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。
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。
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。
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
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。
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
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)
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
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。
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。
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。
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。
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。
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。