基于BP神经网络的小电流接地故障选线方法

姜晓东， 任 力, 刘 铭， 李 彦, 陈 平

(1. 山东理工大学 电气与电子工程学院，山东 淄博 255049；2.国网山东省电力公司日照供电公司， 山东 日照 276826)



基于BP神经网络的小电流接地故障选线方法

姜晓东1， 任 力2, 刘 铭1， 李 彦1, 陈 平1

(1. 山东理工大学 电气与电子工程学院，山东 淄博 255049；2.国网山东省电力公司日照供电公司， 山东 日照 276826)

针对电力系统出现的小电流接地故障，提出一种利用BP神经网络对暂态主频分析的选线方法.该方法提取各出线初始零模电流暂态主频的实部、虚部，利用BP神经网络实现故障线路的选取.使用建模软件ATP-EMTP建立小电流接地故障模型，对各条线路分别设置不相同故障状态(故障距离、过渡电阻和故障初相角)进行仿真，得到BP神经网络所需训练样本和测试数据，利用MATLAB进行编程实现神经网络的学习与训练，实现非线性映射.再利用训练好的神经网络模型对小电流故障接地故障进行选线.仿真结果表明，采用本方法可以很好地完成小电流故障接地系统的选线.

小电流接地系统；暂态；BP神经网络；故障选线

1 暂态主频的提取和变换

1.1 基本理论

当小电流接地系统出现单相接地故障后，故障初始电流行波从故障处向母线方向和负荷侧传播，经过不断的折反射叠加之后会形成暂态电流行波.将三相电流经过相模变换之后得到零模电流.对于谐振接地系统，由于消弧线圈的补偿作用导致各条线路间的工频分量没有明显差异.因此，利用工频进行选线的方法将失效.

通过仿真得到每条线路的三相电流，将三相电流经过相模变换得到各条线路的零序电流，将零序电流信号利用快速傅里叶变换后能够获取暂态主频分量的实部和虚部.然后通过提取到暂态主频的实部和虚部输入到训练好的BP神经网络进行训练最终实现小电流接地系统故障线路的选取.

1.2 暂态主频故障特征的提取

通过快速傅里叶变换可以对小电流接地系统由于故障产生的非周期连续性时间信号x(t)进行频谱分析，x(t)的傅里叶变换X(ω)为

(1)

由上面的公式计算可以得到x(t)的频谱为连续的，但是在实际中能够得到的往往是对x(t)进行离散采样得到的值x(nT),对离散信号的频谱分析通常运用离散傅里叶变换(DFT)

(2)

由于DFT的计算量比较大，而通过快速傅里叶变换(FFT)可以减少运算量，FFT利用了WN的对称特性和周期特性，将其中一个N点的转换为N/2点进行离散傅里叶变换，经过变换之后的计算量减少为原来的1/2，不断继续进行分解，计算量将减少很多.快速傅里叶变换的公式可以表示为

(3)

在经过快速傅里叶变换后能够得到一个复数的实部和虚部，而且可以使运算量大幅减少.

2 利用BP神经网络选线方法

2.1 选线原理

如图1所示，将仿真后获取的小电流接地系统单相接地故障的三相电流，经过相模变换之后得到零序电流，对故障发生后的各线路零序电流信号进行快FFT得到其暂态主频的实部和虚部.将提取出的各条线路零序电流的暂态主频实部和虚部当作样本输入到BP神经网络中，故障线路作为神经网络的输出，对建立好的BP神经网络进行训练.

图1 神经网络选线流程图

2.2 神经网络的建立

BP神经网络是神经网络模型中应用最广泛的，其名称是由于在网络训练学习的过程中，调整权值采用的算法为误差反向传播的学习算法BP神经网络由于结构简单，可以进行调整的参数多，并且用于对其训练的算法很多，得到了大量应用.根据神经网络理论，任何的非线性函数的逼近都可以由三层的神经网络来完成.BP神经网络信号前向传递，误差反向传递，根据预测误差调节网络权值和阈值，从而使神经网络预测输出不断接近于期望输出.具体的训练过程详见文献[11].

图2中，X1…Xn是BP神经网络的输入值，Y1…Yn是BP神经网络的预测值，根据是神经网络理论，每个样本能够提取出的6条线路共12个特征量，作为BP神经网络的输入信号，令X=(X1，X2，…，X12)，其中X1…X6为各条线路初始电流零模分量暂态主频实部，X7…X12为各条线路初始电流零模分量暂态主频虚部.每一个X变量作为BP神经网络的一个神经元，输入层则需要相应的设置12个神经元.隐含层采用12个神经元.输出层对应着每条线路发生了故障或是没有发生故障，采用6个神经元，令输出Y=(Y1，Y2，Y3，Y4，Y5，Y6)，线路L1…L6某条发生故障时对应的Y1…Y6分量为1，否则为0.

这里利用MATLAB作为仿真软件对BP人工神经网络进行学习和训练.利用newff建立BP网络，格式为net=newff(minmax(P),[12,6],{′tansig′,′purelin′},′traingda′)，其中，P为训练样本，12和6分别为隐含层和输出层神经元个数，tansig(S型正切函数)和purelin(线性传输函数)分别对应着隐含层和输出层的神经元传递函数.traingda 为训练函数.训练目标误差取0.01.学习速率采用0.1.

图2 BP神经网络模型

3 仿真建模

3.1 ATP仿真建模

以图3中具有六回架空出线的小电流接地系统为例，验证本文提出的选线方法.该系统具有六回架空出线，电源为110kV的三相电源，变压器的参数为：变压器的额定容量为40MVA，励磁磁通为202.2Wb，空载损耗为35.63kW，励磁电流为0.672A，磁路电阻为400K；高压侧的电压等级为110kV，低压侧的电压等级为10.5kV；电源侧单相中性点线圈的阻值为0.40，线路侧单相中性点线圈的阻值0.006；电源侧电感值为12.2，线路侧电感值为0.183.线路采用分布参数的正序阻抗为Z1=(0.17+j0.38)/km，正序对地导纳为b1=(j3.045)s/km；零序线路阻抗为Z0=(0.23+j1.72)/km，零序对地导纳为b0=(j1.884)s/km.线路长度分别为3 000m、6 000m、9 000m、12 000m、15 000m、20 000m.消弧线圈采用过补偿，补偿设置为8%，根据计算所得设置电感线圈的数值为8.25H.使用ATP-EMPT作为建模软件，根据小电流接地系统故障电路模型建立的仿真模型.设置仿真步长为1s，设置采样频率为1MHz.

图3 故障模型电路图

图4 故障模型仿真

3.2 BP神经网络的训练

使用BP神经网络前都要经过训练，用训练数据来训练伸进网络，在训练过程中根据网络预测误差调整网络的权值和阈值.

为了获取故障样本来对BP神经网络进行训练，需要设置不同的故障条件，在每条线路的不同的位置设置故障(位于线路20%，40%，60%、80%处)、不同的过渡电阻(分别设置为5，50，200)、不同故障初相角(5°，30°，60°，90°)进行仿真，提取各种情况下暂态主频的实部和虚部，得到实验样本，实验样本的数量为288，对BP神经网络进行初始化以后，使用MATLAB开始训练.

3.3 故障选线验证

在测试线路4的中点处设置故障，设置故障初相角45°，过渡电阻值为60，仿真得到各条线路故障后三相电流波形.

图6和图7为每条线路初始零序电流经过FFT后的幅频和相频特性.根据提取的电流零模分量暂态主频的实部和虚部可以得到

(X1…X6)=(5，8，13，-81，27，37),

(X7…X12)=(351，713，1098，-7241，2004，3038).

综合得到输入信号X=(5，8，13，-81，27，37,351，713，1098，-7241，2004，3038)，将数据X输入训练好的BP神经网络后得到Y=(-0.0337，0.0271，0.0672，0.7957，-0.0716，-0.1094).因此可以选出故障线路为线路4.

图5 电流行波零模分量暂态图图6 零模电流的幅频特性图7 零模电流相频特性

表1 暂态主频数据

故障线路故障距离/km线路1线路2线路3线路4线路5线路6L11.5994-j5321-69+j364-110+j578-160+j841-225+j1194-426+j2312L23-22+j245559-j6216-71+j785-102+j1112-135+j1513-222+j2526L34.5-11+j302-23+j616246-j6840-48+j1330-63+j1776-93+j2779L465+j3518+j71313+j1098-81-j724127+j200437+j3038L57.511+j39722+j80534+j123558+j1702-219-j7478104+j3303L61033+j46866+j946101+j1448142+j1984178+j2579-506-j7459

表2 选线结果

测试数据Y1Y2Y3Y4Y5Y6选线结果11.00400.02560.0943-0.1094-0.1166-0.1787L120.00021.0317-0.1530-0.0026-0.1159-0.2834L230.00300.01931.1865-0.1324-0.1414-0.1830L34-0.03370.02710.06720.7957-0.0716-0.1094L450.012830.05150.244144-0.134780.7031-0.1326L560.0356-0.002-0.17960.1564-0.14790.8987L6

4 结束语

利用人工神经网络基于零序电流暂态主频的实部和虚部对小电流接地系统故障的选线算法，是利用将不同的故障特征量作为样本输入神经网络训练，利用训练好的神经网络进行故障选线.仿真证明，该方法能够确定小电流接地系统的故障线路.

[1]徐丙垠，薛永端，李天友,等.小电流接地故障选线技术综述[J].电力设备，2005,6(4)：1-7.

[2]龚静，李英姿，王亚慧，等.基于DSP的小电流接地系统暂态首半波法实现[J].电工技术，2005,6(9)：34-36.

[3]薛永端，冯祖仁，徐丙垠，等. 基于暂态零序电流比较的小电流接地选线研究[J]. 电力系统自动化，2003，27(9)：48-53.

[4]张新慧，潘贞存，徐丙垠,等.基于暂态零序电流的小电流接地故障选线仿真[J].继电器，2008，36( 3): 5-9．

[5]薛永端，徐丙垠，冯祖仁，等.小电流接地故障暂态方向保护原理研究[J].中国电机工程学报，2003,23(7):51-56.

[6]朱丹，贾雅君，蔡旭，等.暂态能量法原理选线 [J].电力自动化设备，2004,24(3):75-78.

[7]吴乐鹏，黄纯，林达斌，等.基于暂态小波能量的小电流接地故障选线新方法[J].电力自动化设备，2013,33(5)：70-75.

[8]张新慧，潘馨雨，何柏娜,等.基于暂态主频零模电流的故障选线仿真研究[J].计算机仿真，2013,30(10)：157-161.

[9]刘颖异，谭博学.利用暂态行波的小电流接地故障检测方法研究[J].山东理工大学学报，2013,27(2)：43-49.

[10]董新洲，毕见广．配电线路暂态行波的分析和接地选线研究[J]．中国电机工程学报，2005，25(4)：1-6．

[11]葛哲学，孙志强. 神经网络理论与MATLAB7实现[M]．北京：电子工业出版社，2007.

(编辑：刘宝江)

Research on fault line detection for non-effectively earthed system based on BP neural networks algorithm

JIANG Xiao-dong1,REN Li2, LIU Ming1,LI Yan1,CHEN Ping1

(1. School of Electrical and Electronic Engineering, Shandong University of Technology, Zibo 255049, China; 2.Rizhao Power Supply Company State Grid Shandong, Rizhao 276826, China)

For the non-effectively earthed system, this paper propose a method of using neural network to solve the problem of fault line selection. This method extract real and imaginary parts of transient frequency to use the BP neural network to find the fault line. First, a simulation model of non-effectively earthed system was put up by ATP-EMTP software, to simulate different fault distance, transition resistance and fault initial angle in the model to obtain training samples and testing samples. Second,MATLAB was used to train the BP neural network model. At last, the trained neural network was used to find the fault line. The simulation proved that the method can solve the problem of line selection of the non-effectively earthed system.

non- effectively earthed system；transient state；BP neural network; fault line selection

2016-05-13

姜晓东，男，1016466541@qq.com； 通信作者：陈平，男，pingchen1969@263.net

1672-6197(2017)01-0067-04

TM773

A