遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò )在小電流接地系統故障選線(xiàn)中

如何準確地檢測出故障線(xiàn)路一直是電力系統繼電保護的重要研究課題。本文將遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò )應用到故障選線(xiàn)中，并將多種電氣量綜合，進(jìn)行故障選線(xiàn)。相比于以往的判別方法，此法大大提高了故障選線(xiàn)的準確性。
　　關(guān)鍵詞：故障選線(xiàn) 遺傳算法 神經(jīng)網(wǎng)絡(luò )

Fault line selection in small current grounding power system with the artificial neutral network optimized by genetic algorithmic

Dou Hongji Yao Tingting Liu Linxing

(Nanjing University of Science and Technology, Nanjing 210094)

　　ABSTRACT：How to detect the fault line quickly and accurately is an important subject in electronic system protective relaying. In this paper, with the using of artificial neutral network optimized by Genetic Algorithmic and fusing all kinds of fault information the veracity of the fault line selection in small current grounding power system has great improved.
　　KEYWORD：Fault feeder detection Genetic algorithmic—GA Artificial neutral network－ANN

0 引言
　　小電流接地系統中發(fā)生單相接地時(shí)，由于故障點(diǎn)的電流很小，而且三相之間的線(xiàn)電壓仍然保持對稱(chēng)，在一般情況下，都允許再繼續運行1～2小時(shí)，而不必立即跳閘，但為了防止故障進(jìn)一步擴大成兩點(diǎn)或多點(diǎn)接地故障，應及時(shí)發(fā)出信號，及時(shí)消除故障。但在現場(chǎng)運行中，單一故障選線(xiàn)方法的準確度較低，原因在于：小電流接地系統零序阻抗大，并受故障接地過(guò)渡阻抗的影響，故障電流小，故障線(xiàn)路與非故障線(xiàn)路的區別不明顯；受各種干擾因素的影響，故障選線(xiàn)裝置測量到的故障特征量(如零序電流、零序功率方向等)具有很大的模糊性和不確定性。
　　神經(jīng)網(wǎng)絡(luò )是模擬人類(lèi)生理上的神經(jīng)機制的計算模型，其中一種典型網(wǎng)絡(luò )，也是最為成熟的一種網(wǎng)絡(luò )為多層前饋神經(jīng)網(wǎng)絡(luò )又稱(chēng)BP（Back propagation）神經(jīng)網(wǎng)絡(luò )。BP網(wǎng)絡(luò )在電力系統的各個(gè)領(lǐng)域有了廣泛的應用，但在小電流接地選線(xiàn)中還沒(méi)有較為成熟的應用，這是由小電流接地選線(xiàn)的故障特點(diǎn)及 BP網(wǎng)絡(luò )容易陷入局部極小點(diǎn)以及學(xué)習能力有限所共同決定的。針對此問(wèn)題，本文提出將遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò )用于故障選線(xiàn)中，通過(guò)對故障時(shí)的各種特征量的綜合判別，來(lái)大幅度提高故障選線(xiàn)的準確率。

1 算法原理及網(wǎng)絡(luò )模型
　　遺傳算法[2]是一種新型的，根植于自然遺傳學(xué)和計算機科學(xué)的優(yōu)化方法。其本質(zhì)是將優(yōu)勝劣汰、適者生存的原理及遺傳機理抽象出來(lái)，形成了一種非常使于計算機實(shí)現的算法。遺傳算法的計算過(guò)程是將實(shí)際的優(yōu)化問(wèn)題編碼為染色體，實(shí)際問(wèn)題的目標函數則用染色體的適應函數表示、在隨機產(chǎn)生一群染色體的基礎上，根據各染色體的適應函數進(jìn)行繁殖、交叉、變異等遺傳操作，產(chǎn)生下一代染色體。適應函數值的大小決定了該染色體被繁殖的機率，從而反映了適者生存的原理。
　　遺傳算法能夠收斂到全局最優(yōu)解，而且遺傳算法的魯棒性強，將遺傳算法與BP網(wǎng)絡(luò )結合起來(lái)，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò )的泛化的映射能力，而且，使神經(jīng)網(wǎng)絡(luò )具有很快的收斂性以及較強的學(xué)習能力。遺傳算法與神經(jīng)網(wǎng)絡(luò )結合主要有兩種方式：一是用于網(wǎng)絡(luò )訓練，即學(xué)習網(wǎng)絡(luò )的連接權值；二是學(xué)習網(wǎng)絡(luò )的拓撲結構。本文主要將遺傳算法用于神經(jīng)網(wǎng)絡(luò )的訓練。
　　BP神經(jīng)網(wǎng)絡(luò )模型如圖1所示：BP網(wǎng)絡(luò )分輸入層、隱含層和輸出層，層與層之間采用全互連方式，在同一層單元之間不存在連接關(guān)系。信號在網(wǎng)絡(luò )中是單方向向前傳播的。

　　BP網(wǎng)絡(luò )的每一層連接權值都可以通過(guò)學(xué)習來(lái)調整，未經(jīng)遺傳優(yōu)化的BP網(wǎng)絡(luò )的權值調整請見(jiàn)參考文獻[1]。
　　在遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò )中，層與層之間的連接權值用1、0表示，相連為1，不相連為0。在神經(jīng)網(wǎng)絡(luò )訓練時(shí)，首先列出神經(jīng)網(wǎng)絡(luò )所有可能存在的神經(jīng)元，將這些神經(jīng)元所有可能存在的連接權值編碼成二進(jìn)制碼串表示的個(gè)體，隨機地生成這些碼串的群體，進(jìn)行常規的遺傳算法優(yōu)化計算。將碼串解碼構成神經(jīng)網(wǎng)絡(luò )，計算所有訓練樣本通過(guò)此神經(jīng)網(wǎng)絡(luò )產(chǎn)生的平均誤差可以確定每個(gè)個(gè)體的適應度。具體過(guò)程見(jiàn)圖2。這樣，可以很好地解決神經(jīng)網(wǎng)絡(luò )容易陷入局部最小的問(wèn)題，并且可以大大提高神經(jīng)網(wǎng)絡(luò )的學(xué)習能力。

2 輸入、輸出量的選取
　　在中性點(diǎn)不接地電網(wǎng)中，假定有K條饋電線(xiàn)路，則在神經(jīng)網(wǎng)絡(luò )輸入、輸出量選取如下：
2．1 輸入量的選取
　　根據饋電線(xiàn)路數K，每條饋線(xiàn)輸入數據共有N個(gè)，則共有K*N個(gè)輸入節點(diǎn)，每條饋線(xiàn)輸入數據分別為：
　　1） 零序測量導納Yoi[3]
　　根據電網(wǎng)正常運行時(shí)的零序回路，利用消弧線(xiàn)圈適當的脫諧狀況和位移電壓的相應改變，可將每條饋線(xiàn)零序阻抗的不對稱(chēng)分量，即對地導納計算出來(lái)。如果所有的零序導納都不超過(guò)正常運行時(shí)電網(wǎng)限定的允許值，則無(wú)故障；當任何一條饋線(xiàn)發(fā)生單相接地故障時(shí)，就相當于產(chǎn)生了一個(gè)附加的不對稱(chēng)電源，這就會(huì )導致零序電壓和饋線(xiàn)零序電流的總和量發(fā)生變化，此時(shí)同樣計算出該條饋線(xiàn)的對地導納。將計算出的饋線(xiàn)對地導納輸入神經(jīng)網(wǎng)絡(luò )，作為第一組輸入數據。
　　2） 零序電流幅值
　　單相接地短路時(shí)，流過(guò)故障元件的零序電流在數值上等于所有非故障元件對地電容電流之和，即故障線(xiàn)路上的零序電流最大，所以零序電流幅值的大小，也是判別故障線(xiàn)路的有效數據。故將各條饋線(xiàn)的零序電流作為第二組輸入數據。
　　3） 五次諧波分量
　　從過(guò)渡電阻的非線(xiàn)性可知故障點(diǎn)本身就是一個(gè)諧波源（金屬性接地是經(jīng)電阻接地發(fā)展而來(lái)的），且以基波和奇次諧波為主，根據諧波在整個(gè)系統內的分布和保護的要求，使用五次諧波分量為宜。NES（中性點(diǎn)經(jīng)消弧線(xiàn)圈接地系統）中的消弧線(xiàn)圈是按照基波整定的，即有,可忽略消弧線(xiàn)圈對五次諧波產(chǎn)生的補償效果，因零序電流五次諧波分量產(chǎn)生在NES中有著(zhù)與NUS（中性點(diǎn)不接地系統）中零序電流基波分量相同的特點(diǎn)，根據上述零序電流幅值法原理，將其經(jīng)消弧線(xiàn)圈所得五次諧波分量取其電流幅值，作為第三組輸入數據。
　　4）序分量測量值Is
　　根據參考文獻[4]，利用對電流正、負序分量的有效值進(jìn)行相加，得出一綜合測量值Is將其作為第四組輸入數據。
　　在此神經(jīng)網(wǎng)絡(luò )中，僅選擇了4組輸入數據，在實(shí)際應用中，可以根據實(shí)際情況，加入其它數據，以更好地進(jìn)行選線(xiàn)。
2．2 輸出量的選取
　　在此網(wǎng)絡(luò )中，共選取K+1個(gè)輸出節點(diǎn)，代表1至K條饋線(xiàn)，第K+1個(gè)節點(diǎn)代表母線(xiàn)，傳統的輸出1代表有故障，0代表不故障的絕對關(guān)系靈活化，其值可以取[0,1]區間的任一數值，再將其輸出數值進(jìn)行判斷，大于0.5判為故障，小于0.5判為不故障。

3 網(wǎng)絡(luò )學(xué)習及訓練
選取一有10條饋電線(xiàn)路的輸電系統，如圖3所示：

　　此輸電系統中，L1～L4為電纜線(xiàn)路，L5～L10為架空線(xiàn)路。
　　對此網(wǎng)絡(luò )進(jìn)行學(xué)習訓練。根據訓練的實(shí)際情況，選取64個(gè)隱含節點(diǎn)，則依據上述原理，生成一個(gè)有4×10×64×2位的個(gè)體，然后依據遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò )的算法原理，進(jìn)行網(wǎng)絡(luò )訓練。在此實(shí)際網(wǎng)絡(luò )中，例如，當L3饋線(xiàn)發(fā)生接地短路時(shí)，則神經(jīng)網(wǎng)絡(luò )的理想輸出為[0 0 1 0 0 0 0 0 0 0]，神經(jīng)網(wǎng)絡(luò )的實(shí)際輸出為yi（i=1,2,...,10)，為求取其適應度函數值，先求取方差，則其適應度函數取為f=100/S?？梢?jiàn)，其適應度函數越高，方差越小，與標準選線(xiàn)結果也就越接近。
　　經(jīng)過(guò)87次的訓練，該網(wǎng)絡(luò )訓練完成。進(jìn)行實(shí)際運算得到的結果表明，其判斷準確率可達90％以上。

4 結論
　　與傳統的選線(xiàn)方法（五次諧波分量法、零序導納法）相比，此方法根據多個(gè)判據的綜合判定，加上采用了遺傳算法進(jìn)行神經(jīng)網(wǎng)絡(luò )的優(yōu)化，避免了神經(jīng)網(wǎng)絡(luò )容易陷入局部最小的問(wèn)題，大大提高了接地選線(xiàn)的準確性。但隨著(zhù)饋電線(xiàn)路的增加及隱含層接點(diǎn)數目的增加，會(huì )大大加大算法的計算量，考慮到單相接地故障允許運行1～2小時(shí)，隨著(zhù)計算機速度的不斷加快，此問(wèn)題已不是很重要，故在現場(chǎng)運行中是可行的。