可評價保護系統動作行為的雙重神經網絡電網故障診斷模型

魏沖沖， 熊國江， 陳錦龍， 張 耀

（1.貴州大學電氣工程學院，貴陽 550025；2.貴州電網有限責任公司電力調度控制中心，貴陽 550002）

0 引言

故障診斷是實現智能電網自愈功能的基礎［1］。迅速準確地診斷電網故障對減少故障停電時間，避免事故擴大，快速恢復正常供電具有重要意義［2］。

近年來，為有效提高電網故障診斷水平，國內外學者開展了大量研究工作，提出了多種先進、高效的診斷方法，包括專家系統［3］、Petri 網［4-6］、脈沖神經膜系統［7-8］、優化技術［9-11］、人工神經網絡［12-13］等方法。專家系統因可有效地分配利用專家的各種知識經驗，具有較強的診斷推理能力和故障解釋能力，但是對它的知識庫，卻難以進行更新和維護，故障容錯率低；Petri網診斷模型推理求解過程較為簡單，且它的透明度比較高，但因其復雜的結構，使得建模難度比較高；脈沖神經膜系統具有比較可靠的動態性能，但是泛化能力有待提高；基于優化技術實現的故障診斷方法可充分利用相關的數學原理，易于通過編程技術實現，但一些不確定的動作警報信息制約了模型準確度的進一步改善。相比于上述故障診斷方法，基于人工神經網絡的故障診斷方法學習能力很強，只要樣本充足可靠，就能得到正確的結果，該方法具有高容錯、強泛化等特點，近些年來在電網故障診斷中得到了深入的研究。

基于人工神經網絡的故障診斷方法是以電網發生故障時候的信息為樣本對模型進行訓練，運用該算法良好的自適應能力和非線性映射能力，得出相應的故障診斷規則，使輸入與輸出之間建立起映射關系，保證能準確地診斷出電網故障。文獻［12］中較為詳盡地闡述了使用反向傳播（Back Propagation，BP）神經網絡實現電網故障快速定位的算法流程以及各項參數的設定方式，并驗證了該方法的有效性，但存在學習效率不高、訓練過程可能會陷入局部最優，且沒有關注故障后繼電保護系統的不正確動作。文獻［13］中在神經網絡訓練過程中利用動量系數來優化連接權值的收斂，同時也為顯著提高網絡的學習效率，采用自適應學習系數調整算法。文獻［14-16］中在神經網絡訓練過程中，分別采取遺傳算法和混沌粒子群算法進行優化來降低網絡的學習誤差，提高故障診斷的容錯性。文獻［17］中提出了一種基于Elman 神經網絡的電網故障診斷方法，主要是為應對電網發生故障時的時變現象。該神經網絡能夠反應系統動態性能并能保存相關數據，提高故障診斷的準確性、實時性。

上述模型為提高電網故障診斷的可信度，從不同角度出發建模并取得了一些成果，但卻忽略了對故障后繼電保護系統的評價：繼電保護系統動作評價有著重要實用價值，它主要解決怎樣能提高調度中心信號的準確性和壓縮報警信息［20］。通過評價可獲知哪些保護以及斷路器存在拒動、誤動的風險，這些設備就不能再繼續投入運行，及時維護或者替換這些保護設備，有利于電力系統可靠安全的運行。

針對評價繼電保護系統動作行為，目前的研究還比較少，文獻［21］中在診斷出故障元件后，通過將警報信息與電網3-D矩陣進行對比來評價保護和斷路器的動作邏輯，但該方法無法對不正確動作的發生進行量化。

基于此，本文提出可評價保護系統動作行為的雙重BP神經網絡電網故障診斷模型。該模型采取分階段實施故障診斷的方法，第1 階段可根據數據采集與監控系統（Supervisory Control and Data Acquisition，SCADA）提供的報警信息來判斷故障發生的位置，第2階段根據從SCADA系統接收的報警信息以及第1 階段診斷出的故障元件來量化評價保護系統的動作行為，使得故障診斷系統功能更完善。算例仿真結果表明了該改進模型的正確性。

1 BP神經網絡

BP神經網絡，是一個根據誤差來實現BP 算法訓練的多層前饋型神經網絡。目前，作為一個使用較為成熟和普遍的人工神經網絡，它能夠建立起由輸入到輸出之間的任意復雜的非線性映射，泛化能力相當強大。

BP神經網絡一般由含有若干個神經元的輸入層、輸出層以及一個或多個隱藏層組成，層間通過神經元的權連接進行聯系。最基本、最具有典型特征的BP神經網絡如圖1 所示，具有3 層網狀結構。BP神經網絡的學習訓練過程主要涉及網絡的正向傳播和反向調整2 個部分：正向傳播是輸入信息傳到輸入層，再到隱藏層，最后傳到輸出層；若正向傳播計算的輸出與期望的輸出之間存在誤差，則將誤差信號進行反向傳播，利用梯度下降法來調整權值和閾值，直到輸出滿足要求。這樣當學習訓練過程完成后，就可獲得一個穩定的網絡結構和相對應的連接權值，就可一次又一次地對未知信息樣本進行預測。文獻［12］中詳盡地介紹了BP神經網絡的學習算法。

圖1 BP神經網絡結構

2 雙重BP神經網絡

2.1 雙重BP神經網絡故障診斷系統結構

電網的故障診斷通常是由SCADA 系統提供保護和斷路器信息，并通過對信息的處理來判別電力系統中故障元件位置、故障類型和保護系統不正確動作的裝置。其中，故障元件的識別是關鍵，現階段基于BP神經網絡的故障診斷模型大部分都是以此為目標，專注提高元件是否故障的可信度。故障診斷過程遠遠不只識別故障元件，及時判別不正確動作的保護裝置也是診斷環節中不可缺少的一環。

繼電保護裝置能否正確、快速切除故障，直接影響著電力系統的穩定運行，繼電保護的些許錯誤，有極大可能對電網的穩定運行造成重大影響，嚴重的還可能會造成系統崩潰［22］。及時評價保護系統動作行為，就可及時發現保護系統裝置是否存在拒動、誤動的風險，讓相關人員盡快處理這些不正常的繼電保護裝置，使得繼電保護裝置處于正常運行狀態，保證系統安全可靠的運行。

基于現有研究思路，在識別故障元件，BP 神經網絡故障診斷模型已相對成熟。本文將在此基礎上采取分階段診斷的方法來達到識別故障元件、判別不正確動作裝置的目的。診斷系統結構如圖2 所示。

圖2 故障診斷系統結構

在實時故障診斷之前，要完成對改進模型的學習、訓練。根據電網的部分故障樣本信息，完成兩個BP神經網絡模塊的學習訓練過程。其中第1 重BP 神經網絡是以保護系統的動作信息作為輸入（“1”為保護或斷路器動作，“0”為未動作），故障元件信息作為輸出（“1”為元件發生故障，“0”為未發生）。

第2 重BP神經網絡是以保護系統動作信息以及故障元件信息作為輸入，保護系統不正確的動作信息作為輸出，為可區分保護系統動作行為的3 種動作情況：正確動作、誤動和拒動，在訓練過程中，正確動作用“0”表示，誤動用“1”表示，拒動用“-1”來表示。

分別對第1、2 重BP 神經網絡進行訓練，可得到實現理想輸出結果時對應的神經網絡結構以及神經元之間的連接權值和閾值。

當電網故障發生后，首先應該提取SCADA 系統收集到的警報信息，隨后進行分析與預處理：對收集到的警報信息進行分組、歸并，將其轉換為診斷系統能識別的二進制數，其中“1”為動作的保護或斷路器信息，“0”為未動作；經過預處理的故障警報信息可自動進入第1 重BP 神經網絡診斷處理，將直接得到故障元件可信度。

將故障元件的可信度信息作為第2 重BP 神經網絡的輸入信息時，需對其進行處理：在診斷故障元件時，其可信度值大于0.5［7］認為故障發生，其余情況認為不發生故障，據此，將故障元件信息轉化為診斷系統能識別的二進制數，其中“1”為故障發生，“0”為沒有故障。

將故障元件信息與經預處理的故障警報信息一起作為第2 重BP 神經網絡的輸入信息，經該模塊診斷后，得到對保護動作的評價信息。（可信度值大于0.5時，認為保護裝置發生誤動，其值小于-0.5 時認為發生拒動），通過對故障結論的綜合處理，將診斷的元件以及保護系統動作的評價信息匯總，得到一份完整的故障診斷報告。

2.2 雙重BP神經網絡故障診斷流程

具有評價保護系統動作行為的雙重BP 神經網絡的電網故障診斷流程如圖3 所示。

圖3 故障診斷系統工作流程

當電網發生故障時，將SCADA 系統收集到的實時數據（保護和斷路器動作信息）進行預處理，經過第1、2 重BP神經網絡診斷模塊，依次計算出相應的故障元件以及不正確的動作信息，經過對故障結論的綜合處理，對診斷結果進行整理、輸出，完成整個診斷過程。

3 仿真分析

3.1 仿真系統

本文以圖4 所示的一個簡單的配電系統［14］模型作為仿真系統。系統大體可分為5 個區域（Sec1～Sec5），每個區域都配有過流保護（CO1～CO5）和距離保護（RR1、RR3）。

圖4 簡單配電系統結構

3.2 雙重BP神經網絡的訓練

針對圖4 所示的配電系統，第1 重BP神經網絡是以診斷故障區域為目的，以配電系統中保護和斷路器動作信息作為輸入，輸入層節點數為12，輸出層節點數為5，其值表示5 個區域是否故障。

該雙重BP神經網絡是以第1 重的診斷結果作為第2 重輸入數據作為連接，其目的是在診斷出故障區域時，可評價保護系統動作行為，第2 重的輸入信息對應的是某故障發生時5 個區域的狀態信息及該故障發生時過流保護、斷路器和距離保護的動作信息，輸入層節點數為17，輸出量對應的是對保護系統動作的評價信息，輸出層節點數為12。

3.3 算例仿真

為驗證本文故障診斷方法的正確性以及有效性，進行了大量的實驗仿真，其中部分故障情況較為嚴重的測試樣本見表1。

表1 測試樣本

算例1單一故障（保護或斷路器誤動）。測試樣本1、2 的診斷結果列于表2。由診斷結果可知，當電網故障發生后，因某種原因（如信息傳輸干擾）使得保護系統發生誤動，本文的故障診斷方法不僅能正確地診斷出故障區域，且能對保護系統動作行為做出有效評價。

表2 單一故障存在保護或斷路器誤動的診斷結果

算例2單一故障（保護或斷路器拒動）。表3 為樣本3 ～5 的故障診斷輸出。由表3 可知，當故障發生后，存在保護或斷路器拒動的情況，本文方法仍能有效診斷出故障區域，還可評價保護系統的動作行為。

表3 單一故障存在保護或斷路器拒動的診斷結果

算例3多重故障伴隨拒動或誤動。多重故障對電網故障診斷技術的要求更加嚴格，尤其是保護和斷路器存在著拒動、誤動等復雜情況，就需要故障診斷方法具備較好的故障容錯。雙重BP 神經網絡診斷方法對于電網發生復雜故障時仍具有不錯的效果，見表4。

表4 多重復雜故障的診斷結果

4 結語

本文對傳統BP神經網絡電網故障診斷模型進行了改進，通過多增加一重BP 神經網絡，使模型能在故障發生后，不僅可有效診斷故障發生區域，而且可對相關的保護系統動作行為進行評價。在評價保護系統動作行為中，利用“0”“1”“-1”對保護和斷路器正確動作、誤動、拒動情形進行編碼，使神經元可準確表達3種狀態。通過算例仿真得到平均故障置信度為0.8477，保護系統平均誤動置信度為0.6102，平均拒動置信度為-0.7961。仿真結果表明，針對不同類型的樣本，包括單一故障存在保護或斷路器誤動、單一故障存在保護或斷路器拒動以及多重故障伴隨拒動或誤動，改進模型均可準確診斷，充分表明了改進模型的正確性和合理性。