浅谈神经网络在10 kV线路保护中的应用

徐丹丹

摘 要：随着工业技术水平的不断发展，继电保护装置也逐步向着自动化、智能化的方向发展，因此，寻找一种能够准确、高效地适应因果关系更为复杂的、非线性的、模糊的、动态的和非平稳随机电网的保护装置就具有非常实际的意义。

关键词：继电保护；10 kV线路；软测量技术；神经网络

中图分类号：TM7 文献标识码：A 文章编号：1006-8937（2015）26-0052-02

1 背景与意义

电力系统设备的稳态运行工况与发生故障后，工频电气变化量的因果关系是复杂的、非线性的、模糊的、动态的和非平稳随机的。

因此，在保护装置的选取上，如果能够寻找到一种自适应能力较强的运算模式，通过多次迭代运算，能够达到较好的非线性拟合效果，这样就能够较为准确地反应故障类型，保证了继电保护的“四性”。

本文通过对10 kV线路保护原理和故障状态的分析，结合软测量建模方法，采用神经网络模型对10 kV线路保护进行建模。

文中以10 kV线路稳态与暂态工况模拟的历史数据为神经网络的训练样本，使用ELMAN神经网络模型对保护进行建模。本文建立的模型可用于10 kV线路保护装置的优化控制，具有一定的工程实用意义。

2 传统的10 kV线路保护

变电站10 kV线路一般是采用二段式或三段式电流保护，即电流速断或限时速断和过电流保护，我们可以根据变电站断路器保护动作情况进行初步判断。

变电站10 kV出线由主变压器变低10 kV母线引出，10 kV母线桥将10 kV电压由主变变低侧引入10 kV高压室，出线侧A、B、C三相分别接电流互感器（CT），CT极性端朝母线侧，在CT二次侧分为三组，保护组、测量组和计量组，分别接入保护装置、测控装置和计量仪表反应10 kV馈线的实际电流。10 kV出线电流经电流互感器转换后，保护、测控组的二次电流接入10 kV保护测控装置。

3 Elman神经网络的建模原理

Elman网络是一种典型的局部回归神经网络，它可以看作是一个具有局部记忆单元和局部反馈连接的前向神经网络。Elman网络具有与多层前向网络相似的多层结构。它的主要结构是前馈连接，包括输入层、隐含层、输出层，其连接权可以进行学习修正；反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值，其连接权值是固定的。在这种网络中，除了普通的隐含层外，还有一个特别的隐含层，称为关联层（或承接层）；该层从隐含层接收反馈信号，每一个隐含层节点都有一个与之对应的关联层节点连接。

关联层的作用是通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入，相当于状态反馈。隐层的传递函数仍为某种非线性函数，一般为Sigmoid函数，输出层为线性函数，关联层也为线性函数。

4 神经网络建模应用于10 kV线路保护的验证

4.1 输入输出参数选择

根据工作现场实际情况，以及传统保护的原理，拟使用3输入，1输出的神经网络模型来对保护进行建模，三个输入分别是电流互感器二次侧的A、B、C相电流，一个输出为保护装置的故障代码，其中“0”代表正常状态、“1”代表A相故障、“2”代表B相故障、“3”代表C相故障、“4”代表AB相间故障、“5”代表BC相间故障、“6”代表AC相间故障、“7”代表ABC相间故障。

由此可以假设改神经网络保护装置的使用原理，首先通过输入典型的故障电流数据对装置CPU内的神经网络模型进行训练，即典型故障电流输入对应该故障代码的输出。在完成训练后出厂使用。

使用时，将实际10 kV出线电路电流互感器的二次电流作为输入，经过装置CPU中模型进行判断后，输出故障代码，触发开出接点，跳开断路器达到排除故障的目的。

4.2 神经网络模型训练和验证数据

本文分别采用独立的两个电流数据库来对神经网络模型进行训练和验证，用于训练和验证的两各数据库分别用152组数据模拟了4.1所述故障代码中的故障时所产生的典型电流，并且两组数据分别为一定范围内的随机数，并无函数关联，借此验证神经网络模型的准确性。

4.3 10 kV线路保护ELMAN模型的建立与验证

ELMAN模型的建立与训练有3个输入，1个输出，采用50个隐层：

net = newelm（as，bs，50，{'tansig'，'purelin'}，'trainlm'）

利用各状态电流数据对模型进行训练，完成后保存模型，训练结果如下：

模型输出与实际输出的曲线对比，如图1所示。从曲线重合程度来看模型训练程度较好。

误差曲线最大误差也没有超过0.04，说明训练结果十分理想，如图2所示。

模型训练保存后，采用另一组电流数据数据对模型进行检验。结果如下：

在使用另一组稳态数据的实际输出与模型所计算出的模拟输出的曲线对比中，可以发现，在数据段存在一些误差，但这些误差依然是在允许范围之内。

在更改了ELMAN网络的隐含层数量进行多次试验后，认为隐含层为50时的效果是ELMAN网络中最好的。验证数据时误差最大不超过0.15，由此可见，若将误差范围设定在-0.15～0.15，则在相应电流输入装置的情况下，动作成功率为100%。

综上所述，应用ELMAN神经网络对10 kV线路保护进行建模，其结果是较为准确的。

5 结 语

在大量试验的基础上，本文对10 kV保护以及神经网络建模模拟10 kV线路保护的方法进行了阐述，得出以下结论：

①针对传统10 kV保护，在大量理论与运行经验的支持下，基本能够满足继电保护选择性、速动性、灵敏性和可靠性“四性”的要求。

②本文所提出的通过神经网络模型构建故障判断核心的理论通过ELMAN模型的验证，初步判断是准确、可行的。在仅适用152组数据进行电流非线性变化训练的情况下，所验证时输出的故障代码数据能够保证误差小于0.15，说明若能够通过大量数据的训练，完善故障状态时的电流数据，该模型会有更加完整动作逻辑和更加准确的动作逻辑。

参考文献：

[1] 刘振鹏，魏光耀.电力系统继电保护实用技术问答[M].北京：中国电力出版社，2001.

[2] 孙国凯，田友文.电力网继电保护原理[M].北京：中国电力出版社，2008.

[3] 张良均，曹晶，蒋世中.神经网络使用教程[M].北京：机械工业出版社，2008.