李 慧 陳愷妍

（廣州供電局有限公司 廣州 510000）

1 引言

電壓、電流互感器與連接導(dǎo)線三個單元是組建電力計量系統(tǒng)的主要內(nèi)容。當(dāng)這三個單元的其中任意一個結(jié)構(gòu)發(fā)生故障，將影響電力計量系統(tǒng)的全盤運作，從而影響到計量系統(tǒng)的計算精度。在一般情景下，當(dāng)電力計量系統(tǒng)發(fā)生故障，關(guān)鍵表現(xiàn)為以下兩點：一是循環(huán)會在運行過程中報錯；二是計量系統(tǒng)的計算精度會逐漸降低。例如，當(dāng)內(nèi)部接線發(fā)生故障造成前端短路，這時電流將徑直流過電能表，發(fā)生分流現(xiàn)象，從而影響計量系統(tǒng)的計算精度，使全盤計量數(shù)據(jù)逐漸偏離。而導(dǎo)致上述故障發(fā)生的重要原因便是電流電能表電流線圈出現(xiàn)了短路問題。此類故障已由大量學(xué)者通過仿真實驗證實了上述原由的正確性。同時，在仿真實驗的研究過程中發(fā)現(xiàn)，導(dǎo)致電力計量系統(tǒng)運行故障的原因有很多，如果每類故障發(fā)生時都只排查單一的原因，那么將很難找到故障發(fā)生的根源所在。針對復(fù)雜多變的計量系統(tǒng)運行故障原因，本文基于電力計量系統(tǒng)的運作原理，利用神經(jīng)網(wǎng)絡(luò)算法對發(fā)生的故障原因進(jìn)行判斷，并驗證該故障排查方法的可行性。

2 高壓電力計量系統(tǒng)原理及問題分析

2.1 高壓電力計量系統(tǒng)原理

圖1為高壓電力計量系統(tǒng)的運作基本規(guī)律流程，其中“1”、“2”兩個為通信端點，它們是屬于電度表的兩個測量點，TA1和TA2是基于電磁感應(yīng)原理來測量、計算的儀器，也稱作電流互感器，IA和IC的腳標(biāo)A、C表示它們是屬于對應(yīng)腳標(biāo)字母相的電流，Ia和Ic腳標(biāo)中的小寫字母表示它們是對應(yīng)IA和IC經(jīng)過TA1、TA2轉(zhuǎn)換后的二次側(cè)小電流。

圖1 高壓電力計量系統(tǒng)運作原理圖

2.2 故障分析

根據(jù)目前已區(qū)分開電力計量系統(tǒng)的故障類別標(biāo)準(zhǔn)，能獲取各個類型的故障發(fā)生原因。凡是最終導(dǎo)致電力計量系統(tǒng)計算精度降低的情況，統(tǒng)稱為計量系統(tǒng)故障。而大多數(shù)導(dǎo)致電力計量系統(tǒng)故障的原因都在于組成電力計量系統(tǒng)的各個單元組件在運行時發(fā)生了某些故障，比如測量電流的儀器以及變換電壓的儀器。

1）電壓互感器故障問題分析

電壓互感器（PT）在整個高壓電力計量系統(tǒng)里，承擔(dān)的任務(wù)是將接收的一次側(cè)高壓轉(zhuǎn)換為二次側(cè)，然后傳輸?shù)诫姸缺韥碇С窒嚓P(guān)計量的工作應(yīng)用。而電壓互感器（PT）在本質(zhì)上依舊是降壓變壓器的功能，它通過變換電壓大小，來為輸電過程提供便利。但由于它原本邊線圈的總數(shù)量超過了副邊線圈的總數(shù)量，因此原邊線圈產(chǎn)生故障的幾率要大得多。而導(dǎo)致這類故障主要原因是原邊線圈的匝間發(fā)生短路或者線路斷開等問題。關(guān)于這類簡單故障，當(dāng)電壓互感器（PT）檢測并確定，就能將之前實驗所記錄的一般情況下的電壓數(shù)值與當(dāng)前采集的電壓互感器（PT）的電壓數(shù)值進(jìn)行比較，由此確定是否有故障發(fā)生。

2）電流互感器故障分析

電流互感器（CT）的工作原理與電壓互感器大體一致，它們都?xì)w屬于變壓器一類。電流互感器（CT）在運作時需要串入一相，并且需要將整個電能生產(chǎn)雨消費系統(tǒng)里傳輸?shù)某鲆话銟?biāo)準(zhǔn)的電流降低為達(dá)到一般標(biāo)準(zhǔn)的電流。對于電流互感器（CT）來說，一般出現(xiàn)的問題都是短接故障，也叫做短路，比如電流互感器（CT）一次側(cè)短路、電流互感器（CT）二次側(cè)短路，以及兩個電流互感器（CT）之間二次側(cè)相間短路。

2.3 故障檢測原理

上述不同的故障類型，需要采用不同的故障檢測方法進(jìn)行鑒別。本文以電流互感器（CT）一次側(cè)短路檢測電路為例，其系統(tǒng)故障檢測原理如圖2所示。

圖2 CT一次側(cè)短路檢測原理圖

電流互感器（CT）接電源的繞組即初級線圈有著較高的電壓，很難直接地進(jìn)行采數(shù)，同時它對電流的阻礙作用比較小，當(dāng)初級線圈出現(xiàn)短接故障時，它的阻抗會發(fā)生變化，這也是增加測量難度的一個問題。針對此類問題，通常使用伏安法來測量阻抗，從而判斷所發(fā)生的故障類型。

3 故障特征信號提取

在診斷電力計量系統(tǒng)故障原因時，傳出的故障信號中難免會存在突變或者尖峰的成分，并且這類信號中還存在非平穩(wěn)的噪聲。要正確地分析這類信號，就必須將信號進(jìn)行相關(guān)處理，剔除信號中的噪聲，留存有利用價值的信號信息。在降噪處理時，傳統(tǒng)的傅立葉變換方法無法滿足完全降噪，原因是利用傅立葉分析的過程被完全放在了頻域，這樣一來信號的突變情況將無法及時體現(xiàn)，一旦信號在某個時間域產(chǎn)生了突變點，那么整個信號圖譜都將受到影響。而小波分析可以在頻域與時域?qū)π盘栠M(jìn)行多線程分析，在時間域的分辨率升高時降低頻域的分辨率，反之則反，這種分析方法具備自動調(diào)焦的功能。所以小波分析可以很好地對信號中的噪聲與突變點進(jìn)行剔除工作，達(dá)到降噪、消噪的目的。對于具體的消噪流程，1994年D.L.Donoho基于小波變換提出了小波閾值消噪的概念。其中提到，在利用小波分析對信號進(jìn)行分析時許多有用的信息會從系數(shù)數(shù)值中體現(xiàn)出來，所以在對信號進(jìn)行分析處理時，設(shè)置適宜的閾值對有用的系數(shù)進(jìn)行保存，從而更方便地通過系數(shù)數(shù)值提取有用信息。根據(jù)圖譜的幅度，就可以將有用信息與噪聲進(jìn)行分離，從而達(dá)到消噪的目的。常用的閾值處理方法有兩種：硬閾值處理和軟閾值處理。本文則使用軟閾值算法對信號進(jìn)行處理。

式中，λ為閾值，ω為小波系數(shù)，ωλ為處理后的小波系數(shù)。

而經(jīng)過小波軟閾值處理后的故障特征信號，通過Matlab進(jìn)行仿真后發(fā)現(xiàn)，其曲線比較平滑，說明該方法在對特征信號的提取處理方面，具有一定的優(yōu)勢。如圖3所示。

圖3 軟閾值處理后的特征信號

4 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的故障特征判斷

4.1 BP神經(jīng)網(wǎng)絡(luò)概述

4.1.1 基本結(jié)構(gòu)及流程

BP神經(jīng)網(wǎng)絡(luò)是前端反饋類型的網(wǎng)絡(luò)，它的結(jié)構(gòu)組成是通過眾多結(jié)構(gòu)層連接而成。層級大類可分為數(shù)據(jù)傳入層、許多隱藏層以及數(shù)據(jù)傳出層共同建立，而每層又包含了若干個連接點，這其中的每個連接點都是網(wǎng)絡(luò)中的一個神經(jīng)元，層與層之間的最基本的結(jié)構(gòu)和功能單位經(jīng)過權(quán)數(shù)進(jìn)行連結(jié)。一個最簡單的BP神經(jīng)網(wǎng)絡(luò)，它需要包含一個輸入層、一個隱含層以及一個輸出層，具體的結(jié)構(gòu)如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法主要是根據(jù)其數(shù)據(jù)傳出層所傳出的誤差進(jìn)行反向回饋，然后調(diào)節(jié)并更正網(wǎng)絡(luò)系統(tǒng)最基本的結(jié)構(gòu)和功能單位的連結(jié)權(quán)數(shù)，不斷縮小誤差值，它的整個學(xué)習(xí)過程蘊含了正向的數(shù)據(jù)計算和結(jié)果誤差的反向回饋。數(shù)據(jù)從輸入層進(jìn)入，通過隱藏層、輸出層進(jìn)行正向的計算傳遞，在訓(xùn)練網(wǎng)絡(luò)權(quán)數(shù)的過程中不斷往復(fù)，降低誤差，通過數(shù)據(jù)傳出層將數(shù)據(jù)反饋給隱藏層，逆向變更各神經(jīng)元之間的連結(jié)權(quán)數(shù)，這個過程反復(fù)進(jìn)行，使誤差到達(dá)期望值的范圍內(nèi)，具體的訓(xùn)練流程如圖5所示。

4.1.2 BP神經(jīng)網(wǎng)絡(luò)的缺陷

BP神經(jīng)網(wǎng)絡(luò)能較完美地解決非線性問題，并且有很強的容錯能力，但是它也存在一些缺陷，這關(guān)鍵出現(xiàn)在下面三點。

1）神經(jīng)網(wǎng)絡(luò)的層級構(gòu)造不好確定。目前，神經(jīng)網(wǎng)絡(luò)的層級構(gòu)造和相關(guān)的參數(shù)設(shè)置沒有現(xiàn)成的、具有完備的理論指導(dǎo)系統(tǒng)。因此，神經(jīng)網(wǎng)絡(luò)的應(yīng)用受到了許多局限，在構(gòu)建神經(jīng)網(wǎng)絡(luò)時唯有參照歷史經(jīng)驗或相關(guān)實驗研究結(jié)果來決定神經(jīng)網(wǎng)絡(luò)的層級構(gòu)造以及相關(guān)參數(shù)的設(shè)置。

2）神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程收斂速率較緩。誤差函數(shù)中有一定概率存在著平坦區(qū)域，這個區(qū)域的存在會導(dǎo)致誤差函數(shù)在該點方向取得的最大值在平坦區(qū)內(nèi)的變化偏小，當(dāng)權(quán)數(shù)變換時，倘若學(xué)習(xí)速率η被設(shè)置得過小，那么誤差的更新范圍會非常小，使得它在遭遇平坦區(qū)時會造成特別多的迭代次數(shù)，將會消耗很長的時間，最終影響整個學(xué)習(xí)過程的收斂速度，降低效率；而如果將學(xué)習(xí)速率η設(shè)置得太大，便容易與原本梯度下滑的通道發(fā)生偏差，引起震蕩，造成不收斂，產(chǎn)生的結(jié)果就是最終值誤差很大。

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

3）很可能會墮入局部極小值。如果設(shè)計的神經(jīng)網(wǎng)絡(luò)的各個層級的構(gòu)造比較復(fù)雜，這時它的誤差函數(shù)相當(dāng)于一個N維空間崎嶇不平的曲面，擁有許多最大值與最小值的點，且BP神經(jīng)算法中所選取的梯度下降法，在進(jìn)行學(xué)習(xí)時是依照誤差函數(shù)的斜面慢慢降低到最小值，但由于復(fù)雜網(wǎng)絡(luò)誤差函數(shù)的多變性，導(dǎo)致誤差調(diào)整時在整個訓(xùn)練過程中常常陷入局部極小值無法跳出。

4.1.3 BP神經(jīng)網(wǎng)絡(luò)算法的改良

1995年J.Kennedy和R.C.Eberhart發(fā)表了粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）。此算法是他們在其他研究結(jié)果中所得到的啟發(fā)，由于該算法需要設(shè)置的參數(shù)比較少，而它的優(yōu)點是容易實現(xiàn)，并且其收斂速度相對來說是比較快的，所以當(dāng)這個算法被提出時，立馬就變成了群體智能范疇的議論熱門方法。將這兩個算法相結(jié)合，彌補了神經(jīng)網(wǎng)絡(luò)的缺陷，使其訓(xùn)練過程收斂加速，這樣便能很好地避免神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常常墮入局限最小值情況的發(fā)生，使了神經(jīng)網(wǎng)絡(luò)在故障診斷應(yīng)用中的效率與精度變得更加快速、準(zhǔn)確，在電力計量系統(tǒng)的應(yīng)用中有著巨大的發(fā)展空間。

現(xiàn)在倘若存在一個D維指標(biāo)的立體空間，在該空間中有一個粒子含量為m的群體，此中第i個粒子的所處方位為xi=(xi1，xi2，…，xiD)，它的速率歐幾里得向量為vi=(vi1，vi2，…，viD)。第i個粒子的單一最優(yōu)數(shù)值為pi=(pi1，pi2，...，piD)，全盤粒子集合的整體最優(yōu)值為pg=(pg1，pg2，…，pgD)，而關(guān)于第t+1次的迭代，粒子更新的公式為

根據(jù)改公式可以了解到，基本PSO的速度更迭主要由三個點來決定：1）粒子當(dāng)前個體的運動速度，象征著此時狀況的影響作用；2）是粒子的“自身認(rèn)知”功能的影響，即粒子個體既有的歷史經(jīng)歷和印象的影響，這種影響會鞭策粒子向以往探索過的最優(yōu)值靠攏；3）是粒子種群所包含的“整體記憶”功能，這個功能體現(xiàn)了粒子之間的協(xié)同運作以及訊息分享，會鞭策個體粒子漸漸向整個集合歷史記憶的最優(yōu)位置拉近距離。

而為了提高優(yōu)化的精度，在全局最優(yōu)方法中提出了一種動態(tài)學(xué)習(xí)因子的調(diào)整方法。具體內(nèi)容為

其中，t和Tmax分別是目前已迭代的總次數(shù)和最大的進(jìn)化代數(shù)，并且0

由此，經(jīng)過上述改進(jìn)后的神經(jīng)網(wǎng)絡(luò)模型的整個運作流程如圖6所示。

5 仿真驗證

5.1 初始參數(shù)設(shè)置

1）BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置。本文將輸入層的神經(jīng)元數(shù)量設(shè)置為7，輸出層的神經(jīng)元數(shù)量設(shè)置為4，設(shè)置了單隱藏層，其中隱含層的數(shù)量設(shè)置為14，數(shù)據(jù)傳進(jìn)層分別在隱藏層和數(shù)據(jù)傳出層都采取logsig函數(shù)，即邏輯回歸中的sigmoid來當(dāng)作各個層級的神經(jīng)元之間的轉(zhuǎn)達(dá)函數(shù)。

2）PSO變量的還原化。最開始將整個集合的粒子量設(shè)置為50；將訓(xùn)練因子c1與c2的數(shù)值均設(shè)置為1.5；根據(jù)慣性權(quán)重線性遞減的方法，設(shè)置最小值ωmin=0.4、最大值ωmax=0.9；設(shè)置迭代次數(shù)的極值Tmax=2000次；設(shè)置各個粒子的最大限制速度Vmax=1；設(shè)置誤差的精度ε為0.01。

圖6 基于PSO的神經(jīng)網(wǎng)絡(luò)模型

5.2 仿真結(jié)果

通過利用上述參數(shù)設(shè)置進(jìn)行的實驗，可以得到圖7所示的結(jié)果。

圖7 神經(jīng)網(wǎng)絡(luò)誤差仿真

6 結(jié)語

通過圖7中的結(jié)果能夠總結(jié)出，基于粒子群優(yōu)化BP網(wǎng)絡(luò)的高壓電力系統(tǒng)故障診斷方法，在確保了識別準(zhǔn)確率的大前提下，在很大程度上減少了迭代的次數(shù)，同時加快了收斂速度，結(jié)果顯示優(yōu)化后的算法在應(yīng)用中的性能提高是非常顯著的。由此可以證明本文設(shè)計的算法具有一定的可行性。