最優解逼近下配電網線損故障診斷方法設計

摘要：針對單純以一次閾值思路計算引起線損異常導致故障診斷準確率不高問題，設計最優解逼近的配電網線損故障診斷方法。使用等效容量法計算配電變壓器容量的分配比值，并根據全網線損功率的變化情況計算接入DG后的配電網線損參數。搭建三層BP神經網絡結構，利用拓撲匹配方法對配電網的異常損耗進行匹配，當判定為異常狀態時，通過遺傳算法優化BP神經網絡的權重和閾值，對線損的異常類型進行標記和定位，得到線損異常點的定位結果，根據定位結果進行線損故障診斷。實驗結果表明，使用所提方法對配電網線損故障進行診斷，診斷準確率較高，具有較好的應用價值。

關鍵詞：配電網；線損故障診斷；遺傳算法-多層前饋網絡；全網線損功率；等效容量法

中圖分類號：TM726文獻標志碼：A文章編號：1001-5922（2024）10-0193-04

Design of a fault diagnosis method for line loss in distribution"network under optimal solution approximation

LI Lianhao1，LU Xin2，DU Ruihong3，WANG Qi4，LIU Zhulin5

（1.StateGridJibeiElectricPowerCompanyChengdePowerSupplyCompanyCo.，Ltd.，Chengde067000，HebeiChina；2. State Grid Jibei Electric Power Company Zhangjiakou Power Supply Company Co.，Ltd.，Zhangjiakou 075000，

Hebei China；3. Baoding Technical College of Electric Power，Baoding 071051，Hebei China；4. Longhua County

Power Supply branch Company of State Grid Jibei Electric Power Co.，Ltd.，Longhua 068150，Hebei China；

5.FengningCountyPowerSupplyCompanyofStateGridJibeiElectricPowerCo.，Ltd.，Fengning068150，HebeiChina）

Abstract：In order to solve the problem that the fault diagnosis accuracy is not high due to the abnormal line losscaused by the simple calculation of the primary threshold，a distribution network line loss fault diagnosis methodbased on optimal solution approximation was designed. The equivalent capacity method was used to calculate thedistribution transformer capacity allocation ratio，and the distribution network line loss parameters after connectingto DG were calculated based on the changes in the overall network line loss power. A three-layer BP neural networkstructure was constructed，and the topology matching method was used to match the abnormal losses of the distribu?tion network，when it was determined as an abnormal state，genetic algorithm was used to optimize the weights andthresholds of the BP neural network，mark and locate the abnormal types of line loss，calculate the average and stan?dard deviation of the line loss rate，and diagnose the line loss fault according to the positioning results. The experi?mental results show that using the proposed method to diagnose line loss faults in distribution networks has high di?agnostic accuracy and good application value.

Key words：distribution network；line loss fault diagnosis；genetic algorithm-back propagation；full network line"loss power；equivalent capacity method

由運行方式不精益、違規用電等原因造成配電網線損發生故障，在這些影響因素下，加上線損分布特征較為復雜，造成配電網線損故障診斷難度較高[1]。對異常線損進行準確診斷，有利于加強配電網線損的治理[2]。針對配電網線損故障診斷的研究，提出了一種柔性互聯配電網極限線損計算方法，以判斷是否發生線損故障[3]。在配電網故障診斷過程中，與神經網絡方法進行了結合，該方法提高了配電網故障診斷的效率[4]。提出了一種基于離散小波變換的故障檢測算法[5]。配電網運行數據呈現出不同的變化模式和噪聲干擾，使得故障的診斷難度較高。遺傳算法可以搜索BP神經網絡權重和閾值的全局最優解。因此，本文提出一種最優解逼近思維下配電網線損故障診斷方法。

1配電網線損故障診斷方法的設計

1. 1配電網線損參數計算

為了達到有效的配電網線損故障診斷，首先對配電網線損參數進行計算，獲取配電網線路總損耗，為下一步配電網線損故障診斷提供依據。

使用等效容量法對配電網變壓器容量的比值分配結果進行計算，表示為式（1）：

式中：Z為配電網變壓器容量的比值分配結果；X為額定容量參數；C為等效容量；A為均方根電流參數；B為空載損耗參數。在此基礎上，根據均方根電流參數A計算配電線路等值電阻為式（2）：

式中：R為配電線路等值電阻；M為全網線損功率參數；c為損耗電量參數；S為運行時間。根據等值電阻R計算全網線損功率，表示為式（3）：

式中：h為全網線損功率；x為平均功率值；f為用戶標準化功率值。

根據全網線損功率h，計算接入分布式發電裝置（DG）后的配電網線損參數。

在考慮接入DG的配電網及在給定聚類個數的條件下，對參數隸屬度進行計算，表示為式（4）：

式中：O為參數隸屬度；k為加權指數，k=12K；z為聚類中心參數[6]；s為視在功率值。根據參數隸屬度O，對輸電線路損耗參數進行計算，表示為式（5）：

式中：e為輸電線路損耗參數；v為有功電度數參數；n為功率分配參數[7]；m為負荷系數；b為無功電度數參數。

根據輸電線路損耗參數e，得到配電網線損參數，表示為式（6）：

式中：E為配電網線損參數；i為總線路數量；κ為支路線損參數；?為支路功率；a為支路數量。

1. 2基于線損異常點定位的線損故障診斷方法

線損參數計算涉及到多種因素，如電網拓撲結構、負載特性、線路參數等，同時計算過程中需要大量的電流、電壓、功率等實時數據。但獲取這些數據會由于線損故障產生數據誤差，導致計算結果的精度降低，從而影響到故障定位的準確性。

由于配電網線損參數[8]只是一個綜合指標，不能直接確定引起損耗增加的具體異常點。因此，采用GA-BP方法，從拓撲匹配、算法迭代、異常點定位3個步驟逼近實現配電網線損異常點定位。逼近定位最優解流程如圖1所示。

步驟1：根據計算的配電網線損參數E，對配電網異常損耗進行拓撲匹配。對開關支路處電壓幅值進行比較，并對差異值進行計算，表示為式（7）：

式中：U為電壓幅值差異值；I為神經元輸入[9]

；g（×）為傳輸函數；W1為神經元之間的權值；G1為輸入輸出閾值。根據電壓幅值差異值U設置多層次的3層BP神經網絡結構。

本文對BP神經網絡中各隱含層系數進行計算，表示為式（8）：

式中：?為隱含層系數；R（×）為傳遞函數；W2為對應權重參數；G為輸入層閾值。根據隱含層系數?，2對輸出層的對應參數進行計算，獲取拓撲匹配結果表示為式（9）：

式中：η為拓撲匹配結果；J為映射參數；ω為權重累加參數，ω=W1+W2；G3為輸出值，如果輸出值超過預設閾值Ggt;G，則說明存在異常狀態31。

步驟2：在拓撲匹配后，當G3gt;G1時，利用遺傳算法優化BP神經網絡的權重和閾值，逼近識別異常點。具體的遺傳算法迭代過程如下：

（1）初始化遺傳算法參數；

（2）初始化3層BP神經網絡結構、權重累加參數ω和輸出層閾值G3；

對權重累加參數ω和輸出層閾值G3進行初始化，得到用于配電網線損故障診斷的更新參數，初始化結果表示為式（10）：

式中：xˉ為初始化結果；P為概率密度函數；αω′G3

為狀態轉換結果。

（3）根據式（10）xˉ生成隨機的初始種群。

（4）本文采用均方根誤差設計適應度函數來衡量每個個體的適應度，評估其對線損異常點的精確識別能力，即：

式中：f（xˉ）為適應度函數。

（5）迭代逼近最優解：

①選擇父代個體，并對其進行交叉操作產生子代個體后進行變異操作，引入新的遺傳信息。

②生成新種群，將父代個體和子代個體結合，形成新一代種群。

③計算新種群中個體的適應度值。

④當達到預設的迭代次數時，停止迭代，得到極限逼近最優解，并將其作為最優神經網絡權重和閾值結果。

步驟3：在獲取最優權重和閾值后對線損的異常類型進行標記[11-12]，實現線損異常點定位。

線損異常點定位結果為：

式中：l為電納參數；u為參數偏差；γ為電路偏差值。

根據線損異常點定位結果進行線損故障診斷結果，實現基于最優解逼近的配電網線損故障診斷。

2實驗結果與分析

2. 1實驗對象

本文選取某地區10 kV饋線數據為研究對象進行實驗。實驗過程中，對配電網的運行記錄數據進行提取，共選擇了600條配電網饋線的記錄，按照該記錄進行實驗。供電系統中主要包括16個配電線路，在每個配電線路的節點上，配置了變壓器。設定配電網線損故障診斷參數為：種群大小100、交叉概率0.8、變異概率0.1；輸入層、隱含層、輸出層節點數為20、10、2，學習率為0.1、最大迭代次數為1 000。

2. 2接線故障數據

配電網的線損異常故障模式主要選取了電纜故障、變壓器故障、線路過載、負載不平衡、接地故障和高阻故障這6種接線異常模式。在實驗中，通過損壞電纜絕緣模擬電纜故障；通過設置冷卻系統故障模擬變壓器故障；使用不合理的負載分配引起線路過載，進而引起負載不平衡；然后通過接地不良引起接地故障；并設置電力系統中的絕緣失效，引發高阻故障。

根據6種異常模式生成數據集，使用70%的數據作為訓練集，30%的數據作為測試集。以該參數為實驗參數，進行實驗。

2. 3實驗結果與分析

以線損預測值為指標進行測試，得到3種方法的線損預測值，如圖2所示。

由圖2可知，本文設計方法線損預測值與實際值相差較小。當狀態轉換結果αω′G3為1、4時，采用本文設計方法線損預測值達到最低值260J和最高值350J。

當文獻[3]方法和文獻[4]方法狀態轉換結果αω′G3為2時，線損預測值與實際值相差最大。

分別利用本文設計方法、文獻[3]方法與文獻[4]方法對故障檢測靈敏度進行實驗，結果如圖3所示。

由圖3可知，隨著樣本數量的增加，3種方法的故障檢測靈敏度均有不同程度的下降。其中，本文設計的方法的故障檢測靈敏度一直保持在96%以上；文獻[3]方法的故障檢測靈敏度一直保持在90%以上；文獻[4]方法的檢測靈敏度一直保持在88%以上。由此表明，本文設計的方法對比其他2種方法，故障檢測時的靈敏度高，能夠及時檢測出配電網的線損故障。

為了進一步檢測本文方法的實際應用性能，在實驗中，通過設置配電網的不同線損故障，比較本文設計方法、文獻[3]方法與文獻[4]方法進行診斷的響應時間，結果如圖4所示。

由圖4可知，使用不同方法對配電網的不同線損故障進行診斷時，本文設計方法的響應時間均低于4ms；文獻[3]方法對接地故障的診斷效果較好；文獻[4]方法對過線故障和高阻故障的診斷效果較好。由此表明本文設計方法的使用性能較高。

3結語

本文基于GA-BP設計了一種配電網線損故障診斷方法。通過搭建三層BP神經網絡結構，按照計算的線損參數，對比了線損異常點位置。利用遺傳算法優化BP神經網絡權重和閾值參數，通過分段計算標記的故障區間實現配電網線損故障診斷。實驗結果表明，所提最優解逼近思維下的配電網線損故障診斷方法能夠提高診斷的準確率，希望能夠為配電網線損故障診斷提供部分借鑒意義。

【參考文獻】

[1]湯中壹，金杭曉，姚雅艷，等.低壓臺區分段線損率預測系統設計[J].自動化儀表，2022，43（8）：118-121.

[2]王磊，張建賓，余昆，等.基于典型負荷曲線的配電網線損計算方法研究[J].智慧電力，2020，48（3）：124-130.

[3]張真，歐陽森，楊墨緣，等.計及多重不確定因素的柔性互聯配電網極限線損計算方法[J].南方電網技術，2022（12）：88-97.

[4]譚陽紅，楊勃，惠玲利，等.基于統一特征的配電網故障診斷方法[J].湖南大學學報（自然科學版），2023，50（2）：150-156.

[5]AKOLKAR S M，JARIWALA H R . An advanced transmis?sion line protection algorithm to detect power swing andfault using speedy wavelet[J]. Iranian Journal of Scienceand Technology，Transactions of Electrical Engineering，2022，46（3）：701-711.

[6]孫宏雨，李元.基于模糊C均值與主成分分析的故障檢測研究[J].自動化儀表，2022，43（7）：79-85.

[7]任鵬，李春蘭，王長云，等.混合微電網的功率分配策略及PI參數整定[J].江蘇大學學報（自然科學版），2022，43（3）：325-331.

[8]王鵬，白玉嶺，王林梅，等.基于聚類劃分與雙向LSTM網絡的臺區線損率計算[J].電子器件，2022，45（4）：964-969.

[9]余凱.建筑物基坑支護變形GA-BP神經網絡預警檢測研究[J].粘接，2023，50（8）：158-161.

[10]ISMAIL Y G. Prediction of the growth rates of pseudomo?nas sp. in seafood based on artificial neural network（ANN）model[J]. Journal of Aquatic Food Product Tech?nology，2023，32（3）：359-371.

[11]何小華.基于深度神經網絡的材料粘接裂縫識別[J].粘接，2023，50（3）：21-24.

[12]柴大鵬，王曉雯.配電變壓器低壓無功功率自動補償方法研究[J].計算機仿真，2021，38（5）：51-54.