电力计量系统的故障诊断分析

摘要：随着电力行业的快速发展，电力计量系统作为电能贸易结算的重要依据，其准确性和可靠性至关重要。对电力计量系统故障进行及时、准确的检测和诊断，对于保障电力系统的安全运行和电能贸易的公平、公正具有重要意义。基于BP（BackPropagation）神经网络构建了电力计量系统故障检测和诊断模型，以CT一次侧短路故障为例，搭建了电力计量系统诊断模型，对电力计量系统故障类型进行辨识，通过选取反映计量系统故障的4个参数作为输入，利用训练后的BP神经网络模型对故障进行检测和判断。经过测试，该方法能够有效诊断电力计量系统的故障，并准确判断故障类型。

关键词：电力计量系统BP神经网络故障检测故障诊断

中图分类号：TN911.71 文献标识码：A

FaultDiagnosisAnalysisofPowerMeteringSystem

OULongSUYingchun

MarketingServiceCenterofStateGridNingxiaElectricPowerCo.，Ltd.，（MetrologyCenterofStateGridNingxiaElectricPowerCo.，Ltd.），Yinchuan，NingxiaHuiAutonomousRegion，750011China

Abstract：Withtherapiddevelopmentofthepowerindustry，theaccuracyandreliabilityofthepowermeteringsystemareveryimportantasanimportantbasisforthesettlementofelectricenergytrade.Itisofgreatsignificancetoensurethesafeoperationofthepowersystemandthefairnessandjusticeofelectricenergytradebytimelyandaccuratedetectionanddiagnosisofpowermeteringsystemfaults.BasedonBackPropagation（BP）neuralnetwork，thefaultdetectionanddiagnosismodelofthepowermeteringsystemwasconstructed，and ;thediagnosismodelofthepowermeteringsystemwasbuiltbytakingtheCTprimarysideshort-circuitfaultasanexample，andthefaulttypeofthepowermeteringsystemwasidentified，andthefourparametersreflectingthefaultofthemeteringsystemwereselectedasinputs，andthetrainedBPneuralnetworkmodelwasusedtodetectandjudgethefault.Aftertesting，themethodcaneffectivelydiagnosethefaultofthepowermeteringsystemandaccuratelydeterminethefaulttype.

KeyWords：Powermeteringsystem;BPneuralnetwork;Faultdetection;Faultdiagnosis

随着电力行业的迅猛发展，电力计量系统作为电能贸易结算的重要依据，其准确性和可靠性显得尤为重要。电力计量系统的故障检测和诊断不仅关系到电力系统的安全运行，还直接影响电能贸易的公平性和公正性。本研究旨在利用BP（BackPropagation）神经网络构建电力计量系统的故障检测和诊断模型，重点分析CT一次侧短路故障，通过实际测试验证方法的有效性和准确性。研究的创新点在于将BP神经网络应用于电力计量系统故障检测，选取4个关键参数作为输入，提升了故障诊断的准确性和效率，为电力系统的稳定运行提供了技术保障。

1BP神经网络算法

BP神经网络是一种多层前馈神经网络，其广泛应用于预测和数据压缩、故障识别等场景中。

1.1BP神经网络结构

BP神经网络结构如图1所示，BP神经网络为前向型结构，主要由输出层、输入层和多个隐含层组成，每层拥有多个节点，相同或相邻层节点之间通过权值进行连接[1]。

BP神经网络的过程分为信号正向传播和误差反向传播，其中信号正向传播主要从输入层传输至隐含层，最后到达输出层；误差反向传播起点为输出层，从输出层传输至隐含层，最后到达输入层[2]。

1.2BP神经网络学习算法和改进

1.2.1BP神经网络学习算法

以图1三层BP神经网络推导学习算法，BP神经网络数据正向传播时，输出层和输入层的输出如下。

式（1）、式（2）、式（3）、式（4）中，为输入样本数量；分别为输出层、隐含层和输入层节点数；为隐含层节点输出值；为输入层神经元输入值；为输出层节点输出量；为输出层节点期望输出；为隐含层节点净输入值；为输出层节点净输入值；为节点到达隐含层节点的权值；为隐含层节点到达输出层节点的连接权值。式（1）和式（3）中，导数为，激励函数为。BP神经网络主要受误差函数E的影响，E的值越小性能越好。

1.2.2BP神经网络的改进

BP神经网络具有较强的容错能力和非线性问题处理能力，但是其学习收敛速度较慢，如果BP神经网络学习速率设置过小，其迭代次数会增加，运算时间将延长，进而导致学习收敛速度减慢。如果学习速率设置过大，其会出现振荡情况，导致无法收敛[3]。

针对该问题，可以采用学习率自适应调节方法，在BP神经网络梯度下降法中，BP神经网络学习速率为常数，可以通过经验法确定其学习效率，或在训练过程中，观察BP神经网络不同学习率下的误差变化情况，然后利用式（5）判断BP神经网络模型学习速率是否需要增加或减少。

（5）

式（5）中：当kinc>1时，表示BP神经网络误差较小，可以适当提高学习速率；当kdec<1时，表示BP神经网络误差较大，需要适当减小学习速率[4]。

2基于BP神经网络的电力计量系统故障诊断分析

2.1电力计量系统故障检测和判断说明

2.1.1电力计量系统故障检测

图2所示电力计量系统故障检测原理图，图中1、2为电度表计量单元，CT1、CT2为电流互感器；PT1、PT2为电压互感器；IC、IA为A相和C电流；Ic、Ia、Uc、Ua为计量单元电流和电压；ua、uc为电流互感器检测信号。

电力计量系统故障分为隐性故障和显性故障，其中显性故障可以通过检测仪表判断是否存在故障；隐性故障主要通过观察电力计量系统网络阻抗变化情况判断其是否存在故障[5]。

2.1.2判断设定

根据图1所示电力计量系统故障检测和诊断图，本文将其故障类型分为以下几种，如表1所示。

2.2电力计量系统故障样本处理

根据选择的电力计量系统运行参数故障特性，总结出电力计量系统正常情况下4种样本故障特性模式。通过搭建测试平台，将采集的样本数据导入BP神经网络中进行训练。在故障数据训练过程中，由于神经网络输入要求和输出要求数据范围为[0，1]，但电力计量系统电压和电流输入不在该范围内，因此本二维利用归一化方法对数据进行处理：

式（6）、式（7）中：y为归一化输出值；x为系统输入值。

将4种故障信息进行归一化处理后可以获取故障特性信息，将其作为神经网络输入值和输出值，然后利用0001～1000四位二进制数表示正常情况和4种故障类型。

2.3网络训练和诊断测试

诊断测试试验采用单隐层BP神经网络，隐含层数设置为8个，本文构建BP神经网络结构为4-8-4。输出层和隐含层采用logsig函数作为神经元传递函数，并采用BP学习算法对故障参数进行训练，训练次数为10000次，学习速率设置为0.1，误差为0.01，动量因子设置为0.8。对训练好的网络，通过改变计量系统负载值，并采集另外80组样本对网络进行测试，根据测试数据，分析出对应的测试结果：ua测试结果明显低于其他测试参数，将该组测试数据输入网络模型值进行训练。该组数据故障类型为CT1一次侧短路故障，该组数据实际测试结果为8.54×10-6、1.37×10-6、1.0000、0.2601，该组数据对应二进制编码为0010，通过对比表1所示故障类型，判断该组数据为CT1一次侧短路故障，与实际故障情况相符，由此说明经过训练后的BP神经网络可以诊断出故障类型，并且符合预期结果。

3结论

综上所述，本文针对电力计量系统常见隐性故障和显性故障，构建了BP神经网络检测和诊断模型，选取4组可以反映电力计量系统的故障参数，利用训练后的BP神经网络模型对故障进行检测和判断。最后利用单BP神经网络对试验数据进行了测试，测试结果与预期结果一致，证明本文提出电力计量系统故障检测和诊断方法可以有效判断电力计量系统故障。

参考文献

[1]姜俊秋，车德敏.基于人工智能的电力系统故障检测与自动修复方法研究[J].电气技术与经济，2024（3）：22-24.

[2]靳君，贺明强，宋德琦，等.基于智能技术的电力系统故障检测方法分析[J].集成电路应用，2024，41（2）：220-221.

[3]袁卫，刘正明，张明，等.基于神经网络的电力计量自动监测流水线固定诊断系统设计及仿真[J].微型电脑应用，2022，38（3）：94-97.

[4]李慧聪，郑宽昀，徐锋，等.基于物联网技术的智能电力计量系统研究[J].能源与环保，2022，44（1）：230-235.

[5]欧振国，张永旺，舒晔，等.基于J2EE的电力计量管理信息系统设计[J].自动化应用，2021（8）：67-69.