基于模糊神经网络的小电流接地系统故障选线

王　磊,曹现峰,骆　玮

(1.合肥工业大学 电气与自动化工程学院,安徽 合肥　230009;2.安徽省新能源利用与节能重点实验室,安徽 合肥　230009)



基于模糊神经网络的小电流接地系统故障选线

王磊1,2,曹现峰1,2,骆玮1,2

(1.合肥工业大学 电气与自动化工程学院,安徽 合肥230009;2.安徽省新能源利用与节能重点实验室,安徽 合肥230009)

摘要:小电流接地系统发生单相接地故障后,为解决传统上单一故障选线方法的局限性,文章利用信息融合技术并结合模糊系统和神经网络的特点,提出将模糊神经网络应用于配电网故障选线方法中。提取稳态时有功功率分量、暂态时衰减直流分量、基波和小波包能量熵极值作为综合选线判据,输入到模糊神经网络,再通过调整网络隶属度函数的初始参数大小,体现出在不同相角下,不同判据对故障选线判别能力的不同,能够将配网自身的特点很好地嵌入该算法中。在Matlab环境下搭建10.5 kV的小电流接地系统仿真模型,仿真结果显示此方法具有选线准确率高、适应性强、灵敏度高、抗干扰能力强等优点,具有一定的可行性,能够很好地解决故障选线的难题。

关键词:小电流接地系统;故障选线;信息融合;模糊神经网络;隶属度函数

我国35 kV及以下的配电网常采用小电流接地方式,发生单相接地故障后虽不影响正常负荷供电,但非故障相的相电压会升高,长时间单相接地运行易发展成两相接地短路。因此需要在故障发生后快速、准确地查找出故障线路。

传统的故障选线方法大致可以分为利用稳态特征和暂态特征分量两大类方法。前者主要包括零序有功分量法[1]、五次谐波分量法[2]、负序电流法[3]、零序导纳法[4]等,后者主要包括行波法[5]、暂态无功功率法[6]、暂态零序电流比较法[7]、S变换法[8]等。然而,这些选线方法存在诸如电流信号获取较困难、对表计的精度要求较高、易受外界干扰、受过渡电阻的影响较大等问题,影响了选线的效果。

将各暂、稳态选线方法进行互补融合,并采用人工智能算法的综合选线方法,已成为当前小电流接地系统故障选线的发展趋势[9-15]。本文在分析单相接地故障特征的基础上,提出将模糊神经网络应用于故障选线。采用信息融合方式,提取故障发生后的暂、稳态特征信息作为模糊神经网络的输入,结合配网自身特点,通过调整网络隶属度函数初始参数的大小,体现出在不同相角下,不同判据对故障选线判别能力的不同,将不同样本对故障的敏感度最大化。仿真表明该算法具有很好的故障选线性能。

1小电流接地系统故障分析

图1所示为经消弧线圈接地的小电流接地系统的零序网络(不接地系统不含消弧线圈部分,这里不做具体分析)。

图1　消弧线圈接地系统零序电流分布

零序网络由线路对地电容构成通路,该网络的零序阻抗较大,C1,C2,…,Cn为出线接地电容,E为零序等效电源。当线路3发生单相接地故障,接地点零序电流I0∑为全部非故障线路容性电流与零序电感电流之和,即I0∑=I01+I02+…+I0n+I0f+IgR+I0c,其中故障线路的零序电流方向为故障点流向母线,非故障线路的零序电流方向为母线流向线路。在故障暂态运行期间将产生大量高频信号,其不受故障前负荷等方面的影响;依据基频分量计算选取的消弧线圈,相对高频分量可近似视为开路,即消弧线圈不会对高频暂态分量产生很大的影响。而零序电流的有功分量是由线路对地电导及消弧线圈中电阻损耗产生的,消弧线圈中的阻尼电阻增加了故障线路的有功分量,因此故障线路的有功分量大于非故障线路,且方向相反。

2模糊神经网络

模糊神经网络融合了模糊推理的万用逼近能力和神经网络的自学习能力,在自适应控制领域、自适应信号处理及模式识别等领域得到了广泛的应用。Takagi和Sugeno首次提出该线性组合模型[16-17]。该模型直接利用了数值化的语言来建立特定的非线性映射,采用少量的模糊规则数表达高度非线性的复杂系统,同时具有参数调节灵活、初始变量的学习简单等优点,且其节点和参数都具有特定的物理意义；与一般模糊神经网络相比,更有利于信息的表达与运算。

常见的模糊神经网络由前件网络和后件网络组成。前件网络用来产生模糊规则,后件网络用来拟合输入变量的线性组合。其结构如图2所示。

图2　模糊神经网络模型

前件网络有如下4层结构:输入层、模糊化层、规则层、归一化层。

输入层中每个节点与输入变量xj相连,即节点数等于xj的维数。

模糊化层中利用模糊隶属度函数完成对输入变量的模糊化,得到相应的模糊隶属度。采用高斯函数作为模糊神经网络隶属度函数具有更好的平滑性,其隶属度函数为:

(1)

规则层中每个节点代表一条模糊规则,称为规则适用度,采用隶属度的连乘作为模糊规则wi，即

(2)

为缩小各模糊规则之间的差距,对各模糊规则采用归一化进行处理,具体表达式为:

(3)

后件网络有输入层、隐含层、输出层3层结构。输入层与前件网络的输入层一样,每个节点与输入变量xj相连,节点数是xj的维数。隐含层与前件网络的规则层类似,对输入变量进行如下线性拟合:

(4)

输出层则由前件网络归一化值与后件网络隐含层值进行乘积运算得到，即

(5)

3模糊神经网络学习与应用

神经网络训练中常采用梯度下降法进行参数调节,该方法通过误差函数关于参数的梯度进行参数更新,参数的多次训练使权值参数不断更新,当输出与期望之间的误差小于规定范围,则停止迭代,将训练完的参数值作为该模糊神经网络最终的参数。

模糊神经网络学习算法如下:

(1)误差计算。

(6)

其中,yd为网络期望输出;y为网络的实际输出;E为两者之间的误差。

(2)参数修正。通过不断调整模糊神经网络中参数值来减少E的大小,达到训练的目的。后件网络隐含层参数p,隶属度函数中心c和宽度b可按(7)式进行修正:

(7)

其中,k为迭代次数;x分别为p、c、b;α为学习效率,直接决定了各参数在每一次迭代中的变化量,影响算法的收敛速度,一般取0<α<1。

(8)

(9)

(10)

基于小电流接地系统发生单相接地故障的特点,分别提取故障后暂、稳态的特征分量作为模糊神经网络的样本。提取暂态衰减直流分量作为网络样本输入x1;提取暂态基波分量作为输入x2;利用小波包能量熵极值原理,提取暂态能量熵最大的特征频带值作为输入x3;根据有功分量法,提取稳态零序电流的有功功率作为样本输入x4。

当故障发生在相电压过零点附近时,衰减直流分量初始值最明显。而故障点发生在相电压最大值附近时,其小波包能量熵极值最明显[18]。在不同相角下各判据的判别能力不同,故将样本数据根据相角大小分成2组样本。并定义相角θuo,θuo∈[-180°,180°],当θuo满足|θuo-90°|≥30°且|θuo+90°|≥30°时,将θuo作为小角度相角,否则将θuo作为大角度相角。

模糊系统中隶属度函数的物理意义在于输入数值隶属模糊集合的程度,在小电流接地系统发生单相接地故障后得到的样本数据中,对应于输入值对故障判别的能力程度。考虑到在不同相角下不同判据的判别能力不同,本文提出了根据输入的x值的不同,设置不同大小的隶属度初始参数b、c值,从而体现出不同判据对故障判别能力的不同。进而,将配网自身特点很好地嵌入算法中。

在不同相角下,定义不同判据样本的最大值max(xbq),其中，b=1,2,代表相角的组数；q=1,2,3,4,表示4组判据。定义故障判别程度的概念,即

(11)

其中,xbq(m)表示不同相角、不同判据下的不同样本,m=1,2,3,…,n为样本总数;Cbq为常数,表示不同相角、不同判据的故障判别系数;λbq(m)∈[0,1],λ值越大,表示故障判别能力越强,在该相角下,该判据的样本值越能代表故障线路的特征;λ值越小,表示故障判别能力越差,则该相角下,该判据的样本值越能代表非故障线路的特征。

对于故障判别系数C值的设置,以衰减直流分量这一判据为例,为了体现在小相角下,该判据的判别能力要强于大相角下的情况,则令C11>C21。同理可得C12>C22，C13

将λ值作为模糊神经网络隶属度函数y,可得:

(12)

计算得到c和b的值即为不同相角、不同判据下的初始参数,用来作为高斯函数的初始中心与宽度。

4仿真与结果分析

在Matlab/Simlink仿真环境下,搭建的中性点经消弧线圈接地的小电流接地系统仿真模型如图3所示。相应数据处理的流程图如图4所示。

图3　小电流接地系统仿真模型

图4　数据处理流程图

系统电压为10.5 kV,消弧线圈的过补偿度为10%,采样频率f=12.8 kHz,电缆线路1、2、3的长度分别为6、8、10 km。

在Matlab搭建的小电流接地系统仿真模型中,取0.2 s时,输电线3在距离母线5 km处发生A相接地故障。令θ=5t,t∈Z。当0≤t≤12时,取θ为小角度;当12

将网络初始化,设定模糊规则数为8,学习效率α=0.2,权系数初始值p=0.3。将各角度下线路1、2、3的判据值作为T-S模糊神经的输入值。网络系统采用多输入单输出结构,输出表示该线路是否发生故障,故定义线路1、2,即非故障线路的期望输出为0;线路3,即故障线路的网络输出为1。网络隶属度函数的中心c、宽度b的初始值根据上述规定计算,见表4所列。其中i=1,2,…,8,代表8条模糊规则数。

表1　小相角下训练样本值

表2　小、大相角下训练样本值

表3　大相角下训练样本值

表4　c、b初始值

在Matlab仿真环境下,搭建大、小相角下的仿真算法,完成对样本的训练后,为了验证该方法的有效性及可行性,取不同线路发生单相接地故障,并计算不同相角下各线路的判据值组成检测样本进行测试,结果见表5所列。

表5　各线路检测样本输出

在理论上,网络输出0表示非故障线路,1表示故障线路,但实际应用时不可能正好输出0或1,故进行如下处理:当输出小于0.3,代表0,表示线路无故障;当输出大于0.8,代表故障线路。显然,对于这样的选取,并不会造成误判。通过仿真结果分析可知,不管相角如何,非故障线路的输出值总是接近于0,而故障线路的输出值在1附近,故可选出故障线路,选线正确率为100%。结果表明该算法适用于任何故障时刻,即不受故障相角的影响,可以有效地查找故障线路,具有很好的选线性能。

5结论

基于小电流接地系统单相接地故障选线问题的复杂性,仅通过单一判据来进行故障选线已不能满足要求。为此,本文提出将多种选线方法进行融合,运用模糊神经网络进行故障选线,大大提高了选线算法的容错性和可靠性。理论和仿真分析表明:

(1)充分利用发生故障后线路中的暂、稳态信息,并提取能够代表故障线路与非故障线路的特征分量作为选线的判别依据,提高了选线的可靠性与说服力。

(2)应用模糊神经网络对特征分量进行处理,利用模糊神经网络强大的学习表达能力以及对数据敏感的非线性拟合逼近能力,有效地提高了选线的灵敏度和效率。

(3)考虑到模糊系统中模糊隶属度函数的物理意义,并结合小电流接地系统中各特征分量的特点,提出调节不同特征分量下隶属度函数初始参数,来呈现不同相角下、不同分量对故障判别能力的不同。将各特征分量的特点最大化,并将该算法物理层面上的意义与配电网的特点有机结合起来,提高了模糊神经网络在小电流接地系统中应用的可信度。

(4)该方法在不同相角下均具有很好的选线能力，对今后配电网自动化系统的发展,对更快速、准确的配网故障选线方法的提出具有一定的参考价值。

[参考文献]

[1]Yang Xia,Choi M S,Lee S J.Ungrounded system fault section detection method by comparison of phase angle of zero-sequence current[J].Journal of Electrical Engineering &Technology,2008,4(3):484-490.

[2]Zhang Zhixia,Liu Xiao,Piao Zailin.Fault line detection in neutral point in effectively grounding power system based on phase-locked loop[J].IET Generation,Transmission &Distribution,2014,8(2):273-280.

[3]朱玲玲,李长凯,张华中,等.配电网单相断线故障负序电流分析及选线[J].电力系统保护与控制,2009,37(9):35-38.

[4]程路,陈乔夫.小电流接地系统单相接地选线技术综述[J].电网技术,2009,33(18):219-224.

[5]姜博,董新洲,施慎行.基于单相电流行波的配电线路单相接地故障选线方法[J].中国电机工程学报,2014,34(34):6216-6227.

[6]Cui Tao,Dong Xinzhou,Bo Zhiqian,et al.Hilbert transform based transient/intermittent earth fault detection in noneffectively grounded distribution systems[J].IEEE Transactions on Power Delivery,2011,26(1):143-151.

[7]张海平,何正友,张钧.基于量子神经网络和证据融合的小电流接地选线方法[J].电工技术学报,2009,24(12):171-178.

[8]张钧,何正友,贾勇.基于S变换的故障选线新方法[J].中国电机工程学报,2011,31(10):109-115.

[9]陈奎,韦晓广,陈景波,等.基于样本数据处理和ADABOOST的小电流接地故障选线[J].中国电机工程学报,2014,34(34):6228-6327.

[10]贾清泉,石磊磊,王宁,等.基于证据理论和信息熵的消弧线圈接地电网融合选线方法[J].电工技术学报,2012,27(6):191-197.

[11]牛敬芳,肖本贤.基于GHM多小波和神经网络的小电流接地故障选线[J].合肥工业大学学报:自然科学版,2014,37(2):159-163.

[12]梁睿,王洋洋.基于直觉模糊集的单相接地故障综合选线方法[J].电网技术,2011,35(11):228-234.

[13]薛永端,张秋凤,颜廷纯,等.综合暂态与工频信息的谐振接地系统小电流接地故障选线[J].电力系统自动化,2014,38(24):80-85.

[14]庞清乐,孙同景,钟麦英,等.基于粗集理论的小电流接地系统故障选线[J].中国电机工程学报,2007,27(4):60-64.

[15]贾清泉,杨奇逊,杨以涵.基于故障测度概念与证据理论的配电网单相接地故障多判据融合[J].中国电机工程学报,2003,23(12):6-11.

[16]张俊芳,刘鹏.基于改进模糊神经网络的配电网故障选线研究[J].电力系统保护与控制,2010,38(22):120-125.

[17]吴兴华,周晖.基于减法聚类及自适应模糊神经网络的短期电价预测[J].电网技术,2007,31(19):69-73.

(责任编辑张镅)

Fault line selection of small current neutral grounding system based on fuzzy neural network

WANG Lei1,2,CAO Xian-feng1,2,LUO Wei1,2

(1.School of Electric Engineering and Automation,Hefei University of Technology,Hefei 230009,China;2.Anhui New Energy Utilization and Energy Saving Laboratory,Hefei 230009,China)

Abstract:This paper deals with fault line selection as single-phase grounding fault occurs in the small current neutral grounding system. In order to solve the limitations of single fault line selection methods,the information fusion technology is adopted,and considering the characteristic of fuzzy system and neural network,the fuzzy neural network is applied in fault line selection of power distribution network. Steady-state active component,transient decaying DC component,transient fundamental component and the extreme of wavelet packet-energy entropy(WP-EE)are considered as judgments of comprehensive line selection,and used as the input of the fuzzy neural network. In order to reflect the difference of the abilities of fault judgment of different samples in the situation of different angles,the initial values of the parameters in membership functions are adjusted,and then the characteristic of power distribution network itself is perfectly integrated into the algorithms. Finally,a 10.5 kV small current neutral grounding system simulation model is set up by Matlab. The simulation results illustrate that this method is feasible,can achieve high accuracy,adjustability,sensitivity,anti-interference ability and so on,and solves the difficulties in fault line selection well.

Key words:small current grounding system;fault line selection;information fusion;fuzzy neural network;membership function

收稿日期：2015-02-09；修回日期：2015-05-18

基金项目：国家自然科学基金资助项目(51177036);安徽省自然科学基金资助项目(1408085MKL13)

作者简介：王磊(1978-),男,安徽阜阳人,博士,合肥工业大学副教授,硕士生导师.

doi:10.3969/j.issn.1003-5060.2016.06.007

中图分类号:TM773

文献标识码：A

文章编号：1003-5060(2016)06-0750-06