袁衛(wèi)， 劉正明， 張明， 余凡， 俞煌

(1.國網(wǎng)西藏電力有限公司, 電力科學研究院，西藏, 拉薩 850000;2.福建網(wǎng)能科技開發(fā)有限責任公司，福建, 福州 350003)

0 引言

電力系統(tǒng)是由電壓、電流互感器和其相應(yīng)的連接導線等3部分組成，如果其中一部分產(chǎn)生問題，整個電力計量系統(tǒng)都會受到影響，計算精度的準確率也相應(yīng)地降低。經(jīng)過對電力系統(tǒng)故障的分析，發(fā)現(xiàn)故障的種類非常多，而且有些故障通過單一的信號是很難辨別的，針對這類問題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)算法對故障信號進行判斷，并通過相關(guān)實驗成功地證明了此算法的可行性。

1 電力計量自動監(jiān)測系統(tǒng)故障特征提取

電力計量系統(tǒng)故障的原因主要通過對其工作過程中發(fā)出的故障信號來判斷，但在對這些故障信號的提取過程中很可能會出現(xiàn)尖峰或者噪聲的情況，不利于對電力系統(tǒng)故障的判斷。因此，要想準確地判斷電力計量系統(tǒng)故障，就需要對提取的故障信號進行降噪處理，消除故障信號中的干擾噪聲，保留平穩(wěn)的特征信號。對這種噪聲的處理大多都用傳統(tǒng)的傅里葉變換方法，其核心是從時域到頻域的變換，而這種變換是通過一組特殊的正交基來實現(xiàn)的。通過其工作原理可以看出傅里葉變換的方法主要注重對頻域信號的分析，而對時域信號分析得還不夠，導致無法對系統(tǒng)故障信號完全除噪。如果傅里葉變換不能在時域部分完全除噪，那么在電力系統(tǒng)運行的過程中，如果在某個時域突然出現(xiàn)突變，將會引起整個圖譜的變化。針對這一問題，本文引入小波變換進行處理[1-2]。小波消噪主要根據(jù)小波設(shè)定的閾值消噪，其主要是在對信號進行分析時會有很多有用的信息以數(shù)值的形式出現(xiàn)，小波分析通過設(shè)置適宜的閾值保存有用信息的數(shù)值，從而使消噪的過程更方便和快捷。閾值分為硬閾值和軟閾值，其處理方法本文以軟閾值為例，其公式為

(1)

式中,γ為閾值，ω為小波系數(shù)，ωγ為處理后的小波系數(shù)。

可以用MATLAB軟件對小波軟閾值處理噪聲的方法進行仿真，仿真結(jié)果證明其方法有一定的優(yōu)勢。因此，與傅里葉變換的方法相比，小波變換分析的處理方法能更好地在時域和頻域?qū)π盘栠M行分析，而且由于小波變換分析具有自動調(diào)焦的功能，可以更好地處理特征信號中的噪聲和時域部分突變的情況。

2 基于神經(jīng)網(wǎng)絡(luò)的電力計量系統(tǒng)故障判斷

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

BP神經(jīng)網(wǎng)絡(luò)是屬于前饋型網(wǎng)絡(luò)，分為輸入層、隱藏層和輸出層，層層都有很多個節(jié)點，每個節(jié)點都相當于網(wǎng)絡(luò)中的一個神經(jīng)元，相鄰層之間的神經(jīng)元結(jié)構(gòu)由權(quán)數(shù)來進行連接。圖1是一個簡單的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[3-4]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)學習算法從根本上講就是通過網(wǎng)絡(luò)傳輸層傳出的誤差進行反向傳播，對網(wǎng)絡(luò)系統(tǒng)的連接權(quán)數(shù)進行調(diào)整和修改，使其誤差縮到最小。BP神經(jīng)網(wǎng)絡(luò)的訓練流程如圖2所示。整個主要學習過程為數(shù)據(jù)通過正向的計算和在輸出層的反饋，最終經(jīng)過連接權(quán)數(shù)的調(diào)整，使誤差降低達到所期望的數(shù)值。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓練流程

2.2 BP神經(jīng)網(wǎng)絡(luò)算法改進

由于BP神經(jīng)網(wǎng)絡(luò)存在一定的弊端，提出PSO粒子群優(yōu)化算法。其運行原理公式為

vid(t+1)=vid(t)+c1r1(pid-xid(t))+

c2r2(pgd-xid(t))

(2)

xid(t+1)=xid(t)+vid(t+1)

(3)

其中，xi=(xi1,xi2,…,xiD)為第i個粒子的位置，vi=(vi1,vi2,…,viD)為移動的速度向量，pi=(pi1,pi2,…,piD)為單個最優(yōu)數(shù)值，pg=(pg1,pg2,…,pgD)為整體最優(yōu)數(shù)值。式(3)為經(jīng)過t+1次迭代后更新的公式。

通過式(2)、式(3)可以看出，粒子的當前運行速度、粒子對自身的認知功能和粒子群體的“記憶功能”對PSO優(yōu)化算法更新的速度都會有影響。其中，粒子的當前速度影響著當前的狀態(tài)，粒子的自身認知影響著粒子向最優(yōu)值靠近,粒子群體的記憶功能影響著粒子向全局群體的最優(yōu)值拉近距離。

提出通過一種動態(tài)學習因子的調(diào)整方法從而提高優(yōu)化的準確度，其公式為

(4)

c1=4-c2

(5)

假設(shè)當前的迭代次數(shù)用t表示，最大的迭代次數(shù)用Tmax表示，且0

圖3 基于PSO優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)模型

3 故障檢測電路設(shè)計

高壓電力系統(tǒng)的故障檢測原理如圖4所示。

圖4 電能計量系統(tǒng)故障檢測原理圖

圖4中的黑點為故障檢測點，檢測點通過對電力計量系統(tǒng)故障的分析得出故障類型，再加上系統(tǒng)的結(jié)構(gòu)特點來選取，是對系統(tǒng)是否發(fā)生故障判斷的有力工具?？梢钥闯龉收显蛑饕且淮蝹?cè)短路造成的，電流互感器的一次側(cè)高壓阻抗小且測量不方便，或一次側(cè)短路導致阻抗變化無法直接測量[5]。要解決以上問題，通過在二次側(cè)外加激勵信號的方法(伏安法)對整個系統(tǒng)檢測抗阻如圖5所示。

圖5 激勵信號產(chǎn)生電路圖

由圖5可知，如果想要RC振蕩電路正常工作，就要求保持振幅平衡和相位平衡。則振蕩電路的振蕩頻率公式為

(6)

式中，ZR表示電阻，ZC為電容。

如果CT一次側(cè)短路，可以經(jīng)過GL1與GL2使阻抗降低，分壓值Ua和Uc也會相應(yīng)降低，從而通過檢測信號電壓的變化判斷故障情況。

4 A/D轉(zhuǎn)換電路設(shè)計

目前處理器的處理位數(shù)已經(jīng)發(fā)展到32位，其中ARM具有代表性，ARM具備體積小，功耗低，處理能力強等優(yōu)勢。由于微處理器的發(fā)展非常迅速，市場上的微處理器種類也隨之增加，STM32F103ZET6微處理器是性價比很好的一款，是以高運算速度、更好的實時性、低功耗為目標設(shè)計的產(chǎn)品。它的實時性體現(xiàn)在該處理器使用了NVIC中斷向量控制器，比之前的處理器更好的通過中斷管理的統(tǒng)一為客戶編程提供了方便，中斷延遲的時間和ARM7相比縮短了一半的時間，更好地提高了實時性。低功耗的特點：CM3在CPU不需要運行的時候進入休眠狀態(tài)，這種模式下，只需外設(shè)運行，從而降低了系統(tǒng)的功耗。而且CM3可以通過編程進入停止模式，所有的時鐘停止工作，I/O端口在運行狀態(tài)，一旦中斷事件發(fā)生時，停止模式就會被喚醒進入運行狀態(tài)對中斷事件進行處理，處理完成后，再次進入停止模式，循環(huán)往復(fù)，很大程度地降低系統(tǒng)的功耗。STM32F103ZET6可以說是一個片上系統(tǒng)，其外設(shè)資源也是非常豐富的。為了滿足電路設(shè)計的需求，STM32F103ZET6微處理器內(nèi)部放置了3個A/D轉(zhuǎn)換器，不需要再設(shè)計單獨的A/D轉(zhuǎn)換電路，簡化電路設(shè)計。此款A(yù)/D轉(zhuǎn)換器的高性能體現(xiàn)在具有12位分辨，也可以設(shè)置多種模式，根據(jù)系統(tǒng)時鐘的頻率不同而產(chǎn)生變化，最小可以達到1 μs的轉(zhuǎn)換時間[6-7]。

5 系統(tǒng)訓練及診斷測試

表1為通過動量BP學習算法對神經(jīng)網(wǎng)絡(luò)進行3821次訓練的故障診斷結(jié)果，誤差值降到最小。圖6和圖7分別為動量BP網(wǎng)絡(luò)訓練的誤差曲線和傳統(tǒng)的BP網(wǎng)絡(luò)訓練曲線誤差，通過對2個圖的比較可以看出動量BP網(wǎng)絡(luò)訓練在3821次訓練時就可以是誤差到達最小，而傳統(tǒng)的BP網(wǎng)絡(luò)訓練需要8378次，很明顯前者的迭代次數(shù)更少[8]。

圖6 動量BP網(wǎng)絡(luò)訓練的誤差曲線

圖7 傳統(tǒng)BP網(wǎng)絡(luò)訓練的曲線誤差

表1 故障診斷結(jié)果

通過多組樣本采集對計量系統(tǒng)負載值進行改變，從而對訓練完善的網(wǎng)絡(luò)進行測試，分別如表2、表3所示。與表1對比可以看出，訓練好的網(wǎng)絡(luò)可以很成功地診斷出故障種類，達到理想的效果。表4為動量BP網(wǎng)絡(luò)的測試結(jié)果和比較，從表中的數(shù)據(jù)結(jié)果可以說明，動量BP網(wǎng)絡(luò)比傳統(tǒng)BP網(wǎng)絡(luò)的準確率要高，可以診斷出大多數(shù)的網(wǎng)絡(luò)障礙，具有可行性。

表2 部分故障測試樣本

表3 訓練后的動量BP網(wǎng)絡(luò)測試結(jié)果

表4 動量BP網(wǎng)絡(luò)測試結(jié)果及兩種網(wǎng)絡(luò)結(jié)果對比

6 總結(jié)

通過對電力計量系統(tǒng)故障的分析和BP神經(jīng)網(wǎng)絡(luò)對故障系統(tǒng)的判斷，提出動量BP神經(jīng)網(wǎng)絡(luò)，完善了傳統(tǒng)網(wǎng)絡(luò)的缺陷。經(jīng)過一些列的數(shù)據(jù)測驗及得出相應(yīng)的結(jié)果，經(jīng)對比，動量BP神經(jīng)網(wǎng)絡(luò)正確率高，比傳統(tǒng)BP網(wǎng)絡(luò)的迭代次數(shù)少，收斂速度也相對較快，其方法切實有效。