基于小波神经网络的电网故障诊断研究

2011-04-27朱俊敏景利学饶克克

电气开关 2011年6期

朱俊敏，景利学，饶克克

(兰州交通大学自动化与电气工程学院，甘肃兰州 730070)

1 引言

电网故障诊断对于事故后系统快速恢复正常运行具有重要意义。作为事故恢复的第一步，应实现快速准确的故障诊断以隔离故障元件，然后采取相应的措施以恢复供电［1］。电网故障诊断一般基于SCADA系统所提供的保护和断路器信息来判别电网中的故障元件，多种人工智能方法已用于电网故障诊断［2，3］。神经网络具有自学习和较强的容错能力，但使用最为广泛的BP神经网络具有收敛速度慢，易陷于局部最优等不足［4］，因此本文将小波神经网络引入电网的故障诊断。

2 小波神经网络原理

2.1 小波神经网络的结构

小波神经网络分为松散型和紧凑型。前者利用小波进行故障特征提取，然后将所得数据输入到神经网络;后者是目前研究小波神经网络的文献中广泛采用的结构形式，其结构如图1所示，它用小波函数代替常规神经网络隐含层Sigmoid函数作为激活函数，相应的神经网络的输入层到隐含层的权值及隐含层阈值分别由小波函数的尺度参数和平移参数代替，它充分继承了小波分析和神经网络两者的优点，能够自适应地调整小波基的形状，具有良好的函数逼近能力和模式分类能力［4］。为提高故障识别效率，本文选用了紧凑型小波神经网络。

图1 小波神经网络结构

隐含层激活函数如式(1):

网络输出如式(2):

参数aij，bij在网络学习中与输出权值ωij一起通过某种算法进行修正。该小波神经网络类似于RBF神经网络，但可以借助于小波分析理论，指导网络的初始化和参数选取，使网络具有较简单的拓扑结构和较快的收敛速度［4］。

2.2 网络的节点数的选择

如果小波神经网络的输入层有p个神经元，对于电网故障诊断问题来讲，p等于电力网络中所有保护继电器和断路器的总数，这些继电器和断路器的状态作为神经网络的输入。假设有M个训练样本，那么训练样本集可以表示为x(t)∈Rp，t=1，…，N。假设所诊断的电网中共有N个元件，如输电线路、母线和变压器等，确定这些元件的状态为故障或正常是诊断的最终目的，则小波神经网络输出层的神经元数目为q=N。隐含层节点的选择可参考文献［4］中的经验公式。

2.3 网络的学习算法

小波神经网络主要是将多层感知器神经网络中隐含层Sigmoid函数替换成小波函数Ψ(t)，本文中采用Morlet小波函数如图2所示。

图2 Morlet小波函数

设输入向量为x=［x1，x2，…，xp］T，输出向量为y=［y1，y2，…，yq］T，输出向量的期望值为d=［d1，d2，…，dq］T，输出层到隐含层的权值为 ωij，隐含层到输出层的权值为ωjk伸缩参数和平移参数分别为aj和bj，假设隐含层神经元为h，则i=1，2，…，q，j=1，2，…，h，k=，2，…，p。