（控制理论与控制工程专业论文）基于人工神经网络的配电网相间故障定位.pdf

基于人工神经网络的配电网相间故障定位 赵智( 控制理论与控制工程) 指导教师：张加胜( 教授) 王艳松( 副教授) 摘要 当配电网发生故障时，要求快速实现故障定位、隔离故障区域和恢 复健全区域供电，同时指导检修人员快速到达故障地点排除故障，这对 提高供电可靠性具有重要意义，也是馈线自动化的主要内容。本课题应 用人工神经网络对配电网的故障类型识别与故障定位进行了深入研究。 电力系统发生故障时，故障信号的变化是非平稳的暂态过程，分析 配电网发生不同故障类型时电压、电流信号的特征，应用小波变换技术 对故障信号进行预处理，滤除高次谐波和非周期分量，准确的提取反映 故障类型特征的三相电压、电流和零序电压工频量作为神经网络的输入 向量，分别应用b p 网络和s o m 网络模型进行故障类型识别。 采用分层分布式神经网络实现直配网络的故障测距，针对不同的故 障类型构建不同的故障测距子模块、确定各模块的输入特征向量，对于 两相短路，提取故障相工频段电压、电流的幅值和相角以及负序电流相 量作为特征向量；对于两相短路接地，提取故障相工频段电压、电流的 幅值和相角以及零序电压、负序电流相量作为特征向量；对于三相短路， 提取工频段三相电压、电流的幅值和相角作为特征向量。对应各种故障 分别应用b p 网络和r b f 网络模型进行故障测距。 由于删上传的信息可能存在畸变，应用神经逻辑网络对f 1 u 上传 的信息进行组合纠错，根据纠错后的开关状态实现对复杂配电网的拓扑 分解和排序，并结合故障后电流越限信号的纠错输出结果形成故障区间 定位神经网络的输入向量，应用b p 网络进行故障区间定位。 仿真分析表明本文提出的方法能准确实现故障类型识别、直配网络 的故障测距和复杂配电网的故障区闻定位。 关键词：配电网，人工神经网络，小波分析，故障类型识别，故障定位 i n p h a s e - p h a s ef a u l t sl o c a t i o no fd i s t r i b u t i o nn e t w o r k b a s e do na r t i f i c i a ln e u r a ln e t w o r k z h a o z h i ( c o n t r o lt h e o r ya n dc o n t r o le n g i n e e r i n g ) d i r e c t e d b y p r o f e s s o r z h a n gj i a - s h e n g a n d a s s o c i a t e p r o f e s s o r w a n g y a h - s o n g a b s t r a c t w h e nf a u l t st a k ep l a c ei nd i s t r i b u t i o nn e t w o r k ，i ti sr e q u i r e dt ol o c a t ea n d i s o l a t et h ef a u l ta r e a , r e c o v e rt h eo u t a g eo fn o n f a u l ta r e aa c c u r a t e l y , i n s t r u c t e m p l o y e e st oa r r i v ea tt h ef a u l ta r e aa n dr e h o v et h ef a u l tq u i c k l ya tt h e8 a h e t i m e t h i si sv e r yi m p o r t a u tt oi m p r o v ep o w e rs u p p l yr e l i a b i l i t ya n dr e a l i z e f e e d e ra u t o m a t i o n b a s e do i la r t i f i c i a ln e u l f a ln e t w o r k , t h i sp a p e rt a k e s t h o r o u g hr e s e a r c ho nd i s t r i b u t i o nn e t w o r kf a u l tt y p ei d e n t i f i c a t i o na n df a u l t l o c a t i o n t h ec h a n g eo fp o w e rs y s t e mf a u l ts i g n a li san o n - s t a t i o n a r yt r a n s i e n t p r o c e s s b ya n a l y z i n gt h ev o l t a g ea n dc a u r e u tc h a r a c t e r i s t i ca td i f f e r e n tf a u l t t y p e ，u s i n gw a v e l e tu a u s f o r mt e c h n i q u et op r e t r e a tt h ef a u l ts i g n a l , e l i m i n a t e p l e n t yo fh a r m o n i c sa n dm o s ta p e r i o d i cc o m p o n e n t , e x t r a c tf u n d a m e n t a l c o m p o n e n to f t h r e e - p h a s ev o l t a g e s ，c u r r e n t sa n dz e r os e q u e n c ev o l t a g ee x a c t l y , w h i c ha r eu s e da sa r t i f i c i a ln e u r a ln e t w o r ki n p u tc h a r a c t e r i s t i cv e c t o r , t h e n r e a l i z i n gf a u l tt y p ei d e n t i f i c a t i o nb yu s i n gb pa n ds o mn e t w o r km o d e l s e p a r a t e l y r e a l i z i n gn o - b r a n c hd i s t r i b u t i o nn e t w o r kf a u l tl o c a t i o nb y u s i n g m u l t i l a y e ra n dd i s t r i b u t e ds t r u c t u r en e u r a ln e t w o r k t od i f f e r e n tf a u l tt y p e ， n ， c o n s t r u c t i n g d i f f e r e n tf a u l tl o c a t i o ns u b - m o d e la n d d e c i d i n gi n p u t c h a r a c t e r i s t i cv e c t o ro fe a c hs u b - m o d e l f o rt w o - p h a s ef a u l t , e x w a e t i n g f a u l t - p h a s ev o l t a g e ，c u r r e n tm a g n i t u d ea n dp h a s eo ff u n d a m e n t a lc o m p o n e n t , n e g a t i v es e q u e n c ec u r r e n ta sc h a r a c t e r i s t i cv e g t o l ：, f o rt w o - p h a s eg r o u n d e d f a u l t , e x t r a c t i n gf a u l t - p h a s ev o l t a g e ，c u r r e n tm a g n i t u d ea n dp h a s eo f f u n d a m e n t a lc o m p o n e n t , n e g a t i v es e q u e n c ee t m e n t , z e s e q u e n c ev o l t a g ea s c h a r a c t e r i s t i cv e c t o r ；f o rf a r e e - p h a s ef a u l t , e x a r a e t h l gt h r e e - p h a s ev o l t a g e ， c u r r e n tm a g n i t u d ea n dp h a s eo ff u n d a m e n t a lc o m p o n e n t 嬲c h a r a c t e r i s t i c v 以3 t o r t od i f f e r e n tf a u l tt y p e ，r e a l i z i n gf a u l tl o c a t i o nb yu s i n gb pa n dr b f n e t w o r km o d e ls e p a r a t e l y c o n s i d e r i n gt h ef a u l ti n f o r m a t i o nr e p o r t i n gb yf t uf o rf a u l t 辩蜘o n l o c a t i o nu n a v o i d a b l ei n c l u d i n gd i s t o r t e dc e m p o n e n t , c a r r y i n go u tf a u l t 。 i n f o r m a t i o nc o m b i n e dl l r 0 1 c o r r e c t i o nb yu s i n gn e u r a ll o g i c a ln e t w o r k , t h e n r e a l i z i n gc o m p l e xd i s t r i b u t i o nn e t w o r kt o p o l o g yd e c o m p o s i n ga n ds e t t i n g a c c o r d i n gt oc o m b i n e d e i t o rc o r r e c t i o no fs w i t c h s t a t e ，t o g e t h e rw i t h c o m b i n e dg l t o rc o r r e c t i o no u t p u to fc u r r e n ta l a r ms i g n a l ，c a m s m a e f i n gf a u l t s e c t i o nl o c a t i o nn e u r a ln e t w o r ke h a r a e t e r i a t i cv e c t o r , r l d i z i n gf a u l ts e c t i o n l o c a t i o nb yu s i n gb pn e u r a ln e t w o r ka tl a s t t h es i m u l a t i o na n a l y s i sr e s u l ti n d i e a t o st h a tt h em e t h o dd e v i s e db yt h i s p a p e rc a n r e a l i z ef a u l tt y p ei d e n t i f i c a t i o n , n o - b r a n c hd i s t r i b u t i o nn e t w o r kf a u l t l o c a t i o na n dc o m p l e xd i s t r i b u t i o nn e t w o r ks e e t i o nl o c a t i o na c e t r a t e l y k e yw o r d $ ：d i s t r i b u t i o nn e t w o r k , a r t i f i c i a ln e u r a ln e t w o r k , w a v e l e ta n a l y s i s ， f a u l tt y p ei d e n t i f i c a t i o n , f a u l tl o c a t i o n v 独创性声明 本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取 得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外。论 文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得石油 大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同 志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢 意。 签名：瑚占年厂月t 3 日 关于论文使用授权的说明 本人完全了解石油大学有关保留、使用学位论文的规定，即：学校 有权保留送交论文的复印件及电子版，允许论文被查阅和借阅；学校可 以公布论文的全部或部分内容。可以采用影印、缩印或其他复制手段保 存论文。 ( 保密论文在解密后应遵守此规定) 学生签名： 导师签名： 耋垒鳘如。6 年，月哆日 加0 6 年 岁月乃 日 中固石油大学( 华东) 硕七论文 第1 章前言 1 1 课题的研究意义 第1 章前言 随着工业的高度发展和人民生活水平的不断提高，电力需求越来越 大，电网的覆盖面也越来越广，一旦电网发生故障，其造成的损失将更 加严重，这就对供电可靠性提出了更高的要求。为了减少因停电造成的 综合经济损失，就要求在故障发生后，能够快速准确地对故障进行定位， 隔离故障区域并恢复非故障区域的供电，同时指导电力维修人员迅速到 达现场，检修线路，恢复故障区域的供电。由于我国配电网一般采取中 性点不接地或经消弧线圈接地，这使得我国的配电自动化系统不能直接 引进国外的设备，而需结合我国配电网的实际情况，逐步加以改进，因 此对配电线路故障进行准确定位就成为一个非常重要的研究课题，是配 电自动化的主要内容之一l l l 。 由于配电网结构复杂，目前配电网故障定位的内容主要集中于配电 网络的故障区间定位( 确定故障发生在那两个开关之间) 方面。对于配电网 的故障精确定位( 测距) ，国内外相关的研究较少，主要是对辐射型直配网 络l l “”，而且存在测距精度受过渡电阻等因素的影响；对于配电网的故 障区间定位，传统的方法多采用故障电流判别法，通过检测相邻开关之 间是否有故障电流流过来确定是否为故障区域，这种方法在网络结构复 杂和存在信息畸变的情况下，容易造成误判和漏判，导致不能准确的确 定故障区间进而扩大事故停电范围。因此，运用新的理论和方法进一步 提高配电网故障定位的精度具有非常重要的意义。为了提高故障定位的 精度，人们提出将遗传算法、模糊理论以及专家系统等一些新方法的引 入了配电网的故障定位p 5 4j ，在一定的程度上提高了故障定位的精度和 容错性能，但由于各种方法自身存在的缺陷及配电网结构和运行方式复 杂，故障定位的精度和容错性也还有待于提高。八十年代后期，随着人 中国石油大学( 华东) 硕士论文 第1 章前言 工智能技术的兴起，神经网络在电力系统故障诊断中得到了广泛的应用。 人工神经网络模型模拟人脑神经元对信息进行加工，存储和搜索，能够 对信息进行分布式存储和并行处理，具有自适应学习能力、非线性映射 能力、鲁棒性和容错能力，使得它在故障处理中取得了较好的效果。本 文采用人工神经网络分别对直配网络的故障类型识别和相间故障测距以 及复杂配电网络的故障区间定位进行研究。 1 2 国内外研究现状综述 1 电力系统故障测距研究现状 电力线路故障测距是进行故障区域隔离和恢复供电的基础。从现有 资料看，以往电力线路故障测距的算法原理大致有两类：一类是利用故 障后电压电流的稳态量直接计算故障点位置；另一类是利用故障后产生 的高频暂态电流和电压的行波判定故障点位置。对于高压输电线路，根 据所测电气量位置及原理不同可分为单端阻抗法1 2 】、单端行波法1 3 l ( 4 】、双 端阻抗法1 5 】1 6 】、双端行波法硎聊四种。单端阻抗法原理简单，费用较低， 不受系统通信技术的限制，但该方法受故障阻抗、负荷电流、对端系统 阻抗等因素的影响，测距精度不高，且易产生伪根；单端行波法根据故 障点产生的行波在测量端至故障点问往返的时间与行波波速之积来确定 故障位置，该方法硬件要求非常高，波速的不确定性也是限制该算法精 度的主要因素；双端阻抗法和双端行波法，利用双端信息进行故障测距， 对数据的同步和波速问题的处理方法也都是亟待解决的问题。 与输电网相比，配电网分布广，分支多，网络运行方式多变，故障 位置的随机性更大，具体表现在以下几点：分支线的存在，使得伪故障 点的识别问题尤为突出；运行方式、负荷电流的多变性，使得网络参 数的获取更为困难；采用辐射状运行结构，使得应用双端量测距受到 限制；线路分支多、负荷点多等因素，造成故障时的电流、电压行波 在分支点、线路型号改变点、负荷点处产生大量的折射与反射，使得应 用行波测距受到限制。由于上述原因，对于复杂配电网的测距，目前尚 2 中国自油大学( 牛东) 硕士论文第l 章前言 没有很好的解决办法。 对于简单的配电网络，相关文献也提出了一些故障测距的方法。文 献【9 】提出采用“s 注入法”，该方法在发生接地故障后，通过电压互感器 向接地相注入信号电流，利用信号电流探测器跟踪信号进行故障定位， 该方法当接地阻抗呈现感性时，存在较大的误差：文献 1 0 1 1 1 通过在线 路始端施加正弦诊断信号并检测末端的电压和电流相量以诊断故障分支 和故障的位置，该方法需要高精度的数据通信，实用性不强；文献 1 2 1 4 1 提出多频法及多端诊断法，此类算法基于多导体传输线理论或模式理论， 在测量端口施加诊断信号，通过诊断信号逐分支向后传递、逐分支搜索 的方法确定故障位置，这类方法存在操作复杂、需要数据通信等问题， 难以在短期内投入实用。文献【1 5 】探索了综合利用故障初始电流、电压行 波线模分量实现配电线路双端测距的方法，也还只是处于探索阶段；文 献【l6 】通过设计故障检测单元捕获故障暂态高频电压信号，通过计算高频 信号的传播时间来确定故障位置；文献 1 7 1 采用集中参数模型，根据最小 二乘法原理，建立故障后变电所母线电压及电流实测值与仿真计算值之 差平方和为最小的目标函数，应用模拟退火算法确定故障点的位置，由 于影响故障位置的参数多，该算法很慢且易产生伪根。 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ，又称n n ) ，它通过并 行调节神经元之间的连接权值来处理问题，具有很强的自学习能力、非 线性映射能力和容错能力，因此不少文献应用n n 进行电力系统故障检 测和故障定位i l a - 2 0 。文献 2 h 提出利用电压、电流数据对输电线路进行单 端故障测距，选择故障相的电压和电流作为输入，故障位置和过渡电阻 作为输出；文献 2 2 1 币1 j 用行波法进行输电线故障定位，运用p r o n y 方法分 析近端电压电流信号，提取由于故障产生的行波中可用于定位的模式信 息，再基于这些信息运用n n 进行故障定位，但该方法不适用于配电线 路；文献 2 3 】提出应用f i r a n n ，采用一种新的混合修正训练算法进行故 障检测、选相、方向估计；文献【2 4 提出了基于r b f 的神经网络的故障 类型识别方法，同时采用了正交式最d , - - 乘法的学习算法，提高了网络 训练收敛的速度。 中国石油大学( 华东) 硕士论文 第l 章前言 在进行故障测距时，准确的提取故障测距所需信息对提高故障测距 精度具有非常重要的意义，文献 2 5 2 6 分别讨论了对故障测距信息进行 预处理的一些方法。 2 配电网故障区间定位研究现状 、综合国内外多年来对配电网故障区间定位的研究，其方法大体可分 为传统的故障区间定位法和基于人工智能的故障区间定位方法两种。 ( 1 ) 传统的故障区间定位方法 该方法可以进一步细分为通过生成故障判定阵法 【2 7 - 3 2 l 和过热弧搜索 法【3 3 - 3 4 1 。对于通过生成故障判定阵实现故障区间定位的方法，其基本原 理是依据配电网的结构构造一个网络描述矩阵d ，根据馈线的最大负荷， 对各台柱上f 1 u 进行整定，当馈线发生故障时，有故障电流流过的分段 开关上的f 1 u 将检测到高于其整定值的过电流，此时该f t u 就将这个故 障电流的最大值及其出现的时刻记录下来并上报给配网控制中心的 s c a d a 系统，s c a d a 系统据此生成一个故障信息矩阵f ，网络描述矩 阵d 和故障信息矩阵f 按照一定的规则运算得到一个故障判断矩阵p ， 根据矩阵p 判断发生故障的区间，该方法在配电网结构复杂的情况下， 形成故障判定阵比较麻烦。对于过热弧搜索法，其基本原理是首先对配 电网作简化处理，将线路上的电源点、馈线沿线、开关和t 节点看作是 节点，节点的权是流过节点的负荷，将相邻两个节点问的配电馈线和配 电变压器综合看作是图的边，边的权即是该条边上所有配电变压器供出 的负荷之和。在由网架结构形成网络运行方式时，取边为有向边( 弧) ，其 方向就是线路的潮流的方向。通过整定计算可以获得各节点和弧的额定 负荷值。定义负荷和额定负荷之比为归一化负荷，故障区间就是在网络 的归一化负荷矩阵中弧的负荷远大于l 的那些，这些弧即为过热弧。采 用过热弧进行故障定位实际上就是从归一化负荷矩阵中搜索出过热弧， 并根据所有过热弧的起点和终点的性质决定故障区间。通过分析可见， 两种方法都过分依赖f 1 u 上传的过电流信息，在进行定位时都没有对信 息进行纠错处理，容错性较差，在有畸变信息时会造成误判。 4 中国年i 油大学( 华东) 颀十论文第1 章前言 ( 2 ) 基于人工智能的故障区问定位方法 人工智能是一门边缘性综合学科，它的发展与生物科学、认知科学、 逻辑学及具体应用科学密切相关，随着理论的不断深入，人工智能技术 的研究得到了很大的发展，它的几项技术如专家系统、模糊理论、遗传 算法以及人工神经网络等的应用已涉及电力系统的运行、监视、预测、 控制、规划、故障诊断等各个领域，并在许多领域发挥着重要的作用。 从某种角度来说，电力系统的故障定位也是一种优化问题，要准确 地寻找到故障位置，也就是要找到问题的最优解。诸如遗传算法、禁忌 算法等基于启发式的搜索方法正具有这方面的优点，这些算法本身都具 有寻优能力，可以指导搜索朝着最有希望的方向进行，因此可以提高故 障区间定位的精度和效率。文献 3 5 1 根据元件故障与保护动作和断路器跳 闸之间的关系，将电力系统的故障诊断问题转化为o 、l 整数规划问题， 而后建立适合于遗传算法的故障诊断数学模型，应用遗传算法进行故障 处理；文献【3 6 】将遗传算法运用到配电网故障定位中，建立了配电网故障 区间定位的遗传算法数学模型；文献 3 7 】引进了故障诊断理论中的“最小 集”概念，对文献 3 6 1 构造的评价函数修正，降低了误判率，提高了容错 性能，同时考虑到电流的方向性，从而可以运用遗传算法进行多电源的 故障定位。遗传算法具有较强的全局寻优能力，但数学模型的构造是使 用遗传算法的主要瓶颈。文献 3 8 3 9 分别提到建立基于覆盖集理论和模 糊外展推理的电力系统故障诊断的新模型，引入新的故障评价指标，再 采用禁忌搜索方法求解，它的效率比遗传算法要高，具有一定的在线应 用能力，但在如何更好的选择搜索步长、禁忌表、循环起始点以及算法 终止判据等问题还有待于进一步的研究。 专家系统在电力系统警报处理和故障诊断方面的应用大多基于产生 式规则【4 ”，它把保护、断路器的动作逻辑及运行人员的诊断经验用规 则表达出来，形成故障诊断的专家知识库，进而根据警报信息和知识库 进行推理，获得故障诊断的结论。文献 4 2 1 提出一种基于专家系统的故障 定位方法，根据专家提供的运行经验，建立模糊诊断知识库及相应的推 理机制，当故障发生后，s c a d a 系统发送信息激活系统，依据网络拓扑 中国石油大学( 华东) 硕士论文 第1 章前言 结构形成故障信号链，启动推理机，进行故障定位。当电力网络拓扑结 构发生变化或保护配置发生变化时，需要对知识库进行相应的修改，对 知识库的修改可能导致其完备性受到破坏，因而专家系统知识库的维护 相当困难，而且它不具备自学习能力，容错性能差。 模糊理论擅长模拟人类思维中的近似推理，具有很好的克服保护或 断路器误动、拒动等因素的优点，使得它被广泛应用于电力系统的故障 诊断。文献 4 3 】利用用户电话号码与配变之间的连接关系以及配变与开关 等设备之间的拓扑关系来建立基于模糊集理论的故障定位方法；文献 4 4 1 认为输入信号是准确的，但是故障元件与动作的保护装置、动作的保护 装置与触发的断路器之间的关系用一个。到1 之间的数来表示，将可能 的故障位置和动作的保护装置、动作的保护装置和所控断路器之间的关 联关系的模糊度合成就能够得到该位置发生故障的模糊测度。对于模糊 理论，隶属函数的确定也没有一个统一通用的方法，通常是根据经验或 统计来确定，如何正确地建立隶属函数和选择算子来恰当地表现模糊概 念也是一个关键性的问题。 人工神经网络因其具有自学习和非线性映射能力等优点，在配电网 故障区间定位中得到了一定的应用1 4 5 4 r l 。文献【4 8 】提出应用n n 进行电力 系统报警处理和故障定位，它能在保护装置误动、数据丢失以及出现其 它未考虑的报警类型时给出较精确的定位结果；文献 4 9 - 5 0 1 提出了应用 数据挖掘技术以及粗糙集与n n 结合的故障定位方法。n n 在应用之前需 要大量具有代表性的样本进行训练，对于复杂的配电网络。可以通过对 其进行分解处理以及综合运用各种n n 来进一步提高区间定位的准确性 和容错性能。 1 3 本课题的主要工作 本课题基于配电网数据采集和监控系统( s c a d a ) 所获得的各种电气 量信息，对神经网络在配电网故障类型识别和故障定位中的应用进行了 研究，主要包括以下几方面内容： 6 中国石油大学( 华东) 硕 论文第l 章前言 1 对国内外电力系统故障诊断和配电网故障定位方法进行分析并作 归纳性的概述，为本文的研究工作奠定基础。 2 采用小波变换作为神经网络前置数据处理环节，将小波与神经网 络相结合，分别应用b p 网络和s o m 网络两种网络模型进行故障类型识 别。 3 采用分层分布式故障测距模型，对应不同的故障类型，构造不同 的故障测距子模块，分别应用b p 网络和r b f 网络两种网络模型对直配 网络的相间故障进行测距。 4 应用神经逻辑网络对配电网馈线远方终端刖上传的信息进行组 合纠错，基于纠错后的信息，应用b p 网络对配电网进行故障区间定位。 7 中国石油大学( 华东) 硕士论文第2 章电气量特征提取方法的研究 第2 章电气量特征提取方法的研究 在应用神经网络进行配电网的故障类型识别和故障定位时，准确的 提取神经网络所需的输入特征向量是解决问题的关键环节，本章具体的 分析了电力系统电气量参数的主要算法，为后续章节故障电气量特征提 取作基础。 2 1 采样值积算法 采样值积算法是利用采样值的乘积来计算电流、电压的幅值和相角 等电气参数的方法，由于这种方法是利用2 3 个采样值推算出整个曲线 情况，所以属于曲线拟合法。 电压过零点后t k 时的采样值u 。和落后于一个0 角的电流的采样值 为： 砘i l 耋i 麓s i 咖n ( 耐奠k 印 ， = 。一目) j 、7 而另一时亥t j t k + 。时的采样值 如i 2 芝”s i 咖n ( c o 乏t k ：三亲害s 加i n t o 嚣? a t ) 一印 g 国 = l。一印= l也+一印j 、7 式中：a t 为两采样值的时间间隔，i i p a t = ，i “一。 取两采样值的乘积 吲i ：配厶s i m t k s i n 蛾一国：兰警【c 。毋一c 。s 喊一回】( 2 - 3 ) 8 中国白油大学 o , w r ) ( 4 - 1 ) 其中，c 为高斯函数的中心，仃为方差。 图4 2r b f 网络结构图4 - 3 高斯径向基函数曲线 当r b f 的中心及方差固定下来，对于给定的输入向量，隐层的输出 随之确定，隐层到输出层的连接权值可通过求解线性方程组来确定。因 此，r b f 网络的学习过程包括r b f 中心和方差集的选择及隐层到输出层 权值的确定两方面。r b f 中心集的选取是构建网络的关键，k 一均值聚类 算法足一种自组织学习选取r b f 中心的方法，r b f 的中心可以移动，并 通过自组织学习确定其位置，从而使得r b f 的中心位于输入空f b j 重要的 区域。 3 3 中国石油大学( 华东) 硕士论文第4 章基于种绎网络的配电网相间故障测距的研究 r b f 网络的学习算法如下： 1 采用k 均值聚类算法确定中心 ( 1 ) 初始化聚类中心，即根据经验从样本集中随机选取吖个不同的 样本作为初始中心c 。( f ) ( i = 1 ，2 ，m ) ，设置迭代次数t = 0 。 ( 2 ) 随机输入样本工，寻找x ，与哪个中心最近，即找到f ( 以) 使其 满足： i ( x p ) = a r g m i n 肛y p q ( r ) 4 ，i = l 纠2 一m 件2 ) 式中，c 。( f ) 是第t 次迭代时基函数的第i 个中心。 ( 3 ) 调整中心，按下式 州) = 叼，_ o 乏笋 ( 4 3 ) 调整基函数的中心。，7 ( 0 玎 1 ) 为学习率取0 8 。 ( 4 ) 判断是否学完所有的训练样本且中心的分布不再变化，是则结 束，否则令t = t + l 并转到2 继续。 2 确定方差o r 。( f ) ( j = 1 , 2 ，m ) 。中心一旦学完基函数的位置就固定 了，接着就要确定基函数的方差。当r b f 取高斯函数，即： g c x p - - c j 峰p f 一三姜掣卜墟，m 川 方差用o 1 = c r 2 一o - m = d 一2 m 计算，m 为中心( 隐层节点的个数) ， d 一为所选中心之间的最大距离。 3 调整隐层到输出层的权值。 由于输出是隐层的线性组合，所以可以直接利用伪逆的方法求解权 值。即： 矿= g + d ，式中d = m ，d 。，砟】r 是期望输出，g + 是g 的 中国石油大学( 华东) 硕上论文第4 章基于神绛网络的配电喇相问故障测距的研究 伪逆，g + = ( g + g ) 。g 7 。矩阵g 。的元素可由下式确定： 驴d 一老忙，_ 0 2 p = 1 , 2 , - - - p , ，m ， 由此确定隐层到输出层的权值。 4 2 故障测距模型的构造 电力系统发生短路故障的类型有：三相短路、两相短路、两相短路 接地和单相接地四种。对单端电气量应用n n 进行故障测距，若不进行 故障类型细分，仅采用单层故障测距模型，要实现精确的故障测距，就 必须对每种故障类型的故障特征充分训练，学习各种影响故障测距的因 素的各种组合模式，如各种故障类型、故障位置、过渡电阻等，综合考 虑各种因素来形成故障测距n n 模型的学习样本集数目是巨大的。经初 步训练学习后形成的故障测距网络模型结构是病态的，偏离网络模型的 最佳结构设计，网络学习效率低，收敛性能差。 本章根据单一故障测距模型存在的问题，进一步提出了基于分层分 布式n n 模型结构，如图4 - 4 所示。 实 时 采 样 数 据 ，r 故障 一ir 7 。a i 据 类型 识别卜 罐 预 神经 习两相短路接地测距子模块卜 网络 模块 处 佣刊三相短路测距子模块卜 图4 _ 4 基于分层分布式故障测距模型结构图 第一层为故障类型识别子网络，用来对故障类型进行分类，这一部 分在前一章已经讨论过了。第二层为分布式的故障测距网络模型，由三 个相互平行的独立子网络模块组成，分别来完成线路两相短路、两相短 路接地和三相短路故障三类故障情况下的基本测距功能，该层根据第一 中国石油大学( 华东) 硕士论文 第4 章基于神经网络的配电州相间故障测距的研究 层故障类型识别的结果调用相应故障类型的电气量进行测距，将复杂问 题变为简单问题的“或”处理，简化了网络的结构，加快了收敛速度， 更重要的是可以根据故障类型有针对性的预处理故障数据，提高了n n 故障测距的综合性能。鉴于f n n 具有很强的非线性拟合及推广能力，所 以系统中各测距模块分别采用了前馈型的b p 网络和r b f 网络模型。 4 。3 系统仿真及样本的形成 4 3 1 系统仿真 对于不同的相闯故障，要应用n n 进行故障测距，就要获得大量反 映故障特征的故障原始数据来构建训练样本集和测试样本集，用以对网 络进行训练以及对网络的测距性能进行测试，为了获得所需的故障原始 数据，在m a t l a b 的s i m u l i n k 环境中搭建配电网模型，如图4 5 所示。 黧 1 图4 - 5 配电网故障测距仿真模型 系统参数的设置与图3 - 5 的配电网故障类型识别网络模型相同。 4 3 1 样本的形成 配电系统的拓扑结构比较复杂，运行方式多变，这正是故障测距的 难点。如果形成线路的整个故障模式集，经组合变化后网络所需学习故 障模式集非常庞大，将有可能导致网络学习不收敛，使得故障测距失效。 中国石油大学( 华东) 颂t 论文第4 章摹于神绎网络的配电网相问故障测距的研究 故不考虑故障测距网络所有参数的故障模式集，而是提供n n 包含当时 故障的小的故障模式集，从而简化了线路故障模式集的构建，降低了样 本集的规模，最终使网络模型规模以及学习负荷减小，更有利于网络的 学习收敛。对于本章采用的直配网络模型，故障后的故障类型识别，前 面章节已经做过这方面的工作。为了实现故障点的精确测距，在建立训 练样本集时，考虑故障点位置( 采用故障点距出线端的距离与本线路全长 的比例系数来表示) 和故障点过渡电阻以形成学习训练样本集： 沿线路选择故障点k 出( ，为距离变化步长，k = 0 , 1 ，l 6 ) ；此 处三= 2 0 k i n ，= 0 5 k m 。 故障过渡电阻的选择：当两相短路，三相短路时，相间过渡电阻取 l q ，5 q ，1 0 q ，3 0 q ，5 0 q ；当两相短路接地时，相间过渡电阻取l q ， 1 0 f ，5 0 q ，接地电阻取1 q ，l o q ，5 0 q ，1 5 0 q ，3 0 0 q 。组合两因 素可形成多种故障模式：对于某两相短路和三相短路，分别有4 l 5 = 2 0 5 个故障模式；对于某两相短路接地，有4 1x3 5 = 6 1 5 个故障模式。 经组合后可形成各故障测距神经网络模块的训练样本集。 故障测距功能模块中各神经网络的输出层均为单一神经元，反映故 障点离线路出线端的距离。研究表明，输入向量形式是极重要的，应尽 可能表征相应类型故障的特征；输入向量各元素及其形式决定着各网络 模型的结构、训练收敛性及测距性能。本章在相间短路故障特征分析的 基础上，对于不同的故障类型，通过选择不同电气量进行处理来形成对 应该故障类型的测距网络模块的输入特征向量，全部特征向量都由线路 出线端的测量装置采集的电气量通过计算获得。 在电力系统发生故障时，往往是在基波的基础上叠加有衰减的直流 分量，录波装置所得的电压、电流信号非常复杂，可由式( 4 - 6 ) 表示： lasm(ot+缈，t k j x k 、一 图4 - 7 ( a ) 故障相电流相角图4 - 7 ( b ) 负序电流相角 3 9 中国石油大学( 华东) 顾上论文第4 章摹于神绎喇络的配电嘲相问故障测距的研究 通过对不同类型相间故障的电气量特征进行仔细的分析，确定两相 短路故障测距模块的输入电气量分别为故障相工频段电压、电流和负序 电流相量；两相短路接地故障测距模块的输入电气量分别为故障相工频 段电压、电流以及零序电压、负序电流相量；三相短路故障测距模块的 输入电气量分别为三相工频段电压、电流相量。 为利于提高神经网络学习过程的收敛速度，对网络训练样本集的输 入向量和输出向量进行归一化预处理。输入向量元素中电压幅值以系统 母线的额定电压为基准，电流幅值以最严重故障情况下的工频电流幅值 为基准，即最大运行方式下线路出口处的金属性短路电流，从而将幅值 归一化n o ，1 1 区间；输入向量中各相量的相角转化为相对相角形式，先 将各相角转化n o ，2 兀1 区间，然后再除以基准值h 将相角归一化n o ， 1 1 区间。 4 4 网络的结构及训练 在确定神经网络的输入方面，由上面分析知道，对于不同的故障测 距子模块，神经网络的输入是不一样的，在分别应用b p 网络和r b f 网 络进行故障测距时，同一类型故障的输入向量是一样的。根据上面分析 确定发生不同类型故障时的各测距模块n n 的输入向量，两相短路的输 入为l o 维向量，分别为故障相工频段电压、电流以及负序电流的幅值和 相角；两相短路接地的输入为1 2 维向量，分别为故障相工频段电压、电 流以及零序电压、负序电流的幅值和相角；三相短路的输入为1 2 维向量， 分别为三相工频段电压、电流的幅值和相角。 对于所有测距模块，神经网络的输出都是反映故障点的位置，故障 点位置以故障点距离线路出口处的距离来表示。为了提高神经网络学习 过程的收敛速度，对网络的输出也要进行归一化预处理，考虑到b p 网络 和r b f 网络隐层传递函数选择不同，归一化方法也不同。对于b p 网络， 输出层节点的传递函数取对数s 型函数，由于其对输出在靠近o 和1 的 区域的激励不明显，所以归一化时，应该让网络的输出落在传递函数的 中国石油大学( 华东) 硕士论文第4 章基于神经网络的配电网相问故障测距的研究 较强反映区域，采取式( 4 - 7 ) 的归一化方法，将网络的输出归一化到【o 0 5 ， o 9 5 1 区间；而对于r b f 网络，其输出为线性加权求和，所以仅需要考虑 提高网络训练的速度，将输出归一化到【o ，1 】区间即可，归一化如式( 4 8 ) 所示。 d b e = o 0 5 + o 。9 x d i s l ( 4 - n d w = d i s l( 4 - 8 ) 其中：d 最p 、d 。分别表示b p 网络和r b f 网络的理想输出，咖表 示故障点距线路出口装置安装处的距离，上表示故障测距线路的总长度。 对于b p 网络，网络的训练流程在上一章已经介绍，如图3 _ 4 ( a ) 所示， 各故障测距子模块b p 网络均采用三层结构。输入层的节点数与每个样本 的维数相同，隐含层节点数的选择，依据h e b b 经验公式，可在5 1 4 之 间选取。对各故障测距模块的b p 网络，训练的误差指标均取o 0 0 1 ，选 择l m 算法进行训练，结果如表4 1 所示。 表4 - lb p 网络训练结果 、网络参数输入层隐含层训练收敛 故障类主节点数节点数步数精度 两相短路 1 01 25 7o 0 0 0 9 6 6 两相短路接地 1 21 49 4 o o 0 0 9 3 5 三相短路 1 21 44 3o o 0 0 9 1 2 对于r b f 网络，网络的训练流程如图4 8 所示。 预 k 碧均 值 处值 譬 理 羹 确隐 -壅 墨 + 径 痞 后 心 出 数 据 输 入 图4 - 8 r b f 网络训练流程 中国自油大学( 华东) 硕士论文第4 章摹于神绎网络的配电网相问故障测距的研究 本章r b f 网络的输入层神经元的个数对应于两相短路、两相短路接 地和三相短路分别选择为1 0 、1 2 和1 2 ，输出层的神经元个数为l ，反映 故障位置，各类型故障测距网络的隐层神经元的个数根据样本聚类自动 调整，各故障测距模块r b f 网络训练的误差指标均取o 0 0 1 ，训练结果见 表4 2 所示。 表4 - 2r b f 网络训练结果 、璺络参数 输入层训练完成后收敛 故障类型 节点数隐层节点数精度 两相短路 1 01 6o 0 0 0 9 2 3 两相短路接地 1 29 1o 0 0 0 8 9 8 三相短路 1 21 3 0 0 0 1 0 8 5 7 1 6 e _ 口 图4 - 9 ( a ) 两相短路误差收敛曲线 4 5 网络测试 1 3 日嘲 图4 9 c o ) 三相短路误差收敛曲线 为测试学习后网络实际故障测距效果，采用网络非学习样本形成各 故障测距模块神经网络的测试样本集，对网络的性能进行测试。 沿线路全程选择故障点( k a + o 5 ) k i n ( ，为距离变化步长， k = 0 ，1 ，l a i ) ：此处l = 2 0 o n ，= l o n 。 4 1 中国石油大学( 华东) 硕士论文第4 章基于神经网络的配电网相问故障测距的研究 故障过渡电阻的选择：当两相短路，三相短路时，相间过渡电阻取 1 5 q ，2 5 q ，4 0 f 2 ：当两相短路接地时，相间过渡电阻取5 q ，2 5 q ， 4 0 q ，接地电阻取5 q ，1