基于改进型概率神经网络的电网故障定位方法.pdf

第 卷第 期红水河 年 月 电网技术基于改进型概率神经网络的电网故障定位方法李 翔（广西交通投资集团柳州高速公路运营有限公司柳州分公司，广西 柳州）摘 要：针对传统的电网故障定位方法存在着精度较低、可靠性较差等问题，笔者提出了一种基于改进型概率神经网络（，）的电网故障定位方法。首先，通过分析配电网络结构中的开关和继电保护装置信息，提取电网故障数据作为训练集和测试集；其次，构建 电网故障定位诊断模型，并采用天鹰优化算法优化 的平滑因子；最后，通过实验验证改进型 的性能。实验结果表明：改进型 电网故障定位的准确率达到，说明该模型具有良好的预测性能，能够提高故障诊断的准确率，为电网故障定位方法研究提供可行的方案。关键词：电网；故障定位；概率神经网络；天鹰优化算法中图分类号：文献标志码：文章编号：（）：开放科学（资源服务）标识码（）：绪论电网故障定位是指在电力系统发生故障时，通过对电网状态的分析和处理来确定故障的位置和类型。电网故障会导致停电、供电不足等问题，给企业生产和居民的生活带来很大的影响，造成巨大的经济损失；可能导致火灾、爆炸等安全事故，威胁人民的生命财产安全；可能导致环境污染，如变压器漏油、电缆燃烧等，对环境造成不良影响；甚至导致社会公共设施无法正常运行，对社会稳定造成影响：因此，及时准确地定位电网故障点具有非常重要的意义。快速定位故障点能够快速恢复电力供应，保障电网的稳定运行，减少电网事故对社会、经济的影响；能够缩短故障修复时间，降低维护成 收稿日期：；修回日期：作者简介：李 翔（），男，广西柳州人，工程师，主要从事高速公路机电设备的管理和实践。：。第 期李 翔：基于改进型概率神经网络的电网故障定位方法本，提高电网运行效率。电网故障定位技术是电网自动化、智能化的重要组成部分，能够提高电网管理的水平和效率，为电力行业的可持续发展提供科学依据。传统电网故障定位方法主要有电压法、电流法、频率法和电阻法等，这些方法的优点和缺点见表。表 传统电网故障定位方法的优缺点方法优点缺点电压法设备简单，成本低廉定位精度较低电流法定位精度较高，可以定位到故障线路的具体位置需要耗费较多的时间和精力进行测量，成本相对较高频率法设备简单，成本低廉定位精度较低电阻法定位精度较高，可以定位到故障线路的具体位置需要耗费较多的时间和精力进行测量，成本相对较高 传统电网故障定位采取的具体方法主要有人工巡视法、经验判断法和仪器测量法等。人工巡视法主要是通过人工巡视、目测等方式来发现和确定电网故障，需要大量的人力、物力和时间投入；经验判断法是依靠操作人员的经验和直觉来判断电网故障的位置和原因，容易受到主观因素的影响；仪器测量法是通过使用各种仪器设备来测量电网中的各种参数和特征，如电流、电压、频率等，需要较高的成本和技术门槛。这些方法都有其优点和缺点，例如：人工巡视可以及时发现和确定电网故障，但需要投入大量的人力、物力和时间；经验判断可以依靠操作人员的经验和直觉来判断电网故障的位置和产生原因，但容易受到主观因素的影响；仪器测量可以实现自动化故障定位，但需要较高的技术成本和维护成本。随着电力系统和人工智能技术的发展，基于机器学习和人工智能技术等新的故障定位技术也不断涌现，可以提高电网故障定位的准确性。张繁斌等搭建（）神经网络故障元件定位模型并结合故障定位算法对由电网拓扑结构转换的故障决策表进行训练，消除信息缺失或畸变对故障定位带来的影响，有效提高预测准确率。柴尔烜等利用遗传算法（，）优化后的粗糙集（，）来确定电网拓扑结构的决策表，并采用 优化 神经网络的初始权值和阈值，形成 优化 神经网络的故障定位模型，用于电网故障定位。郑丰提出一种基于广义回归神经网络（，）的故障定位方法，只要少数的故障测量装置信息就能正确判定故障位置，具有良好的容错能力。郭宁明等利用遗传算法实现了对电网故障定位，精度及可靠性都得到大大提高。孙玎等使用改进聚类分析算法进行电网故障定位，具有快速、准确等特点。基于机器学习和人工智能技术的电网故障定位虽然能提高预测的准确率，但是也存在一些缺点：）数据量需求大。机器学习和人工智能需要大量的数据来训练模型，而电网故障数据一般比较稀疏，需要进行大量的数据采集和处理，增加了成本和难度。）模型的可解释性较差。机器学习和人工智能的模型一般比较复杂，有时难以解释其预测的结果，这对电网故障定位的可靠性和可信度带来了挑战。）模型的泛化能力有限。机器学习和人工智能的模型往往是基于历史数据进行训练的，如果未来出现新的故障类型或者故障场景发生变化，模型的泛化能力会受到限制，需要重新训练和优化模型。）数据质量要求高。机器学习和人工智能的模型对数据质量要求较高，如果数据质量较差，会影响模型的准确性和稳定性。因此，为了解决电网故障定位精度较低、可靠性较差的问题，提高电网故障定位的精确性和快速性，需研究一种基于改进型 的电网故障定位方法。通过分析配电网络拓扑结构，找出电网故障的决策表，再搭建改进型 电网故障定位诊断模型，最后在 平台上完成电网故障定位方法的验证。配电网络拓扑结构及故障数据本文采用的配电网结构如图 所示。图 配电网结构示意图 在图 中：为带有保护装置的断路器保护开关；为电流保护器；和 为后备距离保护；为电网的 个区域。把 、和 的动作情况作为网络的输入参数，作为网络输出。根据主保护以及后备保护动作原理，提取了 组数据作为训练集；根据 误动，误动，、和 拒动等情况提取了 组包含错误信息的故障测试样本。模型构建 结构 是一种基于概率理论的神经网络模型。红水河第 卷 结构包括四层：输入层、模式层、求和层和输出层。）输入层接收输入样本或数据特征，将数据进行转换后输送到模式层，要求神经元数量和输入样本的维数具有一致性。）模式层是对样本进行模板化处理，计算输入样本与训练集中各模式的匹配程度或相似程度。计算方法见式（）：（，）（）（）（）式中：为输入数据样本的特征值；为输入层和模式层的权重值；为平滑因子。）求和层累积计算某种数据故障样本的概率，从而计算出对应的概率密度值。）输出层则根据匹配结果，输出概率密度值的最大值，得出样本分类的结果。平滑因子对 分类的影响在 分类中，平滑因子是一个重要的参数，它决定了样本点周围的邻域范围，从而影响了分类的准确性和泛化能力。平滑因子通常是一个非负数，它控制着权值函数的形状和宽度。权值函数是用来计算每个样本点对分类结果的贡献程度的函数。当平滑因子越大时，权值函数的宽度也会变大，这意味着更多的样本点会对分类结果产生影响，从而使分类器更加平滑，但同时也可能会导致过拟合的问题；当平滑因子越小时，权值函数的宽度也会变小，这意味着只有少数样本点会对分类结果产生影响，从而使分类器更加敏感和精细，但同时也可能会导致欠拟合的问题。在应用 分类器时，需要根据具体的情况选择适当的平滑因子，以获得更好的分类性能。平滑因子的优化为了能够选取最佳的平滑因子，本文采用天鹰优化算法寻找最佳的平滑因子。首先，给定优化区域的第 个上限 和下限的值，设置优化参数的个数为，天鹰初始化的位置 由式（）确定：（），（）式中 是一个随机数，取值，。）扩大搜索（）。天鹰在扩大搜索区域的过程中，确定猎物的位置，最佳狩猎区域通过垂直俯冲的飞行方式进行选择确定。第 次的位置由式（）计算可得：（）（）（）（）（）式中：（）为第 次的最佳位置；为控制搜索的方式，采用式（）计算；（）为在第 次迭代时当前位置的平均值，采用式（）计算。（）（）（），（）式中：为当前的迭代次数；为最大的迭代次数。）缩小搜索（）。天鹰发现猎物后，为了更好地攻击狩猎，需要缩小搜索的范围。在这一过程中，天鹰的位置（）由式（）计算：（）（）（）（）（）（）式中：为维度空间大小；（）为在第 次迭代时在，范围内获得的随机数。和 用于表示搜索中的螺旋形状，计算公式如下：（）（）（）（）其中，（）（）（）式中：是一个在，范围内的数值；取值为；取值为；为从 到搜索空间维数 之间的整数。飞行分布函数（）由式（）计算：（）（）式中：取值为；和 分别为服从（，）和（，）的高斯分布随机数；的计算公式如式（）所示。（）（）其中 。）扩大开发（）。在扩大开发范围过程中，天鹰采用垂直下降方式攻击猎物。此过程中天鹰的位置（）由式 第 期李 翔：基于改进型概率神经网络的电网故障定位方法（）计算得到：（）（）（）（）（）式中：；。）缩小开发（）。在缩小开发范围方法中，天鹰采取随机方式攻击猎物。天鹰的位置（）由式（）计算得到：（）（）（）（）（）（）式中：（）、和 是重要的参数，分别由式（）、（）和（）计算得到；（）为第 次迭代的当前位置；为，的随机数。（）（）（）（）（）在此算法循环中，不断计算 的仿真误差，并求出所有个体的预测样本的预测误差的范数，从而寻找到最优的平滑因子；利用优化后得到的平滑因子值确定 模型，输入测试数据得到分类的结果值。范数是一个在空间里对向量赋予长度和大小的函数，格式为（，）。当 为矩阵，则返回 的最大奇异值，此时根据 值返回不同的数值：当 为 时，输出 中最大一列和；当 为 时，输出 中最大奇异值；当 为 时，输出 中最大一行和。当 为向量时，则返回 的 范数。当 为 时，输出所有 元素绝对值的和；当 为 时，输出 的模；当 为 时，输出 中所有元素绝对值的最大值。在本文中，以预测样本的预测误差的范数作为 中预测比较值，即定义为式（）：（）（）式中：为预测值；为真实值；为求范数的函数。实验设计及结果分析 算法性能指标本文使用预测的准确率作为算法性能的评价指标，计算公式如式（）所示：（）式中：为测试样本的总数；为预测正确的样本总数。实验数据由图 配电网结构，依据开关和继电保护装置的信息，提取了 组数据作为训练集；另外，根据 误动，误动，、和 拒动等情况提取了 组故障测试样本。为了仿真需要，将 分别记为，而不在 至 范围内的，记为。实验结果分析为了验证算法的性能，对算法中的参数进行初始化。在天鹰优化算法中，优化参数个数 取值为，搜索区域下限 取值范围为，搜索区域上限 取值范围为，天鹰的数量 取值为，最大迭代次数 取值为，其他的参数设置为默认值；而在 中，平滑因子 值是由天鹰优化算法根据输入的样本数据寻找得到的最优值。基于改进型 的电网故障定位的步骤如下：）数据采集。根据电网拓扑结构、断路器保护开关、电流保护器、后备距离保护以及故障位置等信息，提取了 组数据作为训练样本和 组包含错误信息的故障数据作为测试样本。）数据预处理。读取训练数据和测试数据，并将期望故障类别转换为符合 预测网络的向量。）训练。将 组训练集数据输入搭建好的预测网络中，经过训练后形成模组；再使用训练好的模组和寻优后的平滑因子 值搭建，得到一个能够识别电网故障的分类器。）故障定位。首先，对测试数据进行预处理；然后，使用训练好的 进行分类，得到故障类型和位置的概率分布；最后，根据概率分布进行故障判断，选取概率最大的故障类型和位置作为故障判断结果。）结果输出。输出故障判断结果，并进行后续的修复工作。改进型 电网故障定位流程具体见图。图 电网故障定位流程红水河第 卷 针对 组训练集数据，改进型 训练的效果见图。图 改进型 训练的效果 从图 可以看出：个训练样本中，有 个样本预测结果错误，原本为 的被预测为，准确率为；而从图（）可以看出，第 个样本预测错误，导致误差增大。针对 组测试集数据，改进型 的测试效果见图。图 改进型 的测试效果 从图 可以看出：对于指定的 组包含错误信息的故障数据作为测试样本，预测结果全部正确，准确率为。这说明改进型 具有良好的预测性能，能够提高预测的准确率。为了验证改进型 在电网故障定位的性能优势，将改进型 与未改进型 采用相同的测试集数据进行验证实验，结果见表。表 不同算法预测结果比较算法测试样本总数预测正确样本数准确率 未改进型 改进型 从表 可以看出：未改进型，预测正确的样本只有 个，准确率为；而改进型 能正确预测所有的测试样本，准确率为。由此可见，改进型 预测的准确率提高了 左右，说明改进型 的性能比原 的得到了改进。结语电网故障定位一直是备受关注的焦点。为了提高电网故障定位的准确性，本文提出了一种改进型 的电网故障定位方法。本文基于现有配电网拓扑结构中的开关和继电保护装置信息，提取了电网故障诊断的数据集，搭建了电网故障定位的预测网络，采用天鹰优化算法优化 平滑因子，得出改进型 训练和测试的实验结果。改进型 有效地提高了电网故障诊断的准确性，给电网故障定位提供了一种新的思路。参考文献：张繁斌，范英乐，刘宝童，等基于 神经网络的电网故障定位电力大数据，（）：柴尔烜，曾平良，马士聪，等利用 优化后的 神经网络进行电网故障定位的方法研究电力科学与工程，（）：郑丰基于 的含 电网故障定位方法研究广西电力，（）：郭宁明，杨飞，覃剑，等基于遗传算法及信号谱分析的电网故障定位方法 电力系统自动化，（）：孙玎，陈少华，陈琳改进聚类分析在电网故障定位中的应用广东电力，（）：李婉婉，李国宁基于 聚类和 的道岔故障诊断研究控制工程，（）：孙玉杰，张占强，孟克其劳，等基于 和 的电能质量扰动信号识别分类现代电子技术，（）：梁静互信息和改进支持向量机在电力负荷预测中的应用红水河，（）：，：，：（责任编辑 秦凤荣）