论文部分内容阅读
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]Texas&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。在本文中神經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单线对地故障。导线并没有损坏，故有电流持续流过。它可能是由于相导线下垂到地面或树枝，灌木，起重机，农业机械或一些外来物体引起的。当一个或多个支路导线开路，要么一个或没有断路时其他三个故障可能接触到地面，不明物。第三种故障也是SLG故障，断开的导线接触到地面，这时变电站导线的末端保持在空气中。[8]第四种故障类型是一个开路故障，断开的导线的末端和地面不接触。只有第一种故障类型是属于TAMU故障，本文要分析的就是这种故障。
这个故障诊断法也能够确定故障是在哪一相发生的。有弧故障是分部系统不平衡，它在相电流波形中断断续续地出现一些失真。在故障相能看到其主要的影响;在其他两相不能表现明显的影响。这种行为是故障辨识的基本功能。故障相的辨识和故障类别的分类为系统的故障定位给出了初步的信息。 三、应用
典型地，当故障呈现出低的故障电流时，在相电压波形中主要能观察到的是大的幅值。但是，在故障相电流的波形的成分中有一个可辨识的变化，这是由于附加频率的出现;较正常系统的瞬态相比，这些变化持续较长时间，而且是随机出现。故障电流形状和尺寸的性质受故障类型及，所处条件如土地的类型、湿度。对于无弧故障情况，故障电流的幅值和相位有确定性的变化。但对于有弧故障情况，在故障电流波形的幅值和相位中会断断续续的随机失真。
实现基于有较聚类神经网络新型的两个阶段是为了完成故障诊断的辨识和分类功能。图2所示的是没有隐层的单层网络，它有Z长度的输入向量并产生M球形输出聚类，每个聚类用一个半径为Pm，球心为向量定义。用有较和无较学习的算法训练。
在神经网络被训练后用有较和无较的学习过程，这个过程被整合到故障診断方法中。在故障诊断法中，基于聚类的神经网络把一个新的特征模式分类到一个聚类Cj中。用最近方式决定规则，以每个M聚类中心向量的模式间的距离为基础的最近的聚类。
区别故障和看似故障的诊断方法的有效性通过一个现场测试系统证明，这个测试系统利用一些四线制分立系统的数据。现场数据也用于证明故障诊断方法的能力，通过辨识故障在哪里发生，得到故障位置的初步信息。用来训练和测试现场的数据是来自TAMU数据库的记录数据，它包含了TAMU下垂导线设备和在RG&E捕获的暂态系统的运行数据。只有一种但衔接地故障在下垂导线设备中被截断用来为这些研究产生故障数据。因此，这个现场数据不用于证明故障诊断法的故障诊断类型和分类功能。数据结果表明了建议的方法的特性。
进一步的故障诊断法用仿真数据评估了一个3层反馈系统。
四、测试结果及分析
1.记录的现场数据
从TAMU数据库里得到7组现场数据用来训练和证明基于神经网络的故障诊断法。在TAMU下垂导线测试装置中获得4组数据代表有弧故障。两个故障时短时间的（几秒），两个是长时间的（几分钟），还有是间隙的。另一组从TAMU设备中得到的代表正常的，无负荷暂态数据，剩下的两组在RG&E中记录数据代表模拟的相电压，并且瞬时地记录电流。
2.现场数据应用的结果
表1 系统各种运行情况判别成功率
表2 故障相判别成功率1
表1表示的是几类主要的测试数据故障诊断的成功率。表2所示是对测试数据进行故障诊断的辨识成功率，结果表明这个故障诊断法在证实故障辨识和分类功能的测试中是很成功的，这个故障诊断法还能辨别故障模式和不是故障却类似故障的异同点。
3.仿真数据
用软件仿真故障状态得到数据，然后用于训练有聚类监督的ANN。在一个3层的子系统中为其所有层提供了相故障和相故障后的电流进行详细的仿真得到数据，也提供了母线上的三相电压。训练的数据可用于2000多个仿真产生的故障和正常情况。大约300个测试情况代表故障位置，这些情况是为了训练神经网络。
4.仿真数据应用的结果
表3 故障诊断系统输出
表4 诊断结果准确率统计
有超过300种情况不能用ANN看到，这些情况应用于测试系统的性能。对于每一个测试结果，母线电压和相电流与应用于第一个ANN的反馈相对应，并且，同样合适的数据应用于第二第三个ANN。这些ANN产生了如表3所示的输出。每个ANN决定了在它的反馈中是否会产生一个故障，并且如果有故障发生，那么它就对故障进行分类，找出故障相，评估故障阻值。
表4表示的是，当执行故障诊断时通过有较聚类产生的测试结果。ANN检验出从反馈上体现出的故障表现的能力大于90%，在检验故障后，ANN还能够很成功地辨别出故障的类型和发生点。错误的可能性为9.3%，但是这些错误的情况有一半可能是由于暂态状态。
五、结论
文章讨论了现场数据应用于一个新的基于聚类的有弧分立故障诊断法。这个故障诊断法能够执行3个功能，提供了接地和不接地电力分立系统的故障位置的初步信息，故障检验，故障分类和故障相识别。它包含两个主要的模块：一个预处理器，一个聚类模式。这个聚类模式通过一个有较聚类神经网络实现。这个故障诊断法的输入是3相电和反馈电流特性。预处理器计算一个从相电流得到的统计特征向量，并把它们送入到神经网络的分类器。神经网络决定了特征模式是正常的还是有故障的。假如检验为有故障，则神经网络也要进行对故障分类并找出故障相。
用三线或四线制系统的事故现场的故障和正常情况下的电流数据来训练和测试故障诊断方法，这样的研究已在进行。在验证故障检验和辨识功能的测试中，证明了这种故障诊断方法有较高的成功率。这种故障诊断法还能识别出故障和线路通断及开关动作而出现的貌似故障的区别。
参考文献：
[1]郭创新，朱传柏，曹一家，等.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化，2006，8（30）：98-103.
[2]文福拴，钱源平，韩帧祥，等.利用保护和断路器信息的电力系统故障诊断与不可观测的保护的状态识别的模型与Tabu搜索方法[J].电工技术学报，1998，13（5）：1-8.
[3]束洪春，孙向飞，于继来.粗糙集理论在电力系统中的应用[J].电力系统自动化，2004，28（3）：90-95.
[4]J.J.Kelly.Transformer fault diagnosis by dissolved-gas analysis[J].IEEE Trans.Ind.Applicant.，1980，（16）：777-782.
[5]Y.M.Park， et al..A logic based expert system （LBES） for fault diagnosis of power system[J].IEEE Trans.Power Syst.，1997，（12）：363-369.
[6]尹清波，张汝波，申丽然，等.基于矢量量化分析的有监督聚类异常检测方法研究[J].计算机研究与发展，2006，（Z2）：414-418.
[7]T.S.Bi，et al..A novel ANN fault diagnosis system for power systems using dual GA loops in ANN training[J].in Proc.IEEE Power Engineering Soc.Summer Meeting，2000，（1）：425–430.
[8]J.C.Tan，et al..Fuzzy expert system for on-line fault diagnosis on a transmission network[J].IEEE Power Engineering Soc.Winter Meeting，2001，（2）：775–780.
（责任编辑：王意琴）
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]Texas&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。在本文中神經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单线对地故障。导线并没有损坏，故有电流持续流过。它可能是由于相导线下垂到地面或树枝，灌木，起重机，农业机械或一些外来物体引起的。当一个或多个支路导线开路，要么一个或没有断路时其他三个故障可能接触到地面，不明物。第三种故障也是SLG故障，断开的导线接触到地面，这时变电站导线的末端保持在空气中。[8]第四种故障类型是一个开路故障，断开的导线的末端和地面不接触。只有第一种故障类型是属于TAMU故障，本文要分析的就是这种故障。
这个故障诊断法也能够确定故障是在哪一相发生的。有弧故障是分部系统不平衡，它在相电流波形中断断续续地出现一些失真。在故障相能看到其主要的影响;在其他两相不能表现明显的影响。这种行为是故障辨识的基本功能。故障相的辨识和故障类别的分类为系统的故障定位给出了初步的信息。 三、应用
典型地，当故障呈现出低的故障电流时，在相电压波形中主要能观察到的是大的幅值。但是，在故障相电流的波形的成分中有一个可辨识的变化，这是由于附加频率的出现;较正常系统的瞬态相比，这些变化持续较长时间，而且是随机出现。故障电流形状和尺寸的性质受故障类型及，所处条件如土地的类型、湿度。对于无弧故障情况，故障电流的幅值和相位有确定性的变化。但对于有弧故障情况，在故障电流波形的幅值和相位中会断断续续的随机失真。
实现基于有较聚类神经网络新型的两个阶段是为了完成故障诊断的辨识和分类功能。图2所示的是没有隐层的单层网络，它有Z长度的输入向量并产生M球形输出聚类，每个聚类用一个半径为Pm，球心为向量定义。用有较和无较学习的算法训练。
在神经网络被训练后用有较和无较的学习过程，这个过程被整合到故障診断方法中。在故障诊断法中，基于聚类的神经网络把一个新的特征模式分类到一个聚类Cj中。用最近方式决定规则，以每个M聚类中心向量的模式间的距离为基础的最近的聚类。
区别故障和看似故障的诊断方法的有效性通过一个现场测试系统证明，这个测试系统利用一些四线制分立系统的数据。现场数据也用于证明故障诊断方法的能力，通过辨识故障在哪里发生，得到故障位置的初步信息。用来训练和测试现场的数据是来自TAMU数据库的记录数据，它包含了TAMU下垂导线设备和在RG&E捕获的暂态系统的运行数据。只有一种但衔接地故障在下垂导线设备中被截断用来为这些研究产生故障数据。因此，这个现场数据不用于证明故障诊断法的故障诊断类型和分类功能。数据结果表明了建议的方法的特性。
进一步的故障诊断法用仿真数据评估了一个3层反馈系统。
四、测试结果及分析
1.记录的现场数据
从TAMU数据库里得到7组现场数据用来训练和证明基于神经网络的故障诊断法。在TAMU下垂导线测试装置中获得4组数据代表有弧故障。两个故障时短时间的（几秒），两个是长时间的（几分钟），还有是间隙的。另一组从TAMU设备中得到的代表正常的，无负荷暂态数据，剩下的两组在RG&E中记录数据代表模拟的相电压，并且瞬时地记录电流。
2.现场数据应用的结果
表1 系统各种运行情况判别成功率
表2 故障相判别成功率1
表1表示的是几类主要的测试数据故障诊断的成功率。表2所示是对测试数据进行故障诊断的辨识成功率，结果表明这个故障诊断法在证实故障辨识和分类功能的测试中是很成功的，这个故障诊断法还能辨别故障模式和不是故障却类似故障的异同点。
3.仿真数据
用软件仿真故障状态得到数据，然后用于训练有聚类监督的ANN。在一个3层的子系统中为其所有层提供了相故障和相故障后的电流进行详细的仿真得到数据，也提供了母线上的三相电压。训练的数据可用于2000多个仿真产生的故障和正常情况。大约300个测试情况代表故障位置，这些情况是为了训练神经网络。
4.仿真数据应用的结果
表3 故障诊断系统输出
表4 诊断结果准确率统计
有超过300种情况不能用ANN看到，这些情况应用于测试系统的性能。对于每一个测试结果，母线电压和相电流与应用于第一个ANN的反馈相对应，并且，同样合适的数据应用于第二第三个ANN。这些ANN产生了如表3所示的输出。每个ANN决定了在它的反馈中是否会产生一个故障，并且如果有故障发生，那么它就对故障进行分类，找出故障相，评估故障阻值。
表4表示的是，当执行故障诊断时通过有较聚类产生的测试结果。ANN检验出从反馈上体现出的故障表现的能力大于90%，在检验故障后，ANN还能够很成功地辨别出故障的类型和发生点。错误的可能性为9.3%，但是这些错误的情况有一半可能是由于暂态状态。
五、结论
文章讨论了现场数据应用于一个新的基于聚类的有弧分立故障诊断法。这个故障诊断法能够执行3个功能，提供了接地和不接地电力分立系统的故障位置的初步信息，故障检验，故障分类和故障相识别。它包含两个主要的模块：一个预处理器，一个聚类模式。这个聚类模式通过一个有较聚类神经网络实现。这个故障诊断法的输入是3相电和反馈电流特性。预处理器计算一个从相电流得到的统计特征向量，并把它们送入到神经网络的分类器。神经网络决定了特征模式是正常的还是有故障的。假如检验为有故障，则神经网络也要进行对故障分类并找出故障相。
用三线或四线制系统的事故现场的故障和正常情况下的电流数据来训练和测试故障诊断方法，这样的研究已在进行。在验证故障检验和辨识功能的测试中，证明了这种故障诊断方法有较高的成功率。这种故障诊断法还能识别出故障和线路通断及开关动作而出现的貌似故障的区别。
参考文献：
[1]郭创新，朱传柏，曹一家，等.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化，2006，8（30）：98-103.
[2]文福拴，钱源平，韩帧祥，等.利用保护和断路器信息的电力系统故障诊断与不可观测的保护的状态识别的模型与Tabu搜索方法[J].电工技术学报，1998，13（5）：1-8.
[3]束洪春，孙向飞，于继来.粗糙集理论在电力系统中的应用[J].电力系统自动化，2004，28（3）：90-95.
[4]J.J.Kelly.Transformer fault diagnosis by dissolved-gas analysis[J].IEEE Trans.Ind.Applicant.，1980，（16）：777-782.
[5]Y.M.Park， et al..A logic based expert system （LBES） for fault diagnosis of power system[J].IEEE Trans.Power Syst.，1997，（12）：363-369.
[6]尹清波，张汝波，申丽然，等.基于矢量量化分析的有监督聚类异常检测方法研究[J].计算机研究与发展，2006，（Z2）：414-418.
[7]T.S.Bi，et al..A novel ANN fault diagnosis system for power systems using dual GA loops in ANN training[J].in Proc.IEEE Power Engineering Soc.Summer Meeting，2000，（1）：425–430.
[8]J.C.Tan，et al..Fuzzy expert system for on-line fault diagnosis on a transmission network[J].IEEE Power Engineering Soc.Winter Meeting，2001，（2）：775–780.
（责任编辑：王意琴）