wǎng)絡的動態(tài)運算流程的非線性映射能力強，具有以任意精度逼近目標值的計算能力。以“黑匣子”模式將輸入變量與輸出目標值聯(lián)系起來，可運算較復雜的問題。但也存在著例如容易陷入局部極小值，隱含層節(jié)點數(shù)的選擇沒有嚴謹?shù)臄?shù)學依據(jù)等。針對以上問題的改進方法有附加動量法、自適應學習速率法等。BP算法流程主要包含參數(shù)初始化、輸入訓練樣本、計算各層的輸出值、計算各層的信號誤差、調整權值和閾值等過程，直至滿足總體訓練誤差的要求，如下：

圖4 BP算法流程圖Fig.4 Flow chart of BP algorithm

3 電網(wǎng)故障定位算法

3.1 電網(wǎng)拓撲結構

圖5 配電網(wǎng)拓撲結構Fig.5 Distribution network topology

本系統(tǒng)劃分成為了五個故障區(qū)域，分別為Sec1、Sec2、Sec3、Sec4、Sec5；斷路器為QF1、QF2、QF3、QF4、QF5；并且均配有過電流保護CO1、CO2、CO3、CO4、CO5；Sec1和Sec3區(qū)域分別裝有距離保護RR1和RR3，為過流保護的后備保護，其中RR1為Sec2～Sec5提供后備保護，RR3為Sec4和Sec5提供后備保護。

為了驗證BP建模方法對電網(wǎng)故障定位的有效性，本小節(jié)以圖5所示的電網(wǎng)結構為例說明分析。

3.2 故障決策表的構建

故障決策表是用來作為設神經網(wǎng)絡輸入和輸出的，通過1或0來表示是否動作，并根據(jù)電網(wǎng)結構和保護情況來構建的表即為故障決策表。例如區(qū)域二(Sec2)發(fā)生故障，過流保護(CO2)便會動作，則在決策表中，QF2和CO2的值便是1，其余為0。故障決策向量可以寫為[QF1-QF5；CO1(RR1)-CO5；區(qū)域]。其中保護及斷路器狀態(tài)信息作為輸入向量，五個故障區(qū)域(Sec1～Sec5)用作神經網(wǎng)絡的輸出向量，若干個輸入量對應一個輸出量。本算例中設置一組向量，根據(jù)保護及開關情況，一組向量中共13組狀態(tài)量，其中有12個為判斷條件，1組為決策結果，12個判斷條件對應一個結果，判斷條件即為訓練神經網(wǎng)絡的輸入量，結果即為輸出量。以故障區(qū)域2為例，其向量為[0 1 0 0 0 0 0 1 0 0 0 0；S2 ]。根據(jù)故障區(qū)域的不同(五個故障區(qū)域，一個無故障區(qū)域)，構建13組用于BP神經網(wǎng)絡訓練的向量，即訓練樣本，用此樣本來訓練BP神經網(wǎng)絡，最終得到符合要求的網(wǎng)絡結構。

3.3 故障信息的獲取

故障信息即為故障樣本，用以檢驗訓練好的神經網(wǎng)絡是否具備診斷功能。與故障決策表不同的是此中信息不盡是正確數(shù)據(jù)，此外還含有錯誤動作信息。在故障信息向量中，表示方法為括號外為真實數(shù)據(jù)，括號內數(shù)據(jù)表示為沒有信息畸變時的正確信息。例如仍以故障區(qū)域2為例，構造一故障信息向量[0 1 0 0 0 0 0 1 1(0)0 0 0；S2]，代表“CO3”數(shù)據(jù)發(fā)生了畸變，本身CO3沒有動作，但是上傳信息過程中發(fā)生了畸變，誤傳為動作。

3.4 BP神經網(wǎng)絡建模

BP神經網(wǎng)絡建模包含輸入層、輸出層、隱含層以及訓練函數(shù)等主要因素的確定，其中以隱含層的確定最為重要。

輸入層的確定：輸入層節(jié)點的確定和樣本有關，需要根據(jù)特定樣本來選擇，其中樣本提取出的故障決策表決策元素的數(shù)量便是BP神經網(wǎng)絡輸入層節(jié)點的數(shù)量，本案例中判斷條件有12個，故輸入層節(jié)點數(shù)為12。

輸出層的確定:輸出層節(jié)點的確定和診斷區(qū)域有關，其數(shù)量代表著待診斷的元件或者區(qū)域的數(shù)量，即元件或區(qū)域的數(shù)量與輸出節(jié)點的數(shù)量相等。本案例中輸出有6個(5個故障區(qū)域以及1個無故障區(qū)域)，故輸出層節(jié)點數(shù)為6。

隱含層節(jié)點數(shù)的確定:隱含層的節(jié)點數(shù)目前的應用一般根據(jù)經驗公式得到。

根據(jù)經驗公示：

(5)

上式中，m為輸入層節(jié)點數(shù)，n為輸出層的節(jié)點數(shù)，而結果l則為隱含層的節(jié)點數(shù)，d為0-10之間的整數(shù)，易知m為12，n為6，則根據(jù)上式可以得到隱含層節(jié)點數(shù)在4-14之間。通過經驗公式只能得到一個大致的范圍，并不能確定某一具體的層數(shù)。所以為了選取最合適的隱含層，本文提出一種選取最佳隱含層節(jié)點數(shù)的方法：設定目標誤差0.001，學習速率0.01，記錄達到目標誤差產生的訓練誤差，選擇最小的即為最合適的節(jié)點數(shù)。

表1 隱含層節(jié)點數(shù)與訓練誤差、迭代次數(shù)Tab.1 Number of hidden layer nodes, training error and iteration times

下圖為根據(jù)表1繪制的誤差關系圖：

圖6 隱含層節(jié)點數(shù)與總體訓練誤差、迭代次數(shù)關系Fig.6 Relationship between the number of hidden layer nodes and the overall training error and the number of iterations

根據(jù)圖6可以，迭代次數(shù)最小的隱含層節(jié)點數(shù)有8、10、11、13、14，而根據(jù)誤差訓練曲線圖可知，當隱含層節(jié)點數(shù)為10或11時，誤差較小，綜合迭代次數(shù)及訓練誤差，本文選擇隱含層節(jié)點數(shù)為10。訓練算法則選用trainlm算法。

4 實例分析

根據(jù)圖5電網(wǎng)拓撲結構，首先通過構建好的故障決策表(13組向量)，根據(jù)已經確定的BP神經網(wǎng)絡參數(shù)對其進行訓練，在達到所設定的目標值時便停止迭代，得到一個訓練結束參數(shù)固化的BP神經網(wǎng)絡，用此神經網(wǎng)絡結構再對不含于初始訓練樣本的數(shù)據(jù)進行計算，來達到故障定位的目的。訓練過程中的誤差曲線如下：

圖7 訓練誤差曲線Fig.7 Training error curve

為了能夠客觀評價此神經網(wǎng)絡對電網(wǎng)故障定位的作用及效果，用此網(wǎng)絡對含有畸變量的故障信息表進行診斷，進而得出診斷結果進行判斷，診斷結果如下：

表2 診斷結果Tab.2 Diagnostic results

如表2中的數(shù)值，用(0，1)范圍內的數(shù)值來代表診斷結果，數(shù)值越大越接近于1，說明診斷為本區(qū)域；數(shù)值越小越接近于0，說明故障區(qū)域為本區(qū)域的可能越小。從診斷結果可以看出，對于樣本1-5可以正確診斷出故障區(qū)域，對于樣本6(復雜故障)未能準確識別。說明BP神經網(wǎng)絡用于電網(wǎng)故障元件的定位是有效的，在發(fā)生信息畸變的時候，利用其容錯性強的能力可以正確識別故障區(qū)域，達到了預期目標。應用在電網(wǎng)調控運行時，可以在發(fā)生故障第一時間從各類上傳的警告及動作信息中判斷出故障區(qū)域，幫助調控運行人員準確判斷，從而輔助決策，正確處理電網(wǎng)故障，有利于電網(wǎng)安全運行。

5 結論與展望

本文提出了一種基于人工智能技術進行電網(wǎng)故障診斷的新思路，詳細給出了利用BP神經網(wǎng)絡進行電網(wǎng)故障定位的算法流程，以及各項參數(shù)的確定方法，包含輸入層、輸出層以及隱含層節(jié)點數(shù)的確定方法，給出了具體計算步驟和分析過程，最后通過算例分析說明了其有效性和準確性。結果表明：

(1)BP神經網(wǎng)絡非線性擬合能力強，利用BP神經網(wǎng)絡其容錯性強的特點，模擬人腦非線性擬合的功能，可以看出對于復雜的問題的判斷具有很好效果，將其應用在電網(wǎng)故障定位中是可行且有效的，有助于電網(wǎng)安全運行。

(2)利用BP神經網(wǎng)絡進行電網(wǎng)故障區(qū)域定位，可以很好甄別畸變信息，當電網(wǎng)發(fā)生單一故障時，能夠自動過濾掉畸變無用信息，準確地定位故障區(qū)域，得出診斷結果，有助于調控運行人員準確快速處理電網(wǎng)故障，保障電網(wǎng)安全運行。

(3)在面對非常復雜的故障，或所診斷的狀態(tài)信息畸變率比較高時，診斷結果存在一定的局限性，因此未來對于這種局限性可以融合它類人工智能技術進行改進。