（电力系统及其自动化专业论文）基于小波神经网络的自适应距离保护的研究.pdf

声明 本人郑重声明：此处所提交的硕士学位论文基于小波神经网络的自适应距离保护 的研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作和 取得的研究成果。掘本人所知，除了文中特别加以标注和致谢之处外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得华北电力大学或其他教育机构的学 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。 学位论文作者签名：王丝盈 日期：旦芝_ 王上 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，p , p ：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 段复制并保存学位论文：学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播学 位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名：王兰f 霾 日期：! ! ：! ! ! 导师签名： 日期 颦干山 皇 ， 兰4氅 华北电力大学硕士学位论文 第一章绪论 随着社会的迅速发展，一方面社会生产和人们生活对电力系统供电质量和可靠 性的需求越来越高，为了保证系统的安全、稳定和经济运行，必须提高继电保护系 统的工作性能。另一方面，我国电力工业在这几十年来迅猛发展，电力系统规模迅 速扩大，电压等级不断提高，建立了东北、西北、华北、华东、华中、华南等大地 区电力网络，并且网络之间也出现了互联，以后全国所有的电力网络将互联成一个 大系统，同时输电线路的电压等级也将提高到1 0 0 0 k v ，因此对继电保护的要求越 来越严格。 面对如此庞大复杂的电力系统和很高的供电质量要求，迫切需要进一步研究满 足系统要求的新型继电保护装置，提出新的继电保护方法来满足不断发展的电力系 统的要求。 1 1 继电保护技术的发展现状及趋势 电力系统继电保护的发展经历了机电型，整流型，晶体管型和集成电路型几个 阶段后，现在发展到了微机保护阶段。 我国的微机保护研究起步于二十世纪七十年代术期、八十年代初期，尽管起步 晚，但是由于我国继电保护工作者的努力，发展却很快。经过十多年的奋斗，到了 八十年代末，计算机继电保护，尤其是输电线路的微机保护已经被广泛的采用。研 究和实践证明，与传统的继电保护相比，微机保护有许多优点，其主要的特点如下： 】，改善和提高继电保护的动作特性和性能。表现在能得到常规保护不易获得的特 性；其很强的记忆力能更好的实现故障分量保护：可引进自动控制、新的数学 理论和技术，如自适应，状态预测、模糊控制及人工神经网络等。 2 可以方便地扩充其他辅助功能，如故障录波、波形分析等。 3 工艺结构条件优越。体现在硬件比较通用，制造容易统一标准；装置体积4 、， 功耗低。 4 可靠性容易提高。体现在数字元件的特性不易受温度变化、电源波动、使用年 限的影响；且自检能力强，可用软件方法检测主要元件、部件工况以及功能软 件本身。 5 使用方便。其维护调试方便，缩短维修时间；同时依据运行经验，在现场可以 通过软件方法改变特性、结构。 华北电力大学硕士学位论文 虽然计算机保护具有高速运算和逻辑判断能力、强大的记忆能力以及其固有的 可编程特点，可是如何更充分地在继电保护技术中发挥其智能作用，仍然是当前一 个有待深入研究的重要领域，而自适应继电保护是其中一个充满希望的研究方向。 1 2 自适应继电保护的基本概念及其发展的条件 自适应保护是在2 0 世纪八十年代提出的一个较新的研究课题，白适应继电保护 可以定义为能根据电力系统运行方式和故障状态的变化而实时改变保护性能、特性 或定值的保护。这种新型保护的出现引起了人们的极大兴趣和关注。 自适应继电保护的基本思想是使保护尽可能地适应电力系统的各种变化，其运 行状态处于频繁的变化之中。除上述正常运行情况外，电力系统还可能发生各种类 型的故障，故障可能是瞬时性或永久性的，故障又可能是金属性短路也可能是经过 渡电阻短路等。因此要适应电力系统的变化，是一项十分困难的任务。 事实上，传统的继电保护也力图适应运行方式的变化和故障状态。例如电流速 断保护的整定值，是按系统最大运行方式下，线路末端发生三相短路考虑，过电流 保护是按线路的最大负荷电流考虑。这种按最严重的条件确定保护定值的方法，能 保证所有可能的正常和故障条件下，都不会错误地切除被保护的线路，但却存在以 下两个缺点：一是按上述方法设定的定值，在其他运行方式下( 其斗_ 包括系统的主 要运行方式) 不是最佳的。二是在最小运行方式或最不利的短路条件下，保护失效 或性能严重变差。同时应该指出的是，在传统保护中电有许多自适应性能，例如过 电流保护的反时限特性，差动保护中的制动特性，在距离保护中考虑了防止系统振 荡误动的方法等。由此可见，、自适应保护并不是一个新提出的概念，它早已存在 于传统的继电保护之中。目前，计算机在电力系统保护和控制中的应用，以及相关 技术的发展，更为自适应继电保护的发展，提供了前所未有的良机。 电力系统继电保护实质上属于电力系统自动控制的范畴，它的作用是切除发生 故障的设备以保证电力系统的j 下常运行，同时也包括自动重合闸。 考虑自适应保护时，就必须进一步计及电力系统运行状态和故障过程的变化， 从这一点看来，自适应保护实质上是一个具有反馈的控制系统。在自适应继电保护 中系统运行状态和故障过程变化的信息，可以就地获得或利用各种通信方式从调度 或相邻变电站得到。电力系统调度自动化和变电站的综合自动化以及微机的智能作 用，为获得更多的有用信息，并加以实时处理提供了有利条件。就地获得信息简单 易行，应首先予以考虑。利用通信方式由远端获取信息比较复杂，对快速传送数据 信息的要求也较高，但如能显著改进保护的性能，且通道能满足要求，用这种方式 实现自适应保护也是合理的。 华北电力大学硕士学位论文 1 2 1 微机保护技术的进步 微机保护技术的进步是自适应继电保护发展的基础，脱离计算机的应用，自适 应继电保护也是纸上谈兵，为了适应电力系统运行状况和故障条件的变化。自适应 保护有必要获得更多的信息，并对他们进行分析处理，这就是要求微机保护的硬件 具有更快的运算速度和更强的记忆能力。近年来，国内微机保护硬件系统还在不断 更新和改进，自适应继电保护研究工作的进一步深入，必将对微机保护硬件系统提 出新的要求，一个满足自适应继电保护的硬件系统是其发展的必要条件。 1 2 2 电网调度自动化技术的发展 电网调度自动化技术在六十年代开始由模拟式转向数字式，这种转变有着划时 代的意义。在七十年代中期有s c a d a ，a g c 和网络分析汇集成为能量管理系统 ( e m s ) 。八十年代中期又借鉴了e m s 技术，由s c a d a 、网络分析和负荷控n ? e 集成配电管理系统( d m s ) ，其提供的准确而有效的实时信息已成为调度员进行电 网安全、优质、经济调度的主要依据，对电网调度运行管理起到不可替代的作用， 同时也为自适应继电保护提供所需要的信息创造了条件。 1 2 3 智能控制和现代通信技术的发展 长期以来，计算机保护的大量研究成果以及与计算机保护技术密切相关的其他 科技领域中的新技术和新概念，例如自适应控制理论，神经网络和模糊控制以及小 波变换理论和全球定位系统( g p s ) 的应用，都将促进自适应保护进一步发展。近年 来，国内外有关人工神经网络等理论运用于自适应保护研究的文献和报道屡见不 鲜，解决了诸如励磁涌流、过渡电阻、零序互感和振荡闭锁等许多长期困扰继电保 护工作人员的难题，在实际运用中取得了不错的效果。 1 3 小波神经网络在电力系统中的应用 人工神经网络( a n n ) 是由许多并行运算的功能简单的单元组成，它是源于人类 神经系统的一类模型，是模拟人类智能的一条重要途径，它具有模拟人的部分形象 思维的能力。a n n 具有高度神经计算能力以及极强的自适应性，鲁棒性和容错性。 利用a n n 的高度并行运算能力，可以实时实现难以用常规保护实现的最优算法； 利用a n n 的高度并行处理和近似推理，可以实现对电力系统运行方式和故障类型 的准确诊断和识别；利用a n n 的高度容错能力，可以使继电保护具有更高的可靠 性。更重要的是，利用a n n 的自适应和自学习能力，能使继电保护和故障诊断具 有更强的自适应能力。因此，将a n n 引入继电保护和故障诊断，是实现自适应继 电保护和故障诊断条有效的新途径，a n n 在电力系统继电保护中的应用已经取得 3 华北屯力大学硕士学位论文 了一些成果，但总的来讲还是初步的。 小波分析是一种全新的信号时间一尺度分析方法，它的基函数是一系列尺度可变 的函数。这使得小波分析具有良好的时频定位特性以及对信号的自适应能力，故能 对各种时变信号进行有效的分解，为控制系统故障诊断提供了新的，强有力的分析 手段。 由于小波分析理论以其在时频局部化方面所具有的突出特点，以及神经网络在 自学习、自组织、非线性映射、容错性等方面具有的突出特点，基于二者结合的小 波神经网络应运而生，且已经初步运用到信号处理、系统辨识等领域。 1 4 国内外研究现状 1 9 8 8 年，美国学者g d r o c k e f e l l e r 等发表的“增进保护性能的一些自适应输电 继电器的构想”川，正式给出了自适应保护和自适应继电器的定义，标志着自适应 保护进入了一个正式的发展时期，同时发表的美国学者s h h o r o w i t z 等的“自适应 输电系统保护” 2 1 ，从输电系统保护策略，输电线路保护，继电器定值整定，变压 器保护和重合闸等方面分析了自适应的可能性，这两篇文章是自适应保护的经典文 献。 距离保护长期以来一直是复杂电网中高压输电线路最重要的也是应用最广泛 的保护装置。但是在实际运行中，有许多因素严重影响或制约着距离保护的性能， 当系统发生振荡时距离保护可能会误动作，过渡电阻的存在可能会使距离保护洪动 或拒动，c h u b 分支电流和平行线路零序互感的存在，对距离保护的性能也有很大的 影响。 将a n n 引入输电线路距离保护，国内外有关专家，学者已经在这方面作了大 量的工作。 参考文献【3 】中，作者利用神经元网络，从系统各种参数的组合模式来识别出故 障状态，其提出的基于人工神经网络的距离保护由三个独立子网络构成，分别实现 振荡识别，故障检测与选相，故障定位功能，浚构想与传统距离保护原理并不一致， 抛弃了阻抗继电器动作特性的概念，并不进行测量阻抗的计算和故障方向的判别。 参考文献 4 】中，提出了神经网络距离保护算法，通过对样本的学习获得保护的 动作特性，具有内在的对过渡电阻和系统运行方式的自适应性。 参考文献 5 中，提出了神经网络式距离保护的混合训练算法。 参考文献 6 ，提出了利用a n n 进行双回线距离保护的定值调整的新方法，双 回线距离保护定值调整问题，一直困扰着继电保护研究人员，文献提出的新方法是 4 华北电力大学硕士学位论文 在阻抗整定值中引入一个补偿平行线互感的校正因子，因为因子与系统状态成非线 性关系，用常规方法难以估算，因此该文采用一个b p 神经网络，通过给网络输入 正序母线电压，正序线电流，潮流，平行线运行方式等参量来在现估算因子，从而 实现自适应调整保护的定值。 参考文献 7 ，提出了种利用a n n 来进行高阻故障分类的方法，文中采用b p 网络模型，故障分类所需数据，经一个前置处理器处理后给神经网络进行故障分类。 参考文献 8 】提出了一种利用a n n 进行故障分类识别的方法，其a n n 采用三层 b p 神经网络模型，网络输入层为7 个神经元，中间层1 5 个，输出1 个，网络输入 包括电路i d ，天气，季节，日期，时间，影响的相数，以及保护设备等输入信号， 输入值采用了模糊条件概率，这种方法的优点是使a n n 网络简化且更加有效。 参考文献9 提出了一种基于多层前馈网络实现的输电线保护方向鉴别器，a n n 采用了三层b p 模型，训练样本有e m t d c 模拟产生，该鉴别器采用t m 3 2 0 c 3 0 数 据信号处理器，利用线电压和线电流的瞬时值来做出判断。 a n n 不仅用在输电线路上，在变压器故障检测方面也有应用。 文献 1 0 ，1 1 提出了使用油气分析数据，用a n n 实现的变压器故障诊断的方法。 文献f 12 1 介绍了一种利用a n n 进行电力变压器故障诊断地方法。a n n 采用3 层b p 网络，其输入为油过热、电晕放电、电弧等3 种故障和正常状态4 个输出量。 文中对网络在不同特征向量输入情况下的收敛性和不同网络结构的收敛性进行了 分析。经过仿真表明，a n n 应用于变压器故障诊断是一个很有效的方法。 a n n 在继电保护中的应用研究才刚刚丌始，虽然在某些方面完成了不少出色的 工作，但也存在些问题，如自适应优化算法方面如何利用a n n 来实现比常规的 优化算法获得更快的运算速度和更好的性能及利用a n n 去实现一些以往难以解决 的新算法；再如保护定值及动作特性的自适应调整方面如何运用a n n 的自学习和 自适应能力，根据系统不同的运行状况自适应调整各种运行参数下的保护定值和保 护动作特性等问题都需要研究人员对神经网络理论作更深入的理解，以从不同的角 度去研究、探讨。同时，算法的研究、特征样本变量的选取的研究对于加快运算速 度、提高判断的可靠性以及对于保证网络分类能力，网络推广能力、网络容错能力 等方面还有许多工作要做。 1 5 本文的工作 1 提出一种基于小波神经网络的自适应距离保护方案，其中包含三个方面的主要内 容：故障识别，故障测距和单相自适应重合闸。 华北电力大学硕士学位论文 2 用电磁暂态仿真软件a t p 对5 0 0 k v 输电线路双电源运行方式下，各种不同类型的 故障( 单相接地，两相短路，两相短路接地，三相短路，区内，区外) 进行仿真， 仿真得到的数据经过m a t l a b 进行处理，得到小波神经网络的训练样本和检验样 本 3 通过动模试验获取系统短路和振荡数据。 4 设计小波神经网络实现故障识别功能。将仿真得到数据作为小波神经网络的输入， 输出为3 个节点，分别代表a b c 三相，输出为1 ，则表示发生故障，输出为0 ，代 表正常或纯振荡。例如1 0 0 ，代表a 相发生故障，其他情况，以此类推。经过训练， 对于振荡中发生故障，该网络也可以做出准确的判断，将振荡识别和故障识别合二 为一。 5 充分考虑了各种影响故障测距的因素，提出了利用分布式小波神经网络实现故障 f , u e g ，该网络包括基本测距层，泛化层和校正层。首先利用基本故障测距层，计算 其输出测距结果对应于泛化层各区间的隶属度，作为控制因子激活距离泛化层中隶 属度大于零的相应子网络，泛化层的最终输出结果经校正层校正后，最终给出此系 统的测距结果。经过大量仿真证明，该方案测距精度高，抗干扰能力强。 6 提出了种基于多判据小波神经网络的电力系统单相自适应重合闸优化方案。 当瞬时性故障发生时，在短路点电弧熄灭后的恢复电压阶段，断丌相各电气量的关 系与永久性故障将有本质的不同。在详细分析断开相工频电气量的基础上，用滤波 后的采样值通过预处理层构成3 种判据，利用小波神经网络将它们自适应的赋予权 值，经过大量的仿真试验，该方案能够正确进行区分瞬时性故障和永久性故障。 6 华北电力大学硕士学位论文 2 1 引言 第二章基于小波神经网络的高压线路故障检测 快速，准确地检测和区分电力系统的各种故障，建立起一套高效的电力系统故 障信息在线检测与分类系统，对于处理电力系统故障，甚至对电力系统的灾变预防 是十分必要的。电力系统是一个开放的动态系统，由于环境对电力系统动态特性的 干扰，要准确的检测和分类故障，并完全防止事故的进一步发展是困难的，因此， 故障信息的特征提取和分类，已成为电力系统研究的重点和难点之一。 传统的继电保护不能跟踪一次系统运行工况的变化，因此，其灵敏性，可靠性， 选择性，快速性等技术要求之间的矛盾仍然突出，难以满足同益发展的电力系统安 全稳定的要求。特别是对于经高阻抗( 如弧光电阻) 发生的故障，传统保护可能无 法正确地判别区内外故障。当系统发生区内故障时，如果过渡电阻很大，保护可能 拒动。另外，当在两侧电源的线路上发生经过渡电阻的区外短路时，当两侧电源电 势的夹角达到一定值时，阻抗继电器的测量阻抗可能减小而进入动作区，从而使距 离保护误动作。 故障状态识别属于模式识别的范畴。神经网络具有自组织，自学习和自适应的 能力，可以自适应的提取待分类模式中的特征信息，是一种新兴的模式识别技术， 已被应用于电力系统故障识别中，但在这些应用中，神经网络的模式识别空i h 仅限 于单纯的时域或频域空间，而不是基于信号的时频域特征。这必然导致某些重要信 息的丢失，不利于神经网络对故障类型的识别。小波分析作为傅立叶变换的突破性 进展，具有良好的时频局部化特性，可以有效的分析，提取故障线路电流的时频特 性。 小波神经网络则将小波分析技术和神经网络技术结合起来，兼具两者的优点。 小波分析与神经网络有两种结合方式，一种是以小波为基底的新型前馈神经网络， 小波函数作为前馈网络的神经元激励函数；另一科呗0 是利用小波分析对信号进行预 处理，即以小波空间作为神经网络模式识别的特征空间h ，通过小波变换来实现信号 的时频特征提取，然后将提取的特征向量送入神经网络处理8 1 。 文献 1 6 和文献 1 9 】利用小波变换对信号进行预处理提取出信号在若干频率段 中的能量，以及在这几个频段下，幅值最大的4 个点所处的时间和幅值，把这些作 为神经网络的输入信号。但其小波变换的时频特征提取与神经网络分类器之间完全 独立，小波参数是基于待分类对象特征的认识而给定的，即神经网络分类器的输入 是预先给定的时频域特征，在神经网络学习中不作任何修改。而在实际系统中，预 7 华北电力大学硕士学位论文 先给定的小波参数很难保证所提取的时频特征包含了故障电流最本质的特征。 自适应小波神经网络在学习过程中能最大限度地对信号进行特征提取，具有一 定的抗干扰性，而且学习算法简单，收敛速度快。为此本文结合电流能量谱和自适 应小波神经网络提出了一种故障检测新方法。 2 2 基本原理 正常情况下，a b c 三相电流的频率成分以工频为主，仅含有极少量的其他频率 成分，所以将三相电流进行小波包分解之后，各个频段上的能量是相等的。 当系统发生故障时，故障相电流将含有大量的高频成分，而非故障相的电流所 含高频成分将大大小于故障相。 区外故障时，各相电流与区内故障时相比，由于母线杂散电容，高频能量会流 失一部分，与区内的情况也不相同，运用小波神经网络的分类能力，可以准确，快 速的判断出故障相和区内，区外故障。 2 3 能量的定义 本文定义电流的能量为 p ，= w i2 ( 女) k = i ( 2 1 ) 式中w i 为线路电流的小波变换输出；p 为计算能量的时窗所对应的小波变换输出点 数1 ” 2 4 自适应小波神经网络 自适应小波神经网络由两部分组成，第一部分是小波层，用作特征提取。第二 部分是一个前馈神经网络，用作对信号的分类。 图2 1 给出了本文所要用到的自适应小波神经网络，它包括输入层，小波变换 层，能量层隐含层和输出层5 部分。其中x ”为输入层的第n 个值，oj ，0 2 ，o p 是 输出层的输出值，0 9 ，为隐含层节点i 和能量层节点j 的连接权重，。为隐含层节 点i 和输出层节点p 的连接权重，a j 和b 分别为小波层第j 个节点的尺度，位移因 子；n 为输入层节点个数，j 为能量层节点个数，i 为隐含层节点个数，p 为输出层 节点个数。小波层采用母小波函数为h ( x ) ，网络的输出层，隐含层传递函数均采用 s i g m o i d 函数盯( x ) 1 2 0 ，2 ”。 8 些! ! 皇查查堂堡主堂笪丝苎 因此，自适应小波神经网络的输出可以写成下面的关系式 0 p - a ( 喜州缸洳m ( 等) ) 2 ) ) 。2 对于自适应小波神经网络的学习，可以采用b p 算法。下面给出其批处理的学 习算法。 若设d ，为第n 个输入模式的网络期望输出值，0 ，( n ，y j ，z 分别为第n 个 输入模式的网络实际输出，隐层节点输出和能量层节点输出值，则可以定义误差函 数为 亭：熹圭圭( 。卜d ，i ) 2 z v 肚1p = l 因此可以推导出自适应小波神经网络各杈值及小、圾爹瓤削1 1 雾i 卜i 但刀 舳，= 盖一专妙q 瓢h 呱= 芸= 一专喜言( 秽l - o 甲瓤y j 帕( 1 一y j 町z 罗 船，：薯：一寺喜缈叫矽q ，弘加夸2 z 矗等 ，：箬：一专粪缈”，弘y 夸2 ： 等 5 太音昕用小漓神绎网络的构造 ( 2 3 ) ( 2 - 4 ) ( 2 - 5 ) ( 2 - 6 ) ( 2 7 ) 对于三相线路，可以利用三个自适应小波神经网络分别实现，网络结构如图2 _ 1 所示。由于三个自适应小波神经网络的建立和训练过程完全相同，所以下面只介绍 a 相。 9 华北电力大学硕士学位论文 输出层 隐古层 能盘壕 ，小波盘换层 图2 - 1 自适应小波神经网络的结构 f i 9 2 - 1 s t r u c t u r eo fa d a p t i v ew a v e l e tn e u r a ln e t w o r k 2 5 1 输入层和输出层 自适应小波神经网络的输入是故障信号的采样值，因此选取a 相电流的采样值 作为输入。选择数据窗长度为半个周波( 1 0 m s ) ，当采样频率为5 0 0 0 h z 时，网络的 输入节点为5 0 个。 网络的输出层为单节点形式，分别用1 和0 代表故障和f 常情况 2 5 2 小波变换层 小波变换层结构的确定包括了母小波的选择，小波节点数的确定，以及小波参 数的初始化。它是构建自适应小波神经网络的关键所在。 ( 1 ) 母小波的选择 对于小波函数的选择，目前还没有普遍适用的原则。小波函数的性质是相互制 约的，不可能同时达到最佳，一般可结合待分析信号的特点和小波变换的具体应用 折中处理。保护的实时性要求母小波具有较好的时域紧支性。 本文选择m o r l e t 小波作为自适应小波神经网络的母小波，它是m o r l e t 等为了使 g a u s s i a n 函数满足小波函数的定义，对高斯函数加以调制所构造的小波，它具有良 好的时频局部化特性。其常用的形式为 h ( f ) = g o s 。t e 2 ( 2 8 ) 入 一 、爪 h 华北电力大学硕士学位论文 ( 2 ) m o r l e t 小波的参数选择 m o r l e t 小波所对应的小波族为 【! 兰】2 。( r ) ：c o s ( 。上生) p 一十 ( 2 9 ) 其时频窗为 b - 一a 2 ，6 + 击】 等一去，i c o o + 丽1 】 q 。 本文取缈。= 8 ，根据m o r l e td 、波的幅频特性取a = 3 8 吧三个平移因子 b i = 1 2 , b 2 = 2 4 ，b 3 = 3 6 。小波节点数为1 5 0 。 需要况明的是，这里讨论的a 取值范围并不是a 的最终取值，网络的小波参数 a 和b 要通过网络的训练决定。 ( 3 ) 离散化【1 4 1 7 】 当给定小波h 后，一个信号“t ) 的某种频率段的频率分量为小波变换 c 。槲啦。i f ( 啪( 等 。1 当给定信号的有限时间采样序列f ( t ，) = f ( i a ) ( f ，h t ： ，i = 1 ，) 后，上式可以 离散计算为： w j ( 口，6 ) = 可 j - 1 2 a - i ，z i a ) h ( a - i a - a b ) 2 5 3 能量层 ( 2 1 2 ) 能量层节点数取3 。 2 5 4 隐含层 对于神经网络隐含层节点数的确定并没有很明确的方法。适当地增加隐含层节 点，虽然会增加计算量，却扩大了搜索空阳j ，提供了一些有利于造成良好分类界面 的非线性信息，有利于神经网络收敛。当隐含层节点增加到一定程度，已找到的分 类界面却不随隐含层节点的增加而取得更好的收敛效果【2 2 1 。这里选取隐含层节点数 为3 。 因此，本文所构建的自适应小波神经网络结构为5 0 15 0 3 3 1 。 华北电力大学硕士学位论文 2 6 自适应小波神经网络的训练 2 6 1 训练样本的选取 小波神经网络对于信息识别的好坏，完全取决于训练样本集的数量和质量，如 果选取的样本缺乏所要分析信息的典型特征，则网络的存储和记忆功能就起不到相 应的作用。样本的选取不当最终可能导致网络收敛速度慢或是根本无法收敛。 本文利用a t p e m t p 程序仿真生成自适应小波神经网络的训练样本。仿真系统 如图2 2 所示。所采用的训l 练样本尽可能地包括线路各种情况的内部故障和外部故 障。 ( 蔺河)5 0 0 i c r ( 脬州) e mm n e n ( ) 匕= = 而而面= = = 卜叫 z m 。1 = 1 2 。8 5 7 + j 5 5 , 6 3 。7 7 ，：l 邑。0 1 8 0 8 f i 0 2 7 7 4 ， 。o 一k m l ：z 删n 1 - 1 6 7 1 4 4 j 3 5 5 3 9 1 c 1 00 1 2 9 1 。 z t n 0 = 28 7 6 4 q 3 7 l 捕7o 2 7u f 函1 l 。n o 书1 川1 z o = o2 3 0 0 d 0 9 7 2 8n c o = 0 0 0 8 1 1 6 1i j f k 1 v i 图2 - 2e m t p 仿真系统模型 f i g 2 - 2p o w e rs y s t e mf o re m t p s i m u l a t i o n 本文结合不同的初相角，对线路不同位置经不同过渡电阻接地进行了仿真， 故障类型：区内( 单相接地，两相短路，两相接地短路和三相短路) ；区外( 单 相接地，两相短路，两相接地短路和三相短路) 过渡电阻：0 q ，1 0 q ，2 0 q ，5 0 qq ，i 0 0 q ，l5 0 q ，2 0 0 q ，2 5 0 q ，3 0 0 q ， 3 5 0q ，4 0 0q ，4 5 0q ，5 0 0 q ，5 5 0q 。 相角差：15 度，3 0 度，6 0 度， 故障点：区内( 1 0 ，2 0 ，3 0 ，4 0 ，5 0 ，6 0 ，7 0 ，8 0 ，8 5 ，9 0 ， 9 5 ) ， 区外( m 侧，n 侧) 。 生成了18 5 7 个故障样本，选其中的15 0 0 个作为训练样本，每一个样本取故障 发生后半个周期的5 0 个采样值，即数据窗长度为1 0 m s 。 2 6 2 样本的预处理 自适应小波神经网络是基于b p 算法的，神经元的输出范围在o 到l 之间，如果 1 2 华北电力大学硕士学位论文 神经元输入的绝对值过大，会导致神经元饱和。因此，对原始数据进行如下的预处 理 f ： ! ! k 2 l ，2 ，k 。 m a x ( m i i ：h ，) 式中i k 为数据窗的第k 个采样值；为网络的第k 个输入值。 显然经过这样的处理，各个样本的数据都限制在 1 ，1 的范围内，但是信号的 波形并没有发生改变 2 6 3 网络的训练 利用训练样本集对所构造的自适应小波神经网络进行训练，设定网络的训练目 标为所有训练样本的输出与各自的目标值之间的误差小于限定值，这里取o 1 。小 波参数前面已经给出，连接权值的初始值则随机给定。由网络的学习误差曲线可 知，本文所建立的小波神经网络具有快速收敛能力。 2 7 自适应小波神经网络的测试 2 7 1 网络的测试 对于训练好的自适应小波神经网络，还需要利用其他的非训练样本，来检验网 络对故障信号的识别能力。本文同样采用a t p e m t p 仿真生成小波神经网络的测试 样本；对于线路可能发生的故障类型，本文选取3 5 7 个训练样本对网络进行训练。 自适应小波神经网络测试过程中，故障类型的判掘为： 输出y o5 ，则判该相为故障相。 输出y o 时，信号“t ) 离散化为 ( f ) ，式( 3 1 ) 变为 吼( 口，6 ) ：j - i n 嘛( f ) 甲( 口一- f _ a - t b ) ( 3 3 ) 式中n 为要分析的序列点总数；7 1 = ( 一1 ) 是信号的时间窗宽度。 为了防止边界效应，实现故障测距时，将时间窗定为一个周波，故障前1 4 周波+ 故障后3 4 周波。对应于式( 3 - 1 ) 的形式，本文提出的小波神经网络模型的前向运 1 9 翁 翁 悉努擒 华北电力大学硕士学位论文 算如下： ( 1 ) 输入时间序列 x 。= x ；，x f ，x j 】 自适应小波变换层中节点g ：的输出为 - - 1n g j = ( 口；) 2z x ：a l w ( a 9 1 i a - a 0 1 础) ，= 0 类同于式( 3 - 3 ) ，依次计算出自适应小波变换层的输出矢量 g 1 = g ；，g ? ，玎一， 式中j 为自适应层的总节点数。 ( 2 ) 计算出隐含层的输入矢量 u 7 = 矿2 1 g ” 式中k 为隐层节点数。 然后计算出隐含层输出矢量 o = ( u ) ( 3 ) 计算出网络输出 y = a u ) ，= w 3 2 o 7 3 2 ，2 权值调整 当神经元所采用的功能函数连续可微时，可严格地利用梯度法进行推算。 设样本p 对应的输出误差为e 。= ( d y ) 2 ，则网络各层的权值调节为 d ；= ( d ，一y p ) 力( ，) 。 ，w j 3 - 2 = 口占；o 目， = 0 , 1 ，一，k ，w 习= a ( 占；w ? 2 ) f i ( u ，) g 。i ( 3 - 4 ) 兰j ! 皇塑奎兰塑主! 堡兰墨一 = ( j ；w 一矗( “，) ，i = 0 , 1 ，k 一1 ；，20 , 1 ， 3 - 5 式中口为学习步长，网络各节点的阈值被看作为输入恒为1 的权值。 根据隐含层的“等效误差分量”万；，调整自适应层小波函数的两参数 酬列 静州) 蔷) 1 ，卜l ， ( 3 - 6 叫二口 静帕筹圳j 1 ，一，川； 7 式中a 为学习步长。 权空间调节中应确保参数日为正，小波函数的时窗中心以及左右边界在被分析信 号时窗内，以此来确定参数b 的调整范围。实际应用中还可以引入增加动量项，自 适应调节学习率等改进方法。 8 3 建模依据 3 8 ，1 故障检测和识别子网络( n n i ) 由于故障测距是建立在故障检测基础上的，所以该子网络可以直接利用本文第 二章介绍的小波神经网络，模块示意图见图3 - 2 。 3 3 2 故障测距子网络( n n 2 ) 高压输电线路故障测距问题是一个复杂的信息处理系统，故障发生时的故障模 式受故障点位置，过渡电阻，故障前两端系统电势夹角，故障初始角，对端的运行 方式等因素的影响。 本文在利用n n l 准确识别故障类型的基础上，构建分层结构和分布式功能的神 经网络模块n n 2 来解决由于隐层节点过多而引起的过拟和、推广能力差的问题。 图3 - 2 故障识别网络结构 f i g 2f a u l tr e c o g n i t i o nn e t w o r k s t r u c t u r e 华北电力大学硕十学位论文 图3 3 是该测距网络的结构图】，采样数据直接送入故障类型识别网络，根据 故障识别网络的输出，控制下一步所需要启动的相应神经网络子模块的运行，即对 应某类故障仅运行各层中的相应故障类型的神经网络模块。如故障类型识别为正常 状态则退出系统。被启动的故障测距予模块，由故障数据库获得采样数据，按照各 自的要求，预处理后首先送入基本故障测距层，计算其输出测距结果对应于泛化层 各区间的隶属度，作为控制因子激活距离泛化层中隶属度大于0 的相应子网络，泛 化层的最终的输出结果经校正层校正后，最终给出此系统的测距结果。 图3 - 3 多信息量分布式神经网络故障测距模型结构 f i 9 3 3t h ea r c h i t e c t u r eo ff a u l tl o c a t i o ns y s t e mu s i n gm u l t i i n f o r m a t i o nd i s t r i b u t e d n n 3 4 具有冗余信息的高压输电线路故障测距小波神经网络的构造 测距网络分为三个部分，基本测距层，泛化层，校正层 3 4 1 基本测距层 为了保证训练后的神经网络系统的故障测距精度和可靠性，训练样本集选取应 覆盖整个故障模式区间。为此，生成样本考虑以下因素：故障点位置，过渡电阻， 故障初始角，对端系统阻抗，两端系统电势夹角以及故障前负荷等。为提高故障测 距系统的整体性能，基本测距层考虑前4 种变化因素，确保故障测距的精确度。 基本故障测距部分是由四个平行，独立的神经网络子模式所构成，分别完成高 压输电线路的4 大故障模式：单相接地，两相短路接地，两相短路和三相短路的基 本测距功能。对于不同类型的故障模式由相应的功能独立的测距模块来实现故障测 距，且根据故障类型特征性能的要求分别预处理数据。为构造更能反映本类故障特 征的测距神经网络的输入矢量、形成各自训练样本集提供了必要的前提条件，为有 2 2 华北电力火学硕士学位论文 效的提高基于小波神经网络原理测距的综合性能和故障测距精度提供了可靠的保 证。 在本层中各测距模块都采用小波神经网络模型，网络的输入矢量和维数见表 3 1 ，输出层只有一个神经元，表示故障距离。生成各模块的训练样本集时，考虑如 下各种变化因素：故障距离k a l ( k = o ，1 ，其中上为线路全长，为变化步 长) 、过渡电阻、对端系统阻抗( 考虑最大，额定，最小3 种运行方式) 、故障初始 角( 以a 相电压为参考基准，在o 7 0 度范围之间，取m a n ，= 1 , 2 ，一m ) 。 3 4 2 泛化层 由常规的单端量法的解析法可知，故障测距的误差在线路两端最大，而在线路 中间位置误差较小，这是因为当靠近保护安装处母线故障时，基频分量幅值误差受 故障初始角因素更敏感，从而导致测距误差的变大，当靠近线路末端故障时，故障 点处故障电流中对端助增电流所占比例变大，而常规单端量测距解析方法中不考虑 对端系统参数，从而导致测距误差增大，甚至于出现测距失效，即迭代不收敛，或 方程无解。在故障测距神经网络模型中也出现类似的情况，为此本文提出了距离泛 化层来解决高压线路始端和术端测距时精确度不够的问题。它的作用是由各基本故 障测距层的整个故障模式空问转到包含高压输电线路某些特定故障模式的j 空间 中，即集合于个较小的故障子模式集，从而为进一步加强故障距离和故障初始角 ( 对于近端故障) 或对端系统阻抗和负载电流( 对于末端故障) 变化因素空问的权 重提供了可能，从而提高了学习后小波神经网络的距离泛化能力，即为准确的故障 测距建立更充分的保证。 对于4 大类型的每一故障测距模块，距离泛化层的距离模式空刚划分为两个， 分别对应于线路的两端，其所负责的具体测距范围，可以根据高压输电线路的长度 不同而作不同的划分。距离泛化层是根据基本故障测距层的输出距离所属范围作为 控制因子来决定是否激活，以及激活距离泛化层的哪一个子网络( 近端或远端) 模 块。鉴于小波神经网络模型的外推能力较差，为提高测距的可靠性，根据基本测距 层的最大可能距离误差，在距离泛化层各神经网络的测距范围边界设置一定的模糊 处理区。本文采用的网络见图3 - 5 ，图中线路全长为2 4 0 k m ，泛化层分别为线路两 端5 0 k m 的区段，当故障在线路为中间的1 4 0 k m 时，直接采用基本测距层结果，无 须进入距离泛化层。泛化测距区段边界设i - t 。1 0 k m 的模糊处理区，图3 - 4 为隶属度 曲线。 图3 - 4 中，横轴表示故障点距m 侧( 保护安装处) 的长度，纵轴表示隶属度h ， f = l ，2 ，3 。计算基本故障测距层的测距输出结果对应于距离泛化层中各区间内的隶属 度，对应于非零的泛化子神经网络被激活，进行进一步的精确故障测距。泛化 2 3 华北电力大学硕士学位论文 层各神经网络的输出d ，( i = 1 , 3 ) 和中间区段输出d ，( i = 2 ) ，经过如下公式计 算，给出泛化层最终的测距结果d ， d ，= d 。“ ( 3 8 ) 图3 - 4 距离泛化层各区间对应的隶属度曲线 f i g 3 4m e m b e r s h i po fe v e r yd i s t a n c eg e n e r a l i z a t i o n 生成泛化层各子神经网络训练样本集时，考虑相同于基本故障测距层的变化因 素，但对敏感因素将缩小步长。如近端距离泛化子网络，故障距离变化步长减小， 故障初始角的变化步长也作相应的减小，从而泛化了距离和初始角因素影响的故障 模式子空间的覆盖程度；对远端距离泛化网络，生成训练样本集时，距离和列端系 统阻抗的步长减小，这样提高了整个神经网络系统的测距精度。 3 4 3 故障测距校正层 4 类故障测距模块中，对应于基本故障测距层和距离泛化层，分别串联设计4 个 测距结果校正子网络。主要完成故障前两端系统电势夹角( 表征负荷电流的大小) 及系统阻抗( 表征系统的运行方式) 因素对测距结果影响的校f 。 两端电势央角和对端系统阻抗影响故障前潮流分布，进而影响故障附加等效网 中的附加电源；对端系统阻抗还将影响故障附加等效网中故障电流的分布系数；它 们都随故障点位置越靠近对端母线所产生的影响变大。这些因素也是困扰常规单端 测距法的关键性问题。故障测距校正层的训练样本集的生成，是在第二层训练样本 集的基础上，再派生出考虑系统电势夹角和系统阻抗变化的相对样本对，有效地消 除了它们对测距精度的影响。 设计校正层的另一方面的原因，是为减轻基本故障测距层各模块拟合性能要求 的承受力。校正层同时也起到对基本故障测距层的二次校正作用。显然，该层对确 保本系统测距精度和测距综合性能指标是至关重要的。 从各层的输入矢量特征出现形式和构造，也不难看出它们在整个神经网络系统 中所占的权重是不同的，也体现了该因素对故障测距的影响力。 2 4 华北电力大学硕士学位论文 34 4 基于小波神经网络的故障测距系统运行机制 如图3 - 3 所示，根据故障类型识别网络的输出，控制下一步所要启动的相应神 经网络子模块的运行，对于某类故障仅运行各层中相应故障类的神经网络模块。如 故障识别网络识别为正常状态则退出系统。按照图3 3 所示，被启动的故障测距子 模块，由故障数据库获得采样数据，按照各自的要求，预处理后首先进入基本故障 测距层，计算其输出测距结果对应于泛化层各区间的隶属度，作为控制因子激活距 离泛化层中隶属度大于零的相应子网络，泛化层的最终输出结果经校正层校正后， 最终给出此系统的测距结果。 整个故障测距神经网络模型的层次化结构是基于人的联想和逻辑思维过程，具 有清晰的推理层次。功能分布的模块化结构与生物神经网络功能区域结构一致。不 难看出，由于结构是分层式和多神经网络模块功能相结合，对于某种故障模式，故 障时仅启用系统中相应的子模块，提高了系统的效率，实现了高精度测距。显然， 实现测距功能的训练样本工作量并未增加，由于各个功能模块的规模缩小，训练和 收敛更快，且提高了神经网络系统的推广能力，使线路全程测距具有绝对的可靠性。 3 5 基于小波神经网络模型故障测距系统的仿真与训练 电力系统运行经验表明，高压输电线路各类短路故障中，单相接地故障占很大 比例。因此，本文针对单相接地故障将详细阐述。所用系统和参数如图3 5 所示。 a t p 仿真时均采用分布参数模型。 z m l = 12 8 5 7 “5 56 3 7 7 z m o = 2 8 7 6 4 4 十j 3 712 6 7 z 1 2 00 18 0 8 + j o 2 7 7 4 7 c 】= 0 0 1 2 9 7u f k m z 0 2 02 3 0 8 4 + j o 9 7 2 0 8 c 0 = o 0 0 8 1 1 6 】u f k m 图3 - 5 系统仿真图 f i g 3 5s t r u c t u r eo fs i m u l a t i o n z n l = 16 7 1 4 4 ：i 3 55 3 9 i z n 0 = 47 0 0 0 + 3 79 7 8 4 3 5 1 单相接地故障测距模块训练故障模式集的构造 单相接地故障模型示意图如图3 - 6 所示( 以a 相故障为例) 。其中d i 为故障点 距m 端的距离，r ，为接地过渡电阻，r 为故障点电流，k 为m 端故障相a 相的 测量电流，z 。，z 。分别为m ，n 端的系统阻抗。 2 5 华北电力大学硕士学位论文 图3 - 6 a 相单相接地示意图 f i g 3 6t h ed i a g r a m m a t i cs k e t c ho fp h a s ea t oe a r t h 训练样本集应尽量覆盖整个故障模式空间，应考虑影响故障测距结果的所有变 化因素。除结合电力部门的运行经验给出其变化范围外，在形成故障测距神经网络 训练样本集时，各因素的变化步长应予以考虑和研究。理论上讲，步长越小，其对 故障模式空间的表征越好，但这将导致样本数目增多，在一定训练误差以及神经网 络空间容量的前提下，为学习收敛带来一定难度，进而导致神经网络隐含层节点和 权值的增加。在另一方面，现场实际中，提取的输入特征矢量不可避免的存在一定 误差，这样训练后的神经网络由