（电力系统及其自动化专业论文）高压输电线路故障诊断和分析智能系统的研究.pdf

a b s t r a c t w i t h 协e e x p a n s i o n o fp o w e r s y s t e ms c a l ea n dt h ei n c r e a s eo ft h ev o l t a g e2 r a d e o ft r a n s m i s s i o nl i n e s ，h i g hv o l t a g e ( h v ) t r a n s m i s s i o nl i n e st h a te x c e e d1 10 k vh a v e i n c r e a s e dd a yb yd a y a st h ei m p o r t a n tl i n k e dh i n g ei np o w e r s y s t e m ( g e n e r a t i n g ， t r a n s m i t t i n ga n dd i s t i l b u t i n ge l e c t r i c i t y ) ，t h ef a u l to ft h eh vt r a n s m i s s i o nl i n e sw i l l a f t b c tt h e s e c u r i t y o fm o d e mp o w e rs y s t e m t h e r e f o r et h ee x a c ta n df a s t f a u l t d i a g n o s i sa n da n a l y s i sf o rh vt r a n s m i s s i o nl i n e sc a l lp r o v i d ei m p o r t a n t g u a r a n t e ef o r d e c i d i n g r e s t o r ed e c i s i o n - m a k i n g r a p i d l y a n dh a v ei m p o r t a n t s i g n i f i c a n c ef o re n s u r i n g a n di m p r o v i n gt h es e c u r i t yo fp o w e r s y s t e m i t st h er e a s o nt h a tp e o p l ei n b o a r da n d a b o a r dh a de x t e n s i v er e s e a r c ha b o u tf a u l t d i a g n o s i so f t r a n s m i s s i o nl i n e s t l l i s p a p e rh a s a l l a n a l y s i sb ys y n t h e s i si nt h eh vt r a n s m i s s i o nl i n e s f a u l t d i a g n o s i ss y s t e ma n dt h ep a s s i n gs t u d yi nt h i sd o m a i n b a s e do nt h es u m m a r i z i n ga n d a n a l y z i n go f t h er e s e a r c hp r e s e n t l ya n d m a k i n gu s eo f t h ea d v a n t a g eo f f u z z yt h e o r y a n dn e u r a l n e t w o r k ，t h i s p a p e rp r e s e n t s o m en e wv i e w p o i n t si nf a u l t t y p e i d e n t i f i c a t i o n ，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 so fh vt r a n s m i s s i o nl i n e s m l a t ，s m o r e ，t h i sp a p e r p r e s e n t e ds o m en e wm e t h o d si nt h ec o n s t r u c t i n go fn e t w o r k m o d e l ，a l g o r i t h r n a n dr e a l i z e d t h e o r y a n dr e a l i z e d i n t e l l i g e n ts y s t e m f o rh v t r a n s m i s s i o nl i n e sf a u l td i a g n o s i sa n d a n a l y s i s ，i naw o r d ，t h es t u d yi nt h i sp a p e rh a s i m p o r t a n ts i g n i f i c a n c ei nt h e o r ya n dp r a c t i c a lu t i l i t y i na l l u s i o nt ot h ef a u l tt y p ei d e n t i f i c a t i o n ，t h i sp a p e ru t i l i z e st h ea d v a n t a g ei n d e a l i n gw i t h u n c e r t a i ni n f o r m a t i o no f f u z z yt h e o r ya n dp r e s e n t st w on e wm e t h o d s ：t h e f i r s to n ei sah i e r a r c h i c a lm e t h o dt h a tb a s e do nf u z z yt h e o r y , 也es e c o n do n ei sa m e t h o db a s e do n f u z z y - n e u r a ln e t w o r k t h e s em e t h o d su s ef u z z yv a l u et or e p l a c et h e t r a d i t i o n a lt h r e s h o l ds ot h a tt h e a d a p t a b i l i t y i s i m p r o v e dw h e n f a u l tc o n d i t i o n c h a n g e d i na l l u s i o nt ot h ef a u l tl o e a t i o n ，t h i sp 印e rs u m m a r i z e st h ee x i s t i n gm e t h o d sa n d p r e s e n t san e w t w o - t e r r n i n a lm e m o dt h a tb a s e do nd i s t r i b u t e dp a r a m e t e rm o d e l t h e t h e p r yo ft h em e t h o di st h a tt h ep o s i t i v ef a u l tv o l t a g ew a sd e c r e a s e dm o n o t o n o u s l y f r o m 血et w ot e r m i n a l st ot h ef a u l tp o i n ta n dt h em o d u l e w a se q u a lt oe a c ho t h e ra tt h e f a u l tp o i n t t h er e s u l to ft h ea l g o r i t h mi se x e l u s i v ea n da v o i d st h ef a l s er o o t i n a d d i t i o n ，t h i sp a p e rp r e s e n t sas y n c h r o n o u st w o - t e r m i n a la n dv a r i a b l e s t e p s i z e i t e r a t i v ea l g o r i t h ms ot h a tt h ec o n v e r g e n tt i m ei sr e d u c e d i na l l u s i o nt ot h ef a u l td i a g n o s i s t h i sp a p e rp r e s e n t san e wm e t h o dt h a tm a k e s u s eo fi h d i a lb a s i sf u n c t i o n ( r b f ) n e u r a ln e t w o r kt h a th a sa d v a n t a g ei np a t t e m r e c o g n i t i o na n de s t a b l i s h e sa ne f f e c t i v er b f n n m o d e l - i no r d e rt od e t e r m i n et h e c e n t e ro ft h eb a s i sf u n c t i o no fr b f n n ，t h i sp a p c ra d o p mt w oa l g o r i t h m s ：o n ei st h e l b g a l g o r i t h mt h a tb a s e d o nt h ek n nc l u s t e r i n gt h e o r y ；t h eo t h e ri st h ei m p r o v e d l b ga l g o r i t h mt h a tb a s e do np r e d e t e r m i n e dd i s t a n c e 。t h ej a t t e ra l g o r i t h ma v o i d s i t e r a t i v ei nt h ep r o c e s so ff i n d i n gc l u s t e rc e n t e rs ot h a tt h es p e e do fc l u s t e r i n gw a s g r e a t l yi m p r o v e d 。i na d d i t i o n t h i sp a p e r c o n s t r u c t sab p n l qt h a th a st h es a m ei n p u t a n do u t p u tr e l a t i o nw i t hr b f n n t oc o m p a r et h ep e r f o r m a n c e i ti sp r o v e db yt h e s i m u l a t i o nt e s tt h a tr b f n n h a sm o l eq u i c k l yt r a i n i n gs p e e dt h a nb p n n a n di sm o r e s u i t a b l ef o rt h eo n 1 i n ef a u l td i a g n o s i s t h i sp a p e rd e v e l o p sas e to ff a u l ta n a l y s i ss o f t w a r ef o rh vt r a n s m i s s i o n1 i n e s a c c o r d i n g a st h er e s u l to ft h ea b o v e s t u d y t h e s o f t w a r ea c h i e v e sf a u l t t y p e i d e n t i f i c a t i o n ，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 so fh v t r a n s m i s s i o nl i n e sb a s e do n t h em e t h o d st h a tt h ep a p e rh a dp r e s e n t e d w h a t sm o r e t h es o f t w a r ep r o v i d e st h e a n a l y t i cr e s u l t sa b o u tt h ef a u l ta n dt h eg r a p h i cd i s p l a ys ot h a ti tb e c o m e s a ne r i e c t i v e i n t e l l i g e n ta s s i s t a n tf o rt h eo p e a t o lt h ed e v e l o p m e n to f t h es o f t w a r ee s t a b l i s h e sa n f o u n d a t i o nf o rt h ep r a c t i c a b i l i t ya n dc o m m e r c i a l i z a t i o no f t h es t u d yi nt h i sp a p e l k e yw o r d s ：t r a n s m i s s i o nl i n e ，f a u l ta n a l y s i s ，f u z z yt h e o r y , n e u r a ln e t w o r k ， r b f n n 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，论文中不包含其他入已经发表 或撰写过的研究成果，也不包含为获得天鲞大鲎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：签字日期：年 月曰 学位论文版权使用授权书 本学位论文作者完全了解鑫盗盘堂有关保留、使用学位论文的规定。 特授权叁洼盘鲎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： 导师签名 签字日期：年 月日签字日期； 年月 i = l 天津大学硕i j 学位论文 第一章绪论 第一章绪论 1 1 本课题研究的意义和现状 l 一1 - l 课题研究的意义 随着国民经济的发展，电力系统的规模越来越大，考虑到能源充分利用的 经济性，超高压远距离的交直流输电已经成为必然的发展趋势。而高压输电线路 是输电系统中的枢纽干线，在电力系统中具有重要作用，其故障直接威胁着现代 电力系统的安全运行，且引起的经济损失也越来越大。因此，对高压输电线路以 及与之相应的一次和二次设备进行正确、及时的故障诊断和分析，不仅对现场事 故分析和事故恢复处理具有重要作用，丽且对整个电力系统的安全运行和提高电 网可靠性都具有重要意义。 当高压输电线路发生故障时，及时进行恢复处理的前提是准确而快速的检 测出故障原因、故障设备、故障类型和故障位置。由于高压架空输电线路距离较 长，跨越地区的地理环境较恶劣，要人工查找故障点是极其困难的。所以必须要 求在输电线路发生故障时，采取有效的方法，准确而迅速的判断故障类型并查出 故障位置。因此，进行输电线路故障类型识男目和故障测距是有实用价值的。特别 是近年来，随着计算机技术在电力系统中的广泛应用，已经把故障录波装置、故 障事件顺序记录、故障识别和测距组合在一起，形成电力系统领域重要的综合自 动装置，对这方面的研究也一直是人们关注的课题。 另一方面，当电力系统事故发生后，正确地诊断出故障的设备和发生故障的 原因，是恢复处理决策的前提保证。同时，对输电线路的一次和二次设备进行预 诊断，指出其存在的隐患，可以减少由其引起的不必要的故障损失，也为运行人 员分析故障原因提供了帮助。而对于输电线路，我国目前配置的保护的类型很多， 如高频方向保护、高频相差保护、三段式距离保护、三段式零序方向保护等等。 对于由保护动作、开关动作不协调或性能异常而引起的输电线路故障，经验不足 的运行人员难以立即弄清故障的起因和发展过程，从而不能迅速地采取相应的措 施，造成事故的扩大。虽然目前是由计算机获取这些信息，但它并不能保证快速、 正确的判断事故，更不能保证对及时有效地进行事故后的恢复处理提供依据，它 们的效果仍然取决于运行人员的经验和心理素质以及对现场环境的理解程度。为 此，应用人工智能理论的优势对输电线路相关的一、二次设备进行故障的综合诊 断和分析是发展趋势，它不仅可以减少和防止故障对系统运行造成的影响，更重 要的是由此提高了整个电网供电的可靠性和安全性。 1 1 - 2 本课题研究的现状 本课题的研究主要包括高压输电线路故障类型识别( 故障选相) 、故障测距 天津大学硕士学位论文 第一章绪论 和故障诊断三个方面。 1 在高压输电线路故障类型识剐方丽，目前国内数字式高压线路保护中主要采 弼突变量逸媚和穗态量逸相相结台的方式，利用相电漉差突变量元件作为保护启 动后的第一次选相的选相元件，而利用序电流的分区选相作为掇荡闭锁期间的选 稠元件。为了减少负荷电流的影响，文献 1 9 j 提出稠弱正净电流豹故障分量以及 零序和负序电流兰者之间的比相关系来进行故障类型识别。文献 5 8 1 提出采用模 量交换来进行故障选相，即在线性网络中发生敌障时可按叠加原理进行分析，求 褥c l a c k 模故障分量的等效电源，经过分析备种故障时模故障分量特征来得到基 于模量的故障选相原理。文献 2 3 1 针对电流型选相元件在弱电源测灵敏度可能不 是的缺陷，提出使雳电蘧量和邀流璧提结合魏选禚羰理。文献f 2 4 】针对娶前的序 分掇选相元件在转换性故障( 一点在保护磁方向，另一点在保护反方向) 中面丁能 误选褶的缺陷，提高采藤零序、负序巍芷序电压来进行选褶。由于传统懿方法都 是熬于设攫门槛值并依据某种逻辑关系来实现故障类型识别的，而故障后所获取 的电压、电流信息是随着系统运行方式、故障位謦、故障点阻抗和故障时刻等因 素鼹变化，因此基于固定f j 槛篷的方法可能不能适应鼓障后电压、电流信息的变 化。为此，文献 1 3 提出了采用模糊集的方法来进行故障类型识别，该方法酋先 褥故障时所获取静电流帮电压僖号迸行模糊位处瑾，给出楣应的隶属度蕴，隧蘑 根据线路故障时a 、b 、c 三相电压和电流以及零序电流的变化规律来确定模糊规 则，在一定程度上克服了线性捌分方法豹局限往。j 迮外，出于人工神经阙络所共 有的很强的非线性拟台和自学习能力，使其在勰决模式识别问题时具有优势。因 此，文献 6 、 7 分别采用b p 前馈神缀网络和k o h o n e n 自组织特征映射网络 来实瑶故障类型识别，鼷络的输入量均为故障后电压和电滚的模穰。基于神经网 络的输电线路故障类型识别方法，可以充分利用n n 解决模式识别问题的优势， 而且敌障类型的识别不受系统运行方式、故障过渡毫阻、敬漳位置的影酾，其有 很高的可靠性。 2 在高压输电线路故障测距方面，文献 z t 提出用测量端故障点零序电流代替 故障患零廖电流著进行真限次迭代修正的方法，有效提离了故障测距的精度。在 此基础上又有研究者提出了零序电流相位修正法 2 8 - 3 0 j ，该方法主要跫预先设定 测量端与故障点的零序毫流的穗角差劳通过迭代来蓥正，理论上霹以消除过渡电 阻的影响。这龋种方法存在的共同问题是迭代的结果可能收敛至伪根。此外，文 献 5 9 提出了以瞬时值计算为基础的解微分方程溅矩法，该方法通过故障时逛 压、电流颞满足豹微分关系式来计算故障点位置。以上方法均只需用到本端信息 量，对硬件要求不高，且原理简单，易于实现。但由于输电线路的故障事实上受 到线路两壕系统静影响，基于本端信息豹单端测距法无法克照对端参数未知这一 天津走学烦r 学位论文 辩章绪论 缺陷，因斌在原域上存农误差。丽双端测躐法是刹用故障蜡线路两端的信息张实 现敌障测距，从原理上可醮骰到精确定位。文献c 3 2 提磁褥商撬输电线路静参数 蠲两个p l 型等效邀路来模数，著以拽刭出了鼓肄点电聪方程，利用该方程的实 部和虚部分别樽到两个故障躐离的解，其中相同或相谶的解即为真实的故障距 裹。文献 3 3 3 剃挺舞步惫当箨一令寒霸量，劳裂瘸撵蠡分整法褥弼载簿距离帮蠲 步角的逖代式。文献 3 4 利用本端电压电流和另端的电流实现故障测距，该方 法囊揍秘爝了分襁式奄流爰钴保护涎窍豹媳滚蔼息，可不霉考恋硬端数攥静弼步 阕题，毽扔需使用故障过渡嫩抗豹纯电阻性质才麟导出测距方程。总的来说，采 用精确的分布参数模聚的双端测距弊法不仅为准确溺躐奠定了綦磕，而置对于商 罄类登数簿测鞭瞧是必_ | l 搴魏。瑶藜拣鼹嚣测距方法，在鼹濮数据露步鞠伪投划别 问题上还需进一步改谶。随瀚电力撩统的发展以及通信和计算机水平的提高，利 怒行渡寒实魏溅薤静方法氇逐澎走海实臻酚羧，孬波法擞囊行渡转输蓬论泉安褒 输电线路故障测距，w 分为a 、b 、c 型三种方法l 【3 9 】。a 型是根据故障点产生的 行波在溅燕端鼙敬障点闯往返盼时鬻与孬波波速之积柬稳定敲障位鬣；8 婺是裁 躅遥垂邋遴获褥故鹫纛嚣没到达掰端豹豺闼差与波速之织来确定故障点位鼹；c 型是在故障发生时于线路的一端施加高频蛾直流脉冲，搬据其从发射装置到故障 点戆茬遮对簿寒凌定黢蹲点位置。蒸子支工襻经勰络弱鞭l 篷方法逐年来缛到臻究 者的重视 9 , 2 5 , 2 6 j o ”，该类方法主要是依据神经网络强的非线性函数映射遇近能 办及可推广注，使霭络学习释记忆攀漆信息霸敲藩煮整踅匏一浃瓣关系，并羁 用j 逛特点映射擞输惑线路故障距离。但该类方法在通用性的研究方面还有待提 高。 3 + 在嘉疆输电线辇毅簿诊凝方嚣，翼蓊跫套多转入工锷能技术，如专家系缆、 随机优化技术和人工神经网络用于电力絮统故障诊断的研究，且取得了一定成 莱。旱灏大多蘸基予专家系统按拳斡毫交系统敲簿诊瑟黪酥究，专家系统络专家 的经验知识和推理方法转化为以一定的知识表达形式袭示的知识，存储于知识库 中。利用其对淑障过程中楣美设备豳现静信患送行遂瓣羚澍，并蒋诊断结暴帮推 骥遘程鳃释绘蠲户。专家系绕熬主要蛙点在于容蝼蛙较菠，且熟识获取比较困难。 用于故障诊断的另一种较有潜力的方法怒基于工程随机优仡的方法。这种方法的 主要霖瓣是姆被箨渗糖表述为一个燕鼗撬纯锺戆，然籁楗蠲全蜀魏亿方法，翅波 鳟兹曼机、遗传算法、仿蚂蚁系统或t a b u 搜索镣来寻找出最忧的故障诊断结果a 两由予入工神经露络所其霄豹强的鑫学习能力、联怒记忆襄泛纯鼹力、琴鹣容蘩 犍能，以及耪经元豹并雩亍计算等诸多优势，剥用人工神经网络进行故障诊断逐渐 日f 超人们的重褫。文献【n 】提出t 按动态时间嚣段划分鲍原掰采稿造其肖对空 结褥籍戆翡耪经霹络模型群熊裹攫输毫线路在线敖薅识别秘玲辑豹智能系统。文 天津大学瑚士学位论文籀章绪论 献 1 2 则提出了刹用r b f 神经网络对高聪髓流输电线路进行敞障诊断。文献【4 9 】 刘挺出畿糟反馈式h o p f i e t d 粹经鼹络来避行离舔输窀线路馥辫诊舔，该方法缮稳 麓肇，遴援牲强。总数来说，高压输电线路敞障诊断的主要研究问题楚如何提高 所建随辫模型的诊断效率、盘学习虢力和容错性能，殴满足在线实时信息始瑶闻 纛翁霉要。 l * 2 人泛神缀鬻络疑箕在毫力系统巾耱威焉 1 - 2 * 1 人王耱缝潮终( 绷) 躺撩迷l 卜鄹 人工神经网络是个具肖高度非线髋的大规模连续时间动力系统，其特色在 予藩意浆分毒式存薅鞭黉露涤磊燕疆。虽然摹个棒经元瓣缓擒疆其楚擎，功熊毒 限，但大爨神经元构成的网络系统所能实现的行为却悬极其丰富的。和数字计算 棍相魄，神经两络系统其霄黎体运辩瓣能力帮自逶应懿学习裁力璐及缀强辩容罐 按露售襻蛙，替手联想、综食、摧广。同孵它又舆骞一般4 # 线性动力系统的欺性， 即不可预测性、吸引能、耗散性、非平衡性、不可逆豫、高缳髓、广泛连按侄与 爨遥交蛙蒜。 目前已有_ i 膛4 0 种神经网络模泌，它们是从备个角度对生物神经系统不同层 次静攥述鞍禳撅。其串筏表幢静黎络模燮骞：感絮器、多层跤瓣静臻蘩、g h * n i 潮终、r b f 网终、双向联想识忆( b 脒) 、盒巾脑( b s b ) 、l t o p f i e l d 模型、b o l t z m a n n 枫、自i 霞应共搬理论( a r t ) 、c p n 等。运用这些跨络模型可窝现函数近似( 数字 遥远浚瓣 、数据聚集、模戏分类、馋纯诗霎、概率密度函数估计等功能。 人工神经网络有报多种模型，但从神经元的连接方式可归纳为两种型忒：没 有反谈黪蓠商弼终和穗互缀合型熟耀终。静态鼹终是多慧获射鬻络，每一瀑中豹 章申经元只接受米自前层神经元的信号，因此信号的传播是单方向的。b p 网络 麓这类两络的最典型驹蘅予。在稽互结合型薅络中，镣意两个释经元之阕辩胃麓 鸯连接，毽魏输入痿弩要在翔终中往返传递，从菜一秘态开始，经过若于次变化， 渐渐趋于某稳定状态或进入周期振荡等冀它状态。这方面的典型网络有 f l o p f i e l d 模墼等。 神经网络的学习能力体现在网络参数的调整上。参数调整方法分为有导师学 嚣帮秃辱拜学习两种莲本方式。有导簿学霹酶方式藏蹩瓣络壤箨善瓣给密的正确 辏出撰蕊，按燕鼹络的参数，搜其输出接近于难确模式。这搽方式储采用梯度下 降的学习方法，如b p 算法。而秃导师酌学习怒两络褒没有导师壹搂指导下透过 竞争等方式巍动囊整瓣终参鼗熬攀习方式，魏囊逶建共振理谂等。 总的来说。目前的人工神经网络是从上世纪八十年代发展起来盼交叉学科， 它涉及到生穆、电予、诗辫襁、数学黎瓤莲等警餐，裔着菲常广泛黪彦搿静景， 天津大学硕士学位论文 第一章绪论 是当今高科技的核心问题之一。 1 - 2 - 2 人工神经网络在电力系统中的应用 人工神经网络作为一f i a 缘性学科，现已渗透到各个领域，尤其在信号处理、 模式识别、智能控制等领域取得了令人瞩目的成功。在电力系统中的应用研究的 潜力很大，也引起了广泛的关注，为解决难于建立数学模型和非线性处理问题的 研究开辟了新的途径。 a n n 在电力系统领域中的应用研究，最早可以追溯到d i l 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。到目前为止，a n n 在电力系统中的应用研究主要方面有： ( 1 ) 警报处理与故障诊断： ( 2 ) 静态和动态安全分析； ( 3 ) 电力系统负荷预测； ( 4 ) 配电网线损计算： ( 5 ) 机组最优组合，发电规划及拓扑可观性分析； ( 6 ) 电力系统经济运行； ( 7 ) 电力系统调度、操作管理和运行； ( 8 ) 调度运行和机组仿真以及谐波分析处理等方面； ( 9 ) 电力系统保护和控制。 具体到高压输电线路故障诊断和分析领域，文献 6 提出了采用b p 网络来进 行输电线路故障类型识别，文献 7 则采用了无导师的k o h o n e n 网络来进行故障 选相，提高了训练速度，同时也减少了训练样本数目，文献 8 把这两方面结合 起来，构造了一个结合了无导师和有导师训练方法的神经网络模型来实现故障选 相。在输电线路故障测距方面，文献 9 提出了一个基于分层分布式神经网络的 高压架空输电线路故障测距模型，文献 1 0 分析了线路故障时的等效电路，并由 此提出了以故障时的电流电压数值为输入节点的神经网络测距模型。而在输电线 路的故障诊断方面，文献 1 i 提出了按动态时间区段划分的原则来构造具有时 空结构特性的神经网络模型群的高压输电线路在线故障识别和分析的智能系统。 文献 1 2 则提出了利用r b f 神经网络对高压直流输电线路进行故障诊断。 尽管a n n 在电力系统中具有很好的研究价值和应用前景，而且目前的研究也 取得了许多成果，特别是对电力系统的应用研究，有的已经达到实用化的程度。 但总的来说，能达到实用化和商品化的比例还是很小的，特别是在电力系统故障 诊断和分析系统方面，还存在着有待进一步研究的问题，如：用于故障类型识别 天津大学顾士学位论文 第一章绪论 和故障诊断的神经网络训练样本数往往过于庞大，尽管有的文献采用了分层结构 j ，但收敛速度依然较慢，限制了神经网络的实时应用：而用于故障测距的神经 网络在通用性方面还存在着一定的局限性，而且在训练样本构造的有效性方面以 及测试样本的构造上还有待进一步研究。此外，对于在故障诊断领域常用的b p 神经网络，其容错性还有待进一步的提高。为此，本文在分析和研究神经网络性 能和高压输电线路目前研究的基础上，提出采用模糊理论及与神经网络相结合来 进行故障类型识别，而使用r b f 网络来进行输电线路故障诊断，以达到加快训练 速度并提高网络容错性的目的。而在输电线路故障测距方面，考虑到所建神经网 络的通用性不强以及样本构造的困难导致其在该领域的实用性不强，本文提出了 基于分布参数模型的双端测距的新方案。 1 3 模糊理论及其在电力系统中的应用 1 3 1 模糊理论概述 2 1 d 1 1 4 众所周知，目前的计算机虽有极强的算术和逻辑运算能力，但它只有当给定 准确的信息之后才能做出对错的判断。而人脑即使在信息具有不确定因素的情况 下，也能够进行判断。计算机要模拟人的思维和判断过程，就必须将人的语言中 所具有的多义和不确定信患定量的表示出来。l a z a d e h 教授提出的模糊集理论 是描述这类模糊概念和模糊现象的强有力工具，它开辟了解决模糊问题的科学途 径。 模糊集打破了传统的分明集只有0 和1 的界限。在分明集中，任一元素属于 某一集合的程度只能是0 或者1 。但在模糊集的概念中，任一元素可同时部分的 属于多个模糊子集，其隶属关系可用隶属的程度来表示。显然这种表现方法要比 分明集更加自然，更接近于人的表述方式。 模糊规则是定义在模糊集上的规则，常采用“矿t h e n ”的形式，可用来 表示专家的经验、知识等。由于模糊规则的表现方式自然，因此用这种表达方式 就比较容易获取专业知识和专家经验知识。同样，计算机的运算结果能表示成模 糊规则的形式，使它更容易被理解。 由一组模糊规则构成的模糊系统可代表一个输入到输出的映射关系。从理论 上说，模糊系统可以近似任意的连续函数。要表示输入、输出间的函数关系，模 糊系统除模糊规则外，还必须有模糊逻辑推理和非模糊化的部分。模糊逻辑推理 就是根据模糊关系合成的方法( 通常是m a x m i n 法) ，从数条同时起作用的模糊 规则中，按并行处理方式产生对应输入量的输出模糊子集。非模糊化过程则是将 输出模糊子集转化为非模糊的数字量。 自适应模糊系统是指具有学习算法的模糊逻辑系统，这里的模糊逻辑系统是 一6 天律大学硕士学位论文第一章绪论 由服从模糊逻辑规则的一系列“矿乃p ”规则所构造的，而学习算法则指 依靠数据信息来调整模糊系统的参数。自适应模糊系统可以被认为是通过学习能 自动产生其模糊规则的模糊逻辑系统，它是一个全局逼近器，而模糊系统所特有 的能将数据信息和语言信息统一起来加以利用的优点，使其有别于其他的逼近器 ( 如神经网络，多项式函数等) 。 1 - 3 - 2 模糊理论在电力系统中的应用 由于模糊理论适合描述广泛存在的不确定性因素，同时具有强大的非线性映 射能力，能够在任意精度上一致逼近任何定义在一个致密集上的非线性函数，并 且能够从大量数据中提取出它们的相似性，因而使其在电力系统中得到了广泛的 应用。目前主要的应用领域有； ( 1 ) 电力系统负荷预测及配电网规划： ( 2 ) 警报处理和放障诊断； ( 3 ) 电力系统继电保护( 如变压器、发电机以及输电线路的保护) ； ( 4 ) 电力系统稳定控制及潮流计算： ( 5 ) 电力系统调度； ( 6 ) 变电站电压综合无功控制。 在电力系统故障诊断和分析领域，模糊理论也有着广泛的应用。文献 1 3 提出了针对相电流、电压大小的模糊控制规则并用来进行故障选相，文献 1 4 则提出了将故障后的正、负、零序电流进行模糊化处理来实现故障选相。文献 1 5 提出用模糊集来处理报警信息的不确定性，并给出了衡量诊断结果合理性的标 准，其不足之处在于只将断路器和保护动作作为故障诊断的出发点。文献 1 6 则扩充了 1 j 的模糊集范围，考虑了故障时电压、电流的变化特征并将其也用模 糊集表示，在诊断结果的正确性和诊断方法的实用性方面有所改进。考虑到输电 线路故障时其电压电流受诸多因素的影响而具有不确定性，而模糊理论在处理不 确定信息方面具有优势。为此，本文将传统的输电线路故障类型识别方法中所设 置的电压、电流、相角等的门槛值进行归一化和模糊化处理，以达到提高故障类 型识别准确性的目的。 1 - 4 模糊系统与神经网络的融合 模糊系统和神经网络虽然是两个不同的系统，但它们也有共同之处： ( 1 ) 它们均可从给定的系统输入、输出信号中建立系统的非线性的输入、输出关 系，这一输入、输出关系不像传统的系统建模那样有一个确定的数学描述的模型， 因此被称为无模型的预报器。 天津大学颂“卜学位论文 第一章绪论 ( 2 ) 从数据处理的形式看，它们均采用并行处理的结构。当输入信号进入模糊系 统时，所有的模糊规则将依据条件部分的适用度决定是否被激发，并且由被激发 的规则决定系统的输出；而对神经网络而言，它本身就是由并行结构的神经元组 成。 但是，模糊系统和神经网络也有明显的不同。神经网络虽然对环境的变化具 有较强的自适应学习能力，但是从系统建模的角度来看，它采用的是典型的黑箱 型的隐式学习模式。所以当学习训练完成后，神经网络所获得的输入、输出关系 无法用容易被人接受的方式表示出来。相反，模糊系统是建立在被人容易接受的 显示“i f t h e n ”的表达方法之上，但如何自动生成和调整隶属度函数和模 糊规则，则是一个很棘手的问题。 因此，如果将模糊系统和神经网络相结合，就能各取所长，达到优势互补， 提高整个系统的学习能力和表达能力。这实际上也是人的大脑结构和思维功能的 模拟大脑神经网络“硬件”拓扑结构+ 信息模糊处理“软件”思维功能。 根据模糊系统和神经网络连接型式和使用功能，两者融合的形态可归纳成以 下5 大类： ( 1 ) 松散型结合：在一个系统中，对于可以用“i ft h e n ”规则表示的部分 用模糊系统描述，而对很难用“i ft h e n ”规则表示的部分则用神经网络，两者 之间没有直接联系； ( 2 ) 并联型结合：模糊系统和神经网络在系统中按照并联方式连接，即享有 共同的输入； ( 3 ) 串联型结合：模糊系统和神经网络在系统中按照串联方式连接，即一方 的输出成为另一方的输入： ( 4 ) 网络学习型结合：系统由模糊系统表示，但模糊系统的隶属函数等通过 神经网络的学习来生成和调整； ( 5 ) 结构等价性结合：模糊系统由一等价的神经网络表示，神经网络不再是 一黑箱，它的所有节点和参数都具有一定意义，即对应模糊系统的隶属函数或推 理过程。 在对神经网络和模糊系统各自的特点进行分析比较的基础上，本文提出了使 用模糊神经网络来进行故障类型识别的新方法，该方法中模糊系统和神经网络采 用串联型结合，系统的输入电压电流信息经模糊处理后的输出成为神经网络的输 入，将模糊理论在处理输电线路故障后的电压电流信息的优势和神经网络的并行 处理及高容错性的优点结合起来，达到了较好的效果。 1 5 本文的主要工作 天津人学硕士学位论文 第一章绪论 本文对高压输电线路故障诊断和分析智能系统进行了比较全面的研究，同时 对人工神经网络和模糊理论在该领域的应用进行了综合分析，提出了实现输电线 路故障类型识别、故障测距和故障诊断的新见解和新的实现方法。同时，在本文 研究的基础上还开发了一套实用的高压输电线路故障分析软件，使本文的研究具 有理论意义和较高的实用价僮。现将本文所做的主要工作总结如下： 1 本文针对传统的基于固定门槛值的方法不能适应于故障模式空间可能出 现的非线性可分特征，利用模糊理论在处理不确定信息方面的优势，提出了 基于模糊集理论的分层结构的高压输电线路故障类型识别法。该方法首先通 过零序电流和负序电流将未知故障纳入可能的故障类型识别模块中( 包括两 相短路模块、接地短路模块以及三相短路和正常模块) ，而在各故障类型识别 模块中，将传统的相角判据的门槛值通过梯形隶属函数进行模糊化处理，并 建立了相应的模糊判断规则。仿真测试表明，该方法结构简单，分类快速、 准确，有较强的通用性。 2 本文将模糊理论和神经网络的优势相结合，提出了基于模糊神经网络的 高压输电线路故障类型识别方法。该方法通过将从故障录波器获取的相电压、 电流以及零序电流信息，进行归一化和模糊化处理，作为b p 神经网络的输入， 利用神经网络的非线性函数拟合能力、联想记忆能力和鲁棒性来实现正确的 故障类型识别。与传统的将电压、电流基频量或其频谱、功率谱作为神经网 络输入信息的故障类型识别方法相比，本文所建神经网络模型训练样本少， 训练速度快，且不受输电线路结构、故障点位置、过渡电阻、系统运行方式等 因素的影响。 3 本文对现有的单端测距、双端测距、行波测距以及智能测距方法进行了 综合的分析和比较，并在此基础上提出了基于双端电气量，利用传输线方程 来实现输电线路故障测距的新方法。该方法基于线路的分布参数模型，避免 了传统的基于集中参数模型的测距方法在高压长距离输电线路测距时所存在 的原理误差。由于该算法所依据的原理是故障后沿线正序电压从两侧向故障 点单调递减，在故障点处由两侧通过传输线方程计算出来的正序电压模值相 等，使得采用该算法时只需从变电站向调度传送输电线两侧的单相基频正序 电压、电流值即可，有效地减少了数据传送量。而且由于正序电压模值曲线 的单调性，使得测距结果具有唯一性，有效避免了传统双端测距法的伪根问 题的出现。 4 对于高压输电线路故障测距方法，在实现算法上，如何确定迭代过程、 选择合适的迭代步长是一个重要问题。本文提出采用双端同步迭代以及变步 长迭代的方法来实现本文提出的测距算法。为了保证测距的精度和收敛速度， 天津 学硕士学位论文 第一章绪论 迭代刚开始时，步长选择得大些。在迭代过程中，当故障点确定在某误差范 围内时，相应减小迭代步长。本文利用该算法和迭代过程，对在不同的故障 类型、故障点位置、故障过渡电阻、采样频率、线路两端运行阻抗角以及线 路参数下的测距进行了仿真测试，结果表明本文所提出的方法在各种条件下 均能达到较高的测距精度，而且迭代过程较传统的迭代算法，在收敛速度上 有了很大提高，具有较高的实用价值。 5 在高压输电线路故障诊断方面，针对传统的基于b p 神经网络的故障诊断 所具有的训练收敛速度慢，容错性不强的缺陷，在分析了r b f ( r a d i a lb a s i s f u n c t i o n ) 神经网络的性能和特点的基础上，本文提出了采用r b f 神经网络 来实现输电线路故障诊断的新方法，建造了输电线路故障诊断r b f n n 模型结 构。在确定r b f 网络的径向基函数重心方面，本文采用了两种聚类算法：一 种是基于k - n n 聚类原则的l b g 算法，另一种则是本文所提出的预先确定最小 距离的改进l b g 聚类算法。本文所提的改进l b g 聚类算法，由于在聚类的过 程中无需进行迭代，因此聚类的速度较常规的有很大提高。为了比较r b f 与 b p 网络的性能，本文还构造了一个与r b f 网络具有相同输入、输出模式关系 的b p 神经网络，以进行对比测试。仿真结果表明，r b f 神经网络在训练速度 和容错性上要优于b p 网络，更适合高压输电线路故障诊断的实时需要。 6 基于以上的研究，本文开发了一套高压输电线路故障分析软件。该软件 利用本文提出的算法实现了集故障类型识别、故障测距、故障诊断功能于一 体的高压输电线路故障综合分析。此外软件还通过对故障录波后的c o m t r a d e 数据进行转换处理进而实现故障波形再现及分析，向量图分析，谐波分析等 功能。该软件的开发为本文的研究走向实用化奠定了基础。 天津人学硕十学位论文 第二章基于模糊逻辑和模糊神经网络的高骶输电线路故障类型识别 第二章基于模糊逻辑和模糊神经网络的高压 输电线路故障类型识别 2 1 概述 2 0 ，2 3 矧 随着现代电力系统规模的日益扩大，输电容量和电压等级也在不断提高。 1 1 0 k v 及以上线路皆为高压输电线路，他们在电力系统中起着重要的作用，其 故障将直接威胁着电力系统的安全运行，也对社会经济和人们生活造成严重的危 害，从而对高压输电线路故障诊断提出了更高的要求。本文所研究的是与故障录 波器相连，基于故障录波信息的高压输电线路综合故障诊断系统。对高压输电线 路的故障类型识别( f a u l tt y p ei d e n t i f i c a t i o n ，也称故障选相) 是输电线路故障诊 断系统的一个重要组成部分，是故障测距和故障诊断分析的前提保证，所以探求 提高输电线路故障类型识别的准确性、可靠性的方法，对于高压输电线路故障诊 断系统具有重要的意义。 目前国内数字式高压线路保护中主要采用突变量选相和稳态量选相相结 合，利用相电流差突变量元件作为保护启动后第一次选相的选相元件，