基于排列熵及PSOBP的混合配電網(wǎng)故障診斷*

齊沛鋒 韓 笑 丁煜飛 夏寅宇 汪繆凡

（南京工程學(xué)院 南京 211167）

1 引言

隨著配電網(wǎng)網(wǎng)絡(luò)結(jié)構(gòu)變得越來越復(fù)雜，準(zhǔn)確的識別故障類型并及時(shí)切除故障對于電力系統(tǒng)穩(wěn)定性和可靠性有重要影響。城市的發(fā)展使得配電網(wǎng)絡(luò)的結(jié)構(gòu)也越來越復(fù)雜，為了減少占地面積，電纜線路被更多應(yīng)用在城鎮(zhèn)的配電系統(tǒng)中，由此形成了架空線-電纜線路混合的配電網(wǎng)絡(luò)，這種線路由于連接點(diǎn)波阻抗不一致，行波會在連接點(diǎn)、線路末端進(jìn)行多次的折反射，給繼電保護(hù)系統(tǒng)帶來了挑戰(zhàn)。

目前常用的故障類型識別的方法多是基于工頻量和暫態(tài)量，然后適用信號處理的方法提取特征向量。文獻(xiàn)［1］用小波變換分解電壓信號，計(jì)算電壓信號的小波奇異熵，并結(jié)合改進(jìn)的免疫網(wǎng)絡(luò)進(jìn)行故障分類。暫態(tài)量故障處理方法是先對采集的信號進(jìn)行處理，進(jìn)而對故障類型進(jìn)行判別，可以免受工頻因素的影響。文獻(xiàn)［2］使用經(jīng)驗(yàn)?zāi)B(tài)分解算法從暫態(tài)分量電流中提取直流電流，沒有充分提取信號的特征。文獻(xiàn)［3］使用小波工具箱對三相電流信號進(jìn)行處理，分析暫態(tài)信號的變化特性來判定不同故障類型的故障相。但小波變換只是對固定頻率的信號的進(jìn)行處理，不能完整地反映信號的特性，而且小波基的選擇不具有一定的標(biāo)準(zhǔn)，因此結(jié)果準(zhǔn)確率不能夠完全保證。排列熵是一種信號處理的常用方式，可以有效反映時(shí)間信號的復(fù)雜程度，已經(jīng)廣泛應(yīng)用在機(jī)械故障診斷等領(lǐng)域［4～7］，十分適合應(yīng)用于故障發(fā)生后故障相的信號復(fù)雜度分析。

隨著科學(xué)技術(shù)的不斷發(fā)展，越來越多深度算法出現(xiàn)在了故障判別領(lǐng)域，其主要是先建立故障位置和某種故障參數(shù)的非線性關(guān)系，將多次測量的故障參數(shù)組成數(shù)據(jù)樣本，在人工智能模型中進(jìn)行訓(xùn)練和尋優(yōu)，直到確定故障的位置。文獻(xiàn)［8］使用故障錄波器數(shù)據(jù)中的各類數(shù)據(jù)，構(gòu)建故障判別體系，并在數(shù)據(jù)挖掘過程種使用粗神經(jīng)網(wǎng)絡(luò)進(jìn)行大數(shù)據(jù)的分析，確定出線路的故障類型。文獻(xiàn)［9］使用向量積對高壓直流系統(tǒng)故障類型分類，能夠準(zhǔn)確識別6種故障類型，但是識別故障類型不夠完整。文獻(xiàn)［10］將故障電壓信號經(jīng)過EMD（經(jīng)驗(yàn)?zāi)B(tài)分解）得到的矩陣輸入到LS-SVM分類器中，但經(jīng)驗(yàn)?zāi)B(tài)分解具有一定的端點(diǎn)效應(yīng)和模態(tài)重疊，會對結(jié)果有一定的影響。文獻(xiàn)［11］應(yīng)用在三端直流輸電網(wǎng)絡(luò)中，將采集到的電壓故障行波信號進(jìn)行小波包分解得到不同頻段的小波包能量作為樣本參數(shù)，通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性擬合，經(jīng)過多次迭代訓(xùn)練輸出故障位置。文獻(xiàn)［12］通過推到電壓行波的衰減特性，得到線模電壓和0模電壓的模極大值和故障位置的關(guān)系，把不同小波尺度下的模量比值組成特征向量，解決了現(xiàn)有故障測距方法對行波波頭難以檢測的問題。

針對原來故障定位方案不適應(yīng)架空線-電纜混合線路的問題，提出了一種數(shù)字信號處理和深度學(xué)習(xí)算法相結(jié)合的新型混合線路故障定位方法。先求取故障發(fā)生后一個(gè)周期內(nèi)三相電壓信號的排列熵的值，將訓(xùn)練集樣本輸入到模擬退火算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)中，實(shí)現(xiàn)對故障相的精確識別。

2 新型配電系統(tǒng)故障分析及特征量提取

2.1 新型配電網(wǎng)系統(tǒng)結(jié)構(gòu)

研究的電纜-架空線混合配電網(wǎng)系統(tǒng)模型如圖1所示。額定頻率50Hz，左側(cè)為架空線路L1長度為50km，右側(cè)為電纜線路L2長度為10km。在0.2s時(shí)，分別在距離左側(cè)電源10km、20km、30km和40km處設(shè)置10種故障，持續(xù)時(shí)間為0.05s，采樣頻率為10kHz，每種故障設(shè)置不同的過渡電阻，過渡電阻為10Ω～100Ω。

圖1 混合配電網(wǎng)短路故障示意圖

2.2 故障特征的分析

單相接地故障時(shí)，故障相的電壓明顯降低，正常相電壓有較小幅度的下降；相間故障時(shí)，故障的兩相電壓下降十分明顯且下降一致，非故障相電壓略微下降；三相故障時(shí)，電壓均有很大程度的下降；兩相接地故障時(shí)，故障相電壓下降十分明顯，非故障相電壓基本不變。在左側(cè)電源信號接收處采集故障發(fā)生后一段時(shí)間內(nèi)的三相電壓信號，并對其進(jìn)行分析。

3 算法原理

3.1 排列熵

排列熵算法適用于一維信號的分析，可以為一維信號劃分成信號矩陣，對分析突變信號和提取微弱信號有很好的效果，在機(jī)械震動故障識別領(lǐng)域已經(jīng)有廣泛的應(yīng)用。對于暫態(tài)故障信號的突變特征，可用排列熵算法進(jìn)行識別。

3.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)主要分為三層網(wǎng)絡(luò)和兩條傳播路徑。BP神經(jīng)網(wǎng)絡(luò)的關(guān)鍵在于它會根據(jù)輸出的結(jié)果和真實(shí)值的偏差，經(jīng)過隱含層到輸入層，不斷更新各層的偏差的閾值，經(jīng)過不斷迭代后，使得誤差限定在一定范圍內(nèi)，該網(wǎng)絡(luò)的故障識別準(zhǔn)確率較高，已經(jīng)被大量應(yīng)用在各個(gè)故障識別的領(lǐng)域中［13～15］。

3.3 模擬退火算法

模擬退火算法作為一種效果很好的隨機(jī)搜索的算法，已經(jīng)廣泛被應(yīng)用在圖像識別和神經(jīng)網(wǎng)絡(luò)中［16～21］。它可以在參數(shù)尋優(yōu)過程中，在一定的概率上找到準(zhǔn)確率更高的解，可以提高模型的準(zhǔn)確率。

4 線纜混合線路故障判別方法

線纜混合線路故障判別流程如圖2所示，首先在混合線路的一端采集三相電壓信號，然后共設(shè)置10種故障狀態(tài)，每種故障狀態(tài)有40組故障樣本，每組故障樣本分別求取其A，B，C三相電壓在發(fā)生故障后一個(gè)周期內(nèi)的排列熵，研究在不同的故障位置和過渡電阻的情況下，故障相和非故障相排列熵值的差別，說明該特征向量的可靠性。再從得到特征向量中隨機(jī)抽取380組數(shù)據(jù)作為訓(xùn)練樣本，其余的20組作為測試樣本集。將訓(xùn)練樣本輸入到參數(shù)優(yōu)化后的BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，并驗(yàn)證該模型的可行性。

圖2 線纜混合線路故障判別流程圖

5 算法驗(yàn)證

5.1 建立故障類型識別系統(tǒng)

前面所述，通過仿真得到以下數(shù)據(jù)集，共400組，其中隨機(jī)抽取380組數(shù)據(jù)作為數(shù)據(jù)樣本，剩余20組數(shù)據(jù)作為測試樣本。其中故障點(diǎn)位置分別設(shè)置在距離左側(cè)電源10km～40km范圍內(nèi)，為探究過渡電阻對故障類型判別的影響，過渡電阻范圍設(shè)置為10Ω～100Ω，以10Ω的層級遞增。故障類型設(shè)置為兩相短路、兩相接地短路、單相接地和三相短路共10種故障類型，見表1。

表1 訓(xùn)練樣本參數(shù)取值

5.2 數(shù)據(jù)分析

5.2.1 不同故障位置對故障選相的影響

將相同過渡電阻，不同故障位置的數(shù)據(jù)樣本輸入到PSOBP模型中，取故障電阻為50Ω，故障位置為距離左側(cè)電源從10km～40km，數(shù)據(jù)樣本是故障發(fā)生后三相電壓數(shù)據(jù)。下面對四種故障類型的數(shù)據(jù)進(jìn)行分析，樣本數(shù)據(jù)見表2。

表2 不同故障位置對故障相識別的結(jié)果

通過上表可以明顯看出，發(fā)生故障相的數(shù)據(jù)的排列熵值更大，故障發(fā)生在不同的位置時(shí)，故障相的排列熵一般在0.8～0.9，非故障相的排列熵一般在0.3～0.6的范圍內(nèi)，而排列熵是用來衡量時(shí)間序列的復(fù)雜度，也說明故障相的電壓數(shù)據(jù)更加復(fù)雜。

5.2.2 不同過渡電阻對故障選相的影響

將相同故障位置，不同過渡電阻的樣本輸入到PSOBP模型中，取故障位置為距左側(cè)電源10km，過渡電阻取值范圍為10Ω～100Ω之間，數(shù)據(jù)樣本是故障發(fā)生后一個(gè)周期內(nèi)的三相電壓數(shù)據(jù)。下面對四種故障類型的數(shù)據(jù)進(jìn)行分析，樣本數(shù)據(jù)見表3。

表3 不同過渡電阻對故障相識別的結(jié)果

從上面可以看出，發(fā)生在不同的過渡電阻時(shí)，尤其是在高阻抗發(fā)生三相接地的情況最為嚴(yán)重，此時(shí)三相的排列熵值都很大，可以反映信號的復(fù)雜程度。從表中還可以看出，故障相的排列熵的值都比較大，在0.9以上，非故障相的排列熵的值在0.4～0.7之間。

從以上兩種情況，非故障相排列熵值一般在0.3～0.7之間，故障相排列熵一般在0.8～1之間，正常情況下排列熵值為0.441，介于非故障相排列熵值之間，可以看出在不同故障位置和不同過渡電阻的情況下，故障相和非故障相的差別。

5.2.3 PSO優(yōu)化后的BP網(wǎng)絡(luò)及算法比較

優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)適應(yīng)度函數(shù)如圖3所示，將測試樣本輸入到優(yōu)化后的神經(jīng)為網(wǎng)絡(luò)結(jié)果如圖4所示。為驗(yàn)證該方法的準(zhǔn)確性，將排列熵的值分別輸入到BP神經(jīng)網(wǎng)絡(luò)，決策樹和隨機(jī)森林網(wǎng)絡(luò)中，比較其識別故障的準(zhǔn)確性；另外將故障分量能量系數(shù)輸入到PSOBP神經(jīng)網(wǎng)絡(luò)中，通過表4中的準(zhǔn)確率比較可知，在輸入特征向量均為排列熵的情況下，PSOBP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率比決策樹，BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林都要高；當(dāng)輸入特征向量分別為排列熵和能量分量系數(shù)時(shí)，但都經(jīng)過PSOBP神經(jīng)網(wǎng)絡(luò)中，排列熵和PSOBP神經(jīng)網(wǎng)絡(luò)的組合要比能量分量系數(shù)的組合準(zhǔn)確率高出4%，其準(zhǔn)確率識別結(jié)果見表4。

圖3 適應(yīng)度曲線圖

圖4 PSO-BP分類結(jié)果

表4 不同算法的識別準(zhǔn)確率比較

6 結(jié)語

提出了一種排列熵和BSOBP神經(jīng)網(wǎng)絡(luò)相結(jié)合的混合線路故障診斷新方法，以三相電壓信號的排列熵作為輸入樣本，在不同過渡電阻和故障位置下的情況下，可以精準(zhǔn)實(shí)現(xiàn)對故障的診斷。經(jīng)過模擬退火優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，與常見的故障診斷方法相比，故障識別準(zhǔn)確率大大提升。