基于監(jiān)督聚類神經網絡的電力系統(tǒng)故障診斷分析

李麗 安華 賀健偉 洪海濤 張仁金

摘要：電力系統(tǒng)有些故障產生的小電流不足以使保護裝置動作，這就需要對故障進行診斷，進而采取措施，提出了利用監(jiān)督聚類神經網絡對電力設備故障進行診斷并分類，現場數據測試結果證明了該方法的有效性。

關鍵詞：電力系統(tǒng);故障;監(jiān)督聚類;神經網絡

中圖分類號：TM7 文獻標識碼：A 文章編號：1007-0079（2014）33-0202-02

電力設備相間短路、三相或單相接地故障（SLG故障）會呈現出低阻抗，這能引起大電流使保護裝置動作。但是，在△-△連接的分立系統(tǒng)及在Y連接的系統(tǒng)中的SLG故障不會產生大電流使保護裝置動作。從目前的研究現狀看，這個問題已經被廣泛關注，從安全經濟角度，該類故障是有害的，而且故障還存在一定的隱患。[1-3]

一般情況下，當系統(tǒng)發(fā)生的故障呈現出較小的故障電流時，在相電壓波形中只能夠觀察到的是峰值部分，但是在故障相電流的波形成分中有一個可辨識的變化，這就是附加頻率。較正常系統(tǒng)的瞬態(tài)相比，這些變化持續(xù)時間較長，而且是隨機出現。故障電流波形和幅值受故障類型及所處環(huán)境影響，如土壤、濕度等。對于無弧故障情況，故障電流的幅值和相位會有規(guī)律地變化，但對于有弧故障，在故障電流波形的幅值和相位中會斷續(xù)地失真。

從電流特征值能夠判斷出設備是故障還是正常。從這些特征值也能區(qū)分已有故障的類型及發(fā)生的位置。從特征值判斷故障的類型是比較困難的，因為同一種故障可能呈現出不同的特點，所以迫切需要一些新方法。本文采用的新方法有兩部分：一是信號處理器，一是基于聚類監(jiān)督的診斷系統(tǒng)。這個方法能夠解決傳統(tǒng)的故障診斷不能解決的難題，如單相故障的分類及確定故障發(fā)生在哪一相。

基于神經網絡故障診斷方法的輸入是：對稱的三相電流。預處理器計算出相電流的統(tǒng)計特性，并把它們輸入到神經網絡分類器中。[4]神經網絡判斷有沒有發(fā)生故障。如果檢驗出有故障發(fā)生，則還要對故障進行分類，并找出故障發(fā)生點。本文所用的神經網絡是基于聚類監(jiān)督的兩級神經網絡。

該系統(tǒng)具有能區(qū)分故障和疑似故障不同特征的功能。這個診斷方法提供初步的故障位置信息，以確定故障發(fā)生在哪一相。[5]Texas&M（TAMU）模式記錄的數據用來訓練和測試現場數據，映射通過之前積累的不同現象的數據進化，以執(zhí)行這些類別的任務。監(jiān)督聚類監(jiān)督模式相比傳統(tǒng)模式的分類技術有很多優(yōu)點，能自動分類檢驗故障和故障定位，[6]此外還具有適應性和不斷學習的能力，計算效率較高。

一、神經網絡

圖1 神經網絡

圖1是用于電力變壓器故障診斷的神經網絡，其結構為三層前饋結構：輸入層，隱層，輸出層。每一層的神經元從前曾獲得輸入信號并且把輸出送入到后層。輸入層的神經元從外部系統(tǒng)獲得一組輸入信號并按照連接權直接把輸入數據送到隱層的輸入。在下面的計算中，寫在下方的n， h， k分別表示輸入層，隱層，輸出層的各種模式。網絡的輸入net定義為引入信號的權減去偏置值的總權。在隱層的網絡輸入神經元h， neth由下式表示：

（1）

這里的yn是輸入層神經元n的輸出，whn代表從輸入層神經元n到隱層神經元h的連接權，而θh是隱層神經元h的偏項。

這個S形函數被挑選作為已用神經網絡的功能函數. 因此在隱層，神經元h，yh，得輸出可描述為：

（2）

然后隱層神經元的輸出通過另一組連接權被遞送到輸出層的神經元。輸出層神經元的輸出也可表示為：

（3）

（4）

這里的θk是輸出層神經元的偏項。這些參數（聯(lián)接圈和偏項）必須要在神經網絡能夠產生所期望的輸出前由學習過程決定。

三角規(guī)則通過最小化下面的錯誤函數E來調整神經元之間的權。

（5）

這兒的dk代表神經元的期望輸出值，而yk是輸出層神經元的計算值。

權ukh通過遞推法反復校正為訓練數據得到最小的 E 。

（6）

（7）

（8）

這里的i代表了反復的次數，η是學習率，而α常數因子。同樣地，whn可用下式變?yōu)椋?/p>

（9）

（10）

（11）

偏項θk和θh可作為權，同樣迭帶改變可按照（6）～（11）式同樣進行。

輸出層神經元k的輸出yk隱含的包含了網絡的可調參數，每一個神經元的連接權及偏項。在本文中神經網絡的連接權及偏項都由一種最佳的引伸算法決定，這就避免了在人工神經網絡（ANN）的參數收斂a，這種方法通過遞推逼近法訓練。[7]

二、故障檢驗與辨識

這個故障診斷法能夠實現故障檢驗，故障類型的分類及辨識故障在哪一相發(fā)生。這個方法檢驗出反常事件的表現，并決定這個反常的現象是否為故障引起。假如判斷出它是故障，那么就對它進行分類，并判斷在哪一相發(fā)生。這個故障診斷法可在故障類型分類時分出四種故障類型。對于單線和導線破損故障是不同的。前一種代表了傳統(tǒng)的單線對地故障。導線并沒有損壞，故有電流持續(xù)流過。它可能是由于相導線下垂到地面或樹枝，灌木，起重機，農業(yè)機械或一些外來物體引起的。當一個或多個支路導線開路，要么一個或沒有斷路時其他三個故障可能接觸到地面，不明物。第三種故障也是SLG故障，斷開的導線接觸到地面，這時變電站導線的末端保持在空氣中。[8]第四種故障類型是一個開路故障，斷開的導線的末端和地面不接觸。只有第一種故障類型是屬于TAMU故障，本文要分析的就是這種故障。

這個故障診斷法也能夠確定故障是在哪一相發(fā)生的。有弧故障是分部系統(tǒng)不平衡，它在相電流波形中斷斷續(xù)續(xù)地出現一些失真。在故障相能看到其主要的影響;在其他兩相不能表現明顯的影響。這種行為是故障辨識的基本功能。故障相的辨識和故障類別的分類為系統(tǒng)的故障定位給出了初步的信息。

三、應用

典型地，當故障呈現出低的故障電流時，在相電壓波形中主要能觀察到的是大的幅值。但是，在故障相電流的波形的成分中有一個可辨識的變化，這是由于附加頻率的出現;較正常系統(tǒng)的瞬態(tài)相比，這些變化持續(xù)較長時間，而且是隨機出現。故障電流形狀和尺寸的性質受故障類型及，所處條件如土地的類型、濕度。對于無弧故障情況，故障電流的幅值和相位有確定性的變化。但對于有弧故障情況，在故障電流波形的幅值和相位中會斷斷續(xù)續(xù)的隨機失真。

實現基于有較聚類神經網絡新型的兩個階段是為了完成故障診斷的辨識和分類功能。圖2所示的是沒有隱層的單層網絡，它有Z長度的輸入向量并產生M球形輸出聚類，每個聚類用一個半徑為Pm，球心為向量定義。用有較和無較學習的算法訓練。

在神經網絡被訓練后用有較和無較的學習過程，這個過程被整合到故障診斷方法中。在故障診斷法中，基于聚類的神經網絡把一個新的特征模式分類到一個聚類Cj中。用最近方式決定規(guī)則，以每個M聚類中心向量的模式間的距離為基礎的最近的聚類。

區(qū)別故障和看似故障的診斷方法的有效性通過一個現場測試系統(tǒng)證明，這個測試系統(tǒng)利用一些四線制分立系統(tǒng)的數據?，F場數據也用于證明故障診斷方法的能力，通過辨識故障在哪里發(fā)生，得到故障位置的初步信息。用來訓練和測試現場的數據是來自TAMU數據庫的記錄數據，它包含了TAMU下垂導線設備和在RG&E捕獲的暫態(tài)系統(tǒng)的運行數據。只有一種但銜接地故障在下垂導線設備中被截斷用來為這些研究產生故障數據。因此，這個現場數據不用于證明故障診斷法的故障診斷類型和分類功能。數據結果表明了建議的方法的特性。

進一步的故障診斷法用仿真數據評估了一個3層反饋系統(tǒng)。

四、測試結果及分析

1.記錄的現場數據

從TAMU數據庫里得到7組現場數據用來訓練和證明基于神經網絡的故障診斷法。在TAMU下垂導線測試裝置中獲得4組數據代表有弧故障。兩個故障時短時間的（幾秒），兩個是長時間的（幾分鐘），還有是間隙的。另一組從TAMU設備中得到的代表正常的，無負荷暫態(tài)數據，剩下的兩組在RG&E中記錄數據代表模擬的相電壓，并且瞬時地記錄電流。

2.現場數據應用的結果

表1 系統(tǒng)各種運行情況判別成功率

表2 故障相判別成功率1

表1表示的是幾類主要的測試數據故障診斷的成功率。表2所示是對測試數據進行故障診斷的辨識成功率，結果表明這個故障診斷法在證實故障辨識和分類功能的測試中是很成功的，這個故障診斷法還能辨別故障模式和不是故障卻類似故障的異同點。

3.仿真數據

用軟件仿真故障狀態(tài)得到數據，然后用于訓練有聚類監(jiān)督的ANN。在一個3層的子系統(tǒng)中為其所有層提供了相故障和相故障后的電流進行詳細的仿真得到數據，也提供了母線上的三相電壓。訓練的數據可用于2000多個仿真產生的故障和正常情況。大約300個測試情況代表故障位置，這些情況是為了訓練神經網絡。

4.仿真數據應用的結果

表3 故障診斷系統(tǒng)輸出

表4 診斷結果準確率統(tǒng)計

有超過300種情況不能用ANN看到，這些情況應用于測試系統(tǒng)的性能。對于每一個測試結果，母線電壓和相電流與應用于第一個ANN的反饋相對應，并且，同樣合適的數據應用于第二第三個ANN。這些ANN產生了如表3所示的輸出。每個ANN決定了在它的反饋中是否會產生一個故障，并且如果有故障發(fā)生，那么它就對故障進行分類，找出故障相，評估故障阻值。

表4表示的是，當執(zhí)行故障診斷時通過有較聚類產生的測試結果。ANN檢驗出從反饋上體現出的故障表現的能力大于90%，在檢驗故障后，ANN還能夠很成功地辨別出故障的類型和發(fā)生點。錯誤的可能性為9.3%，但是這些錯誤的情況有一半可能是由于暫態(tài)狀態(tài)。

五、結論

文章討論了現場數據應用于一個新的基于聚類的有弧分立故障診斷法。這個故障診斷法能夠執(zhí)行3個功能，提供了接地和不接地電力分立系統(tǒng)的故障位置的初步信息，故障檢驗，故障分類和故障相識別。它包含兩個主要的模塊：一個預處理器，一個聚類模式。這個聚類模式通過一個有較聚類神經網絡實現。這個故障診斷法的輸入是3相電和反饋電流特性。預處理器計算一個從相電流得到的統(tǒng)計特征向量，并把它們送入到神經網絡的分類器。神經網絡決定了特征模式是正常的還是有故障的。假如檢驗為有故障，則神經網絡也要進行對故障分類并找出故障相。

用三線或四線制系統(tǒng)的事故現場的故障和正常情況下的電流數據來訓練和測試故障診斷方法，這樣的研究已在進行。在驗證故障檢驗和辨識功能的測試中，證明了這種故障診斷方法有較高的成功率。這種故障診斷法還能識別出故障和線路通斷及開關動作而出現的貌似故障的區(qū)別。

參考文獻：

[1]郭創(chuàng)新，朱傳柏，曹一家，等.電力系統(tǒng)故障診斷的研究現狀與發(fā)展趨勢[J].電力系統(tǒng)自動化，2006，8（30）：98-103.

[2]文福拴，錢源平，韓幀祥，等.利用保護和斷路器信息的電力系統(tǒng)故障診斷與不可觀測的保護的狀態(tài)識別的模型與Tabu搜索方法[J].電工技術學報，1998，13（5）：1-8.

[3]束洪春，孫向飛，于繼來.粗糙集理論在電力系統(tǒng)中的應用[J].電力系統(tǒng)自動化，2004，28（3）：90-95.

[4]J.J.Kelly.Transformer fault diagnosis by dissolved-gas analysis[J].IEEE Trans.Ind.Applicant.，1980，（16）：777-782.

[5]Y.M.Park， et al..A logic based expert system （LBES） for fault diagnosis of power system[J].IEEE Trans.Power Syst.，1997，（12）：363-369.

[6]尹清波，張汝波，申麗然，等.基于矢量量化分析的有監(jiān)督聚類異常檢測方法研究[J].計算機研究與發(fā)展，2006，（Z2）：414-418.

[7]T.S.Bi，et al..A novel ANN fault diagnosis system for power systems using dual GA loops in ANN training[J].in Proc.IEEE Power Engineering Soc.Summer Meeting，2000，（1）：425–430.

[8]J.C.Tan，et al..Fuzzy expert system for on-line fault diagnosis on a transmission network[J].IEEE Power Engineering Soc.Winter Meeting，2001，（2）：775–780.

（責任編輯：王意琴）