電力計量系統的故障診斷分析

摘要：隨著電力行業的快速發展，電力計量系統作為電能貿易結算的重要依據，其準確性和可靠性至關重要。對電力計量系統故障進行及時、準確的檢測和診斷，對于保障電力系統的安全運行和電能貿易的公平、公正具有重要意義。基于BP（BackPropagation）神經網絡構建了電力計量系統故障檢測和診斷模型，以CT一次側短路故障為例，搭建了電力計量系統診斷模型，對電力計量系統故障類型進行辨識，通過選取反映計量系統故障的4個參數作為輸入，利用訓練后的BP神經網絡模型對故障進行檢測和判斷。經過測試，該方法能夠有效診斷電力計量系統的故障，并準確判斷故障類型。

關鍵詞：電力計量系統BP神經網絡故障檢測故障診斷

中圖分類號：TN911.71 文獻標識碼：A

FaultDiagnosisAnalysisofPowerMeteringSystem

OULongSUYingchun

MarketingServiceCenterofStateGridNingxiaElectricPowerCo.，Ltd.，（MetrologyCenterofStateGridNingxiaElectricPowerCo.，Ltd.），Yinchuan，NingxiaHuiAutonomousRegion，750011China

Abstract：Withtherapiddevelopmentofthepowerindustry，theaccuracyandreliabilityofthepowermeteringsystemareveryimportantasanimportantbasisforthesettlementofelectricenergytrade.Itisofgreatsignificancetoensurethesafeoperationofthepowersystemandthefairnessandjusticeofelectricenergytradebytimelyandaccuratedetectionanddiagnosisofpowermeteringsystemfaults.BasedonBackPropagation（BP）neuralnetwork，thefaultdetectionanddiagnosismodelofthepowermeteringsystemwasconstructed，and?;thediagnosismodelofthepowermeteringsystemwasbuiltbytakingtheCTprimarysideshort-circuitfaultasanexample，andthefaulttypeofthepowermeteringsystemwasidentified，andthefourparametersreflectingthefaultofthemeteringsystemwereselectedasinputs，andthetrainedBPneuralnetworkmodelwasusedtodetectandjudgethefault.Aftertesting，themethodcaneffectivelydiagnosethefaultofthepowermeteringsystemandaccuratelydeterminethefaulttype.

KeyWords：Powermeteringsystem;BPneuralnetwork;Faultdetection;Faultdiagnosis

隨著電力行業的迅猛發展，電力計量系統作為電能貿易結算的重要依據，其準確性和可靠性顯得尤為重要。電力計量系統的故障檢測和診斷不僅關系到電力系統的安全運行，還直接影響電能貿易的公平性和公正性。本研究旨在利用BP（BackPropagation）神經網絡構建電力計量系統的故障檢測和診斷模型，重點分析CT一次側短路故障，通過實際測試驗證方法的有效性和準確性。研究的創新點在于將BP神經網絡應用于電力計量系統故障檢測，選取4個關鍵參數作為輸入，提升了故障診斷的準確性和效率，為電力系統的穩定運行提供了技術保障。

1BP神經網絡算法

BP神經網絡是一種多層前饋神經網絡，其廣泛應用于預測和數據壓縮、故障識別等場景中。

1.1BP神經網絡結構

BP神經網絡結構如圖1所示，BP神經網絡為前向型結構，主要由輸出層、輸入層和多個隱含層組成，每層擁有多個節點，相同或相鄰層節點之間通過權值進行連接[1]。

BP神經網絡的過程分為信號正向傳播和誤差反向傳播，其中信號正向傳播主要從輸入層傳輸至隱含層，最后到達輸出層；誤差反向傳播起點為輸出層，從輸出層傳輸至隱含層，最后到達輸入層[2]。

1.2BP神經網絡學習算法和改進

1.2.1BP神經網絡學習算法

以圖1三層BP神經網絡推導學習算法，BP神經網絡數據正向傳播時，輸出層和輸入層的輸出如下。

式（1）、式（2）、式（3）、式（4）中，為輸入樣本數量；分別為輸出層、隱含層和輸入層節點數；為隱含層節點輸出值；為輸入層神經元輸入值；為輸出層節點輸出量；為輸出層節點期望輸出；為隱含層節點凈輸入值；為輸出層節點凈輸入值；為節點到達隱含層節點的權值；為隱含層節點到達輸出層節點的連接權值。式（1）和式（3）中，導數為，激勵函數為。BP神經網絡主要受誤差函數E的影響，E的值越小性能越好。

1.2.2BP神經網絡的改進

BP神經網絡具有較強的容錯能力和非線性問題處理能力，但是其學習收斂速度較慢，如果BP神經網絡學習速率設置過小，其迭代次數會增加，運算時間將延長，進而導致學習收斂速度減慢。如果學習速率設置過大，其會出現振蕩情況，導致無法收斂[3]。

針對該問題，可以采用學習率自適應調節方法，在BP神經網絡梯度下降法中，BP神經網絡學習速率為常數，可以通過經驗法確定其學習效率，或在訓練過程中，觀察BP神經網絡不同學習率下的誤差變化情況，然后利用式（5）判斷BP神經網絡模型學習速率是否需要增加或減少。

（5）

式（5）中：當kinc>1時，表示BP神經網絡誤差較小，可以適當提高學習速率；當kdec<1時，表示BP神經網絡誤差較大，需要適當減小學習速率[4]。

2基于BP神經網絡的電力計量系統故障診斷分析

2.1電力計量系統故障檢測和判斷說明

2.1.1電力計量系統故障檢測

圖2所示電力計量系統故障檢測原理圖，圖中1、2為電度表計量單元，CT1、CT2為電流互感器；PT1、PT2為電壓互感器；IC、IA為A相和C電流；Ic、Ia、Uc、Ua為計量單元電流和電壓；ua、uc為電流互感器檢測信號。

電力計量系統故障分為隱性故障和顯性故障，其中顯性故障可以通過檢測儀表判斷是否存在故障；隱性故障主要通過觀察電力計量系統網絡阻抗變化情況判斷其是否存在故障[5]。

2.1.2判斷設定

根據圖1所示電力計量系統故障檢測和診斷圖，本文將其故障類型分為以下幾種，如表1所示。

2.2電力計量系統故障樣本處理

根據選擇的電力計量系統運行參數故障特性，總結出電力計量系統正常情況下4種樣本故障特性模式。通過搭建測試平臺，將采集的樣本數據導入BP神經網絡中進行訓練。在故障數據訓練過程中，由于神經網絡輸入要求和輸出要求數據范圍為[0，1]，但電力計量系統電壓和電流輸入不在該范圍內，因此本二維利用歸一化方法對數據進行處理：

式（6）、式（7）中：y為歸一化輸出值；x為系統輸入值。

將4種故障信息進行歸一化處理后可以獲取故障特性信息，將其作為神經網絡輸入值和輸出值，然后利用0001～1000四位二進制數表示正常情況和4種故障類型。

2.3網絡訓練和診斷測試

診斷測試試驗采用單隱層BP神經網絡，隱含層數設置為8個，本文構建BP神經網絡結構為4-8-4。輸出層和隱含層采用logsig函數作為神經元傳遞函數，并采用BP學習算法對故障參數進行訓練，訓練次數為10000次，學習速率設置為0.1，誤差為0.01，動量因子設置為0.8。對訓練好的網絡，通過改變計量系統負載值，并采集另外80組樣本對網絡進行測試，根據測試數據，分析出對應的測試結果：ua測試結果明顯低于其他測試參數，將該組測試數據輸入網絡模型值進行訓練。該組數據故障類型為CT1一次側短路故障，該組數據實際測試結果為8.54×10-6、1.37×10-6、1.0000、0.2601，該組數據對應二進制編碼為0010，通過對比表1所示故障類型，判斷該組數據為CT1一次側短路故障，與實際故障情況相符，由此說明經過訓練后的BP神經網絡可以診斷出故障類型，并且符合預期結果。

3結論

綜上所述，本文針對電力計量系統常見隱性故障和顯性故障，構建了BP神經網絡檢測和診斷模型，選取4組可以反映電力計量系統的故障參數，利用訓練后的BP神經網絡模型對故障進行檢測和判斷。最后利用單BP神經網絡對試驗數據進行了測試，測試結果與預期結果一致，證明本文提出電力計量系統故障檢測和診斷方法可以有效判斷電力計量系統故障。

參考文獻

[1]姜俊秋，車德敏.基于人工智能的電力系統故障檢測與自動修復方法研究[J].電氣技術與經濟，2024（3）：22-24.

[2]靳君，賀明強，宋德琦，等.基于智能技術的電力系統故障檢測方法分析[J].集成電路應用，2024，41（2）：220-221.

[3]袁衛，劉正明，張明，等.基于神經網絡的電力計量自動監測流水線固定診斷系統設計及仿真[J].微型電腦應用，2022，38（3）：94-97.

[4]李慧聰，鄭寬昀，徐鋒，等.基于物聯網技術的智能電力計量系統研究[J].能源與環保，2022，44（1）：230-235.

[5]歐振國，張永旺，舒曄，等.基于J2EE的電力計量管理信息系統設計[J].自動化應用，2021（8）：67-69.