基于FRFT和RBF神经网络的升船机配电网单相接地故障研究
2024-01-16张治臣徐合力
张治臣,徐合力,高 岚
(武汉理工大学船海与能源动力工程学院,湖北 武汉 430063)
升船机配电网输电线路短、耗损较小、电气设备集中,负载切换频繁、总负载波动变化量较大。在陆地电网故障中,所占发生故障比例超过半数的均为单相接地故障。而在单相接地故障发生后若不及时排除,可能导致其发展成为相间短路等危害极大的故障,威胁系统安全。
针对本文中研究的某升船机配电网,其具有电网结构简单对称、输电距离短的特点,陆地电网中常用的主动式与被动式方法并不适用。文献[1]中针对美国海军综合推进系统(IPS)提出了一种基于人工神经网络(ANN)方法的故障区域定位技术,文献[2]中更近一步将ANN 方法应用于中压船舶直流综合电力系统中对接地故障进行区域定位和分类。文献[3]中针对免疫遗传进行优化,通过馈线终端设备(FTU)监测故障电流经过的区域,对单相接地故障区域进行判断。文献[4]中利用免疫粒子群算法优化小波神经网络的方式对输电线路单相接地故障进行区域定位。对于单相接地故障的识别技术已经成熟,但利用录波设备如FTU等,通过波形来识别单相接地故障及故障区域的技术的研究还是较少[5]。
针对以上研究现状,本文采用FTU 设备对配电网进行监测,并针对升船机配电网中可能出现的单相接地故障设计故障识别方法。采用分数阶傅里叶变换(FRFT)对FTU 设备采集信号进行特征提取,通过径向基(RBF)神经网络实现对单相接地故障的准确区域定位。最后通过仿真实验进行对比,验证算法的实用性和准确性。
1 单相接地故障特征提取
单相接地故障发生时电压变化的特征明显,非故障相电压会上升至正常工作时的 3 倍,且在故障前波形稳定。利用电压信号对故障进行分析十分方便,故需要对故障的暂态分量进行分析。FRFT在传统傅里叶变换的基础上进行了更广义的定义,适用于对暂态状态进行分析,本文采用了FRFT 对电压信号特征进行采集。单相接地故障示意图如图1所示。需要注意的是,图1中不同颜色的箭头表示不同相的电流。
图1 单相接地故障示意图
1.1 FRFT
FRFT 在保留传统傅里叶变换原有特性的基础上增加了一些新功能,属于广义傅里叶变换,它的算子可以旋转任意角度,从而得到信号新的表示,反映局部时频特征。
本文拟采用Ozaktas 采样型算法进行故障信号分析。Ozaktas 采样型算法是一种分解型算法,在计算之前需进行量纲统一化,将时域和频域分别转换为无量纲的域,并将信号的时宽和带宽统一起来。
量纲归一化后,按照Ozaktas 分解方法进行数值计算,将FRFT的定义式改写为:
式中,XP(u)是原始信号x(t)的FRFT;Aα为傅里叶变换系数;j为虚数单位;x(t)为原始信号;α=pπ/2,为时频域的旋转角度,p为变换阶次;t和u分别代表变换前信号在时域和变换后信号在u域的横坐标。
将上式分解为3个步骤,公式如下:
式中,g(t)、g′(u)分别为调制信号和变换信号。
按照式(3)~式(5),x(t)先后经过2 次调制和1次傅里叶变换,与此同时,每一次分解步骤都需进行离散化处理,得到信号x(t)的FRFT 计算结果。
1.2 基于FRFT的配电网故障特征提取方法
假设某电力系统输出一个原始信号x(t),经过数据转换、滤波操作等预处理后,则x(t)的FRFT域的功率谱HXP(u)定义如下:
式中,N为采样的数据总点数。
原始信号x(t)在FRFT 域的固定频带的能量率E(u)表示为:
将固定频带划分为若干个子频带,第i个子频带的能量率Ei(u)为:
式中,H(u)是原始信号x(t)的第i个子频带的功率谱,Ni表示第i个子频带的采样点数。
2 基于RBF神经网络的故障识别
2.1 RBF神经网络
RBF 神经网络是一种三层神经网络,其包括1个输入层、1 个隐层和1 个输出层。网络的拓扑结构如图2 所示。输入层神经元Xp个数为p,隐层神经元Cn个数为n,输出层神经元Yq个数为q。在网络模型中,其输入层和输出层神经元个数是确定的,隐层神经元个数在网络训练中自动增加直到满足精度要求为止。
图2 RBF神经网络拓扑结构图
2.2 基于FRFT-神经网络的故障定位方法
本节在“2.1”的基础上建立合适的神经网络模型,将提取的故障特征向量作为神经网络模型的输入样本,对神经网络进行训练后用于电网故障的区域定位。过程分为以下几个步骤。
1)提取故障特征。根据“2.1”的方法进行升船机配电网故障特征提取,得到故障特征向量。
2)建立神经网络模型。配电网正常运行时的支路总数为14 条,为了将电网故障定位到具体支路,设定神经网络模型的输出神经元个数为1。同时选定神经网络类型,完成神经网络模型的建立。
3)训练神经网络。设定神经网络的最大训练步长及误差精度等参数,导入仿真模型中提取的故障特征向量数据,对神经网络进行训练学习。
4)定位升船机配电网中的故障区域。导入单个的升船机配电网故障数据,利用训练好的神经网络进行故障区域定位,输出故障所在支路编号。
升船机配电网故障定位方法流程图如图3所示。
图3 升船机配电网故障定位方法流程图
3 区域定位仿真及分析
3.1 升船机配电网模型
因升船机配电网结构南北两侧对称,取北侧作为研究对象。其中升船机负载分别为驱动电机、各类泵、应急设备等。电源额定参数为10 kV、50 Hz,变压器额定参数为2 000 kV·A、电压变比10 kV/400 V,负载额定电压均为400 V,负载额定功率如表1 所示,升船机配电网结构如图4 所示,图4、表1中L1~L8为各负载,S1~S17为各支路。
表1 负载额定功率 kW
图4 升船机配电网结构
针对每条支路发生故障,采集所有支路的故障波形作为训练数据。因为升船机承载船型不同,驱动电机功率不同,电机的输出功率一般为单机额定功率的60%~80%。针对训练后的神经网络,采用不同电机功率下采集的3 组数据进行验证,分别为:60%、70%和80%额定电机功率。总共采集140 组训练数据,42 组验证数据。当输出值与目标值差值在0.5 以内,即认为故障区域定位准确。
本文中引入BP 神经网络作对比,将训练数据分别输入BP 神经网络和RBF 神经网络,再输入新的故障数据进行验证实验。RBF神经网络隐层为单层,总层数为3层。按照升船机电网故障特征向量的维数,设置训练速度为420;按照故障可能发生的支路数量,设置输出层的神经元个数为1,隐层到输出层的激活函数采用Gaussian 函数。将输出目标值与具体故障支路的编号对应,如S3 支路故障,则输出目标值为1。故障位置与神经网络输出的对应关系如表2所示。
表2 故障位置与神经网络输出的对应关系
3.2 FTU正常运行时的故障分析
FTU 正常运行时,通过其本支路采集各支路数据,每条支路的数据都采集完成后即可对故障进行诊断。输入故障波形对训练后的神经网络进行验证,正常运行时故障区域定位对比如图5 所示。图5 中,第1,4,7,…,40 次试验为电机功率为额定的60%时各支路故障定位结果,70%和80%额定电机功率下的定位结果以此类推。由图5 可知,FTU 正常运行时,BP 神经网络和RBF 神经网络均能有效定位单相接地故障。
图5 正常运行时故障区域定位对比
3.3 单支路信息丢失故障分析
以S7 支路为例,当S7 支路信息丢失时,无输入信号。则采集特征值为0,将验证数据中的S7支路特征值设置为0,输入训练后的神经网络进行试验,单支路信号丢失时故障区域定位对比如图6 所示。由图6 可知,单支路信号丢失时BP 神经网络定位结果出现了偏差,其中S4、S7、S14、S15、S16 支路的输出值与目标值有明显偏差,但输出值偏差不超过0.5,可视为准确定位。单支路信号丢失对RBF 神经网络无影响,能准确定位单相接地故障。
图6 单支路信号丢失时故障区域定位对比
3.4 多支路信息丢失故障分析
以S7、S10 支路为例,当支路信息丢失时,无输入信号。则采集特征值为0,将验证数据中的S7、S10 支路特征值置为0,输入训练后的神经网络进行试验,多支路信号丢失时故障区域定位对比如图7所示。由图7可知,多支路信号丢失时BP神经网络仅对S3、S6 2条支路的单相接地故障能准确定位,对S7 支路60%和70%额定电机功率状态下的单向接地故障能准确定位。定位准确率仅为19.04%,故不能对单相接地故障进行准确定位。多支路信号丢失对RBF 神经网络无影响,能准确定位单相接地故障。
图7 多支路信号丢失时故障区域定位对比
3.5 算法性能对比
通过对神经网络单相接地故障区域定位的结果进行统计,分列不同负载功率下的故障区域定位准确率,可得升船机配电网单相接地故障区域定位对比如表3所示。
表3 升船机配电网单相接地故障区域定位对比 %
在输入训练数据相同的情况下,RBF神经网络不需要对权重阈值进行迭代,且训练时间为2 s。BP 神经网络训练迭代次数为64,训练时间为45 s。可得RBF 神经网络在训练次数和训练时间方面都优于BP神经网络,可以更高效地对数据进行处理,构建新的神经网络。
由图5~图7 及表3 的对比可知,在电网中FTU 信号采集未出现故障时,BP 神经网络的表现优于RBF 神经网络,偏差更小。单支路信号丢失时,BP 神经网络和RBF 神经网络仍能准确定位单相接地故障,此时BP 神经网络的偏差更大。多支路信号丢失时,RBF 神经网络仍能保持准确定位。BP 的故障区域定位准确率仅为19.04%,不能对单相接地故障进行有效定位。由此RBF 对单相接地故障区域定位的稳定性优于BP 神经网络,在信号丢失时仍可对单相接地故障进行有效定位,同时在训练速率上也优于BP 神经网络。
4 结束语
本文建立了升船机配电网的仿真模型,结合电网中可能出现的故障,选择FTU 设备对电网进行监控。并利用RBF 神经网络,实现了对单相接地故障的监测定位功能。主要研究结论如下。
1)通过FRFT 能有效提取单相接地故障的特征向量,适用于非平稳信号的处理。
2)RBF 神经网络与FRFT 结合的方法能有效识别电网中出现的单相接地故障,且RBF 神经网络相较于BP 神经网络更快速、有效,在出现采集信号丢失的情况下也能有效识别单相接地故障。