基于小波SOM神经网络和多Agent系统的微电网故障诊断方法∗

孙 波 黄建波 陆 洁 王 轩

（国网淮安供电公司 淮安 223002）

1 引言

微电网是分布式发电、储能设备、负荷和其他设备集成在一起的小型配电系统。这是分布式电源接入电网的一种有效方法。它具有灵活的操作方式和各种拓扑结构特点。目前，微电网系统的研究主要集中在控制和能量管理［1～4］，而微电网系统故障诊断的研究较少。

文献［5］提出了一种利用改进蚁群算法和模糊Petri网进行风力发电微电网仿真系统故障诊断的方法。文献［6］在诊断规则的基础上，建立了微电网故障诊断的分析模型。文献［7］为微电网的拓扑识别设计了Agent和MAS体系结构，并在此基础上提出了一种基于petri网和先进的petri网的故障诊断模型。文献［8］基于模糊神经网络对低压配电网的故障定位算法进行了研究。文献［9］对微电网基础设施的故障诊断方法进行了总结。

基于上述研究成果，本文提出了一种将小波SOM神经网络与多Agent系统相结合的微网系统故障诊断方法，仿真结果证明了该方法在微电网故障诊断上的可行性，且该方法具有不受故障位置、故障时间等因素的影响，对微网拓扑结构的变化具有较好的适应性等优势。

2 小波奇异熵

小波变换可以将信号分解为一系列小波函数，可以在时域和频域上反映信号［10］。这是分析静止信号或信号奇异性的有效方法，它常用于有瞬态信号的故障条件［11］。

矩阵特征可以通过特征值分解得到，但矩阵必须是一个方阵。实际上大多数矩阵都不是方阵，但是小波奇异分解是一种对任何矩阵都适用的方法［12～13］。如果 A是一个 M×N矩阵，U是一个 M×M方阵，Σ是一个M×N矩阵，VT是一个N×N矩阵，那么任何M×N矩阵A的奇异值分解都可以表示为

通过信号小波变换得到的系数矩阵可以分解为DM×N矩阵。矩阵DM×N可以反映原始系数矩阵的基本特征。此时必须有矩阵和Vl×N。

在对角矩阵 Rl×l中的主对角元素是矩阵 DM×N的奇异值，若矩阵DM×N反映瞬态信号的时间频率信息，则矩阵rι˙可以表示矩阵DM×N的基本模态特性。为了描述信号的频率分量和分布特性，小波奇异熵定义如下：

在实际电网故障诊断工作中，由于多种干扰因素的影响，直接使用采集数据通常无法直观确定故障位置或者故障原因。小波奇异熵可以反映分析信号能量分布的随故障的变化而变化的不确定性。当故障发生时，故障相位的不确定度大于非故障相位的不确定度，因此利用小波奇异熵进行故障诊断在理论上具有可行性［14］。

3 基于Som神经网络和多Agent系统的微电网故障诊断方法

3.1 SOM神经网络

SOM神经网络由输入层和竞争层组成。输入层神经元是一个一维的N个节点，竞争层也是输出层、节点被安排在二维的形式与M神经元，神经元在输入层和竞争层连接的权重，这是外部输入的连接权值。在竞争层神经元之间也有权值的连接，它的权值反映了神经元之间的相互作用［15］。

图1 SOM神经网络模型

SOM神经网络可以在没有外部帮助的情况下通过自组织学习来显示竞争层的分类结果。SOM神经网络通过对输入方式的重复学习，实现对连接权重的空间分布密度和输入模式的概率分布的收敛。

3.2 多Agent系统

多Agent系统由多个分布在不同位置的Agent单元组成，这些Agent单元可以由不同的软件和硬件平台来实现。每个Agent单元可以独立解决有限的问题。通过与其他Agent进行交互，它可以解决复杂的问题［16］。

本文设计的一种基于多Agent系统的动态网络拓扑结构识别故障诊断模型包括三个部分：监视器Agent、ID Agent和Aco。系统模型如图2所示。

图2 多Agent系统模型

监视器Agent对环境的节点数进行监控，记录当前正在运行的节点数Max（i），i=（1，2，……，N）。然后激活与当前运行节点数量相同的ID Agent，每个激活的ID Agent对应正在运行的节点。当外部环境中的节点数量发生变化时，当环境中的节点数量发生变化时，根据Max（i）的值相应地对ID Agent的数量进行修改。

在ID Agent层，通过识别每个ID Agent的所有邻居Agent，将邻居Agent矩阵转移到Aco。

在Aco层，得到最终的拓扑识别矩阵。该矩阵是当前系统的拓扑结构的数学表示形式，可以用来确定拓扑变化的位置和时间。

3.3 用于网络拓扑监测的邻居Agent的搜索算法

基于算法流程简洁的考虑，假定网络中数值包的丢失和干扰不考虑的；每个ID Agent至少有一个邻居Agent；邻居Agent矩阵中元素的值只能是0或1，0不是邻居Agent，1是邻居Agent，ID Agent自身的元素值是0。

算法步骤描述如下：

步骤1：根据监测代理监控的运行节点N的数量，建立相应的ID Agent，然后对其进行编号。每个ID Agent都有一个带有随机初始值的邻居代理矩阵。

步骤2：所有ID Agent按序号按升序排列。

步骤3：以最小号为起始ID Agent的ID Agent，依次将1包的值发送给剩余的代理ID地址，此包只能由ID代理接收一次。

步骤4：如果目标ID、代理ID接收一个值为0，然后返回到启动代理ID，则启动ID代理将在邻居矩阵元素集合用1中表示目标ID代理，否则设置为0。

步骤5：重复步骤4，直到确定初始ID代理邻居矩阵中的所有值，然后将相邻矩阵转移到Aco。

步骤6：重复步骤3～步骤5，直到所有ID Agent将其邻居代理矩阵转移到Aco。

步骤7：完成。

3.4 基于SOM神经网络和多Agent系统的微电网故障诊断方法

基于小波SOM神经网络和多Agent系统的故障诊断模型如图3所示。

基于图3所示的模型，设计微电网故障诊断算法流程为：

步骤1：收集并存储了不同运行模式下的低压断路器的三相电压、母线三相电流、正常运行的零序电流和微电网系统故障。

步骤2：利用小波变换对采集到的信号进行分解，计算出每个信号的小波奇异熵。对同一运行状态下的单信号小波奇异熵值进行求和，并对计算结果进行保存。

步骤3：使用第2步的保存的数据对SOM神经网络进行训练。

步骤4：根据设定的时间间隔，实时采集微网系统的低压断路器三相电压、母线三相电流、零序电流等数据。对实时采集数据进行小波处理，处理后的数据是训练完成的SOM神经网络的输入向量。根据SOM神经网络的输出状态值，进行故障判断。

图3 故障诊断模型

步骤5：如果发生故障，微电网的拓扑结构发生变化的位置就是故障的位置。如果没有发生故障，微电网拓扑结果的变化则表示电力设备的入网和退出运行。

4 仿真验证

基于PSCAD微电网仿真系统如图4所示。基于图4对不同运行模式下微电网的状态进行模拟分析。

多Agent系统的特征向量数据采用周期为100ms，采样频率为10kMhz。对采集到的信号进行小波分解，分别计算同一采样周期内各特征向量的小波奇异熵的和作为SOM神经网络的输入特征向量。当在采样周期内拓扑结构只改变一次时，典型采样数据如表1所示。

对表1的数据进行分析，可以发现：S1～S3为正常运行状态，电网负荷从60%逐渐增至额定负载；S4～S6为外部故障状态，电网满负荷工作；S7～S9出现不同位置的单相接地短路故障，电网满负荷运行，3台分布式电源分别停止运行；S10～S12为不同位置的AB相接地短路状态，电网满负荷运行，3个分布式发电设备分别停止运行。

图4 微电网仿真系统图

表1 SOM神经网络的典型初始样本

为了便于数据处理，对表1中的数据进行归一化处理，并作为训练数据输入到SOM神经网络中，优化调整权值。由于输入特征向量为7，因此SOM神经网络的输入层有7个神经元，输出层有49*（7*7）个神经元。

虽然样本数据已经被初始分类了，但当训练步骤为50步时，样本数据不能单独分类，所以初始分类不够准确。当训练步数达到300次时，样本数据可以被单独分类。SOM神经网络的仿真训练结果如图5～图7所示。

将实时采集数据输入SOM神经网络，每个状态所对应的输出为

已知故障模式和故障位置的测试样本数据如表2所示。对这些样本数据进行归一化处理，并输入SOM神经网络进行故障预测计算，以验证该故障诊断方法的可行性。

通过计算，样本1的故障定位在12号线路，样本2的故障定位在11号线路，样本3的故障定位在6号线路。SOM神经网络的输出为Y=［7 3 43］。

图5 初始输出映射图

图6 完成训练后的输出映射图

图7 完成训练后的神经网络权向量图

表2 已知故障样本数据

利用多Agent系统对断路器的监控识别微电网发生故障后的网络拓扑结构。当把表2样本数据所示的故障发生后，基于多Agent系统所识别的微电网拓扑结构变化如图8所示。

图8 对故障状态下微电网拓扑的识别

由图8可知，故障线路与样本数据所对应的故障位置一致。

对另外100个发生在不同时间的故障样本数据进行相同的仿真测试，得出以下测试结果：对其中25例正常运行的微电网样本数据的仿真测试中，出现2例因工作负荷变化的误判；对其中25例全负荷工作的外部电源故障的微电网样本数据的仿真测试，出现1例误判；对其中25例全负荷工作的A相接地短路故障的微电网样本数据的仿真测试，测试中故障部位各不相同且3台分布式发电设备分别失效，测试结果出现3次误判；对其中25例全负荷工作的AB相接地短路的微电网样本数据，测试中故障部位各不相同且3台分布式发电设备分别失效，测试结果出现2次误判。对这100例的仿真测试结果进行统计得出，采用本文所述的诊断方法的正确诊断率是92%。

5 结语

本文针对具有灵活运行模式和多种拓扑结构的微电网系统的故障诊断，提出了一种多Agent系统与小波自组织神经网络相结合的故障诊断方法。仿真测试的结果表明，在一个采样周期内，当微电网的拓扑结构只有一个变化时，该方法具有很好的适应性，不受故障位置或故障时间的影响。它可以减少小波SOM神经网络的训练样本，准确判断微电网故障定位和故障原因。在一个采用周期内出现多处微电网故障的拓扑识别以及故障诊断的研究将有待于进一步的研究。