基于粗集神经网络的故障选线方法

基于粗集神经网络的故障选线方法

1神经网络模型中常用的选线方法小电流接地系统单相干扰故障选线一直是现场运行的难点。长期以来,人们对此做了大量的研究,基于不同的原理,提出了多种选线方法,比较成熟的选线方案有:群体比幅比相法、零序电流暂态分量法、有功分量法和五次谐波法。但是,没有一种选线方法能够保证对所有的故障类型都有效,所以,出现了基于信息融合技术的故障选线方法。在基于神经网络模型中,当输入向量维数较高时,网络结构复杂,而且训练时间长。许多学者对其进行了改进,提出了多种改进方法。粗糙集理论是一种刻画不完整和不确定性数据的数学工具。充分利用粗集理论的数据处理能力和神经网络的自学习和精确收敛能力,将粗集理论和神经网络结合起来出现了粗集神经网络。针对基于神经网络的故障选线方法的不足,本文提出了基于粗集神经网络的故障选线方法。2神经网络故障的选择原则2.1神经网络故障选线基于粗集神经网络故障选线系统的框图如图1所示。分别通过小波包变换(WPT)和快速傅立叶变换(FFT)从零序电流信号中提取暂态分量、五次谐波分量、有功分量和基波分量,用粗集理论对其预处理,约简后的条件属性作为神经网络的输入,约简后样本作为训练样本集,用训练样本集对神经网络训练,即可得到神经网络故障选线模型。2.2基波分量特征和故障测度的转移函数假设基于粗集的故障选线信息系统为K=(U,A),论域U是各线路的集合,A=C∪D是属性集,条件属性集C是由从零序电流信号中提取的故障特征组成的集合,D是由线路的故障状态组成的集合。Va为每个属性a∈A的属性值域。规则1给定故障选线信息系统K=(U,A),A=C∪D,条件属性集定义为C={a,b,c,d},其中a表示暂态分量故障测度,b表示五次谐波分量故障测度,c表示有功分量故障测度,d表示基波分量故障测度;决策属性集定义为D={e},其中e表示线路的故障状态。规则2给定故障选线信息系统K=(U,A),条件属性集C={a,b,c,d},规定:a=Xa=XarpXaapXarp=fa(εsΣ/εaΣ)Xaap=ga(εsΣ/εΣ)(1)a=Xa=XarpXaapXarp=fa(εsΣ/εaΣ)Xaap=ga(εsΣ/εΣ)(1)其中Xa、Xarp和Xaap分别表示暂态分量的故障测度、相对故障测度和可确定故障测度;εSΣ表示某一线路在其特征频段内的总能量;εaΣ表示某一线路在所有线路的特征频段内的总能量;εΣ表示所有线路在所有特征频段的总能量;fa(ue5f9)和ga(╋)表示从暂态特征到故障测度的转移函数。εSΣ的表达式如下:εSΣ=∑i=1m∑j=1n[ωkili(j)]2(2)εSΣ=∑i=1m∑j=1n[ωliki(j)]2(2)式中ωkililiki(j)为小波包分解在第(ki,li)(ki,li)子频段下的分解系数。规则3给定故障选线信息系统K=(U,A),条件属性集C={a,b,c,d},规定:b=Xb=XbrpXbapXbrp=fb(P/PΣ)Xbap=gb(P/Q)(3)b=Xb=XbrpXbapXbrp=fb(Ρ/ΡΣ)Xbap=gb(Ρ/Q)(3)其中Xb、Xbrp和Xbap分别表示有功分量的故障测度、相对故障测度和可确定故障测度;P为某一线路的有功分量;Q为某一线路的无功分量;PΣ为所有线路有功分量之和;fb(ue5f9)和gb(╋)表示从有功分量特征到故障测度的转移函数。规则4给定故障选线信息系统K=(U,A),条件属性集C={a,b,c,d},规定:c=Xc=XcrpXcapXcrp=fc(I05/I05Σ)Xcap=gc(I05/I01)(4)c=Xc=XcrpXcapXcrp=fc(Ι05/Ι05Σ)Xcap=gc(Ι05/Ι01)(4)其中Xc、Xcrp和Xcap分别表示五次谐波分量的故障测度、相对故障测度和可确定故障测度;I05为某一线路的五次谐波分量;I05Σ为所有线路的五次谐波分量之和;I01为某一线路的基波分量;fc(╋)和gc(╋)表示从五次谐波分量特征到故障测度的转移函数。规则5给定故障选线信息系统K=(U,A),条件属性集C={a,b,c,d},规定:d=XdXd=fd(I01/I01Σ)(5)d=XdXd=fd(Ι01/Ι01Σ)(5)其中Xd为基波分量的故障测度;I01表示某一线路的基波分量;I01Σ表示所有线路的基波分量之和;fd(ue5f9)表示从基波分量特征到故障测度的转移函数。规则6给定故障选线信息系统K=(U,A),条件属性集C={a,b,c,d},决策属性集D={e},根据各故障特征数据分布的特点,利用等频率划分的离散化方法,规定各条件属性和决策属性的编码方式为:a:1—-1～0.5,2—-0.5～-0.3,3—-0.3～0,4—0～0.3,5—0.3～0.5,6—0.5～1;b:1—-1～0.5,2—-0.5～-0.3,3—-0.3～0,4—0～0.3,5—0.3～0.5,6—0.5～1;c:1—-1～0.5,2—-0.5～-0.3,3—-0.3～0,4—0～0.3,5—0.3～0.5,6—0.5～1;d:1—-1～0.5,2—-0.5～-0.3,3—-0.3～0,4—0～0.3,5—0.3～0.5,6—0.5～1,e:1—-1(非故障),2—1(故障)。按照规则2～5分别将提取故障特征转换成故障选线信息系统的属性值,按照规则6将条件属性和决策属性离散化,构建决策表;然后,对条件属性进行约简,删除冗余属性,得到最小条件属性集,将其作为神经网络的输入;然后,删除不相容的对象和重复对象,再进行规则约简,得到最小规则集。从满足每条规则的原始训练样本中抽取一个样本作为新的训练样本,形成新的训练样本集。利用训练本集对神经网络进行训练,形成故障选线模型。3模拟分析3.1故障测度方法利用文献的方针模型采用电磁暂态仿真程序(ATP)分别对以下几种情况进行大量的试验:五次谐波和有功分量含量均较多、仅五次谐波含量较多、仅有功分量含量较多和五次谐波与有功分量含量均较少。对于以上每种情况,分别在6条线路的10%和90%处和电压相位为0°、45°和90°时通过5Ω、50Ω、500Ω、2kΩ的过渡电阻做单相接地试验。因为系统中有6条线路,所以每次接地故障可采集到6个零序电流信号,这样,共可采集到6×4×3×2×6×4=3456个零序电流信号,其中采样频率取为每周波64点。暂态信号取为故障前半个周期和故障后一个半周期共两个周期的信号,利用DB4小波包对该暂态信号进行3层小波包分解,再根据规则2,即可得到暂态分量的故障测度。稳态信号取为故障后三个周期后的信号,利用FFT算法,根据规则3～5,分别提取五次谐波分量、有功分量和基波分量的故障测度,从而得到原始数据。将原始数据分为训练样本和测试样本,其中训练样本如表1所示。3.2属性约简的实现根据规则6将表1的原始数据离散化,即可形成一个决策表。首先删除决策表中不相容的和重复的对象,然后进行属性约简,将冗余属性d删除后,剩余的属性构成最小属性集。再删除重复对象,即得到约简后的决策表,如表2所示。表中的每个对象对应一条规则。将约简后的条件属性(暂态分量故障测度、五次谐波分量故障测度和有功分量故障测度)作为神经网络的输入。3.3粗集预处理后的训练过程神经网络模型选为含有两个隐含层的四层前向神经网路,第一个隐含层采用8个节点,第二个隐含层采用3个节点。从原始数据表(表1)中抽取满足约简后决策表(表2)中规则的数据作为训练样本,形成具有58个样本的训练样本集,利用该训练样本集对神经网络进行训练。分别用经粗集预处理后得到的训练样本集和未经粗集预处理的训练样本集对神经网络进行训练的训练过程如图2所示。由图可知,经粗集预处理后的训练时间明显比未处理的训练时间短。训练完成后的神经网络即为故障选线模型。3.4模拟测试将测试样本输入到神经网络的选线模型,得到选线结果。与线路的实际故障情况比较可知,该模型的选线精度为99.94%。4模型验证和应用利用山东淄博科汇电气股份有限公司生产的XJ-100型小电流接地系统故障选线装置采集到的100个单相接地故障时的数据作为现场数据对该模型进行验证,验证结果表明,选线正确率为100%。其中,某变电站在2005年4月16日发生单相接地故障时采集的数据如图3所示,图3(a)为线电压,图4(b)为零序电压,图3(c)-(f)为各线路的零序电流。从零序电流信号中分别提取暂态分量、五次谐波分量和有功分量故障特征。将这些故障特征作为神