基于径向基网络的小电流接地系统多判据故障选线方法与流程

本发明属于电力系统继电保护领域，尤其涉及一种基于径向基网络的小电流接地系统多判据故障选线方法。

背景技术：

10～66kv供电系统广泛采用小电流接地方式，其中发生的故障70％是单相接地，尤其南方供电系统多雷雨潮湿天气，概率更高。目前自动化水平不高的变电站仍采用人工拉路的方法搜寻故障线路，因此自动快速定位故障线路，对提高供电可靠性尤为重要。

小电流接地系统自动选线主要有稳态法和暂态法，稳态法包括谐波分量法、零序电流幅值比较法、方向法等；稳态故障信号弱，导致灵敏度降低，且容易受到间歇性电弧干扰。暂态法主要有暂态能量法、小波法、暂态零模电流方向法、行波法等，相比于稳态法，暂态故障量明显，灵敏度高，因而得到广泛应用。从实际应用情况来看，单一选线法往往正确率不高，一是因为各种电网结构及复杂故障条件下，不同故障分量存在显著差异，二是故障分量的有效部分受电磁干扰以及负荷变化的影响较大，干扰了选线结果。针对上述情况，采用人工智能特别是神经网络综合多种选线方法的复合选线策略逐渐受到重视，然而目前方法大多采用bp神经网络，网络结构与权值随机确定，存在收敛速度慢、局部极小等问题。rbf径向基神经网络是一种局部逼近神经网络，对于局部的输入区域，影响输出的仅少数几个权，学习效率高、逼近精度高且全局最优。理论上网络效率rbf比bp快3到4个数量级。不过rbf也存在待定网络结构参数较多的缺陷，任意构造的rbf神经网络在面对小电流接地不同故障下相差悬殊的故障分量时，有可能达不到预期输出精度。

技术实现要素：

针对以上现有技术存在的不足，本发明提出一种基于径向基网络的小电流接地系统多判据故障选线方法，以解决现有技术通过rbf对小电流接地系统自动选线存在的预期输出精度不高等技术问题。

本发明技术方案：

一种基于径向基网络的小电流接地系统多判据故障选线方法，它包括：

步骤(1)、采样零序短路电流信号，其中稳态分量取故障发生三个周期后的信号，暂态分量取故障前一周期和后一周期共两个周期信号；

步骤(2)、利用快速傅氏变换算法，从稳态分量中分别提取基波特征分量、5次谐波特征分量和有功分量；

步骤(3)利用db10小波包开展5层小波包分解，提取暂态特征分量，加上步骤(2)提取的三种稳态特征分量，共同构成训练和测试样本集；

步骤(4)构建rbf神经网络选线模型，输入训练样本，采用改进差分进化算法训练rbf神经网络，获取rbf神经网络的最优参数；

步骤(5)将测试样本集输入优化后的rbf神经网络，实现对小电流接地系统故障的选线。

步骤4所述构建rbf神经网络选线模型，输入训练样本，采用改进差分进化算法训练rbf神经网络，获取rbf神经网络的最优参数的方法包括：

step1、将rbf神经网络的初始权值和径向基的中心位置、宽度等作为待优化参数，产生初始化种群；

step2、建立rbf网络参数优化的适应度函数，以网络理想输出与实际输出之间误差平方和形式表示：

式中yi(l)和分别为样本1在rbf网络第i个输出节点的实际输出与理想输出，n为样本数；m为样本输出数。

step3、将当前种群向量(待优化参数)代入rbf选线模型，同时输入训练样本，根据网络输出计算适应度函数值，记录对应最小适应度的的网络参数；

step4、判断当前种群最小适应度值是否达到迭代终止准则，若达到要求，则终止训练并返回最优网络参数；

step5、若未达到要求，对种群进行变异、交叉、选择操作，得到新一代种群，接着返回step3。

步骤step5的实现方法包括：

step5.1，在父代向量基础上，经如下变异操作得到一个扰动向量：

wi，g+1＝zbest+f·(zr1，g-zr2，g)

式中，g表示个体代数，i为个体序号，zr1，g、zr2，g是任选的父代向量，zbest是适应度最优的向量，wi，g+1是新产生的扰动向量；r1，r2是随机数，保证了wi，g+1与zi，g的无关，范围在[0，p-1]之间，且i≠r1≠r2；向量之差(zr1，g-zr2，g)的倍数f称为缩放比例因子，范围在[0，2]之间；

step5.2，向量zi，g与扰动量wi，g+1进行如下交叉操作产生新的向量vi，g+1：

vi，g+1＝(v0，i，g+1，v1，i，g+1，...，vm-1，i，g+1)

其中，

式中，j＝0，1，…，m-1，rand是随机数，范围在[0，1]；r(i)是随机整数，范围在[0，m-1]；cr是交叉概率，范围在[0，1]；

step5.3，在vi，g+1和父代zi，g之间进行选择操作：分别计算二者适应度，适应度更优的成为下一代个体zi，g+1，如果vi，g+1胜出，则再与zbest进行适应度比较，以完成zbest的优化更新。

本发明的有益效果：

1、本发明改进差分进化算法的种群更新机制，让缩放比例因子f参与种群更新，同时采用自适应交叉概率cr，有效提高了差分进化算法的寻优速度与精度。采用改进的差分进化算法对rbf网络进行训练，rbf径向基函数的中心位置、宽度和输出层连接权重趋向最优，由此构建的选线模型收敛速度快，泛化能力强。

2、单相接地时故障与非故障线路上的零序电流差异显著，所以零序电流基波是有效判据，但消弧线圈接地会补偿基波分量，但几乎补偿不了五次谐波，故同时提取基波与五次谐波分量作为故障特征；考虑到广泛采用的消弧线圈并(串)电阻的接地方式会减小上述故障特征，但会在故障线路产生较大的有功分量，因而增加有功分量判据；上述判据均属于稳态法，易受间歇性电弧影响，采用暂态能量法灵敏度高，不受间歇性电弧影响，但过大的过渡电阻会降低电流突变量，需要配合稳态判据避免漏选。总之，故障条件不同，产生的故障特征量数值和规律差别很大，有的明显，有的模糊，若采用单一判据难以适应各种故障条件，本发明通过提取三种稳态分量，并结合利用小波分析得到的暂态分量，形成了多判据融合，充分利用丰富的故障特征信息，分别从不同角度反映故障线路与非故障线路的特征差异，因而选线结果对各种故障条件的适应性更强，不受故障位置、故障初始角、过渡电阻及消弧线圈等因素的干扰。

解决了现有技术通过rbf对小电流接地系统自动选线存在的预期输出精度不高等技术问题。

附图说明

图1为本发明流程示意图；

图2为本发明rbf神经网络模型；

图3为本发明小电流接地系统仿真模型；

图4为本发明差分进化算法优化rbf与单纯rbf网络训练误差曲线对比图。

具体实施方式

为了进一步了解本发明的内容，下面结合附图并举实例对本发明进行详细描述。

本发明提供一种基于径向基网络的小电流接地系统多判据故障选线方法，如图1所示，本发明将改进的差分进化算法和rbf神经网络相结合，利用差分进化算法对待定的rbf网络结构参数进行优化，构建新型优化的rbf网络选线模型，并应用于小电流接地故障选线中。

rbf待定网络结构参数较多，关键参数首先是径向基函数的中心位置和宽度，因为径向基函数是隐单元激励函数，而对隐单元输出直接线性加权求和就得到网络输出；其次是输出层连接权重，因为rbf是局部逼近，对于输入的某个局部区域，影响输出的只是个别权重系数。本发明采用的单隐层前馈rbf网络结构如图2所示。

在小电流接地系统复杂故障条件下，上述网络参数如果随意设置，将严重影响神经网络的逼近能力，进而影响选线正确率。因此优化rbf神经网络结构参数是将其应用于小电流接地选线的关键。本文采用小电流接地系统故障特征样本，用改进的差分进化算法训练rbf神经网络，找到最优网络结构参数。

为了提高差分进化算法的搜索效率和精度，对差分进化算法的要素进行改进，包括暂存种群、缩放比例因子f、交叉概率因子cr等。

按差分进化的标准流程，需要一个暂存种群保存个体完成变异、交叉及选择等所有操作之后的数据，等所有父代个体操作完成，暂存种群覆盖原来的种群，得到子代种群，也就意味着进化操作得到的优秀基因必须等到子代才开始发挥作用，无形中延缓了寻优速度，且暂时种群的存在也增加了存储空间，为此做如下改进：父代种群中经过进化操作的个体不暂存，而立即参与父代种群中其他个体的操作，让优秀基因在当前进化过程中发挥作用，从而加快搜索速度，也节省了存储空间。

缩放比例因子f决定了种群进化中对种群基因的修正程度，如果人为设定一个不变的f，不利于种群进化，最佳的f应该在种群优胜劣汰中自然产生，为此将f设为一个新基因zf，加入解向量，原来的解向量zi,g＝(z1,z2,…,zn)改为(z1,z2,…,zn,zf)，zf初始值随机产生，伴随着个体一代代进化而趋向最优。

交叉概率因子cr保证了扰动向量wi,g+1对子代个体基因的影响：如果需要扰动向量在子代中出现的概率增加，局部加快收敛，只需增加cr；如果需要父代在子代向量中出现的概率增加，保持群体的多样性，只需减小cr。因此，本文根据进化不同阶段对收敛速度和多样性的不同要求，自适应地调整cr取值：开始进化时多样性是关键，所以cr初始值设定小一些，进化后期强调收敛速度，cr增大，如下式所示：

其中，g表示迭代数；gmax为最大迭代数，cr上限crmax取0.9，下限crmin取0.1。

根据上述分析给出基于优化rbf网络的小电流接地系统故障选线流程：

步骤(1)建立配电网的小电流接地系统仿真模型，进行单相接地故障仿真，采样零序短路电流信号，其中稳态分量取故障发生三个周期后的信号，暂态分量取故障前一周期和后一周期共两个周期信号；

步骤(2)利用快速傅氏变换算法，从稳态分量中分别提取基波特征分量、5次谐波特征分量和有功分量；

步骤(3)利用db10小波包开展5层小波包分解，提取其暂态特征分量，加上步骤(2)提取的三种稳态特征分量，共同构成训练和测试样本集；

步骤(4)构建rbf神经网络选线模型，输入训练样本，采用改进差分进化算法训练rbf神经网络，获取rbf神经网络的最优参数；

步骤(5)将测试样本集输入优化后的rbf神经网络，实现对小电流接地系统故障的选线。

所述步骤(4)包括如下子步骤：

step1将rbf神经网络的初始权值和径向基的中心位置、宽度等作为待优化参数，产生初始化种群；

step2建立rbf网络参数优化的适应度函数，以网络理想输出与实际输出之间误差平方和形式表示：

式中yi(l)和分别为样本1在rbf网络第i个输出节点的实际输出与理想输出，n为样本数；m为样本输出数。

step3将当前种群向量(待优化参数)代入rbf选线模型，同时输入训练样本，根据网络输出计算适应度函数值，记录对应最小适应度的的网络参数；

step4判断当前种群最小适应度值是否达到迭代终止准则，若达到要求，则终止训练并返回最优网络参数；

step5若未达到要求，对种群进行变异、交叉、选择操作，得到新一代种群，接着返回step3；

step5.1，在父代向量基础上，经如下变异操作得到一个扰动向量：

wi，g+1＝zbest+f·(zr1，g-zr2，g)

式中，g表示个体代数，i为个体序号，zr1，g、zr2，g是任选的父代向量，zbest是适应度最优的向量，wi，g+1是新产生的扰动向量。r1，r2是随机数，保证了wi，g+1与zi，g的无关，范围在[0，p-1]之间，且i≠r1≠r2。向量之差(zr1，g-zr2，g)的倍数f称为缩放比例因子，范围在[0，2]之间。

step5.2，向量zi，g与扰动量wi，g+1进行如下交叉操作产生新的向量vi，g+1：

vi，g+1＝(v0，i，g+1，v1，i，g+1，...，vm-1，i，g+1)

其中，

式中，j＝0，1，…，m-1，rand是随机数，范围在[0，1]；r(i)是随机整数，范围在[0，m-1]；cr是交叉概率，范围在[0，1]。

step5.3，在vi，g+1和父代zi，g之间进行选择操作：分别计算二者适应度，适应度更优的成为下一代个体zi，g+1，如果vi，g+1胜出，则再与zbest进行适应度比较，以完成zbest的优化更新。

为了验证设计的算法有效性，分别利用传统rbf神经网络和改进差分进化算法优化的rbf经网络，进行了小电流接地系统选线仿真。如图3所示，采用atp仿真软件建立一配电线路的小电流接地系统仿真模型，变压器接线方式为y/y0，高压侧为110kv，低压侧为10.5kv，低压侧中性点经消弧线圈接地。10.5kv母校有六条出线，线路长度分别为：l1＝28km，l2＝21km，l3＝16km，l4＝12km，l5＝9km，l6＝4km；线路采用分布参数，正序参数为：阻抗z1＝(0.17+j0.38)ω/km，对地导纳b1＝(j3.045)μs/km；零序参数为：阻抗z0＝(0.23+j1.72)ω/km，对地导纳b0＝(j1.884)μs/km。采样频率设为10000hz。

消弧线圈采用过补偿方式，设定不同补偿度(5％，10％)，对线路1～6的不同位置(10％，30％，50％，70％，90％)，不同电压初始相位(5°，30°，55°，80°)以及不同接地电阻(0.5，5，50，100)的情况分别进行单相接地故障仿真。因为有6条线路，采集到的零序故障电流样本数为2×5×4×4×6＝960个，每个电流分别经fft提取3个稳态特征分量，小波提取1个暂态特征分量，总共得到960×4＝3840个特征分量。将这些故障分量输入rbf神经网络，采用差分进化算法进行训练。选择3层rbf神经网络，每一零序故障电流的特征分量有4个，一次输入6条线路的故障特征样本，故rbf输入网络节点数应为6×4＝24，隐含层节点数设为46个，网络输出应当是6条线路的故障判断结果，输出节点数为6个。取960个零序故障电流样本中的840个构成训练样本，剩余120个作为检测神经网络泛化能力的测试样本。部分故障特征分量列于表1。

表1部分故障特征分量

改进差分进化算法的参数设置如下：种群规模设为30，进化最大代数设为100，缩放比例因子f设为一新基因参与种群进化，交叉概率cr自适应调整，误差阈值设为0.01。利用差分进化算法对rbf神经网络进行训练,调整rbf径向基函数的中心位置、宽度和权值等参数,逐步减小训练样本仿真输出和实际输出之间的误差，直至小于误差阈值，rbf的网络结构参数趋向最优。图4显示了单纯rbf和改进差分进化算法优化rbf的训练误差曲线。由图得知，差分进化算法优化rbf迭代初期快速收敛，在迭代40次后已经小于误差阈值，而单纯rbf需要迭代66次，优化rbf网络的输出误差明显小与单纯rbf网络。

采用120个零序故障电流信号对优化后的rbf神经网络进行验证，正常线路理想的神经网络输出为0，实际输出与0的误差反映了神经网络的逼近精度，故障线路网络输出与1的误差同样反映这一能力。如表2所示，无论正常还是故障线路，差分进化算法优化rbf输出误差都小于单纯rbf算法；在选线结果上，差分进化算法优化rbf算法的选线准确度要优于单纯rbf算法，前者选线正确率达到99.2％，而后者选线正确率为90.8％，证明了本方法构建的选线模型选线正确率高，且不受各种故障条件的影响。

表2差分进化优化rbf与单纯rbf算法选线部分结果(补偿度5％)

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。