基于监督聚类神经网络电力系统故障诊断分析.docVIP

基于监督聚类神经网络电力系统故障诊断分析 　　摘要：电力系统有些故障产生的小电流不足以使保护装置动作，这就需要对故障进行诊断，进而采取措施，提出了利用监督聚类神经网络对电力设备故障进行诊断并分类，现场数据测试结果证明了该方法的有效性。 　　关键词：电力系统;故障;监督聚类;神经网络 　　中图分类号：TM7 文献标识码：A 文章编号：1007-0079（2014）33-0202-02 　　电力设备相间短路、三相或单相接地故障（SLG故障）会呈现出低阻抗，这能引起大电流使保护装置动作。但是，在△-△连接的分立系统及在Y连接的系统中的SLG故障不会产生大电流使保护装置动作。从目前的研究现状看，这个问题已经被广泛关注，从安全经济角度，该类故障是有害的，而且故障还存在一定的隐患。[1-3] 　　一般情况下，当系统发生的故障呈现出较小的故障电流时，在相电压波形中只能够观察到的是峰值部分，但是在故障相电流的波形成分中有一个可辨识的变化，这就是附加频率。较正常系统的瞬态相比，这些变化持续时间较长，而且是随机出现。故障电流波形和幅值受故障类型及所处环境影响，如土壤、湿度等。对于无弧故障情况，故障电流的幅值和相位会有规律地变化，但对于有弧故障，在故障电流波形的幅值和相位中会断续地失真。 　　从电流特征值能够判断出设备是故障还是正常。从这些特征值也能区分已有故障的类型及发生的位置。从特征值判断故障的类型是比较困难的，因为同一种故障可能呈现出不同的特点，所以迫切需要一些新方法。本文采用的新方法有两部分：一是信号处理器，一是基于聚类监督的诊断系统。这个方法能够解决传统的故障诊断不能解决的难题，如单相故障的分类及确定故障发生在哪一相。 　　基于神经网络故障诊断方法的输入是：对称的三相电流。预处理器计算出相电流的统计特性，并把它们输入到神经网络分类器中。[4]神经网络判断有没有发生故障。如果检验出有故障发生，则还要对故障进行分类，并找出故障发生点。本文所用的神经网络是基于聚类监督的两级神经网络。 　　该系统具有能区分故障和疑似故障不同特征的功能。这个诊断方法提供初步的故障位置信息，以确定故障发生在哪一相。[5]Texasamp;M（TAMU）模式记录的数据用来训练和测试现场数据，映射通过之前积累的不同现象的数据进化，以执行这些类别的任务。监督聚类监督模式相比传统模式的分类技术有很多优点，能自动分类检验故障和故障定位，[6]此外还具有适应性和不断学习的能力，计算效率较高。 　　一、神经网络 　　图1 神经网络 　　图1是用于电力变压器故障诊断的神经网络，其结构为三层前馈结构：输入层，隐层，输出层。每一层的神经元从前曾获得输入信号并且把输出送入到后层。输入层的神经元从外部系统获得一组输入信号并按照连接权直接把输入数据送到隐层的输入。在下面的计算中，写在下方的n， h， k分别表示输入层，隐层，输出层的各种模式。网络的输入net定义为引入信号的权减去偏置值的总权。在隐层的网络输入神经元h， neth由下式表示： 　　（1） 　　这里的yn是输入层神经元n的输出，whn代表从输入层神经元n到隐层神经元h的连接权，而θh是隐层神经元h的偏项。 　　这个S形函数被挑选作为已用神经网络的功能函数. 因此在隐层，神经元h，yh，得输出可描述为： 　　（2） 　　然后隐层神经元的输出通过另一组连接权被递送到输出层的神经元。输出层神经元的输出也可表示为： 　　（3） 　　（4） 　　这里的θk是输出层神经元的偏项。这些参数（联接圈和偏项）必须要在神经网络能够产生所期望的输出前由学习过程决定。 　　三角规则通过最小化下面的错误函数E来调整神经元之间的权。 　　（5） 　　这儿的dk代表神经元的期望输出值，而yk是输出层神经元的计算值。 　　权ukh通过递推法反复校正为训练数据得到最小的 E 。 　　 （6） 　　（7） 　　 （8） 　　这里的i代表了反复的次数，η是学习率，而α常数因子。同样地，whn可用下式变为： 　　（9） 　　 （10） 　　 （11） 　　偏项θk和θh可作为权，同样迭带改变可按照（6）～（11）式同样进行。 　　输出层神经元k的输出yk隐含的包含了网络的可调参数，每一个神经元的连接权及偏项。在本文中神经网络的连接权及偏项都由一种最佳的引伸算法决定，这就避免了在人工神经网络（ANN）的参数收敛a，这种方法通过递推逼近法训练。[7] 　　二、故障检验与辨识 　　这个故障诊断法能够实现故障检验，故障类型的分类及辨识故障在哪一相发生。这个方法检验出反常事件的表现，并决定这个反常的现象是否为故障引起。假如判断出它是故障，那么就对它进行分类，并判断在哪一相发生。这个故障诊断法可在故障类型分类时分出四种故障类型。对于单线和导线破损故障是不同的。前一种代表了传统的