朱立忠，程 楠

人工神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷

朱立忠，程 楠

(沈陽理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽 110159)

電網(wǎng)發(fā)生故障后，為能迅速找出發(fā)生故障的元件，及時(shí)解決故障，提出了人工神經(jīng)網(wǎng)絡(luò)診斷方法。采用徑向基神經(jīng)網(wǎng)絡(luò)(RBF)來進(jìn)行故障診斷，其具有良好的最佳逼近和全局最優(yōu)的性能，并對(duì)RBF隱含層的中心用K均值聚類算法進(jìn)行優(yōu)化，給出了仿真實(shí)驗(yàn)結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明:與未優(yōu)化的網(wǎng)絡(luò)進(jìn)行對(duì)比，經(jīng)驗(yàn)證，兩種方法均可用于電網(wǎng)的故障診斷。

故障診斷；神經(jīng)網(wǎng)絡(luò)；全局優(yōu)化；聚類算法

由于現(xiàn)在城市電網(wǎng)的大型化和復(fù)雜化，各種電力系統(tǒng)[1]故障的發(fā)生總是無法避免的。近幾年來，各個(gè)國家都在著力于研究對(duì)電網(wǎng)的故障診斷方法，其中，文獻(xiàn)[2]講述了一種以Petri網(wǎng)應(yīng)用于電力系統(tǒng)的故障診斷的方法；文獻(xiàn)[3]設(shè)計(jì)了一種基于故障錄波信息的調(diào)度端電網(wǎng)故障系統(tǒng)軟件。文獻(xiàn)[4]研究了以一種概率的形式，基于貝葉斯網(wǎng)絡(luò)的分布式電網(wǎng)故障診斷方法；文獻(xiàn)[5]采用電網(wǎng)數(shù)學(xué)模型的方法，求取電網(wǎng)故障參數(shù)的最優(yōu)解。影響電網(wǎng)故障診斷系統(tǒng)的關(guān)鍵因素在于電網(wǎng)故障診斷系統(tǒng)如何適應(yīng)復(fù)雜的數(shù)據(jù)環(huán)境、復(fù)雜電網(wǎng)故障中保護(hù)動(dòng)作行為的分析等等。本文針對(duì)復(fù)雜的數(shù)據(jù)環(huán)境，采用人工神經(jīng)網(wǎng)絡(luò)的方法對(duì)電網(wǎng)進(jìn)行診斷。

1 SCADA

SCADA[6]是數(shù)據(jù)監(jiān)測(cè)與監(jiān)控系統(tǒng)。當(dāng)電網(wǎng)發(fā)生故障時(shí)，與故障元件相關(guān)的保護(hù)裝置因檢測(cè)到故障癥狀而使保護(hù)動(dòng)作，驅(qū)動(dòng)對(duì)應(yīng)的斷路器跳閘，并將保護(hù)動(dòng)作和斷路器跳閘的告警信息實(shí)時(shí)上報(bào)給調(diào)度中心的SCADA系統(tǒng)。然而，SCADA系統(tǒng)除了接收電網(wǎng)故障引起的保護(hù)動(dòng)作，開關(guān)跳閘等告警信息外，在電網(wǎng)運(yùn)行中還會(huì)不斷接收電壓越限，裝置異常，控制回路斷線等方面的告警信息，并將這些告警信息按照時(shí)間的順序以信息流的順序進(jìn)行記錄，該系統(tǒng)可以記錄電網(wǎng)運(yùn)行過程所有數(shù)據(jù)。

2 神經(jīng)網(wǎng)絡(luò)

常用于故障診斷的神經(jīng)網(wǎng)絡(luò)[7]模型一般有:根據(jù)采樣數(shù)據(jù)的特點(diǎn)，分為二值輸入和連續(xù)值輸入；又根據(jù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的特點(diǎn)，分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)?；诙递斎氲挠袑?dǎo)師神經(jīng)網(wǎng)絡(luò)一般有Hopfield網(wǎng)絡(luò)[8]；基于二值輸入的無導(dǎo)師神經(jīng)網(wǎng)絡(luò)一般有ART網(wǎng)絡(luò)[9]。基于連續(xù)值輸入的有導(dǎo)師神經(jīng)網(wǎng)絡(luò)一般有BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)；基于連續(xù)值輸入的無導(dǎo)師神經(jīng)網(wǎng)絡(luò)一般有Kohonen網(wǎng)絡(luò)[10]。該系統(tǒng)采用的是有導(dǎo)師網(wǎng)絡(luò)中的RBF神經(jīng)網(wǎng)絡(luò)。

有導(dǎo)師神經(jīng)網(wǎng)絡(luò)用于故障診斷一般是離線過程，其學(xué)習(xí)與其使用過程是分開來的。當(dāng)把故障信息輸入到神經(jīng)網(wǎng)絡(luò)中去，網(wǎng)絡(luò)經(jīng)過自組織，自學(xué)習(xí)的過程，輸出合理的故障診斷結(jié)果，然后去維修。RBF神經(jīng)網(wǎng)絡(luò)，它具有唯一最佳逼近的特性，且無局部極小問題，并且具有較強(qiáng)的輸入和輸出映射功能，學(xué)習(xí)過程收斂速度快，這些特點(diǎn)使得RBF神經(jīng)網(wǎng)絡(luò)在處理非線性問題中得到廣泛的應(yīng)用。

3 實(shí)例分析

驗(yàn)證RBF神經(jīng)網(wǎng)絡(luò)在電網(wǎng)故障診斷[11]的實(shí)用性，給出一個(gè)局部電網(wǎng)模擬圖，如圖1所示。

圖1 局部電網(wǎng)模擬

輸入變量即為特征變量，具有一般性，選取具有代表性的電網(wǎng)性能指標(biāo):變壓器，電動(dòng)機(jī)，線路的電容與電壓以及線路電流，分別用x1,x2，…，x7表示。根據(jù)經(jīng)驗(yàn)所得:電網(wǎng)故障[12]一般有三種:輸電線故障、母線故障、變壓器故障。圖1中，B代表母線；L1代表線路；T1代表變壓器；CB表示斷路器。由SCADA系統(tǒng)得到的因故障而保護(hù)的CB2，CB4，CB7，CB9，CB13，CB15動(dòng)作跳閘，可有實(shí)時(shí)分析得到一個(gè)虛線網(wǎng)絡(luò)，假設(shè)該虛線網(wǎng)絡(luò)就是要找的故障目標(biāo)區(qū)域，該區(qū)域中的原件T1、(B1、B2)、L1、T4可能是故障元件，因此只需要對(duì)以上幾個(gè)元件進(jìn)行故障診斷即可，也能夠提高診斷的效率。

數(shù)據(jù)預(yù)處理:由于徑向基函數(shù)依賴于輸入樣本數(shù)據(jù)，而在電網(wǎng)中測(cè)得的樣本數(shù)據(jù)比較大，這樣大的數(shù)據(jù)容易導(dǎo)致計(jì)算復(fù)雜，訓(xùn)練時(shí)間及其長，為避免該情況，將各個(gè)樣本數(shù)據(jù)進(jìn)行歸一化。歸一公式如下:

歸一化的數(shù)據(jù)在[-1，1]之間，訓(xùn)練樣本與測(cè)試樣本采用以上給出的歸一法，訓(xùn)練樣本和測(cè)試樣本3均是采用歸一化得到的數(shù)據(jù)，樣本數(shù)據(jù)見表1。

表1 樣本數(shù)據(jù)

續(xù)表

網(wǎng)絡(luò)的期望輸出為:每一輸出Y都對(duì)應(yīng)6位數(shù)據(jù)，故障表達(dá)的方式有6種，如表2所示。

表2 故障表示

因此其期望輸出為:

[0 1 0 0 0 0;0 0 0 0 0 1;[ T1T4

0 0 1 0 0 0;0 0 0 1 0 0;B1B2

0 0 0 0 1 0;0 0 0 0 0 0;L1無故障

0 1 0 0 0 0;0 0 0 0 0 1;T1T4

0 0 1 0 0 0;0 0 0 1 0 0;B1B2

0 0 0 0 1 0;0 0 0 0 0 0;L1無故障

0 1 0 0 0 0;0 0 0 0 0 1;T1T4

0 0 1 0 0 0;0 0 0 1 0 0;B1B2

0 0 0 0 1 0;0 0 0 0 0 0;L1無故障

0 1 0 0 0 0;0 0 0 0 0 1;T1T4

0 0 1 0 0 0;0 0 0 1 0 0;B1B2

0 0 0 0 1 0;0 0 0 0 0 0;L1無故障

0 1 0 0 0 0;0 0 0 0 0 1;T1T4

0 0 1 0 0 0;0 0 0 1 0 0;B1B2

0 0 0 0 1 0;0 0 0 0 0 0;] L1無故障]。

用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，設(shè)定樣本目標(biāo)的誤差為0.01，擴(kuò)展系數(shù)為1，訓(xùn)練次數(shù)為1000，用Matlab進(jìn)行仿真得到的網(wǎng)絡(luò)誤差訓(xùn)練曲線如圖2所示。

圖2 RBF網(wǎng)絡(luò)誤差訓(xùn)練曲線

由圖2可以觀察到，當(dāng)訓(xùn)練次數(shù)達(dá)到11次，神經(jīng)網(wǎng)絡(luò)已經(jīng)很好地收斂于預(yù)期的期望輸出。同時(shí)得到了隱層單元的閾值b1=[0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326 0.8326]，網(wǎng)絡(luò)的輸入層到隱層單元的權(quán)值為w1=

[0.65400.41900.66701.32000.3210-1.0810-0.91200.35500.20000.39900.01100.2180-0.4230-0.29900.36200.25600.37500.23200.1120-0.4670-0.37800.72800.53400.49901.10000.3300-1.1780-0.90000.43800.23200.51700.50300.1630-0.5120-0.54300.42100.21400.46700.00100.2560

-0.4190-0.43200.32500.12800.23400.36700.1010-0.6710-0.36800.80300.42900.51800.98700.2360-0.9430-0.83500.33200.21200.39000.11100.2230-0.4720-0.21900.36700.18900.11200.98900.2000-1.0000-0.96800.88500.42900.88300.40100.1890-0.8910-0.7850],

輸出層的閾值為b2=[0 5.0223 -5.7455 0.5024 0.7796 0.1566]，隱層單元到輸出層的權(quán)值為w2=[0 0 0 0 0 0 0 0 0 0 0

-6.8692-19.1791-20.91084.969316.473712.14162.28780.404711.7126-5.3922-6.754110.6897-49.356738.9702-5.9756-26.617021.92791.2139-0.829113.62473.31524.2800-8.394210.6329-6.16635.97963.6534-3.71400.52816.3406-4.3913-2.8126-3.5179-4.006060.6841-21.31803.042413.8636-28.8822-2.7194-0.9320-20.72200.56630.38758.6939-7.74917.5651-8.9797-5.99761.9508-1.7639-1.71123.71583.50832.2647]。

還對(duì)RBF網(wǎng)絡(luò)的隱含層的中心[13]用K均值聚類算法進(jìn)行優(yōu)化，選取7組樣本進(jìn)行測(cè)試，其測(cè)試樣本數(shù)據(jù)如表3所示。

表3 測(cè)試樣本數(shù)據(jù)

在聚類確定數(shù)據(jù)中心的位置之前，需要先估計(jì)中心的數(shù)目(隱層節(jié)點(diǎn)的數(shù)目)，用K均值聚類算法[14]的步驟如下:

變量定義:{X1，X2，…，Xp}為p個(gè)樣本；M為隱含層的節(jié)點(diǎn)數(shù)目；C(k)為第k次迭代時(shí)的中心。

(1)初始化，選擇M個(gè)不相同的向量作為初始聚類中心，C1(0)，C2(0),……,CM(0)。

(2) 計(jì)算輸入各樣本點(diǎn)與聚類中心點(diǎn)的歐式距離并求出最小距離的節(jié)點(diǎn)[15]

dj(k)=‖Xp-Cj(k)‖,p=1,2,…,30，

j=1,2,…,M。

(3)對(duì)每一輸入樣本Xp根據(jù)與其聚類中心的最小歐式距離進(jìn)行歸類為r(Xp)，當(dāng)r(Xp)=min‖Xp-Cj(k)‖,p=1,2,…30,Xp被歸為第r類，從而將樣本化為M個(gè)子集，每個(gè)子集構(gòu)成一個(gè)以聚類中心為代表的聚類域。

(4)更新各個(gè)聚類的中心。當(dāng)

q為學(xué)習(xí)效率，0

(5)令k=k+1，重復(fù)上述過程，直到Cj(k)的改變量小于預(yù)設(shè)閾值。

經(jīng)優(yōu)化中心的網(wǎng)絡(luò)的測(cè)試輸出結(jié)果:

測(cè)試樣本的輸出結(jié)果Y′=

[00.68430.4380-0.0086-0.0851-0.00340-0.02070.00260.1025-0.00350.79100-0.25301.10260.03820.2125-0.10560-0.03910.00090.8783-0.00850.016500.05840.1037-0.00250.84780.003400.3239-0.0035-0.08330.04350.274800.5759-0.0156-0.17110.08450.3542];

隱含層到輸出層的權(quán)值:

W2′=[0 1.0019 -0.2872 0.1037 0.0255 -0.4014

0-0.33920.0052-0.3911-0.05010.85680-1.01851.83250.0976-0.7129-0.25020-0.41120.00921.5376-0.0601-0.86330-0.3360-0.59780.12851.2974-0.42270-0.61980.04660.1357-0.0864-0.5330]。

該測(cè)試樣本的網(wǎng)絡(luò)誤差曲線如圖3所示。

圖3 測(cè)試樣本的網(wǎng)絡(luò)誤差曲線

此優(yōu)化的RBF網(wǎng)絡(luò)[16]的誤差曲線幾乎逼近圖2所示的曲線，該網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果較好，但是步長卻明顯縮短，更節(jié)省時(shí)間。

4 結(jié)束語

當(dāng)電網(wǎng)發(fā)生故障時(shí)，找出可能發(fā)生故障的元件，并將故障區(qū)域縮小，并用RBF神經(jīng)網(wǎng)絡(luò)作為模式匹配器，將神經(jīng)網(wǎng)絡(luò)的輸出作為判斷故障類型的識(shí)別，后用K均值聚類法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的隱含層的中心，經(jīng)仿真后，與未優(yōu)化的神經(jīng)網(wǎng)絡(luò)相比，步長明顯縮短，更節(jié)省時(shí)間，診斷效果較好，該方法可為電網(wǎng)的故障診斷提供參考。

[1]張朝海.電力系統(tǒng)運(yùn)行與控制[D].廣州:華南理工大學(xué),1996.

[2]Armen Aghasaryan,Eric Fabre,Albert Benveniste.Fault Detection and Diagnosis in Distributed Systems:An Approach by Partially Stochastic Petri Nets[J].Discrete Event Dynamic Systems,1998,82(6):1121-1196.

[3]Bandler J W,Salama A E.Fault Diagnosis of Analog Circuits[J].Proceedings of the IEEE,1985,73(8):1279-1327.

[4]周曙,王曉茹,錢清泉.基于貝葉斯網(wǎng)的分布式電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù),2010,15(9):76-81.

[5]劉道兵,顧雪平,梁海平,等.電網(wǎng)故障診斷完全解析模型的解集評(píng)價(jià)與最優(yōu)解求取[J].中國電機(jī)工程學(xué)報(bào),2014,10(31):5668-5676.

[6]吳文傳,張伯明,孫宏斌，等.基于WindowsNT的SCADA/EM S/DTS一體化支撐平臺(tái)[J].電網(wǎng)技術(shù),1999,6(9):54-59.

[7]梁戈超,何怡剛,朱彥卿.基于模糊神經(jīng)網(wǎng)絡(luò)融合遺傳算法的模擬電路故障診斷法[J].電路與系統(tǒng)學(xué)報(bào),2004,25(2):54-57.

[8]劉曉軍.基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波[J].現(xiàn)代引信,1995,8(2):32-37.

[9]嚴(yán)悅.基于ART神經(jīng)網(wǎng)絡(luò)案例匹配的軌道交通智能數(shù)據(jù)診斷技術(shù)研究[D].南京:南京理工大學(xué),2013.

[10]張紅斌,賀仁睦,劉應(yīng)梅.基于KOHONEN神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)負(fù)荷動(dòng)特性聚類與綜合[J].中國電機(jī)工程學(xué)報(bào),2003,12(5):26-34.

[11]馮金剛,潘成勝,李航.基于神經(jīng)網(wǎng)絡(luò)的遠(yuǎn)程網(wǎng)絡(luò)故障診斷系統(tǒng)[J].沈陽工業(yè)學(xué)院學(xué)報(bào),2002,21(4):62-65.

[12]趙冬梅.基于多信息源的電網(wǎng)故障診斷方法的研究[J].華北電力大學(xué)學(xué)報(bào),2005,11(4):32-36.

[13]M Catelani,A Fort.Fault diagnosis of electronic analog circuits using a radial basis function network classifier[J].Measurement,2000,18(28):147-158.

[14]宋麗偉,彭敏敏,田成來,等.基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的模擬電路診斷[J].計(jì)算機(jī)應(yīng)用研究,2012,29(1):72-74.

[15]劉道華,張禮濤,曾召霞,等.基于正交最小二乘法的徑向基神經(jīng)網(wǎng)絡(luò)模型[J].信陽師范學(xué)院學(xué)報(bào),2013,30(3):428-431.

[16]熊國江,石東源,竹林.基于多輸出衰減徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J].電力系統(tǒng)保護(hù)與控制,2013,11(1):38-45.

(責(zé)任編輯:馬金發(fā))

Fault Diagnosis of SCADA System for Artificial Neural Network

ZHU Lizhong，CHENG Nan

(Shenyang Ligong University,Shenyang 110159,China)

After a fault happens in order to quickly find the faulty components,in a timely manner to solve fault,artificial neural network diagnosis method is proposed.RBF neural network(RBF)application has good optimal approximation and global to fault diagnosis.The K-means clustering algorithm is optimized to the center of the hidden layer of neural network and it offers the policy experimental results.Simulation results show that both methods can be used in the fault diagnosis of power grid in comparison with unoptimized network.

fault diagnosis;neural network;global optimization;clustering algorirhm

2015-09-15

朱立忠(1967—)男,教授,研究方向:復(fù)雜系統(tǒng)故障診斷與監(jiān)控技術(shù)。

1003-1251(2017)01-0102-05

TM711

A