基于模糊神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)故障選線

王　磊,曹現(xiàn)峰,駱　瑋

(1.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院,安徽 合肥　230009;2.安徽省新能源利用與節(jié)能重點(diǎn)實(shí)驗(yàn)室,安徽 合肥　230009)

?

基于模糊神經(jīng)網(wǎng)絡(luò)的小電流接地系統(tǒng)故障選線

王磊1,2,曹現(xiàn)峰1,2,駱瑋1,2

(1.合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院,安徽 合肥230009;2.安徽省新能源利用與節(jié)能重點(diǎn)實(shí)驗(yàn)室,安徽 合肥230009)

摘要:小電流接地系統(tǒng)發(fā)生單相接地故障后,為解決傳統(tǒng)上單一故障選線方法的局限性,文章利用信息融合技術(shù)并結(jié)合模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的特點(diǎn),提出將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于配電網(wǎng)故障選線方法中。提取穩(wěn)態(tài)時(shí)有功功率分量、暫態(tài)時(shí)衰減直流分量、基波和小波包能量熵極值作為綜合選線判據(jù),輸入到模糊神經(jīng)網(wǎng)絡(luò),再通過調(diào)整網(wǎng)絡(luò)隸屬度函數(shù)的初始參數(shù)大小,體現(xiàn)出在不同相角下,不同判據(jù)對(duì)故障選線判別能力的不同,能夠?qū)⑴渚W(wǎng)自身的特點(diǎn)很好地嵌入該算法中。在Matlab環(huán)境下搭建10.5 kV的小電流接地系統(tǒng)仿真模型,仿真結(jié)果顯示此方法具有選線準(zhǔn)確率高、適應(yīng)性強(qiáng)、靈敏度高、抗干擾能力強(qiáng)等優(yōu)點(diǎn),具有一定的可行性,能夠很好地解決故障選線的難題。

關(guān)鍵詞:小電流接地系統(tǒng);故障選線;信息融合;模糊神經(jīng)網(wǎng)絡(luò);隸屬度函數(shù)

我國35 kV及以下的配電網(wǎng)常采用小電流接地方式,發(fā)生單相接地故障后雖不影響正常負(fù)荷供電,但非故障相的相電壓會(huì)升高,長(zhǎng)時(shí)間單相接地運(yùn)行易發(fā)展成兩相接地短路。因此需要在故障發(fā)生后快速、準(zhǔn)確地查找出故障線路。

傳統(tǒng)的故障選線方法大致可以分為利用穩(wěn)態(tài)特征和暫態(tài)特征分量?jī)纱箢惙椒āＧ罢咧饕阈蛴泄Ψ至糠╗1]、五次諧波分量法[2]、負(fù)序電流法[3]、零序?qū)Ъ{法[4]等,后者主要包括行波法[5]、暫態(tài)無功功率法[6]、暫態(tài)零序電流比較法[7]、S變換法[8]等。然而,這些選線方法存在諸如電流信號(hào)獲取較困難、對(duì)表計(jì)的精度要求較高、易受外界干擾、受過渡電阻的影響較大等問題,影響了選線的效果。

將各暫、穩(wěn)態(tài)選線方法進(jìn)行互補(bǔ)融合,并采用人工智能算法的綜合選線方法,已成為當(dāng)前小電流接地系統(tǒng)故障選線的發(fā)展趨勢(shì)[9-15]。本文在分析單相接地故障特征的基礎(chǔ)上,提出將模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障選線。采用信息融合方式,提取故障發(fā)生后的暫、穩(wěn)態(tài)特征信息作為模糊神經(jīng)網(wǎng)絡(luò)的輸入,結(jié)合配網(wǎng)自身特點(diǎn),通過調(diào)整網(wǎng)絡(luò)隸屬度函數(shù)初始參數(shù)的大小,體現(xiàn)出在不同相角下,不同判據(jù)對(duì)故障選線判別能力的不同,將不同樣本對(duì)故障的敏感度最大化。仿真表明該算法具有很好的故障選線性能。

1小電流接地系統(tǒng)故障分析

圖1所示為經(jīng)消弧線圈接地的小電流接地系統(tǒng)的零序網(wǎng)絡(luò)(不接地系統(tǒng)不含消弧線圈部分,這里不做具體分析)。

圖1　消弧線圈接地系統(tǒng)零序電流分布

零序網(wǎng)絡(luò)由線路對(duì)地電容構(gòu)成通路,該網(wǎng)絡(luò)的零序阻抗較大,C1,C2,…,Cn為出線接地電容,E為零序等效電源。當(dāng)線路3發(fā)生單相接地故障,接地點(diǎn)零序電流I0∑為全部非故障線路容性電流與零序電感電流之和,即I0∑=I01+I02+…+I0n+I0f+IgR+I0c,其中故障線路的零序電流方向?yàn)楣收宵c(diǎn)流向母線,非故障線路的零序電流方向?yàn)槟妇€流向線路。在故障暫態(tài)運(yùn)行期間將產(chǎn)生大量高頻信號(hào),其不受故障前負(fù)荷等方面的影響;依據(jù)基頻分量計(jì)算選取的消弧線圈,相對(duì)高頻分量可近似視為開路,即消弧線圈不會(huì)對(duì)高頻暫態(tài)分量產(chǎn)生很大的影響。而零序電流的有功分量是由線路對(duì)地電導(dǎo)及消弧線圈中電阻損耗產(chǎn)生的,消弧線圈中的阻尼電阻增加了故障線路的有功分量,因此故障線路的有功分量大于非故障線路,且方向相反。

2模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)融合了模糊推理的萬用逼近能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,在自適應(yīng)控制領(lǐng)域、自適應(yīng)信號(hào)處理及模式識(shí)別等領(lǐng)域得到了廣泛的應(yīng)用。Takagi和Sugeno首次提出該線性組合模型[16-17]。該模型直接利用了數(shù)值化的語言來建立特定的非線性映射,采用少量的模糊規(guī)則數(shù)表達(dá)高度非線性的復(fù)雜系統(tǒng),同時(shí)具有參數(shù)調(diào)節(jié)靈活、初始變量的學(xué)習(xí)簡(jiǎn)單等優(yōu)點(diǎn),且其節(jié)點(diǎn)和參數(shù)都具有特定的物理意義；與一般模糊神經(jīng)網(wǎng)絡(luò)相比,更有利于信息的表達(dá)與運(yùn)算。

常見的模糊神經(jīng)網(wǎng)絡(luò)由前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)組成。前件網(wǎng)絡(luò)用來產(chǎn)生模糊規(guī)則,后件網(wǎng)絡(luò)用來擬合輸入變量的線性組合。其結(jié)構(gòu)如圖2所示。

圖2　模糊神經(jīng)網(wǎng)絡(luò)模型

前件網(wǎng)絡(luò)有如下4層結(jié)構(gòu):輸入層、模糊化層、規(guī)則層、歸一化層。

輸入層中每個(gè)節(jié)點(diǎn)與輸入變量xj相連,即節(jié)點(diǎn)數(shù)等于xj的維數(shù)。

模糊化層中利用模糊隸屬度函數(shù)完成對(duì)輸入變量的模糊化,得到相應(yīng)的模糊隸屬度。采用高斯函數(shù)作為模糊神經(jīng)網(wǎng)絡(luò)隸屬度函數(shù)具有更好的平滑性,其隸屬度函數(shù)為:

(1)

規(guī)則層中每個(gè)節(jié)點(diǎn)代表一條模糊規(guī)則,稱為規(guī)則適用度,采用隸屬度的連乘作為模糊規(guī)則wi，即

(2)

為縮小各模糊規(guī)則之間的差距,對(duì)各模糊規(guī)則采用歸一化進(jìn)行處理,具體表達(dá)式為:

(3)

后件網(wǎng)絡(luò)有輸入層、隱含層、輸出層3層結(jié)構(gòu)。輸入層與前件網(wǎng)絡(luò)的輸入層一樣,每個(gè)節(jié)點(diǎn)與輸入變量xj相連,節(jié)點(diǎn)數(shù)是xj的維數(shù)。隱含層與前件網(wǎng)絡(luò)的規(guī)則層類似,對(duì)輸入變量進(jìn)行如下線性擬合:

(4)

輸出層則由前件網(wǎng)絡(luò)歸一化值與后件網(wǎng)絡(luò)隱含層值進(jìn)行乘積運(yùn)算得到，即

(5)

3模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)與應(yīng)用

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中常采用梯度下降法進(jìn)行參數(shù)調(diào)節(jié),該方法通過誤差函數(shù)關(guān)于參數(shù)的梯度進(jìn)行參數(shù)更新,參數(shù)的多次訓(xùn)練使權(quán)值參數(shù)不斷更新,當(dāng)輸出與期望之間的誤差小于規(guī)定范圍,則停止迭代,將訓(xùn)練完的參數(shù)值作為該模糊神經(jīng)網(wǎng)絡(luò)最終的參數(shù)。

模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法如下:

(1)誤差計(jì)算。

(6)

其中,yd為網(wǎng)絡(luò)期望輸出;y為網(wǎng)絡(luò)的實(shí)際輸出;E為兩者之間的誤差。

(2)參數(shù)修正。通過不斷調(diào)整模糊神經(jīng)網(wǎng)絡(luò)中參數(shù)值來減少E的大小,達(dá)到訓(xùn)練的目的。后件網(wǎng)絡(luò)隱含層參數(shù)p,隸屬度函數(shù)中心c和寬度b可按(7)式進(jìn)行修正:

(7)

其中,k為迭代次數(shù);x分別為p、c、b;α為學(xué)習(xí)效率,直接決定了各參數(shù)在每一次迭代中的變化量,影響算法的收斂速度,一般取0<α<1。

(8)

(9)

(10)

基于小電流接地系統(tǒng)發(fā)生單相接地故障的特點(diǎn),分別提取故障后暫、穩(wěn)態(tài)的特征分量作為模糊神經(jīng)網(wǎng)絡(luò)的樣本。提取暫態(tài)衰減直流分量作為網(wǎng)絡(luò)樣本輸入x1;提取暫態(tài)基波分量作為輸入x2;利用小波包能量熵極值原理,提取暫態(tài)能量熵最大的特征頻帶值作為輸入x3;根據(jù)有功分量法,提取穩(wěn)態(tài)零序電流的有功功率作為樣本輸入x4。

當(dāng)故障發(fā)生在相電壓過零點(diǎn)附近時(shí),衰減直流分量初始值最明顯。而故障點(diǎn)發(fā)生在相電壓最大值附近時(shí),其小波包能量熵極值最明顯[18]。在不同相角下各判據(jù)的判別能力不同,故將樣本數(shù)據(jù)根據(jù)相角大小分成2組樣本。并定義相角θuo,θuo∈[-180°,180°],當(dāng)θuo滿足|θuo-90°|≥30°且|θuo+90°|≥30°時(shí),將θuo作為小角度相角,否則將θuo作為大角度相角。

模糊系統(tǒng)中隸屬度函數(shù)的物理意義在于輸入數(shù)值隸屬模糊集合的程度,在小電流接地系統(tǒng)發(fā)生單相接地故障后得到的樣本數(shù)據(jù)中,對(duì)應(yīng)于輸入值對(duì)故障判別的能力程度?？紤]到在不同相角下不同判據(jù)的判別能力不同,本文提出了根據(jù)輸入的x值的不同,設(shè)置不同大小的隸屬度初始參數(shù)b、c值,從而體現(xiàn)出不同判據(jù)對(duì)故障判別能力的不同。進(jìn)而,將配網(wǎng)自身特點(diǎn)很好地嵌入算法中。

在不同相角下,定義不同判據(jù)樣本的最大值max(xbq),其中，b=1,2,代表相角的組數(shù)；q=1,2,3,4,表示4組判據(jù)。定義故障判別程度的概念,即

(11)

其中,xbq(m)表示不同相角、不同判據(jù)下的不同樣本,m=1,2,3,…,n為樣本總數(shù);Cbq為常數(shù),表示不同相角、不同判據(jù)的故障判別系數(shù);λbq(m)∈[0,1],λ值越大,表示故障判別能力越強(qiáng),在該相角下,該判據(jù)的樣本值越能代表故障線路的特征;λ值越小,表示故障判別能力越差,則該相角下,該判據(jù)的樣本值越能代表非故障線路的特征。

對(duì)于故障判別系數(shù)C值的設(shè)置,以衰減直流分量這一判據(jù)為例,為了體現(xiàn)在小相角下,該判據(jù)的判別能力要強(qiáng)于大相角下的情況,則令C11>C21。同理可得C12>C22，C13

將λ值作為模糊神經(jīng)網(wǎng)絡(luò)隸屬度函數(shù)y,可得:

(12)

計(jì)算得到c和b的值即為不同相角、不同判據(jù)下的初始參數(shù),用來作為高斯函數(shù)的初始中心與寬度。

4仿真與結(jié)果分析

在Matlab/Simlink仿真環(huán)境下,搭建的中性點(diǎn)經(jīng)消弧線圈接地的小電流接地系統(tǒng)仿真模型如圖3所示。相應(yīng)數(shù)據(jù)處理的流程圖如圖4所示。

圖3　小電流接地系統(tǒng)仿真模型

圖4　數(shù)據(jù)處理流程圖

系統(tǒng)電壓為10.5 kV,消弧線圈的過補(bǔ)償度為10%,采樣頻率f=12.8 kHz,電纜線路1、2、3的長(zhǎng)度分別為6、8、10 km。

在Matlab搭建的小電流接地系統(tǒng)仿真模型中,取0.2 s時(shí),輸電線3在距離母線5 km處發(fā)生A相接地故障。令θ=5t,t∈Z。當(dāng)0≤t≤12時(shí),取θ為小角度;當(dāng)12

將網(wǎng)絡(luò)初始化,設(shè)定模糊規(guī)則數(shù)為8,學(xué)習(xí)效率α=0.2,權(quán)系數(shù)初始值p=0.3。將各角度下線路1、2、3的判據(jù)值作為T-S模糊神經(jīng)的輸入值。網(wǎng)絡(luò)系統(tǒng)采用多輸入單輸出結(jié)構(gòu),輸出表示該線路是否發(fā)生故障,故定義線路1、2,即非故障線路的期望輸出為0;線路3,即故障線路的網(wǎng)絡(luò)輸出為1。網(wǎng)絡(luò)隸屬度函數(shù)的中心c、寬度b的初始值根據(jù)上述規(guī)定計(jì)算,見表4所列。其中i=1,2,…,8,代表8條模糊規(guī)則數(shù)。

表1　小相角下訓(xùn)練樣本值

表2　小、大相角下訓(xùn)練樣本值

表3　大相角下訓(xùn)練樣本值

表4　c、b初始值

在Matlab仿真環(huán)境下,搭建大、小相角下的仿真算法,完成對(duì)樣本的訓(xùn)練后,為了驗(yàn)證該方法的有效性及可行性,取不同線路發(fā)生單相接地故障,并計(jì)算不同相角下各線路的判據(jù)值組成檢測(cè)樣本進(jìn)行測(cè)試,結(jié)果見表5所列。

表5　各線路檢測(cè)樣本輸出

在理論上,網(wǎng)絡(luò)輸出0表示非故障線路,1表示故障線路,但實(shí)際應(yīng)用時(shí)不可能正好輸出0或1,故進(jìn)行如下處理:當(dāng)輸出小于0.3,代表0,表示線路無故障;當(dāng)輸出大于0.8,代表故障線路。顯然,對(duì)于這樣的選取,并不會(huì)造成誤判。通過仿真結(jié)果分析可知,不管相角如何,非故障線路的輸出值總是接近于0,而故障線路的輸出值在1附近,故可選出故障線路,選線正確率為100%。結(jié)果表明該算法適用于任何故障時(shí)刻,即不受故障相角的影響,可以有效地查找故障線路,具有很好的選線性能。

5結(jié)論

基于小電流接地系統(tǒng)單相接地故障選線問題的復(fù)雜性,僅通過單一判據(jù)來進(jìn)行故障選線已不能滿足要求。為此,本文提出將多種選線方法進(jìn)行融合,運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行故障選線,大大提高了選線算法的容錯(cuò)性和可靠性。理論和仿真分析表明:

(1)充分利用發(fā)生故障后線路中的暫、穩(wěn)態(tài)信息,并提取能夠代表故障線路與非故障線路的特征分量作為選線的判別依據(jù),提高了選線的可靠性與說服力。

(2)應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)對(duì)特征分量進(jìn)行處理,利用模糊神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)表達(dá)能力以及對(duì)數(shù)據(jù)敏感的非線性擬合逼近能力,有效地提高了選線的靈敏度和效率。

(3)考慮到模糊系統(tǒng)中模糊隸屬度函數(shù)的物理意義,并結(jié)合小電流接地系統(tǒng)中各特征分量的特點(diǎn),提出調(diào)節(jié)不同特征分量下隸屬度函數(shù)初始參數(shù),來呈現(xiàn)不同相角下、不同分量對(duì)故障判別能力的不同。將各特征分量的特點(diǎn)最大化,并將該算法物理層面上的意義與配電網(wǎng)的特點(diǎn)有機(jī)結(jié)合起來,提高了模糊神經(jīng)網(wǎng)絡(luò)在小電流接地系統(tǒng)中應(yīng)用的可信度。

(4)該方法在不同相角下均具有很好的選線能力，對(duì)今后配電網(wǎng)自動(dòng)化系統(tǒng)的發(fā)展,對(duì)更快速、準(zhǔn)確的配網(wǎng)故障選線方法的提出具有一定的參考價(jià)值。

[參考文獻(xiàn)]

[1]Yang Xia,Choi M S,Lee S J.Ungrounded system fault section detection method by comparison of phase angle of zero-sequence current[J].Journal of Electrical Engineering &Technology,2008,4(3):484-490.

[2]Zhang Zhixia,Liu Xiao,Piao Zailin.Fault line detection in neutral point in effectively grounding power system based on phase-locked loop[J].IET Generation,Transmission &Distribution,2014,8(2):273-280.

[3]朱玲玲,李長(zhǎng)凱,張華中,等.配電網(wǎng)單相斷線故障負(fù)序電流分析及選線[J].電力系統(tǒng)保護(hù)與控制,2009,37(9):35-38.

[4]程路,陳喬夫.小電流接地系統(tǒng)單相接地選線技術(shù)綜述[J].電網(wǎng)技術(shù),2009,33(18):219-224.

[5]姜博,董新洲,施慎行.基于單相電流行波的配電線路單相接地故障選線方法[J].中國電機(jī)工程學(xué)報(bào),2014,34(34):6216-6227.

[6]Cui Tao,Dong Xinzhou,Bo Zhiqian,et al.Hilbert transform based transient/intermittent earth fault detection in noneffectively grounded distribution systems[J].IEEE Transactions on Power Delivery,2011,26(1):143-151.

[7]張海平,何正友,張鈞.基于量子神經(jīng)網(wǎng)絡(luò)和證據(jù)融合的小電流接地選線方法[J].電工技術(shù)學(xué)報(bào),2009,24(12):171-178.

[8]張鈞,何正友,賈勇.基于S變換的故障選線新方法[J].中國電機(jī)工程學(xué)報(bào),2011,31(10):109-115.

[9]陳奎,韋曉廣,陳景波,等.基于樣本數(shù)據(jù)處理和ADABOOST的小電流接地故障選線[J].中國電機(jī)工程學(xué)報(bào),2014,34(34):6228-6327.

[10]賈清泉,石磊磊,王寧,等.基于證據(jù)理論和信息熵的消弧線圈接地電網(wǎng)融合選線方法[J].電工技術(shù)學(xué)報(bào),2012,27(6):191-197.

[11]牛敬芳,肖本賢.基于GHM多小波和神經(jīng)網(wǎng)絡(luò)的小電流接地故障選線[J].合肥工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2014,37(2):159-163.

[12]梁睿,王洋洋.基于直覺模糊集的單相接地故障綜合選線方法[J].電網(wǎng)技術(shù),2011,35(11):228-234.

[13]薛永端,張秋鳳,顏廷純,等.綜合暫態(tài)與工頻信息的諧振接地系統(tǒng)小電流接地故障選線[J].電力系統(tǒng)自動(dòng)化,2014,38(24):80-85.

[14]龐清樂,孫同景,鐘麥英,等.基于粗集理論的小電流接地系統(tǒng)故障選線[J].中國電機(jī)工程學(xué)報(bào),2007,27(4):60-64.

[15]賈清泉,楊奇遜,楊以涵.基于故障測(cè)度概念與證據(jù)理論的配電網(wǎng)單相接地故障多判據(jù)融合[J].中國電機(jī)工程學(xué)報(bào),2003,23(12):6-11.

[16]張俊芳,劉鵬.基于改進(jìn)模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障選線研究[J].電力系統(tǒng)保護(hù)與控制,2010,38(22):120-125.

[17]吳興華,周暉.基于減法聚類及自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的短期電價(jià)預(yù)測(cè)[J].電網(wǎng)技術(shù),2007,31(19):69-73.

(責(zé)任編輯張镅)

Fault line selection of small current neutral grounding system based on fuzzy neural network

WANG Lei1,2,CAO Xian-feng1,2,LUO Wei1,2

(1.School of Electric Engineering and Automation,Hefei University of Technology,Hefei 230009,China;2.Anhui New Energy Utilization and Energy Saving Laboratory,Hefei 230009,China)

Abstract:This paper deals with fault line selection as single-phase grounding fault occurs in the small current neutral grounding system. In order to solve the limitations of single fault line selection methods,the information fusion technology is adopted,and considering the characteristic of fuzzy system and neural network,the fuzzy neural network is applied in fault line selection of power distribution network. Steady-state active component,transient decaying DC component,transient fundamental component and the extreme of wavelet packet-energy entropy(WP-EE)are considered as judgments of comprehensive line selection,and used as the input of the fuzzy neural network. In order to reflect the difference of the abilities of fault judgment of different samples in the situation of different angles,the initial values of the parameters in membership functions are adjusted,and then the characteristic of power distribution network itself is perfectly integrated into the algorithms. Finally,a 10.5 kV small current neutral grounding system simulation model is set up by Matlab. The simulation results illustrate that this method is feasible,can achieve high accuracy,adjustability,sensitivity,anti-interference ability and so on,and solves the difficulties in fault line selection well.

Key words:small current grounding system;fault line selection;information fusion;fuzzy neural network;membership function

收稿日期：2015-02-09；修回日期：2015-05-18

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(51177036);安徽省自然科學(xué)基金資助項(xiàng)目(1408085MKL13)

作者簡(jiǎn)介：王磊(1978-),男,安徽阜陽人,博士,合肥工業(yè)大學(xué)副教授,碩士生導(dǎo)師.

doi:10.3969/j.issn.1003-5060.2016.06.007

中圖分類號(hào):TM773

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1003-5060(2016)06-0750-06