基于BP神经网络算法的故障测距研究

基于BP神经网络算法的故障测距研究

梁松涛

(云南电网公司昆明供电局云南昆明650011)

摘要：利用传统的单端电压、电流电气量进行故障测距时，容易受到过渡电阻的影响而导致测量距离不精确。本文以小波变换为基础，将传统的单端电气量与反向传播（BP）神经网络算法相结合，提出了一种用于故障测距的新方法，通过大量的仿真验证表明，该方法能够适应各种环境的要求，且精度高，具有一定的实用价值。

关键词：小波变换;反向传播神经网络算法;过渡电阻;故障测距

1、前言

随着电力系统的迅速发展，大容量、远距离输电已成为电力系统发展的必然趋势，由于输电线路需要跨越不同的地域和复杂的环境，这就使得电力输电线路发生故障的几率大大增加。快速、准确地确定故障地点，不仅能够减少客户停电时间，提高客户满意度，而且能够提高企业的经济效益和管理消息，这对于用户的需求、企业的发展都是非常有意义的。

2、BP神经网络

2.1BP神经网络的结构

BP神经网络也称为反向传播神经网络，是一种通过对非线性可微函数不断进行权值训练进而逼近真实值的神经网络。它的结构主要由三部分组成，数据输入层、中间隐含层和数据输出层，其中，中间隐含层是神经网络的核心，一般由若干层组成。神经网络的数据输入层、中间隐含层和数据输出层，同层之间不存在任何祸合，任何一层的数据输出仅仅会对其下一层的数据输出产生影响。为了更形象的表达BP神经网络的结构，如图1所示：x1-xn表示n个输入层，y1-yn表示n个输出层，中间为隐含层。

3.1测距ANN样本属性的选取和预处理

本文利用神经网络训练模型、电气信号经小波变换取得的模极大值的区间和极性作为输入，来建立故障定位的映射关系。对于神经网络训练模型的建立，主要在于所选取的样本以及对样本的预处理，为了保证实验数据的准确性，本文对样本的选取以及样本的预处理采取了以下措施：

训练样本数据的实际选取：在PSCAD模型中沿线路MN（全长100km）选取故障点，故障距离步长为1km。故障电阻分别为50和100Ω，故障角为-30°和30°。得到400个样本，随机选取训练样本380个和测试样本20个。

对样本进行归一化处理。由于样本的输入矢量为时间差和极性，时间和极性的量纲不同，且分量之间数值的数量级有很大的差异，所以有必要对样本矢量进行归一化处理。根据各分量可参照价值的不同，对其输入幅值进行合理的调整，使其变化范围大致均匀分布在(0,1)之间，也就是说，训练样本的输入分量，从一开始就具有同等重要的地位。为了保证经过神经网络训练后的输出矢量的收敛性，本文设输出矢量为故障点距离母线检测点相对于故障线路MN总长度的百分比，使输出矢量值范围为区间(0,1)。

3.2仿真结果

本文利用电磁暂态仿真软件PSCAD，对图2所示的模型系统进行仿真验证。假设线路长度为100km，t=0.1023s时，在线路MN上距M端一定距离处发生A相接地故障，过渡电阻为50Ω，故障角为30°，采样间隔为1us。

本文针对故障距离、过渡电阻、故障角以及故障类型分别不同的条件下进行了仿真验证，其仿真结果如表1--表4所示。

从仿真结果中可以看出，在不同故障距离、不同故障过渡电阻、不同故障角及不同故障短路类型等各种情况的测距结果误差均在±200m以内，充分验证了本文所采取的测距算法的准确性和可靠性，具有一定的实用价值。

4、结语

本文利用输电线路故障行波包含故障信息和BP神经网络的非线性拟合能力，选取保护安装处检测到的前3个波头的极性和时差作为ANN输入样本，建立测距神经网络，利用该网络可以实现对故障距离的初测。经过大量的仿真验证表明，其方法能够满足测距的精度和要求，充分验证了其方法的正确性。

参考文献

[1]葛耀中著，新型继电保护与故障测距原理与技术[D]，西安交通大学出版社1996.

[2]梁锋，关于输电线路单端行波法故障测距的分析[J]，科技资讯2009NO.17.

[3]刘凤霞，基于模糊神经网络的故障测距[D]，广州：华南理工大学，2005.

[4]马丹丹，王晓茹.基于小波模极大值的单端行波故障测距[J].电力系统保护与控制，2009,第37卷第3期，P55-56.

[5]束洪春，段锐敏.基于零序电流小波变换系数均方根值的故障选线ANN方法[J].电力科学与技术学报，2013,第1期.

作者简介：

梁松涛(1980-)，男,硕士，云南电网公司昆明供电局。