基于BP算法的AT牵引供电系统状态识别

董 菲，金 钧

0 引言

AT牵引供电系统是一种较为复杂的供电系统，而快速准确地识别该系统的各种故障是高速铁路安全运行的保障。

AT牵引供电系统可以采取多种仿真软件进行仿真，譬如，PSCAD仿真软件[1]、MATLAB仿真软件[2，3]等。文献[4]建立了整个牵引供电系统包括变电站、自耦变压器、多导体传输线的模型，把牵引网模型建成去耦合后的电路网络。文献[5]在低频领域把牵引供电系统作为标准配电系统建立数学模型，在负载、稳态电压、谐波仿真方面有一定参考价值。文献[6]建立了多导体模式下的AC供电模型，并利用该模型开发了用于求解列车电流、电压的仿真系统。文献[7]以计算列车受电电压为目标，建立了牵引供电系统仿真模型，利用较好的计算手段（如牛顿迭代法）进行仿真，在AT所间距设计、行车计划等方面有一定帮助。文献[8]、[9]对电力系统中故障识别手段进行分析，文献[10]对神经网络应用于电气化铁道展开论述，因此可比照电力系统把人工神经网络应用于AT牵引供电系统的故障识别。ATP电磁暂态仿真软件之前已应用于电力系统中，因此也可以应用于AT牵引供电系统。

本文采用ATP电磁暂态仿真软件对AT牵引供电系统进行仿真分析，用BP算法对牵引供电系统的正常状态、T-R短路故障、F-R短路故障、T-F短路故障（T为接触线、F为正馈线、R为钢轨）、异相短路故障等5种状态进行识别。

1 原理分析和建立单供电臂仿真模型

AT牵引供电系统主要包括主牵引变电所、AT所、接触线、正馈线、保护线、放电器、大地等。主牵引变电所主要是将电力系统的三相交流电压110 kV转变为单相55 kV交流电压。AT所主要是由自耦变压器构成，该变压器两端分别接接触线和正馈线，中性点连接放电器，放电器接钢轨。接触线和正馈线的电流是一对大小基本相等、方向相反的电流，因此对相邻线路的通信信号影响较小。保护线与钢轨并联，通过横连接线实现钢轨、自耦变压器的中性点、保护线的连接。保护线的主要作用：提高信号轨道的工作可靠性；在发生短路故障时，能够为短路电流提供良好的金属通路，利于继电保护准确的动作。一般情况时，保护线可以有效分流，降低钢轨电压。本文采用LJ-185型保护线[11]。AT牵引供电系统的单供电臂原理如图1所示。

ATP是一款强大的仿真软件，主要是针对复杂系统的电磁暂态分析。但由于 ATP仿真软件并非针对铁路牵引供电系统开发的软件，所以需要对相关的器件进行改造。主牵引变压器的电能来自对称的并且是稳定的电源，所以可以用55 kV的单相交流电源（相位为零）代替。AT所主要是由自耦变压器构成，变压器原边的负极接次边的正极，使其构成中性点连接放电器接地。自耦变压器的电感为L=200 mH，磁阻为2650 Ω，在AT牵引供电系统中每隔10 km设置一个自耦变压器。放电器的电阻设为0.02 Ω。高速动车组一般被认为是单相非线性器件，但是在运行中动车组是一个效率接近于1的机器，所以在建立AT牵引供电系统中相当于一个71 Ω的纯电阻。牵引供电系统的线路阻抗是较小的，表1是铁道设计部门给出的牵引网阻抗表。

表1 牵引网线路阻抗 单位：Ω/km

由于AT牵引供电系统是对称的，故只需分析双供电臂中的单供电臂即可。图2是ATP仿真软件建立的AT牵引供电系统的单供电臂仿真模型。

2 AT牵引供电系统5种状态仿真分析

针对利用ATP仿真软件建立的单供电臂模型，本文主要对T-R、F-R、T-F、异相短路故障进行分析。T-R、F-R、T-F短路故障分别是在图2的基础上加装短路开关和一个小电阻构成短路。短路开关设置的闭合时间为0 s，断开时间为0.1 s。前3种故障的接触线电流和钢轨电流全部是靠近主牵引变电所测量的电流量。以上3种短路故障短路期间（0.1 s）内接触网的接触线短路电流较大，与高速动车组正常状态有较大的区别，同时对钢轨电流和机车取流影响较大。

图2 AT牵引供电系统单供电臂仿真模型图

针对300 km/h的高速动车组过电分相时会产生非线性谐振（铁磁谐振）和线性谐振，并且有较大的接触网的接触线短路电流，钢轨电流量会有明显的暂态过程。异相短路故障是电气化铁道中较为特殊的故障，有必要进行重点分析。图3—图5是异相短路故障的仿真波形。

图3 接触网的接触线短路电流仿真图

图4 中性区段仿真图

异相短路故障中出现谐振，主要是机车高压电压互感器和中性区段中性线对地等效电容发生谐振。从图3—图5的3个仿真波形图可以看出，接触网的接触线短路电流较大；钢轨电流发生谐振，但经过60 ms后达到稳定状态属于暂态过程；机车取流较小，高速动车组受电弓装置的等效阻抗很大。限于篇幅，表2仅列出了AT牵引供电系统的5种状态的仿真数据。

分析表2中的仿真数据，可以得出发生短路故障时，短路电流是正常电流几倍甚至几十倍，这样会对牵引供电系统造成很大的破坏，对于高速铁路的运营十分不利。

表2 AT牵引供电系统5种状态的仿真数据表 单位：A

3 基于BP算法的神经网络故障识别

人工神经网络具有非线性适应性信息处理能力，神经网络中有多种算法可以解决故障识别问题，其中 BP算法得到较为广泛的应用。BP学习算法的基本原理就是梯度最速下降法，中心思想是调整权值使网络的总误差最小，就是实际的输出值与期望的输出值的误差均方值为最小。BP算法的主要优点：首先，只要有足够的隐含层和隐节点，BP网络可以逼近任意的非线性映射关系；其次，BP网络是一种全局逼近的方法，因此有较好的泛化能力。缺点：收敛速度慢；局部极值；难以确定隐含层和隐节点的数目。BP网络能够实现输入和输出的非线性映射关系，但不依赖于模型，即使个别神经元的损坏对输入输出的影响较小，说明该算法的容错能力较好。故此，神经网络为解决故障诊断提供了一种新的途径[12]。

神经网络的故障诊断方法所需步骤：（1）对5种状态进行仿真得出各故障的数据参数。（2）提取各个参数，并对其进行分析。（3）根据输入数据的特点和系统所需数据输出的要求，确定输入层和输出层的节点数，以及隐含层的节点数。（4）将预处理的数据和矢量参数输入到网络中，进行训练，训练成功后，将预先设定的信号和训练结果进行比较验证结果。

本文第2节已经对AT牵引供电系统出现的几种故障进行了仿真，并提取数据参数进行了分析，总结出一张仿真数据表如表 2，故步骤（1）和步骤（2）已在第2节完成。对于步骤（3），确定接触线的电流及增量、正馈线的电流及增量、钢轨的电流及增量和流过电力机车的电流共 7个变量作为输入数据；线路的 5种状态作为输出，现假设0000-0100代表5种预期输出状态。隐含层节点数太多会导致学习时间过长；而隐含层节点数太少容错性差、识别未经学习的样本能力低，所以必须综合多方面的因素进行设计。隐含层的节点数一般根据经验确定，经过大量实验，本文的隐含层节点数确定为 12。步骤（4），对各个变量进行反复训练并且必须收敛；如果对前面的仿真数据用BP算法计算，能够得出实际与预期相近的值，可以证明文中所述的5种状态被识别。

在应用BP算法进行状态识别前需对仿真数据进行处理。大多数BP神经网络模型以S形函数作为转换函数，该函数的值域为[0，1]，因此在网络训练时要将原始数据规范到[0，1]区间，通常采用标准的归一化的方法来实现。对以上5种状态总结的数据进行归一化处理，就是将数据处理在0到1的范围即可。

该X值是对表2中5种状态仿真的数据进行归一化处理的结果，之后才可用神经网络的BP算法对AT牵引供电系统的5种状态进行仿真研究。

结合图6，可见经过10次训练后，BP算法收敛并且保证能够正确的预测。图6中的横线表示目标曲线，曲线表示训练曲线，最下面的横坐标表示训练步骤，最上面的横坐标表示训练精度。纵坐标表示训练曲线和目标曲线。

图6 训练误差曲线图

经过程序运行得出结果用y1表示，BP算法经过反复训练先前的样本（表2的仿真数据）得出应用神经网络的BP算法对AT牵引供电系统的5种状态识别的结果。

对比实际输出y1和期望输出相吻合，近似于0的数记为0，近似于1的记为1。得出最后的结果后，要与预先设定状态相比较，若 y1和表 3的结果相对应就可判断，状态识别得到较好的验证。

表3 预期状态表

4 结束语

通过对AT牵引供电系统的5种状态的仿真分析和状态识别，得到良好的验证；对异相短路故障的暂态过程进行了重点分析。由于篇幅所限，未对异相短路故障的暂态过程进行抑制谐振过电压的分析。针对本文所研究的问题总结如下：

（1）建立了 AT牵引供电系统的物理模型和仿真模型，并对其AT牵引供电系统进行了理论分析和对AT牵引供电系统单供电臂的仿真模型中的主要部分进行参数设置。

（2）针对动车组运行在 AT牵引供电系统中发生的5种状态，正常状态、T-R短路故障、F-R短路故障、T-F短路故障、异相短路故障，应用ATP电磁暂态仿真软件进行仿真分析。

（3）对神经网络理论的 BP算法进行了简要的阐述，并且提出应用BP算法对其5种状态进行识别的步骤。

（4）应用 MATLAB仿真软件中神经网络的BP算法对其5种状态进行智能识别，并且得到了较好的仿真验证。

[1]张小瑜，吴俊勇.基于PSCAD的牵引供电系统仿真研究[J].电气化铁道，2007，（6）：17-20.

[2]杨嵘春，粟莲，隆超，等.数字化铁道客运专线AT供电系统空载建模与仿真[J].电气技术，2009，（1）.

[3]方雷，何正友.高速铁路牵引供电系统数字建模及仿真[D].成都：西南交通大学，2010.

[4]Tsai-Hsiang Chen, Yen-Feng Hsu. Systematized shortcircuit analysis of a 225 kV electric action network. Electric Power Systems Research,1998(47):133-142.

[5]邓云川，高宏，楚振宇.高速列车负荷特征及其对牵引供电系统的影响[J].电气化铁道，2005，（6）：6-10.

[6]刘海东，何天健，毛保华，等.多导体模式下的交流牵引供电仿真系统的研究[J].系统仿真学报，2004，（2）：117-125.

[7]R.J.Hill and I.H.Cevik. On-1ine simulation of autotransformer-fed AC electric railroad traction networks,IEEE Trams. Veh. Technol, vol. 42, no.3, pp.365 -372,May.1993.

[8]刘一江，周友庆.应用人工神经元网络方法实现微机距离保护[J].中国电机工程报，1999，19（12）：51-56.

[9]顾雪平，张文勘，高曙，等.人工神经网络和专家系统结合运用的电力系统故障诊断方法[J].华北电力学院学报，1994，（2）：12-17.

[10]陈维荣，钱清泉，王晓茹.神经网络在继电保护及故障诊断中的应用[J].电力系统自动化，1997，21（5）：5-9.