可评价保护系统动作行为的双重神经网络电网故障诊断模型

魏冲冲， 熊国江， 陈锦龙， 张 耀

（1.贵州大学电气工程学院，贵阳 550025；2.贵州电网有限责任公司电力调度控制中心，贵阳 550002）

0 引言

故障诊断是实现智能电网自愈功能的基础［1］。迅速准确地诊断电网故障对减少故障停电时间，避免事故扩大，快速恢复正常供电具有重要意义［2］。

近年来，为有效提高电网故障诊断水平，国内外学者开展了大量研究工作，提出了多种先进、高效的诊断方法，包括专家系统［3］、Petri 网［4-6］、脉冲神经膜系统［7-8］、优化技术［9-11］、人工神经网络［12-13］等方法。专家系统因可有效地分配利用专家的各种知识经验，具有较强的诊断推理能力和故障解释能力，但是对它的知识库，却难以进行更新和维护，故障容错率低；Petri网诊断模型推理求解过程较为简单，且它的透明度比较高，但因其复杂的结构，使得建模难度比较高；脉冲神经膜系统具有比较可靠的动态性能，但是泛化能力有待提高；基于优化技术实现的故障诊断方法可充分利用相关的数学原理，易于通过编程技术实现，但一些不确定的动作警报信息制约了模型准确度的进一步改善。相比于上述故障诊断方法，基于人工神经网络的故障诊断方法学习能力很强，只要样本充足可靠，就能得到正确的结果，该方法具有高容错、强泛化等特点，近些年来在电网故障诊断中得到了深入的研究。

基于人工神经网络的故障诊断方法是以电网发生故障时候的信息为样本对模型进行训练，运用该算法良好的自适应能力和非线性映射能力，得出相应的故障诊断规则，使输入与输出之间建立起映射关系，保证能准确地诊断出电网故障。文献［12］中较为详尽地阐述了使用反向传播（Back Propagation，BP）神经网络实现电网故障快速定位的算法流程以及各项参数的设定方式，并验证了该方法的有效性，但存在学习效率不高、训练过程可能会陷入局部最优，且没有关注故障后继电保护系统的不正确动作。文献［13］中在神经网络训练过程中利用动量系数来优化连接权值的收敛，同时也为显著提高网络的学习效率，采用自适应学习系数调整算法。文献［14-16］中在神经网络训练过程中，分别采取遗传算法和混沌粒子群算法进行优化来降低网络的学习误差，提高故障诊断的容错性。文献［17］中提出了一种基于Elman 神经网络的电网故障诊断方法，主要是为应对电网发生故障时的时变现象。该神经网络能够反应系统动态性能并能保存相关数据，提高故障诊断的准确性、实时性。

上述模型为提高电网故障诊断的可信度，从不同角度出发建模并取得了一些成果，但却忽略了对故障后继电保护系统的评价：继电保护系统动作评价有着重要实用价值，它主要解决怎样能提高调度中心信号的准确性和压缩报警信息［20］。通过评价可获知哪些保护以及断路器存在拒动、误动的风险，这些设备就不能再继续投入运行，及时维护或者替换这些保护设备，有利于电力系统可靠安全的运行。

针对评价继电保护系统动作行为，目前的研究还比较少，文献［21］中在诊断出故障元件后，通过将警报信息与电网3-D矩阵进行对比来评价保护和断路器的动作逻辑，但该方法无法对不正确动作的发生进行量化。

基于此，本文提出可评价保护系统动作行为的双重BP神经网络电网故障诊断模型。该模型采取分阶段实施故障诊断的方法，第1 阶段可根据数据采集与监控系统（Supervisory Control and Data Acquisition，SCADA）提供的报警信息来判断故障发生的位置，第2阶段根据从SCADA系统接收的报警信息以及第1 阶段诊断出的故障元件来量化评价保护系统的动作行为，使得故障诊断系统功能更完善。算例仿真结果表明了该改进模型的正确性。

1 BP神经网络

BP神经网络，是一个根据误差来实现BP 算法训练的多层前馈型神经网络。目前，作为一个使用较为成熟和普遍的人工神经网络，它能够建立起由输入到输出之间的任意复杂的非线性映射，泛化能力相当强大。

BP神经网络一般由含有若干个神经元的输入层、输出层以及一个或多个隐藏层组成，层间通过神经元的权连接进行联系。最基本、最具有典型特征的BP神经网络如图1 所示，具有3 层网状结构。BP神经网络的学习训练过程主要涉及网络的正向传播和反向调整2 个部分：正向传播是输入信息传到输入层，再到隐藏层，最后传到输出层；若正向传播计算的输出与期望的输出之间存在误差，则将误差信号进行反向传播，利用梯度下降法来调整权值和阈值，直到输出满足要求。这样当学习训练过程完成后，就可获得一个稳定的网络结构和相对应的连接权值，就可一次又一次地对未知信息样本进行预测。文献［12］中详尽地介绍了BP神经网络的学习算法。

图1 BP神经网络结构

2 双重BP神经网络

2.1 双重BP神经网络故障诊断系统结构

电网的故障诊断通常是由SCADA 系统提供保护和断路器信息，并通过对信息的处理来判别电力系统中故障元件位置、故障类型和保护系统不正确动作的装置。其中，故障元件的识别是关键，现阶段基于BP神经网络的故障诊断模型大部分都是以此为目标，专注提高元件是否故障的可信度。故障诊断过程远远不只识别故障元件，及时判别不正确动作的保护装置也是诊断环节中不可缺少的一环。

继电保护装置能否正确、快速切除故障，直接影响着电力系统的稳定运行，继电保护的些许错误，有极大可能对电网的稳定运行造成重大影响，严重的还可能会造成系统崩溃［22］。及时评价保护系统动作行为，就可及时发现保护系统装置是否存在拒动、误动的风险，让相关人员尽快处理这些不正常的继电保护装置，使得继电保护装置处于正常运行状态，保证系统安全可靠的运行。

基于现有研究思路，在识别故障元件，BP 神经网络故障诊断模型已相对成熟。本文将在此基础上采取分阶段诊断的方法来达到识别故障元件、判别不正确动作装置的目的。诊断系统结构如图2 所示。

图2 故障诊断系统结构

在实时故障诊断之前，要完成对改进模型的学习、训练。根据电网的部分故障样本信息，完成两个BP神经网络模块的学习训练过程。其中第1 重BP 神经网络是以保护系统的动作信息作为输入（“1”为保护或断路器动作，“0”为未动作），故障元件信息作为输出（“1”为元件发生故障，“0”为未发生）。

第2 重BP神经网络是以保护系统动作信息以及故障元件信息作为输入，保护系统不正确的动作信息作为输出，为可区分保护系统动作行为的3 种动作情况：正确动作、误动和拒动，在训练过程中，正确动作用“0”表示，误动用“1”表示，拒动用“-1”来表示。

分别对第1、2 重BP 神经网络进行训练，可得到实现理想输出结果时对应的神经网络结构以及神经元之间的连接权值和阈值。

当电网故障发生后，首先应该提取SCADA 系统收集到的警报信息，随后进行分析与预处理：对收集到的警报信息进行分组、归并，将其转换为诊断系统能识别的二进制数，其中“1”为动作的保护或断路器信息，“0”为未动作；经过预处理的故障警报信息可自动进入第1 重BP 神经网络诊断处理，将直接得到故障元件可信度。

将故障元件的可信度信息作为第2 重BP 神经网络的输入信息时，需对其进行处理：在诊断故障元件时，其可信度值大于0.5［7］认为故障发生，其余情况认为不发生故障，据此，将故障元件信息转化为诊断系统能识别的二进制数，其中“1”为故障发生，“0”为没有故障。

将故障元件信息与经预处理的故障警报信息一起作为第2 重BP 神经网络的输入信息，经该模块诊断后，得到对保护动作的评价信息。（可信度值大于0.5时，认为保护装置发生误动，其值小于-0.5 时认为发生拒动），通过对故障结论的综合处理，将诊断的元件以及保护系统动作的评价信息汇总，得到一份完整的故障诊断报告。

2.2 双重BP神经网络故障诊断流程

具有评价保护系统动作行为的双重BP 神经网络的电网故障诊断流程如图3 所示。

图3 故障诊断系统工作流程

当电网发生故障时，将SCADA 系统收集到的实时数据（保护和断路器动作信息）进行预处理，经过第1、2 重BP神经网络诊断模块，依次计算出相应的故障元件以及不正确的动作信息，经过对故障结论的综合处理，对诊断结果进行整理、输出，完成整个诊断过程。

3 仿真分析

3.1 仿真系统

本文以图4 所示的一个简单的配电系统［14］模型作为仿真系统。系统大体可分为5 个区域（Sec1～Sec5），每个区域都配有过流保护（CO1～CO5）和距离保护（RR1、RR3）。

图4 简单配电系统结构

3.2 双重BP神经网络的训练

针对图4 所示的配电系统，第1 重BP神经网络是以诊断故障区域为目的，以配电系统中保护和断路器动作信息作为输入，输入层节点数为12，输出层节点数为5，其值表示5 个区域是否故障。

该双重BP神经网络是以第1 重的诊断结果作为第2 重输入数据作为连接，其目的是在诊断出故障区域时，可评价保护系统动作行为，第2 重的输入信息对应的是某故障发生时5 个区域的状态信息及该故障发生时过流保护、断路器和距离保护的动作信息，输入层节点数为17，输出量对应的是对保护系统动作的评价信息，输出层节点数为12。

3.3 算例仿真

为验证本文故障诊断方法的正确性以及有效性，进行了大量的实验仿真，其中部分故障情况较为严重的测试样本见表1。

表1 测试样本

算例1单一故障（保护或断路器误动）。测试样本1、2 的诊断结果列于表2。由诊断结果可知，当电网故障发生后，因某种原因（如信息传输干扰）使得保护系统发生误动，本文的故障诊断方法不仅能正确地诊断出故障区域，且能对保护系统动作行为做出有效评价。

表2 单一故障存在保护或断路器误动的诊断结果

算例2单一故障（保护或断路器拒动）。表3 为样本3 ～5 的故障诊断输出。由表3 可知，当故障发生后，存在保护或断路器拒动的情况，本文方法仍能有效诊断出故障区域，还可评价保护系统的动作行为。

表3 单一故障存在保护或断路器拒动的诊断结果

算例3多重故障伴随拒动或误动。多重故障对电网故障诊断技术的要求更加严格，尤其是保护和断路器存在着拒动、误动等复杂情况，就需要故障诊断方法具备较好的故障容错。双重BP 神经网络诊断方法对于电网发生复杂故障时仍具有不错的效果，见表4。

表4 多重复杂故障的诊断结果

4 结语

本文对传统BP神经网络电网故障诊断模型进行了改进，通过多增加一重BP 神经网络，使模型能在故障发生后，不仅可有效诊断故障发生区域，而且可对相关的保护系统动作行为进行评价。在评价保护系统动作行为中，利用“0”“1”“-1”对保护和断路器正确动作、误动、拒动情形进行编码，使神经元可准确表达3种状态。通过算例仿真得到平均故障置信度为0.8477，保护系统平均误动置信度为0.6102，平均拒动置信度为-0.7961。仿真结果表明，针对不同类型的样本，包括单一故障存在保护或断路器误动、单一故障存在保护或断路器拒动以及多重故障伴随拒动或误动，改进模型均可准确诊断，充分表明了改进模型的正确性和合理性。