遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)在小電流接地系統(tǒng)故障選線中

如何準確地檢測出故障線路一直是電力系統(tǒng)繼電保護的重要研究課題。本文將遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)應(yīng)用到故障選線中，并將多種電氣量綜合，進行故障選線。相比于以往的判別方法，此法大大提高了故障選線的準確性。
　　關(guān)鍵詞：故障選線 遺傳算法 神經(jīng)網(wǎng)絡(luò)

Fault line selection in small current grounding power system with the artificial neutral network optimized by genetic algorithmic

Dou Hongji Yao Tingting Liu Linxing

(Nanjing University of Science and Technology, Nanjing 210094)

　　ABSTRACT：How to detect the fault line quickly and accurately is an important subject in electronic system protective relaying. In this paper, with the using of artificial neutral network optimized by Genetic Algorithmic and fusing all kinds of fault information the veracity of the fault line selection in small current grounding power system has great improved.
　　KEYWORD：Fault feeder detection Genetic algorithmic—GA Artificial neutral network－ANN

0 引言
　　小電流接地系統(tǒng)中發(fā)生單相接地時，由于故障點的電流很小，而且三相之間的線電壓仍然保持對稱，在一般情況下，都允許再繼續(xù)運行1～2小時，而不必立即跳閘，但為了防止故障進一步擴大成兩點或多點接地故障，應(yīng)及時發(fā)出信號，及時消除故障。但在現(xiàn)場運行中，單一故障選線方法的準確度較低，原因在于：小電流接地系統(tǒng)零序阻抗大，并受故障接地過渡阻抗的影響，故障電流小，故障線路與非故障線路的區(qū)別不明顯；受各種干擾因素的影響，故障選線裝置測量到的故障特征量(如零序電流、零序功率方向等)具有很大的模糊性和不確定性。
　　神經(jīng)網(wǎng)絡(luò)是模擬人類生理上的神經(jīng)機制的計算模型，其中一種典型網(wǎng)絡(luò)，也是最為成熟的一種網(wǎng)絡(luò)為多層前饋神經(jīng)網(wǎng)絡(luò)又稱BP（Back propagation）神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)在電力系統(tǒng)的各個領(lǐng)域有了廣泛的應(yīng)用，但在小電流接地選線中還沒有較為成熟的應(yīng)用，這是由小電流接地選線的故障特點及 BP網(wǎng)絡(luò)容易陷入局部極小點以及學習能力有限所共同決定的。針對此問題，本文提出將遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)用于故障選線中，通過對故障時的各種特征量的綜合判別，來大幅度提高故障選線的準確率。

1 算法原理及網(wǎng)絡(luò)模型
　　遺傳算法[2]是一種新型的，根植于自然遺傳學和計算機科學的優(yōu)化方法。其本質(zhì)是將優(yōu)勝劣汰、適者生存的原理及遺傳機理抽象出來，形成了一種非常使于計算機實現(xiàn)的算法。遺傳算法的計算過程是將實際的優(yōu)化問題編碼為染色體，實際問題的目標函數(shù)則用染色體的適應(yīng)函數(shù)表示、在隨機產(chǎn)生一群染色體的基礎(chǔ)上，根據(jù)各染色體的適應(yīng)函數(shù)進行繁殖、交叉、變異等遺傳操作，產(chǎn)生下一代染色體。適應(yīng)函數(shù)值的大小決定了該染色體被繁殖的機率，從而反映了適者生存的原理。
　　遺傳算法能夠收斂到全局最優(yōu)解，而且遺傳算法的魯棒性強，將遺傳算法與BP網(wǎng)絡(luò)結(jié)合起來，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化的映射能力，而且，使神經(jīng)網(wǎng)絡(luò)具有很快的收斂性以及較強的學習能力。遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合主要有兩種方式：一是用于網(wǎng)絡(luò)訓練，即學習網(wǎng)絡(luò)的連接權(quán)值；二是學習網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。本文主要將遺傳算法用于神經(jīng)網(wǎng)絡(luò)的訓練。
　　BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示：BP網(wǎng)絡(luò)分輸入層、隱含層和輸出層，層與層之間采用全互連方式，在同一層單元之間不存在連接關(guān)系。信號在網(wǎng)絡(luò)中是單方向向前傳播的。

　　BP網(wǎng)絡(luò)的每一層連接權(quán)值都可以通過學習來調(diào)整，未經(jīng)遺傳優(yōu)化的BP網(wǎng)絡(luò)的權(quán)值調(diào)整請見參考文獻[1]。
　　在遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)中，層與層之間的連接權(quán)值用1、0表示，相連為1，不相連為0。在神經(jīng)網(wǎng)絡(luò)訓練時，首先列出神經(jīng)網(wǎng)絡(luò)所有可能存在的神經(jīng)元，將這些神經(jīng)元所有可能存在的連接權(quán)值編碼成二進制碼串表示的個體，隨機地生成這些碼串的群體，進行常規(guī)的遺傳算法優(yōu)化計算。將碼串解碼構(gòu)成神經(jīng)網(wǎng)絡(luò)，計算所有訓練樣本通過此神經(jīng)網(wǎng)絡(luò)產(chǎn)生的平均誤差可以確定每個個體的適應(yīng)度。具體過程見圖2。這樣，可以很好地解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的問題，并且可以大大提高神經(jīng)網(wǎng)絡(luò)的學習能力。

2 輸入、輸出量的選取
　　在中性點不接地電網(wǎng)中，假定有K條饋電線路，則在神經(jīng)網(wǎng)絡(luò)輸入、輸出量選取如下：
2．1 輸入量的選取
　　根據(jù)饋電線路數(shù)K，每條饋線輸入數(shù)據(jù)共有N個，則共有K*N個輸入節(jié)點，每條饋線輸入數(shù)據(jù)分別為：
　　1） 零序測量導(dǎo)納Yoi[3]
　　根據(jù)電網(wǎng)正常運行時的零序回路，利用消弧線圈適當?shù)拿撝C狀況和位移電壓的相應(yīng)改變，可將每條饋線零序阻抗的不對稱分量，即對地導(dǎo)納計算出來。如果所有的零序?qū)Ъ{都不超過正常運行時電網(wǎng)限定的允許值，則無故障；當任何一條饋線發(fā)生單相接地故障時，就相當于產(chǎn)生了一個附加的不對稱電源，這就會導(dǎo)致零序電壓和饋線零序電流的總和量發(fā)生變化，此時同樣計算出該條饋線的對地導(dǎo)納。將計算出的饋線對地導(dǎo)納輸入神經(jīng)網(wǎng)絡(luò)，作為第一組輸入數(shù)據(jù)。
　　2） 零序電流幅值
　　單相接地短路時，流過故障元件的零序電流在數(shù)值上等于所有非故障元件對地電容電流之和，即故障線路上的零序電流最大，所以零序電流幅值的大小，也是判別故障線路的有效數(shù)據(jù)。故將各條饋線的零序電流作為第二組輸入數(shù)據(jù)。
　　3） 五次諧波分量
　　從過渡電阻的非線性可知故障點本身就是一個諧波源（金屬性接地是經(jīng)電阻接地發(fā)展而來的），且以基波和奇次諧波為主，根據(jù)諧波在整個系統(tǒng)內(nèi)的分布和保護的要求，使用五次諧波分量為宜。NES（中性點經(jīng)消弧線圈接地系統(tǒng)）中的消弧線圈是按照基波整定的，即有,可忽略消弧線圈對五次諧波產(chǎn)生的補償效果，因零序電流五次諧波分量產(chǎn)生在NES中有著與NUS（中性點不接地系統(tǒng)）中零序電流基波分量相同的特點，根據(jù)上述零序電流幅值法原理，將其經(jīng)消弧線圈所得五次諧波分量取其電流幅值，作為第三組輸入數(shù)據(jù)。
　　4）序分量測量值Is
　　根據(jù)參考文獻[4]，利用對電流正、負序分量的有效值進行相加，得出一綜合測量值Is將其作為第四組輸入數(shù)據(jù)。
　　在此神經(jīng)網(wǎng)絡(luò)中，僅選擇了4組輸入數(shù)據(jù)，在實際應(yīng)用中，可以根據(jù)實際情況，加入其它數(shù)據(jù)，以更好地進行選線。
2．2 輸出量的選取
　　在此網(wǎng)絡(luò)中，共選取K+1個輸出節(jié)點，代表1至K條饋線，第K+1個節(jié)點代表母線，傳統(tǒng)的輸出1代表有故障，0代表不故障的絕對關(guān)系靈活化，其值可以取[0,1]區(qū)間的任一數(shù)值，再將其輸出數(shù)值進行判斷，大于0.5判為故障，小于0.5判為不故障。

3 網(wǎng)絡(luò)學習及訓練
選取一有10條饋電線路的輸電系統(tǒng)，如圖3所示：

　　此輸電系統(tǒng)中，L1～L4為電纜線路，L5～L10為架空線路。
　　對此網(wǎng)絡(luò)進行學習訓練。根據(jù)訓練的實際情況，選取64個隱含節(jié)點，則依據(jù)上述原理，生成一個有4×10×64×2位的個體，然后依據(jù)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法原理，進行網(wǎng)絡(luò)訓練。在此實際網(wǎng)絡(luò)中，例如，當L3饋線發(fā)生接地短路時，則神經(jīng)網(wǎng)絡(luò)的理想輸出為[0 0 1 0 0 0 0 0 0 0]，神經(jīng)網(wǎng)絡(luò)的實際輸出為yi（i=1,2,...,10)，為求取其適應(yīng)度函數(shù)值，先求取方差，則其適應(yīng)度函數(shù)取為f=100/S?？梢姡溥m應(yīng)度函數(shù)越高，方差越小，與標準選線結(jié)果也就越接近。
　　經(jīng)過87次的訓練，該網(wǎng)絡(luò)訓練完成。進行實際運算得到的結(jié)果表明，其判斷準確率可達90％以上。

4 結(jié)論
　　與傳統(tǒng)的選線方法（五次諧波分量法、零序?qū)Ъ{法）相比，此方法根據(jù)多個判據(jù)的綜合判定，加上采用了遺傳算法進行神經(jīng)網(wǎng)絡(luò)的優(yōu)化，避免了神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的問題，大大提高了接地選線的準確性。但隨著饋電線路的增加及隱含層接點數(shù)目的增加，會大大加大算法的計算量，考慮到單相接地故障允許運行1～2小時，隨著計算機速度的不斷加快，此問題已不是很重要，故在現(xiàn)場運行中是可行的。