改进PSO-RBF神经网络的电网故障检测模型

张淑卿 李卓桐 张立红

摘  要： 为了提高电网故障检测模型的构建速度，提高电网故障检测的准确性，提出应用一种改进的粒子群算法来优化RBF神经网络的相关参数，进而提高RBF神经网络的训练速度，提升故障检测的准确率。RBF神经网络的梯度下降训练算法存在着收敛速度慢的问题，选用改进的粒子群算法来提高网络的训练速度。通过分析电网故障的特点，创建电网故障模型，将故障样本作为RBF神经网络的训练样本来训练网络。经仿真证明，改进粒子群算法优化的RBF神经网络对电网故障有更好的检测效果，故障检测准确率更高，有更好的实用价值。

关键词： 电网故障检测; 粒子群算法; RBF神经网络; 构建速度; 收敛性; 准确性

中图分类号：TM715/TP391          文献标志码： A     文章编号：1006-8228（2019）01-05-04

Abstract： In order to speed up the construction of power grid fault detection model， improve the accuracy of fault detection， an improved particle swarm algorithm is put forward to optimize the relevant parameters of RBF neural network ， and then improve the RBF neural network training speed， improve the accuracy rate of fault detection. The gradient descent training algorithm of RBF neural network has the problem of slow convergence， and the improved particle swarm optimization algorithm is used to improve the training speed of the network. By analyzing the characteristics of the power grid fault， the fault model of the power grid is created， and the fault samples are generated as training samples of the RBF neural network to train the network. It is proved by simulation that the RBF neural network optimized by improved particle swarm optimization algorithm has better detection effect for power grid fault， and the accuracy of fault detection is higher， so it has better practical value.

Key words： power grid fault detection; particle swarm optimization; RBF neural network; construction speed; convergence; accuracy

0 引言

隨着我国现代化建设的脚步越来越快，电能已作为人们日常生活中不可缺少的能源，然而我国电网的结构复杂、各个地区电网建设并不协调，电网故障类型又多种多样，因此当电网发生故障时，准确快速地判断出发生故障的线路对于电网安全运行尤为关键[1]。电网故障诊断就是通过采集系统采集到的断路器、保护器等警报信息来分析故障的位置、类型等，其中故障线路的选择是最关键问题[2]。到目前为止，国内外的电网故障诊断技术有专家系统[3]、优化技术[4]、神经网络[5]等。近年来人工智能领域迎来了研究热潮，其中神经网络作为一种重要的人工智能理论被广泛研究[6]。但是，一般的神经网络有着很多的缺点[7]，比如神经网络各层之间的权值和阈值需要通过复杂、耗时的训练算法来训练，训练过程会有不收敛或不稳定的现象，这直接导致了神经网络在诸多模型的应用上效果并不理想。

为了提高电网故障检测的准确性，应用一种改进的粒子群算法来优化RBF神经网络的相关参数，改善神经网络的性能，使故障检测模型有更高的准确性。

1 改进PSO优化RBF神经网络模型

1.1 RBF神经网络模型

径向基神经网络（Radial basis neural network）简称RBF神经网络，它能够以任意精度逼近非线性函数而且具有结构简单、收敛速度快的优点。因其具有模拟神经元局部响应的特性，在网络的隐层加入基函数，可以对目标进行非线性逼近，具有广泛的应用。本文所研究的电网故障诊断模型有多重的影响因素，因此选用多输入单输出的神经网络，网络结构分为三层，分别有输入层、隐含层和输出层。其网络结构模型如图1所示。

本文应用的RBF神经网络具有n个输入节点，m个隐含层节点，1个输出节点。选择高斯分布函数作为隐含层的基函数。

⑴ 当输入样本数据时，从输入层到隐含层的非线性变换为：

其中m表示隐层的节点个数，ωi表示第i个隐层节点与输出节点的连接权重;y是网络的输出;ω0是调整输出的偏移量，是一个预先设定好的常数。

在以高斯函数作为基函数的径向基神经网络中，基函数的中心ci表示在高斯分布中对中心附近的数据比较敏感，而基函数的场域宽度σi的大小决定了数据减小的快慢程度。因此，用RBF神经网络实现对电网故障的诊断需要对网络中基函数的中心ci、基函数的场域宽度σi、隐层与输出层的权重ωi进行选取。

应用RBF神经网络对电网故障进行检测时，通常以训练样本的均方误差MSE作为RBF神經网络的性能评价函数，其表达式如下所示：

其中N表示电网故障训练样本的个数;y表示神经网络的实际输出结果，表示对输出结果的期望值。

从上述内容中总结得知，电网故障检测精准与否的性能指标MSE与RBF神经网络中的参数{ci，σi，ωi}直接相关，因此采用改进的粒子群算法对RBF神经网络的参数进行优化，进而找到最优的参数使得性能指标MSE最小。

1.2 粒子群算法及其改进

粒子群算法具有多种优点[8]，在理论分析和实际工程中有着非常多的应用。PSO算法数学表示为：在D维搜索空间中，有N个粒子组成的种群。其中：为粒子i的当前位置;为粒子i的当前飞行速度;为粒子i搜索到的个体最优位置称为Pbest;为整个粒子群搜索到的最优位置称为gbest。粒子状态更新操作如下：

其中d=（1，2，…，D）;i=（1，2，…，N）。k为当前迭代次数，ω是非负常数，称为惯性因子;c1，c2称为学习因子，也是非负常数;r1，r2是0～1之间的随机数。虽然粒子群算法有着诸多应用，但是标准粒子群算法也存在着后期搜索速度慢和不易找到全局最优解等缺点。为了改善粒子群算法的性能。相关文献[9]在研究了多种惯性权重取值方法之后，发现凸函数递减惯性权重法在检验算法性能的实验中收敛速度最快，精度最高。因此，本文的惯性权重取值为：

⑹

其中ωmax、ωmin分别为惯性权重的最大值、最小值，分别取值为0.9，0.4;k为当前迭代次数;kmax为最大迭代次数。在式⑷中，c1能够表示粒子对自身的学习能力，而c2能够表示粒子对种群的学习能力，c1递减和c2递增有利于算法初期粒子的前期自身搜索和后期全局搜索。因此在本文中将c1、c2设置为如下形式：

其中为常数，按经验取值为c1a=1.5、c1b=0.7、c2a=2.5、c2b=0.5。

1.3 改进PSO优化RBF神经网络参数

应用改进后的粒子群优化算法优化RBF神经网络参数{ci，σi，ωi}的具体步骤如下。

Step 1 设置相关参数，确定粒子个数N、空间维数D、迭代次数kmax对每个粒子初始化其位置和速度。

Step 2 对RBF神经网络的权值和阈值赋值形成相对应的粒子，计算每个粒子适应度值，根据适应度选出最好pbest和gbest。

Step 3 通过改进的算法对粒子更新，计算更新后的粒子适应度值，与上一次的pbest和gbest比较，选出适应度最优的粒子。

Step 4 判断当前迭代次数是否达到了设定的最大迭代次数kmax或适应度函数MSE是否达到了预设的期望值。若符合，则迭代终止，否则转向step 3继续进行迭代寻优。

Step 5 当网络训练结束后，根据寻找到的最优粒子，得到RBF神经网络的参数值。导入测试样本进行测试，评价其电网故障检测的能力。

改进的粒子群算法优化RBF神经网络流程图如图2所示。

2 电网故障模型

以图三为例，选取一个简单的配电网系统的一个分支作为测试系统如图3所示。配电网分为 5 个故障区域 sec1-sec5（sec代表线路的编号），分别配有过流保护CO，后备距离保护RR，QF表示断路器。将故障区域将分为8个部分，分别为线路sec1-cec5、sec3-4（表示sec3或sec4区域存在故障）、sec2-5、none（表示没有故障）。根据主、后备保护动作原理，列出故障诊断决策表，建立了故障样本。

从SCADA系统中获取相关器件的动作信息[10]。用“1”来表示保护动作或断路器打开，“0”表示保护未动作或断路器闭合。由图3知，将断路器QF1-QF5分别用c1-c5表示，过流保护CO1-CO5分别用c6-c10表示，距离保护RR1，RR2分别用c11-c12表示;故障区域线路sec1-cec5 对应编号D为1-5，sec3-4、sec2-5、none对应编号6-8表示。由此，建立电网故障检测的样本模型，以便对改进粒子群算法优化的RBF神经网络进行测试，判断其性能。故障诊断决策表如表1所示。

3 仿真测试

选取配电网故障样本作为改进PSO优化RBF神经网络的训练样本。为了体现改进PSO优化的RBF神经网络的性能。实验分别选取惯性权重为常数ω=1时ω随迭代次数而变化的粒子群算法[11]，以及改进的粒子群算法来优化RBF神经网络。由于不同算法的性能各不相同，所以本次实验设置粒子个数N=500，空间维数D=14，迭代次数kmax=500。设置期望的误差精度MSE=0.01达到要求。在此条件下进行实验，其中误差精度训练曲线如图4所示。

如图4中误差精度训练曲线所示：当采取本文改进的粒子群算法时，能够达到预期要求的误差精度，相比于上述两种粒子群算法，选用本文改进的粒子群算法来优化RBF神经网络不仅能够满足误差精度的要求，而且具有收敛速度快、迭代次数少的优点。因此改进的PSO优化RBF神经网络具有更好的收敛性，建立电网故障模型的速度更快。

为了体现改进PSO优化RBF神经网络的电网故障检测模型的性能，选取4组不同的电网故障样本对检测模型进行检验。检验标准以故障检测模型输出的检测结果正确率为指标进行实验。结果如图5所示。

如图5所示改进的PSO优化RBF神经网络故障诊断模型的准确率最高，这主要是因为改进的粒子群算法所需要的迭代次数更少，搜索精度更高，使得神经网络模型具有更高的准确性。由此证明了本文中改进的PSO算法优化RBF神经网络电网故障检测模型准确率更高，检测效果更好。

4 结束语

本文应用一种改进的PSO优化算法来优化RBF神经网络，并且将优化后的RBF神经网络用来检测电网故障。能够实现对电网故障中，故障线路和故障区间的选择。相比于标准粒子群算法，本文中应用的改进粒子群算法具有：需要的迭代次数更少、收敛速度更快、检测精度更高的优点。应用改进粒子群算法优化的RBF神经网络模型对电网故障检测具有更高的准确率。对于提高电网故障检测性能，实现快速、准确地判断电网故障具有广泛的应用前景。

参考文献（References）：

[1] 方勇灵，陆榛，宋福海，夏可青，祁忠.一种继电保护故障信息智能分析方案及应用[J].电力系统保护与控制，2013.41（5）：114-118

[2] 王家林，夏立，吴正国，杨宣访.电力系统故障诊断研究现状与展望[J].电力系统保护与控制，2010.38（18）：210-216

[3] 刘红梅，龚雪梅.调度集控一体化中智能告警专家处理系统应用分析[J].通讯世界，2017.17：123-124

[4] 黄建梅.智能配电网优化调度设计及关键技术[J].农村电气化，2017.10：40-41

[5] 廖永进，范军辉，杨维结，季鹏，张静，冯永新.基于RBF神经网络的SCR脱硝系统喷氨优化[J].动力工程学报，2017.37（11）：931-937

[6] 张庆辉，万晨霞.卷积神经网络综述[J].中原工学院学报，2017.3：82-86，90

[7] 王成亮，王宏华，向昌明，徐钢.发电机进相能力的RBF神经网络模型[J].电工技术学报，2012.27（1）：124-129

[8] 梁俊卿.基于改进粒子群算法的无线传感器网络覆盖优化[J].现代电子技术，2017.40（17）：32-35

[9] 王东风，孟丽.粒子群优化算法的性能分析和参数选择[J].自动化学报，2016.42（10）：1552-1561

[10] 张旭，魏娟，赵冬梅，张东英，刘燕华.电网故障诊断的研究历程及展望[J].电网技术，2013.37（10）：2745-2753

[11] 夏爽，李丽宏.基于PSO-RBF神经网络在温室温度预测中的应用[J].计算机工程与设计，2017.38（3）：744-748