基于改进学习矢量量化神经网络输电线路故障识别技术

宋亮亮，杨 毅，范栋琛，朱 诚

(1.国网江苏省电力有限公司电力科学研究院, 南京 211100；2.山东大学电气工程学院，济南 250100)

输电线路是电力系统的重要组成部分，负责传输电能，但是其长期暴露在空气中，受不利环境和天气条件的影响很容易产生故障[1]。故障可能会导致断电，设备损坏并影响供电质量。因此，对输电线路快速而准确的分类，可以加快电网供电的恢复，把停电带来的经济和社会影响降到最低。短路故障是在输电线上最常见的故障，其诊断方法的研究对于电力系统的安全稳定运行至关重要[2]。在诊断过程中，故障特征的识别和故障的分类是关键。

近年来，随着人工智能技术的发展，中外学者针对输电线路故障诊断方法开展了大量研究。前人研究都集中在故障特征的提取和分类。常用特征提取包括S变算法换、小波变换和离散小波包熵。智能分类算法包括变换矢量分析、模糊推理、支持向量机、神经网络等。文献[3]考虑到气象因素对输电线造成的影响，提出采用在线监控数据来评估输电线运行状态的方法。但是，考虑的因素相对单一。如果缺少某些信息，则很难进行评估。文献[4]提出了利用小波变换系数(如小波熵)作为故障诊断的函数。但在分解前存在小波基的选择问题，这直接关系到最终的分解效果。文献[5]提出了采用小波特异值作为特征参数，使用改进的合成少数过采样算法识别线路故障。虽然分类更加准确，但故障分类速度降低很多。文献[6]提出了以Petri网技术为核心，结合加权模糊理论、神经网络技术和粒子群优化算法，用于输电线路障碍诊断方法，提高故障诊断的智能水平和效率。但是，Petri网矩阵运算的优势无法得到充分利用，面对复杂的大电网故障有一定的局限性。文献[7]提出了一种结合支持向量机和神经网络的故障诊断模型，通过电压谐波分量对故障和干扰进行区分。研究结果表明，该方法的准确性和有效性可以克服传统继电保护中谐波引起的误差辨识，提高了保护功效。前人研究结果为解决输电线路故障识别提供了理论依据。

基于此，在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合，使用经验小波变换提取输电线路故障特征，使用改进的学习矢量量化神经网络进行故障特征识别。通过仿真验证不同工况下该模型的有效性。

1 输电线路故障分析

输电线路常有故障发生。故障的原因很多，可能是自然因素或人为因素造成，如鸟兽、风冰等。必须事先采取预防措施，以使元件安全系数最大化。输电线路故障类型如图1所示。

图1 输电线路故障类型

1.1 鸟类和动物因素

鸟兽(主要是鸟类)的一些生活特性会直接或间接地给输电线带来短路故障(如雨天鸟粪会引起线路绝缘子的污闪，从而破坏绝缘性能)[8]。

1.2 气象因素和自然灾害

雷电、暴雨、浓雾、冻雨等自然因素影响供电环境。冻雨结冰过多会增加一定数量的输电塔负载，甚至损坏金具和绝缘子。

1.3 人为因素

短路和开路通常是由违规施工和不正确的连接引起的。如果故障是永久性的，将严重破坏传输安全环境。因此，要杜绝违规施工，必须严惩违法行为。除上述缺点外，空气中化学污染物的腐蚀还大大降低了电线的使用寿命和安全性。

短路故障占所有故障的70%～80%。短路故障类型有：单相接地、两相、两相接地和三相。单相接地短路包括A相、B相和C相。两相短路障碍包括AB型、AC型和BC型。两相短路接地包括ABg、ACg、BCg。三相短路是ABC短路。短路故障类型如图2所示。

图2 故障类型

2 故障分类

2.1 特征的提取

故障分类的第一步就是故障特性提取，Gilles于2013年提出经验小波变换(empirical wavelet transform，EWT)，将模态视为调幅-调频信号[9]。根据信号的高幅度和窄频带，EWT能从多分量信号中查找和提取突出模态。使用EWT提取输电线的故障特性。主要步骤如下。

步骤1输入三相暂态电流数据iA、iB、iC(一个故障周期)。

步骤2使用EWT对iA、iB、iC进行处理。确定各相暂态电流EWT分量，并将其通过Hilbert转换为各相暂态电流Hilbert时频谱HA(ω,t)、HB(ω,t)、HC(ω,t)，其中，ω为瞬时频率；t为采样时间。

步骤3对各相暂态电流Hilbert边际谱PA、PB、PC进行计算，累加为三相边际谱P的表达式为[10]

(1)

P=PA+PB+PC

(2)

式中：T为信号的采样时间。

每相暂态电流时频域累积的能量[11]为

(3)

取故障后1/8周期暂态电流数据，通过式(3)计算各相暂态电流时频域累积能量EA、EB、EC。

同样，计算出各相暂态电流分量的前三阶能量系数cA1、cA2、cA3、cB1、cB2、cB3、cC1、cC2、cC3。

步骤4将边际谱以5 Hz为单位相等频段。并计算每个频带中的能量e1，e2，…，e19。计算时频域能量和S及时域能量和s表达式为[12]

S=EA+EB+EC

(4)

(5)

s=sA+sB+sC

(6)

步骤5以P最大区域能量emax为标准，计算三相边际谱区域能量、时频域能量和分量能量系数的特征向量r1、r2、r3。

步骤6r=[r1,r2,r3,y]作为最终特征向量。故障提取流程如图3所示。

图3 故障提取流程

2.2 故障分类

随着电网的复杂性，传统的继电保护方法在多种因素(故障定位、过渡电阻、故障初始角度等)的影响下，故障分类性能有待提高。学习矢量量化(learing vector quantization，LVQ)神经网络是一种有监督学习和无监督学习的混合神经网络[13]。与BP(back propagation)神经网络相比，LVQ神经网络网络拓扑更加清晰、训练速度更快、分类性能更强。LVQ神经网络可对任何输入向量进行分类，适应性非常强，而BP神经网络对数据格式要求严格。LVQ神经网络在计算速度和权值方面优势明显。LVQ神经网络的主要缺点是对权重的初始值敏感。在迭代过程中，会生成一些“空闲”神经元，影响分类结果。

提出用人工蜂群(artificial bee colony，ABC)优化学习矢量量化LVQ神经网络故障分类器。人工蜂群ABC算法是一种通过模拟蜜蜂在自然界中的行为来求解一些复杂的参数优化问题[14]。全局搜索功能强大，可解决神经网络初值敏感和参数设置等问题，提高故障分类性能。具体步骤如下。

步骤1网络初始化。建立LVQ神经网络并设置ABC算法参数，包括：种群大小(M)、领头蜂数(ζ)、跟随蜂数(υ)、蜜源附着极限值(ξ)、迭代次数(t)等。

步骤2输入样本数据并计算蜜源适用度，适应度影响着算法的训练速度和分类效果。蜜源适应度函数[15]

(7)

式(7)中：ei为第i个蜜源相对应LVQ的均方差，ei=0时，分类的性能最优。

步骤3计算所有蜂蜜，并确定蜜源采集度是否达到指定的附着极限。高于指定值时，在该矢量范围内，随机产生一个新的蜜源位置。相反，继续执行。

步骤4更新蜜源位置。根据式(8)，将蜜源适应度函数归一化。表示选择蜜源区域的概率ηi[16]，其表达式为

(8)

蜜源的适应度函数值越高，权值矢量方向网络的性能越好。选择蜜源位置的概率越高，根据位置最大概率更新方向[17]，即

Xi(t′+1)=Xi(t′)+r′[Xi(t′)-Xk(t′)]

(9)

式(9)中：Xi(t′)和Xi(t′+1)为矢量前后的蜜源位置；k为其他蜜源位置；r′为[-1,1]的随机数；t′为计算的迭代次数。

步骤5确定跟随峰蜜源的位置，与原始位置进行比较，在下一次迭代中，将值较高确定为引领峰蜜源位置。计算了所有蜜源的适应度，此时的矢量值是最优的。

步骤6是否满足终止条件，LVQ神经网络找到权值的最佳解；否则，转到步骤3。

蜜蜂找到蜜源的最佳位置，适应度函数接近1，改进后的算法提高了分类性能和学习速度，降低了训练迭代次数和对初始权值的敏感程度。改进LVQ算法故障分类流程如图4所示。

图4 改进LVQ算法故障分类流程

2.3 故障诊断模型

所提出的ABC算法对LVQ神经网络进行优化，提高了分类性能也改善了网络结构。采用改进的LVQ神经网络对10种类型的短路故障进行分类识别[18]。

LVQ神经网络故障分类器由训练部分和分类部分构成。LVQ神经网络采用了3层构造。输入层、竞争层、输出层[19]。其总和为3个联合故障特征，即19+3+3×3+1=32维特征向量，用标签识别不同类型的短路故障，表1为类别标签。LVQ神经网络结构为32-30-10，对应10种不同的输电线路短路故障。学习率为0.1，期望误差为0.1。LVQ神经网络分类器的简化模型如图5所示。

图5 简化模型

表1 故障输出标签

基于EWT-ABC-LVQ输电线路故障分类实质上是EWT提取故障特征，ABC-LVQ神经网络进行故障特征识别。具体步骤如下。

步骤1输入三相瞬态电流数据(一个故障周期)。

步骤2采用EWT分解三相暂态电流，得到各相电流的EWF分量。

步骤3对各相电流EWF分量进行Hilbert变换，以获得相应的Hilbert时频图。求取各相及三相暂态电流边际谱，划分了区域能量，得到1×19维故障特征向量r1=[x1,x2,…,x19]。将各相电流的Hilbert时频图在时域中积分。获得暂态过程中每相电流信号的累积能量，构建一个1×3维故障特征向量。提取每相电流前三阶EWF分量，基于EWF分量的能量。建立了1×9维三相电流暂态的能量系数特性r2=[x23,x24,…,x31]。

步骤4构建故障分类器的输入特征向量r=[r1,r2,r3,y]；y表示短路故障的不同类型。

步骤5利用提取的故障特征向量对ABC-LVQ神经网络进行训练。

故障分类模块:

步骤6输入要测试的故障样本。

步骤7按照步骤2～步骤4重新提取训练后的ABC-LVQ神经网络的故障特征。EWT-ABC-LVQ输电线故障分类流程如图6所示。

图6 EWT-ABC-LVQ输电线故障分类流程

3 仿真分析

3.1 仿真参数

双端供电网络是中国电力系统中最常用供电接线方式，具有可靠性高、应用广等特点。仿真模型由MATLAB仿真软件建立，简化模型如图7所示。线路模型全长200 km，两端供电500 kV，左端M，右端N。仿真参数如表2所示。

表2 仿真参数

图7 简化模型

在不同田间下(故障位置、故障电阻、初始故障角度)，采用MATLAB/Simulink中故障发生器实现了上述条件下输电线路的短路故障仿真[20]。故障位置距图8中的M端10、40、70、100、130、160 km。故障初始角度设置为0°、30°、45°、60°、90°，过度电阻设置为0、60、120、180、240 Ω。实际上，单相短路故障最频繁，实际采样数据较多，三相短路故障发生较少，实际采样数据较少。因此，根据故障概率，建立625组训练数据和400组识别数据。各故障样本数据如表3所示。

表3 故障样本数据

3.2 仿真分析

将仿真模型的故障周期设置为0.3 s，并将采样频率设置为20 kHz。从故障那一刻起，采集一个周期三相电流数据。故障分类主要任务是提取故障特征，故障特征分为3类。为了验证3种提取方法的有效性，将每个故障的特征作为分类器的输入向量。表4给出了不同故障条件下三相暂态电流边缘谱区域能量特征和分类结果。

根据表4的分类结果，通过划分三相电流边际谱区域得到的故障特性，可以更好地反映原始三相电流信号的整体能量分布并表征故障信息。

表4 边际谱区域能量特征

提取三相暂态电流时频域中的累积能量作为故障特征向量。表5所示为部分故障分解得到的时频域累积能量特性。可以清楚地观察到，故障相的累积能量大于非故障相的累积能量，得到故障分类结果是准确的。

表5 时频域累积能量特征

表6为三相电流暂态分量的能量系数分类结果。故障分类和识别效果较好。

表6 暂态分量能量系数特征

如果将3个故障特征分别用作输入特征向量时，准确性良好，相对于联合特征分类效果差。表7为单独和联合特征分类比较。在各种工作条件下，提取了400种故障样本数据，300个被用作故障分类器的训练数据。

表7 单独和联合对比

将ABC-LVQ神经网与BP神经网络、LVQ神经网络作为故障分类器进行比较，验证其有效性。输入为联合特征，数据一致。分类结果如表8所示。

从表8可以看出，通过ABC算法优化的LVQ神经网络具有比其他两个神经网络更好的分类性能。在实际电力系统中，很对因素都会影响故障分类结果(故障位置、过渡电阻和故障角度等)。因此对不同故障情况进行测试。表9～表11为不同工作条件下ABC-LVQ分类。

表8 算法对比

表9 不同故障位置分类

表10 不同过度电阻分类

表11 不同故障初始角分类

从表9～表11数据可以看出，不同工况下，ABC-LVQ神经网络故障分类器的分类精度分别达到99.2%、99.33%、99.2%，故障分类不受多种故障工况的影响，具有很强的抗干扰性，分类效果良好。

4 结论

在输电线路故障分类中将EWT与改进LVQ神经网络相结合。通过在不同工况下的仿真分析，验证该方法准确性和有效性。仿真结果表明，该方法在各种工况下都是准确有效的。得出以下结论。

(1)与故障分类器单一特征的输入向量相比，联合特征有效地提高分类器的精度。

(2)改进的LVQ神经网络比BP神经网络的数据训练速度和收敛精度更优。

(3)EWT-ABC-LVQ神经网络故障分类方法不受故障位置、过渡电阻和故障角度影响，具有很强的抗干扰性，分类效果良好。

考虑到当前实验设备和数据的规模，尚处于起步阶段。基于此，逐步改进和完善将是下一步工作的重点。