劉曉琴， 王大志， 張翠玲， 江雪晨， 寧 一

（1.東北大學信息科學與工程學院，遼寧沈陽110819；2.遼寧石油化工大學信息與控制工程學院，遼寧撫順113001）

電網(wǎng)規(guī)模日益擴大，其復雜性不斷提高，獲取的實時數(shù)據(jù)規(guī)模也越來越大，遠遠超出了技術人員的處理能力，且故障時繼電保護和斷路器的拒動、誤動以及信息上傳過程中的丟失、畸變等增加了技術人員分析判斷故障的難度。研究和開發(fā)故障診斷系統(tǒng)給技術人員判斷故障和動態(tài)監(jiān)控系統(tǒng)提供必要條件［1］。電網(wǎng)發(fā)生故障時，快速、準確地診斷系統(tǒng)故障對于電網(wǎng)安全運行具有重要意義。

故障診斷方法如專家系統(tǒng)、人工神經(jīng)網(wǎng)絡、基于優(yōu)化的方法以及由于信息的不確定性和不完備而采取的基于模糊集、信息理論、粗糙集的方法等已用于研究電力系統(tǒng)故障診斷。文獻［2］引入信息理論來研究電力系統(tǒng)故障過程中的不確定性，提出了基于信息損失最小的電網(wǎng)故障診斷原理，研究了電網(wǎng)故障診斷過程中信息損失的規(guī)律。單一的智能方法在電力系統(tǒng)故障診斷存在局限性，多種智能方法優(yōu)化已經(jīng)用于電力系統(tǒng)的故障診斷［3］。文獻［4］提出小波對電流量進行分解，將分解到小波系數(shù)輸入到PNN 神經(jīng)網(wǎng)絡。文獻［5］推導并建立了RBF 神經(jīng)網(wǎng)絡和模糊控制系統(tǒng)之間的等值關系，使得蘊含在RBF神經(jīng)網(wǎng)絡權重中的知識轉(zhuǎn)變?yōu)榈戎的：刂葡到y(tǒng)中用語言表述的規(guī)則，提出RBF神經(jīng)網(wǎng)絡的局部重新訓練新算法。文獻［6］用模糊算法實現(xiàn)RBF神經(jīng)網(wǎng)絡的局部優(yōu)化。文獻［1］對上述幾種方法的優(yōu)缺點進行了評價。

以訓練小波BP網(wǎng)絡為例來說明用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡的思想與方法。用母小波取代傳統(tǒng)的Sigmoid函數(shù)，所建的小波神經(jīng)網(wǎng)絡具有更強的非線性逼近能力。用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡，可以使得神經(jīng)網(wǎng)絡具有自進化、自適應能力，從而構造出進化的小波神經(jīng)網(wǎng)絡，它主要包括3個方面的進化：連接權的進化，網(wǎng)絡結構的進化和尺度函數(shù)、位置函數(shù)的進化。提出用遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡的目的是能夠提高收斂速度和診斷準確率。

1 故障診斷系統(tǒng)的總體構成

1.1 算法原理

從小波神經(jīng)網(wǎng)絡的模型可得到：

式（1）中，隱層第m 個節(jié)點的閾值為θm；輸出層第j個節(jié)點的閾值為θj。P 是輸入樣本總數(shù)，式（1）計算可得輸出層第j 個節(jié)點，第p（p＝1，2，…，P）個樣本的輸出，即opj，＾opj是其目標輸出值，誤差能量函數(shù)定義表達式為：

I，M，J 分別是神經(jīng)網(wǎng)絡的輸入、隱層和輸出層神經(jīng)元個數(shù)。在小波神經(jīng)網(wǎng)絡中，電力網(wǎng)絡中所有繼電器和斷路器的總數(shù)等于I，這些繼電器和斷路器的狀態(tài)（0或1）作為神經(jīng)網(wǎng)絡的輸入信號；電力網(wǎng)絡中系統(tǒng)元件等于J，這些元件的狀態(tài)（故障或完好）是診斷的目標。

1.2 小波神經(jīng)網(wǎng)絡結構優(yōu)化

在采用小波神經(jīng)網(wǎng)絡構建故障診斷系統(tǒng)中，層間的權值、尺度參數(shù)、位置參數(shù)使用遺傳算法優(yōu)化［7－8］。依次排好尺度參數(shù)、位置參數(shù)和權值順序，按一定編碼規(guī)則生成染色體，把染色體解碼后的各權值、尺度參數(shù)、位置參數(shù)代入診斷系統(tǒng)后，把實際輸出與期望輸出的差值相關的函數(shù)定義為適應度函數(shù)，當條件滿足時停止遺傳。適應度最高的染色體所對應的各權值、尺度參數(shù)、位置參數(shù)是故障診斷系統(tǒng)算法的全局最優(yōu)解［9－10］。

2 計算機仿真結果

2.1 算例

圖1 所示線路系統(tǒng)引用文獻［11］，有28 個元件、40個斷路器和84個保護。

圖1 系統(tǒng)線路圖Fig.1 System circuit diagram

用S1—S28表示元件編號：Al，…，A4；Bl，…，B8；Tl，…，T8；Ll，…，L8。C1—C40表示斷路器編號：QFl，QF2，…，QF40。84個保護中，36個為主保護，48 個為后備保護。36 個主保護依次編號為（r1—r36）：Alm，…，A4m；Blm，…，B8m；T1m，…，T8m；L1Sm，L1Rm，…，L8Sm，L8Rm。r37—r84表示48 個后備保護：L1Sp，L1Rp，…，L8Sp，L8Rp；T1p，…，T8p；L1Ss，L1Rs，…，L8Ss，L8Rs；Tls，…，T8s。

母線用A 和B 表示，變壓器用T 表示，線路用L 表示。S 表示線路發(fā)送端，R 表示線路接受端。主保護用下標m 表示，第一后備保護用p表示，第二后備保護用s表示。研究故障元件在故障區(qū)域的情況，即故障區(qū)域己經(jīng)明確。

2.2 仿真結果分析

以A3故障為例說明仿真過程

（1）識別故障區(qū)域

當系統(tǒng)發(fā)出警報信號：保護T5s、T6s動作，斷路器CB22、CB23、CB24，CB25跳閘形成故障區(qū)域。

根據(jù)跳閘斷路器形成的故障區(qū)域中，需要進行故障診斷的元件為A3、B5，B6依次編號為（s1—s3），10個斷路器（CB21—CB30）依次編號為（c1—c10），5個保護（A3m、B5m、B6m、T5S、T6S）依次編號為（r1—r5）。

（2）4個元件的保護動作原理

動作原理分別如表1、表2所示。

表1 主保護原理Table 1 The main protection principle

表2 第二后備保護原理Table 2 The second backup protection principle

（3）確定各個保護和斷路器實際狀態(tài)向量

（4）保護和斷路器期望狀態(tài)向量的確定

保護和斷路器的實際狀態(tài)向量是根據(jù)警報條件是從故障診斷圖形數(shù)據(jù)庫中讀出的。實際狀態(tài)向量如式（3）所示：

優(yōu)化目標函數(shù)是根據(jù)保護動作原理及關聯(lián)分析形成的，主保護期望狀態(tài)如式（5）所示：

保護實際狀態(tài)向量如式（4）所示：

第二后備保護的期望狀態(tài)如式（6）所示：

由保護觸發(fā)的斷路器的期望狀態(tài)如式（7）所示：

（5）算法參數(shù)的設置

用計算機進行仿真，在35種典型故障案例中，3種復雜故障作為訓練樣本（N＝3）。故障診斷系統(tǒng)的輸入（X＝124）選用保護和斷路器的狀態(tài)（0 或1），輸出（O＝28）對應28個元件的狀態(tài)。

種群規(guī)模：m＿nPopSize＝40；

染色體長度：m＿nChromLength＝4；

最大進化代數(shù)：m＿nMaxGeneration＝10；

交叉概率：m＿PCross＝0.9；

變異概率：m＿PMutation＝0.01。

用輪盤賭方法選擇算子隨機產(chǎn)生一個［0，1］之間的值，作為輪盤賭的選擇指針，選擇概率是個體適應度除以累計適應度的商，交叉算子采用單點交叉方式。

對于給定的訓練樣本，循環(huán)收斂于最優(yōu)結構，即小波神經(jīng)網(wǎng)絡具有13個隱含層。為檢驗故障診斷系統(tǒng)的泛化能力，測試樣本選取了不存在于訓練樣本集的3個測試樣本，如表3所示。

表3 故障樣本Table 3 The fault samples

表4 混合故障診斷系統(tǒng)對于測試樣本的診斷輸出Table 4 The test sample output of hybrid fault diagnosis system

2.3 與神經(jīng)網(wǎng)絡診斷結果比較

采用BP 算法的神經(jīng)網(wǎng)絡構建故障診斷系統(tǒng)，與小波網(wǎng)絡進行比較，結果如表4、5所示。小波網(wǎng)絡和BP網(wǎng)絡都設定最大容許誤差為10－6，學習率是0.05，動量因子是0.98。令BPNN 也具有最優(yōu)的神經(jīng)網(wǎng)絡結構，對應的誤差收斂曲線如圖2所示。圖2（a）所示是誤差達不到10－6，圖2（b）所示曲線雖然收斂但誤差達到0.000 3，與優(yōu)化算法的最大誤差相比較大。

表5 BPNN 神經(jīng)網(wǎng)絡對測試樣本的輸出Table 5 The test sample output of BPNN network

3 結論

小波和神經(jīng)網(wǎng)絡相結合構成故障診斷系統(tǒng)，遺傳算法優(yōu)化該小波神經(jīng)網(wǎng)絡的結構、連接權值、參數(shù)。在算例測試系統(tǒng)的計算機仿真結果表明，混合故障診斷系統(tǒng)優(yōu)于BP 神經(jīng)網(wǎng)絡方法，能夠較好地解決故障診斷問題。

圖2 BPNN 收斂曲線Fig.2 BPNN convergence curve

［1］ McArthur S D，Davidson E M，Hossack J A，et a1.Automating power system fault diagnosis through multi－agent system［C］.Proceedings of the 37th Annual Hawaii lnternational Conference on System Sciences，USA：［s.n.］，2004.

［2］ Gao Zhanjun，Chen Qing，Cheng Tingting，et al.A uniform information model for power grid fault diagnosis［J］.Automation of Electric Power Systems，2010，34，49－52.

［3］ Cardosog J.Application of neural－network modules to electric power system fault section estimation［J］.IEEE Trans on Power Delivery，2004，19（3）：1034－l041.

［4］ 楊光亮，樂全明，郁惟鏞，等.基于小波神經(jīng)網(wǎng)絡和故障錄波數(shù)據(jù)的電網(wǎng)故障類型識別［J］.中國電機工程學報，2006，26（10）：99－103.

［5］ 畢天姝，倪以信，吳復立，等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡和模糊控制系統(tǒng)的電網(wǎng)故障診斷新方法［J］.中國電機工程學報，2005，25（14）：12－18.

［6］ Mahanty R N.Dutta Gupta P B.Application of RBF neural network to fault classification and location in transmission lines［J］.IEE Proceedings on Generation，Transmission and Distribution，2004，151（2）：201－212.

［7］ Maria Paula da Costa Couto.Review of input determination techniques for neural network models based on mutual information and genetic algorithms［J］.Neural Comput ＆Applic，2009，16（18）：891－901.

［8］ Nameer Eman N E，Rasheed A S.Computing an adaptive mesh in fluid problems neural network and genetic algorithm with adaptive relaxation［J］.International Journal on Artificial Intelligence Tools，2008，17（6）：1089－1108.

［9］ 張玉祥.小波神經(jīng)網(wǎng)絡遺傳算法及其在礦山壓力預報中的應用［J］.中國有色金屬學報，1999，9（2）：448－452.

［10］ 周立群，張曉琴，李書臣，等.基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡容錯控制算法［J］.石油化工高等學校學報，2011，24（3）：95－98.

［11］ 文福拴，韓禎祥.基于遺傳算法和模擬退火算法的電力系統(tǒng)故障診斷［J］.中國電機工程學報，1994，14（3）：29－35.