广西大学行健文理学院 广西 南宁 530000
摘要:配网单相接地故障占比较高,为提高选线准确性,得到更多选线方法,采用BP神经网络法对单相接地故障选线进行分析,建立基本数学模型,并使用电路仿真软件对配网模型进行仿真,数据结果进行归一化,使用神经网络进行计算,可选出故障线。
课题项目:2020年广西高校中青年教师科研基础能力提升项目《基于BP神经网络法单相接地故障选线的研究》项目编号:2020KY54016
1引言
随着电力网络的不断发展,用电负荷的持续增长,同时对节能减排也提出了更加严格的要求,实现配电系统持续可靠、高效、低耗的运行势在必行,单相故障可能会引发一系列更严重电网故障,缩短电气元件使用寿命。为防止故障进一步的扩大影响整个配电网运行,需要在故障出现后短时间内迅速切除故障线路,且在配电网中单相接地故障占了配电网故障的绝大部分,且因此研究一种有效的并且快速的配电网选线方法,有效保证了供电可靠性。为克服单相接地故障选线判据的单一性、局限性和准确性,而模糊神经网络适应性好,适合处理非线性问题,最大限度的融合各种选线的优点,扬长避短,多判据相互配合提高选线可靠性。BP神经网络法单相接地故障选线通过分析单相接地故障本质特征,提取障暂态分量作为样本输入神经网络进行计算,根据单相接地故障相线路电流与非故障相电流方向相反的特点选出故障线路。
2 神经网络建模
图 1 三层BP神经网络结构
BP为一种深度学习反馈的神经网络方法,指导的学习进行训练和学习,当一堆学习模式提供给BP神经网络后,神经元激活值从输入层经各个隐含层向输出层传播,在输出层的各个神经元获得网络实际输出响应。通过比较输出层各神经元的实际输出与期望输出,获得二者之间的误差,然后按照减小误差的方向,从输出层经过各隐含层逐层修正各个链接权值,最后回到输入层,不断重复此过程直至误差至可接受范围。
图2单元函数模型图
单元函数模型如图2所示,第一层所有输入与第二层连接,连接权向量W={ },i=1,2,3…,n,j=1,2,3,…,n;第二层输入X= ,第二层各阀值为 ,j=1,2…,n,可得第三层各处理单元接收的输入加权和为
= j=1,2,3…,n 1-1
第二层输出大小由转移函数决定,由于单相接地故障特征受暂态分量较多,因此可以选取转移函数为Sigmoid符号函数,因为Sigmoid有非线性特征,且映射能力强的特点,其转移函数为:
Y= 1-2
设置输入向量为 = (k=1,2,…,m)其中m为学习模式对个数, = (k=1,2,…,q),q为输出层个数;输入向量为 = (k=1,2,…,p),输出为 = ,输出层净输入 = ,实际输出 = ,BP算法如下,
赋值到[-1,+1]区级
随机选取学习模式( )
计算
j=1,2,….,p 1-3
=f( ) , j=1,2,….,p 1-4
(4) 计算
t=1,2,….,q 1-5
=f( ) , t=1,2,….,q 1-6
(5)校正误差
=( ) ( ) t=1,2,….,q 1-7
(6)校正误差各层误差值
=[ ] ( )j=1,2,…,p 1-8
(7)若 为学习速率,则
= j=1,2,…q 1-9
× j=1,2,…q 1-10
3计算
设置配网输电线路4条,对中性点不接地系统和中性点经消弧线圈接地系统两种方式进行仿真如图4所示,假设第4条线路发生单相接地故障,其仿真数据结果如表1,
图3 输电路线图
表1 仿真结果
接地方式 | 中性点经消弧线圈接地 | 中性点不接地系统 | ||
长度 | (A) | ( ) | (A) | ( )) |
30km | 3.811 | 98211.24 | 3.912 | 802 |
60km | 8.171 | 65752.12 | 8.2172 | 598 |
100km | 16.11 | 39210.12 | 20.111 | 366 |
150km | 17.11 | 18992.48 | 22.288 | 168 |
将仿真结果进行归一化处理,其中三条作为BP神经网络的输入信号的样本。中性点经消弧线圈接地:单相输入层的初始权值向量为W(0)=(1,-1,0,1 ,输出阀值 =0,学习速率 =1,4条线路样本为 = , = , = .采用符号函数作为神经网络转移函数,则可得到输出
n=0, W(0)=(1,-1,0,1
n=1, =1,xj=1;
n=2, =3, xj=1;
n=3, =-7, xj=-1;
由于单相接地故障接地相电流大小与非故障相相反,故可判断线路为xj=-1的线路。同理可得中性点不接地系统xj=-1;可选出故障线路。
4 结束语
采用BP神经网络计算可选出故障线路,为选线增加更多的考虑因素,但其只考虑单一电流特征,容易受其特征的影响,因此在其实用范围需要进一步探索。
参考文献
[1]王伟,李开成,许立武,王梦昊,陈西亚.基于一维卷积神经网络多任务学习的电能质量扰动识别方法[J/OL].电测与仪表:1-10[2021-01-20].http://kns.cnki.net/kcms/detail/23.1202.TH.20210114.1618.006.html.
[2]林晓静,刘文,甘超飞,简燕红,肖郑海.基于卷积神经网络与多维度电力大数据的信用评估系统[J/OL].电测与仪表:1-9[2021-01-20].http://kns.cnki.net/kcms/detail/23.1202.TH.20201124.1814.057.html.
[3]何彦琦,彭大芹,赵雪志.一种基于循环神经网络的极化码BP译码算法[J/OL].计算机工程:1-8[2021-01-20].https://doi.org/10.19678/j.issn.1000-3428.0060159.
[4]凌晓,徐鲁帅,余建平,梁瑞.基于改进的BP神经网络的输油管道内腐蚀速率预测[J].传感器与微系统,2021,40(02):124-127.
[5]朱永军,湛忠宇.小波神经网络模型在滁河流域南京段洪水预报中的应用[J].人民珠江,2021,42(01):41-45.
[6]吴娜,刘子晖,樊淑娴.基于Pearson相关性的小电阻接地有源配电网接地保护[J/OL].电测与仪表:1-8[2021-01-20].http://kns.cnki.net/kcms/detail/23.1202.TH.20210108.0943.003.html.
[7]李军,陈涛,安东亮,姚凯,李强.中压及低压配电网单相接地故障精确定位方法的研究[J].中国设备工程,2020(24):44-45.