具有冗余神经元神经网络模型系统的输电
线路故障测距的研究　　毛鹏，孙雅明，张兆宁　　（天津大学电气自动化及能源工程学院电力工程系，天津300072）STUDYOFFAULTLOCATIONFORHIGHVOLTAGEOVER－HEADTRANSMISSIONLINE
USINGNEURALNETWORKSMODELSYSTEMWITHREDUNDANTNEURON　　MAOPeng，SUNYa－ming，ZHANGZhao－ning　　（SchoolofElectricalAutomation＆energyEngineering，TianjinUniversity，Tianjin300072，China）ABSTRACT：ThispaperproposesaNeuralNetworks（NN）systemwithredundantneuronsbasedontheintegratedmodulearchitectureandhierarchyarchitecture．ThisNNsystemadequatelyusesthepowerfulfunctionofartificialneuralnetworksataspectsofpatternrecognition，nonlinear－approaching，associativememoryet．ItsmodulearchitectureissimilarwiththefunctionareasinhumanbiologicNNsystem．Anditsinformationprocessingmechanismisconsonantwiththeprocessinglawofclassificationandstepbystepreasoning．ThissystemcannotonlydealwiththecomplexinformationrequiredbyfaultlocationforHVoverheadtransmissionlines，butalsoaccuratelylocatethefaultsites．Sothismethodforfaultlocationpresentedinthispapercaneliminatethedisadvantagesinotherconventionalfaultlocationmethods，suchasconvergencetothefalserootordivergenceintheprocedureofiteration．Andyetthismethodcaneliminatetheinfluencesofloadcurrentandoperatingmodeoftheotherterminalsystem，whichresultinthegreatlocationerrorinpractice．ResultsfromtheoryanalysisandsimulationbyElectromagneticTransientProgram（EMTP）showthatfaultlocationprecisionofthismethodcancompletelysatisfypracticalrequirements．
KEYWORDS：redundantneurons；NeuralNetworks（NN）；
faultlocationoftransmissionline；one－terminalfaultlocationmethod；faut－tolerantperfonmanl
摘要：提出了一个层次化与模块化相结合的具有冗余神经元的神经网络（NN）模型系统，该系统充分利用了神经网络在模式识别、非线性拟合及联想记忆等方面的优势，其模块化结构与生物神经网络功能区域结构相一致，信息处理机制符合生物神经网络分类和逐步推理的规律。该系统可实现高压（超高压）架空输电线路故障测距所需的复杂信息处理要求，可避免常规测距方法中出现伪根、迭代不收敛、及消除对端系统运行方式和助增电流影响导致测距误差大等不足。大量的电势暂态程度（EMTP）仿真测试表明：该方法的故障测距精度高、综合性能好、适应性强。
关键词：冗余神经元；神经网络（NN）；输电线路故障测距；单端测距法；容错性能1　引言
　　高压输电线路的故障测距（又称故障定位）是快速查找输电线路故障位置的重要依据，准确的故障测距可大大地减少排除故障的时间，对快速恢复供电有着重要的实用价值。
　　按照测距所用的信息来源，测距方法有单端测距法和双端测距法。单端测距法在实施上简单，无通信设施的要求，典型的单端测距算法有①解微分方程法：此算法原理简单，运算迅速，但受干扰影响较大，现场测距精度不高；②故障电流相位修正法［1～5］：此方法利用迭代来修正测量端电流和故障点电流的相位，以达到收敛于真根的目的，能否收敛于真根取决于初始相位的选取，对此尚未有完全可行的方法，而且随着对端助增电流的增加和接地过渡电阻的增大，测距误差增加，甚至迭代不收敛；③由相位修正迭代方程推导出的一元二次方程，即解收敛至伪根而丢失真根的缺陷，但却产生了需在所获得的双根中进行真伪根识别的问题；④故障电流修正算法其原理及测距精度类似于故障电流相位修正算法。各单端测距法都受对端系统运行参数的影响，从而不能保证测距精度。单端行波测距方法原理简单，但在技术细节及实用化方面，尚有问题期待解决。至于其它单端测距方法如专家系统方法、在线识别方法等，都处在研究的起始阶段。所以如何利用单端信息来实现输电线路高精度的故障测距仍是研究的难点。
　　故障测距方法的基本依据是对不同故障点表征出不同的故障特征，一个具有N个输入、M个输出的前馈多层神经网络（FNN）模型可以实现Rn→Rm的数学映射，理论上已经证明两层FNN可以逼近任何非线性函数连续映射。据此，可用映射的概念来实现输电线路的故障测距。
　　要特别指出，对研究问题的NN如何建模乃是要深入研究的，需根据所研究问题的相关因素的复杂性、训练NN模型的收敛性、推广能力等要求来建模。本文在对高压输电线故障测距问题的复杂因素和故障特征深入分析的基础上，提出和构造了具有冗余神经元的NN模型系统，实现输电线路的精确故障测距功能。大量仿真测试结果表明该NN模型系统是有效可行的，它不仅克服了传统方法存在的问题，且综合性能指标优于常规方法。
2　具有冗余神经元的输电线路故障测距NN系统模型的构造　　
　　任何NN的应用研究，首先要研究为实现目标问题如何构造相应的NN模型结构。NN测距系统的性能，如训练的收敛性、拟合程度和推广能力等，与NN模型结构有着极其密切的关系，也是对所研究的问题是否具有真正实用性的评估。NN模型结构的完成必须是一个反复测试和重构的过程，直至求解问题获得满意的性能指标。
2．1　具有冗余神经元的测距NN系统模型依据
　　高压输电线路故障测距问题是一个复杂的多任务信息处理系统，依次需要完成故障检测、故障类型识别、故障点位置确定。而且，故障发生时的故障模式受故障点位置、过渡电阻、故障前两端系统电势夹角、故障初始角、对端的运行方式等因素的影响。
　　通过对目标问题建模的具体分析得出，采用单一的多层FNN模型结构难以实现目标问题，这是
由于要映射多种混杂的复合因素，最终形成具有庞大隐层节点的病态NN结构所致。理论已证明：过多的隐层单元数意味着拟合和推广能力极差（经验知，一般隐层单元数是输入层单元的2倍左右）；且导致训练收敛时间长或不收敛。
　　由生物神经网络系统结构及其信息处理机制的启迪，以及故障测距问题的推理思维模型，提出和构造了具有冗余神经元结构的NN模型故障测距系统。此系统是分层结构和分布式功能NN模块的结合，总体结构如图1所示。
　　该系统按NN模块的功能共分3层：故障类型识别NN模块（1个）层；基本故障测距NN模块（4个）层；故障测距校正NN模块（4个）层。
2．2　故障类型识别NN模块（FRNN）
　　故障类型识别模块用以识别输电线路的10种故障类型，即单相接地故障（A－G、B－G、C－G），两相短路故障（A－B、B－C、C－A），两相短路接地故障（A－B－G、B－C－G、C－A－G），三相故障（A－B－C－G或A－B－C），以及线路正常状态。
　　受各种变化因素的影响，输电线路故障模式空间属非线性可分的。因此，采用解析判式、设置门槛值的传统类型识别方法，在某些故障模式下有可能失效。为提高故障类型识别的可靠性和准确性，本文采用具有较强容错性能的Kohonen自组织特征映射神经网络来实现故障类型识别。
　　为提高对各类故障的识别灵敏度，本文在文［6］基础上作了以下改进：①考虑到故障特征参数输入的表征，在频域中要比在时域中更清晰，识别NN模型的输入矢量由故障暂态电压、电流采样数据，经差分傅氏算法提取基频分量和相对相位特征构成；②输入矢量中加入零序分量I0以及衰减直流分量的特征输入（幅值和衰减常数，此参数的提取参见文［9］），由此来提高高阻接地故障的正确识别率。
　　FRNN模块的输出为3×4二维阵列，用其中的11个神经元分别来表示上述10种故障类型及正常状态。经EMTP（Electro－magneticTransientProg－ram）仿真测试，正确率可达100％。
2．3　基本故障测距层的NN模块
　　基本故障测距层NN模块由4个平行的、独立子NN模块组成，分别来完成高压输电线路单相接地故障、两相短路接地故障、两相短路故障和三相短路故障，4类故障情况下的基本测距功能。鉴于FNN具有很强的非线性拟合及推广能力，在测距系统中各NN模块均采用FNN模型。
　　为了保证训练后NN系统的故障测距精度及可靠性，训练样本集应覆盖整个故障模式空间。为此，生成样本时需考虑以下变化特征因素：故障点位置；过渡电阻；故障初始角；对端系统阻抗；系统两端电势夹角以及故障前负荷等。这样形成的样本集是非常庞大的，为提高NN测距系统的整体性能，对上述变化因素按特征相关性进行功能分层。基本测距层考虑前4种变化因素，以确保故障测距的精度。
2．4　故障测距校正层的NN模块
　　对应于基本测距层的4个NN子模块，分别串接设计4个校正NN子模块，以完成故障前两机系统电势夹角（间接表征负荷电流的大小）及系统阻抗（表示系统的运行方式）因素对测距结果影响的校正。对端系统阻抗影响故障附加等效网中电流的分布系数，故障点越靠近对端所产生的影响越大。为此，校正层NN训练样本集的生成，是在第2层训练样本集的基础上，再派生出考虑系统电势夹角和系统阻抗变化的相应样本对，以消除它们对测距精度的影响。校正层还可减轻对基本测距层NN模块性能要求的承受力，经研究发现：在多种复杂因素的训练过程中，会形成权空间调整的多重性，从而大大降低训练的效率和收敛的速度。校正层能起到对基本故障测距层的二次校正作用。显然，该层对确保本系统测距精度和测距综合性能指标是至关重要的。　　整个故障测距系统模型的层次化结构是基于人的联想和分类处理的思维过程的，具有清晰的推理层次。其功能分布的模块化结构与生物神经网络功能区域结构相一致。由于功能分布和结构的分层，对应于某种故障类型，系统仅启用其中的部分模块，即[1][2]下一页