基于BP神经网络的小电流接地故障选线方法

金赓 邱实 张俭 陆海军

摘要：介绍神经网络的理论及其一般模型，提出一种基于小波神经网络的小电流接地故障选线方法，给出故障诊断流程。采集某变电站的实际数据，按BP神经网络的学习与训练过程进行验证，确认该方法具有可行性和有效性。

关键词：BP神经网络；小电流接地；故障选线

中图分类号：TM862；TM711 文献标识码：A 文章编号：1674-1161（2016）07-0043-04

我国在6～66 kV电网领域主要采用小电流接地方式，在发生单相接地故障时，可以带接地故障运行2 h，以提高供电可靠性。但是，如果接地电流较大或者发生永久性接地故障，接地电弧将持续燃烧，并发生弧光接地过电压，进而可能引发相间短路故障。至今，许多变电站仍然使用人工拉路方法查找故障线路。随着电网自动化水平的不断发展，小电流接地故障选线问题需要从根本上予以解决。因此，研究准确度高、可靠性强的自动选线技术，对提高供电可靠性和电网自动化水平具有十分重要的现实意义。

1 神经网络理论及一般模型

1.1 BP神经网络理论

神经网络理论起源早，能够较好地模仿人脑组织结构和运行机制，从微观结构和功能上描述非线性和不确定系统。应用比较广泛的神经网络是反向传播网络，也称BP网络。BP网络是利用非线性可微分函数进行权值训练的多层网络，在函数逼近、模式识别、信息分类及数据压缩等领域广泛应用。

对于小电流接地系统的故障选线来讲，采集信号映射和诊断检测结果之间存在非线性关系，可用神经网络训练方法实现。虽然需要大量的训练和检验数据，但从检测选线动作和准确度来说，基于神经网络的故障选线方法具有较好的利用价值。

1.2 BP神经网络一般模型

如图1所示，神经网络的神经元大多类似，但BP神经元有所不同，其输出函数可以为非线性函数。常用的非线性函数有logsig和tansig函数，部分输出层也采用线性函数，输出为：

a=logsing（Wp+b） （1）

式中：p=[p1， p2，…，pR]，为该神经元的输入向量；W=[ω1， ω2，…， ωR]，为权值向量，表示R个该神经元与其他神经元的突触连接强度；B为该神经元的阈值。

如果神经元输入向量的加权Wp大于b，则该神经元被激活，因此输入向量的加权和又称为激活值。logsig表示神经元的传输函数。

2 BP神经网络的学习与训练理论

BP神经网络结构确定后，通过样本数据对网络模型进行训练，即对BP神经网络的阈值和权值进行学习及修正，使网络模型确定的输入输出映射关系更精确。普通的三层BP网络结构如图2所示。

BP网络学习是典型的有导师学习，算法的学习由下面4个过程组成。

2.1 正向传播

如BP神经网络结构所示，设BP网络隐含层节点的激活函数为f1（），则隐含层的q个节点的输出为：

2.3 网络训练

网络训练是反复交替进行正向传播和反向传播的过程，也可以说是反复进行学习，根据期望输出的目标值与实际输出值的误差来调整权值。反复交替进行前两步传播，实际输出值越来越与期望输出值逼近。将所有学习样本按照上述方法进行反复训练，最后确定权值。

2.4 收敛过程

神经网络的收敛过程为使全局误差达到最小值的过程。BP算法的程序如图3所示。

3 基于小波神经网络的故障选线方法

要确定BP神经网络的输入层个数，可以对信号进行小波分解层次，将采集信号经过小波包分解提取故障特征量，并以此作为BP神经网络的输入量，再通过神经网络进行故障识别与诊断。将小波包分解技术与BP神经网络技术相结合的小电流系统接地故障选线诊断过程如图4所示。

4 方法验证

利用安装在某变电站的小电流接地系统故障选线装置采集50个单相接地故障数据，作为现场数据对上述模型进行验证。验证结果表明，选线正确率达100%。针对典型故障计算各自的故障测度，利用小波神经网络模型得到的选线结果如表1所示。

5 结语

提出一种基于BP神经网络理论的小电流接地故障选线方法，并给出故障诊断流程。通过理论和实际数据分析确定，基于BP神经网络技术的小电流接地故障选线方法，能够提高故障检测的准确性。

参考文献

[1] 许小兵，董丽金，袁栋.智能变电站小电流接地选线装置的研究与实现[J].江苏电机工程，2013，32（5）：55-58.

[2] 张矿，许小兵，李建敏，等.小电流接地选线功能在智能变电站的应用[J].电力系统自动化，2014，11（3）：1-3.

[3] 栾国军，王涛，张涛，等.一种智能变电站小电流接地选线系统实现[J].山东电力技术，2015，42（9）：19-22.