石油大学华东人工神经网络作业

基于小波人工神经网络的配电网故障定位技术(中国石油大学信息与控制工程学院,山东青岛266580)摘要：本文提出一种适用于配电网架空线路的单相接地故障定位新方法，该方法以暂态零序电流的小波能量、有功功率、无功功率作为数据融合的特征量，再结合紧致型小波神经网络(WNN)来进行故障定位，并针对小波神经网络存在收敛速度缓慢且容易陷入局部极小的问题，给出一种参数修正改进的算法，通过在权值调整式中增加动量项来选择学习步长，且以新方法初始化各个权值以提高网络学习效率。大量的Matlab仿真结果表明:此方法具有很好的单相接地故障定位能，实验准确率基本可以达到100%，可应用于配电网故障定位。关键词:故障定位;小波神经网络;数据融合;参数修正法ResearchonFaultLocationinPowerDistributionBasedonWaveletNeuralNetworkYinGuohui（ChinaUniversityofPetroleum,Qingdao266580）ABSTRACT:Anewmethodofsingle-phase-to-groundfaultlocationforoverheadlinesofdistributionnetworkwaspresented．Itwasfinishedfaultlocationbyusingthewaveletenergy，activepowerandreactivepowerofthetransientcurrentasthecharacteristicsandbasedontheclose-typeWNN．ToagainstWNNwhichhaslowconvergentspeedandfallintolocalminimumeasily，thispapergivenaparametercorrectedalgorithm，whichwasadoptinthemomentuminthelearningalgorithmsandinitializeallthevalue，ithelpsimprovenetworklearningrate．AlargenumberofMatlabsimulationresultsshowedthatthismethodhasaverygoodsingle-phasegroundingfaultlocationperformance;theexperimentalaccuracycouldbasicallyreached100%andappliedtodistributionnetworkfaultlocation．KeyWords:faultlocation;WNN;dataconvergence;parametercorrectedmethod0引言配电网因其分支多，结构复杂，对地电容电流很小难以检测，导致其馈线的故障点定位一直是故障测距研究中的难题。目前配电网的故障定位方法可以概括为3类：第1类是故障发生后通过向系统注入信号实现寻迹的信号注入法[1-2]，如广泛应用的“S”信号注入法。因注入信号的强度受电压互感器(PT)容量限制，接地电阻较大时线路上分布电容会对注入的信号分流，给定位带来干扰在实际使用中并不理想，且检测时间较长有可能在此期间引发系统的第2点接地，造成线路自动跳闸。第2类是利用户外故障探测器检测故障点前后故障信息的不同来确定故障区段探测法[3-4]，目前常用的户外故障探测器有线路故障指示器和线路馈线远方终端(FTU)2种，皆因其实现配网自动化成本太高，限制了应用范围。第3类是抗干扰能力强的智能算法，如人工神经网络、遗传算法等，但它们较弱的容错性能，限制了其在工程上的应用。近年来，随着小波技术[5]的发展，人们将小波的时频局部化、多分辨率特点与人工神经网络的高度非线性拟合能力相结合，应用到配电网的故障定位中[6-8]。虽然提高了系统适应和学习功能，但因神经网络的输入量过于单一，训练算法过于简单，准确度并没有得到提高。针对上述问题，本文在对小波包分解理论和故障特征进行研究的基础上，克服了以往从单一特征量出发的准确率低、可靠度低等缺点，特以数据融合原则来定位，并运用新的训练方法巧妙进行优化训练，应用Matlab仿真验证了其正确性和可靠性。1单相接地故障信号的处理1.1配电网单相接地故障特征向量的提取文献[9]用Prony方法证实在不同的故障点位置时，故障暂态信号中的某些特征分量呈规律性变化，充分验证了故障点位置与故障暂态信号中某些特征分量存在某些对应关系。文献[10]也通过理论分析和大量模拟实验验证，得到了单相接地故障时暂态零序电压和电流的特征。小波分析[11-12]是一种时频分析工具，它能够根据频率自动调节时域窗口的大小以保证提取到有用的成分，而小波在时域频域同时具有良好的局部化性质，使其非常适用于对具有微弱性、突变性和瞬间性特点的电力系统故障信号进行分析。对于函数空间设为具有良好局部性的母小波，则一个信号f(t)在局部的小波变换给出了某频率段的频率分量：12,||()()dabtbCafxta(1)其中，a为伸缩因子；b为平移因子。再将式（1）离散化得到：111212,,1()NabakittCafiaiabN(2)随着式(2)中a、b两因子的调节变化，上述的小波变换可以实现从局部非稳态的信号中提取各种不同频率的频率分量，便形成了故障暂态信号的另一种特征表示。小波神经网络(WNN)是基于小波变换而构成的神经网络模型，即用非线性小波基取代常用的性激励函数(如S函数)，把小波变换与神经网络有机地结合起来，充分继承了两者的优点。WNN的输入值是这样得到的:将故障发生后采集到的故障线路的零序电流及母线零序电压信号，为故障前1/10个周波和故障后1/2个周波，在Matlab中对这些样本以db10小波进行5层分解获得小波能量，再利用小波能量及故障线路的零序有功功率与无功功率(Xe，Xp，Xq)作为表征不同故障类别的特征向量，然后对这些变量进行归一化处理。1.2数据归一化处理归一化处理是为了加快训练网络的收敛性，目标是使样本数据的均值接近0或与其均方差相比很小。作用是归纳统一样本的统计分布性，能将有量纲的表达式变为无量纲的表达式。这样做目的是：（1）避免具有不同物理意义和量纲的输入变量不能平等使用；（2）保证输出数据中数值小的不被忽略；（3）能够防止净输入绝对值过大引起神经元输出饱和。本文采用线性函数转换法，即：minmaxminixxXxx(3)得到(Xe，Xp，Xq)并作为WNN的输入节点，得到距离后用Mapminmax进行反归一化得到真实距离Y。2基于小波神经网络的故障定位方法2.1样本集的获取故障测距小波神经网络的学习样本集由接地电阻、故障点位置、以及故障合闸角组成。假设故障线路长度为L，则可形成下列学习样本：1)沿线全程选择故障点kΔL(步长k=1，2，…，L/ΔL)；2)故障接地电阻Rf(100Ω，500Ω)；3)故障初始角θ(0°，45°，90°)。例如ΔL=0.2km，总长度为15km时，组合两因素可形成75×2×3=450个测试故障样本。预处理之后将其作为WNN的输入矢量进行学习训练。2.2WNN故障定位的流程样本获取后，经过预处理送入WNN中训练，学习至收敛，保存合适的权值，这是样本的训练过程。测试过程中只要在WNN中输入具体的输入参数就可以利用训练得到的权值输出测试结果。具体流程如图1所示。输入系统运行参数故障距离，系统阻抗，故障合闸角生成仿真故障模式集数据处理生成WNN学习样本集WNN学习至收敛WNN输出权值数据库故障线路的零序电流预处理生成故障输入矢量读入WNN参数执行故障测距WNN输出故障距离图1WNN故障诊断流程图Fig.1FlowchartofWNNfaultlocation2.3WNN的算法BP是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层。为了实现配电网输电线的故障测距，将小波分析和BP神经网络结合起来构成紧致型WNN，是以小波函数代替BP网络中的隐层激活函数来优化网络结构，在解决某些实际问题时，WNN[6]弥补了单纯神经网络容易陷入局部极值、收敛速度慢的缺点，大大缩短了训练时间，提高了训练速度。其模型结构如图2所示。图2WNN模型结构Fig.2ModelStructureofWNN该网络采用3层结构:输入层、小波隐含层、输出层，b1、b2分别为隐层、输出层的阈值。由图2可知,00()HIjhabhihiYfwwX(4)ψa，b(x)为Morlet小波函数，输出层采用S函数激发，即2,1()exp()cos1.752abxxx(5)1()1exp()fxx(6)WNN的训练过程如下：采用梯度法，即最快下降法来求解该问题，前向传播是从网络的输入层开始逐层向前计算，根据输入样本计算各层的输出，求出网络输出层的输出；反向传播过程是对权值的修正，从网络的输出层开始逐层向前进行计算和修正。2个传播过程反复交替，直到收敛为止。通过不断修改各层权值，使目标误差达到最小值。根据最小二乘法算法，设第n个模式(期望输出为dni)的误差性能指标函数为：21112NJnniiniEdY(7)当神经元所采用的功能函数式是连续可微时，可以严格利用梯度法进行推算。令0lhhiiinetwx，则有,()hhabhhnetbneta(8),1/()1()nnnnnjhiiiiabhnEwdYYYnet(9)11,/1()/(10)NJnnnnhiiiiininnabhjhinEwdYYYnetwxa11,/1()()/(11)NJnnnnhiiiijhninnabhhhhhEadYYYwnetnetIbaa11,/1()/(12)NJnnnnhiiiijhninabhhEbdYYYwneta针对WNN存在收敛速度缓慢且容易陷入局部极小的问题[8]，提出了一种参数修正改进算法。即引入了动量因子η∈(0，1)，即学习速率，则t+1时刻网络的权值为：(1)()()jhjhjhjhwtwtwtEw(13)(1)()()hihihihiwtwtwtEw(14)(1)()()hhhhatatatEa(15)(1)()()hhhhbtbtbtEb(16)阈值的调整:(1)()()hhhhctctctEc(17)(1)()()hhhhdtdtdtEd(18)在一般的文献中，初始值都是用随机数产生，用这种方法来获得优良的初始权值是没有保障的，得到的初始值往往使网络误差停止徘徊，使学习次数大幅度地增加甚至是不收敛。为改变这种状况得到高几率的优良的初始权值，本研究针对小波的特点，将WNN的初始参数设置过程与学习样本、小波类型、小波时频特性等联系起来，从而可以获得高几率的优秀初始参数。详细方法见文献[11]，这里不再详述。3实例仿真3.1训练仿真本文以江西省科技支撑计划项目“大型企业配电网故障选线定位技术研究及智能应用系统开发”的示范对象进行建模。线路的正序参数R0=0.20582Ω/km，C0=6.4497GF/km，L0=3.69mH/km，零序参数R1=0.063993Ω/km，L1=1.0269mH/km，C1=0.11542GF/km，线路1长15km，线路1的A相发生单相接地故障。训练参数如表1所示。表1训练数据Tab．1TrainingdataR/Ωθ/(°)d/kmXeXpXq15.00.00121.00001.000