基于小波SOM神經網絡和多Agent系統的微電網故障診斷方法?

孫 波 黃建波 陸 潔 王 軒

（國網淮安供電公司 淮安 223002）

1 引言

微電網是分布式發電、儲能設備、負荷和其他設備集成在一起的小型配電系統。這是分布式電源接入電網的一種有效方法。它具有靈活的操作方式和各種拓撲結構特點。目前，微電網系統的研究主要集中在控制和能量管理［1～4］，而微電網系統故障診斷的研究較少。

文獻［5］提出了一種利用改進蟻群算法和模糊Petri網進行風力發電微電網仿真系統故障診斷的方法。文獻［6］在診斷規則的基礎上，建立了微電網故障診斷的分析模型。文獻［7］為微電網的拓撲識別設計了Agent和MAS體系結構，并在此基礎上提出了一種基于petri網和先進的petri網的故障診斷模型。文獻［8］基于模糊神經網絡對低壓配電網的故障定位算法進行了研究。文獻［9］對微電網基礎設施的故障診斷方法進行了總結。

基于上述研究成果，本文提出了一種將小波SOM神經網絡與多Agent系統相結合的微網系統故障診斷方法，仿真結果證明了該方法在微電網故障診斷上的可行性，且該方法具有不受故障位置、故障時間等因素的影響，對微網拓撲結構的變化具有較好的適應性等優勢。

2 小波奇異熵

小波變換可以將信號分解為一系列小波函數，可以在時域和頻域上反映信號［10］。這是分析靜止信號或信號奇異性的有效方法，它常用于有瞬態信號的故障條件［11］。

矩陣特征可以通過特征值分解得到，但矩陣必須是一個方陣。實際上大多數矩陣都不是方陣，但是小波奇異分解是一種對任何矩陣都適用的方法［12～13］。如果 A是一個 M×N矩陣，U是一個 M×M方陣，Σ是一個M×N矩陣，VT是一個N×N矩陣，那么任何M×N矩陣A的奇異值分解都可以表示為

通過信號小波變換得到的系數矩陣可以分解為DM×N矩陣。矩陣DM×N可以反映原始系數矩陣的基本特征。此時必須有矩陣和Vl×N。

在對角矩陣 Rl×l中的主對角元素是矩陣 DM×N的奇異值，若矩陣DM×N反映瞬態信號的時間頻率信息，則矩陣rι˙可以表示矩陣DM×N的基本模態特性。為了描述信號的頻率分量和分布特性，小波奇異熵定義如下：

在實際電網故障診斷工作中，由于多種干擾因素的影響，直接使用采集數據通常無法直觀確定故障位置或者故障原因。小波奇異熵可以反映分析信號能量分布的隨故障的變化而變化的不確定性。當故障發生時，故障相位的不確定度大于非故障相位的不確定度，因此利用小波奇異熵進行故障診斷在理論上具有可行性［14］。

3 基于Som神經網絡和多Agent系統的微電網故障診斷方法

3.1 SOM神經網絡

SOM神經網絡由輸入層和競爭層組成。輸入層神經元是一個一維的N個節點，競爭層也是輸出層、節點被安排在二維的形式與M神經元，神經元在輸入層和競爭層連接的權重，這是外部輸入的連接權值。在競爭層神經元之間也有權值的連接，它的權值反映了神經元之間的相互作用［15］。

圖1 SOM神經網絡模型

SOM神經網絡可以在沒有外部幫助的情況下通過自組織學習來顯示競爭層的分類結果。SOM神經網絡通過對輸入方式的重復學習，實現對連接權重的空間分布密度和輸入模式的概率分布的收斂。

3.2 多Agent系統

多Agent系統由多個分布在不同位置的Agent單元組成，這些Agent單元可以由不同的軟件和硬件平臺來實現。每個Agent單元可以獨立解決有限的問題。通過與其他Agent進行交互，它可以解決復雜的問題［16］。

本文設計的一種基于多Agent系統的動態網絡拓撲結構識別故障診斷模型包括三個部分：監視器Agent、ID Agent和Aco。系統模型如圖2所示。

圖2 多Agent系統模型

監視器Agent對環境的節點數進行監控，記錄當前正在運行的節點數Max（i），i=（1，2，……，N）。然后激活與當前運行節點數量相同的ID Agent，每個激活的ID Agent對應正在運行的節點。當外部環境中的節點數量發生變化時，當環境中的節點數量發生變化時，根據Max（i）的值相應地對ID Agent的數量進行修改。

在ID Agent層，通過識別每個ID Agent的所有鄰居Agent，將鄰居Agent矩陣轉移到Aco。

在Aco層，得到最終的拓撲識別矩陣。該矩陣是當前系統的拓撲結構的數學表示形式，可以用來確定拓撲變化的位置和時間。

3.3 用于網絡拓撲監測的鄰居Agent的搜索算法

基于算法流程簡潔的考慮，假定網絡中數值包的丟失和干擾不考慮的；每個ID Agent至少有一個鄰居Agent；鄰居Agent矩陣中元素的值只能是0或1，0不是鄰居Agent，1是鄰居Agent，ID Agent自身的元素值是0。

算法步驟描述如下：

步驟1：根據監測代理監控的運行節點N的數量，建立相應的ID Agent，然后對其進行編號。每個ID Agent都有一個帶有隨機初始值的鄰居代理矩陣。

步驟2：所有ID Agent按序號按升序排列。

步驟3：以最小號為起始ID Agent的ID Agent，依次將1包的值發送給剩余的代理ID地址，此包只能由ID代理接收一次。

步驟4：如果目標ID、代理ID接收一個值為0，然后返回到啟動代理ID，則啟動ID代理將在鄰居矩陣元素集合用1中表示目標ID代理，否則設置為0。

步驟5：重復步驟4，直到確定初始ID代理鄰居矩陣中的所有值，然后將相鄰矩陣轉移到Aco。

步驟6：重復步驟3～步驟5，直到所有ID Agent將其鄰居代理矩陣轉移到Aco。

步驟7：完成。

3.4 基于SOM神經網絡和多Agent系統的微電網故障診斷方法

基于小波SOM神經網絡和多Agent系統的故障診斷模型如圖3所示。

基于圖3所示的模型，設計微電網故障診斷算法流程為：

步驟1：收集并存儲了不同運行模式下的低壓斷路器的三相電壓、母線三相電流、正常運行的零序電流和微電網系統故障。

步驟2：利用小波變換對采集到的信號進行分解，計算出每個信號的小波奇異熵。對同一運行狀態下的單信號小波奇異熵值進行求和，并對計算結果進行保存。

步驟3：使用第2步的保存的數據對SOM神經網絡進行訓練。

步驟4：根據設定的時間間隔，實時采集微網系統的低壓斷路器三相電壓、母線三相電流、零序電流等數據。對實時采集數據進行小波處理，處理后的數據是訓練完成的SOM神經網絡的輸入向量。根據SOM神經網絡的輸出狀態值，進行故障判斷。

圖3 故障診斷模型

步驟5：如果發生故障，微電網的拓撲結構發生變化的位置就是故障的位置。如果沒有發生故障，微電網拓撲結果的變化則表示電力設備的入網和退出運行。

4 仿真驗證

基于PSCAD微電網仿真系統如圖4所示。基于圖4對不同運行模式下微電網的狀態進行模擬分析。

多Agent系統的特征向量數據采用周期為100ms，采樣頻率為10kMhz。對采集到的信號進行小波分解，分別計算同一采樣周期內各特征向量的小波奇異熵的和作為SOM神經網絡的輸入特征向量。當在采樣周期內拓撲結構只改變一次時，典型采樣數據如表1所示。

對表1的數據進行分析，可以發現：S1～S3為正常運行狀態，電網負荷從60%逐漸增至額定負載；S4～S6為外部故障狀態，電網滿負荷工作；S7～S9出現不同位置的單相接地短路故障，電網滿負荷運行，3臺分布式電源分別停止運行；S10～S12為不同位置的AB相接地短路狀態，電網滿負荷運行，3個分布式發電設備分別停止運行。

圖4 微電網仿真系統圖

表1 SOM神經網絡的典型初始樣本

為了便于數據處理，對表1中的數據進行歸一化處理，并作為訓練數據輸入到SOM神經網絡中，優化調整權值。由于輸入特征向量為7，因此SOM神經網絡的輸入層有7個神經元，輸出層有49*（7*7）個神經元。

雖然樣本數據已經被初始分類了，但當訓練步驟為50步時，樣本數據不能單獨分類，所以初始分類不夠準確。當訓練步數達到300次時，樣本數據可以被單獨分類。SOM神經網絡的仿真訓練結果如圖5～圖7所示。

將實時采集數據輸入SOM神經網絡，每個狀態所對應的輸出為

已知故障模式和故障位置的測試樣本數據如表2所示。對這些樣本數據進行歸一化處理，并輸入SOM神經網絡進行故障預測計算，以驗證該故障診斷方法的可行性。

通過計算，樣本1的故障定位在12號線路，樣本2的故障定位在11號線路，樣本3的故障定位在6號線路。SOM神經網絡的輸出為Y=［7 3 43］。

圖5 初始輸出映射圖

圖6 完成訓練后的輸出映射圖

圖7 完成訓練后的神經網絡權向量圖

表2 已知故障樣本數據

利用多Agent系統對斷路器的監控識別微電網發生故障后的網絡拓撲結構。當把表2樣本數據所示的故障發生后，基于多Agent系統所識別的微電網拓撲結構變化如圖8所示。

圖8 對故障狀態下微電網拓撲的識別

由圖8可知，故障線路與樣本數據所對應的故障位置一致。

對另外100個發生在不同時間的故障樣本數據進行相同的仿真測試，得出以下測試結果：對其中25例正常運行的微電網樣本數據的仿真測試中，出現2例因工作負荷變化的誤判；對其中25例全負荷工作的外部電源故障的微電網樣本數據的仿真測試，出現1例誤判；對其中25例全負荷工作的A相接地短路故障的微電網樣本數據的仿真測試，測試中故障部位各不相同且3臺分布式發電設備分別失效，測試結果出現3次誤判；對其中25例全負荷工作的AB相接地短路的微電網樣本數據，測試中故障部位各不相同且3臺分布式發電設備分別失效，測試結果出現2次誤判。對這100例的仿真測試結果進行統計得出，采用本文所述的診斷方法的正確診斷率是92%。

5 結語

本文針對具有靈活運行模式和多種拓撲結構的微電網系統的故障診斷，提出了一種多Agent系統與小波自組織神經網絡相結合的故障診斷方法。仿真測試的結果表明，在一個采樣周期內，當微電網的拓撲結構只有一個變化時，該方法具有很好的適應性，不受故障位置或故障時間的影響。它可以減少小波SOM神經網絡的訓練樣本，準確判斷微電網故障定位和故障原因。在一個采用周期內出現多處微電網故障的拓撲識別以及故障診斷的研究將有待于進一步的研究。