摘 要：目前，學(xué)者提出的關(guān)于故障類型鑒別的方法主要是關(guān)于輸電線路的研究，而對于配電網(wǎng)的研究相對很少。傳統(tǒng)的方法主要是利用設(shè)定閥值進(jìn)行故障類型識別，此方法雖然簡單，但是此處的閥值的確定又是一個(gè)難題。因此本文提出一種基于小波包與改進(jìn)神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障類型識別方法，利用小波包技術(shù)提取故障信號，再將信息轉(zhuǎn)換為能量并進(jìn)行歸一化處理作為改進(jìn)神經(jīng)網(wǎng)絡(luò)的輸入特征向量。再利用Matlab搭建模型對文章所提出的方法進(jìn)行仿真測試。測試結(jié)果表明，本文所提出的方法能夠快速、準(zhǔn)確地識別出故障類型。

關(guān)鍵詞：小波包分析；神經(jīng)網(wǎng)絡(luò)；配電網(wǎng)；故障類型識別

4 配電網(wǎng)故障系統(tǒng)的仿真

如圖2是在MATPAB軟件的simulink環(huán)境中搭建的簡單配電網(wǎng)故障類型識別的模型。母線電壓為10kV，故障發(fā)生時(shí)間為1/60到5/60秒，系統(tǒng)的仿真時(shí)間為0.2s。該系統(tǒng)中運(yùn)行的頻率為50Hz，在系統(tǒng)中線路采用分布式參數(shù)模型。線路的正序電阻R1=0.01273Ω，正序電感L1=0.9337×10-3H，正序電容C1=12.74×10-9F。零序電阻電感電容分別為R0=0.3864Ω，L0=4.1264×10-3H，C0=7.751×10-9F。負(fù)載的有功功率為10kW，感性無功功率為100var。

在十種不同的故障模式下，設(shè)置故障時(shí)不同的接地電阻來獲得更多的故障數(shù)據(jù)，可以分別取故障電阻為5Ω，10Ω，50Ω，100Ω，300Ω，故障時(shí)的位置可以設(shè)在10%處，25%處，50%處，75%處和線路的末端，得到改進(jìn)BP網(wǎng)絡(luò)的部分故障訓(xùn)練數(shù)據(jù)見表1所示。

神經(jīng)網(wǎng)絡(luò)選用S型函數(shù)，輸入層的神經(jīng)元個(gè)數(shù)為故障時(shí)ABC三相經(jīng)小波包分解重構(gòu)并歸一化后組成的能量特征量。隱藏層個(gè)數(shù)用經(jīng)驗(yàn)公式求得，k=（m+n）1/2+a，k為隱藏層個(gè)數(shù)，n和m分別代表輸入層個(gè)數(shù)和輸出層個(gè)數(shù)，a是一個(gè)常數(shù)，取一到十之間。輸出層為[A B C G]。當(dāng)某個(gè)變量的值為1時(shí)表示該相發(fā)生了故障，為0時(shí)表示沒有發(fā)生故障。運(yùn)用訓(xùn)練好的網(wǎng)絡(luò)對不同故障類型下獲得的測試樣本進(jìn)行測試。在進(jìn)行神經(jīng)網(wǎng)絡(luò)測試時(shí)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率？濁=0.8，慣性因子？琢=0.9，誤差精度0.01，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的最大優(yōu)化代數(shù)Tmax=500，部分測試數(shù)據(jù)見表2所示。

在測試時(shí)往往測試結(jié)果不等于1或0。這時(shí)根據(jù)經(jīng)驗(yàn)認(rèn)定凡是輸出結(jié)果大于0.8的都認(rèn)為這相線路為故障相。由此獲得測試數(shù)據(jù)診斷結(jié)果與期望值對比可知本方法能夠準(zhǔn)確識別故障類型。

從BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練權(quán)值的誤差-迭代次數(shù)曲線可知：全局搜索網(wǎng)絡(luò)的誤差隨著優(yōu)化代數(shù)的增加而不斷地減小，改進(jìn)的BP網(wǎng)絡(luò)誤差在第303步就達(dá)到了精度要求。利用傳統(tǒng)BP算法進(jìn)行神經(jīng)網(wǎng)絡(luò)權(quán)值訓(xùn)練，其相關(guān)參數(shù)值設(shè)置同上面改進(jìn)的BP算法，得到的誤差曲線在0.185左右陷入局部極值，并且在2600步左右才開始跳出極值，二者誤差曲線比較可知，前者改善了后者陷入局部極小值這一缺點(diǎn)，同時(shí)也加快了算法的收斂速度。

5 結(jié)束語

小波包分解是一種有效的提取并處理配電網(wǎng)故障特征的方法，而通過增加動量項(xiàng)對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，使其不易陷入局部最小值，文章將二者結(jié)合，對配電網(wǎng)故障進(jìn)行識別。通過建立仿真模型進(jìn)行故障檢測實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，文章所提出的配電網(wǎng)故障類型識別方法所提出的算法比單純的利用BP神經(jīng)網(wǎng)絡(luò)算法收斂的速度快，且能夠準(zhǔn)確地識別出配電網(wǎng)短路故障類型，具有一定的實(shí)用性。

參考文獻(xiàn)

[1]翟進(jìn)乾.配電線路在線故障識別與診斷方法研究[D].重慶大學(xué)，2012.

[2]陳茂英，楊明玉，張新國.基于暫態(tài)電流的故障選相原理的探討[J].華北電力大學(xué)學(xué)報(bào)，2005，32（1）：24-27.

[3]趙智，王艷松，鮑兵，等.基于小波神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障類型識別[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2007，06：93-96.

[4]徐濤，王祁.基于小波包神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷方法[J].傳感技術(shù)學(xué)報(bào)，2006，19（4）：1060-1064.

作者簡介：葉金鳳（1988，02-），女，吉林長春人，湖北汽車工業(yè)學(xué)院電氣工程系，主要研究方向：電力系統(tǒng)方向。