基于pnn神经网络的配电线路综合故障定位方法

基于概率神经网络的配电线路综合故障定位方法摘要提出了利用C行波测距法和PNN神经网络对带有分支的配电网故障线路进行准确定位的方法，其目的是利用这两种方法各自有各自功能的互补性来实现准确的故障定位。这种C行波测距法和PNN神经网络综合故障定位方法充分利用了行波法操作简单、定位速度快，以及PNN神经网络常用于解决分类问题的特点，可以实现精确故障定位。该方法是一种分两步来确定故障点的定位方法首先利用C型行波法确定故障距离，然后利用PNN神经网络确定故障分支。理论分析和仿真结果表明该方法能够准确地确定带分支配电网单相接地故障位置。关键词带分支配电线路；故障定位；C型行波；PNN神经网络中图分类号TM711文献标识码A文章编号ACOMPOSITEFAULTLOCATIONMETHODOFPNNFORDISTRIBUTIONLINESABSTRACTAMETHODFORACCURATEFAULTLOCATIONONADISTRIBUTIONLINEWITHBRANCHESUSINGTHECTYPEOFTRAVELINGWAVESIGNALANDPNNISPRESENTEDITINTEGRATESTHECTYPEOFTRAVELINGWAVELOCATIONMETHODWITHPNNTHEAIMISTOCOMBINEDIFFERENTLOCATIONMETHODSTOIMPROVETHEACCURACYOFFAULTLOCATIONITHASTWOSTEPSTHEFIRSTSTEPISDETERMININGTHEFAULTDISTANCEBYCTYPEOFTRAVELINGWAVELOCATIONMETHODTHESECONDONEISLOCATINGTHEFAULTBRANCHBYPNNBOTHTHEORETICALANALYSESANDSIMULATIONSHOWTHATTHISCOMPOSITELOCATIONMETHODCANBEUSEDTODETERMINETHESINGLEPHASETOEARTHFAULTLOCATIONACCURATELYINTHEDISTRIBUTIONNETWORKKEYWORDSDISTRIBUTIONLINEWITHBRANCHESFAULTLOCATIONCTYPEOFTRAVELINGWAVEPNN配电系统作为电力系统中的最后一个环节直接面向终端用户，它的完善程度直接关系到广大用户的用电可靠性和用电质量，因而它在电力系统中具有重要的地位12。配电网一旦发生故障，就会造成社会生产的巨大损失，给人们的生活带来极大的不便。据统计电力系统中80以上的故障源自配电网，而配电网中约80的故障是单相接地故障，进而快速准确定位这类故障显得尤为重要。故障地位可以指导维修人员直达线路的故障点，避免人工巡线的艰辛劳动，对快速恢复供电、保证供电可靠性、提高供电部门和用户的经济效益都具有重要的意义。另外，及时地排除故障有利于维护电网设备，避免设备因单相接地故障时非故障相电压的升高所造成的绝缘损坏。目前，国内外针对馈线的故障测距还缺乏成熟的研究成果。如何在故障发生后快速准确的查找故障点并及时隔离故障恢复供电，对于提高供电可靠性具有非常重要的研究意义和实用价值310。本文提出了基于概率神经网络（PNN，PROBABILISTICNEURALNETWORK）的配电网故障定位方法，并配合C行波测距法进行故障测距，可以实现快速准确的定位。1配电网故障定位的难点和现状配电网一般采用单电源辐射性供电，其线路分支多、总体长度长、对地电容大。故障点电流较小，信号弱，分支点对暂态信号有衰减和畸变作用，返回接收端的暂态信号已经衰减的相当微弱，考虑噪声的影响，可能已经无法检测。另外，故障时接地电阻较大，加上现场不可避免的噪声干扰，故障信号微弱，很多定位方法都会失效，这是目前很多定位技术没有取得满意的现场效果的主要原因。定位方法只有解决以上难题，才可能彻底解决配电网故障定位问题47。目前，配电网故障定位方式主要有两种一种是通过继电保护装置、SCADA系统监控和馈线终端单元FTU等来实现故障定位，这种方式的投资大，成本高，还没有普及运用；另一种是通过用户打来的投诉电话进行人工定位，这种方式的投资少，但人工巡线工作量大，定位时间长且常常达几小时甚至更久，给用户带来很大不便，尤其是要求用电可靠性高的负荷1213。2行波定位原理由于行波在线路上传播在阻抗不连续点会发生折射和反射，因此可以用行波来实现定位。行波定位方法是指记录行波在故障点与接收点之间传播一次或者往返一次的时间，然后利用波速和时间计算故障距离。行波法定位具体可分为A型、B型、C型和E型4种1213。由于配电网分支多，且一般末端面向用户，一般只有供电端有测量和计算的条件，则单端定位比较实际。而故障时刻信号弱，不以捕捉，则离线定位相对比较方便。综合看来选用C型行波方法来进行定位较为方便。C型行波定位是人工向线路注入信号，可重复使用，不受故障时刻信号强弱的影响，且所发信号频率已知，易于滤波降噪。LX1T2MN图1C型行波定位示意图FIG1THESIGNALWAVEPATHOFCTYPETRAVELINGWAVEMETHOD如图1所示，在时刻，由人工向故障线路1T发射一个行波信号。由于故障点为金属性接地，当行波到达故障点发生全反射，时刻返回检测2T端M。设信号检测点M到故障点F的距离为，LX则计算公式为（）12VXL式（1）中是波速，求解时近似于光速计算。3PNN神经网络径向基神经元（RBF，RADIALBASISFUNCTION）可以和竞争神经元一起共同组建概率神经网络（PROBABILISTICNEURALNETWORK，PNN）。概率神经网络经常用于解决分类问题。它的优势在于结构简单、训练简洁，将故障样本空间映射到故障模式空间中，可形成一个具有较强容错能力和结构自适应能力的诊断网络系统，从而提高故障诊断的准确率。这种网络对应的权值就是模式样本的分布，网络不需要训练，因而满足训练上实时处理的要求。31PNN神经网络的结构PNN神经网络是由径向基函数网络发展而来的一种前向神经网络，适合与模式分类。网络由输入层，径向神经元，竞争层和输出层组成。1R1N1A2LW径向基神经元竞争层输入R1P1IDISTIQKQNCY图2PNN神经网络的结构FIG2THESTRUCTUREOFPNNNEURALNETWORK输入层接受来自训练样本的值，将特征向量传递给网络，其神经元数目和样本矢量的维数相等。径向基神经元即模式层计算输入特征向量与训练集中各个模式的匹配关系，模式层神经元的个数等于各个类别训练样本之和，该层每个模式输出为2EXP,ITIIWXWF（）式中，为输入层到模式层链接的权值；为平I滑因子，它对分类起着至关重要的作用。第三层是竞争层即求和层，是将属于某类的概率累计，按式（2）计算，从而得到故障模式的估计概率密度函数。每一类只有一个求和层单元，求和层单元与只属于自己类的模式层单元相连接，而与模式层中的其他单元没有连接。因此求和层单元简单地将属于自己类的模式层单元的输出相加，而与属于其他类别的模式层单元的输出无关。求和层单元的输出与各类基于内核的概率密度的估计成比例，通过输出层的归一化处理，就能得到各类的概率估计。网络的输出决策层由简单的阈值辨识器组成，其作用是在各个故障模式的估计概率密度中选择一个具有最大后验概率密度的神经元作为整个系统的输出。输出层神经元是一种竞争神经元，每个神经元对应于一个数据类型即故障模式，输出层神经个数等于训练样本数据的种类个数，它接受从求和层输出的各类概率密度函数，概率密度函数最大的那个神经元输出为1，即所对应的那一类即为待识别的样本模式类别，其他神经元的输出全为0713。32PNN神经网络的基本算法基于PNN的故障诊断方法是概率统计学中被广泛接受的一种决策方法，可描述为假设有两种已知的故障模式、，对于要判断的故障特AB征样本NXX,21若，则；XFLHFLHAA若，则；BB式中，、为故障模式、的先验概AHBAB率（）；、为故N,障模式、的训练样本数；为训练样本总数；为将本属于的故障特征样本错误的划ALAX分到模式的代价因子；为将本属于的故BBLB障特征样本错误的划分到模式的代价因子；XA、为故障模式、的概率密度函数AFA（PDF），通常PDF不能精确的获得，只能根据现有的故障特征样本求其统计值。PDF估计式如下（22EXP1AITAIPAXMF）式中，为故障模式的第个训练向量；AIXAI为故障模式的训练样本数目；为平滑参数，其取值确定了以样本点为中心的钟状曲线的宽度。33行波RBF神经网络综合定位方法针对配电网定位的难题，通过对现行的定位方法进行分析，提出了利用多种信息来进行综合定位的方法，其目的是利用不同方法的互补性来提高故障定位的准确性。将特征波C型行波定位法和人工神经网络结合起来的行波PNN神经网络综合定位方法，分两步进行故障定位第一步是在故障线路首端注入高压脉冲信号，利用C型行波法确定故障距离；第二步是利用PNN神经网络确定出故障分支。故障距离结合故障分支就可以对带分支的配电线路进行精确的故障定位。4仿真实验及结果对于行波PNN神经网络综合故障定位方法,应用ATPEMTP和MATLAB仿真软件对带分支的线路进行了仿真试验，验证了其可行性。41行波法确定故障距离图3（A）是某变电站对部分工厂的配电线路图，图3（B）为简化线路示意图，分支的末端是配电变压器，图中线路的单位都是千米，图3（C）是用ATPEMTP搭的线路仿真模型图。假设在F点发生了单相电阻接地故障，由于配电变压器在高频情况下其绕组电感在冲击作用下的电流很小，基本上可以忽略，所以此时的变压器相当于只有入口电容起作用，可用电容C来替代变压器。MK1K4K3K2S1S2S3S4K8K9S5S6K5K6K8K7K10S7S8S9S10K14K13K12K11S14S13S12S11S15K15K19S16S17K20S18S19S20K16K17K18K21S21K23K22S22S23K24S24K28S25S26K29S27S28S29K25K26K27K31K30S30S31S32（A）某变电站配电线路图MNR06020204T050505ABSGIH03101021DH050505CLJF0504VE06WP041OQ0305（B）简化线路示意图（C）线路仿真模型图3仿真线路FIG3SIMULATIONCIRCUIT以接地电阻为1000的单相短路接地故障为例，假设故障发生在线路的DJ段，距离线路首端M点25KM，用ATPEMTP软件仿真图3线路故障。仿真线路使用分布参数的单相线路，每两个点之间的一段线路使用型等值线路模拟。其中，设波阻抗为500。信号源采用幅值为10KV宽度为2的高压脉冲信号。变压器对行波的影响主S要是其入口电容反射影响。变压器的入口电容的大小与其额定电压及容量有关，对于容量为100KVA的10KV变压器，用AL6000自动精密电桥测量，三相绕组总的入口电容1268NF，每相绕组入口电容为423PF。故障后，在首端注入脉冲信号，在母线首端进行采样，检测反射行波信号。下面是该线路的仿真波形，其中，图4是线路正常时的仿真波形，图5是F点发生短路接地故障时的仿真波形，图6为线路正常时与短路接地故障时的仿真波形差。从图6可以看出，图形的第一个信号不为0的时刻，即为故障特征时刻。T1671S，根据公式（1），取波速V300M/S,则可得KM5062TVL与实际距离相差65M，测距精度满足实际要求。005115225X1042002040TIME/001SA图4线路正常时的仿真波形FIG4WAVEFORMOFTHENORMALPHASE005115225X1042002040TIME/001SA图5接地电阻1000接地时的仿真波形FIG5WAVEFORMOFTHEFAULTPHASE150020002500300035004000215105005X1671Y02973TIME/001SA图6线路正常时与接地电阻1000时的仿真波形差FIG6THESPECIALWAVEFORM当线路DJ段发生了故障，并利用特征波C型行波定位方法确定了故障距离之后，会发现在这个距离区段，有3个分支EV、EW和DJ，特征波C型行波方法不能确定故障发生在哪个分支。为了确定故障所在的分支，需要利用PNN神经网络。42PNN神经网络分析具体步骤如下数据采集网络创建网络训练网络仿真结果分析1）数据采集数据集共包括33组故障波形数据，分别用ATPEMTP软件仿真DJ、EW和EV支路的故障得到。其中，110组数据来自DJ支路，1120组数据来自EW支路，2130组数据来自EV支路，将这30组数据作为训练样本用来训练网络；第31组为DJ支路距M点25KM发生短路故障的波形数据，第32组为EW支路距M点25KM发生短路故障的波形数据，第33组为EV支路距M点25KM发生短路故障的波形数据，将这3组数据作为测试样本用来测试网络训练的成果。将训练样本30组数据存入P文件中，P文件是3020001的数组；将测试样本3组数据存入P_TEST文件中，P_TEST文件是320001的数组；将训练样本数据故障类型存入T文件中，DJ故障类型设为1，EW故障类型设为2,EV故障类型设为3，T文件是301的数组；将测试样本数据故障类型存入TC_TEST文件中，TC_TEST文件是31的数组。2）PNN神经网络的创建首先，利用MATLAB自带的神经网络工具箱函数NEWPNN（）构建一个PNN神经网络。然后设置网络参数，分布常数SPREAD设定为30之后，利用MATLAB自带的网络训练函数TRAIN（）对网络进行训练学习。最后，利用SIM（）函数将测试样本数据输入训练好的神经网络便可以得到对应的测试样本输出仿真数据。3）结果显示为了直观地对仿真结果进行分析，用DISP（）函数将结果显示在命令窗口中，如图7所示图7PNN神经网络的输出结果FIG7THERESULTSOFPNNNEURALNETWORK从上述结果可以看出，PNN神经网络可以快速准确地判断故障所在分支，表明利用行波测距法和PNN神经网络相结合进行故障定位是可行的。4结论针对带分支配电线路的特点和故障定位的难点，提出了行波PNN神经网络综合故障定位方法。该方法结合了特征波行波定位法和PNN神经网络两者的优点，利用两种方法的互补性提高了故障定位的准确性。计算机仿真结果表明PNN神经网络结构简单，训练简洁，正确率高。即使是在多分支的复杂配电线路中，PNN神经网络也可以快速准确地识别故障分支，在配合行波测距法之后可以实现准确的故障定位。参考文献1郭俊宏,谭伟璞,杨以涵GUOJUNHONG,TANWEIPU,YANGYIHAN小电流接地系统故障测距的方法研究STUDYONFAULTLOCATIONMETHODINSMALLCURRENTNEUTRALGROUNDEDSYSTEMJ电气应用ELECTROTECHNICALAPPLICATION,2006,25691942AURANGZEBM,CROSSLEYPA,GALEPFAULTLOCATIONUSINGTHEHIGHFREQUENCYTRAVELINGWAVESMEASUREDATASINGLELOCATIONONATRANSMISSIONLINEDEVELOPMENTSINPOWERSYSTEMPROTECTIONJSEVENTHINTERNATIONALCONFERENCEONIEE,APRIL20014034063周润景,张丽娜ZHOURUNJING,ZHANGLINA,YANG基于MATLAB与FUZZYTEGH的模糊与神经网络设计DESIGNONFUZZYANDNEURALNETWORKBASEDONMATLABANDFUZZYTEGHM电子工业出版社,201074崔奇明CUIQIMING基于ESTA的电力设备状态评估专家系统ELECTRICALPOWEREQUIPMENTCONDITIONASSESSMENTEXPERTSYSTEMBASEDONESTAJ电力系统及其自动化学报PROCEEDINGSOFTHECSUEPSA,2008,2051241285ERNESTOVAZQUEZM,OSCARL,CHACONMANONLINEEXPERTSYSTEMFORFAULTSECTIONDIAGNOSISINPOWERSYSTEMJIEEETRANSACTIONSONPOWERSYSTEMS,1997,1213573626WENFSANDHANZX,FAULTSECTIONESTIMATIONINPOWERSYSTEMSUSINGAGENETICALGORITHMJELECTRICPOWERSYSTEMSRESEARCH,1995,3431651727周开利,康耀红ZHOUKAILI,KANGYAOHONG神经网络模型及其MATLAB仿真程序设计THENEURALNETWORKMODELANDDESIGNONMATLABSIMULATEDPROGRAMM清华大学出版社,200578史峰,王小川,郁磊SHIFENG,WANGXIAOCHUANG,YULEIMATLAB神经网络30个案例分析THE30CASESANALYSISABOUTMATLABNEURALNETWORKM北京航空航天大学出版社,2010,49何正友HEZHENGYOU配电网故障诊断FAULTLOCATIONSCHEMEFORDISTRIBUTIONNETWORKM西南交通大学出版社,2011110毕天姝,倪以信,吴复立,等BITIANSHU,NIYIXIN,WUFULI,ETAL基于新型神经网络的电网故障诊断方法ANOVELNEURALNETWORKAPPROACHFORFAULTSECTIONESTIM