羅浩杰，張棟柱2，李民強，玉 聰，王勇軍

(1.廣西電網(wǎng)有限責(zé)任公司河池供電局, 廣西 河池 547000；2.湖南英科電力技術(shù)有限公司，湖南 長沙 410000)

?

基于人工神經(jīng)網(wǎng)絡(luò)小電流接地選線方法研究

羅浩杰1，張棟柱2，李民強1，玉 聰1，王勇軍1

(1.廣西電網(wǎng)有限責(zé)任公司河池供電局, 廣西 河池 547000；2.湖南英科電力技術(shù)有限公司，湖南 長沙 410000)

針對小電流接地故障選線方法進行了研究，使用人工神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)接地故障選線。為了提高神經(jīng)網(wǎng)絡(luò)算法的性能，使用一種改進的神經(jīng)網(wǎng)絡(luò)算法，對遺傳算法中的相應(yīng)遺傳算子以及染色體結(jié)構(gòu)進行改進，通過自適應(yīng)交叉變異概率的引入，從全局均衡和優(yōu)化初始網(wǎng)絡(luò)權(quán)重以及BP網(wǎng)絡(luò)結(jié)構(gòu)。使用110 kV/35 kV的配電系統(tǒng)作為小電流接地故障選線實例分析，對常規(guī)神經(jīng)網(wǎng)絡(luò)算法和改進神經(jīng)網(wǎng)絡(luò)算法進行對比。研究結(jié)果表明，改進神經(jīng)網(wǎng)絡(luò)算法的輸出誤差要低于常規(guī)神經(jīng)網(wǎng)絡(luò)算法，正確選線率要高于常規(guī)神經(jīng)網(wǎng)絡(luò)算法。

人工神經(jīng)網(wǎng)絡(luò)；遺傳算法；小電流接地故障；故障選線

0 引 言

中性點不直接接地以及中性點直接接地是電力系統(tǒng)中性點接地的兩種主要形式。其中中性點直接接地方式在大于110 kV電壓等級的電網(wǎng)中應(yīng)用比較廣泛，如果單相接地故障在這種系統(tǒng)中發(fā)生，就會產(chǎn)生較大的故障電流，因此又可以將這種系統(tǒng)稱之為大電流接地系統(tǒng)。中性點不直接接地方式在6～66 kV配電網(wǎng)中應(yīng)用比較廣泛，如果單相接地故障在這種系統(tǒng)中發(fā)生會產(chǎn)生較小的故障電流，因此又可稱之為小電流接地系統(tǒng)。中性點經(jīng)消弧線圈接地系統(tǒng)、中性點經(jīng)電阻接地系統(tǒng)以及中性點不接地系統(tǒng)是小電流接地系統(tǒng)的三種主要類型[1-3]。

從現(xiàn)場運行結(jié)果可以看出，其中大部分的接地故障為單相接地故障。總的來說，小電流接地運行方式主要具有以下幾個方面的優(yōu)勢：單相接地故障發(fā)生時，所產(chǎn)生的接地點故障電流比較小，能夠保持三相線電壓的對稱性，對負(fù)荷連續(xù)供電不會產(chǎn)生影響，因此不需要馬上跳閘，可以按照電力規(guī)程維持1～2 h運行，能夠在有效減少用戶停電時間中提升供電的可靠性和穩(wěn)定性。然而如果系統(tǒng)長期運行在故障狀態(tài)，就會抬高非故障相電壓，如果出現(xiàn)了間歇性弧光接地，就會產(chǎn)生非常大的過電壓，對電力系統(tǒng)絕緣性產(chǎn)生了消極的影響，同時還會增加故障范圍。在配電網(wǎng)逐漸發(fā)展的過程中電纜電路在電網(wǎng)中的比例逐漸增多，存在著數(shù)量越來越多的纜-線混合線路。隨著線路長度的增加，直接提升了系統(tǒng)單相接地故障電容電流，對整個電力系統(tǒng)造成了嚴(yán)重的危害，因此應(yīng)當(dāng)及時發(fā)現(xiàn)單相接地故障，并采取有效的方法解決故障[4-6]。

1 小電流接地故障特征分析

當(dāng)故障出現(xiàn)在小電流接地系統(tǒng)時，在故障點出現(xiàn)了等效電源，在故障處所產(chǎn)生的電流行波向負(fù)荷以及線路始端方向傳播。其中向線路始端傳播的行波在到達母線位置時會被反射和折射，其中折射波進入到非故障線路中以后會導(dǎo)致初始暫態(tài)行波電流的產(chǎn)生，通過入射波和反射波的疊加導(dǎo)致了故障線路初始電流行波的形成[7]。

因此，故障線路初始行波電流零模為

(1)

正常線路初始行波電流零模為

(2)

在對所發(fā)生故障的線路進行判斷時，可以參考初始暫態(tài)電流行波到達母線時各條線路零模分量的極性和幅值。

在發(fā)生單相接地故障后，故障處的初始電流行波向負(fù)荷側(cè)和母線方向傳播，暫態(tài)電流行波通過不斷地折反射疊加逐漸形成。經(jīng)過相模變換可以將三相電流轉(zhuǎn)變?yōu)榱隳ｋ娏鳌Ｔ谙【€圈補償作用的影響下，諧振接地系統(tǒng)各條線路間的工頻分量基本一致。因此在選線的過程中采用工頻的方法就無法發(fā)揮較好的效果。采用頻譜分析方法處理故障后獲取的非連續(xù)信號，就能夠獲取暫態(tài)主頻分量對應(yīng)的相位和幅值。通過對各條線路暫態(tài)主頻的相位和幅值進行提升能夠有效地對故障進行檢測。

因此故障線路的暫態(tài)主頻分量為[8]

i0df=I0dfe-α0dtcos(ω0dt+Φi0df)

(3)

正常線路的暫態(tài)主頻分量為

i0dh=I0dhe-α0dtcos(ωodt+Φi0dh)

(4)

式(3)和式(4)中：I0df為故障線路暫態(tài)主頻分量幅值；I0dh為正常線路暫態(tài)主頻分量幅值；Φi0df為故障線路暫態(tài)主頻分量初始相角；Φi0dh為正常線路暫態(tài)主頻分量初始相角。

2 人工神經(jīng)網(wǎng)絡(luò)接地故障選線方法研究

作為一種多層前饋型網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)能夠前向輸入信號，逆向反饋誤差信號。在進行前向運輸?shù)臅r候，采用逐層處理的方法，輸入信號的處理途徑為輸入層-隱含層-輸出層。通過對比期望輸出以及輸出層輸出來進行反饋，網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值可以通過兩個的差值進行調(diào)整，同時隱含層的節(jié)點數(shù)決定了BP網(wǎng)絡(luò)結(jié)構(gòu)的規(guī)模。

常規(guī)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 常規(guī)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

下面使用一種改進的神經(jīng)網(wǎng)絡(luò)算法，主要對遺傳算法中的相應(yīng)遺傳算子以及染色體結(jié)構(gòu)進行改進，通過自適應(yīng)交叉變異概率的引入來從全局均衡和優(yōu)化初始網(wǎng)絡(luò)權(quán)重以及BP網(wǎng)絡(luò)結(jié)構(gòu)[9]。

采用上下階梯的形式對染色體基因進行設(shè)計：其中控制基因在上層，主要對隱層節(jié)點個數(shù)進行控制，同時優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；參數(shù)基因在下層，主要優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的閾值以及權(quán)值。上層基因通常情況下控制下層參數(shù)基因，二進制是控制基因所采用的編碼形式，其中當(dāng)值為“1”時說明激活了隱層節(jié)點，同時與該基因相連的參數(shù)基因是有效的；當(dāng)值為“0”時表明隱層節(jié)點處于休眠狀態(tài)，同時相關(guān)的參數(shù)基因是無效的。由于BP網(wǎng)絡(luò)連接閾值以及權(quán)值均為連續(xù)實數(shù)，同時采用二進制的解碼和編碼形式會產(chǎn)生較大的誤差，所以可以采用實數(shù)編碼的方法對參數(shù)基因進行編碼，其中一個參數(shù)基因應(yīng)當(dāng)同時包含對應(yīng)神經(jīng)元的連接閾值以及權(quán)值。

對BP 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)以及權(quán)值同時優(yōu)化，保證獲得最優(yōu)的網(wǎng)絡(luò)復(fù)雜度以及輸出誤差，因此需要進行雙目標(biāo)優(yōu)化。所建立的適應(yīng)度函數(shù)應(yīng)當(dāng)能夠?qū)P神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度以及輸出精度充分反映出來，訓(xùn)練集數(shù)據(jù)的總體誤差決定了輸出精度，隱層節(jié)點數(shù)決定了網(wǎng)絡(luò)復(fù)雜度。

(5)

由于傳統(tǒng)的輪盤賭在選擇的過程中主要采用基于適應(yīng)值比例的方法，使得很多相似個體以及超級個體出現(xiàn)了封閉競爭以及早熟的現(xiàn)象，影響了搜索的順利進行。為了彌補這種不足，在操作的過程中采用了隨機聯(lián)賽選擇策略以及最優(yōu)個體保留策略。

在聯(lián)賽選擇策略方面，隨機選擇出最優(yōu)解以外的父代種群中的2個個體，對其適應(yīng)值進行比較，并使具有較優(yōu)適應(yīng)值的個體進入到子代群體中，對于適應(yīng)值較差的個體可以直接淘汰，通過多個步驟得到完整子代種群，采用這種方法能夠保證子代種群中的個體具有較高的質(zhì)量。

在最優(yōu)個體保留策略方面，將父代種群中具有較高適應(yīng)度的個體進行復(fù)制，使其進入到子代群體中，同時對上代群體中的最優(yōu)解進行保留，采用這種方法能夠使得遺傳算法具有較好的收斂性。

染色體的下層基因?qū)右约吧蠈涌刂苹驅(qū)釉诰幋a的時候采用了實數(shù)以及二進制，所以所應(yīng)用的變異算子和交叉算子是不同的，將基本位變異算子以及單點交叉算子應(yīng)用在控制基因?qū)由希瑢⒎且恢伦儺愃阕右约罢w算數(shù)交叉算子應(yīng)用在參數(shù)基因?qū)由希脦缀问噶肯嗉釉韺φw算數(shù)交叉算子進行應(yīng)用，采用交叉運算的方法處理父代向量的所有分量，對于算法搜索范圍的提升有非常好的效果。種群的進化代數(shù)和變異存在著非常緊密的聯(lián)系，如果在進化初期存在數(shù)量較少的種群就需要進行較大范圍的變異，為了避免破壞優(yōu)秀的個體，應(yīng)當(dāng)在進化后期采用較小的變異范圍，這對于局部最優(yōu)解的搜索有非常好的效果。

遺傳算法的效率受到變異以及交叉概率的影響，如果概率太大會對種群中的優(yōu)秀個體造成破壞，而過小會減緩更新速度，出現(xiàn)早熟現(xiàn)象。所提方法對自適應(yīng)的變異和交叉概率進行了設(shè)計，在選取控制概率的過程中，充分參考個體適應(yīng)度以及種群進化進度，達到提升變異操作以及檢查操作質(zhì)量的目的[10]。

3 小電流接地故障選線分析

3.1 仿真模型

使用110 kV/35 kV的配電系統(tǒng)作為小電流接地故障選線實例分析，系統(tǒng)模型如圖2所示。根據(jù)所選模型的實際系統(tǒng)參數(shù)，設(shè)置仿真參數(shù)：該系統(tǒng)有7條架空的饋線，正序電阻為0.18 Ω/km，正序?qū)Φ貙?dǎo)納為9.5 nF/km，正序?qū)Φ仉姼袨?.23 mH/km，零序電阻為0.21 Ω/km，零序?qū)Φ貙?dǎo)納為6.5 nF/km，零序?qū)Φ仉姼袨?.92 mH/km，饋線L1～L7長度分別為3 km、6 km、10 km、15 km、20 km、28 km和30 km[11]。

圖2 仿真配電系統(tǒng)模型

3.2 神經(jīng)網(wǎng)絡(luò)模型

使用7條線路共21個故障特征，組成特性向量：X=(X1，X2，…，X21)。X1～X7為使用小波變換提取的7條線路的初始電流行波零模分量的模極大值；X8～X14為通過傅里葉變換得到的7條線路的暫態(tài)主頻實部；X15～X21為通過傅里葉變換得到的7條線路的暫態(tài)主頻虛部。將特性向量X=(X1，X2，…，X21)作為神經(jīng)網(wǎng)絡(luò)模型的輸入向量，將7條線路的故障和正常狀態(tài)作為神經(jīng)網(wǎng)絡(luò)模型的輸出向量Y=(Y1，Y2，…，Y7)，當(dāng)線路正常時，對應(yīng)分量為0，當(dāng)線路故障時，對應(yīng)分量為1。

使用常規(guī)神經(jīng)網(wǎng)絡(luò)和所研究的改進神經(jīng)網(wǎng)絡(luò)進行對比研究，常規(guī)神經(jīng)網(wǎng)絡(luò)中的隱含層單元數(shù)由經(jīng)驗公式得到，即45。

改進神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置為：初始隱含層單元為40，初始閾值為-1～1，初始連接權(quán)值為-2～2，最大訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.01，訓(xùn)練誤差精度為0.001，最大進化代數(shù)為400，調(diào)節(jié)系數(shù)0.2。

3.3 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

在7條饋線的不同位置設(shè)置故障點，得到故障樣本數(shù)據(jù)。故障初相角為5°、30°、60°和90°；過渡電阻設(shè)置為10 Ω、20 Ω和100 Ω；故障點設(shè)置為7條饋線的20%、40%、60%和80%處，得到共336組數(shù)據(jù)[12]。

隨機抽取故障數(shù)據(jù)中的300組作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，得到改進神經(jīng)網(wǎng)絡(luò)的平均適應(yīng)度及隱含層節(jié)點數(shù)變化，如圖3所示。經(jīng)過205次進化后確定了最優(yōu)的隱含層節(jié)點數(shù)為53。

3.4 故障選線結(jié)果分析

使用上述的訓(xùn)練數(shù)據(jù)對常規(guī)神經(jīng)網(wǎng)絡(luò)模型和改進神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練得到了故障選線模型，使用剩余36組故障數(shù)據(jù)作為故障選線模型的測試樣本，并使用測試樣本對兩種神經(jīng)網(wǎng)絡(luò)模型的故障選線性能進行驗證。36組樣本的實際故障線路和兩種神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果如圖4所示。

表1 兩張神經(jīng)網(wǎng)絡(luò)模型的選線結(jié)果

圖3 平均適應(yīng)度及隱含層節(jié)點數(shù)變化

常規(guī)神經(jīng)網(wǎng)絡(luò)模型的輸出誤差為10.53%，改進神經(jīng)網(wǎng)絡(luò)模型的輸出誤差為6.75%，改進神經(jīng)網(wǎng)絡(luò)模型的輸出誤差要低于常規(guī)神經(jīng)網(wǎng)絡(luò)模型。

兩種神經(jīng)網(wǎng)絡(luò)模型的選線結(jié)果見表1所示。

從兩種神經(jīng)網(wǎng)絡(luò)模型的選線結(jié)果可以看出，改進神經(jīng)網(wǎng)絡(luò)模型的正確選線個數(shù)為34，正確率達到了94.4%，常規(guī)神經(jīng)網(wǎng)絡(luò)模型的正確選線個數(shù)為29，正確率為80.5%。

圖4 實際故障線路和兩種神經(jīng)網(wǎng)絡(luò)模型的診斷結(jié)果

4 結(jié) 論

針對小電流接地故障選線方法進行了研究，使用人工神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)接地故障選線。為了提高神經(jīng)網(wǎng)絡(luò)算法的性能，使用一種改進的神經(jīng)網(wǎng)絡(luò)算法。使用110 kV/35 kV的配電系統(tǒng)作為小電流接地故障選線實例分析，使用常規(guī)神經(jīng)網(wǎng)絡(luò)算法和改進神經(jīng)網(wǎng)絡(luò)算法進行對比，研究結(jié)果表明：

1)常規(guī)神經(jīng)網(wǎng)絡(luò)模型的輸出誤差為10.53%，改進神經(jīng)網(wǎng)絡(luò)模型的輸出誤差為6.75%，改進神經(jīng)網(wǎng)絡(luò)模型的輸出誤差要低于常規(guī)神經(jīng)網(wǎng)絡(luò)模型。

2)改進神經(jīng)網(wǎng)絡(luò)模型的正確選線個數(shù)為34，正確率達到了94.4%，常規(guī)神經(jīng)網(wǎng)絡(luò)模型的正確選線個數(shù)為29，正確率為80.5%。

[1] 王念彬.基于小波神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)故障選線方法的研究[D].北京：中國礦業(yè)大學(xué)(北京)，2010.

[2] 李震球.基于概率神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)模式識別故障選線方法及應(yīng)用[D].南昌：南昌大學(xué),2014.

[3] 鄭帥帥.基于小波神經(jīng)網(wǎng)絡(luò)的小電流接地故障選線方法研究[D].淄博：山東理工大學(xué),2014.

[4] 韋曉廣.基于機器學(xué)習(xí)的小電流接地系統(tǒng)單相接地故障選線[D].徐州：中國礦業(yè)大學(xué),2014.

[5] 張海平,何正友,張鈞.基于量子神經(jīng)網(wǎng)絡(luò)和證據(jù)融合的小電流接地選線方法[J].電工技術(shù)學(xué)報,2009,24(12):171-178.

[6] 惠學(xué)軍.基于小波神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)單相接地故障定位研究[D].南京：河海大學(xué),2002.

[7] 郝金陵,袁振海.基于小波-神經(jīng)網(wǎng)絡(luò)的小電流接地選線的研究[J].電測與儀表,2007,44(11):1-5.

[8] 曹運剛.基于人工神經(jīng)網(wǎng)絡(luò)的小電流接地故障選線方法研究[D].淄博：山東理工大學(xué),2015.

[9] 宋國峰,梁昌勇,梁焱,等.改進遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的旅游景區(qū)日客流量預(yù)測[J].小型微型計算機系統(tǒng),2014,35(9):2136-2141.

[10] 董升偉.基于改進BP神經(jīng)網(wǎng)絡(luò)的軌道交通短時客流預(yù)測方法研究[D].北京：北京交通大學(xué),2013.

[11] 陳奎,韋曉廣,陳景波，等.基于樣本數(shù)據(jù)處理和ADABOOST的小電流接地故障選線[J].中國電機工程學(xué)報,2014,34(34):6228-6237.

[12] 曹運剛,陳平,楊茂亭，等.基于人工神經(jīng)網(wǎng)絡(luò)的小電流接地故障選線方法研究[J].國網(wǎng)技術(shù)學(xué)院學(xué)報,2015,18(1):21-25.

The method of fault line selection for small current grounding is studied, and the artificial neural network model is used to realize the fault line selection. In order to improve the performance of neural network algorithm, an improved BP neural network algorithm is adopted which mainly improves the corresponding genetic operators and chromosome structure in genetic algorithm, and through introducing the adaptive crossover and mutation probability, the initial weights and BP network structure are balanced and optimized. Taking 110 kV/35 kV distribution system for example to analyze small current grounding fault line selection, the conventional neural network algorithm and the improved neural network algorithm are compared. The results show that the output error of the improved neural network algorithm is lower than that of the conventional neural network algorithm, and the correct line selection rate is higher than that of the conventional neural network algorithm.

artificial neural network; genetic algorithm; small current grounding fault; fault line selection

TM77 <文獻標(biāo)志碼：a class="emphasis_bold"> 文獻標(biāo)志碼：A 文章編號：1003-6954(2016)06-0036-05文獻標(biāo)志碼：a

1003-6954(2016)06-0036-05

A 文章編號：1003-6954(2016)06-0036-05

2016-08-30)

羅浩杰(1971)，助理工程師，主要從事配電運行管理等技術(shù)領(lǐng)域的研究工作。