吳 楊,姚 剛,徐 勝,杜 江,陳錦龍,李長松,熊國江

(1.貴州電網(wǎng)有限責任公司電力調(diào)度控制中心,貴州 貴陽 550002;2.貴州大學電氣工程學院,貴州 貴陽 550025)

0 引言

能源互聯(lián)的發(fā)展使得電網(wǎng)規(guī)模和網(wǎng)絡拓撲結(jié)構(gòu)日趨復雜,對電網(wǎng)故障診斷方法提出了更高要求。目前,關(guān)于電網(wǎng)故障診斷智能技術(shù)主要有專家系統(tǒng)[1]、圖形理論[2-4]、模糊理論[5]、解析模型[6-7]和神經(jīng)網(wǎng)絡[8-9]等。其中,神經(jīng)網(wǎng)絡推理能力強、容錯性好,在電網(wǎng)故障診斷中備受關(guān)注。

基于神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷策略主要分為集中診斷[10-11]、分區(qū)診斷[12-13]以及面向元件診斷[14]。集中診斷是以整個電網(wǎng)為對象進行神經(jīng)網(wǎng)絡模型構(gòu)建,以實現(xiàn)故障元件識別。該診斷策略原理簡單、易于編程,但其模型易陷入“維數(shù)災”,故僅適用于小規(guī)模電網(wǎng)。分區(qū)診斷是將大規(guī)模電網(wǎng)劃分為若干個小規(guī)模電網(wǎng),并針對小規(guī)模電網(wǎng)進行模型建立,從而解決“維數(shù)災”問題,但卻增加了分區(qū)間聯(lián)絡線的二次診斷,加大了診斷的復雜度。面向元件診斷則是以電網(wǎng)元件(母線、線路和變壓器)為對象分別構(gòu)建相應的神經(jīng)網(wǎng)絡模型,不僅解決了“維數(shù)災”問題,還能有效降低故障診斷的復雜度。文獻[14]構(gòu)建了面向元件的徑向基函數(shù)神經(jīng)網(wǎng)絡(BRFNN)故障診斷模型,雖極大地降低了模型的“維數(shù)災”壓力,但RBFNN模型在面對復雜故障時,其診斷容錯性較低。

在故障診斷中,無論采用哪種診斷策略,均無法規(guī)避故障信息中存在的拒動、誤動等不確定性信息。實際上,關(guān)于故障信息中存在的不確定因素可以利用模糊規(guī)則進行很好地分析和描述。而Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(TSFNN)是神經(jīng)網(wǎng)絡和模糊集理論的有效結(jié)合體,既具備神經(jīng)網(wǎng)絡的優(yōu)勢,還具備模糊表達的優(yōu)點[15]。針對該網(wǎng)絡,一般使用聚類步驟來確定TSFNN的結(jié)構(gòu)參數(shù),然后使用最小二乘法、回歸法或啟發(fā)式算法等確定其網(wǎng)絡參數(shù),這種分階段參數(shù)確定方法會破壞這2類參數(shù)之間的相互依存關(guān)系,難以保證所獲模型具備良好的診斷特性[16]。

為綜合神經(jīng)網(wǎng)絡模型和面向元件診斷的優(yōu)勢,本文提出基于改進差分進化TSFNN(IDE-TSFNN)的電網(wǎng)故障診斷模型。

1 Takagi-Sugeno模糊神經(jīng)網(wǎng)絡

一般來說,TSFNN由幾個或多個IF-Then規(guī)則組成,而規(guī)則結(jié)果通常是常數(shù)或者導入的線性函數(shù)。一條典型的模糊規(guī)則可以描述如下:

TSFNN模型結(jié)構(gòu)以及第i條規(guī)則網(wǎng)絡結(jié)構(gòu)如圖1所示。其規(guī)則由前件參數(shù)和后件參數(shù)構(gòu)成,前件參數(shù)用以匹配其模糊變量A,而后件參數(shù)用于產(chǎn)生模糊規(guī)則。

圖1 Takagi-Sugeno模糊神經(jīng)網(wǎng)絡模型結(jié)構(gòu)

假設模型輸入為x= [x1,x2,…,xn]T,TSFNN的最終輸出為y,其計算公式為

(1)

yRulei為第i條規(guī)則的最終輸出,其由前件網(wǎng)絡和后件網(wǎng)絡共同作用所得。

yRulei=Ri×ui

(2)

ui為第i條模糊規(guī)則的權(quán)重,即前件網(wǎng)絡最終輸出參數(shù),其計算式為

(3)

(4)

cij和bij為隸屬度函數(shù)的中心和寬度,且同時為TSFNN的前件參數(shù)。

2 改進差分進化算法

2.1 基本DE算法

差分進化算法(DE)[17]是一種優(yōu)化性能較強的進化算法,因其具備強大的穩(wěn)定性、尋優(yōu)能力以及開發(fā)能力,而被廣泛應用于電力系統(tǒng)各領(lǐng)域。基本DE算法具體操作步驟如下:

a.種群初始化。

在D維空間中,含NP個個體的種群可以被編碼為NP×D的矩陣。其中,第m個個體可描述為

xm,g=[x1,m,g,x2,m,g,…,xD,m,g]

(5)

g為迭代次數(shù);m=1,2,…,NP。其種群初始化操作為

xd,m,g=xd,min+rand(0,1)×(xd,max-xd,min)

(6)

xd,max和xd,min分別為xd的最大值和最小值,d=1,2,…,D;rand(0,1)為[0,1]之間的隨機數(shù)。

b.變異操作。

初始化之后,通過變異操作產(chǎn)生變異向量v,其操作為

vm,g=xbest+F×(xr1,g-xr2,g)

(7)

xbest為上一代中的最優(yōu)個體;F為該算法的縮放因子,通常F∈(0,1);r1和r2為從[1,NP]中隨機選擇的互斥整數(shù)。

c.交叉操作。

在變異操作之后,利用交叉率RC去確定試驗向量u,以增加種群的多樣性。具體交叉操作為

(8)

drand為在[1,D]中的隨機整數(shù)。

d.選擇操作。

通過將試驗向量um,g與目標向量xm,g進行比較,選擇并保留較好的向量進行下一次迭代,即

(9)

f(·)為適應度函數(shù)。本文采用均方根誤差RMSE作為適應度函數(shù),其計算公式為

(10)

2.2 改進DE算法(IDE)

DE算法的尋優(yōu)能力很大程度上受到參數(shù)交叉率RC和縮放因子F的影響。為避免人為主觀設置其參數(shù)值制約算法的搜索性能,本文對DE算法的這2個參數(shù)進行自適應改進,以滿足算法在不同迭代階段的搜索性能。

a.改進縮放因子。

縮放因子的自適應調(diào)整策略為

(11)

Fmin和Fmax分別為縮放因子F的最小值和最大值,分別取0.6和0.9;gmax為最大迭代次數(shù)。在迭代過程前期,F取值較大,且調(diào)整速度較慢,保證有良好的全局搜索性能;隨著迭代次數(shù)g的增大,F逐步降低,以提高局部搜索性能[18]。

b.改進交叉率。

交叉率的自適應調(diào)整策略為

(12)

RCmin和RCmax分別為交叉率RC的最小值和最大值,分別取0.3和0.6。迭代初期,RC較小,全局搜索能力較強;迭代后期,RC逐漸變大,以提高局部搜索收斂性能。

設計好IDE算法后,將其用于優(yōu)化TSFNN的前件參數(shù)和后件參數(shù),以提高診斷模型的準確性。

3 基于IDE-TSFNN的面向元件診斷策略

3.1 面向元件診斷系統(tǒng)結(jié)構(gòu)

假設某電網(wǎng)具有N個電網(wǎng)元件,則本文構(gòu)建面向元件故障的診斷系統(tǒng)如圖2所示。每個電網(wǎng)元件對應一個IDE-TSFNN診斷模型。當電網(wǎng)在出現(xiàn)故障后,首先監(jiān)控中心對收到的故障告警信息進行預處理(如模塊1所示),主要完成對告警信息的聚類、合并和轉(zhuǎn)換等任務。其次,在故障報警信息預處理之后,與各電網(wǎng)元件相關(guān)的繼電保護和斷路器信息將被集中起來(如模塊2所示),并將其傳入相應的IDE-TSFNN診斷模型中,接收到繼電保護或斷路器信息的IDE-TSFNN診斷模型,將被選擇性地觸發(fā)并開始診斷工作,并獲取相應被診斷元件的故障可信度。最后,各電網(wǎng)元件的診斷結(jié)果將由匯總模塊整理輸出(如模塊3所示)。

圖2 面向元件的IDE-TSFNN故障診斷系統(tǒng)結(jié)構(gòu)

3.2 面向元件的IDE-TSFNN故障診斷流程

基于IDE-TSFNN的電網(wǎng)故障診斷流程如圖3所示。首先,利用電網(wǎng)的靜態(tài)數(shù)據(jù)(網(wǎng)絡拓撲結(jié)構(gòu)和保護配置信息)將電網(wǎng)分為若干部分(元件)。其次,通過歷史故障數(shù)據(jù)為每個部分提取相應的訓練樣本集,并通過IDE算法去優(yōu)化相應的TSFNN的前件參數(shù)和后件參數(shù)。TSFNN中,每條模糊規(guī)則均由前件參數(shù)和后件參數(shù)組成。當故障發(fā)生時,將電力系統(tǒng)的靜態(tài)數(shù)據(jù)和監(jiān)控中心收到的實時數(shù)據(jù)(包括繼電保護和斷路器的報警信息)結(jié)合起來進行預處理,并有選擇性地觸發(fā)相應的IDE-TSFNN診斷模型,并計算出最終的診斷結(jié)果。

圖3 面向元件的IDE-TSFNN診斷流程

4 算例分析

為驗證本文模型的有效性,采用文獻[11]的簡單輸電系統(tǒng)為例,分別與BP神經(jīng)網(wǎng)絡(BPNN)、RBF神經(jīng)網(wǎng)絡(RBFNN)以及基本TSFNN模型進行對比分析。簡單輸電系統(tǒng)如圖4所示,該系統(tǒng)存在7個電網(wǎng)元件(S1～S7),且均配有相應的斷路器以及繼電保護裝置,其相關(guān)配置信息如表1所示。

表1 保護配置信息

針對圖4中的簡單輸電系統(tǒng),以系統(tǒng)中的繼電保護和斷路器作為TSFNN的輸入量,以母線、線路和變壓器的故障情況作為TSFNN的輸出量。故障決策樣本如表2所示,共有18組樣本數(shù)據(jù),每個樣本對應著相應的故障區(qū)域,關(guān)于每個樣本的目標輸出如表3所示。

表2 故障決策

表3 訓練樣本對應的目標輸出

4.1 基于IDE-TSFNN的診斷模型構(gòu)建

由上述描述所知,該簡單輸電系統(tǒng)包含7個電網(wǎng)元件(S1～S7),意味著存在7個IDE-TSFNN故障診斷模型,分別對應7個電網(wǎng)元件。將表2與表3中的數(shù)據(jù)進行集中處理,分別分配給各元件對應的IDE-TSFNN模型并完成模型訓練。在IDE算法中,種群規(guī)模為50,迭代次數(shù)為500。部分元件對應診斷模型50次獨立重復訓練的平均適應度變化收斂曲線如圖5所示。表明基本DE算法容易陷入局部最優(yōu),導致模型準確性不高,而IDE算法的尋優(yōu)能力更強,能夠獲得更加準確的診斷模型。此外,采用4種神經(jīng)網(wǎng)絡模型對表4所示的測試樣本進行診斷,其結(jié)果如表5所示,結(jié)果大于0.5即判定為故障。

表4 測試故障樣本

表5 測試樣本診斷結(jié)果

圖5 部分元件診斷模型適應度曲線

4.2 實驗結(jié)果分析

在相同的實驗條件下,從4種診斷模型的診斷效果對比可知,對于簡單故障,即不存在繼電保護和斷路器的拒動、誤動,4種模型均能夠準確診斷出故障元件,且在數(shù)據(jù)上相差不大。由表5可知,面對復雜故障時(如案例5),BPNN和RBFNN的診斷效果明顯低于TSFNN和IDE-TSFNN。而由案例3可知,基本TSFNN模型關(guān)于元件S5的診斷結(jié)果為0.375 1<0.5,則判定為未故障,然而與實際結(jié)果相悖。

綜上分析BPNN、RBFNN與TSFNN的結(jié)果可知,在面對故障信息中存在拒動、誤動等不確定性因素的情況下,采用結(jié)合模糊知識表達的神經(jīng)網(wǎng)絡比傳統(tǒng)BPNN和RBFNN更加適合。此外,從各模型的診斷結(jié)果可知,基于IDE算法優(yōu)化TSFNN前件參數(shù)和后件參數(shù)的診斷模型優(yōu)于基本TSFNN模型,即本文所提模型的精度更高。

5 結(jié)束語

為提高神經(jīng)網(wǎng)絡模型處理電網(wǎng)含不確定性故障信息的診斷能力,引入結(jié)合模糊理論的TSFNN神經(jīng)網(wǎng)絡,并采用改進差分進化算法IDE去提高模型的精度。通過實驗仿真可知,基于IDE-TSFNN的最優(yōu)診斷模型規(guī)模小,診斷過程只根據(jù)報警信息有選擇地觸發(fā)相應的診斷模型,然后獨立、并行進行診斷,提高了故障診斷效率。同時,面對含不確定性故障信息的輔助情況,基于IDE-TSFNN的診斷模型不僅精度高,而且還提高了電網(wǎng)故障診斷的容錯性。

本文所提故障診斷模型有效提高了電網(wǎng)故障診斷的容錯性,但研究中發(fā)現(xiàn)診斷模型受網(wǎng)絡拓撲結(jié)構(gòu)的限制,當拓撲結(jié)構(gòu)改變后,模型需要重新構(gòu)建,可移植性較差。對此,下一步將著重研究模型應對拓撲結(jié)構(gòu)發(fā)生變化所面臨的可移植性問題。