基于神经网络下柔性直流混合输电线路故障测距的思考

2018-02-01程孟晗

中国设备工程 2018年13期

程孟晗

（中国矿业大学，江苏徐州 221000）

我国东南沿海城市所开展的智能电网建设工程引起了全国的瞩目，该电网建设工程是我国著名的柔性直流输电示范工程，在电力技术的研究中，这种类型的柔性直流输电工程利用电缆、架空线路彼此混合，实现缆线混合技术的全新应用，不仅能够实现多能源并网，同时也可以帮助配电网有效实现增容。运用神经网络技术进行故障测距，将是其运行过程中重要的安全保障。

1 柔性直流输电故障分析

1.1 柔性直流输电故障产生

虽然在当前阶段智能电网建设当中，柔性直流输电技术作为“主力军”，拥有多个方面的突出价值，但是在应用过程中也表现出缺陷。首先，相比于传统的输电线路，柔性直流输电线路的损耗较大。在相关的数据对比中也可发现，传统输电线路的单站损耗约为0．8%，而柔性直流输电线路的单站损耗能够超过1．5%，其中尤以三电平拓扑的vsc线路最为显著，其单站损耗高达2．2%；其次，柔性输电线路的容量相对较小，受到小容量的影响，其内部的关断器件所形成的电压和电流的额定值全部偏低，且远低于晶闸管的额定值。目前投产的柔性直流输电工程最大容量不足1000MW，仅为传统输电线路的六分之一。

受到缺陷因素的影响，柔性输电线路的固有频率也相对特殊，其所发生的故障也多是由于其固有频率所导致的。在以往的故障发生时，柔性输电线路的故障位置所存有的行波会形成异动，并在系统侧与故障位置之间进行循环反射，这种反射过程被称为“故障行波”。故障行波是柔性输电线路中一种独特的谐波，并且具有固定频率，这个固定频率可以有衰减系数、波速度、故障距离以及反射系数计算求得。

1.2 柔性直流输电故障特征

与一般传统的输电线路相比，柔性直流输电线路的母线出线较少，同时电压能够保持恒定，因此其暂态信号十分丰富，在进行故障位置确定以及故障测距时，需要通过对其内部所拥有的固有频率进行判断，才能够准确获取母线并联的行波衰减情况。而在智能电网的装配中，线缆混合状态的柔性直流电路十分普遍，在不同的环境当中，行波所呈现出的波速差异大，其中输电线路所拥有的物理边界会受到电缆或架空线路的影响发生偏移，因此传统的公式计算法并不能够准确地对故障距离进行有效判断，本文主张选用先进的神经网络方法对故障距离和故障位置信息进行获取。

现阶段电网当中的线缆混合柔性电路种类较多，其中较为复杂的柔性输电线路为B型混合线路，是指架空线-电缆-架空线的组合方式。在这种模式当中，行波可能会出现在架空线一段，也有可能出现在架空线二段，甚至会出现在电缆线中，由于其所出现的位置不固定，其实际的故障距离也会出现较大偏差。但在柔性输电线路中，固有频率可以组成等间隔频谱，神经网络能够通过频谱当中主频、定频的形态对故障情况进行充分判断，从而获取故障位置信息。

2 神经网络的搭建

2.1 神经网络的框架和互联

神经网络实际上是一种拓扑网络，通过网络拓扑结构使各个处理单元、处理节点的彼此连接，这种彼此连接的互联模式所构成的网络被称为神经网络。当然，神经网络的节点互联并不是无限制的彼此连接，在连接过程中，还会受到设计者关于层次要求、全互联要求的影响，进行外部神经网络环境的构造。神经网络从所处的神经环境当中获取信息，再通过信息处理将信息回馈到所处环境之中去，最终构成整个神经网络的框架。一般来说，神经网络的搭建需要具备三个单元，分别为输入单元、隐含单元以及输出单元。其中输入单元是与外界环境进行信息获取的接受单元，隐含单元则是神经网络之中进行信息处理的单元，在完成信息处理之后，则由输出单元将信息回传至外部环境之中，形成神经网络与外界环境的联系。随着研究的不断深入，现阶段的神经网络也越发复杂化，相较于早期的简单网络构成，现阶段神经网络所形成三层网络模型能够对任何函数进行映射，从而提升神经网络的计算分析能力。

2.2 三层前馈型BP网络的搭建

作为对于人脑系统的抽象化模拟，神经网络主要借助非线性的可微函数对获取到的信息进行映射，并展开权值训练。在众多的训练方式当中，三层前馈型BP网络具有突出的应用价值，其不但可以对非线性的数据信息进行任意两组的映射联系，同时还具有非线性的逼近能力，提升容错率。在线缆混合的柔性输电线路故障测距当中，故障出现时所形成的样本数量巨大，其中故障类型、过渡电阻、故障线路模式、侧运行方式等，都具有十分复杂的特殊性。为了能够使这部分特殊性得到充分的运用和处理，最终获取到精确的判断结果，需要借由三层前馈型BP网络，对影响因素进行集合，并形成训练样本集。而为了避免由于样本数量巨大、映射内容过多所导致的收敛性差、学习效率低等问题，本文依托传统的神经网络进行了分布式的系统测距模型搭建。在模型中，BP神经网络依据功能需求形成了测距子模块，子模块包含数据信息处理、故障区域识别两个功能，并与架空线路一段、架空线路二段以及电缆线三个部分保持连接，通过分析，获得不断位置的故障测距结果。

2.3 神经网络的硬件支持

为了能够提升神经网络对于线缆混合柔性输电线路的故障位置的判断能力，本文在进行神经网络搭建时，对硬件进行了全面的要求和设计。截至目前，在关于神经网路的搭建方面，已经有了全硬件模式的构想。所谓全硬件模式，是通过物理硬件的处理单元和信息通道完成与神经网络之间的彼此对应。在神经网络之中，每一个神经节点都有与之唯一对应物理器件，这个物理器件在网络当中充当模拟运算的放大器，实现并行，最终达到运算速度的提升。但是全硬件模式作为一种构想，在现阶段尚无法完全实现，其中网络结构的构成往往需要数以万计的微处理器相互连接形成网络，因此很难在现实当中完成拓扑连接。基于这一特点，本文选用了可以对这一构想进行模拟的neuroshell仿真系统，这个仿真系统所拥有的训练收敛网络能够依据用户的实际需求进行编程，同时其用户界面相对友好，能够通过模块显示的方式，将神经网络当中的样本输入、网络选择，网络训练以及结构输出表现出来。

3 故障测距的神经网络仿真

3.1 种子群优化的BP网络训练

BP网络为了能够实现快速收敛，形成权值和阈值通过多层前馈网络使神经网络得到调整，需要通过种子群优化的方式进行训练，从而提升鲁棒性能，避免陷入局部极小点。种子群优化主要目的在于提升全局搜索性能，因此可以通过测距子模块，将故障测距的神经网络结构进行重新的拓扑搭建，使其具有相应的权值和阈值。在具体数目的权值和阈值之中，种子群的粒子所在的搜索空间则被限定，进而形成针对适应度函数的实际输出与期望值之间的差值运算。以架空线一段为例，其拓扑结构中权值约为45个、阈值为10个，因此粒子的搜索空间变为55维。BP网络对优化后的权值和阈值进行了1000次训练，得到学习率约为0．02，其中目标函数误差低于0．0005，表明具有训练效率。

3.2 设计故障测距子网络

线缆混合的柔性输电线路当中，故障发生时会受到过渡电阻、端系统阻抗变化的影响，使故障定位变得十分模糊，因此在完成BP网络训练之后，需要通过建设故障测距子网络，使三层BP网络能够形成复杂线性函数逼近，最终使样本量得到全面压缩，形成神经网络收敛。在建设过程中，故障子网络的建设需要依据线缆混合柔性输电线路的故障特征进行分别制定。本文以单相接地故障为例进行了测距的故障子网络设计。在柔性输电线路中，单相接地故障发生时，故障相的电压开始出现下降趋势，电流则随之上升。因此在这一过程中会出现故障相电压、电流以及零序电流三个故障量。依据故障周波的数据间隔进行取点，每30°进行取值可以获得12个数据，并与零序电流的采样点相结合形成24个输入节点，通过隐藏层的分析，可以得到42个节点，其中每一个输出节点都可以视作为一个故障距离。因此在训练网络当中可以进行故障点的沿线选择，设定为步长10km的两段母线故障。同时在100Ω电阻范围内，接地过渡则为四种形态，对端系统中阻抗的最大运行方式有三种情况，两侧电势夹角也有三种情况，训练样本为21×4×3×3=756个，通过计算机进行训练收敛计算，收敛时间仿真为0．9h。

3.3 神经网络仿真的故障测距误差分析

为了能够准确判断神经网络在柔性输电线路当中的测距准确度，本文对B型输电线路中架空线一段、架空线二段以及电缆线分别进行了过渡电阻的故障设定，过渡电阻为30Ω和50Ω两组，并与真实的故障距离进行对照，了解误差情况。其中，架空线一段中，30Ω过渡电阻故障真实故障距离为3608m，神经网络测距为3600m，标准误差为8m，50Ω过渡电阻故障真实距离为18630m，神经网络测距为18600m，标准误差为30m。架空线二段的故障测距中，30Ω过渡电阻故障真实故障距离为103．38km，神经网络测距为103．31m，标准误差为70m，50Ω过渡电阻故障真实距离为118．73km，神经网络测距为118．5km，标准误差为230m。在电缆线的故障测距中，30Ω过渡电阻故障真实故障距离为81693m，神经网络测距为81600m，标准误差93m，50Ω过渡电阻故障真实距离为85554m，神经网络测距为85600m，标准误差为-46m。通过数据对比可以看出，神经网络在实际的柔性输电线路故障测距中，精准度较高，所有测距标准误差均能控制在1%以内，效果十分理想。