朱俊敏，景利學(xué)，饒克克

(蘭州交通大學(xué)自動化與電氣工程學(xué)院，甘肅 蘭州 730070)

1 引言

電網(wǎng)故障診斷對于事故后系統(tǒng)快速恢復(fù)正常運行具有重要意義。作為事故恢復(fù)的第一步，應(yīng)實現(xiàn)快速準確的故障診斷以隔離故障元件，然后采取相應(yīng)的措施以恢復(fù)供電［1］。電網(wǎng)故障診斷一般基于SCADA系統(tǒng)所提供的保護和斷路器信息來判別電網(wǎng)中的故障元件，多種人工智能方法已用于電網(wǎng)故障診斷［2，3］。神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和較強的容錯能力，但使用最為廣泛的BP神經(jīng)網(wǎng)絡(luò)具有收斂速度慢，易陷于局部最優(yōu)等不足［4］，因此本文將小波神經(jīng)網(wǎng)絡(luò)引入電網(wǎng)的故障診斷。

2 小波神經(jīng)網(wǎng)絡(luò)原理

2.1 小波神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

小波神經(jīng)網(wǎng)絡(luò)分為松散型和緊湊型。前者利用小波進行故障特征提取，然后將所得數(shù)據(jù)輸入到神經(jīng)網(wǎng)絡(luò);后者是目前研究小波神經(jīng)網(wǎng)絡(luò)的文獻中廣泛采用的結(jié)構(gòu)形式，其結(jié)構(gòu)如圖1所示，它用小波函數(shù)代替常規(guī)神經(jīng)網(wǎng)絡(luò)隱含層Sigmoid函數(shù)作為激活函數(shù)，相應(yīng)的神經(jīng)網(wǎng)絡(luò)的輸入層到隱含層的權(quán)值及隱含層閾值分別由小波函數(shù)的尺度參數(shù)和平移參數(shù)代替，它充分繼承了小波分析和神經(jīng)網(wǎng)絡(luò)兩者的優(yōu)點，能夠自適應(yīng)地調(diào)整小波基的形狀，具有良好的函數(shù)逼近能力和模式分類能力［4］。為提高故障識別效率，本文選用了緊湊型小波神經(jīng)網(wǎng)絡(luò)。

圖1 小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

隱含層激活函數(shù)如式(1):

網(wǎng)絡(luò)輸出如式(2):

參數(shù)aij，bij在網(wǎng)絡(luò)學(xué)習(xí)中與輸出權(quán)值ωij一起通過某種算法進行修正。該小波神經(jīng)網(wǎng)絡(luò)類似于RBF神經(jīng)網(wǎng)絡(luò)，但可以借助于小波分析理論，指導(dǎo)網(wǎng)絡(luò)的初始化和參數(shù)選取，使網(wǎng)絡(luò)具有較簡單的拓撲結(jié)構(gòu)和較快的收斂速度［4］。

2.2 網(wǎng)絡(luò)的節(jié)點數(shù)的選擇

如果小波神經(jīng)網(wǎng)絡(luò)的輸入層有p個神經(jīng)元，對于電網(wǎng)故障診斷問題來講，p等于電力網(wǎng)絡(luò)中所有保護繼電器和斷路器的總數(shù)，這些繼電器和斷路器的狀態(tài)作為神經(jīng)網(wǎng)絡(luò)的輸入。假設(shè)有M個訓(xùn)練樣本，那么訓(xùn)練樣本集可以表示為x(t)∈Rp，t=1，…，N。假設(shè)所診斷的電網(wǎng)中共有N個元件，如輸電線路、母線和變壓器等，確定這些元件的狀態(tài)為故障或正常是診斷的最終目的，則小波神經(jīng)網(wǎng)絡(luò)輸出層的神經(jīng)元數(shù)目為q=N。隱含層節(jié)點的選擇可參考文獻［4］中的經(jīng)驗公式。

2.3 網(wǎng)絡(luò)的學(xué)習(xí)算法

小波神經(jīng)網(wǎng)絡(luò)主要是將多層感知器神經(jīng)網(wǎng)絡(luò)中隱含層Sigmoid函數(shù)替換成小波函數(shù)Ψ(t)，本文中采用Morlet小波函數(shù)如圖2所示。

圖2 Morlet小波函數(shù)

設(shè)輸入向量為x=［x1，x2，…，xp］T，輸出向量為y=［y1，y2，…，yq］T，輸出向量的期望值為d=［d1，d2，…，dq］T，輸出層到隱含層的權(quán)值為 ωij，隱含層到輸出層的權(quán)值為ωjk伸縮參數(shù)和平移參數(shù)分別為aj和bj，假設(shè)隱含層神經(jīng)元為h，則i=1，2，…，q，j=1，2，…，h，k=，2，…，p。

網(wǎng)絡(luò)訓(xùn)練過程基于BP思想，按梯度下降法調(diào)整網(wǎng)絡(luò)權(quán)值，文中選擇訓(xùn)練誤差為10－3。

3 電網(wǎng)故障診斷仿真

將一個簡單的4母線電力網(wǎng)絡(luò)用作測試系統(tǒng)，如圖3所示。系統(tǒng)共有9個元件:4條母線B1～B4，一臺變壓器T1和4條輸電線路L1～L4。在仿真過程中，只考慮簡化的保護配置系統(tǒng)，即包括輸電線路主保護MLP和后備保護BLP，母線主保護MBP和變壓器主保護 MTP［5］。

圖3 測試電網(wǎng)結(jié)構(gòu)圖

在計算機仿真中，M=40，即有40種典型故障樣本。對每種故障樣本，所有繼電器和斷路器的狀態(tài)(0或1)作為神經(jīng)網(wǎng)絡(luò)的輸入，即p=33。9個系統(tǒng)元件的狀態(tài)是神經(jīng)網(wǎng)絡(luò)的輸出，即q=9。如果神經(jīng)網(wǎng)絡(luò)的某個輸出接近1，則認為相應(yīng)元件故障。通過式(3)可得，h=19，通過試湊，最終確定h=24。

以母線4故障說明神經(jīng)網(wǎng)絡(luò)的診斷輸出。如果母線4的主保護MBP4拒動，相應(yīng)的后備保護BLP2和正確動作BLP8，進而跳開斷路器CB2和CB8以隔離母線4，基于小波神經(jīng)網(wǎng)絡(luò)的計算輸出和期望輸出的偏差為5.7×10－29，可見，該方法具有很好的診斷效果。

表1 電網(wǎng)故障測試樣本

為了檢驗小波神經(jīng)網(wǎng)絡(luò)的泛化能力，選取訓(xùn)練樣本以外的故障情況作為測試樣本。部分測試樣本如表1所示［5］，相應(yīng)的診斷結(jié)果如表2所示。如果輸出向量的某一分量大于0.5，則表示相應(yīng)的元件故障。

表2 小波神經(jīng)網(wǎng)絡(luò)測試樣本診斷輸出

由表2可見，小波神經(jīng)網(wǎng)絡(luò)具有很好的故障診斷能力。

采用BP神經(jīng)網(wǎng)絡(luò)進行電網(wǎng)故障診斷，選取學(xué)習(xí)因子η=0.1，動量因子α=0.5，訓(xùn)練誤差為10－3。以與小波神經(jīng)網(wǎng)絡(luò)同樣的樣本對BP網(wǎng)絡(luò)進行訓(xùn)練和測試，所得結(jié)果表3所示。

表3 小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)故障診斷比較

由表3可見，在同樣的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練誤差下，小波神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有更好的故障診斷能力。

4 結(jié)語

在電網(wǎng)故障診斷中引入小波神經(jīng)網(wǎng)絡(luò)并進行了仿真分析，結(jié)果表明該方法具有很好的故障診斷能力。與BP神經(jīng)網(wǎng)絡(luò)進行對比表明，小波神經(jīng)網(wǎng)絡(luò)在電網(wǎng)故障診斷中不論從診斷速度還是診斷精度上都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

［1］ 畢天姝，倪億信，吳復(fù)立，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊控制系統(tǒng)的電網(wǎng)故障診斷新方法［J］.中國電機工程學(xué)報，2005，25(14):12－18.

［2］ 林圣，何正友，錢清泉.基于人工免疫算法的輸電線路故障類型識別新方法［J］.電力系統(tǒng)保護與控制，2011，39(11):95 －101.

［3］ 李東敏，劉志剛，蘇玉香，等.基于多小波包和人工神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)故障類型識別［J］.電力自動化設(shè)備，2009，29(1):99 －103.

［4］ 田雨波.混合神經(jīng)網(wǎng)絡(luò)技術(shù)［M］.北京:科學(xué)出版社，2009.

［5］ 畢天姝，倪億信，吳復(fù)立，等.基于新型神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法［J］.中國電機工程學(xué)報，2002，22(2):73 －78.