基于5次諧波能量和LM
—Elman的配電網(wǎng)單相故障選線

孫其東，　張開如，　宋祥民，　李麗明，　馬慧，　王毅

(1.山東科技大學(xué) 電氣與自動化工程學(xué)院， 山東 青島　266590；2.國網(wǎng)山東濰坊寒亭供電公司， 山東 濰坊　261100)

?

基于5次諧波能量和LM
—Elman的配電網(wǎng)單相故障選線

孫其東1，張開如1，宋祥民1，李麗明2，馬慧2，王毅1

(1.山東科技大學(xué) 電氣與自動化工程學(xué)院， 山東 青島266590；2.國網(wǎng)山東濰坊寒亭供電公司， 山東 濰坊261100)

摘要：針對傳統(tǒng)的基于5次諧波的幅值比較選線法準(zhǔn)確率低的問題，提出了基于5次諧波能量和LM-Elman的配電網(wǎng)單相故障選線方法。首先利用小波包對配電線路零序電流中的5次諧波進行3層分解和重構(gòu)，求出第3層重構(gòu)的小波系數(shù)的總能量；然后將歸一化處理后的能量值作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，采用LM算法進行訓(xùn)練和測試。仿真結(jié)果表明，該方法能夠準(zhǔn)確地判斷配電網(wǎng)的故障線路。

關(guān)鍵詞：故障選線； 5次諧波能量； Elman神經(jīng)網(wǎng)絡(luò)； LM算法

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/32.1627.TP.20160803.1006.015.html

0　引言

在配電網(wǎng)絡(luò)系統(tǒng)中，單相接地故障占所有故障的80%以上。如果單相接地短路故障沒有及時發(fā)現(xiàn)，可能發(fā)展成兩相甚至三相短路故障，對電力系統(tǒng)正常運行產(chǎn)生巨大威脅，因此，快速而準(zhǔn)確地發(fā)現(xiàn)和消除故障顯得十分重要。當(dāng)配電網(wǎng)發(fā)生單相接地故障時，由于發(fā)生故障點的電流很小，目前基于5次諧波幅值的穩(wěn)態(tài)分量故障選線方法很難準(zhǔn)確地判斷所發(fā)生的故障線路[1]。

本文提出基于5次諧波能量與LM-Elman的配電網(wǎng)單相故障選線方法。首先利用小波包對各線路零序電流的5次諧波進行3層小波包分解與重構(gòu)，對第3層重構(gòu)系數(shù)進行能量計算，得出5次諧波能量值；然后把經(jīng)過歸一化處理的能量值作為Elman神經(jīng)網(wǎng)絡(luò)的輸入，采用LM算法進行訓(xùn)練與測試。仿真結(jié)果表明，該方法能夠準(zhǔn)確地進行故障選線。

1　小波包分解及其能量計算

小波包分解其實是把信號在時間-頻率平面上一分為二的過程。小波包分解不但能夠?qū)π盘柕皖l部分進行分解，而且還能對信號高頻部分進行分解，比小波分解更為精細和精確[2-6]。考慮到利用小波包對線路零序電流進行分解的時候，隨著小波包分解層數(shù)增加，零序電流所包含的信息的完整性不斷遭到破壞，因此，選擇db3小波包基對零序電流進行3層小波包分解。

零序電流經(jīng)第i層分解后的小波包系數(shù)為S(i,0),S(i,1),…,S(i,2i-1)，其所對應(yīng)的能量為

(1)

零序電流小波包的總能量為

(2)

2　Elman神經(jīng)網(wǎng)絡(luò)與LM算法

Elman神經(jīng)網(wǎng)絡(luò)是一種計算能力很強的反饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層、承接層和輸出層組成，比BP神經(jīng)網(wǎng)絡(luò)多一個承接層[7-10]。承接層從隱含層獲取反饋信號，存儲隱含層前一個時刻的輸出值。承接層神經(jīng)元的輸出經(jīng)過延遲和存儲后作為隱含層的輸入，因此，承接層對歷史數(shù)據(jù)非常敏感。

LM算法結(jié)合了牛頓法與梯度下降法，其基本思想是不讓每一次的迭代朝著單一的負梯度方向，但是允許誤差朝著惡化的方向進行搜索，在最快速度下降法與高斯牛頓法之間自適應(yīng)調(diào)整，以優(yōu)化網(wǎng)絡(luò)權(quán)值，進而提高網(wǎng)絡(luò)收斂性。

3　仿真模型與故障分析

建立一個具有三回出線的10 kV中性點經(jīng)過消弧線圈接地的配電網(wǎng)模型，如圖1所示。輸電線路的正序參數(shù)：電阻為0.013 Ω/km，電感為0.93 mH/km，電容為12.7 μF/km；零序參數(shù)：電阻為0.39 Ω/km，電感為4.13 mH/km，電容為7.8 μF/km；輸電線長度：L1=130 km，L2=150 km，L3=1 km，L4=129 km；線路負載1、負載2、負載3、負載4的有功負荷分別為0.9，0.4，1.8，0.2 MW。

圖1　配電網(wǎng)仿真模型

設(shè)0.01 s時線路3在5 km處發(fā)生A相接地短路故障，0.1 s結(jié)束，算法采用ode15s，消弧線圈的RL參數(shù)設(shè)置為R=25 Ω，L=0.87 H。在Matlab中對零序電流的5次諧波進行3層小波包分解。線路1，2，3零序電流的5次諧波第3層重構(gòu)系數(shù)S30—S37如圖2所示。

(a) 線路1

(b) 線路2

(c) 線路3

圖2零序電流的5次諧波第3層小波包重構(gòu)系數(shù)

根據(jù)式(1)和式(2)計算總能量及零序電流的5次諧波能量值。線路發(fā)生單相接地故障時，各線路零序電流的5次諧波能量值見表1。

表1　各線路零序電流的5次諧波能量值

發(fā)生單相接地故障時，用mapminmax函數(shù)對線路的5次諧波能量值進行歸一化處理，處理后的數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡(luò)輸入。線路1故障、線路2故障、線路3故障、母線故障的理想輸出分別設(shè)置為1000 ，0100，0010，0001。隱含層神經(jīng)元數(shù)目選為10，訓(xùn)練函數(shù)采用traingdx函數(shù)，網(wǎng)絡(luò)訓(xùn)練目標(biāo)誤差值設(shè)為0.01。基于梯度下降自適應(yīng)學(xué)習(xí)的Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果如圖3所示。同時，采用LM-Elman神經(jīng)網(wǎng)絡(luò)與之進行對比，訓(xùn)練函數(shù)選擇trainlm函數(shù)，LM-Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果如圖4所示。對比圖3和圖4可以看出，與基于梯度下降自適應(yīng)學(xué)習(xí)的Elman神經(jīng)網(wǎng)絡(luò)相比，LM-Elman神經(jīng)網(wǎng)絡(luò)具有收斂速度快、誤差小的特點。為了驗證LM-Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，取其中的3組樣本進行測試，測試樣本見表2。

圖3　基于梯度下降自適應(yīng)學(xué)習(xí)的Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

圖4　LM-Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果

故障線路初相角/(°)故障距離/km接地電阻/Ω各線路能量值/J線路1線路2線路3線路105101798989線路2303106915687線路33021008788158

將樣本進行歸一化處理后，測試結(jié)果如下所示：

輸出的結(jié)果與預(yù)期設(shè)定的1000，0100，0010比較相吻合，由此可以判斷出故障線路依次為線路1、線路2、線路3，選線結(jié)果正確。

4　結(jié)語

搭建了配電網(wǎng)單相接地故障仿真模型，提出了基于5次諧波能量與LM-Elman的配電網(wǎng)單相故障選線方法，解決了傳統(tǒng)的基于5次諧波幅值比較選線法準(zhǔn)確率低的問題。與基于梯度下降自適應(yīng)學(xué)習(xí)的Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法相比，LM-Elman神經(jīng)網(wǎng)絡(luò)具有收斂速度快、誤差小的特點。

參考文獻：

[1]郭清滔，吳田.小電流接地系統(tǒng)故障選線方向綜述[J].電力系統(tǒng)保護與控制，2010,38(2):146-152.

[2]唐友懷,張海濤,羅珊,等.基于小波包能量譜分析的電機故障診斷[J].國外電子測量技術(shù),2008,27(2):54-57.

[3]畢研秋，趙建國.基于暫態(tài)量和小波包的配電網(wǎng)故障選線方法[J].電力自動化設(shè)備，2007,27(6):17-21.

[4]唐貴基,蔡偉.應(yīng)用小波包和包絡(luò)分析的滾動軸承故障診斷[J].振動、測試與診斷,2009,29(2):201-204.

[5]許小剛,王松嶺,劉錦廉.基于小波包能量分析及改進支持向量機的風(fēng)機機械故障診斷[J].動力工程學(xué)報,2013,33(8):606-612.

[6]李美蓉,公茂法,公政,等.利用小波包能量區(qū)分變壓器內(nèi)外部故障[J].電測與儀表,2015,52(16):21-24.

[7]趙建軍,張月陽,梁威.Elman神經(jīng)網(wǎng)絡(luò)在高壓電力計量系統(tǒng)故障診斷中的應(yīng)用[J].電測與儀表,2014,51(13):1-4.

[8]湯寶平,習(xí)建民,李鋒.基于Elman神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機械故障診斷[J].計算機集成制造系統(tǒng),2010,16(10):2148-2152.

[9]朱文,侯北平.小波包與神經(jīng)網(wǎng)絡(luò)在電機故障診斷中的應(yīng)用研究[J].電氣自動化,2006,28(1):10-11.

[10]陳小明,洪軍,閻海紅,等.基于Elman神經(jīng)網(wǎng)絡(luò)的振鏡掃描系統(tǒng)誤差校正技術(shù)研究[J].西安交通大學(xué)學(xué)報,2006,40(5):587-590.

收稿日期：2016-03-23；修回日期：2016-06-17；責(zé)任編輯：胡嫻。

基金項目：“十二五”國家科技支撐項目(2012BAB13B04)。

作者簡介：孫其東(1990-)，男，山東棗莊人，碩士研究生，研究方向為電力系統(tǒng)自動化，E-mail:2801671745@qq.com。

文章編號：1671-251X(2016)08-0061-04

DOI:10.13272/j.issn.1671-251x.2016.08.015

中圖分類號：TD611

文獻標(biāo)志碼：A網(wǎng)絡(luò)出版時間：2016-08-03 10:06

Research of single-phase fault line selection of power distribution network based on fifth harmonics energy and LM-Elman neural network

SUN Qidong1，ZHANG Kairu1，SONG Xiangmin1，LI Liming2,MA Hui2,WANG Yi1

(1.College of Electrical Engineering and Automation, Shandong University of Science and Technology, Qingdao 266590, China;2.State Grid Shandong Weifang Hanting Power Corporation, Weifang 261100, China)

Abstract:In view of the problem of low accuracy of amplitude comparing line selection method based on traditional fifth harmonic, a single-phase fault line selection method of power distribution network based on fifth harmonics energy and LM-Elman neural network was proposed. Firstly, wavelet packet was used for three-layer decomposition and reconstruction of fifth harmonics in zero-sequence current, and the total energy of the third layer reconstructed wavelet coefficients was obtained; then normalized energy values were used as input of Elman neural network, LM algorithm was used for training and testing. The simulation results show that the method can accurately select fault line in distribution network.

Key words:fault line selection; fifth harmonics energy; Elman neural network; LM algorithm

孫其東，張開如，宋祥民，等.基于5次諧波能量和LM-Elman的配電網(wǎng)單相故障選線[J].工礦自動化，2016,42(8)：61-64.