（电力系统及其自动化专业论文）基于神经网络的电力系统故障定位与诊断.pdf

a b s t r a c t f a u l tl o c a t i o na n df a u l td i a g n o s i si np o w e rs y s t e ma r ei m p o r t a n tg u a r a n t e eo f d e a l i n gw i t h f a u l t sr a p i d l ya n da c c u r a t e l y t h e ya r ea l s ov i t a ls e g m e n t so f a s s u r i n gt h e s a f ea n d s t e a d yo p e r a t i o no f p o w e rs y s t e m t h i sp a p e ra n a l y z e st h ep e r f o r m a n c eo ft w or e p r e s e n t a t i o n a lt y p e so f t r a d i t i o n a l n e u r a ln e t w o r k st h a ta r eb a c k - p r o p a g a t i o nn e u r a ln e t w o r k ( b p r z n ) a n dk o h o n e n n e u r a ln e t w o r k ( k n n ) t h es i m u l a t i o nr e s u l t ss h o wt h a tt h eb p n nh a sb e t t e rs e l f - s t u d ya b i l i t i e s a n dg e n e r a l i z a t i o n p r o p e r t i e st h a nt h e k n nd o e s b u tt h eb p n n c o n v e r g e ss l o w l ya n di se a s yt og e ti n t ol o c a lm i n i m u m f o rs o l v i n gt h ep r o b l e ma d o v e lw a v e l e tn e u r a ln e t w o r k ( w n n ) b a s e do nt h es i g m o i df i m c t i o ni se s t a b l i s h e dt o s e l e c tf a u l tp h a s e si nt h i sp a p e r t h ep e r f o r m a n c eo ft h ew n ni sc o m p a r e dw i t ht h a t o ft h eb p n n t h er e s u l t so f c o m p a r i s o ns h o w t h a tt h i sw n - ni sb e t t e rt h a nt h eb p n n i np e r f o r m i n gf a u l tp h a s es e l e c t i o n b e c a u s en e u r a ln e t w o r kh a r d l yc o n v e r g ei nt h es i t u a t i o no fm a s ss a m p l e s ，a b l o c km o d e lo f t r a i n i n gw n n f o rf a u l tl o c a t i o n ，w h i c hc a ng r e a t l yr e d u c et h en u m b e r o ft h e t r a i n i n gs a m p l e so fe a c hs u b - m o d u l ea n dm a k en e u r a ln e t w o r kc o n v e r g e q u i c k l y , i sp r e s e n t e d u s et h e 仆m io ft h a tb l o c kt r a i n i n gm o d e lt op e r f o r mf a u l t l o c a t i o na n d a n a l y z et h e r e s u l t so f l o c a t i n gf a u l tf o rt h ef o u n d a t i o no ft a k i n gt h a tk i n d o f w n nm o d e li n t op r a c t i c e b a s e do nw n n ，af a u l td i a g n o s i sa l g o r i t h mo f p o w e rs y s t e m i sd e v e l o p e d t h e n ， r o u g hs e t ( r s ) t h e o r y , w h i c hi s an o v e lt o o lf o rd a t am i n i n g ，i si m r o d u c e di n t ot h e w n nt oi m p r o v ei t s c a p a b i l i t yi nt h ef a u l td i a g n o s i s t h u s ，as t r a t i f i e dw n n m o d e l b a s e do nr s t h e o r yi sp r e s e n t e di nt h i st h e s i s ，w h i c hi su s e dt oi d e n t i f yf a u l te l e m e n t s t h ep r o p e r t i e so ft h r e et y p e so fw n n m o d e l s ( t h es t r a t i f i e dw n nm o d e l ，t h ep u r e w n n m o d e l ，t h ew n nm o d e lc o m b i n e d 丽t 1 1r st h e o r yt h r o u 曲ac o n v e n t i o n a l m e t h o d ) h a v eb e e nc o m p a r e d i tc a t lb ec o n c l u d e dt h a tt h ec o n v e r g e n c eo fw n na n d t h ea b i l i t yt or e c o g n i z ev a r i a n ts a m p l e sa r ec l e a r l yi m p r o v e d u s i n g t h es t r a t i f i e dw n n m o d e l k e yw o r d s ：p o w e rs y s t e m ，f a u l tp h a s es e l e c t i o n ，f a u l tl o c a t i o n , f a u l td i a g n o s i s ， b a c k - - p r o p a g a t i o nn e t w o r k ，w a v e l e tn e u r a ln e t w o r k ，r o u g hs e t 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，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，也不包含为获得叁盗盘鲎或其他教育机构的学位或证 书而使用过的材料。与我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： 段。军 签字日期：1 。3 年fz 月2 。日 学位论文版权使用授权书 本学位论文作者完全了解叁注盘茔有关保留、使用学位论文的规定。 特授权墨壅盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：段8 军导师签名；甜撅起 签字目期：”0 3 年f 2 月2 0 日签字日期： 6 ，年z 月歹。日 苎二里丝堡 _ - _ - - ，_ ，_ 一一一 第一章绪论 1 1 本课题研究的意义和现状 1 i 1 本课题研究的意义 电力系统的任务是产生电能并将电能输送给用户，保证及时安全可靠的发 电和供电是对电力系统运行的首要要求。当电力系统出现故障时，如果不能实 现进行迅速准确的故障诊断与定位，就不能保证将电能安全及时地输送给用户。 因此，对电力系统进行准确的故障定位与故障诊断是现场事故恢复处理的重要 部分，同时对电力系统安全稳定运行具有重要的意义。 由于我国电力系统的各项措施还不是很完善，短路故障的发生很难完全避 免。既然故障是不可避免的，而且对电力系统元件的正常使用和人们的生活产 生很大的负面影响，那么在故障后就应该快速有效地进行故障情况的分析，找 出故障发生的原因、元件或地点，以保证电力系统尽快恢复供电。 一方面，我国的电力系统还比较薄弱，供电的可靠性不高，电力系统的故 障绝大多数都发生在输电线路上，而输电线路尤其是超高压远距离输电线路发 生故障时，一般均需及时巡线找到故障地点并进行处理，以保证线路的安全供 电。对于长线路，特别是经过山区的长线路，例如一些大型水电站的出线，一 般经过较长的山区，而山区往往交通不便，如果进行人工巡线将要耗费大量的 人力物力和时间，造成更多的经济损失。即使是交通方便的平原地区，遇到恶 劣天气时发生故障，全线巡线也很艰苦。所以要采用有效的故障定位手段，较 准确地查找故障相和故障点，缩小巡线范围，使运行人员能够迅速找到故障点 消除故障。 另一方面，当电力系统发生故障后，根据保护的动作情况应该可以进行故 障元件的识别。但是有时可能出现几套保护装置同时动作的情况，其中有的保 护装置是正确动作，而有的则可能是误动作。例如当线路发生两相短路故障时， 相差高频保护和距离保护动作是正确的，而零序电流保护如果动作则是错误的。 如果没有一定的方法，就不能准确判断故障元件。另外，电力系统数据传输中 也有可能出现保护动作信息的传输错误。此时，也必须有比较好的分析方法才 能顺利判断出故障元件，以便于找出事故原因尽快恢复系统供电。 应用神经网络及相应数学工具的优势对输电线路以及与之相关的设备进行 准确的故障定位和诊断是电力系统技术发展的趋势，它不仅可以减少和防止故 障对电力系统造成的影响，使系统尽快恢复正常运行，减少经济损失，而且更 第一章绪论 重要的是对提高电力系统供电的安全可靠性也有很大的帮助。 1 1 2 电力系统故障定位与诊断的现状 电力系统的故障情况很多，故障中需要分析的问题也包含很多方面的内容。 本课题的研究主要包括故障选相( 故障类型识别) 、故障测距和故障诊断( 故障 元件识别) 三个方面。故障选相的目的是当电力系统发生故障时确定故障发生 的相别。故障测距是为了发现输电线路中发生故障的确切位置。故障诊断是利 用保护和断路器信息来判别系统中哪些元件发生故障。 根据不同线路的实际情况，故障选相的方法很多。文献 i 是计算模量初始 电流行波在小波变换下的模极大值，根据3 个模量的故障特征选取故障相。文 献 2 则通过监测不同采样时间电流的变化，找出电流突变量的规律，从而实现 电力系统故障选相。文献 3 介绍了两种故障选相方法，即采用相位比较式对称 分量选相元件和采用两相电流差突变量选相元件实现选相。相位比较式对称分 量选相元件是按比较对称分量相位的原理实现。其用对称分量法把故障电流和 故障电压分解为正序、负序、零序三组对称分量，通过比较各种故障时各序分 量的相位变化规律，结合阻抗元件的动作情况来构成不同的电流选相元件和电 压选相元件。两相电流差突变量选相元件是在系统发生故障时利用两相电流差 的变化量幅值特点来区分各类故障。文献 4 提出了一种基于故障分量中高频分 量的故障选相原理。该原理利用电压故障分量中的高频成分，通过比较三相电 压以不同相为基准的模变换的频域特征实现故障选相。文献 5 是在文献 4 的 基础上结合模糊集合原理对变换后的特征量进行处理后实现的模糊选相。文献 6 ，7 是利用传统的神经网络进行故障类型的识剐。但是由于传统神经网络存在 收敛速度慢和容易陷入局部极小点的缺点，利用传统的神经网络较难以实现较 为准确的故障选相。为此，很多研究者尝试在传统神经网络的基础上引入各种 数学工具，如模糊机制和小波变换理论等改善神经网络的性能，对电力系统的 短路故障进行准确选相 8 1 0 ” 。 电力系统的故障测距方法很多，比如传统的阻抗测距法“，文献 1 2 ，1 3 的行波测距法等。但是阻抗测距法容易受过渡电阻的影响测量精度较低，而行 波测距方法的主要困难是如何确定故障行波的波头，波头确定的准确与否直接 影响测量的精确度。文献 z 4 提出了根据现场数字化保护装置所提供的的数据 进行故障测距的方法，包括了根据单端数据量和根据双端数据量进行测距的两 种方法，并对结果进行了比较。文献 1 5 利用输电线路两端的故障电压和电流 量，提出了一种基于输电线路等效序网的故障测距方法，不严格要求两端数据 同步采样也不需要故障选相，所需通讯数据较少。文献 1 6 也是使用输电线两 第一章绪论 端电气量的故障定位方法。并利用相模变化来减少实际线路的不换位和线路参 数不平衡的影响，最后在模域求解故障距离。文献 1 7 1 9 提出了用神经网络 进行故障测距的方法，但是距离实际的应用还有很大的距离。文献 2 0 构造了 一种小波神经网络，并将之应用于故障测距。但是，小波分析与神经网络可以 采用不同的方式进行融合，而且，小波的母波可以分为很多类别，可以尝试采 用其他母波来改进传统的神经网络，以期取得更好的效果。 电力系统的故障诊断即故障元件的识别，也是对电力系统的故障进行分析 的一个重要环节。国内外已提出了多种故障元件识别方法e 2 1 2 6 ，总体上可以分 为四大类，即逻辑处理方法、专家系统方法、人工神经网络方法和基于优化技 术的方法。但是逻辑处理方法容错性较差。专家系统的知识的获取比较困难， 推理速度也不够快，难以满足大规模电力系统在线应用的需要。基于优化的故 障诊断方法是一种比较具有发展前途的算法。其主要原则是将故障诊断表述为 一个整数优化问题，然后使用全局优化方法如波耳兹曼机、遗传算法、仿蚂蚁 算法等来寻找出最优的故障诊断结果。人工神经网络方法口钉则可能适应电力系 统的需要，但是目前还需要结合数学工具进一步改善网络的结构、提高网络的 学习速度和容错性，以满足电力系统的实用需求。文献 2 5 ，2 6 提出利用基于 粗糙集理论的数据挖掘模型来处理实时输入信息的畸变和实现输电线系统的故 障诊断。它运用粗糙集的定性分析能力对知识域的数据集进行了分析，并与遗 传算法结合分别进行高压线路和配电网的故障诊断，很有发展前景。因此，粗 糙集作为一种比较有效的数据约简工具，如融入神经网络的训练环节中，将可 能改善网络性能，以满足电力系统故障诊断的要求。 1 2 传统神经网络及其在电力系统中的应用 1 2 1 神经网络的起源与基本概念 人工神经网络的研究已经有半个世纪的历史，但是它的发展并不是一帆风 顺。它经历了以1 9 5 7 年f r r o s e n b l a t t 提出著名的感知机模型为代表的早期 阶段，2 0 世纪7 0 年代神经网络研究相对处于低谷的过渡期，2 0 世纪8 0 年代以 j o h nh o p f i e l d 提出著名的h o p f i e l d 模型为代表的新高潮期和2 0 世纪8 0 年代 后期至今的热潮。 现在，传统神经网络的发展越来越成熟。神经网络的模型已有4 0 多种，从 不同的角度可以将其分成以下几类：按网络结构可以分为前馈型和反馈型；按 网络的性能可以分为连续型和离散型，确定性和随机性网络；按照学习方式可 以分为有导师指导和无导师学习网络；按照突触连接的性质分为一阶线性关联 第一章绪论 和高阶非线性关联网络o “。 神经网络是基于人脑的结构和功能而建立起来的学科，它具有很多方面的 优点。首先，神经网络与入脑的结构相似，在同一层的处理单元的操作都是同 步进行的，而一般的计算机通常采用的是串行处理方式。目前的神经网络因为 常常用一般计算机的串行工作方式来模拟它的并行运行，所以速度不是很快， 真正的神经网络会大大提高处理速度实现实时处理。其次，神经网络中的知识 储存是分布在整个系统中的，因此，它可以产生联想记忆的功能，记忆比较复 杂的图形和数据。再次，神经网络可以像人脑一样，有很高的容错性。最后， 神经网络有一定的自适应性，能够通过训练和学习，处理一些没有遇到过的问 题。正因为具有上述特点，传统神经网络在模式识别、分类和数据压缩等领 域取得了较大的成就。 1 2 2 传统神经网络在电力系统中的应用 作为一种成熟的非线性分析工具，神经网络具有很好的函数逼近性质，可 以使用大量的现场数据，利用其自学习功能对其进行在线训练，不断提高计算 精度。一些研究者已经尝试将神经网络引入了电力系统的各个方面。 传统神经网络在电力系统中的应用研究最早可以追溯到d 订l o n 等人在第五 次k s c c 会议上发表的一篇用自适应模式识别和自组织技术进行短期负荷预测的 文章。随着技术的发展，传统神经网络越来越多地应用于电力系统的各个方面， 如电力系统规划与调度、变电站警报信息处理、电力系统负荷预测、电力系统 运行优化、电力系统故障测距和电力系统保护与控制等。 传统神经网络在电力系统故障定位 6 7 。刚和故障诊断瞳4 1 的各个方面也有相 应的应用。但是，传统神经网络受本身网络结构的影响收敛速度较慢同时也比 较容易陷入局部极小点。现在的研究主要集中于提高传统神经网络的收敛速度 和收敛情况，使神经网络能更好地为故障定位和诊断服务。 1 3 小波理论及其在电力系统中的应用 1 3 1 小波理论及其相关知识 小波变换是2 0 世纪8 0 年代后期发展起来的应用数学的分支。小波分析的 提出可以追溯到1 9 1 0 年h a a r 提出的小“波”规范正交集以及1 9 3 8 年l i t t l e w o o d - - p a l e y 对f o u r i e r 级数建立的l - - p 理论，即按二进制频率成分分组f o u r i e r 变换的相位变化本质上不影响函数的形状和大小。1 9 8 t 年s t r o m b e r g 对h a a r 第一章绪论 系进彳亍了改进，证明了小波函数的存在性。1 9 8 4 年法国地球物理学家m o r l e t 引入了小波概念分析地震波的局部性质。1 9 8 6 年之后小波的发展逐渐进入了高 潮2 。 小波分析是近年来迅速发展起来的新兴学科，它同时具有理论深刻与应用 十分广泛的双重意义。小波变换的含义是把某一被称为基本小波( 又称母小波) 的函数作位移后，再在不同尺度下与待分析信号作内积。小波分析有两个重要 的数学实体：“积分小波变换”和“小波级数”。积分小波变换定义为称作“基 小波”的某个函数反射膨胀的卷积，而小波级数是借助于一个称为“小波”的 单一函数作二进膨胀与整数平移这两种很简单的运算得到的 3 。小波变换有以 下特点：第一，小波变换具有多分辨率，也叫多尺度的特点，可以由粗及精地 逐步分析观察信号：第二，小波可以看成一个带通滤波器在不同尺度下对信号 作滤波；第三，选择适当的小波可以使小波变换后的结果在时域和频域上均具 有表征信号局部特征的能力，有利于检测信号的瞬态或者奇异点口“。 由于小波变换自身的特点，它的应用范围十分广泛，包括数学领域本身的 许多学科、信号分析、图象处理、量子力学、电子对抗、计算机识别、地震勘 探数据处理、边缘检测、音乐与语音人工合成、机械故障分析等许多方面。 1 3 2 小波与神经网络的结合 小波神经网络的概念是z h a n go i n g h u a 等人于1 9 9 2 年提出的o 。 根据小波变换的特点，可以知道它同时具有时域和频域分析功能，在时间 域和频谱域都具有良好的定位性能。它相当予一个显微镜，用镜头观察目标函 数也就是待分析信号。基本小波代表镜头所起的作用，基本小波函数的位移相 当于使镜头相对于目标平移，而它扩大或者缩小的尺度相当于镜头向目标推进 或远离。这样，小波分析可以自由调节不同频段中时域窗口的大小，观察待分 析信号的局部化特征。比如在图像处理中，小波能充分发挥其尺度函数多变及 熏叠的特性再现出更光滑的图像口。神经网络作为成熟的非线性分析工具，其 本身具有很好的函数逼近性质、自学习功能、容错性，在模式识别、数据处理 等各方面都有较好的效果。但是，现有的传统神经网络由于受到结构的影响， 收敛速度较慢，鲁棒性并不是很高，而且较容易陷入数据的局部极小点，达不 到收敛的精度要求。 当神经网络与小波结合之后，神经网络的功能可以得到进一步的完善。一 个普通的b p ( b a c k - - p r o p a g a t i o n ) 神经元模型是由一组输入加上s 形的激励函 数构成，其神经元为线性神经元，而小波神经网络将s 形的激励函数变换成小波 函数后，其神经元可认为是非线性神经元。因此，小波神经网络模型作为神经 第一章绪论 网络模型的一个发展，不仅具备了小波分解非平稳信号的能力，同时也完全继 承了神经网络的优点：自学习、自适应、高容错等特征，从而在函数逼近方面 有着卓越的性能 3 “。 目前的小波变换种类很多，如m o r l e t 小波、m a r r 小波( m e x i c a nh a t ，又 称墨西哥草帽小波) 、h a a r 小波和d o g 小波( d i f f e r e n c eo fg a u s s i a n 小波) 等。也有一些已经用于形成小波神经网络“”“。根据不同的小波母波可以形 成不同的小波神经网络使之适应不同的需求。 1 3 3 小波和小波神经网络在电力系统中的应用 小波分析是一种先进的具有时域和频域分析功能的数学工具，它可以自由 调节不同频段中时域窗口的大小，在时域和频域都具有良好的局部化性质，特 别适用于分析输电线路故障后暂态高频电流分量。正因如此，小波分析在电力 系统各方面得到了广泛的应用，包括电力设备的状态监视和故障诊断、电力系 统谐波分析、电力系统暂态运行、电力系统动态安全分析、消除电力系统电磁 干扰、输电线路故障定位和电力系统短期负荷预测等。具体到电力系统的故障 定位和故障诊断方面，小波分析也发挥了重大的作用。文献 3 7 就是利用小波 变换实现了区分电力系统正常运行状态、线路中有电容器投切时的正常暂态和 线路发生故障时的暂态。 将小波变换与神经网络结合来实现故障定位与诊断，可以有效发挥小波分 析的特点对电力系统的故障进行分析。通过采样得到的描述电力系统故障的奇 异、局部化的信号可以经过小波分解，去掉一些不需要的成分，再经小波重构 出需要的信号作为神经网络的输入。或者，采用收敛性好的小波系数作为神经 网络分层结构间的联系纽带，改善传统神经网络的性能。文献 2 0 3 从广义的小 波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和 稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直 配输电线路的故障测距。但是，小波神经网络的故障诊断与定位只是实验阶段， 小波变换可以有各种形式，可以采用其他的小波变换函数来实现相同的目的， 寻找出真正适合实际情况的小波神经网络。 1 4 粗糙集理论及其在电力系统中的应用 1 4 1 粗糙集的起源和基本概念 粗糙集是数据挖掘的方法之一。数据挖掘是2 0 世纪9 0 年代中期兴起的一 第一章绪论 项新技术，目的是为了从大量的杂乱无章的强干扰数据中挖掘潜在的、有利用 价值的信息。它是多门学科和多种技术相结合的产物，是一个非常年轻而又活 跃的研究领域。粗糙集理论是波兰数学家z p a w l a k 于1 9 8 2 年提出的一种数据 分析理论，最初其研究主要集中于波兰和东欧的一些国家。直到1 9 9 0 年前后， 才逐渐引起了世界各国学者的广泛关注。1 9 9 1 年z p a w l a k 关于粗糙集的专著 标志着粗糙集理论及其应用的研究进入了活跃时期。1 9 9 2 年在波兰召开了关于 粗糙集理论的第一届国际学术会议。1 9 9 5 年a c mc o m m u n i c a t i o n 将粗糙集列为 新浮现的计算机科学的研究课题。目前，粗糙集理论已成为信息科学最为活跃 的研究领域之一。 粗糙集理论是一种新的处理模糊和不确定知识的数学工具，其主要思想就 是在保持分类能力不变的前提下，通过知识约简，导出问题的决策或者分类规 则o ”1 。在数据挖掘诸多方法中，粗糙集理论与方法对于处理复杂系统不失为一 种较为有效的方法，因为它与概率方法、模糊集方法和论证理论方法等其他处 理不确定问题理论的最显著的区别是它无需提供问题所需处理的数据集合之外 的任何先验信息。正因为如此，粗糙集在数据的决策与分析、过程控制、模式 识别、机器学习与知识发现等方面都有成功应用。文献 3 9 是利用粗糙集进行 手写输入的识别。文献 4 0 是将粗糙集应用于半导体的生产过程中。文献 4 1 是利用粗糙集分析内燃机故障诊断的决策表，并以之指导神经网络分层训练， 提高神经网络的收敛速度。文献 4 2 提出了一种基于粗糙集分类的智能图像压 缩方法。图像子块经过一定的变换和特征属性提取后，再利用粗糙集将图像子 块分为平坦块和边缘块两类，并针对不同的子块类别分别应用神经网络进行矢 量量化，最终实现对图像的有效压缩。 1 4 2 粗糙集在电力系统中的应用 粗糙集是目前比较新颖的数学研究工具之一，它可以对属性进行良好的规 约。在电力系统中粗糙集可以对系统收集的各种数据进行处理或者对神经网络 结构进行优化，以提高神经网络的处理速度，实现更准确的故障诊断与定位。 粗糙集在电力系统的故障诊断中已经有了一定的应用汹“”“，但仍然有很 大的发展空间。粗糙集实现电力系统的故障选相和故障测距的主要难点是在如 何将输入的电压和电流数据概念化，如果不能概念化将无法形成粗糙集的决策 表，从而也无法约减数据。而因为各个断路器和保护的信号可以认为是一个0 一l 规划问题，不存在数据的概念化问题，所以用粗糙集实现故障诊断有其先 天的优越性。对于粗糙集与神经网络的结合，现有的主要方案是产生一个决策 表，并利用粗糙集将该决策表中的数据分层或约简，从而实现神经网络的分层 第一章绪论 或神经网络输入样本的简化，以改善神经网络的对问题的处理能力。 1 5 本文的主要工作 本文的主要工作是利用神经网络结合小波变换和粗糙集等数学工具进行电 力系统的故障定位与诊断，包括电力系统的故障元件识别以及输电线路故障选 相与故障测距。 1 输电线路故障选相 本文利用b p 网络( b a c k - - p r o p a g a t i o nn e t w o r k ，误差反向传播神经网络， 简称b p 网络) 分析输电线路故障情况下的电压电流信号，采用不同的故障电阻 和故障距离等样本训练b p 网络，实现电力系统故障选相。 同时，本文深入研究了k o h o n e n 网络( 自组织特征映射神经网络，又称s o m 网络) 在故障选相方面的应用特性，并与b p 网络进行了比较。对这两种有代表 性的传统神经网络故障选相结果的比较表明，b p 网络在选相方面表现较好。 进一步针对b p 网络收敛速度慢且容易陷入局部极小点的问题，利用小波变 换在处理电力系统暂态信息方面的优势，采用基于s i g m o i d 函数线性组合的小 波函数与神经网络相结合，形成基于s i g m o i d 函数的小波神经网络，将其应用 于输电线路故障选相中。通过详细地比较和分析该小波神经网络与b p 网络在故 障选相中的性能和表现，可以看出，该小波神经网络收敛速度快而且鲁棒性也 较强。 2 输电线路故障测距 由于基于s i g m o i d 函数的小波神经网络具有良好收敛性，因此将其应用于 输电线路故障定位的问题中。为了改善小波神经网络在故障测距问题中的性能， 本文采用分块训练的方式，提高了小波神经网络故障测距算法的收敛性。采用 不同的故障情况对训练好的网络进行测试，并分析测试结果，讨论电力系统相 关因素对小波神经网络实现故障测距的影响，为进一步的研究打下基础。 3 电力系统故障诊断 本文将基于s i g m o i d 函数的小波神经网络应用于故障诊断中，即根据电力 系统中的0 ，l 信号利用该小波神经网络识别电力系统的故障元件。 根据粗糙集能够有效约简冗余数据并发掘数据之间潜在关系的特点，采用 粗糙集这种较为新颖的数据挖掘工具进行故障元件的识别。本文在粗糙集实现 故障诊断的基础上，将粗糙集与小波神经网络进行有效的结合，充分发挥粗糙 集的优势，利用粗糙集的理论指导小波神经网络的分层和学习，产生新的分层 模式和学习模式，进一步改善小波神经网络在电力系统故障诊断方面的表现， 第一章绪论 以实现比较准确快速的电力系统故障元件识别。 本文还对单纯小波神经网络、基于常规粗糙集与神经网络结合方式的小波 神经网络以及本文基于粗糙集分层的小波神经网络三者的故障诊断结果进行了 分析和比较。分析结果表明，本文提出的基于粗糙集分层的小波神经网络在故 障诊断方面有良好的特性。 第二章传统神经网络用于故障选相的研究 第二章传统神经网络用于故障选相的研究 国内外许多学者对传统神经网络进行的大量研究证明传统神经网络在电力 系统故障选相方面的确具有一定的优势和发展前景一“。但是很少有文献提 到过用几种不同的传统神经网络对于同一个仿真模型进行故障类型的识别时， 其优劣性到底如何。而要对传统神经网络进行改进，应该了解哪种神经网络比 较适于故障选相的研究。在此基础上才能更进一步的对传统神经网络进行改进， 改善网络的结构，提高其收敛速度和鲁棒性。本文正是基于这点出发，对b p 网 络和k o h o n e n 网络这两种比较有代表性的传统神经网络在同一层面上进行故障 选相的比较。之所以选择这两种网络进行比较是因为神经网络按照学习方式分 类可以分为有导师指导和无导师自学习网络两种。b p 网络属于有导师监督的网 络中训练方法比较成熟的一种。目前在人工神经网络的实际应用中绝大部分的 神经网络模型是采用b p 网络和它的变化形式，它也是前向网络的核心部分，并 体现了人工神经网络最精华的部分。k o h o n e n 网络则属于无导师监督的自组织 神经网络的代表，它本身可以在无指导的情况下自动聚类，对于故障选相问题 的研究有其自身的优越性。 2 1b p 网络的基本知识m 鹪，“一o 2 。1 。1 b p 网络的结构与学习过程 多层b p 网络是前馈式神经网络，它包括一个输入层、一个或者多个隐含层 ( 也称中间层) 和一个输出层，其各层之间实行全连接。b p 网络的学习由四个 过程组成：输入模式由输入层经中闻层向输出层的“模式顺传播”过程：网络 的期望输出与网络实际输出之差的误差信号由输出层经中间层向输入层逐层修 正连接权值的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反 复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极 小值的“学习收敛”过程。下面分别介绍和分析这四个过程。 首先，模式的顺传播。模式的顺传播过程是由输入模式提供给网络的输入 层开始的。这些输入可以是一组原始数据，一组预处理过的参数或者表示菜种 信号的一组采样样本。输入层各个单元对应于输入模式向量的各个元素。 若有m 个输入模式，每个输入模式矢量的表达为x 。；输入层单元到隐含层 的连接权值为w f ，；隐含层单元到输出层单元的连接权值为咒。将x ，的值送到 输入层单元，通过连接权矩阵缈送到隐含层单元，产生隐含层单元新的激活值 第二章传统神经网络用于故障选相的研究 如公式( 2 一1 ) 所示。 儿= ( w v x ，一只) ( 2 一1 ) 式中；w 。为输入层到隐含层的连接权值；o t 为隐含层结点闽值；厂一般为 s 函数( s i g m o i d 函数) ，如公式( 2 - - 2 ) 所示。 弛) = 专( 2 - - 2 ) 之所以一般选用s 函数作为神经元的传递函数( 又称激励函数) ，是因为s 函 数与阶跃函数相比有较大的优越性：第一，从形式上看具有“柔软性”；第二， 从生理学角度讲，一个人对于远远低于或高于他智力和知识水平的问题，往往 很难产生强烈的思维反映，s g g 函数正是体现了这种情况；第三，从数学角度看， s 函数具有可微分性。可以看出，s 函数比阶跃函数更接近于生物神经元的信号 输出形式。同时，b p 网络学习规则本身也要求网络的输入、输出函数是可微分 的。s 函数不但具有可微分性，而且具有饱和非线性特点，这又增强了网络的非 线性映射能力。 按模式顺传播的思路，计算输出层各单元的输出，如式( 2 3 ) 所示。 口= ( 瓦y ，一易) ( 2 3 ) 式中：五为中间层至输出层的连接权值；只为输出层单元闽值；f 为s 函 数。至此，一个输入模式完成了一遍顺传播过程。 其次，误差的逆传播。作为误差逆传播的第一步是进行误差计算。误差逆 传播过程是由输出层的误差4 向中间层的误差一传递的过程。其指导思想是， 对网络的权值与阈值进行修正，使误差函数沿负梯度方向下降。输出层单元的 一般化误差为式( 2 4 ) 。 4 = 一o t ) o t ( 1 一q ) ( 2 - - 4 ) 式中：f ，为输出层单元珀q 期望输出。 隐含层单元i 对于每个输出层单元f 的误差为式( 2 5 ) ，它相当于将输 出层单元的误差蠡反向传播到隐含层。 = 儿( 1 一m ) 4 瓦 ( 2 5 ) 根据输出层误差4 调整隐含层到输出层的连接权值瓦和阈值o i 。 瓦( 女+ 1 ) = 正，( 七) + , 7 8 , y ， ( 2 6 ) 岛( k + 1 ) = o a k ) + 玎卤 ( 2 7 ) 式中：卵为学习速率；k 为样本训练次数。 第二章传统神经网络用于故障选相的研究 根据中间层误差调整输入层到隐含层的连接权值w 。和闽值只。 w ( 女+ 1 ) = w ( 女) + 叩8 7 x ， ( 2 - - 8 ) 目，( k + 1 ) = 臼，( ) + 玎7 ( 2 9 ) 式中：柙为学习速率；k 为样本训练次数。 再次，训练过程。所谓训练过程是指反复学习的过程，也就是根据期望输 出与网络实际输出之间的误差调整连接权值的过程。期望输出实际上是对输入 模式分类的- - s t 表示，是人为设定的，所以因人而异。随着“模式顺传播”与 “误差逆传播”过程的反复进行，网络的实际输出逐渐向各自所对应的期望输 出逼近。 最后，收敛过程。学习或者说训练的收敛过程就是网络全局误差趋向于极 小值的过程。对于每一个b p 网络都有一个预先设定的全局误差值，它是根据工 程应用的实际情况来确定的。网络的收敛就是指最终期望输出与网络实际输出 之间差值的绝对值小于预先设定的全局误差值。 2 1 2b p 网络应用的相关问题 在使用b p 网络的过程中，会遇到有关b p 网络的最佳配置的问题。比如，对 给定的应用任务如何选择层数、每一层的结点数初始权值的选取和学习速率的 确定等。只有确定出一个比较好的网络结构才能有效地解决问题。 第一，网络层数选择。对于多层网络首先要确定选用几个隐含层。h e c h t n i e l s e n 曾经证明过，在一定条件下，具有一个隐含层的网络可以表示其输入的 任何函数。但是，由于上述论述的先决条件很难满足，所以该结论的价值不大。 c y b e n k o 指出，当各个结点均采用s 形传递函数时，一个隐含层就足以满足条件， 实现任意判决分类问题，两个隐含层则足以表示输入图形的任意输出函数。然 而，经验表明，对于小型网络的边界判决以实现分类的问题，两个隐含层的网 络并不比单隐含层的网络具有更多的优越性。所以，目前人们普遍认为二进制 分类问题或判决边界问题，一个隐含层是足够的。但是如果要求输出的是输入 的任意连续函数，那就要用两个隐蔽层或者采用不同的传递函数。当然，即使 是在连续输出的情况下，有时一个隐蔽层也可以满足要求，这取决于问题的性 质。因此，还是要根据网络收敛的具体情况来分析，并结合上述理论，以确定b p 网络的隐含层数。 第二，层内结点数的选择。b p 网络中各层结点数的选择对网络的性能影响 很大。网络输入层结点的个数应等于输入向量的分量个数，这些分量可以是连 续实数也可以是离散或者二进制数。网络隐台结点的选择不仅具有科学性和技 第二章传统神经网络用于故障选相的研究 巧性，而且根据应用的情况有很大的灵活性，并且往往与输入数据中隐含的特 征因素有关。如果隐含层的神经结点太少，网络或许根本不能训练成功。如果 结点勉强够用，网络可能会训练成功，但是在面临干扰数据时，它可能会显得 不可靠或者不能理解它以前未见过的样本模式。网络的结点太多，除可能使网 络训练无穷无尽不收敛外，还会导致建立一个“祖辈”网，即网络已经能够回 忆每件事，但是并不能再很好地认识新的样本模式。因此，要根据任务确定隐 含层的结点数目很难，要根据具体情况和经验来进行选择。对于输出层的结点 数的确定取决于输出的表示方法和要分类的数目。比如，要求输出能表示8 个 不同的分类，可以用8 个输出结点，一个结点代表一类，也可以用3 个输出结 点用其组合的8 个二进制编码表示8 个不同的分类。但是，用了编码可能就会 增加隐含层的附加工作以完成编码的功能，甚至有时要增加隐含层以实现分类 功能。 第三，初始权值的选取。初始权值的选取对于b p 网络的学习是否达到局部 最小、是否能够收敛以及训练时间的长短关系很大。如果初始权值太大，使得 加权后的输入落在传递函数的饱和区，导致其导数非常小，那么根据权值修正 公式可知，最终权值的调节过程可能因此而停顿下来。所以，一般总是希望经 过初始加权后每个神经元的输出值都接近于零，这样可以保证每个神经元的权 值都能够在s 形函数变化最大之处进行调节。所以，一般取初始权值为( 一1 ，1 ) 区间的随机数。 第四，学习速率的选择。学习速率决定每一次循环训练中所产生的权值变 化量。过大的学习速率可能导致系统的不稳定，但是太小的学习速率将会导致 训练过程的拉长，收敛速度很慢，不过能保证网络的误差值不跳出误差表面的 低谷，最终趋于最小误差值。所以在一般情况下，倾向于选取较小的学习速率 以保证系统的稳定性。学习速率的选取范围在0 0 l 0 8 之间。 2 2k o h o n e n 网络的基本知识田1 2 e 一s 2 2 1 k o h o n e n 网络的结构和学习过程 人类的学习特点，除了根据明确的提示信息来判断概念的正确与否从而达 到知识的更新以及靠博闻强记来丰富知识以外，最显著的优点就是自适应和自 组织的能力，也就是说能够根据环境的变化来调整自己的思维和观念，根据对 外界事物的观察和学习，找到其内在的规律和本质属性。自组织竞争人工神经 网络正是基于上述特点形成的。它是一种具有自组织功能的神经网络，网络通 过自身训练，自动对输入模式进行分类。在网络结构上，自组织竞争人工神经 第二章传统神经网络用于故障选相的研究 网络一般是由输入层和竞争层构成的两层网络，网络没有隐含层，两层之间各 神经元实现双向连接，有时竞争层各神经元之间还存在横向连接。自组织竞争 人工神经网络的基本思想是：网络竞争层各神经元竞争对输入模式的影响机会， 最后仅有一个神经元成为竞争的胜者，并对那些与获胜神经元有关的各连接权 值朝着更有利于它的竞争的方向调整，即所谓的“胜者为王”机制。最后获胜 的神经元就表示输入模式的分类。网络的学习规则包括i n s t a r 规则和o u t s t a r 规则两种，分别用来记忆和回忆一个矢量。 k o h o n e n 网络是由芬兰赫尔辛基大学神经网络专家k o h o n e n 教师在1 9 8 1 年 提出的，这种神经网络模拟大脑神经系统自组织特征映射的功能，是自组织竞 争神经网络的一种实现形式。k o h o n e n 网络由输入层和竞争层组成。输入层与 竞争层之间实现全互连接。k o h o n e n 认为，一个神经网络接受外界输入模式， 将分成不同区域，各个区域中邻近的神经元通过相互作用，相互竞争，自适应 地形成了对输入模式的不同响应。k o h o n e n 学习规则是由i n s t a r 规则发展起来 的。它的学习过程包括两个部分：一是选择最佳匹配神经元，二是权矢量自适 应变化的更新过程。下面分别介绍和分析这两个过程。 第一步，寻求一个评价函数以确定输入矢量b 与连接权矢量，的最佳匹 配，即决定竞争层中的获胜神经元g 。假设有g 个学习模式，只为其中的一个， 将其提供给网络的输入层，归一化处理方法为公式( 2 1 0 ) 。 互2 南= 丽老务 叫 同时，连接权值矢量= ( u 。，一，) 也要归一化，并计算髟和耳之 间的欧氏距离a 设网络的连接权值为 嘞) ，其中，i = 1 ，2 ，是每个学习模式 的维数，j = 1 , 2 ，m 是竞争神经元的个数。 影2 南5 丽等( 2 - - 1 1 ) t = 【( 彭一啄) 2 p ，= l ，2 ，m ( 2 1 2 ) 根据各结点权值与输入样本间欧氏距离的差别，找出最小的距离d 。，确定 出获胜的神经元g ，如公式( 2 - - 1 3 ) 所示。 d g = m i n d 】， j = 1 , 2 ，m ( 2 - - 1