基于BP神经网络的配电网故障辨识方法

梅 杨，徐大鑫

(1. 河南工程学院 电气信息工程学院，河南 郑州 451191;2. 郑州大学西亚斯国际学院 电子信息工程学院，河南 郑州451100)

基于BP神经网络的配电网故障辨识方法

梅 杨1，徐大鑫2

(1. 河南工程学院 电气信息工程学院，河南 郑州 451191;2. 郑州大学西亚斯国际学院 电子信息工程学院，河南 郑州451100)

随着配电网自动化终端设备的广泛应用，基于设备过电流信息的故障定位方法因原理简单、实现便捷而成为该领域的研究热点.该方法主要分为两类：统一矩阵算法和群体智能算法.统一矩阵算法的容错能力差，而群体智能算法在构造优化目标时存在逻辑建模的瓶颈问题.为有效克服上述缺点，提出了基于BP神经网络模式的配电网故障定位方法，利用FTU的特征量和BP神经网络的自学习性及良好的泛化能力实现配电网的故障定位，不但原理简单、实现方便，而且具有多重故障定位能力，仿真结果证明了该方法的有效性.

配电网；故障定位；BP神经网络

配电网故障区段定位对于提高配电网的自愈性和运行可靠性具有重要作用.随着配电网自动化终端设备的广泛应用，基于设备过电流信息的故障区段间接定位方法因其原理简单、实现便捷而成为研究热点.该方法主要分为统一矩阵算法[1-5]和群体智能算法[6-8].统一矩阵算法基于线路元件两端的FTU电流状态监控信息，利用矩阵理论和图论知识构建故障辨识矩阵，具有直接、高效等优势，但缺乏信息畸变的适应能力，易出现错判或漏判.基于群体智能算法的配电网故障辨识方法的基本思想是基于逼近理论和最小故障诊断集概念，构建故障定位离散优化数学模型，利用群体智能算法找出最能解释所有自动化设备上传的故障电流报警信息的馈线短路故障区段，具有建模原理清晰简单的优点.采用逼近思想构建的故障定位模型不仅具有较强的通用性，而且在进行故障区段辨识时具有较高的容错能力，可直接采用新型高效的群体智能算法进行优化决策，但该类方法的建模依赖于逻辑建模，不能适应大规模配电网的故障辨识.

基于BP神经网络的自学习性和良好的泛化能力，同时利用其无须建立准确目标函数的优点，本研究提出了基于BP神经网络的配电网故障定位方法，旨在实现单一故障和多重故障的准确定位.

1 BP神经网络学习的基本原理

BP神经网络通过模仿人脑神经元对外部激励信号的反应过程建立学习模型，而后通过正向传播和误差反向传播过程对一系列输入输出样本集进行逼近学习，最终建立输入和输出的隐式函数逼近关系，反映输入量和输出量的耦合变化规律.BP神经网络在本质上属于误差反向传播的网络，由输入层、输出层和中间层构成，当将输入输出量作为BP神经网络的样本集时，其误差信息先从输入层正向传播到输出层，而后反向传播并利用逼近关系对权值进行修正，直到误差满足要求并逼近预定的学习目标为止，最终建立样本集输入与输出间的隐含耦合关系.BP神经网络的学习过程如下：

(1)初始化BP网络.设定BP神经网络的输入层、隐含层和输出层的节点数分别为n，l，m；初始化输入层i和隐含层j之间的连接权值为wij；隐含层j和输出层k之间的连接权值为wjk；隐含层j的阈值为θj；输出层k的阈值为bk.

(2)选取样本.选取n个输入样本集X(X1，X2，…，Xn)和m个输出样本集T(T1，T2，…，Tm).

(3)隐含层输出计算.i表示输入层第i个神经元节点，j表示隐含层第j个神经元节点，f表示隐含层激励函数，隐含层的输入和输出计算公式为

(1)

(4)输出层的输出计算.H和Y分别表示输出层第k个神经元的输入和输出，计算公式为

(2)

(5)误差计算.根据Y和训练样本T进行网络误差的计算，公式为

(3)

(6)输出层与隐含层权值和阈值的调整.通过上面对网络误差E的计算，使权值和阈值沿误差的负梯度方向变化.Δwjk表示权值调整，Δbk为阈值调整，δk为输出层的调整误差，它们的计算公式为

(4)

式中：α表示学习率(0<α<1)，用来调节学习的收敛速度.

(7)隐含层与输入层权值和阈值调整的计算公式为

(5)

(8)重复上述步骤，如果算法满足精度要求则终止，否则执行第(3)步.

2 BP神经网络的配电网故障诊断原理

2.1 BP神经网络的配电网故障定位的基本思路

在配电网没有发生故障时，配电网中将不会出现电流越限的情况，监控节点处FTU未检测到电流越限信号；当配电网发生短路故障时，监控节点处FTU会检测到短路故障过电流，并通过远程通信设备将带时标的故障报警信息上传到控制主站.由此可以看出，依据FTU上传的过电流信息及上下游馈线间的耦合关联关系可判定配电网是否发生短路故障.基于BP神经网络的配电网故障定位思路如下：首先，确定馈线节点的FTU过电流信息为BP神经网络的输入变量，配电网馈线状态为BP神经网络的输出变量，采用逻辑值0和1分别表示馈线正常和故障；然后，依据配电网拓扑结构建立故障时馈线状态与FTU上传监测过电流信息的匹配关系集；接下来，利用配电网故障时的输入输出样本集对BP神经网络进行训练学习，建立隐式的FTU监测信息与故障馈线的非线性函数关系；最后，利用训练好的BP神经网络对配电网故障馈线进行辨识.

图1 辐射状配电网Fig.1 Radical distribution network

2.2 基于BP神经网络的故障样本集的构建

训练样本选取是否合理直接影响着配电网的故障定位结果，下面将基于潮流输移特性并以图1为例详细说明样本集的构建方法.

假定x(1)～x(14)分别为馈线V1～V14的运行状态信息，IQ1～IQ14分别表示断路器和分段开关电流越限信息值，当有过电流时取值为1，否则其值为0.图1中，若断路器Q1的FTU采集到故障电流越限信息，依据图论连通性和电力系统潮流分布特征易知，电流越限信号IQ1可能是由馈线V1～V14发生短路故障引起的.同理，IQ2可能是馈线V2～V14短路故障引起的，IQ3可能是馈线V3～V14短路故障引起的，IQ4可能是馈线V4～V5短路故障引起的，IQ5可能是馈线V5短路故障引起的，IQ6可能是馈线V6～V10短路故障引起的，IQ7可能是馈线V7～V10短路故障引起的，IQ8可能是馈线V8～V9短路故障引起的，IQ9可能是馈线V9短路故障引起的，IQ10可能是馈线V10短路故障引起的，IQ11可能是馈线V11～V14短路故障引起的，IQ12可能是馈线V12～V14短路故障引起的，IQ13可能是馈线V13～V14短路故障引起的，IQ14可能是馈线V14短路故障引起的.

依据图1，对配电网故障时FTU采集到的故障电流越限信息与馈线故障线路间的耦合关联进行分析，然后采用集合运算的交集理论可得到基于BP神经网络故障的样本集，包含单一和多重故障样本集.样本输入用来表示节点过电流信息的特征矩阵，样本输出为故障的馈线位置，0表示没有过电流信息，1表示有过电流信息.表1和表2分别为单一故障输入和输出样本集.由于发生多重故障时的样本比较多，本方法仅列举部分训练样本作为分析的对象.表3和表4分别为多重故障输入和输出样本集.

表1 馈线单一故障的配电网输入样本集Tab.1 Distribution network input sample for feeder single fault

表2 馈线单一故障的配电网输出样本集Tab.2 Distribution network output sample for feeder single fault

表3 馈线多重故障时网络训练的输入样本集Tab.3 Distribution network input sample for feeder multiple fault

表4 馈线单一故障的配电网输出样本集Tab.4 Distribution network output sample for feeder single fault

2.3 BP神经网络配电网故障定位的Matlab实现

(1)训练样本与数据导入.采用2.2节中14个开关节点Q1～Q14的电流越限报警集和14个馈线区段V1～V14中的预设故障区段作为BP神经网络训练样本的输入与输出.

(2)利用Matlab的newff函数建立三层BP神经网络，隐含层是tansig函数，输出层是purelin函数，训练函数、学习函数和性能函数分别是traingd函数、learngdm函数和mse函数.对于隐含层神经元个数采用试凑法确定，即先用一些数目测试仿真结果是否合理，然后不断缩小范围，直至最佳结果出现.

(3)设置BP神经网络的训练参数：最大迭代次数为5 000，学习率为0.05，目标误差为1×10-3，动量因子为0.9.

表5 单一故障隐层节点数的仿真结果Tab.5 Simulation results for single fault

(4)利用Matlab中的sim函数实现网络仿真.

3 算例仿真

3.1 单一故障仿真结果及分析

以图1所示的配电网为例，进行仿真分析.隐含层神经元的数目选择不仅影响着配电网故障定位算法的效率，还直接影响着故障定位的准确性，故在进行配电网故障定位前，首先通过分析选出最佳的隐含层神经元数目，通过试凑法对问题进行分析，进而确定最理想的数目，给出网络仿真结果和实际输出.通过调节隐含层的神经元个数，得出不同的仿真结果.表5为单一故障下配电网故障定位在不同隐含层数目下的仿真结果.

由表5的仿真数据可知，隐含层神经元个数对神经网络自学习动态过程的影响较大，若隐含层神经元个数的设置不合理，会使训练的时间变长且精度降低.针对14节点配电网算例进行仿真可发现，当隐含层数目为55时，仿真迭代次数最少，训练效率最高，获得的训练结果最好.

表6为隐含层数为55时配电网故障诊断的仿真输出结果.从表6可以看出，当配电网发生单一短路故障时，由于BP神经网络可以有效地实现输入输出样本之间的逼近，故可有效地判断故障可能发生的区段.由此可见，本方法可以准确地判断单一故障.

表6 单一故障时网络训练的实际输出Tab.6 The output of network training with one fault

3.2 多处故障仿真结果及分析

随着配电网的日趋复杂，发生多重故障的可能性也逐渐增加.因此，在分析单一故障的基础上，对多处故障进行研究分析.根据表3所列的故障训练样本，主要分析两处故障和三处故障的情况.若有更多故障点，分析原理相同.

表7 多重故障时隐层节点数的仿真结果Tab.7 Simulation result for hidden layer nodes with multi-faults

与发生一处故障的配电网分析结果类似，发生多处故障时，隐含层的神经元数目同样重要，要得到理想的输出结果，就必须确定隐含层的神经元数目.采用试凑法进行判断，分析不同神经元数目对输出结果的影响，仿真结果如表7所示.

由表7可见，当隐含层节点数为60时，训练误差接近1×10-3，学习效率最高；当神经元个数为80时，训练次数减少，但其仿真结果已不能达到理想状态；继续增加神经元数目，网络的收敛特性会持续变差，甚至不能收敛.因此，对多重故障仿真时，宜采用具有60个隐含层的神经网络，对应的多重故障仿真结果如表8所示.

表8 多处故障时网络训练的实际输出Tab.8 The practical output for network training with multiple fault

将实际输出结果(见表6)与期望输出结果(见表4)进行比较可以发现，利用神经网络能够准确地进行故障判断.

4 结论

(1)BP神经网络的自学习性和泛化能力使其可应用于配电网的故障定位.

(2)基于BP神经网络的配电网故障定位方法具有原理简单、实现便捷、无须准确的目标函数等优点.

(3)通过合理的样本和隐含层数的选择，基于BP神经网络的配电网故障定位方法可以实现对配电网单一故障和多重故障的准确定位.

(4)本方法提出的基于BP神经网络的配电网故障定位方法适用于小规模配电网的在线故障定位，针对大规模配电网的BP神经网络故障定位方法有待进一步研究.

[1] 刘健，倪建立，杜宇．配电网故障区段判断和隔离的统一矩阵算法[J]．电力系统自动化，1999，23(1)：31-33．

[2] 王飞，孙莹．配电网故障定位的改进矩阵算法[J]．电力系统自动化，2003，27(12)：45-46．

[3] 蒋秀洁，熊信尹，吴耀武，等．改进矩阵算法及其在配电网故障定位中的应用[J]．电网技术，2004，28(19)：60-63．

[4] 焦彦军，杜松广，王琪，等．基于信息矛盾原理的畸变信息修正及配电网故障区段定位[J]．电力系统继电保护与控制，2014，42(16)：43-48．

[5] 梅念，石东源，杨增力，等．一种实用的复杂配电网故障定位的矩阵算法[J]．电力系统自动化，2007，31(10)：66-70．

[6] 杜红卫，孙雅明，刘弘靖，等．基于遗传算法的配电网故障定位和隔离[J]．电网技术，2000，25(5)：52-55．

[7] 卫志农，何桦，郑玉平．配电网故障区间定位的高级遗传算法[J]．中国电机工程学报，2002，22(4)：127-130．

[8] 陈歆技，丁同奎，张钊．蚁群算法在配电网故障定位中的应用[J]．电力系统自动化，2006，30(5)：74-77．

Distribution network fault identification method based on BP neural network

MEI Yang1，XU Daxin2

(1.CollegeofElectricalInformationEngineering，HenanUniversityofEngineering,Zhengzhou451191,China;2.SchoolofElectronicInformationEngineering,SiasInternationalUniversity，Zhengzhou451100,China)

The feeder fault location method with fast and high tolerance characteristics plays an important role in enhancing the automation level of distribution network. With the wide application of terminal equipment for power distribution automation system, indirect positioning method based on information equipment over current fault section is simple and convenient and has become a hot spot of research in this field, the algorithm is mainly divided into two categories: unified matrix algorithm and swarm intelligence algorithm. Unified matrix algorithm for fault tolerant ability is poor, swarm intelligence methods in logical modeling of bottleneck problems existed during the optimization goal. Based on BP neural network model of distribution network fault location method using the characteristics of the FTU realize fault location, the principle is simple, easy implementation, and has multiple fault location. The simulation results prove the effectiveness of the proposed method.

distribution network; fault location; BP neural network

2016-11-08

梅杨(1962-)，女，安徽安庆人，教授，主要从事电力传动及其系统方面的研究.

TM711

A

1674-330X(2017)02-0040-06