基于粗集神經(jīng)網(wǎng)絡(luò)的故障選線方法

基于粗集神經(jīng)網(wǎng)絡(luò)的故障選線方法

1神經(jīng)網(wǎng)絡(luò)模型中常用的選線方法小電流接地系統(tǒng)單相干擾故障選線一直是現(xiàn)場運(yùn)行的難點(diǎn)。長期以來,人們對此做了大量的研究,基于不同的原理,提出了多種選線方法,比較成熟的選線方案有:群體比幅比相法、零序電流暫態(tài)分量法、有功分量法和五次諧波法。但是,沒有一種選線方法能夠保證對所有的故障類型都有效,所以,出現(xiàn)了基于信息融合技術(shù)的故障選線方法。在基于神經(jīng)網(wǎng)絡(luò)模型中,當(dāng)輸入向量維數(shù)較高時(shí),網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜,而且訓(xùn)練時(shí)間長。許多學(xué)者對其進(jìn)行了改進(jìn),提出了多種改進(jìn)方法。粗糙集理論是一種刻畫不完整和不確定性數(shù)據(jù)的數(shù)學(xué)工具。充分利用粗集理論的數(shù)據(jù)處理能力和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)和精確收斂能力,將粗集理論和神經(jīng)網(wǎng)絡(luò)結(jié)合起來出現(xiàn)了粗集神經(jīng)網(wǎng)絡(luò)。針對基于神經(jīng)網(wǎng)絡(luò)的故障選線方法的不足,本文提出了基于粗集神經(jīng)網(wǎng)絡(luò)的故障選線方法。2神經(jīng)網(wǎng)絡(luò)故障的選擇原則2.1神經(jīng)網(wǎng)絡(luò)故障選線基于粗集神經(jīng)網(wǎng)絡(luò)故障選線系統(tǒng)的框圖如圖1所示。分別通過小波包變換(WPT)和快速傅立葉變換(FFT)從零序電流信號中提取暫態(tài)分量、五次諧波分量、有功分量和基波分量,用粗集理論對其預(yù)處理,約簡后的條件屬性作為神經(jīng)網(wǎng)絡(luò)的輸入,約簡后樣本作為訓(xùn)練樣本集,用訓(xùn)練樣本集對神經(jīng)網(wǎng)絡(luò)訓(xùn)練,即可得到神經(jīng)網(wǎng)絡(luò)故障選線模型。2.2基波分量特征和故障測度的轉(zhuǎn)移函數(shù)假設(shè)基于粗集的故障選線信息系統(tǒng)為K=(U,A),論域U是各線路的集合,A=C∪D是屬性集,條件屬性集C是由從零序電流信號中提取的故障特征組成的集合,D是由線路的故障狀態(tài)組成的集合。Va為每個(gè)屬性a∈A的屬性值域。規(guī)則1給定故障選線信息系統(tǒng)K=(U,A),A=C∪D,條件屬性集定義為C={a,b,c,d},其中a表示暫態(tài)分量故障測度,b表示五次諧波分量故障測度,c表示有功分量故障測度,d表示基波分量故障測度;決策屬性集定義為D={e},其中e表示線路的故障狀態(tài)。規(guī)則2給定故障選線信息系統(tǒng)K=(U,A),條件屬性集C={a,b,c,d},規(guī)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分別表示暫態(tài)分量的故障測度、相對故障測度和可確定故障測度;εSΣ表示某一線路在其特征頻段內(nèi)的總能量;εaΣ表示某一線路在所有線路的特征頻段內(nèi)的總能量;εΣ表示所有線路在所有特征頻段的總能量;fa(ue5f9)和ga(╋)表示從暫態(tài)特征到故障測度的轉(zhuǎn)移函數(shù)。εSΣ的表達(dá)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)為小波包分解在第(ki,li)(ki,li)子頻段下的分解系數(shù)。規(guī)則3給定故障選線信息系統(tǒng)K=(U,A),條件屬性集C={a,b,c,d},規(guī)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分別表示有功分量的故障測度、相對故障測度和可確定故障測度;P為某一線路的有功分量;Q為某一線路的無功分量;PΣ為所有線路有功分量之和;fb(ue5f9)和gb(╋)表示從有功分量特征到故障測度的轉(zhuǎn)移函數(shù)。規(guī)則4給定故障選線信息系統(tǒng)K=(U,A),條件屬性集C={a,b,c,d},規(guī)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分別表示五次諧波分量的故障測度、相對故障測度和可確定故障測度;I05為某一線路的五次諧波分量;I05Σ為所有線路的五次諧波分量之和;I01為某一線路的基波分量;fc(╋)和gc(╋)表示從五次諧波分量特征到故障測度的轉(zhuǎn)移函數(shù)。規(guī)則5給定故障選線信息系統(tǒng)K=(U,A),條件屬性集C={a,b,c,d},規(guī)定:d=XdXd=fd(I01/I01Σ)(5)d=XdXd=fd(Ι01/Ι01Σ)(5)其中Xd為基波分量的故障測度;I01表示某一線路的基波分量;I01Σ表示所有線路的基波分量之和;fd(ue5f9)表示從基波分量特征到故障測度的轉(zhuǎn)移函數(shù)。規(guī)則6給定故障選線信息系統(tǒng)K=(U,A),條件屬性集C={a,b,c,d},決策屬性集D={e},根據(jù)各故障特征數(shù)據(jù)分布的特點(diǎn),利用等頻率劃分的離散化方法,規(guī)定各條件屬性和決策屬性的編碼方式為: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)。按照規(guī)則2～5分別將提取故障特征轉(zhuǎn)換成故障選線信息系統(tǒng)的屬性值,按照規(guī)則6將條件屬性和決策屬性離散化,構(gòu)建決策表;然后,對條件屬性進(jìn)行約簡,刪除冗余屬性,得到最小條件屬性集,將其作為神經(jīng)網(wǎng)絡(luò)的輸入;然后,刪除不相容的對象和重復(fù)對象,再進(jìn)行規(guī)則約簡,得到最小規(guī)則集。從滿足每條規(guī)則的原始訓(xùn)練樣本中抽取一個(gè)樣本作為新的訓(xùn)練樣本,形成新的訓(xùn)練樣本集。利用訓(xùn)練本集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,形成故障選線模型。3模擬分析3.1故障測度方法利用文獻(xiàn)的方針模型采用電磁暫態(tài)仿真程序(ATP)分別對以下幾種情況進(jìn)行大量的試驗(yàn):五次諧波和有功分量含量均較多、僅五次諧波含量較多、僅有功分量含量較多和五次諧波與有功分量含量均較少。對于以上每種情況,分別在6條線路的10%和90%處和電壓相位為0°、45°和90°時(shí)通過5Ω、50Ω、500Ω、2kΩ的過渡電阻做單相接地試驗(yàn)。因?yàn)橄到y(tǒng)中有6條線路,所以每次接地故障可采集到6個(gè)零序電流信號,這樣,共可采集到6×4×3×2×6×4=3456個(gè)零序電流信號,其中采樣頻率取為每周波64點(diǎn)。暫態(tài)信號取為故障前半個(gè)周期和故障后一個(gè)半周期共兩個(gè)周期的信號,利用DB4小波包對該暫態(tài)信號進(jìn)行3層小波包分解,再根據(jù)規(guī)則2,即可得到暫態(tài)分量的故障測度。穩(wěn)態(tài)信號取為故障后三個(gè)周期后的信號,利用FFT算法,根據(jù)規(guī)則3～5,分別提取五次諧波分量、有功分量和基波分量的故障測度,從而得到原始數(shù)據(jù)。將原始數(shù)據(jù)分為訓(xùn)練樣本和測試樣本,其中訓(xùn)練樣本如表1所示。3.2屬性約簡的實(shí)現(xiàn)根據(jù)規(guī)則6將表1的原始數(shù)據(jù)離散化,即可形成一個(gè)決策表。首先刪除決策表中不相容的和重復(fù)的對象,然后進(jìn)行屬性約簡,將冗余屬性d刪除后,剩余的屬性構(gòu)成最小屬性集。再刪除重復(fù)對象,即得到約簡后的決策表,如表2所示。表中的每個(gè)對象對應(yīng)一條規(guī)則。將約簡后的條件屬性(暫態(tài)分量故障測度、五次諧波分量故障測度和有功分量故障測度)作為神經(jīng)網(wǎng)絡(luò)的輸入。3.3粗集預(yù)處理后的訓(xùn)練過程神經(jīng)網(wǎng)絡(luò)模型選為含有兩個(gè)隱含層的四層前向神經(jīng)網(wǎng)路,第一個(gè)隱含層采用8個(gè)節(jié)點(diǎn),第二個(gè)隱含層采用3個(gè)節(jié)點(diǎn)。從原始數(shù)據(jù)表(表1)中抽取滿足約簡后決策表(表2)中規(guī)則的數(shù)據(jù)作為訓(xùn)練樣本,形成具有58個(gè)樣本的訓(xùn)練樣本集,利用該訓(xùn)練樣本集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。分別用經(jīng)粗集預(yù)處理后得到的訓(xùn)練樣本集和未經(jīng)粗集預(yù)處理的訓(xùn)練樣本集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的訓(xùn)練過程如圖2所示。由圖可知,經(jīng)粗集預(yù)處理后的訓(xùn)練時(shí)間明顯比未處理的訓(xùn)練時(shí)間短。訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)即為故障選線模型。3.4模擬測試將測試樣本輸入到神經(jīng)網(wǎng)絡(luò)的選線模型,得到選線結(jié)果。與線路的實(shí)際故障情況比較可知,該模型的選線精度為99.94%。4模型驗(yàn)證和應(yīng)用利用山東淄博科匯電氣股份有限公司生產(chǎn)的XJ-100型小電流接地系統(tǒng)故障選線裝置采集到的100個(gè)單相接地故障時(shí)的數(shù)據(jù)作為現(xiàn)場數(shù)據(jù)對該模型進(jìn)行驗(yàn)證,驗(yàn)證結(jié)果表明,選線正確率為100%。其中,某變電站在2005年4月16日發(fā)生單相接地故障時(shí)采集的數(shù)據(jù)如圖3所示,圖3(a)為線電壓,圖4(b)為零序電壓,圖3(c)-(f)為各線路的零序電流。從零序電流信號中分別提取暫態(tài)分量、五次諧波分量和有功分量故障特征。將這些故障特征作為神