馮裕山，王 純

（國網(wǎng)內(nèi)蒙古東部電力有限公司檢修分公司，內(nèi)蒙古 通遼028000）

0 引言

近幾年的統(tǒng)計數(shù)據(jù)表明，自然災(zāi)害引起的特高壓直流輸電線路跳閘事故較多，其原因復(fù)雜且隨機多變，進(jìn)行準(zhǔn)確的故障原因辨識有一定的難度。因此需要一種融合多信息源的原因辨識方法，以對各種故障原理及過程的理解為前提，對特定故障的特征進(jìn)行挖掘分析，以此形成原因辨識的依據(jù)。其中故障特征包括電氣量和非電氣量兩種，不同原因下的電氣量特征存在著相似性，且區(qū)分度較小，僅依靠一種是無法準(zhǔn)確識別的[1-10]。目前還沒有一套完整的針對特高壓直流輸電線路故障原因辨識的方法，在輸電線路發(fā)生故障后，無法為運行檢修人員提供決策上的輔助。基于此，本文提出一種基于電氣量和非電氣量等多源信息融合的特高壓直流輸電線路故障原因辨識方法。

1 基于BP神經(jīng)網(wǎng)絡(luò)的雷電故障辨識原理

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層、輸出層，每一層有多個神經(jīng)元，同一層神經(jīng)元之間沒有連接，各層神經(jīng)元之間的聯(lián)系用權(quán)值表示。根據(jù)實際需求，建立BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，如圖1所示。BP神經(jīng)網(wǎng)絡(luò)可以在輸入量與預(yù)測值之間的數(shù)學(xué)關(guān)系模型未知的情況下，通過樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練，反映輸入量與輸出值之間的非線性關(guān)系。辨識算法采用三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，輸入層節(jié)點數(shù)為31，隱含層通過最小誤差法選取。輸出層節(jié)點數(shù)為2。隱含層和輸出層的激活函數(shù)均采用Log?Sigmoid型函數(shù)，可以將輸出控制在0~1之內(nèi)。

圖1 神經(jīng)網(wǎng)絡(luò)模型

1.2 故障原因辨識的BP算法模型

BP神經(jīng)網(wǎng)絡(luò)的雷電故障辨識原理為：當(dāng)故障發(fā)生時，從氣象系統(tǒng)、雷電定位系統(tǒng)、保信系統(tǒng)及錄波數(shù)據(jù)中提取相關(guān)的電氣與非電氣特征量，輸入雷擊辨識模型中，計算得出故障原因的發(fā)生概率，根據(jù)故障概率輸出關(guān)聯(lián)度最大的故障原因。非電氣特征量包括天氣、時段、季節(jié)及溫度、濕度、風(fēng)速等，電氣特征量包括過渡電阻、故障電流和故障電壓等。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法是：先從故障數(shù)據(jù)中提取故障特征，并將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入，已知的故障原因作為目標(biāo)值。通過大量故障數(shù)據(jù)對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立故障特征與故障原因之間的非線性映射。然后對訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，從檢驗樣本的數(shù)據(jù)中獲取故障特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入，BP神經(jīng)網(wǎng)絡(luò)的輸出即該樣本對應(yīng)的故障原因[8-11]。

1.3 基于自學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)框架

故障發(fā)生后，使用經(jīng)歷史故障數(shù)據(jù)訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)對故障原因進(jìn)行識別。故障原因辨識結(jié)束后，將實際的故障原因與模型識別結(jié)果進(jìn)行對比，通過對比結(jié)果來判斷是否要修改神經(jīng)網(wǎng)絡(luò)訓(xùn)練庫。如果實際故障原因與判別結(jié)果有差異，則通過反向傳播將這次故障的實際原因加入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并重新進(jìn)行訓(xùn)練，得到修正后的BP神經(jīng)網(wǎng)絡(luò)模型，從而實現(xiàn)自學(xué)習(xí)，使故障原因辨識更準(zhǔn)確。如果辨識結(jié)果與實際故障原因沒有差異，則不需要修改樣本，而是記錄這一故障，然后每隔一定的時間對樣本數(shù)據(jù)進(jìn)行更新，以達(dá)到更為精確的故障原因辨識[12-14]。神經(jīng)網(wǎng)絡(luò)訓(xùn)練自學(xué)習(xí)過程見圖2。

圖2 神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)流程

2 雷擊故障仿真特征量分析

2.1 電氣特征量

本文雷擊故障主要討論反擊和繞擊。雷擊故障的接地通道是電弧和桿塔，因此過渡電阻包括電弧電阻和桿塔電阻。電弧在穩(wěn)定燃燒時相當(dāng)于導(dǎo)線，其電阻很??；特高壓直流輸電線路的桿塔接地電阻一般為10 Ω左右，因此雷擊故障的過渡電阻阻值較低。

2.2 非電氣特征量

2.2.1 天氣條件

雷擊是輸電線路發(fā)生雷擊故障的前提，只有在雷電多發(fā)的天氣條件下雷擊故障才可能發(fā)生。

2.2.2 時段性和季節(jié)性

由氣象數(shù)據(jù)可知，近幾年的雷暴次數(shù)明顯增加，雷暴多發(fā)生在下午或傍晚。春夏季節(jié)由于容易形成強烈對流，因此多雷雨天氣，雷電活動強于其他季節(jié)。

2.2.3 地形特征

山區(qū)海拔高，熱力狀況差異較大，容易產(chǎn)生強對流，從而雷雨天氣較多，易發(fā)生雷擊故障。山區(qū)土壤與其他地形的土壤相比電阻較大，當(dāng)雷擊桿塔或線路時產(chǎn)生的電壓差較大，更容易造成擊穿，導(dǎo)致雷擊故障。

2.2.4 雷電活動頻率

雷暴日可表征當(dāng)?shù)乩纂娀顒拥念l繁程度。評價一個地區(qū)雷電活動的多少，通常以該地區(qū)多年統(tǒng)計得到的平均出現(xiàn)雷暴的天數(shù)或小時數(shù)作為指標(biāo)。

3 雷擊故障辨識模型的建立

扎魯特—青州±800 kV特高壓直流工程起于內(nèi)蒙古自治區(qū)通遼市扎魯特?fù)Q流站，止于山東省濰坊市青州換流站，途經(jīng)內(nèi)蒙古、河北、天津、山東4省，額定電壓為±800 kV，額定電流為6.25 kA，輸送的額定功率為10 000 MW。

在直流輸電線路上距整流側(cè)300 km處設(shè)置雷擊故障，此故障情況下，過渡電阻一般為150 Ω左右。根據(jù)故障類型最為相關(guān)的內(nèi)外因特征進(jìn)行辨別，建立故障判別模型的輸入?yún)?shù)特征，主要包括天氣、季節(jié)、時段、地形、溫度、濕度、風(fēng)力、歷史故障次數(shù)、雷暴日、過渡電阻均值、過渡電阻、故障電壓幅值、故障電流幅值、電壓波及電流波幅頻特性，將其分為兩類，即電氣特征量和非電氣特征量。

3.1 電氣特征量的輸入模型

根據(jù)電氣故障特征構(gòu)造電氣特征量的輸入，如表1所示。

表1 電氣特征量輸入1）

從故障相關(guān)信息中提取故障特征與故障原因類型，作為神經(jīng)網(wǎng)絡(luò)的輸入向量和目標(biāo)向量，即可形成一個樣本。

3.2 非電氣量特征輸入模型

3.2.1 天氣條件

將天氣條件設(shè)定為五種情況，分別為：晴天、陰天、雨霧（小雨）、雷雨、大雨。用一個5位二進(jìn)制數(shù)來表示這5個特征量。

晴天：[1 0 0 0 0]，

陰天：[0 1 0 0 0]，

小雨：[0 0 1 0 0]，

雷雨：[0 0 0 1 0]，

大雨：[0 0 0 0 1]。

3.2.2 時段

用一個4位二進(jìn)制數(shù)構(gòu)成的向量來表示清晨（04：00—08：00）、白天（09：00—17：00）、傍晚（18：00—21：00）、午夜（22：00—03：00）4個特征量。

清晨：[1 0 0 0]，

白天：[0 1 0 0]，

傍晚：[0 0 1 0]，

午夜：[0 0 0 1]。

3.2.3 季節(jié)

用一個4位二進(jìn)制數(shù)構(gòu)成的向量來表示春、夏、秋、冬4個特征量。

春天：[1 0 0 0]，

夏天：[0 1 0 0]，

秋天：[0 0 1 0]，

冬天：[0 0 0 1]。

3.2.4 地形特征

將地形特征劃分為平原、丘陵、山區(qū)三種類型，用一個3位二進(jìn)制數(shù)構(gòu)成的向量表示這三個特征量。

平原：[1 0 0]，

丘陵：[0 1 0]，

山區(qū)：[0 0 1]。

3.2.5 雷電活動頻率

經(jīng)查閱相關(guān)資料可知，雷暴日在15以下的地區(qū)為少雷區(qū)，超過40為多雷區(qū)，超過90為特殊強雷區(qū)。用一個3位二進(jìn)制數(shù)構(gòu)成的向量表示這3個特征量。

少雷區(qū)：[1 0 0]，

多雷區(qū)：[0 1 0]，

強雷區(qū)：[0 0 1]。

4 仿真及結(jié)果分析

本文以雷擊故障為例展示故障原因辨識算法。故障電氣特征量通過仿真獲取，非電氣特征量結(jié)合雷電等氣象災(zāi)害的環(huán)境條件和扎魯特—青州直流線路所經(jīng)區(qū)域的歷史氣象數(shù)據(jù)生成，結(jié)果如表2所示。

表2 故障非電氣特征量樣本示例

進(jìn)行故障原因辨識時，首先要對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，樣本分為訓(xùn)練樣本和檢驗樣本兩部分，利用訓(xùn)練樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后由檢驗樣本檢驗。神經(jīng)網(wǎng)絡(luò)訓(xùn)練時要輸入故障特征及期望輸出，通過不斷迭代建立故障特征與故障原因的聯(lián)系。期望輸出矩陣的每一列為每一個訓(xùn)練樣本的故障原因。期望輸出矩陣中1表示雷擊，0表示非雷擊。由此建立了神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的輸入樣本數(shù)據(jù)與目標(biāo)數(shù)據(jù)間的對應(yīng)關(guān)系。

4.1 故障信息

在雷擊故障情況下，極Ⅰ、極Ⅱ直流電壓、直流電流等電氣特征量見圖3—圖5。

圖4 極Ⅰ的直流電流波形圖

圖5 極Ⅱ的直流電流波形圖

進(jìn)一步提取的電氣特征量如表3所示，天氣、季節(jié)等非電氣特征量統(tǒng)計如表4所示。

表3 進(jìn)一步提取的故障電氣特征量統(tǒng)計

表4 故障非電氣特征量信息統(tǒng)計

4.2 故障原因辨識

結(jié)合故障電氣特征量和非電氣特征量，采用BP神經(jīng)網(wǎng)絡(luò)方法對故障原因進(jìn)行辨識，將辨識結(jié)果與所設(shè)置故障作比較，以此來確定此算法的準(zhǔn)確性。首先，提取故障雷擊的相關(guān)數(shù)據(jù)，建立雷擊故障樣本。將故障樣本作為BP神經(jīng)網(wǎng)絡(luò)的輸入矩陣得到期望輸出矩陣，這樣就建立了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入樣本數(shù)據(jù)與目標(biāo)數(shù)據(jù)間的相互對應(yīng)關(guān)系。訓(xùn)練后便可以得到滿足誤差的神經(jīng)網(wǎng)絡(luò)。

為了檢驗神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，取檢驗樣本進(jìn)行檢驗。取10個檢驗樣本，樣本1—5為雷擊故障樣本，樣本6—10為非雷擊故障樣本（隨機干擾項），以檢驗是否能夠區(qū)分雷擊故障。檢測結(jié)果顯示，對于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，對檢驗樣本中的雷擊故障能很好地辨識出來，對于干擾項也能區(qū)分出來，說明此方法用于識別雷擊故障是準(zhǔn)確的。

5 結(jié)束語

特高壓直流輸電線路輸送容量較大，一旦出現(xiàn)永久故障或短時間內(nèi)無法查出故障原因，將會降低直流輸電系統(tǒng)的能量可用率。本文針對特高壓直流線路故障特征的辨識研究有助于提升直流輸電系統(tǒng)的能量利用率，促進(jìn)特高壓直流輸電更好地服務(wù)于社會經(jīng)濟發(fā)展。