基于模糊神經網絡的小電流接地系統故障選線

王　磊,曹現峰,駱　瑋

(1.合肥工業大學 電氣與自動化工程學院,安徽 合肥　230009;2.安徽省新能源利用與節能重點實驗室,安徽 合肥　230009)

?

基于模糊神經網絡的小電流接地系統故障選線

王磊1,2,曹現峰1,2,駱瑋1,2

(1.合肥工業大學 電氣與自動化工程學院,安徽 合肥230009;2.安徽省新能源利用與節能重點實驗室,安徽 合肥230009)

摘要:小電流接地系統發生單相接地故障后,為解決傳統上單一故障選線方法的局限性,文章利用信息融合技術并結合模糊系統和神經網絡的特點,提出將模糊神經網絡應用于配電網故障選線方法中。提取穩態時有功功率分量、暫態時衰減直流分量、基波和小波包能量熵極值作為綜合選線判據,輸入到模糊神經網絡,再通過調整網絡隸屬度函數的初始參數大小,體現出在不同相角下,不同判據對故障選線判別能力的不同,能夠將配網自身的特點很好地嵌入該算法中。在Matlab環境下搭建10.5 kV的小電流接地系統仿真模型,仿真結果顯示此方法具有選線準確率高、適應性強、靈敏度高、抗干擾能力強等優點,具有一定的可行性,能夠很好地解決故障選線的難題。

關鍵詞:小電流接地系統;故障選線;信息融合;模糊神經網絡;隸屬度函數

我國35 kV及以下的配電網常采用小電流接地方式,發生單相接地故障后雖不影響正常負荷供電,但非故障相的相電壓會升高,長時間單相接地運行易發展成兩相接地短路。因此需要在故障發生后快速、準確地查找出故障線路。

傳統的故障選線方法大致可以分為利用穩態特征和暫態特征分量兩大類方法。前者主要包括零序有功分量法[1]、五次諧波分量法[2]、負序電流法[3]、零序導納法[4]等,后者主要包括行波法[5]、暫態無功功率法[6]、暫態零序電流比較法[7]、S變換法[8]等。然而,這些選線方法存在諸如電流信號獲取較困難、對表計的精度要求較高、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、穩態選線方法進行互補融合,并采用人工智能算法的綜合選線方法,已成為當前小電流接地系統故障選線的發展趨勢[9-15]。本文在分析單相接地故障特征的基礎上,提出將模糊神經網絡應用于故障選線。采用信息融合方式,提取故障發生后的暫、穩態特征信息作為模糊神經網絡的輸入,結合配網自身特點,通過調整網絡隸屬度函數初始參數的大小,體現出在不同相角下,不同判據對故障選線判別能力的不同,將不同樣本對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小電流接地系統故障分析

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

圖1　消弧線圈接地系統零序電流分布

零序網絡由線路對地電容構成通路,該網絡的零序阻抗較大,C1,C2,…,Cn為出線接地電容,E為零序等效電源。當線路3發生單相接地故障,接地點零序電流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為故障點流向母線,非故障線路的零序電流方向為母線流向線路。在故障暫態運行期間將產生大量高頻信號,其不受故障前負荷等方面的影響;依據基頻分量計算選取的消弧線圈,相對高頻分量可近似視為開路,即消弧線圈不會對高頻暫態分量產生很大的影響。而零序電流的有功分量是由線路對地電導及消弧線圈中電阻損耗產生的,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模糊神經網絡

模糊神經網絡融合了模糊推理的萬用逼近能力和神經網絡的自學習能力,在自適應控制領域、自適應信號處理及模式識別等領域得到了廣泛的應用。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值化的語言來建立特定的非線性映射,采用少量的模糊規則數表達高度非線性的復雜系統,同時具有參數調節靈活、初始變量的學習簡單等優點,且其節點和參數都具有特定的物理意義；與一般模糊神經網絡相比,更有利于信息的表達與運算。

常見的模糊神經網絡由前件網絡和后件網絡組成。前件網絡用來產生模糊規則,后件網絡用來擬合輸入變量的線性組合。其結構如圖2所示。

圖2　模糊神經網絡模型

前件網絡有如下4層結構:輸入層、模糊化層、規則層、歸一化層。

輸入層中每個節點與輸入變量xj相連,即節點數等于xj的維數。

模糊化層中利用模糊隸屬度函數完成對輸入變量的模糊化,得到相應的模糊隸屬度。采用高斯函數作為模糊神經網絡隸屬度函數具有更好的平滑性,其隸屬度函數為:

(1)

規則層中每個節點代表一條模糊規則,稱為規則適用度,采用隸屬度的連乘作為模糊規則wi，即

(2)

為縮小各模糊規則之間的差距,對各模糊規則采用歸一化進行處理,具體表達式為:

(3)

后件網絡有輸入層、隱含層、輸出層3層結構。輸入層與前件網絡的輸入層一樣,每個節點與輸入變量xj相連,節點數是xj的維數。隱含層與前件網絡的規則層類似,對輸入變量進行如下線性擬合:

(4)

輸出層則由前件網絡歸一化值與后件網絡隱含層值進行乘積運算得到，即

(5)

3模糊神經網絡學習與應用

神經網絡訓練中常采用梯度下降法進行參數調節,該方法通過誤差函數關于參數的梯度進行參數更新,參數的多次訓練使權值參數不斷更新,當輸出與期望之間的誤差小于規定范圍,則停止迭代,將訓練完的參數值作為該模糊神經網絡最終的參數。

模糊神經網絡學習算法如下:

(1)誤差計算。

(6)

其中,yd為網絡期望輸出;y為網絡的實際輸出;E為兩者之間的誤差。

(2)參數修正。通過不斷調整模糊神經網絡中參數值來減少E的大小,達到訓練的目的。后件網絡隱含層參數p,隸屬度函數中心c和寬度b可按(7)式進行修正:

(7)

其中,k為迭代次數;x分別為p、c、b;α為學習效率,直接決定了各參數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發生單相接地故障的特點,分別提取故障后暫、穩態的特征分量作為模糊神經網絡的樣本。提取暫態衰減直流分量作為網絡樣本輸入x1;提取暫態基波分量作為輸入x2;利用小波包能量熵極值原理,提取暫態能量熵最大的特征頻帶值作為輸入x3;根據有功分量法,提取穩態零序電流的有功功率作為樣本輸入x4。

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

模糊系統中隸屬度函數的物理意義在于輸入數值隸屬模糊集合的程度,在小電流接地系統發生單相接地故障后得到的樣本數據中,對應于輸入值對故障判別的能力程度。考慮到在不同相角下不同判據的判別能力不同,本文提出了根據輸入的x值的不同,設置不同大小的隸屬度初始參數b、c值,從而體現出不同判據對故障判別能力的不同。進而,將配網自身特點很好地嵌入算法中。

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

(11)

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

對于故障判別系數C值的設置,以衰減直流分量這一判據為例,為了體現在小相角下,該判據的判別能力要強于大相角下的情況,則令C11>C21。同理可得C12>C22，C13

將λ值作為模糊神經網絡隸屬度函數y,可得:

(12)

計算得到c和b的值即為不同相角、不同判據下的初始參數,用來作為高斯函數的初始中心與寬度。

4仿真與結果分析

在Matlab/Simlink仿真環境下,搭建的中性點經消弧線圈接地的小電流接地系統仿真模型如圖3所示。相應數據處理的流程圖如圖4所示。

圖3　小電流接地系統仿真模型

圖4　數據處理流程圖

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

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

將網絡初始化,設定模糊規則數為8,學習效率α=0.2,權系數初始值p=0.3。將各角度下線路1、2、3的判據值作為T-S模糊神經的輸入值。網絡系統采用多輸入單輸出結構,輸出表示該線路是否發生故障,故定義線路1、2,即非故障線路的期望輸出為0;線路3,即故障線路的網絡輸出為1。網絡隸屬度函數的中心c、寬度b的初始值根據上述規定計算,見表4所列。其中i=1,2,…,8,代表8條模糊規則數。

表1　小相角下訓練樣本值

表2　小、大相角下訓練樣本值

表3　大相角下訓練樣本值

表4　c、b初始值

在Matlab仿真環境下,搭建大、小相角下的仿真算法,完成對樣本的訓練后,為了驗證該方法的有效性及可行性,取不同線路發生單相接地故障,并計算不同相角下各線路的判據值組成檢測樣本進行測試,結果見表5所列。

表5　各線路檢測樣本輸出

在理論上,網絡輸出0表示非故障線路,1表示故障線路,但實際應用時不可能正好輸出0或1,故進行如下處理:當輸出小于0.3,代表0,表示線路無故障;當輸出大于0.8,代表故障線路。顯然,對于這樣的選取,并不會造成誤判。通過仿真結果分析可知,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%。結果表明該算法適用于任何故障時刻,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結論

基于小電流接地系統單相接地故障選線問題的復雜性,僅通過單一判據來進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行融合,運用模糊神經網絡進行故障選線,大大提高了選線算法的容錯性和可靠性。理論和仿真分析表明:

(1)充分利用發生故障后線路中的暫、穩態信息,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,提高了選線的可靠性與說服力。

(2)應用模糊神經網絡對特征分量進行處理,利用模糊神經網絡強大的學習表達能力以及對數據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)考慮到模糊系統中模糊隸屬度函數的物理意義,并結合小電流接地系統中各特征分量的特點,提出調節不同特征分量下隸屬度函數初始參數,來呈現不同相角下、不同分量對故障判別能力的不同。將各特征分量的特點最大化,并將該算法物理層面上的意義與配電網的特點有機結合起來,提高了模糊神經網絡在小電流接地系統中應用的可信度。

(4)該方法在不同相角下均具有很好的選線能力，對今后配電網自動化系統的發展,對更快速、準確的配網故障選線方法的提出具有一定的參考價值。

[參考文獻]

[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,李長凱,張華中,等.配電網單相斷線故障負序電流分析及選線[J].電力系統保護與控制,2009,37(9):35-38.

[4]程路,陳喬夫.小電流接地系統單相接地選線技術綜述[J].電網技術,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].中國電機工程學報,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.基于量子神經網絡和證據融合的小電流接地選線方法[J].電工技術學報,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].中國電機工程學報,2011,31(10):109-115.

[9]陳奎,韋曉廣,陳景波,等.基于樣本數據處理和ADABOOST的小電流接地故障選線[J].中國電機工程學報,2014,34(34):6228-6327.

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

[11]牛敬芳,肖本賢.基于GHM多小波和神經網絡的小電流接地故障選線[J].合肥工業大學學報:自然科學版,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].電網技術,2011,35(11):228-234.

[13]薛永端,張秋鳳,顏廷純,等.綜合暫態與工頻信息的諧振接地系統小電流接地故障選線[J].電力系統自動化,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故障選線[J].中國電機工程學報,2007,27(4):60-64.

[15]賈清泉,楊奇遜,楊以涵.基于故障測度概念與證據理論的配電網單相接地故障多判據融合[J].中國電機工程學報,2003,23(12):6-11.

[16]張俊芳,劉鵬.基于改進模糊神經網絡的配電網故障選線研究[J].電力系統保護與控制,2010,38(22):120-125.

[17]吳興華,周暉.基于減法聚類及自適應模糊神經網絡的短期電價預測[J].電網技術,2007,31(19):69-73.

(責任編輯張镅)

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

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

作者簡介：王磊(1978-),男,安徽阜陽人,博士,合肥工業大學副教授,碩士生導師.

doi:10.3969/j.issn.1003-5060.2016.06.007

中圖分類號:TM773

文獻標識碼：A

文章編號：1003-5060(2016)06-0750-06