基于概率神經網絡的配電網故障區(qū)段定位建模

夏志雄，姚超楠

（廣東電網有限責任公司佛山高明供電局，廣東佛山 528000）

現(xiàn)階段，隨著電力需求的不斷增加，配電網遍布在城市的每一個角落，承擔著向用戶穩(wěn)定傳輸電能的重要任務。配電網信號覆蓋范圍大，敷設環(huán)境多變，運行條件復雜，因此配電網更加脆弱，在內外環(huán)境的干擾下，更容易發(fā)生斷電事故，因此迫切需要一種實用的方法，使其在智能化程度不高的情況下仍能定位故障。陳顥等人提出的基于改進遺傳算法的配電網絡拓撲動態(tài)故障區(qū)段定位和隔離模型設計方法，通過引入特定的適應度函數(shù)，在預測訓練數(shù)據的誤差最小化的情況下，計算訓練數(shù)據的個體適應值，以此確定了最佳適應度值與最佳個體之間的邏輯對應關系，結合BP 神經網絡獲取最佳訓練結果，初始分配權值并設定網絡閾值，由此輸出目標結果[1]；在非線性互補約束下，榮澤成等人提出的含DG 配電網故障定位方法。利用代數(shù)關系，構造了一種能適應多種DG 投切情況的轉換函數(shù)，采用非線性互補約束光滑化方法進行配電網故障定位[2]。盡管采用以上兩種方法可定位到配電網的故障區(qū)域，但是受噪聲干擾，無法實現(xiàn)故障區(qū)段的精確定位。針對這一問題，提出了一種基于概率神經網絡的配電網故障區(qū)段定位建模方法。

1 區(qū)段定位訓練

1.1 概率神經網絡的組成

概率神經網絡由4個層次組成，如圖1所示。

圖1 概率神經網絡結構

由圖1 可知，概率神經網絡結構的4 個層次詳細內容如下：

1）輸入層

輸入層負責接收數(shù)據樣本，樣本向量可表示為XT=(x1,x2,…,xi,…,xp)，神經元數(shù)量與樣本維度一致。

2）模式層

模式層負責用神經細胞進行輸入樣本匹配，同時計算輸入樣本與故障模式之間的匹配關系，此時的神經元數(shù)目與訓練樣本數(shù)目一致[3]。在(r=1～n)個模式層神經元中，輸入樣本X乘以權向量得到輸出Zr=XT·Wr，其中=(wr1,wr2,…,wri,…,wrp)。

模式層中的激活函數(shù)用下式代替概率神經網絡中的Sigmoid 激活函數(shù)：

假定X和Wr均經過歸一化處理，激活函數(shù)可以用下式表示：

3）求和層

求和層是獲得故障模式的估計概率密度函數(shù)，確定每一種故障類型只對應一個神經元，其數(shù)目等于失效模式數(shù)量，僅有模式層神經元失效次數(shù)相同[4]。

4）輸出層

輸出層由一個閾值鑒別式構成，它是競爭神經元的輸出信號，通過神經元的選擇驗證概率密度，每一故障模式輸出的估計概率密度函數(shù)與輸出神經元分布函數(shù)一致[5]。

1.2 區(qū)段定位訓練過程

結合概率神經網絡的組成拓撲結構，設計配電網故障區(qū)段定位訓練過程，其步驟如下所示：

步驟一：對網絡參數(shù)進行初始化，確定輸入值。

概率神經網絡的變化會引起網絡節(jié)點信息的變化，失效發(fā)生在故障點之前或之后，電流電壓幾乎在同一時間產生波動，因此可以選擇故障點前后各周期的電壓、電流信息[6]。當故障發(fā)生時，首先對數(shù)據進行預處理，生成包含所有節(jié)點信息的二維矩陣。三相電壓采集電流按時間和節(jié)點編號排列，構成一個二維矩陣，作為概率神經網絡的輸入[7-9]。

步驟二：通過配電網絡信息的變化來判斷故障發(fā)生時間，并將故障前后的周期性數(shù)據上傳[10]。

步驟三：監(jiān)控中心接收到的故障數(shù)據進行預處理，重新排列，生成故障矩陣，輸入網絡。

步驟四：與網上培訓同步增加一次。

步驟五：將損耗函數(shù)輸入實際故障區(qū)間或求出誤差值[11]。

步驟六：判定訓練次數(shù)是否達到預定值或達到最大訓練次數(shù)，則結束，不符合轉步驟七。

步驟七：該網絡參數(shù)由誤差反演調整，即全連接層概率神經元權值和偏置。

在配電網單相接地故障定位數(shù)據集訓練得到概率神經網絡網格模型故障數(shù)據，不斷優(yōu)化網絡模型，剔除受到噪聲干擾的冗余數(shù)據，不斷提高其泛化能力。

2 配電網故障區(qū)段定位建模

結合配電網故障區(qū)段定位訓練過程，構建配電網故障區(qū)段定位模型，故障定位建模流程的詳細內容為：

步驟一：在配電網中安裝有n條饋線的零序電流采集設備，可獲得單相接地故障時刻后1/2 周內的暫態(tài)零序電流數(shù)據，將采樣頻率設為10 kHz，得到每個電流序列采樣結果[12]。在第i條饋線上安裝了gi個零序電流采集終端，整個配電網共有G=采集終端，n表示饋線總量。因此可根據此形成故障暫態(tài)零序電流序列，第i條饋線中的第j個故障零序電流序列用i0(i,j)表示。

步驟二：給第i條饋線的gi個零序電流采集終端進行編號，最靠近母線處的編號為1，最靠近負荷終端的編號為gi；從母線往負荷終端方向依次編號，首先給主干線路的采集終端依次編號，用1,2,…,gk表示；然后給分支線路上的采集終端依次編號。假設第i條饋線有p條分支線路，則其分支線路上的故障指示器編號[13]依次為gi1,gi2,…,gip。

步驟三：以饋線i為例進行饋線i上的故障區(qū)段定位，分別將發(fā)生故障時饋線i上沿線測得的故障零序電流i0(i,1),i0(i,2),i0(i,3),…,i0(i,gi)進行小波變換并檢測其極小值。

步驟四：在配電網故障定位的互補松弛約束模型基礎上，確定最佳配電網故障區(qū)段，根據檢測到的極小值確定電流越限報警信息[14]。

在考慮饋線狀態(tài)的0/1 整數(shù)取值約束條件下，利用剩余值和最小化度量開關函數(shù)和電流越限信息之間的整體接近程度。用概率神經網絡方法求解配電網故障區(qū)間位置非線性整數(shù)規(guī)劃模型：

式（3）中，F(xiàn)表示配電網線路；x′(1)-x′(N) 表示配電網線路故障狀態(tài)信息；X′=[x′(1),x′(2),…,x′(N)] 表示配電網N條線路上出現(xiàn)故障情況的狀態(tài)向量[15]。

式（3）是一種具有離散變量0/1 的非線性整數(shù)規(guī)劃模型，可直接利用等效變換對算法進行優(yōu)化，并將其轉化為連續(xù)域上的模型，通過非線性規(guī)劃大大降低了模型求解的難度[16]。在連續(xù)空間內，對饋線故障的斥力判斷，判斷結果不能同時為0 或1，結合互補理論，將式（3）的離散變量0/1 非線性整數(shù)規(guī)劃約束條件，等價轉化為連續(xù)空間上的互補約束條件，其可表示為：

式（4）中，E表示N維單位列向量。

按照式（3）和式（4），確定連續(xù)域內配電網故障區(qū)段位置互補約束規(guī)劃模型：

步驟五：利用小波變換得到一組實際故障零序電流數(shù)據的極小值，采用已訓練好的概率神經網絡進行測試，可以得到故障區(qū)段的定位結果。這種方法可以避免分支線路帶來的影響，不受架空電纜混合線的影響。

3 仿真實驗

3.1 實驗環(huán)境與數(shù)據

為了驗證基于概率神經網絡的配電網絡故障區(qū)段定位建模方法的可行性，結合圖2 單電源配電網絡進行實驗驗證分析。

圖2 中的P1-P9 是配電網故障區(qū)段的饋線，S1是配電網中的斷路器，K2-K9 是各個區(qū)段的電路控制開關；Z1-Z5 是不同段饋線的控制區(qū)域，通過D1、D2 兩個節(jié)點連接。

圖2 單電源配電網

配電網絡收到斷路器監(jiān)控的報警信息后，從饋線中得到電流參數(shù)。在這些故障中，配網故障可能是由斷路器故障引起的，同理也能利用K2-K9 識別。設備因果關系如表1 所示。

根據表1 信息，確定故障段，如表2 所示。

表1 設備因果關系

表2 故障區(qū)段定位結果

3.2 實驗結果與分析

利用改進的遺傳算法、非線性互補約束與概率神經網絡故障區(qū)段定位建模方法的對比分析故障信號定位結果，如圖3 所示。

由圖3 可知，使用改進的遺傳算法后故障信號在P1-P9 故障信號段內，波動范圍為0.1～0.7，波動具有一定規(guī)律性。使用非線性互補約束方法后故障信號在P1-P9 段內波動范圍為0.2～0.8，并在P5 后該值維持在0.2 左右。使用概率神經網絡方法在P1-P9故障信號段內，故障信號波動范圍從0.8 下降到0.2，并保持0.2 不變，這與實際故障信號波動范圍一致，因此該方法具有較高的定位精準度。

圖3 三種方法故障信號定位結對比分析

4 結束語

文中提出了一種基于概率神經網絡的配電網故障區(qū)間定位建模方法，構造的故障區(qū)段互補松弛約束模型及故障區(qū)段位置互補約束規(guī)劃模型適合于大規(guī)模配電網饋線故障定位。該方法充分利用配電網絡中的多源信息數(shù)據，解決了傳統(tǒng)故障測距方法定位精準度低的問題。