自适应和模糊推理结合的故障分类新方法
|
来源：www.chinaups.com 作者：lei 浏览：112次
发布日期：2008-1-15 16:24:56 自适应和模糊推理结合的故障分类新方法
匡洪海, 黄少先
(华南理工大学电力学院, 广州 510640)
摘 要: 输电线上许多类型的故障伴随低阻抗故障和高阻抗故障发生，传统的保护方法不能正确地检测和分类。提出了一种基于自适应网络的模糊推理机制（ANFIS）对低阻抗故障和高阻抗故障进行故障检测和分类的新算法。算法的性能已得到韩国典型的154 kV输电线系统在各种故障条件下的测试。测试结果表明ANFIS能在半个周期内准确地检测故障和区分故障类型（包括低阻抗故障和高阻抗故障）。 关键词: 自适应网络; 模糊推理机制; 故障分类; 输电线 New Algorithm for Fault Classification Using Combination of Adaptive and Fuzzy Inference KUANG Honghai, HUANG Shaoxian
(School of Electric Engineering，South China University of Technology,
Guangzhou 510640, China) Abstract: Many different types of faults occur on transmission lines inter alia low impeda nce faults (LIF)and high impedance faults(HIF). Traditional methods are no longe r able to cope with accurate detection and classification of faults. This paper develops an algorithm of fault classification using the adaptive networkbased fuzzy inference system (ANFIS). The performance of the proposed algorithm is eva luated for a typical 154 kV Korean transmission line system under various fault conditions. Test results show that the ANFIS can detect and classify faults incl uding (LIFs and HIFs) accurately within half a cycle.
Key words: adaptive network; fuzzy inference system; fault classification; transmission line 1前言 随着现代电力系统复杂性的不断提高，输电线路的保护对电力系统保护尤为重要，这就需要对输电线路上的故障进行准确的检测、分类、定位以及尽可能快地清除。因此，迅速而又可靠的故障分类在整个保护策略中是极为重要的。 输电线上许多类型的故障伴随低阻抗故障和高阻抗故障发生，但后者在使用传统的过电流和距离继电器时，因高阻抗故障电流变化很小，很难检测出来, 因此这类故障会毁坏昂贵的设备，危及人的生命甚至引起火灾。 本文提出了一种基于自适应网络的模糊推理机制ANFIS对低阻抗故障和高阻抗故障进行故障检测和分类的新算法。ANFIS的输入仅基于三相电流和零序电流均方根值的电流信号。本算法得到了在各种故障条件下154kV的韩国输电线的检测。 2基于自适应网络的模糊推理机制
ANFIS由五层组成，每一层都是模糊推理机制的组成部分，执行不同的功能，使用BP方法训练的神经网络、模糊假设和相应的参数可适当调节。 ANFIS是用一个混合学习规则来优化系统的模糊机制参数［1］。如图1的图解所示。 规则1如果x=A1,y=B1，则 f1=p1x+q1y+r1 规则2如果x=A2,y=B2，则 f2=p2x+q2y+r2 图1（a）给出了此模糊模型的推理机制。相应的ANFIS体系结构如图1(b)所示，同一层的节点具有相似的功能。 第n条规则的相应参数(p,q和r)通过优先的多项式形式起作用  2.1ANFIS体系结构 ANFIS体系结构由两套可训练的参数集合组成：   1)先行隶属函数参数｛a,b,c｝，也称预定参数。
2)多项式参数｛p,q,r｝，也称结果参数。 ANFIS训练范围采用梯度下降法来优化先行参数和采用最小平方法来算出结果参数。因它用两种完全不同的算法来减少误差，训练规则可设计成混合的。结果参数先用最小平方算法校正，先行参数再通过BP法误差校正。 ANFIS体系结构由五层组成，每一层的输出节点由相应的输出变量来表征。五层的分类是：1)模糊层（所有的节点是自适应的）；2)联合层（所有的节点是确定的）；3)标准层(所有节点也是确定的)；4)非模糊层（所有节点是自适应的）；5)归纳层（由一个单一的确定的节点组成）。最后一层的结果参数可用一个最小平方法来算出。 2.2混合学习算法 如图1的ANFIS体系结构所示，当预定的参数确定时，整个输出能表示成一个结果参数的线性组合，用符号则图1（b）中的输出f可重写成  在结果参数p1、q1、r1、p2、q2、r2下，f是线性的，故在2.1节里混合学习算法能直接应用。需指出的是，在前向过程的混合学习算法里，节点输出一直到第4层，结果参数用最小平方法来确定，在返回过程中误差信号逆向传播，预定参数用梯度下降法修正，表1总结了每一过程的行为。 如前所述，在预定参数确定的条件下，所得到的结果参数是最优的。因此，混合方法收敛很快，因为它减少了最初BP法的搜索范围。   3故障分类算法
3.1系统模型研究 如图2所示韩国154kV系统的模型系统，它由一个26km长的线路组成，在线路的两端有240MVA和180MVA的双电源，故障数据随故障情况产生，比如故障距离、故障初始角、故障类型的变化。它以每周期64个样本的采样率采样，高阻抗故障模拟仿真是以ZnO避雷器为基础的［2-5］。ZnO避雷器安装在整个输电线模型里，高阻抗故 障的电阻约为200Ω。 3.2故障电流的特征 当故障发生在输电线上时，故障相电流的幅值会增加，常用谐波或者交流补偿分量来说明。然而，在高阻抗故障情况下故障相电流的增加与低阻抗故障情况下相比小很多。每种故障类型的电流均方根值，如预期那样，在低阻抗故障条件下更高。从原理上说，低阻抗故障和高阻抗故障之间的故障分类可从电流均方根值上得知，由表2也可以得知。但是仅推导出均方根值的变化对两相对地故障和两相故障进行分类是不充分的，因为，这两种类型的故障变化相类似，因此必须寻求其他方法来正确区分这些故障类型。 本文中，用相电流和零序电流相结合的均方根值，形成一个故障分类的算法，可以克服上面的问题,原因是两相接地故障同两相故障相比存在零序电流。故障零序电流可由下式计算  其中，Ia、Ib、Ic是相电流。 但在高阻抗故障情况下，零序电流与低阻抗故障情况下相比，增加幅度较少，因此，方程(3)修正为  尽管修正后的零序电流幅值增加，但仍然具有零序电流的特性。每种故障零序电流的均方根值如预期一样，两相故障、三相故障以及正常状态的零序电流幅值接近0，接地故障的幅值为非0值。表3的输出说明了这一点。 文献［6］给出了正常稳态相电流均方根值的条件下，每种故障的零序电流均方根值的分布区域，如图3所示。稳态时为100%，表2对图3进行了总结。 3.3故障分类算法 本文故障分类算法是以故障特性为基础的ANFIS形成的。该算法由三个基本步骤组成：1）获取三相电流；2）计算零序电流；3）用ANFIS推算出故障类型。 若推出的结果是0，则表示非故障位置。若推出的结果为非0, 则说明故障存在并指明故障类型。  图4表示在此处采用的ANFIS体系结构与图1所示的相类似，它由五层组成，因在此处以本算法为基础的ANFIS只有一个输入量，故第2层能与第1层相结合。
使用的三个规则： 规则1如果x=A1,则f1=p1x+r1 规则2如果x=A2,则f2=p2x+r2 规则3如果x=A3,则f3=p3x+r3 不同的层可描述如下： 第1层模糊层。在此处梯形函数用作隶属函数，用4个参数｛ai，bi，ci，di｝说明。  输入x代表该算法相电流和零序电流的均方根值，［ai，bi，ci，di］是参数集合，在这一层，参数是指预定参数。   第2层联合层。在这一层每个节点乘以多个输入的引入信号，但在本算法(方程6)中，仅采用一个输入量，故引入信号的倍增量可以避免。
第3层标准层。这个体系结构有3个规则，在这一层，每个节点以第i条规则与全部规则的触发度之比进行计算。  第4层非模糊层。自适应节点里的每个节点i的节点函数为  w是第3层的输出，｛pi,ri｝是参数集合。 第5层归纳层。在这一层以单个节点来计算所有引入信号作为整个输出  在此处本算法分别由具有a、b、c相和零序电流的4个ANFIS组成。ANFIS的输入是三相电流和零序电流的均方根值，输出值说明了与a、b、c相和零序电流相关的4个类型。 由3.2节可知，若前三个ANFIS的任一输出(Ia，Ib，Ic)为1，则说明是高阻抗故障。为2，表明是低阻抗故障。为0，则无故障。就第4个ANFIS(I0)而言，2、1、0，分别表示高阻抗故障、低阻抗故障的接地故障或接地故障清除，表3是归纳的判据。     4分析归纳
通过仿真可以得到单相对地故障、两相对地故障、两相故障、三相故障所对应的故障分类的各种ANFIS的输出结果。如预期那样，在每一个故障条件下，所有结果都显示正确的输出。更为重要的是，表4的仿真结果表明故障检测和分类整个过程从故障时刻起大约5ms 就可以完成。在低阻抗故障下，该技术性能更完美。 由于故障电流的随机性、不均匀性以及低水平，当使用传统的保护技术时，高阻抗故障在检测和分类上会遇到困难，但使用ANFIS技术，表4对高阻抗单相对地故障的技术性能进行了总结，如预期的那样，在正常稳态条件下，对在高阻抗故障条件下一个高阻抗单相对地故障能给出正确的输出（全部为0）。 如表4所示,本算法在低阻抗故障和高阻抗故障下能在少于半个周期内区分故障类型，且出错率低。分类的时间就是从故障起始时间到分出故障类型的时间，出错率为  本算法的输出包含两层意思，一方面是检测故障，另一方面是对故障分类，也就是说若所有的输出不为0，则意味着有故障，也指明了故障的类型。故障分类错误则意味着输出显示了一个不正确的故障类型。 故障分类错误的原因是暂态现象引起的。故障电流可分成两个分量，即稳态分量和暂态分量。而暂态分量包含两部分，一部分取决于故障处电压波的角度，另一部分是前期故障电流(故障瞬间流过电流)的函数。 在一个多相故障（如两相对地故障、两相故障）的开始瞬间，每相的前期故障电流彼此的幅值和相角不同，相应地每相的暂态电流也彼此不同。故暂态电流的不同可以引起错误的分类结果,但后者仍旧表示发生了故障，且由于时间信号的行为，分类错误的时间很短，因此此时分类错误的影响没有很大关系。如表4所示,一个两相对地故障（线路80%处）有2.81%的最大故障，这相当于约基频的四分之一周期，只有18个样本。故障初始期后，本算法的输出开始表示正确的故障分类。 5结论
在一个包括诸如高阻抗故障的多变系统和故障条件下，传统技术难以处理这些故障（要么就不能检测，要么就不能区分两相对地故障和两相故障），主要是受到所加的低水平故障电流的限制。 在本文中，使用ANFIS形成了一种关于低阻抗故障和高阻抗故障的检测和分类的新算法。ANFIS克服了上面所提及的问题，而且，这种算法能对基于单一算法里的相电流和零序电流的均方根值的输电线进行故障检测和分类。 在各种故障条件下的韩国典型的154kV输电线［6］已测试过本算法的性能，所得的结果很清楚地论证了本算法能在少于半个周期内准确地检测故障并区分故障类型。本算法的优点在于可发展成实时实施并能编码到数字式继电器软件中。 参考文献 ［1］Hines J W.MATLAB Supplement to Fuzzy and Neural Approaches in Engi neering［M］.New York:Wiley，1997 ［2］Lee J B,Lee S J,Kim C H,et al.A Study on the Development and R elaying Scheme Under High Resistance Earth Faults on HV,EHV Line［R］.Electr Eng ng Sci Res Inst，1997 ［3］Kim C H,Aggarwal R K,Johns A T.Digital simulation of the fault transient phenomena on EHV transmission lines under nonlinear high impedance arci ng faults［A］.In:International Conference on Power Systems Transients［C］.Budapest,Hungary：1999.164-168 ［4］Kim C H,Ahn S P.A study on the arc modeling in transmission lines using EMTP［A］.In:International Power Engineering Conference［C］.Singapore： 1999.52-57 ［5］Kim C H,Choi H S,Kang S H,et al.Aneural network approach to th e detection of high impedance faults in transmission networks［A］.In:Internatio nal Power Engineering Conference［C］.Singapore：1999.798-803 ［6］Yeo S M,Kim C H,Hong K S,et al.A novel algorithm for fault cl assification in transmission lines using a combined adaptive network and fuzzy i nference system［A］.In:Electrical Power and Energy［C］.2003.747-758 ［7］刘力丰,高中德,等.电力系统继电保护设计专家系统的模糊知识处理［J］. 电力系统自动化,1997,21(6):34-37 ［8］陈皓.自适应技术在电力系统继电保护中的应用［J］.电力自动化设备,2001 ,21(10):56-61 ［9］刘燕燕,邓红军,等.基于模糊神经网络继电保护装置的仿真研究［J］.电工技术杂志,2002,(9):8-9 ［10］陶小虎，黄明翔.一种基于模糊规则和神经网络的负荷预测方法［J］.电力系统及其自动化学报,2000,12(5):37-54 |
|
·上一篇文章：基于ARENE软件的TCSC特殊触发方式研究 ·下一篇文章：挂式光亮电镀的常见问题及对策 |
| 【打印此文】【关闭窗口】 |
