基于自适应模糊广义回归神经网络的继电保护系统故障诊断

张天琪 黄 蔚

（江苏省泰州引江河管理处 泰州 225300）

1 引言

2021年11月，水利部印发了《关于大力推进智慧水利建设的指导意见》，强调按照“需求牵引、应用至上、数字赋能、提升能力”的要求，充分运用物联网、大数据、云计算、人工智能、数字孪生等新一代信息技术，建设数字孪生流域，实现数字化场景、智慧化模拟、精准化决策构建具有“四预”功能的智慧水利体系[1]。《江苏省水利数字化转型三年行动计划》重点任务中指出要统一建设省属水利工程运行管理平台，实现省属工程运行管理全业务流程的数字化。推进省属工程智能化改造，实现从报警到预警的迭代转变，实施省属工程集控建设，逐步实现省属工程“无人值班、少人值守”。

水利工程安全运行离不开变电配电系统的安全运行，变配电系统运行的稳定性在很大程度上取决于继电保护系统，其作为变配电系统的第一道防线，自身运行的可靠性是变配电系统的基本保障。

模型平台作为数字孪生平台中最重要的一部分，为智慧水利提供“算法”支撑。随着人工智能的发展，越来越多的智能算法被开发用于继电保护系统的监测，例如BP神经网络算法、支持向量机、深度学习、粒子群算法等。需要注意的是，上述的算法存在精度低、容易陷入局部最小值、迭代时间长等弊端[2-6]。基于此，本文提出基于自适应模糊广义回归神经网络的继电保护系统故障诊断模型，可有效克服上述困难[7]。

2 工程概述

泰州引江河高港枢纽是江苏省东部地区引江供水口门，也是国家南水北调东线水源工程之一，由泵站、节制闸、调度闸、送水闸、船闸和110kV专用变电所等组成。高港泵站安装有立式开敞式轴流泵9台套，设计正反向抽排能力为300m³/s，总装机容量18000kW，变配电系统配有1台油浸风冷自然循环主变压器，2台三相树脂绝缘干式电力变压器，继电保护测控装置采用南瑞RCS-9600CS系列产品为全站安全运行提供保护。

3 广义回归神经网络

3.1 确定隐含层径向基函数中心

式中：pij和tij分别表示第j个训练样本的第i个输入和输出变量；R和S分别是输入变量和输出变量的维数。

需要注意的是，隐含层每个神经元均对应一个训练样本，也就是说Q个隐层神经元的径向基函数中心为：

3.2 隐含层阈值

计算隐含层与输出层的权重，其可以表示为如下公式：

式中：pi代表第i个训练样本向量。

与传统的径向基神经网络不同的是，本文所使用的广义回归神经网络中隐层与输出层之间的连接权重W为训练集输出矩阵，也就是：

3.3 输出值

4 模糊推理系统

4.1 建立隶属度函数

式中：cij和σi

j分别是隶属度函数的中心和宽度，并且 j=1，2，…，k，i=1，2，…，n。

4.2 模糊计算

式中：ωi代表第i个规则的适应度。

4.3 归一化操作

4.4 最终网络的输出值

5 仿真试验与分析

为了充分说明本文所提出算法的有效性和优越性，本文与传统的BP神经网络算法进行对比。将继电保护系统的健康状态分为5个等级：很差（NB）、较差（NM）、中等（Z）、良好（PM）和优秀（PB）。建立模糊评价模型，见表1。

表1 继电保护系统模糊规则表

如图1～图4所示，分别是继电保护系统电流、电压、故障隶属度函数，以及相应的模糊规则面。本文分别采用三角形、高斯型以及钟型隶属度函数表示。

图1 继电保护系统电流隶属度函数图

图2 继电保护系统电压隶属度函数图

图3 继电保护系统故障隶属度函数图

图4 模糊规则面图

为了能够充分地说明本文算法的有效性和优越性，本文与经典的BP神经网络算法进行对比，相应的比较结果如图5所示，可看出本文所提出的算法能够更加有效地针对继电保护系统故障类型进行准确的预测。

图5 不同算法的预测误差图

6 结论

本文通过构建自适应模糊广义回归神经网络来实现继电保护系统的故障诊断，首先利用广义回归神经网络构建整体训练结构模型，进而借助于模糊策略实现故障类型的判别，最终通过大量的实现证明本文所提出算法的有效性和优越性，可为研究和开发数字孪生泵站提供数据和模型平台，为建设智能泵站奠定基础