梅 楊，徐大鑫

(1. 河南工程學(xué)院 電氣信息工程學(xué)院，河南 鄭州 451191;2. 鄭州大學(xué)西亞斯國(guó)際學(xué)院 電子信息工程學(xué)院，河南 鄭州451100)

基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障辨識(shí)方法

梅 楊1，徐大鑫2

(1. 河南工程學(xué)院 電氣信息工程學(xué)院，河南 鄭州 451191;2. 鄭州大學(xué)西亞斯國(guó)際學(xué)院 電子信息工程學(xué)院，河南 鄭州451100)

隨著配電網(wǎng)自動(dòng)化終端設(shè)備的廣泛應(yīng)用，基于設(shè)備過電流信息的故障定位方法因原理簡(jiǎn)單、實(shí)現(xiàn)便捷而成為該領(lǐng)域的研究熱點(diǎn).該方法主要分為兩類：統(tǒng)一矩陣算法和群體智能算法.統(tǒng)一矩陣算法的容錯(cuò)能力差，而群體智能算法在構(gòu)造優(yōu)化目標(biāo)時(shí)存在邏輯建模的瓶頸問題.為有效克服上述缺點(diǎn)，提出了基于BP神經(jīng)網(wǎng)絡(luò)模式的配電網(wǎng)故障定位方法，利用FTU的特征量和BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性及良好的泛化能力實(shí)現(xiàn)配電網(wǎng)的故障定位，不但原理簡(jiǎn)單、實(shí)現(xiàn)方便，而且具有多重故障定位能力，仿真結(jié)果證明了該方法的有效性.

配電網(wǎng)；故障定位；BP神經(jīng)網(wǎng)絡(luò)

配電網(wǎng)故障區(qū)段定位對(duì)于提高配電網(wǎng)的自愈性和運(yùn)行可靠性具有重要作用.隨著配電網(wǎng)自動(dòng)化終端設(shè)備的廣泛應(yīng)用，基于設(shè)備過電流信息的故障區(qū)段間接定位方法因其原理簡(jiǎn)單、實(shí)現(xiàn)便捷而成為研究熱點(diǎn).該方法主要分為統(tǒng)一矩陣算法[1-5]和群體智能算法[6-8].統(tǒng)一矩陣算法基于線路元件兩端的FTU電流狀態(tài)監(jiān)控信息，利用矩陣?yán)碚摵蛨D論知識(shí)構(gòu)建故障辨識(shí)矩陣，具有直接、高效等優(yōu)勢(shì)，但缺乏信息畸變的適應(yīng)能力，易出現(xiàn)錯(cuò)判或漏判.基于群體智能算法的配電網(wǎng)故障辨識(shí)方法的基本思想是基于逼近理論和最小故障診斷集概念，構(gòu)建故障定位離散優(yōu)化數(shù)學(xué)模型，利用群體智能算法找出最能解釋所有自動(dòng)化設(shè)備上傳的故障電流報(bào)警信息的饋線短路故障區(qū)段，具有建模原理清晰簡(jiǎn)單的優(yōu)點(diǎn).采用逼近思想構(gòu)建的故障定位模型不僅具有較強(qiáng)的通用性，而且在進(jìn)行故障區(qū)段辨識(shí)時(shí)具有較高的容錯(cuò)能力，可直接采用新型高效的群體智能算法進(jìn)行優(yōu)化決策，但該類方法的建模依賴于邏輯建模，不能適應(yīng)大規(guī)模配電網(wǎng)的故障辨識(shí).

基于BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性和良好的泛化能力，同時(shí)利用其無須建立準(zhǔn)確目標(biāo)函數(shù)的優(yōu)點(diǎn)，本研究提出了基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法，旨在實(shí)現(xiàn)單一故障和多重故障的準(zhǔn)確定位.

1 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的基本原理

BP神經(jīng)網(wǎng)絡(luò)通過模仿人腦神經(jīng)元對(duì)外部激勵(lì)信號(hào)的反應(yīng)過程建立學(xué)習(xí)模型，而后通過正向傳播和誤差反向傳播過程對(duì)一系列輸入輸出樣本集進(jìn)行逼近學(xué)習(xí)，最終建立輸入和輸出的隱式函數(shù)逼近關(guān)系，反映輸入量和輸出量的耦合變化規(guī)律.BP神經(jīng)網(wǎng)絡(luò)在本質(zhì)上屬于誤差反向傳播的網(wǎng)絡(luò)，由輸入層、輸出層和中間層構(gòu)成，當(dāng)將輸入輸出量作為BP神經(jīng)網(wǎng)絡(luò)的樣本集時(shí)，其誤差信息先從輸入層正向傳播到輸出層，而后反向傳播并利用逼近關(guān)系對(duì)權(quán)值進(jìn)行修正，直到誤差滿足要求并逼近預(yù)定的學(xué)習(xí)目標(biāo)為止，最終建立樣本集輸入與輸出間的隱含耦合關(guān)系.BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程如下：

(1)初始化BP網(wǎng)絡(luò).設(shè)定BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)分別為n，l，m；初始化輸入層i和隱含層j之間的連接權(quán)值為wij；隱含層j和輸出層k之間的連接權(quán)值為wjk；隱含層j的閾值為θj；輸出層k的閾值為bk.

(2)選取樣本.選取n個(gè)輸入樣本集X(X1，X2，…，Xn)和m個(gè)輸出樣本集T(T1，T2，…，Tm).

(3)隱含層輸出計(jì)算.i表示輸入層第i個(gè)神經(jīng)元節(jié)點(diǎn)，j表示隱含層第j個(gè)神經(jīng)元節(jié)點(diǎn)，f表示隱含層激勵(lì)函數(shù)，隱含層的輸入和輸出計(jì)算公式為

(1)

(4)輸出層的輸出計(jì)算.H和Y分別表示輸出層第k個(gè)神經(jīng)元的輸入和輸出，計(jì)算公式為

(2)

(5)誤差計(jì)算.根據(jù)Y和訓(xùn)練樣本T進(jìn)行網(wǎng)絡(luò)誤差的計(jì)算，公式為

(3)

(6)輸出層與隱含層權(quán)值和閾值的調(diào)整.通過上面對(duì)網(wǎng)絡(luò)誤差E的計(jì)算，使權(quán)值和閾值沿誤差的負(fù)梯度方向變化.Δwjk表示權(quán)值調(diào)整，Δbk為閾值調(diào)整，δk為輸出層的調(diào)整誤差，它們的計(jì)算公式為

(4)

式中：α表示學(xué)習(xí)率(0<α<1)，用來調(diào)節(jié)學(xué)習(xí)的收斂速度.

(7)隱含層與輸入層權(quán)值和閾值調(diào)整的計(jì)算公式為

(5)

(8)重復(fù)上述步驟，如果算法滿足精度要求則終止，否則執(zhí)行第(3)步.

2 BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障診斷原理

2.1 BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位的基本思路

在配電網(wǎng)沒有發(fā)生故障時(shí)，配電網(wǎng)中將不會(huì)出現(xiàn)電流越限的情況，監(jiān)控節(jié)點(diǎn)處FTU未檢測(cè)到電流越限信號(hào)；當(dāng)配電網(wǎng)發(fā)生短路故障時(shí)，監(jiān)控節(jié)點(diǎn)處FTU會(huì)檢測(cè)到短路故障過電流，并通過遠(yuǎn)程通信設(shè)備將帶時(shí)標(biāo)的故障報(bào)警信息上傳到控制主站.由此可以看出，依據(jù)FTU上傳的過電流信息及上下游饋線間的耦合關(guān)聯(lián)關(guān)系可判定配電網(wǎng)是否發(fā)生短路故障.基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位思路如下：首先，確定饋線節(jié)點(diǎn)的FTU過電流信息為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，配電網(wǎng)饋線狀態(tài)為BP神經(jīng)網(wǎng)絡(luò)的輸出變量，采用邏輯值0和1分別表示饋線正常和故障；然后，依據(jù)配電網(wǎng)拓?fù)浣Y(jié)構(gòu)建立故障時(shí)饋線狀態(tài)與FTU上傳監(jiān)測(cè)過電流信息的匹配關(guān)系集；接下來，利用配電網(wǎng)故障時(shí)的輸入輸出樣本集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，建立隱式的FTU監(jiān)測(cè)信息與故障饋線的非線性函數(shù)關(guān)系；最后，利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)配電網(wǎng)故障饋線進(jìn)行辨識(shí).

圖1 輻射狀配電網(wǎng)Fig.1 Radical distribution network

2.2 基于BP神經(jīng)網(wǎng)絡(luò)的故障樣本集的構(gòu)建

訓(xùn)練樣本選取是否合理直接影響著配電網(wǎng)的故障定位結(jié)果，下面將基于潮流輸移特性并以圖1為例詳細(xì)說明樣本集的構(gòu)建方法.

假定x(1)～x(14)分別為饋線V1～V14的運(yùn)行狀態(tài)信息，IQ1～I(xiàn)Q14分別表示斷路器和分段開關(guān)電流越限信息值，當(dāng)有過電流時(shí)取值為1，否則其值為0.圖1中，若斷路器Q1的FTU采集到故障電流越限信息，依據(jù)圖論連通性和電力系統(tǒng)潮流分布特征易知，電流越限信號(hào)IQ1可能是由饋線V1～V14發(fā)生短路故障引起的.同理，IQ2可能是饋線V2～V14短路故障引起的，IQ3可能是饋線V3～V14短路故障引起的，IQ4可能是饋線V4～V5短路故障引起的，IQ5可能是饋線V5短路故障引起的，IQ6可能是饋線V6～V10短路故障引起的，IQ7可能是饋線V7～V10短路故障引起的，IQ8可能是饋線V8～V9短路故障引起的，IQ9可能是饋線V9短路故障引起的，IQ10可能是饋線V10短路故障引起的，IQ11可能是饋線V11～V14短路故障引起的，IQ12可能是饋線V12～V14短路故障引起的，IQ13可能是饋線V13～V14短路故障引起的，IQ14可能是饋線V14短路故障引起的.

依據(jù)圖1，對(duì)配電網(wǎng)故障時(shí)FTU采集到的故障電流越限信息與饋線故障線路間的耦合關(guān)聯(lián)進(jìn)行分析，然后采用集合運(yùn)算的交集理論可得到基于BP神經(jīng)網(wǎng)絡(luò)故障的樣本集，包含單一和多重故障樣本集.樣本輸入用來表示節(jié)點(diǎn)過電流信息的特征矩陣，樣本輸出為故障的饋線位置，0表示沒有過電流信息，1表示有過電流信息.表1和表2分別為單一故障輸入和輸出樣本集.由于發(fā)生多重故障時(shí)的樣本比較多，本方法僅列舉部分訓(xùn)練樣本作為分析的對(duì)象.表3和表4分別為多重故障輸入和輸出樣本集.

表1 饋線單一故障的配電網(wǎng)輸入樣本集Tab.1 Distribution network input sample for feeder single fault

表2 饋線單一故障的配電網(wǎng)輸出樣本集Tab.2 Distribution network output sample for feeder single fault

表3 饋線多重故障時(shí)網(wǎng)絡(luò)訓(xùn)練的輸入樣本集Tab.3 Distribution network input sample for feeder multiple fault

表4 饋線單一故障的配電網(wǎng)輸出樣本集Tab.4 Distribution network output sample for feeder single fault

2.3 BP神經(jīng)網(wǎng)絡(luò)配電網(wǎng)故障定位的Matlab實(shí)現(xiàn)

(1)訓(xùn)練樣本與數(shù)據(jù)導(dǎo)入.采用2.2節(jié)中14個(gè)開關(guān)節(jié)點(diǎn)Q1～Q14的電流越限報(bào)警集和14個(gè)饋線區(qū)段V1～V14中的預(yù)設(shè)故障區(qū)段作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的輸入與輸出.

(2)利用Matlab的newff函數(shù)建立三層BP神經(jīng)網(wǎng)絡(luò)，隱含層是tansig函數(shù)，輸出層是purelin函數(shù)，訓(xùn)練函數(shù)、學(xué)習(xí)函數(shù)和性能函數(shù)分別是traingd函數(shù)、learngdm函數(shù)和mse函數(shù).對(duì)于隱含層神經(jīng)元個(gè)數(shù)采用試湊法確定，即先用一些數(shù)目測(cè)試仿真結(jié)果是否合理，然后不斷縮小范圍，直至最佳結(jié)果出現(xiàn).

(3)設(shè)置BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)：最大迭代次數(shù)為5 000，學(xué)習(xí)率為0.05，目標(biāo)誤差為1×10-3，動(dòng)量因子為0.9.

表5 單一故障隱層節(jié)點(diǎn)數(shù)的仿真結(jié)果Tab.5 Simulation results for single fault

(4)利用Matlab中的sim函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)仿真.

3 算例仿真

3.1 單一故障仿真結(jié)果及分析

以圖1所示的配電網(wǎng)為例，進(jìn)行仿真分析.隱含層神經(jīng)元的數(shù)目選擇不僅影響著配電網(wǎng)故障定位算法的效率，還直接影響著故障定位的準(zhǔn)確性，故在進(jìn)行配電網(wǎng)故障定位前，首先通過分析選出最佳的隱含層神經(jīng)元數(shù)目，通過試湊法對(duì)問題進(jìn)行分析，進(jìn)而確定最理想的數(shù)目，給出網(wǎng)絡(luò)仿真結(jié)果和實(shí)際輸出.通過調(diào)節(jié)隱含層的神經(jīng)元個(gè)數(shù)，得出不同的仿真結(jié)果.表5為單一故障下配電網(wǎng)故障定位在不同隱含層數(shù)目下的仿真結(jié)果.

由表5的仿真數(shù)據(jù)可知，隱含層神經(jīng)元個(gè)數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)動(dòng)態(tài)過程的影響較大，若隱含層神經(jīng)元個(gè)數(shù)的設(shè)置不合理，會(huì)使訓(xùn)練的時(shí)間變長(zhǎng)且精度降低.針對(duì)14節(jié)點(diǎn)配電網(wǎng)算例進(jìn)行仿真可發(fā)現(xiàn)，當(dāng)隱含層數(shù)目為55時(shí)，仿真迭代次數(shù)最少，訓(xùn)練效率最高，獲得的訓(xùn)練結(jié)果最好.

表6為隱含層數(shù)為55時(shí)配電網(wǎng)故障診斷的仿真輸出結(jié)果.從表6可以看出，當(dāng)配電網(wǎng)發(fā)生單一短路故障時(shí)，由于BP神經(jīng)網(wǎng)絡(luò)可以有效地實(shí)現(xiàn)輸入輸出樣本之間的逼近，故可有效地判斷故障可能發(fā)生的區(qū)段.由此可見，本方法可以準(zhǔn)確地判斷單一故障.

表6 單一故障時(shí)網(wǎng)絡(luò)訓(xùn)練的實(shí)際輸出Tab.6 The output of network training with one fault

3.2 多處故障仿真結(jié)果及分析

隨著配電網(wǎng)的日趨復(fù)雜，發(fā)生多重故障的可能性也逐漸增加.因此，在分析單一故障的基礎(chǔ)上，對(duì)多處故障進(jìn)行研究分析.根據(jù)表3所列的故障訓(xùn)練樣本，主要分析兩處故障和三處故障的情況.若有更多故障點(diǎn)，分析原理相同.

表7 多重故障時(shí)隱層節(jié)點(diǎn)數(shù)的仿真結(jié)果Tab.7 Simulation result for hidden layer nodes with multi-faults

與發(fā)生一處故障的配電網(wǎng)分析結(jié)果類似，發(fā)生多處故障時(shí)，隱含層的神經(jīng)元數(shù)目同樣重要，要得到理想的輸出結(jié)果，就必須確定隱含層的神經(jīng)元數(shù)目.采用試湊法進(jìn)行判斷，分析不同神經(jīng)元數(shù)目對(duì)輸出結(jié)果的影響，仿真結(jié)果如表7所示.

由表7可見，當(dāng)隱含層節(jié)點(diǎn)數(shù)為60時(shí)，訓(xùn)練誤差接近1×10-3，學(xué)習(xí)效率最高；當(dāng)神經(jīng)元個(gè)數(shù)為80時(shí)，訓(xùn)練次數(shù)減少，但其仿真結(jié)果已不能達(dá)到理想狀態(tài)；繼續(xù)增加神經(jīng)元數(shù)目，網(wǎng)絡(luò)的收斂特性會(huì)持續(xù)變差，甚至不能收斂.因此，對(duì)多重故障仿真時(shí)，宜采用具有60個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)，對(duì)應(yīng)的多重故障仿真結(jié)果如表8所示.

表8 多處故障時(shí)網(wǎng)絡(luò)訓(xùn)練的實(shí)際輸出Tab.8 The practical output for network training with multiple fault

將實(shí)際輸出結(jié)果(見表6)與期望輸出結(jié)果(見表4)進(jìn)行比較可以發(fā)現(xiàn)，利用神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確地進(jìn)行故障判斷.

4 結(jié)論

(1)BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)性和泛化能力使其可應(yīng)用于配電網(wǎng)的故障定位.

(2)基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法具有原理簡(jiǎn)單、實(shí)現(xiàn)便捷、無須準(zhǔn)確的目標(biāo)函數(shù)等優(yōu)點(diǎn).

(3)通過合理的樣本和隱含層數(shù)的選擇，基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法可以實(shí)現(xiàn)對(duì)配電網(wǎng)單一故障和多重故障的準(zhǔn)確定位.

(4)本方法提出的基于BP神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障定位方法適用于小規(guī)模配電網(wǎng)的在線故障定位，針對(duì)大規(guī)模配電網(wǎng)的BP神經(jīng)網(wǎng)絡(luò)故障定位方法有待進(jìn)一步研究.

[1] 劉健，倪建立，杜宇．配電網(wǎng)故障區(qū)段判斷和隔離的統(tǒng)一矩陣算法[J]．電力系統(tǒng)自動(dòng)化，1999，23(1)：31-33．

[2] 王飛，孫瑩．配電網(wǎng)故障定位的改進(jìn)矩陣算法[J]．電力系統(tǒng)自動(dòng)化，2003，27(12)：45-46．

[3] 蔣秀潔，熊信尹，吳耀武，等．改進(jìn)矩陣算法及其在配電網(wǎng)故障定位中的應(yīng)用[J]．電網(wǎng)技術(shù)，2004，28(19)：60-63．

[4] 焦彥軍，杜松廣，王琪，等．基于信息矛盾原理的畸變信息修正及配電網(wǎng)故障區(qū)段定位[J]．電力系統(tǒng)繼電保護(hù)與控制，2014，42(16)：43-48．

[5] 梅念，石東源，楊增力，等．一種實(shí)用的復(fù)雜配電網(wǎng)故障定位的矩陣算法[J]．電力系統(tǒng)自動(dòng)化，2007，31(10)：66-70．

[6] 杜紅衛(wèi)，孫雅明，劉弘靖，等．基于遺傳算法的配電網(wǎng)故障定位和隔離[J]．電網(wǎng)技術(shù)，2000，25(5)：52-55．

[7] 衛(wèi)志農(nóng)，何樺，鄭玉平．配電網(wǎng)故障區(qū)間定位的高級(jí)遺傳算法[J]．中國(guó)電機(jī)工程學(xué)報(bào)，2002，22(4)：127-130．

[8] 陳歆技，丁同奎，張釗．蟻群算法在配電網(wǎng)故障定位中的應(yīng)用[J]．電力系統(tǒng)自動(dòng)化，2006，30(5)：74-77．

Distribution network fault identification method based on BP neural network

MEI Yang1，XU Daxin2

(1.CollegeofElectricalInformationEngineering，HenanUniversityofEngineering,Zhengzhou451191,China;2.SchoolofElectronicInformationEngineering,SiasInternationalUniversity，Zhengzhou451100,China)

The feeder fault location method with fast and high tolerance characteristics plays an important role in enhancing the automation level of distribution network. With the wide application of terminal equipment for power distribution automation system, indirect positioning method based on information equipment over current fault section is simple and convenient and has become a hot spot of research in this field, the algorithm is mainly divided into two categories: unified matrix algorithm and swarm intelligence algorithm. Unified matrix algorithm for fault tolerant ability is poor, swarm intelligence methods in logical modeling of bottleneck problems existed during the optimization goal. Based on BP neural network model of distribution network fault location method using the characteristics of the FTU realize fault location, the principle is simple, easy implementation, and has multiple fault location. The simulation results prove the effectiveness of the proposed method.

distribution network; fault location; BP neural network

2016-11-08

梅楊(1962-)，女，安徽安慶人，教授，主要從事電力傳動(dòng)及其系統(tǒng)方面的研究.

TM711

A

1674-330X(2017)02-0040-06