邱力偉,關(guān)煥新，劉明威

(1.沈陽(yáng)工程學(xué)院，遼寧 沈陽(yáng) 110136；2.國(guó)網(wǎng)沈陽(yáng)供電公司，遼寧 沈陽(yáng) 110003)

不斷深入的電網(wǎng)建設(shè)加速了電網(wǎng)大規(guī)模區(qū)域性互聯(lián)的發(fā)展趨勢(shì)，但也促使電網(wǎng)連鎖性故障[1]發(fā)生的概率增大，對(duì)電力系統(tǒng)造成嚴(yán)重威脅。連鎖性故障大多由較小的故障引發(fā)，如某一繼電保護(hù)裝置的拒動(dòng)或誤動(dòng)、某段線路短路等，而電網(wǎng)的大規(guī)?；ヂ?lián)使微小的故障不斷傳播并加劇，最終導(dǎo)致電網(wǎng)的連鎖性故障，發(fā)生大規(guī)模停電事故。據(jù)統(tǒng)計(jì)，超過(guò)85%的連鎖性故障是由于未能及時(shí)確定配電網(wǎng)故障區(qū)域造成的[2]，因此，提高配電網(wǎng)的故障定位技術(shù)顯得尤為重要。配電網(wǎng)故障從發(fā)生到傳播擴(kuò)大的時(shí)間極為短暫，小型故障幾秒內(nèi)就可能發(fā)展為連鎖性故障，并且故障具有時(shí)變性特征，使配電網(wǎng)快速故障定位的難度劇增。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)因其自組織、自適應(yīng)和自學(xué)習(xí)的特點(diǎn)被廣泛應(yīng)用于各個(gè)領(lǐng)域，在配電網(wǎng)故障診斷的應(yīng)用中也發(fā)揮著越來(lái)越大的作用，大量專家學(xué)者對(duì)此進(jìn)行了相關(guān)研究。2005年畢天姝[3]等提出將正交最小二乘算法擴(kuò)展用于優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)參數(shù)，并將得到的新型徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于配電網(wǎng)故障診斷問題。但是，該方法的診斷速度一般，并未考慮故障特征的時(shí)變性；2008年劉超[4]等人提出運(yùn)用量子神經(jīng)網(wǎng)絡(luò)進(jìn)行配電網(wǎng)故障定位的算法，借鑒量子力學(xué)的相關(guān)概念，不斷更新各層神經(jīng)元的連接權(quán)以及隱含層各神經(jīng)元的量子間隔，達(dá)到提高故障定位容錯(cuò)性的目的。但是訓(xùn)練速度過(guò)慢，也未考慮故障特征的時(shí)變性；2017年邱路[4]等人將小波奇異熵與自組織特征映射神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出一種能夠適應(yīng)微電網(wǎng)系統(tǒng)拓?fù)浣Y(jié)構(gòu)變化情況的故障診斷方法。該方法雖然不受故障位置、故障時(shí)刻等因素的影響，但是仍然沒有考慮故障特征的時(shí)變性。

上述文獻(xiàn)采用的配電網(wǎng)故障診斷方法均能有效診斷配電網(wǎng)故障，但均未考慮配電網(wǎng)的故障的時(shí)變特性。本文建立時(shí)變時(shí)滯模糊雙曲神經(jīng)網(wǎng)絡(luò)[6](Time-varying Delay Fuzzy Hyperbolic Neural Network,TDFHNN)的模型，并首次將其應(yīng)用于配電網(wǎng)故障診斷，與上述方法相比，能夠快速有效地診斷配電網(wǎng)故障，并且考慮到了配電網(wǎng)故障特征的時(shí)變性以及時(shí)滯特性。

1 時(shí)變時(shí)滯模糊雙曲神經(jīng)網(wǎng)絡(luò)

1.1 TDFHNN的拓?fù)浣Y(jié)構(gòu)

圖1 TDFHNN拓?fù)浣Y(jié)構(gòu)

在圖1所示的時(shí)變時(shí)滯模糊雙曲神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中，定義f1(x)=tanh(x),f2(x)=x；定義Kx=diag(k1,k2,…,kn)為模糊隸屬函數(shù)[7]Pxj與Nxj的中心；aij與bij(i,j=1,2,…,n)表示從輸出層的第i個(gè)節(jié)點(diǎn)到隱層的第j個(gè)節(jié)點(diǎn)的常量連接權(quán)和常量時(shí)滯連接權(quán)；d1,d2,…,dn>0為常量；τjlj(t)>0(i,j=1,2,…,n,lj=0,1,…,ωj)組成的τ(t)表示時(shí)變傳輸時(shí)滯；I1,I1,…，In表示閾值。

1.2 TDFHNN的實(shí)現(xiàn)

TDFHNN是一種前饋的三層網(wǎng)絡(luò)，因此可以通過(guò)前饋學(xué)習(xí)方法對(duì)其連接權(quán)進(jìn)行訓(xùn)練，本文選擇BP算法[4]，但是其實(shí)現(xiàn)過(guò)程與傳統(tǒng)的BP算法有所區(qū)別，具體訓(xùn)練步驟如下。

a. 初始化權(quán)值。類似于文獻(xiàn)[8]一類的經(jīng)典BP神經(jīng)網(wǎng)絡(luò)可以隨機(jī)賦予權(quán)值初值，但是TDF-HNN本質(zhì)上是模糊模型，其初值不可以隨機(jī)選取，必須由專家系統(tǒng)選擇初值。

b. 確定結(jié)構(gòu)參數(shù)以及定義變量。確定訓(xùn)練樣本個(gè)數(shù)，本文擬定訓(xùn)練樣本個(gè)數(shù)為n；輸入變量xi(t)(i=1,2,…,n)，神經(jīng)網(wǎng)絡(luò)第n次迭代后輸出變量為yi(t)(i=1,2,…，n)；設(shè)定期望輸出為ξi(t)(i=1,2,…，n)；設(shè)定誤差精度e。

c. 輸入訓(xùn)練樣本，樣本構(gòu)建見1.3。

d. 正向傳播。將構(gòu)建的訓(xùn)練樣本輸入xi(t)(i=1,2,…,n)帶入模型，計(jì)算出網(wǎng)絡(luò)的輸出yi(t)(i=1,2,…,n)，并求得與期望值ξi(t)(i=1,2,…,n)的誤差E(n)。

(1)

式(1)為誤差計(jì)算公式，訓(xùn)練過(guò)程中期望值與輸出值的誤差E(n)處理方法如下：

如果E(n)>e，則轉(zhuǎn)至環(huán)節(jié)e;

如果E(n)≤e，則轉(zhuǎn)至環(huán)節(jié)f。

(2)

ωij(n+1)=ωij(n)+Δωij(n)

(3)

式中：ωij(n)表示網(wǎng)絡(luò)的連接權(quán)符號(hào)，ωij(n)是多個(gè)權(quán)值的集合而不是單一的權(quán)值；ηi(n)表示網(wǎng)絡(luò)的學(xué)習(xí)效率，其選取方法如下：

ηi(n+1)=ληi(n)

(4)

式中：λ的取值遵循以下規(guī)則：E(n)>E(n+1)時(shí)，λ∈(1.2，1.6)；E(n)

新的參數(shù)計(jì)算完成后帶入環(huán)節(jié)c繼續(xù)循環(huán)，直至達(dá)到指定誤差精度e。

f. 算法終止。為了更加形象地說(shuō)明該算法的具體步驟，本文建立了算法流程圖如圖2所示。

2 仿真分析

2.1 配電網(wǎng)故障模型

首先構(gòu)造一簡(jiǎn)單的配電網(wǎng)絡(luò)如圖3所示，該網(wǎng)絡(luò)分為7個(gè)區(qū)域(S1-S7)。均配有過(guò)電流保護(hù)(CP1-CP7)，S1和S5配有距離保護(hù)(DP1、DP5)。

圖2 算法流程

圖3 配電網(wǎng)拓?fù)淠Ｐ?/p>

根據(jù)圖3構(gòu)造故障決策表(即訓(xùn)練樣本)見表1，表1中數(shù)字“1”代表斷路器動(dòng)作或保護(hù)動(dòng)作，“0”表示斷路器未跳開或保護(hù)未動(dòng)作。

2.2 訓(xùn)練結(jié)果

電網(wǎng)模型對(duì)應(yīng)的故障決策表見表1，共16組訓(xùn)練樣本。表中有 QF1-CP5 共16個(gè)條件屬性，因此定義輸入變量為16個(gè)，神經(jīng)網(wǎng)絡(luò)層數(shù)為3；輸出神經(jīng)元個(gè)數(shù)為8，對(duì)應(yīng)8個(gè)故障診斷結(jié)果；隱含層神經(jīng)元個(gè)數(shù)取32。對(duì)TDFHNN進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果見表2。

表1 配電網(wǎng)故障決策表

表2 訓(xùn)練結(jié)果

2.3 性能分析

為了驗(yàn)證TDFHNN性能的確優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，本文構(gòu)造了含有保護(hù)裝置誤動(dòng)信息的9個(gè)故障樣本如表3所示，對(duì)照表3可知，樣本1和9是斷路器誤動(dòng)，樣本2是過(guò)流保護(hù)裝置誤動(dòng)，樣本3-8是斷路器拒動(dòng)。然后，分別使用本文構(gòu)造的TDFHNN以及文獻(xiàn)[9]構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)對(duì)表3所示的故障樣本進(jìn)行故障定位。表4為2種神經(jīng)網(wǎng)絡(luò)對(duì)樣本的診斷結(jié)果，圖4為誤差的變化曲線。

表3 故障樣本信息表

表4 TDFHNN與BP神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果

由表4診斷結(jié)果可以看出，對(duì)存在一定錯(cuò)誤信息樣本的診斷結(jié)果，TDFHNN明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。主要表現(xiàn)在TDFHNN對(duì)各個(gè)樣本都可以較好地識(shí)別，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)僅能識(shí)別出樣本2的故障。

圖4 誤差的變化曲線

由圖 4 可知，60個(gè)學(xué)習(xí)步長(zhǎng)時(shí)，TDFHNN誤差已經(jīng)趨于0，而傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的誤差值仍然很大，且比之BP神經(jīng)網(wǎng)絡(luò)，TDFHNN誤差的收斂速度也很快。

3 結(jié)束語(yǔ)

本文構(gòu)造時(shí)變時(shí)滯模糊雙曲神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，并論述了其實(shí)現(xiàn)方法。首次將其應(yīng)用于配電網(wǎng)故障定位，用仿真分析證明了該方法的容錯(cuò)性與優(yōu)越性。仿真結(jié)果證明了本方法可以適用于配電網(wǎng)容錯(cuò)性故障定位，為今后配電網(wǎng)故障定位的研究提供了一定的借鑒。