基于rbf神经网络的配电网故障定位方法

基于rbf神经网络的配电网故障定位方法

0故障定位的研究电网的切断对社会生活的影响越来越大，经济损失难以低估。因此，快速准确定位故障，对电力系统的经济性、安全性、可靠性非常重要。在配电网的常见故障中,单相接地故障发生的几率最高。配电网单相接地故障定位主要解决两个问题：一是故障选线；二是故障选线后，判断故障点。目前，国内外对故障定位的研究大多集中于故障选线，故障选线装置的研究比较成熟且效果较好。但是由于故障点电流较小，所能捕获的电流信号较弱，所以对于馈线的故障定位缺乏成熟的研究成果。如何在故障发生后快速准确的查找故障点并及时隔离故障恢复供电，对于提高供电可靠性具有非常重要的研究意义和实用价值。本文根据这一问题提出利用C型行波法和RBF神经网络相结合的新型配电网故障定位方法进行故障测距，通过搭建具体的配电线路仿真模型，并与传统的BP神经网络进行比较，证明了RBF神经网络在故障定位上具有更好的准确性与可靠性。1c-行波法测距的研究1.1高压脉冲信号检测C型行波定位属于单端行波定位方法，是故障后人工向故障线路发射高压脉冲信号，然后检测从故障点反射回来的信号，利用行波往返一趟的时间和波速来实现故障定位，如图1所示。设发射行波信号的时间为t1，在检测点接收到信号的时间为t2，定位公式为：1.2c型行波法的信号分析本文提出利用C型行波法进行故障测距，是因为C型行波法属于离线定位，是在线路发生故障后，人工向线路发射行波信号，可以根据实际情况设定其强度和种类，从而解决了在线定位方法其行波信号弱的难题。C型行波法可以在离线情况下多次向线路发射行波信号，保证了行波信号采集的准确性。在定位时，线路已经退出运行，所以不受线路末端负荷变化的影响。另外，C型行波法属于单端测距，根据行波信号在故障点反射回来的时间和波速就能计算出故障距离。它也不需要在各条线路装设高频采集装置，节约了装置投资。要确定故障距离，关键是找到来自故障点的反射波。传统上，是通过信号分析手段来直接寻找来自故障点的反射。现在找到一种方便可行的方法是通过比较故障线路与正常线路的反射波波形来确定故障点的反射波。在发生接地故障的那相和另外一个正常的相上分别注入人工信号，会得到两个行波信号。根据线路的对称性，这两个行波信号在故障点之前，各处的线路结构是一样的，因而，检测到的行波波形也一样。但故障相在故障点处将发生异于正常相的反射，对比正常情况和故障情况的反射波，波形的第一个差异点必然是来自故障点反射波，这就是故障点的特征波。1.3信号信号的充放电利用C型行波测距需要在线路始端向线路注入信号，同时在始端检测从线路反射回来的行波信号，因此，信号源和高速数据采集装置的性能是C型行波测距的关键。C型行波定位的信号源需要较陡的上升沿，电压从峰值电压的10%上升到90%所需的时间应不超过几个微秒，否则会产生较大的定位误差，一般选用高压冲击信号源。对于城市电网的故障定位，通过仿真不同幅值和宽度的信号源对故障定位的影响，信号源应采用幅值为10kV宽度为2μs高压脉冲信号。行波信号传播速度非常快，近似于光速，普通的采集装置根本不能满足要求，所以必须选用采样率在5MHz以上的高速采集装置。现在，市场上已有多种高速采集卡，可以满足数据采集的要求。2故障分形判别人工神经网络具有强大的特征提取和模式识别能力，可以准确提取不同分支故障波形特征，实现故障分支判别。根据对故障点反射波进行人工神经网络方法模式识别，从而快速判断故障区段。2.1不同层间关系原理RBF网络是一种三层前向网络，如图2所示。第一层为输入层，由信号源节点组成；第二层为隐藏层，隐藏层节点数视所要描述问题的需要而定，隐藏层中神经元的变换函数即径向基函数是对中心点径向对称且衰减的非负非线性函数，第三层为输出层，网络的输出是隐单元输出的线性加权，它对输入模式进行响应。2.2rbf应用于模式识别学习算法RBF神经网络学习算法需要求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值。学习算法的具体步骤如下：2.2.1聚类中心的确定在聚类确定数据中心的位置之前，需要先估计中心的个数I（从而确定了隐节点数），一般需要通过试验来决定。由于聚类得到的数据中心不是样本数据X本身，因此用t1(n）表示第n次迭代时的中心。针对故障测距的模式识别，本文应用K-means聚类算法确定数据中心的过程如下：(1）初始化。选择I个互不相同的向量作为始聚类中心ti(0）(i=1,2,3,...，I）。(2）计算输入空间各样本点与聚类中心点的欧式距离：Xk-ti(n）∥（k=1,2,3,...，N）(i=1,2,3,...，I）。(3）相似匹配。令i*代表竞争获胜隐节点的下标，对每一个输入样本Xk根据其与聚类中心的最小欧式距离确定其归类i*（Xk）,即当i*Xk=min(Xk-ti(n））时，Xk被归为第i*类，从而将全部样本划分为I个子集U1(n）,U2(n）,...UI(n），每个子集构成一个以聚类中心为典型代表的聚类域。(4）更新各类聚类中心。采用竞争学习规则调整：2.2.2确定常数ii.1，2，...，i各聚类中心确定后，可根据各中心间距离确定对应径向基函数扩展常数。令，则扩展常数可取为σi=λdi，λ为重叠系数。2.2.3wiji.1，2，......................隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到，计算公式如下:3两种网络的仿真模型为了验证上述测距方法的可行性，搭建了一条11分支的某变电站对部分区域的配电线路，如图3(a）所示。分别用RBF网络和BP网络进行试验，对比两种网络的判断结果。图3(b）为其简化线路图，分支的末端均为配电变压器，故障分支在线路的S9段，如图2F点处发生单相接地故障，距离线路首端2.4km，接地电阻为1000Ω。用ATP软件搭建线路仿真模型，如图4所示。线路末端的配电变压器由其入口电容代替，这是因为变压器对行波的影响主要是其入口电容的反射影响。经测得，容量为1000kVA的10kV变压器每相绕组入口电容为423pF。3.1仿真信号仿真故障后，在母线首端M点注入高压脉冲信号，并进行采样。检测故障相和正常相的反射行波信号，为了更接近实际情况，对仿真波形加入了信噪比为10dB的白噪声。对比正常情况和故障情况的反射波，得到其波形信号差，如图5所示。波形的第一个突变点必然是来自故障点的反射波。故障特征时刻T=16.11μs，根据公式（1），取波速v=300m/μs,则可得：与实际距离相差16.5m，测距精度满足实际要求。3.2神经网络的训练通过配电线路图可知，在这一距离区段上存在11条分支：S9、S8、S10、S15、S13、S14、S17、S18、S20、S21和S5。为了判断故障发生在哪条分支上，需要利用人工神经网络进行模式识别。具体步骤如下：数据采集→网络创建→网络训练→网络仿真→结果分析数据集包括了训练样本和测试样本。对于文章搭建的配电线路模型，数据集一共包括44组故障波形数据，分别用ATP软件仿真这11条分支得到，其中，1-3组、4-6组、7-9组、10-12组、13-15组、16-18组、19-21组、22-24组、25-27组、28-30和31-33组数据分别来自S9、S8、S10、S15、S13、S14、S17、S18、S20、S21和S5支路，每条支路取除去故障点之外的三个点作为训练样本用于神经网络的训练，这33组数据作为训练样本。取S9、S8、S10、S15、S13、S14、S17、S18、S20、S21和S5支路距M点2.4165km处发生短路故障的波形数据作为测试样本，这些波形数据来测试所得神经网络的正确性。将测试样本11组数据存入P＿test文件中，P＿test文件是11×20001的数组；将训练样本数据故障类型存入T文件中，T文件是33×1的数组；将S9、S8、S10、S15、S13、S14、S17、S18、S20、S21和S5支路的故障类型依次设为1-11。测试样本数据故障类型存入Tc＿test文件中，Tc＿test文件是11×1的数组。分别创建RBF网络和BP网络，并对其训练和测试。对于RBF网络，利用MATLAB自带的神经网络工具箱函数newrb（）构建一个RBF神经网络。然后设置网络参数，分布常数SPREAD设定为1000，训练目标为0.01。之后，利用MATLAB自带的网络训练函数train（）对网络进行训练学习。最后，利用sim（）函数将测试样本数据输入训练好的神经网络便可以得到对应的测试样本输出仿真数据。同样对于BP网络，利用MATLAB自带的神经网络工具箱函数newff（）构建一个BP神经网络。然后设置网络参数，隐含层神经元个数设置为20个，学习速率设为0.1，训练步数设置为1000，训练目标为0.1，训练间隔为10，隐含层神经元传递函数为tansig，输出层神经元传递函数为purelin，训练函数为traingda。之后，利用MATLAB自带的网络训练函数train（）对网络进行训练学习。最后，利用sim（）函数将测试集输入数据送入训练好的神经网络便可以得到对应的测试集输出仿真数据。两种网络的测试结果见表1，收敛情况如图6所示。从表中可以看出，RBF神经网络可以分辨出每条支路的波形特征，并能准确判断故障所在分支。其判断正确率为100%，没有误判断。但是BP神经网络的正确率较低，其中S9、S8、S10、S15、S21和S5支路的故障类型判断错误，而且网络并不收敛，只是达到了预先设定的训练步数而停止，最好结果是在第445步达到0.62261。由仿真结果可知，搭建的线路模型复杂且分支增多的情况下，BP神经网络无法正确判断故障所在分支，而RBF网络却能取得很好的效果，对于判断更多的故障分支其正确率高。RBF神经网络的判断精度高于BP神经网络。4结合特征波c型行波定位法仿真针对配电网单相接地故障的主要问题，提出了C型行波法结合RBF神经网络