陳佳慧, 高彥杰, 靳一瑋

(上海電力大學(xué) 電子與信息工程學(xué)院, 上海 200090)

近年來,微電網(wǎng)作為一種新型網(wǎng)絡(luò)結(jié)構(gòu),充分發(fā)揮了分布式電源具備的可靠性高、環(huán)保節(jié)能等各項(xiàng)優(yōu)勢[1],越來越受到重視和青睞,電力用戶對(duì)其供電可靠性也提出了更高的要求。微電網(wǎng)建設(shè)中一個(gè)不可或缺的環(huán)節(jié)是微電網(wǎng)的故障診斷和恢復(fù)。它能保證微電網(wǎng)安全、穩(wěn)定地運(yùn)行,因此研究微電網(wǎng)的故障診斷是十分有意義的。

目前,人工智能方法被廣泛用于電網(wǎng)故障診斷研究中,如夏昌浩等人[2]使用了貝葉斯網(wǎng)絡(luò)和粗糙集理論相結(jié)合的方法對(duì)現(xiàn)有網(wǎng)絡(luò)進(jìn)行故障診斷,提高了診斷能力和速度;薛征宇等人[3]提出了支持向量機(jī)的方法對(duì)電機(jī)軸承進(jìn)行了有效故障識(shí)別;馬路林等人[4]采用了BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法,提高了汽輪發(fā)電機(jī)組的故障診斷準(zhǔn)確率。此外,很多研究還廣泛采用離散小波變換(Discrete Wavelet Transform,DWT)對(duì)信號(hào)進(jìn)行特征提取[5]。然而,DWT變換雖然很受青睞但也存在問題,如:基于DWT的小波系數(shù)能量法被用于檢測故障引起的瞬變問題,在高阻抗故障(嚴(yán)重)的A相接地短路故障的情況下,此方法可能無法檢測到故障,同時(shí)還存在依賴母小波和延時(shí)等問題[6];DWT變換用于時(shí)間序列的分析,存在對(duì)時(shí)間序列的起始點(diǎn)非常敏感的問題[7]。基于以上分析,本文提出了基于極大重疊離散小波變換(Maximum Overlap Discrete Wavelet Transform,MODWT)和反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)故障診斷方法。該方法利用MODWT變換來提取信號(hào)的特征,對(duì)故障的起始點(diǎn)沒有要求,不具備降采樣過程,可以保留信號(hào)的完整性,且能處理任何樣本大小,因此可以提高故障分類的準(zhǔn)確率,從而使性能更優(yōu)。

1 MODWT理論

與DWT變換相比,MODWT變換具有以下特點(diǎn)[7]:是一個(gè)高度冗余的非正交變換;可以處理任意樣本大小,不具備降采樣過程;具有平移不變性,不會(huì)受到起點(diǎn)的影響,更適用于分析檢測實(shí)時(shí)故障的問題且不會(huì)延時(shí)。

(1)

(2)

(3)

(4)

式中:Lj——第j級(jí)濾波器寬度;

L——濾波器寬度;

2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由簡單處理單元構(gòu)成的大規(guī)模并行分布式處理器,天然地具有存儲(chǔ)經(jīng)驗(yàn)知識(shí)和使之可用的特性。它和大腦有些相似,都是通過學(xué)習(xí)過程從外界過程中獲取知識(shí)[8]?；谡`差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)是其中較為成熟的一種算法,通過MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱能夠?qū)崿F(xiàn)對(duì)該網(wǎng)絡(luò)結(jié)構(gòu)的搭建。BP網(wǎng)絡(luò)結(jié)構(gòu)示意如圖1所示。

圖1 BP網(wǎng)絡(luò)結(jié)構(gòu)示意

輸入層的主要作用是從外界接受經(jīng)過數(shù)據(jù)處理的特征向量X=[x1,x2,x3,…,xn]。

隱含層的主要作用是將輸入層接收的信息經(jīng)過內(nèi)部自學(xué)習(xí)和信息處理轉(zhuǎn)化為有針對(duì)特性的解決方法。隱含層的輸出公式[9]為

(5)

式中:n——輸入層的神經(jīng)元個(gè)數(shù);

wij——輸入層與隱含層的連接權(quán)值;

q——隱含層的神經(jīng)元個(gè)數(shù);

bi——隱含層的閾值。

輸出層的主要作用是對(duì)比神經(jīng)元的實(shí)際輸出和期望輸出,得到最終結(jié)果。輸出層的輸出公式[8]為

(6)

式中:p——隱含層的神經(jīng)元個(gè)數(shù);

vij——輸入層與輸出層的連接權(quán)值;

m——輸出層的神經(jīng)元個(gè)數(shù);

ti——輸出層的閾值。

3 故障診斷過程

3.1 微電網(wǎng)模型建立

本文采用修正的IEEE 13節(jié)點(diǎn)系統(tǒng)進(jìn)行算例分析[10]。系統(tǒng)的拓?fù)浣Y(jié)構(gòu)如圖2所示,其中,修正后的系統(tǒng)與原始系統(tǒng)的主要區(qū)別在于:修正后系統(tǒng)直接采用一個(gè)4.16 kV的三相電壓源連接在節(jié)點(diǎn)632處;光伏并網(wǎng)系統(tǒng)部分通過一個(gè)4.16 kV/480 V的變壓器連接到節(jié)點(diǎn)680處,實(shí)現(xiàn)了并網(wǎng)。

圖2 修正的IEEE 13總線微電網(wǎng)系統(tǒng)的拓?fù)浣Y(jié)構(gòu)

3.2 不同的故障工況設(shè)置

本文考慮不同的故障工況,盡可能真實(shí)地模擬實(shí)際運(yùn)行的微電網(wǎng)故障情況。不同的故障工況應(yīng)包括隨機(jī)故障發(fā)生時(shí)刻、不同故障線路、不同故障過渡電阻和微電網(wǎng)輸電線路各類短路故障類型等4個(gè)因素,具體設(shè)置如下。

(1) 故障發(fā)生時(shí)刻(故障初相角) 對(duì)于系統(tǒng)仿真的0～1 s這段時(shí)間內(nèi),各個(gè)時(shí)刻均有可能發(fā)生故障且發(fā)生的概率相同,所以故障發(fā)生時(shí)刻服從均勻分布,仿真時(shí)隨機(jī)產(chǎn)生了3個(gè)故障發(fā)生時(shí)刻t1,t2,t3。

(2) 故障線路 線路發(fā)生故障是隨機(jī)的,可假設(shè)線路故障的概率也服從均勻分布,仿真時(shí)選擇了圖2中的line632-633,line632-671,line692-675,line671-680 4條線路隨機(jī)發(fā)生故障。

(3) 故障過渡電阻 電阻值分別為0.01 Ω,1 Ω,50 Ω。

(4) 短路故障類型 短路故障類型主要有:單相接地短路(AG,BG,CG);兩相短路接地(ABG,ACG,BCG);兩相短路(AB,AC,BC);三相短路(ABC);三相接地短路(ABCG)。

因此,以上模擬了3×3×4×11共396種故障工況。

3.3 特征向量提取

當(dāng)檢測到故障發(fā)生時(shí)刻后,以故障發(fā)生后10個(gè)周期的A,B,C三相電流IA,IB,IC以及零序電流分量I0作為特征提取的對(duì)象,分別求取IA,IB,IC,I0經(jīng)過MODWT后的各級(jí)細(xì)節(jié)系數(shù)。若直接使用小波細(xì)節(jié)系數(shù)作為特征向量,輸入到神經(jīng)網(wǎng)絡(luò)中去訓(xùn)練,會(huì)要求很大的內(nèi)存空間和處理時(shí)間,并且分類精度也很差。因此,在不損失原始信號(hào)特性的前提下,選擇合適的特征向量來表示輸入信號(hào)的特征對(duì)于故障診斷至關(guān)重要。典型的統(tǒng)計(jì)量標(biāo)準(zhǔn)偏差反映了一組數(shù)據(jù)分布的離散程度,適合對(duì)樣本數(shù)據(jù)形成感性認(rèn)知,能反映不同故障類型的暫態(tài)信號(hào)特征差異?；谝陨戏治?在本文提出的方案中選擇了兩個(gè)統(tǒng)計(jì)量(標(biāo)準(zhǔn)偏差和平均值)來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的輸入特征向量,與小波細(xì)節(jié)系數(shù)相比,提高了訓(xùn)練速度和分類精度[11]。

平均值的定義為

(7)

標(biāo)準(zhǔn)偏差的定義為

(8)

式中:N——每一級(jí)的采樣點(diǎn)個(gè)數(shù);

Dij——細(xì)節(jié)系數(shù);

J——MODWT的分解級(jí)數(shù)。

綜上所述,完整的故障分類特征量如下:

(1)F1A相每級(jí)詳細(xì)系數(shù)標(biāo)準(zhǔn)偏差總和;

(2)F2B相每級(jí)詳細(xì)系數(shù)標(biāo)準(zhǔn)偏差總和;

(3)F3C相每級(jí)詳細(xì)系數(shù)標(biāo)準(zhǔn)偏差總和;

(4)F4零序分量的每級(jí)詳細(xì)系數(shù)標(biāo)準(zhǔn)偏差總和;

(5)F5A相每級(jí)詳細(xì)系數(shù)平均值總和;

(6)F6B相每級(jí)詳細(xì)系數(shù)平均值總和;

(7)F7C相每級(jí)詳細(xì)系數(shù)平均值總和;

(8)F8零序分量每級(jí)詳細(xì)系數(shù)平均值總和。

經(jīng)過特征提取后,可以得到不同故障所對(duì)應(yīng)的特征值,分別取不同故障時(shí)的一組數(shù)據(jù),其結(jié)果如圖3所示。

圖3 各類短路故障所對(duì)應(yīng)的特征值對(duì)比

3.4 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)設(shè)置

本文中的BP神經(jīng)網(wǎng)絡(luò)模型分別由輸入層、隱含層和輸出層組成。輸入層的特征向量維數(shù)由上文中經(jīng)過特征提取后的8維特征向量組成。輸出層的目標(biāo)向量維數(shù)由短路故障的11種類型決定。隱含層的神經(jīng)元個(gè)數(shù)和其余的學(xué)習(xí)參數(shù)設(shè)置也至關(guān)重要,若選擇不恰當(dāng)會(huì)出現(xiàn)過擬合和欠擬合的現(xiàn)象。通常沒有確定的選擇,可以通過經(jīng)驗(yàn)公式和不斷試驗(yàn)來設(shè)置[8]。本文通過不斷試驗(yàn)選取了相對(duì)最佳的學(xué)習(xí)參數(shù),具體的學(xué)習(xí)參數(shù)設(shè)置如表1所示。

表1 故障分類神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)參數(shù)

4 故障診斷結(jié)果與分析

為了驗(yàn)證本文提出方法的有效性,獲得相關(guān)樣本數(shù)據(jù)對(duì)其進(jìn)行測試。圖4為全部樣本數(shù)據(jù)的故障分類均方差曲線圖,代表了樣本數(shù)據(jù)分類結(jié)果的誤差率;表2為對(duì)4條線路的故障樣本數(shù)據(jù)進(jìn)行測試的故障分類結(jié)果,能夠驗(yàn)證該分類方法對(duì)線路參數(shù)變化的適應(yīng)性;表3為全部樣本數(shù)據(jù)的故障分類結(jié)果以及與基于DWT(小波變換)和BP神經(jīng)網(wǎng)絡(luò)診斷方法的結(jié)果對(duì)比。

圖4 全部樣本數(shù)據(jù)的故障分類均方差曲線

表2 不同輸電線路的故障分類結(jié)果 單位:%

表3 故障分類結(jié)果及對(duì)比

由圖4、表2和表3可知:基于MODWT和BP神經(jīng)網(wǎng)絡(luò)方法對(duì)不同輸電線路的故障分類準(zhǔn)確率能達(dá)到98%以上,表明其能夠很好地適應(yīng)參數(shù)的變化;該方法的故障分類準(zhǔn)確率明顯高于基于DWT和BP神經(jīng)網(wǎng)絡(luò)的診斷方法,從而驗(yàn)證了該分類方法的有效性。

雖然本文所提出的方法能達(dá)到一個(gè)較高的準(zhǔn)確率,但是仍然存在個(gè)別的誤判情況。誤判包括無法識(shí)別或者識(shí)別錯(cuò)誤。分析其主要原因是:當(dāng)過渡電阻增大時(shí),其故障相的電壓電流的特征會(huì)變得越來越不明顯,從而導(dǎo)致區(qū)分的難度增大[11],尤其是在高阻抗(嚴(yán)重)故障情況下甚至?xí)霈F(xiàn)無法識(shí)別的情況。

5 結(jié) 語

本文提出了一種基于MODWT和BP神經(jīng)網(wǎng)絡(luò)的微電網(wǎng)故障診斷新方法,并在IEEE 13總線標(biāo)準(zhǔn)微電網(wǎng)仿真模型上進(jìn)行了測試。結(jié)果驗(yàn)證了其能快速、準(zhǔn)確地識(shí)別出故障類型,且不受電壓或電流的初始相位角和過渡電阻的影響,同時(shí)也能適應(yīng)輸電線路參數(shù)的變化。與現(xiàn)有的基于DWT和BP神經(jīng)網(wǎng)絡(luò)的診斷方法相比,該方法可以提供更好的故障分類精度,將為提高微電網(wǎng)故障分類精度的研究提供一定的參考。今后還有待豐富和完善與其他故障診斷方案的比較。另外,在故障定位方面的研究工作也至關(guān)重要,今后也有待深入研究和探討。