基于人工神经网络的AT单线供电系统故障测距研究.pdf

供变电 电气化铁道 2023年第3期 6 DOI：10.19587/ki.1007-936x.2023.03.002 基于人工神经网络的 AT 单线供电系统故障测距研究 赵双石，尹建斌，闫兆辉，闫雪松 摘 要：AT 单线牵引供电系统由于 AT 变压器、避雷线圈的接入以及供电线与接触网的材质不同等问题，传统测距方法未能对短路数据进行科学系统分析，故障发生时精确定位仍比较困难。为解决上述问题，本文引入了人工神经网络自动测距方法，首先推导出 AT 单线牵引供电系统故障量与故障点距离的关系；通过搭建人工神经网络模型，对不同位置、不同短路类型的数据进行训练，训练成功的网络对随机故障位置进行预测，精度满足工程要求；最后搭建相应的试验系统，对理论分析的正确性进行验证。试验结果与理论分析具有较好的一致性，证明了所提方法与结论的正确性，为进一步研究 AT 单线牵引供电系统故障定位提供了一种新的有益参考。关键词：AT 单线牵引供电系统；故障测距；人工神经网络 Abstract:Due to the problems of access of AT transformer and lightning coils as well as the problem that the materials of power supply feeders and OCS are different for AT single line traction power supply system,the traditional fault location methods fail to analyze the short circuit data scientifically and systematically,and the accurate fault location is still difficult while the fault occurs.In order to solve the above-mentioned problems,an automatic fault location method based on artificial neural network is introduced for deducting the distance relations between fault quantity and fault point of AT single line traction power supply system at first;then executing the training on data of different locations and of different types of short circuits on the basis the established artificial neural network model afterwards;establishing the artificial neural network model for execution of training of data from different places and data of different types of short circuits,executing the prediction on random fault location by use of successfully trained network.Its accuracy conforms to the engineering requirements;establish finally the related test system for verification of correctness of the theoretical analysis.The test results and theoretical analysis have better consistency,verifies the correctness of the proposed methods and results,providing a new and beneficial reference for further studies on fault location of AT single traction power supply system.Key words:AT single line traction power supply system;fault location;artificial neural network 中图分类号：U223.8 文献标识码：A 文章编号：1007-936X(2023)03-0006-06 0 引言 交通强国，铁路先行，轨道交通由于其独特的优势，深受大众青睐。随着时代发展，国家对轨道交通的投入也在不断增长，我国高铁的总里程已跃居世界首位1-2。面对轨道交通庞大的牵引供电系统，供电线短路故障时有发生。当故障发生时，为保证机车能够正常运行，在长达十几公里的供电网上迅速、准确地定位故障位置尤为重要3-5。目前，牵引供电方式种类多样，故障定位的原理也大不相同，本文将针对 AT 单线牵引供电系统的故障定位进行详细的研究。对于 AT 单线牵引供电系统，可在不提高牵引 作者简介：赵双石，闫兆辉.天津凯发电气股份有限公司，高级工程师；尹建斌，闫雪松.天津凯发电气股份有限公司，工程师。网绝缘等级的情况下使供电电压提高 1 倍，并且在同一牵引负荷的情况下，接触网与正馈线的电流减小 1 倍6-7。鉴于这种独特的优势，该系统被广泛推广与应用。但该牵引系统构造较复杂，由于自耦变压器，维护线、放电器等设备的接入，当故障发生时，高效准确地定位故障具有一定难度，不免存在偏差甚至错误。国内外学者针对这一问题进行了深入研究：文献8针对 AT 供电系统详细介绍了吸上电流比测距方法，通过通信网与 GPS 时钟保证数据的严格同步与测距准确性，但未能考虑不同地点不同类型的故障，数据较少，没有足够的说服力；文献9采用了神经网络对输电线路进行故障定位，网络输出故障距离，其测距结果不受过渡电阻、故障角和故障类型的影响，但文章未能详细介绍网络参数的选取，使用的网络可能未必最优；文献基于人工神经网络的 AT 单线供电系统故障测距研究 赵双石，尹建斌，闫兆辉等 供变电 7 10-12基于电路理论，推导出 AT 供电系统的故障距离，为测距提供了一定指导，但未考虑实际工程与电路理论之间的等效误差，同时也缺少仿真或实验数据的支撑；文献13-14对 AT 供电系统故障测距错误的 4 个案例进行了分析，提出了上下行电流比方法测距误差产生的原因，但仅针对特例进行分析，并且缺少理论支撑。以上文献的研究成果对减小 AT 单线牵引供电系统的测距误差，避免测距错误起到了一定的指导作用，但是仅针对特例做出分析，未提出更加有效的测距方案。本文提出基于人工神经网络的 AT 单线牵引供电系统故障测距方法。当系统在不同位置发生随机金属性故障时，系统中 SS、AT、SP 中的模拟量必然会发生不同的变化。该算法基于短路数据与故障位置对神经网络进行训练，调节每层神经元的权重与阈值，使测距结果向正确数值逼近，最终得到准确的测距结果。人工神经网络在训练成功后，还可进行学习，短路数据积累的越多，测距的准确度也越高。该方法可使短路数据得到更加科学的应用，为大数据的处理提供参考。1 AT 单线牵引供电系统故障分析 AT 单线牵引供电系统主要由变电所（SS）、AT 所（AT）、分区所（SP）3 部分构成。实际中三者数量可能与本文不同，但原理相同15-16。AT 自耦变压器的加入使得线路网孔个数增加，计算变得更加复杂。鉴于分析时忽略了一些流经闭合网孔中的流动电流，导致测距结果出现较大误差，本文在构建电路模型时，则直接利用 SS、AT、SP 所内获得的数据，真实还原短路时系统的状态。当系统在 SS 与 AT 之间发生 TR 短路故障时，系统的等效模型如图 1 所示。不同类型的故障，发生在不同位置时，分析原理相同，本文不再叙述。IAICIB二次侧一次侧SSFT二次侧SPL1L2xATATIATSPITSSUIIATSSITSSIFSSIFSSUZ短路TATIIFSPIFSPUFATUTATUTSPUTSPIFATI 图 1 第 1 区间 TR 短路故障模型 以 SS 中 T 线电流为参考正方向，图 1 中TSSI，FSSI，ATSSI，TSSU，FSSU分别为牵引变电所 T 线电流、F 线电流、吸上电流、T 线电压、F 线电压；TATI，FATI，ATATI，TATU，FATU分别为 AT 所 T 线电流、F线电流、吸上电流、T 线电压、F 线电压；TSPI，FSPI，ATSPI，TSPU，FSPU分别为分区所 T 线电流、F 线电流、吸上电流、T 线电压、F 线电压，以上参量均可由所内保护装置读取。I、I、I为 3 条线路上的合成电流；2 条线路的合成电流可以根据节点电流方程得到，即 TTATSPATATATSPIIIIII （1）考虑到故障网孔与非故障网孔之间的电流关系，式（1）中参量均为所内实测数据，防止漏电流较大，判错故障区间，导致测距错误。设 SS 与AT之间的距离为L1，故障点到SS之间的距离为x。设T1U，T2U分别为供电线上的自阻抗与互阻抗产生的压降，当故障发生时，电压平衡方程为 TTTSSSP1TT1T2TAT2SSTRTR1FATFSSSPTR2TF1SPTF2TTTTSSSP12()()UIZ xI ZLxIZ LUIZxI ZLxIZLIZLIZLUUUU （2）FFFSPSS1F2F1TTFSSSP2TFTF1TF2ATATSSSPFRFR1FR2FFFFSSSP12 =+UIZ LIZ LUIZxI ZLxIZLIZxI ZLxIZLUUUU（3）式中：F1U、F2U分别为正馈线上的自阻抗与互阻抗产生的压降；ZT、ZF分别为 T、F 线的自阻抗；ZTF为 T 线对 F 线的互阻抗；ZTR、ZFR分别为 T 线与 F线对钢轨 R 的互阻抗。实际中，T 线与 F 线自阻抗近似相等，即存在ZTZF，ZTRZFR。将式（2）与式（3）联立可以解得故障距离 x：供变电 电气化铁道 2023年第3期 8 TFFTFATSSSSSSSSSSTRTTFSP12TFTFSSSSSSSSTTFTR()2()2()()(2)UULZIIIZZI LILxIIZZZII （4）式中：TTTSSSSSP=UUU；FFFSSSSSP=UUU；L 为供电线长度；L1为第1区间长度；L2为第2区间长度。当 AT 单线发生故障时，故障点 x 与所内已知数据满足式（4）的关系。在推导过程中仅以接触网与正馈线为模型，以将金属性、非金属性短路因素影响降到最低。不同位置（5、15、28 km）变电所数据矢量图如图 2 所示。由图 2 可知：当不同类型故障发生在不同位置时，电流的大小与流过的网孔回路也不同，所内读取的数据一定存在差异。人工神经网络测距方法能够针对差异性，找出故障时所内已知数据与距离之间存在的复杂关系。90120601801502102403303027003001 0002 0003 0004 0005 000IF(4 km)IF(15 km)IF(28 km)90120601801502102403303027003005 0004 0003 0002 0001 000IT(28 km)IT(15 km)IT(4 km)（a）不同距离下 F 线电流 （b）不同距离下 T 线电流 901206018015021024033030270030051015UF(28 km)20UF(15 km)UF(4 km)UT(28 km)UT(4 km)UT(15 km)90120601801502102403303027003001 0002 0003 0004 000IAT(28 km)IAT(15 km)IAT(4 km)（c）不同距离下T 线与F 线电压（d）不同距离下吸上电流 图 2 SS 故障数据向量图 2 人工神经网络算法原理 将故障发生时所内的数据看作已知量，对于不同故障距离下牵引变电所数据，选取不同故障点，将 SS、AT、SP 所内的数据作为输入，故障距离 Y与 故 障 类 型G作 为 输 出 建 立 映 射 关 系TT I Z UY G，如图 3 所示。输入层k1层k层输出层ij隐含层测距结果YG1kkijwTFSSSSIIFSSIATSPIIITTFZZTRZTTFTRZZZTFZTFSSSSUUL1L2LZU 图 3 人工神经网络故障测距原理 输入层：输入向量为 TFFATSSSSSSSPTTFTRTTFTRTFTFSSSS12IIIIIIZZZZZZZZUUULLL （5）隐含层：每一个神经元包括 4 个重要的参数，分别为输入x、输出y、阈值及影响权重w。第(k1)层第 i 个神经元的输出为1kiy，第 k 层的第 j 个神经元输入为kjx，阈值为kj，若第 i 层有 n 个神经元，则之间的关系满足：11nkkkkkjijijixwy （6）输出层：本层包含测距结果与故障类型两个输出。模拟量的数据输入经由各层神经元完成传递（设隐含层为 m 层），令111mmknjnw，111mny，通过激励函数 f(x)作用后，求得输出矩阵：111 ()nkmmmjijiiY Gf xfwy （7）以每层的期望输出构建误差函数如式（8）所示，其中kjT为对应神经元的期望输出。2112nkkjjjEyT （8）为减小误差函数，改变神经元之间的权重值。假设第(k1)层第 i 神经元对第 k 层第 j 神经元的相应权重值的改变量1kkijw正比于误差函数最大的减小量，误差函数对权值的负导数，两者的关系如下：基于人工神经网络的 AT 单线供电系统故障测距研究 赵双石，尹建斌，闫兆辉等 供变电 9 111kjkkijkkkkkijjijxEEwwxw （9）将式（9）与式（6）联立，可以解出每次权值的变化量：11nkkkijikijEwyx （10）每次调整后，各层神经元之间的连接权重与未调整前关系如式（11）所示：1111(1)()()(1)kkkkkkkkijijijijwtwtwtwt+（11）式中：t 为修正次数，为惯性系数。神经网络训练流程如图 4 所示。计算网络输出Layout开始Mse(网络输出实际输出)E结束YN建立输入与输出映射关系A B CTY GT计算每层每个神经元的算子dj计算权值与阈值的变化量wij=dj yidj=dj更新权重值与阈值wij(t+1)=wij(t)+wij(t)+wij(t1)dij(t+1)=dj(t)+dj(t)将故障数据输入学习网络 图 4 人工神经网络故障测距流程 依照上述原理，根据不同的故障数据，人工神经网络测距算法将强化学习样本输入值与故障距离之间的关系，对权值进行调整，直至输出的测距结果无限趋近于实际值，权值趋于稳定时完成故障测距，输出相应的测距结果及故障类型。3 神经网络算法的仿真研究 3.1 牵引供电系统的搭建 本文根据单线 AT 牵引供电系统搭建 Simulink仿真模型如图 5 所示，考虑到篇幅与研究重点，参数的计算方法不再赘述，直接给出系统的重要参数值。单线 AT 情况下线路的阻抗参数为三维矩阵，具体数值如表 1 所示，变压器参数主要包括牵引变压器参数与自耦变压器参数两个部分，如表 2 所示。表 1 线路阻抗参数 /km T1 F1 R1 T1 0.174 93+0.687 861j 0.05+0.322 14j 0.05+0.332 4j F1 0.05+0.322 14j 0.140 74+0.440 76j 0.05+0.336 92j R1 0.05+0.332 4j 0.05+0.336 92j 0.13+0.717 01j 表 2 变压器参数 参数 变压器 自耦变压器 高压侧 R*0.002 212 4 0.001 822 5 高压侧 X*0.133 57 0.002 267 5 低压侧*tR 0.004 424 9 0.001 822 5 低压侧*tX 0.023 387 0.002 267 5 低压侧*fR 0.004 424 9 低压侧*fX 0.024 2 模型以实际情况为依托，设置 SS 所与 AT 所之间的距离 L1=12 km，AT 所与 SP 所之间的距离L2=13 km，牵引变电所的供电线长度 L=3 km。在进行故障仿真时，每隔 500 m 进行 1 次短路故障仿真，故障类型包括 TR、FR、TF 3 种类型，试验总共包含 306 次金属性短路试验与 96 次非金属短路故障，这些短路数据将成为神经网络的训练样本，为验证神经网络的准确性提供平台。变电所AT所分区所 图 5 单线 AT 牵引供电系统 MATLAB 仿真模型 供变电 电气化铁道 2023年第3期 10 3.2 人工神经网络的仿真研究 3.2.1 人工神经网络的训练 结合第 2 节的理论分析，基于 C+语言编写了人工神经网络的数学模型，并通过单线 AT 的动模数据对模型进行训练。人工神经网络主要参数：选取神经元个数为 12，学习速率为 0.01，传递函数为 logsig，训练次数为 900 次，误差值为 2E5。将搭建成功未曾训练的神经网络称为空白神经网络。上述重要参数将根据测距误差的统计结果进行微调，用以满足工程中误差要求。以 3.1 节中仿真模型为基础，收集不同位置的短路故障数据，返回工作空间，仿真中共 402 组数据，涵盖了整条线路。人工神经网络读取故障数据，对故障位置进行计算。测距误差较大时，按照式（9）与式（10）的原理对每层的权值与阈值进行修正。修正后，若仍未达到迭代次数，将短路数据代入新的权值矩阵与阈值矩阵进行计算。重复上述过程，当误差 E 小于误差允许或训练次数满足时，完成神经网络的训练，输出故障距离与故障类型。将该训练成功的网络称之为网络 A，在此过程中误差 E 与训练次数的关系如图 6 所示。由图 6 可以得出，每个神经元误差的平方和随着迭代次数的增加逐渐降低，且在前几次迭代尤为明 显。当 完 成 训 练 后，输 出 权 值 矩 阵1 12 122 12 123 2 12、WWW与阈值矩阵112121213121、BBB，该训练过程耗时 9.58 s。1 181.371 2001 0008006004002000测距误差/m247.2365.2144.560 2 4 6 8 10迭代次数误差平方和 图 6 测距误差与迭代次数关系 3.2.2 人工神经网络训练样本数量对测距误差的影响 为探究神经网络的稳定性，选取不同数目的样本对未训练过的人工神经网络进行训练。此次样本数量为 42 组，故障位置均匀分布在整条线路。将该网络按照 3.2.1 节所述的步骤进行训练，训练成功的网络称之为网络 B。基于 Simulink 仿真模型选取网络 A 与网络 B 从未训练过的短路位置进行 6次短路试验，将短路数据输入两个网络，网络的输出故障位置与实际故障位置相比，得到测距误差结果如图 7 所示。从图 7 可以得出，训练样本为 402 组时，网络预测故障位置的精度有了大幅度提高，最大误差仅为 56.25 m，只受 42 组样本训练过的人工神经网络预测故障距离最大误差为 382.40 m，剩余 5 次的误差也均在 200 m 以下。此次仿真证明了网络有较高的稳定性，当训练样本数量相对减少时，网络的测距误差仍然在工程允许范围内。550500450400350300250200150100500测距误差/m1 2 3 4 5 6预测实验序号 工程最大误差标准382.4056.25104.655.3736.9640.12194.13196.46176.5137.7418.1318.3942组样本402组样本 图 7 不同人工神经网络的测距误差对比 3.2.3 神经网络与传统方式的误差对比 传统测距方法采用线性电抗法与吸上电流比法从而得出相应故障位置，将传统方法写入MATLAB 程序进行对比验证。基于 3.1 节所述的Simulink 仿真模型平台，随机选取 3 个未训练过的位置分别进行 3 种不同故障类型的试验（文中选用的位置为：8.12、15.33、22.87 km）。系统测量模块将故障数据进行收集，返回工作空间。将故障数据通过两种测距方法进行分析，输出相应测距结果。与实际故障位置相比，得到测距误差如图 8 所示。由图 8 可以得出，9 次短路试验人工神经网络的测距误差均小于传统方式的测距误差，且最大误差距离仅为 56.245 m，而传统测距误差结果存在 1次 560 m，已经超出标准。采用统计学方法对 9 次试验进行分析，从第 4 张图可以看出神经网络测距误差的平均值与方差远远小于传统方法的统计结基于人工神经网络的 AT 单线供电系统故障测距研究 赵双石，尹建斌，闫兆辉等 供变电 11 果。训练完成的人工神经网络完成 9 次预测耗时为4.18 ms，能快速且准确定位故障位置。180.1256.25120.1737.7470.0021.108.12 km15.33 km22.87 km200150100500距离误差/m450400350300250200150100500距离误差/m传统方法 神经网络100.005.37120.00410.0018.3160.118.12 km15.33 km22.87 km8.12 km15.33 km22.87 km平均值方差174.1718.8129.52235.56450.00560.008.3318.3940.12110.006005004003002001000距离误差/mTR故障FR故障统计方式TF故障250200150100500距离误差/m 图 8 不同方法测距结果对比 4 结语 本文的创新点在于在故障测距装置中引入人工神经网络算法，从理论与试验的角度证明了方法的可行性，为进一步研究牵引供电系统故障定位提供了有益参考，具体结论如下：（1）人工神经网络算法对传统的故障定位公式进行学习，经过故障数据的训练后可对故障点的位置进行预测，且精度值完全满足工程要求。（2）人工神经网络能够随着故障数据的积累自动调节权重值与阈值，进一步提高网络的测距精度。参考文献：1 Lee H,Lee C,Lee H,Jang G,Chang S.Novel Fault Location Scheme on Korean Electric Railway System Using the 9-Conductor RepresentationJ.Journal of Electrical Engineering and Technology,2010,5(2):220-227.2 魏巍，刘炜，叶小雯.高速铁路牵引回流系统建模分析J.铁道科学与工程学报，2018，15（1）：31-38.3 钱澄浩，何正友，胡海涛，等.一种牵引网故障定位的新方法J.电力系统保护与控制，2012，40（3）：21-25+30.4 李宏刚.基于电力远动系统的高铁贯通线故障定位研究J.铁道工程学报，2018，35（6）：67-71.5 HE Zhengyou,Zhang Jianmin,Li H.W.An Advanced Study on Fault Location System for China Railway Automatic Blocking and Continuous Transmission LineC/International Conference on Developments in Power System Protection.IET,2008.6 何洋阳，黄康，王涛，等.轨道交通牵引供电系统综述J.铁道科学与工程学报，2016，13（2）：352-361.7 HE Zhengyou,ZHANG Jun,LI Weihua.Improved fault-location system for railway distribution system using superimposed signalJ.IEEE Transactions on Power Delivery,2010,25(3):1899-1911.8 张明，杨焕忠.AT 供电异常情况下故障测距的分析判断J.铁道运营技术，2016，22（1）：1-3.9 WANG Chuanqi,YIN Xianggen.Comprehensive revisions on fault location algorithm suitable for dedicated passenger line of high speed electrified railwayJ.IEEE Transactions on Power Delivery,2012,27(4):2415-2417.10 熊列彬，吴高华，王志洋.基于 IHHT 的多测点行波法故障测距在全并联 AT 牵引网中的研究J.电工技术学报，2019，34（15）：3244-3252.11 Hanmin Lee,Changmu Lee,Gilsoo Jang.Harmonic analysis of Korean high-speed railway using the eight port representation modelJ.IEEE Transa-ctions on Power Delivery,2006,21(2):979986.12 林国松，马劲飞.基于分区所电抗的电气化铁路故障测距方案J.铁道工程学报，2018，35（3）：79-83.13 程宏波，高雅琦，王勋，等.基于故障类型识别的输电线路自适应测距方法J.电力系统保护与控制，2019，47（2）：131-138.14 吕欢欢，张玉召.基于机器学习的地铁列车牵引能耗预测研究J.铁道科学与工程学报，2019，16（7）：1833-1841.收稿日期：2022-08-14