基于BP 神经网络的电缆故障测距算法设计

毛 丹

(南通轨道交通集团有限公司运营分公司)

0 引言

近年来随着我国城市人口越来越密集, 城市交通出行成为了重要发展对象, 我国开始大力发展城市轨道交通事业, 而不同于传统的铁路, 城市轨道交通主要动力来源于电力系统, 变电站通过220kV/110kV变电成为35kV, 而35kV 线路通过整流系统整流成为±1500V 供给城市轨道交通线路进行运营, 因此, 电力系统成为了系统唯一动力来源, 而城市人口密集,无论是变电还是电能传输无法通过传统的架空线路形式进行传输, 因此选用了占地面积小、结构稳定的交联聚乙烯线路运行, 这保证了一方面节约了大量的土地资源, 另一方面, 电缆线路结构稳定, 一般情况下不易发生故障, 从而广泛被轨道交通线路所应用。

随着大量的轨道交通线路投运, 大部分交联聚乙烯电缆线路以运行超过了10 年, 由于电力电缆线路其配件复杂, 无论是生产工艺还是安装工艺都需要经过慎重考究, 同时电缆线路埋于地下, 在长时间的运行过程中, 受到自然环境、动物侵蚀、过电压过负荷的影响, 线路易发生各类故障, 因此, 电缆线路状态监测成为了电缆线路稳定运行的重要参量之一, 对于轨道交通电缆线路, 其承载了轨道交通机车稳定运行的重要负载, 当线路发生故障跳闸时, 快速识别电缆故障点以及故障点排查恢复轨道交通机车供电显得分外重要。

鉴于上述问题, 本文基于BP 神经网络, 优化狼群算法, 利用电缆线路故障参量进行优化训练BP 神经网络参数, 提出了一种轨道交通电缆线路故障测距实用性算法。

1 电力电缆故障分类

现阶段, 随着城市化人口的不断集中, 我国城市化人口越来越集中, 城市化出行以及供电需求越来越大, 随着城市化用电区域越来越集中, 架空线路无法适应以及满足城市用电需求, 因此城市集中供电区域, 类似轨道交通线路、生产工厂大部分采用了电缆线路从而替代了传统的架空线路, 电缆线路具备更强的稳定性以及更低的故障率, 因此城市供电电缆线路逐渐替代了架空线路, 成为了重要的电能载体。

电缆线路一般情况下敷设于电缆沟或者直埋于地下, 一方面受到生产工艺、施工工艺的影响, 电缆线路易发生外绝缘损伤的情况, 在长时间运行时, 电缆线路极易从外绝缘缺陷演变成为主绝缘故障, 进而导致电缆线路发生故障跳闸; 另一方面受到地下潮湿自然环境的影响, 电缆外绝缘层易发生各类腐蚀, 导致电缆线路出现水树枝、电树枝的情况, 进而诱发电缆线路发生绝缘击穿的情况; 其次电缆线路在地下会存在蚁噬、鼠噬的情况, 长此以往容易导致线路主绝缘发生故障进而出现电缆击穿的情况; 最后部分直埋电缆线路容易受到外力破坏导致线路本体出现弯曲, 接地的情况从而严重影响了电缆线路的主绝缘导致电缆线路发生故障跳闸, 如下图1 所示为电缆线路主要故障类型:

图1 电缆线路主要故障类型

2 电力电缆不同种类故障特征分析

上述分析了现阶段电缆线路主流故障以及导致主流故障产生的原因, 对于电缆线路而言不同种类的故障其表现出现的特征是不同的, 针对于上述四类故障, 从故障阻抗高低分, 可分为高阻故障、中阻故障、低阻故障。一般情况下由于生产工艺、施工工艺以及潮湿的地下环境导致的电缆线路发生故障跳闸此类故障为“渐发性”故障; 一般情况下其故障阻抗特征均表现为高阻抗类故障, 蚁噬、鼠噬此类故障一般情况下是长时间小动物啃噬, 最终导致了电缆线路发生主绝缘损伤进而出现了跳闸情况, 该类故障可以判定为中阻故障; 而外力破坏导致电缆线路发生故障跳闸, 一般是电缆线路的主绝缘遭到了破坏, 该类故障基本为屏蔽层接地或者芯线短接从而导致了线路发生故障, 该类故障为低阻类故障。

从电缆故障特征来分, 当电缆线路由于“生产工艺、施工工艺”导致的电缆发生故障时, 电缆线路此时表现出来的特征为首先电缆线路存在微弱放电迹象, 不会明显表现出工频的畸变性, 直到电缆开始出现主绝缘击穿时, 此时才会发生明显的工频变化, 潮湿环境影响电缆线路的主要因素是电缆线路绝缘层会出现各类放电情况, 到影响到绝缘后期时, 线路中的环流明显变大, 此时绝缘会出现明显问题, 而外力破坏类故障, 一般情况下其电缆线路表现出来正常的状态, 当线路发生外力破坏时, 芯线中电流呈现出明显变大的状况, 依据上述特征可大致区分电缆线路的状态。同时电缆线路在发生故障跳闸时, 故障点精确定位尤为重要, 在区分了电缆线路故障类型后, 以后为电缆线路故障进行故障点精确定位算法编写。

3 优化算法简介

3.1 优化狼群算法

狼群算法起源于2007 年, 为了分析自然界中动物捕捉的一种智能算法, 该算法通过不断的迭代, 进而检索出系统最有解, 应用于电缆线路故障测距则是通过数据分析方式实现电缆故障点信息的最有解, 其算法步骤如下所示:

①系统初始化, 在系统中随机设置n匹人工狼,通过随机判定设置狼i位置位于:

初始位置判定方法为, 主要为随机产生:

式中, 将rand定义为分布在区间[-1, 1] 中分布的随机数,xmax、xmin为检索空间内的最大值以及最小值;

②从设置的n匹狼中进行选取p只狼作为领袖,在p只狼周围选取q个点位进行搜索, 直到出现qmax为止, 若没有出现, 则继续搜索, 所出现则停止搜索, 其中p只狼中第i只狼附近出现的点位中j的位置为:

式中,step为系统设定步长。

③通过不断搜索, 进行qmax求解, 并不断改变其位置进行迭代, 最终最优解位置:

④采用优胜劣汰的原则, 进行最优位置求解, 不断采用最优解迭代, 最终保留部分最优解结果, 进而实现了求解。

⑤其算法流程图如下图2 所示。

图2 优化算法流程图

3.2 优化BP 神经网络算法

由于BP 神经网络算法在进行计算时收敛速度不高且会出现局部死区的情况, 这在对数据处理以及算法优化时存在极大问题, 对于BP 神经网络算法, 本文在进行电缆线路故障精确定位时采用行波电流进行数据分析, 对行波电流进行傅里叶积分变换, 确定其行波电流分频率以及幅值分布, 然后进行故障点求解, 神经网络算法是一种较为成熟的模糊概念求解方式, 类似于小波变换, 其神经网络模型较为广泛, 本文选用BP 神经网络由于其具备更高的逼近性以及输入输出的非线性映射性, 因此BP 神经网络算法模型具备更强的故障测距计算能力, 图3 所示为BP 神经网络算法的基本模型。

图3 BP 神经网络算法流程图

4 电缆故障定位

上述算法利用狼群优化算法结合BP 神经网络算法对电缆线路故障测距提出了最优解, 以下对电缆线路进行仿真验证, 本文针对于轨道交通电缆线路进行故障测距验证, 给出了电缆线路的分布式参数以及PSCAD 仿真模型, 表1 所示为电缆线路正序负序仿真参数, 图4 为电缆线路线路PSCAD 仿真模型。

表1 电缆分布参数

图4 电缆故障仿真模型

本文选用的故障点模型为注入式故障模型, 以A相单相故障为例子, 通过切换故障点位置不断该变故障点信息通过上述优化研究的算法与实际故障点信息相比对, 进而获得故障测距信息的准确性。

通过表2 证明, 经过优化的BP 神经网络算法相比于传统的故障测距算法具有一定的提升, 但是隐藏层的tran-sigmoid 函数相对而言, 同样重要, 本文中第三类隐藏层的算法具有更加高的故障测距的精确性。

表2 优化算法计算结果与实际故障点对比结果

5 结束语

随着城市化发展需求, 电缆线路逐渐发展成为了重要的电能传输载体, 其故障种类繁多, 同时不同的故障种类表现出现的故障特征不尽相同, 本文采用了狼群算法优化BP 神经网络算法, 采用了第三类transigmoid 函数相对而言其故障测距精度更有更高的精确性, 不足之处在于本文采用了仿真计算形式并未投入到现场试验验证。