邱力偉,關煥新，劉明威

(1.沈陽工程學院，遼寧 沈陽 110136；2.國網沈陽供電公司，遼寧 沈陽 110003)

不斷深入的電網建設加速了電網大規(guī)模區(qū)域性互聯的發(fā)展趨勢，但也促使電網連鎖性故障[1]發(fā)生的概率增大，對電力系統(tǒng)造成嚴重威脅。連鎖性故障大多由較小的故障引發(fā)，如某一繼電保護裝置的拒動或誤動、某段線路短路等，而電網的大規(guī)?；ヂ撌刮⑿〉墓收喜粩鄠鞑ゲ⒓觿。罱K導致電網的連鎖性故障，發(fā)生大規(guī)模停電事故。據統(tǒng)計，超過85%的連鎖性故障是由于未能及時確定配電網故障區(qū)域造成的[2]，因此，提高配電網的故障定位技術顯得尤為重要。配電網故障從發(fā)生到傳播擴大的時間極為短暫，小型故障幾秒內就可能發(fā)展為連鎖性故障，并且故障具有時變性特征，使配電網快速故障定位的難度劇增。

人工神經網絡(Artificial Neural Networks,ANN)因其自組織、自適應和自學習的特點被廣泛應用于各個領域，在配電網故障診斷的應用中也發(fā)揮著越來越大的作用，大量專家學者對此進行了相關研究。2005年畢天姝[3]等提出將正交最小二乘算法擴展用于優(yōu)化徑向基函數神經網絡參數，并將得到的新型徑向基函數神經網絡成功應用于配電網故障診斷問題。但是，該方法的診斷速度一般，并未考慮故障特征的時變性；2008年劉超[4]等人提出運用量子神經網絡進行配電網故障定位的算法，借鑒量子力學的相關概念，不斷更新各層神經元的連接權以及隱含層各神經元的量子間隔，達到提高故障定位容錯性的目的。但是訓練速度過慢，也未考慮故障特征的時變性；2017年邱路[4]等人將小波奇異熵與自組織特征映射神經網絡相結合，提出一種能夠適應微電網系統(tǒng)拓撲結構變化情況的故障診斷方法。該方法雖然不受故障位置、故障時刻等因素的影響，但是仍然沒有考慮故障特征的時變性。

上述文獻采用的配電網故障診斷方法均能有效診斷配電網故障，但均未考慮配電網的故障的時變特性。本文建立時變時滯模糊雙曲神經網絡[6](Time-varying Delay Fuzzy Hyperbolic Neural Network,TDFHNN)的模型，并首次將其應用于配電網故障診斷，與上述方法相比，能夠快速有效地診斷配電網故障，并且考慮到了配電網故障特征的時變性以及時滯特性。

1 時變時滯模糊雙曲神經網絡

1.1 TDFHNN的拓撲結構

圖1 TDFHNN拓撲結構

在圖1所示的時變時滯模糊雙曲神經網絡拓撲結構中，定義f1(x)=tanh(x),f2(x)=x；定義Kx=diag(k1,k2,…,kn)為模糊隸屬函數[7]Pxj與Nxj的中心；aij與bij(i,j=1,2,…,n)表示從輸出層的第i個節(jié)點到隱層的第j個節(jié)點的常量連接權和常量時滯連接權；d1,d2,…,dn>0為常量；τjlj(t)>0(i,j=1,2,…,n,lj=0,1,…,ωj)組成的τ(t)表示時變傳輸時滯；I1,I1,…，In表示閾值。

1.2 TDFHNN的實現

TDFHNN是一種前饋的三層網絡，因此可以通過前饋學習方法對其連接權進行訓練，本文選擇BP算法[4]，但是其實現過程與傳統(tǒng)的BP算法有所區(qū)別，具體訓練步驟如下。

a. 初始化權值。類似于文獻[8]一類的經典BP神經網絡可以隨機賦予權值初值，但是TDF-HNN本質上是模糊模型，其初值不可以隨機選取，必須由專家系統(tǒng)選擇初值。

b. 確定結構參數以及定義變量。確定訓練樣本個數，本文擬定訓練樣本個數為n；輸入變量xi(t)(i=1,2,…,n)，神經網絡第n次迭代后輸出變量為yi(t)(i=1,2,…，n)；設定期望輸出為ξi(t)(i=1,2,…，n)；設定誤差精度e。

c. 輸入訓練樣本，樣本構建見1.3。

d. 正向傳播。將構建的訓練樣本輸入xi(t)(i=1,2,…,n)帶入模型，計算出網絡的輸出yi(t)(i=1,2,…,n)，并求得與期望值ξi(t)(i=1,2,…,n)的誤差E(n)。

(1)

式(1)為誤差計算公式，訓練過程中期望值與輸出值的誤差E(n)處理方法如下：

如果E(n)>e，則轉至環(huán)節(jié)e;

如果E(n)≤e，則轉至環(huán)節(jié)f。

(2)

ωij(n+1)=ωij(n)+Δωij(n)

(3)

式中：ωij(n)表示網絡的連接權符號，ωij(n)是多個權值的集合而不是單一的權值；ηi(n)表示網絡的學習效率，其選取方法如下：

ηi(n+1)=ληi(n)

(4)

式中：λ的取值遵循以下規(guī)則：E(n)>E(n+1)時，λ∈(1.2，1.6)；E(n)

新的參數計算完成后帶入環(huán)節(jié)c繼續(xù)循環(huán)，直至達到指定誤差精度e。

f. 算法終止。為了更加形象地說明該算法的具體步驟，本文建立了算法流程圖如圖2所示。

2 仿真分析

2.1 配電網故障模型

首先構造一簡單的配電網絡如圖3所示，該網絡分為7個區(qū)域(S1-S7)。均配有過電流保護(CP1-CP7)，S1和S5配有距離保護(DP1、DP5)。

圖2 算法流程

圖3 配電網拓撲模型

根據圖3構造故障決策表(即訓練樣本)見表1，表1中數字“1”代表斷路器動作或保護動作，“0”表示斷路器未跳開或保護未動作。

2.2 訓練結果

電網模型對應的故障決策表見表1，共16組訓練樣本。表中有 QF1-CP5 共16個條件屬性，因此定義輸入變量為16個，神經網絡層數為3；輸出神經元個數為8，對應8個故障診斷結果；隱含層神經元個數取32。對TDFHNN進行訓練，訓練結果見表2。

表1 配電網故障決策表

表2 訓練結果

2.3 性能分析

為了驗證TDFHNN性能的確優(yōu)于傳統(tǒng)的BP神經網絡，本文構造了含有保護裝置誤動信息的9個故障樣本如表3所示，對照表3可知，樣本1和9是斷路器誤動，樣本2是過流保護裝置誤動，樣本3-8是斷路器拒動。然后，分別使用本文構造的TDFHNN以及文獻[9]構造的BP神經網絡對表3所示的故障樣本進行故障定位。表4為2種神經網絡對樣本的診斷結果，圖4為誤差的變化曲線。

表3 故障樣本信息表

表4 TDFHNN與BP神經網絡的診斷結果

由表4診斷結果可以看出，對存在一定錯誤信息樣本的診斷結果，TDFHNN明顯優(yōu)于BP神經網絡。主要表現在TDFHNN對各個樣本都可以較好地識別，而傳統(tǒng)BP神經網絡僅能識別出樣本2的故障。

圖4 誤差的變化曲線

由圖 4 可知，60個學習步長時，TDFHNN誤差已經趨于0，而傳統(tǒng)BP神經網絡的誤差值仍然很大，且比之BP神經網絡，TDFHNN誤差的收斂速度也很快。

3 結束語

本文構造時變時滯模糊雙曲神經網絡的拓撲結構，并論述了其實現方法。首次將其應用于配電網故障定位，用仿真分析證明了該方法的容錯性與優(yōu)越性。仿真結果證明了本方法可以適用于配電網容錯性故障定位，為今后配電網故障定位的研究提供了一定的借鑒。