基于時變時滯模糊雙曲神經(jīng)網(wǎng)絡的配電網(wǎng)故障定位方法的研究

邱力偉,關煥新，劉明威

(1.沈陽工程學院，遼寧 沈陽 110136；2.國網(wǎng)沈陽供電公司，遼寧 沈陽 110003)

不斷深入的電網(wǎng)建設加速了電網(wǎng)大規(guī)模區(qū)域性互聯(lián)的發(fā)展趨勢，但也促使電網(wǎng)連鎖性故障[1]發(fā)生的概率增大，對電力系統(tǒng)造成嚴重威脅。連鎖性故障大多由較小的故障引發(fā)，如某一繼電保護裝置的拒動或誤動、某段線路短路等，而電網(wǎng)的大規(guī)模互聯(lián)使微小的故障不斷傳播并加劇，最終導致電網(wǎng)的連鎖性故障，發(fā)生大規(guī)模停電事故。據(jù)統(tǒng)計，超過85%的連鎖性故障是由于未能及時確定配電網(wǎng)故障區(qū)域造成的[2]，因此，提高配電網(wǎng)的故障定位技術顯得尤為重要。配電網(wǎng)故障從發(fā)生到傳播擴大的時間極為短暫，小型故障幾秒內就可能發(fā)展為連鎖性故障，并且故障具有時變性特征，使配電網(wǎng)快速故障定位的難度劇增。

人工神經(jīng)網(wǎng)絡(Artificial Neural Networks,ANN)因其自組織、自適應和自學習的特點被廣泛應用于各個領域，在配電網(wǎng)故障診斷的應用中也發(fā)揮著越來越大的作用，大量專家學者對此進行了相關研究。2005年畢天姝[3]等提出將正交最小二乘算法擴展用于優(yōu)化徑向基函數(shù)神經(jīng)網(wǎng)絡參數(shù)，并將得到的新型徑向基函數(shù)神經(jīng)網(wǎng)絡成功應用于配電網(wǎng)故障診斷問題。但是，該方法的診斷速度一般，并未考慮故障特征的時變性；2008年劉超[4]等人提出運用量子神經(jīng)網(wǎng)絡進行配電網(wǎng)故障定位的算法，借鑒量子力學的相關概念，不斷更新各層神經(jīng)元的連接權以及隱含層各神經(jīng)元的量子間隔，達到提高故障定位容錯性的目的。但是訓練速度過慢，也未考慮故障特征的時變性；2017年邱路[4]等人將小波奇異熵與自組織特征映射神經(jīng)網(wǎng)絡相結合，提出一種能夠適應微電網(wǎng)系統(tǒng)拓撲結構變化情況的故障診斷方法。該方法雖然不受故障位置、故障時刻等因素的影響，但是仍然沒有考慮故障特征的時變性。

上述文獻采用的配電網(wǎng)故障診斷方法均能有效診斷配電網(wǎng)故障，但均未考慮配電網(wǎng)的故障的時變特性。本文建立時變時滯模糊雙曲神經(jīng)網(wǎng)絡[6](Time-varying Delay Fuzzy Hyperbolic Neural Network,TDFHNN)的模型，并首次將其應用于配電網(wǎng)故障診斷，與上述方法相比，能夠快速有效地診斷配電網(wǎng)故障，并且考慮到了配電網(wǎng)故障特征的時變性以及時滯特性。

1 時變時滯模糊雙曲神經(jīng)網(wǎng)絡

1.1 TDFHNN的拓撲結構

圖1 TDFHNN拓撲結構

在圖1所示的時變時滯模糊雙曲神經(jīng)網(wǎng)絡拓撲結構中，定義f1(x)=tanh(x),f2(x)=x；定義Kx=diag(k1,k2,…,kn)為模糊隸屬函數(shù)[7]Pxj與Nxj的中心；aij與bij(i,j=1,2,…,n)表示從輸出層的第i個節(jié)點到隱層的第j個節(jié)點的常量連接權和常量時滯連接權；d1,d2,…,dn>0為常量；τjlj(t)>0(i,j=1,2,…,n,lj=0,1,…,ωj)組成的τ(t)表示時變傳輸時滯；I1,I1,…，In表示閾值。

1.2 TDFHNN的實現(xiàn)

TDFHNN是一種前饋的三層網(wǎng)絡，因此可以通過前饋學習方法對其連接權進行訓練，本文選擇BP算法[4]，但是其實現(xiàn)過程與傳統(tǒng)的BP算法有所區(qū)別，具體訓練步驟如下。

a. 初始化權值。類似于文獻[8]一類的經(jīng)典BP神經(jīng)網(wǎng)絡可以隨機賦予權值初值，但是TDF-HNN本質上是模糊模型，其初值不可以隨機選取，必須由專家系統(tǒng)選擇初值。

b. 確定結構參數(shù)以及定義變量。確定訓練樣本個數(shù)，本文擬定訓練樣本個數(shù)為n；輸入變量xi(t)(i=1,2,…,n)，神經(jīng)網(wǎng)絡第n次迭代后輸出變量為yi(t)(i=1,2,…，n)；設定期望輸出為ξi(t)(i=1,2,…，n)；設定誤差精度e。

c. 輸入訓練樣本，樣本構建見1.3。

d. 正向傳播。將構建的訓練樣本輸入xi(t)(i=1,2,…,n)帶入模型，計算出網(wǎng)絡的輸出yi(t)(i=1,2,…,n)，并求得與期望值ξi(t)(i=1,2,…,n)的誤差E(n)。

(1)

式(1)為誤差計算公式，訓練過程中期望值與輸出值的誤差E(n)處理方法如下：

如果E(n)>e，則轉至環(huán)節(jié)e;

如果E(n)≤e，則轉至環(huán)節(jié)f。

(2)

ωij(n+1)=ωij(n)+Δωij(n)

(3)

式中：ωij(n)表示網(wǎng)絡的連接權符號，ωij(n)是多個權值的集合而不是單一的權值；ηi(n)表示網(wǎng)絡的學習效率，其選取方法如下：

ηi(n+1)=ληi(n)

(4)

式中：λ的取值遵循以下規(guī)則：E(n)>E(n+1)時，λ∈(1.2，1.6)；E(n)

新的參數(shù)計算完成后帶入環(huán)節(jié)c繼續(xù)循環(huán)，直至達到指定誤差精度e。

f. 算法終止。為了更加形象地說明該算法的具體步驟，本文建立了算法流程圖如圖2所示。

2 仿真分析

2.1 配電網(wǎng)故障模型

首先構造一簡單的配電網(wǎng)絡如圖3所示，該網(wǎng)絡分為7個區(qū)域(S1-S7)。均配有過電流保護(CP1-CP7)，S1和S5配有距離保護(DP1、DP5)。

圖2 算法流程

圖3 配電網(wǎng)拓撲模型

根據(jù)圖3構造故障決策表(即訓練樣本)見表1，表1中數(shù)字“1”代表斷路器動作或保護動作，“0”表示斷路器未跳開或保護未動作。

2.2 訓練結果

電網(wǎng)模型對應的故障決策表見表1，共16組訓練樣本。表中有 QF1-CP5 共16個條件屬性，因此定義輸入變量為16個，神經(jīng)網(wǎng)絡層數(shù)為3；輸出神經(jīng)元個數(shù)為8，對應8個故障診斷結果；隱含層神經(jīng)元個數(shù)取32。對TDFHNN進行訓練，訓練結果見表2。

表1 配電網(wǎng)故障決策表

表2 訓練結果

2.3 性能分析

為了驗證TDFHNN性能的確優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡，本文構造了含有保護裝置誤動信息的9個故障樣本如表3所示，對照表3可知，樣本1和9是斷路器誤動，樣本2是過流保護裝置誤動，樣本3-8是斷路器拒動。然后，分別使用本文構造的TDFHNN以及文獻[9]構造的BP神經(jīng)網(wǎng)絡對表3所示的故障樣本進行故障定位。表4為2種神經(jīng)網(wǎng)絡對樣本的診斷結果，圖4為誤差的變化曲線。

表3 故障樣本信息表

表4 TDFHNN與BP神經(jīng)網(wǎng)絡的診斷結果

由表4診斷結果可以看出，對存在一定錯誤信息樣本的診斷結果，TDFHNN明顯優(yōu)于BP神經(jīng)網(wǎng)絡。主要表現(xiàn)在TDFHNN對各個樣本都可以較好地識別，而傳統(tǒng)BP神經(jīng)網(wǎng)絡僅能識別出樣本2的故障。

圖4 誤差的變化曲線

由圖 4 可知，60個學習步長時，TDFHNN誤差已經(jīng)趨于0，而傳統(tǒng)BP神經(jīng)網(wǎng)絡的誤差值仍然很大，且比之BP神經(jīng)網(wǎng)絡，TDFHNN誤差的收斂速度也很快。

3 結束語

本文構造時變時滯模糊雙曲神經(jīng)網(wǎng)絡的拓撲結構，并論述了其實現(xiàn)方法。首次將其應用于配電網(wǎng)故障定位，用仿真分析證明了該方法的容錯性與優(yōu)越性。仿真結果證明了本方法可以適用于配電網(wǎng)容錯性故障定位，為今后配電網(wǎng)故障定位的研究提供了一定的借鑒。