孫 波 黃建波 陸 潔 王 軒

（國(guó)網(wǎng)淮安供電公司 淮安 223002）

1 引言

微電網(wǎng)是分布式發(fā)電、儲(chǔ)能設(shè)備、負(fù)荷和其他設(shè)備集成在一起的小型配電系統(tǒng)。這是分布式電源接入電網(wǎng)的一種有效方法。它具有靈活的操作方式和各種拓?fù)浣Y(jié)構(gòu)特點(diǎn)。目前，微電網(wǎng)系統(tǒng)的研究主要集中在控制和能量管理［1～4］，而微電網(wǎng)系統(tǒng)故障診斷的研究較少。

文獻(xiàn)［5］提出了一種利用改進(jìn)蟻群算法和模糊Petri網(wǎng)進(jìn)行風(fēng)力發(fā)電微電網(wǎng)仿真系統(tǒng)故障診斷的方法。文獻(xiàn)［6］在診斷規(guī)則的基礎(chǔ)上，建立了微電網(wǎng)故障診斷的分析模型。文獻(xiàn)［7］為微電網(wǎng)的拓?fù)渥R(shí)別設(shè)計(jì)了Agent和MAS體系結(jié)構(gòu)，并在此基礎(chǔ)上提出了一種基于petri網(wǎng)和先進(jìn)的petri網(wǎng)的故障診斷模型。文獻(xiàn)［8］基于模糊神經(jīng)網(wǎng)絡(luò)對(duì)低壓配電網(wǎng)的故障定位算法進(jìn)行了研究。文獻(xiàn)［9］對(duì)微電網(wǎng)基礎(chǔ)設(shè)施的故障診斷方法進(jìn)行了總結(jié)。

基于上述研究成果，本文提出了一種將小波SOM神經(jīng)網(wǎng)絡(luò)與多Agent系統(tǒng)相結(jié)合的微網(wǎng)系統(tǒng)故障診斷方法，仿真結(jié)果證明了該方法在微電網(wǎng)故障診斷上的可行性，且該方法具有不受故障位置、故障時(shí)間等因素的影響，對(duì)微網(wǎng)拓?fù)浣Y(jié)構(gòu)的變化具有較好的適應(yīng)性等優(yōu)勢(shì)。

2 小波奇異熵

小波變換可以將信號(hào)分解為一系列小波函數(shù)，可以在時(shí)域和頻域上反映信號(hào)［10］。這是分析靜止信號(hào)或信號(hào)奇異性的有效方法，它常用于有瞬態(tài)信號(hào)的故障條件［11］。

矩陣特征可以通過特征值分解得到，但矩陣必須是一個(gè)方陣。實(shí)際上大多數(shù)矩陣都不是方陣，但是小波奇異分解是一種對(duì)任何矩陣都適用的方法［12～13］。如果 A是一個(gè) M×N矩陣，U是一個(gè) M×M方陣，Σ是一個(gè)M×N矩陣，VT是一個(gè)N×N矩陣，那么任何M×N矩陣A的奇異值分解都可以表示為

通過信號(hào)小波變換得到的系數(shù)矩陣可以分解為DM×N矩陣。矩陣DM×N可以反映原始系數(shù)矩陣的基本特征。此時(shí)必須有矩陣和Vl×N。

在對(duì)角矩陣 Rl×l中的主對(duì)角元素是矩陣 DM×N的奇異值，若矩陣DM×N反映瞬態(tài)信號(hào)的時(shí)間頻率信息，則矩陣rι˙可以表示矩陣DM×N的基本模態(tài)特性。為了描述信號(hào)的頻率分量和分布特性，小波奇異熵定義如下：

在實(shí)際電網(wǎng)故障診斷工作中，由于多種干擾因素的影響，直接使用采集數(shù)據(jù)通常無(wú)法直觀確定故障位置或者故障原因。小波奇異熵可以反映分析信號(hào)能量分布的隨故障的變化而變化的不確定性。當(dāng)故障發(fā)生時(shí)，故障相位的不確定度大于非故障相位的不確定度，因此利用小波奇異熵進(jìn)行故障診斷在理論上具有可行性［14］。

3 基于Som神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的微電網(wǎng)故障診斷方法

3.1 SOM神經(jīng)網(wǎng)絡(luò)

SOM神經(jīng)網(wǎng)絡(luò)由輸入層和競(jìng)爭(zhēng)層組成。輸入層神經(jīng)元是一個(gè)一維的N個(gè)節(jié)點(diǎn)，競(jìng)爭(zhēng)層也是輸出層、節(jié)點(diǎn)被安排在二維的形式與M神經(jīng)元，神經(jīng)元在輸入層和競(jìng)爭(zhēng)層連接的權(quán)重，這是外部輸入的連接權(quán)值。在競(jìng)爭(zhēng)層神經(jīng)元之間也有權(quán)值的連接，它的權(quán)值反映了神經(jīng)元之間的相互作用［15］。

圖1 SOM神經(jīng)網(wǎng)絡(luò)模型

SOM神經(jīng)網(wǎng)絡(luò)可以在沒有外部幫助的情況下通過自組織學(xué)習(xí)來(lái)顯示競(jìng)爭(zhēng)層的分類結(jié)果。SOM神經(jīng)網(wǎng)絡(luò)通過對(duì)輸入方式的重復(fù)學(xué)習(xí)，實(shí)現(xiàn)對(duì)連接權(quán)重的空間分布密度和輸入模式的概率分布的收斂。

3.2 多Agent系統(tǒng)

多Agent系統(tǒng)由多個(gè)分布在不同位置的Agent單元組成，這些Agent單元可以由不同的軟件和硬件平臺(tái)來(lái)實(shí)現(xiàn)。每個(gè)Agent單元可以獨(dú)立解決有限的問題。通過與其他Agent進(jìn)行交互，它可以解決復(fù)雜的問題［16］。

本文設(shè)計(jì)的一種基于多Agent系統(tǒng)的動(dòng)態(tài)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)識(shí)別故障診斷模型包括三個(gè)部分：監(jiān)視器Agent、ID Agent和Aco。系統(tǒng)模型如圖2所示。

圖2 多Agent系統(tǒng)模型

監(jiān)視器Agent對(duì)環(huán)境的節(jié)點(diǎn)數(shù)進(jìn)行監(jiān)控，記錄當(dāng)前正在運(yùn)行的節(jié)點(diǎn)數(shù)Max（i），i=（1，2，……，N）。然后激活與當(dāng)前運(yùn)行節(jié)點(diǎn)數(shù)量相同的ID Agent，每個(gè)激活的ID Agent對(duì)應(yīng)正在運(yùn)行的節(jié)點(diǎn)。當(dāng)外部環(huán)境中的節(jié)點(diǎn)數(shù)量發(fā)生變化時(shí)，當(dāng)環(huán)境中的節(jié)點(diǎn)數(shù)量發(fā)生變化時(shí)，根據(jù)Max（i）的值相應(yīng)地對(duì)ID Agent的數(shù)量進(jìn)行修改。

在ID Agent層，通過識(shí)別每個(gè)ID Agent的所有鄰居Agent，將鄰居Agent矩陣轉(zhuǎn)移到Aco。

在Aco層，得到最終的拓?fù)渥R(shí)別矩陣。該矩陣是當(dāng)前系統(tǒng)的拓?fù)浣Y(jié)構(gòu)的數(shù)學(xué)表示形式，可以用來(lái)確定拓?fù)渥兓奈恢煤蜁r(shí)間。

3.3 用于網(wǎng)絡(luò)拓?fù)浔O(jiān)測(cè)的鄰居Agent的搜索算法

基于算法流程簡(jiǎn)潔的考慮，假定網(wǎng)絡(luò)中數(shù)值包的丟失和干擾不考慮的；每個(gè)ID Agent至少有一個(gè)鄰居Agent；鄰居Agent矩陣中元素的值只能是0或1，0不是鄰居Agent，1是鄰居Agent，ID Agent自身的元素值是0。

算法步驟描述如下：

步驟1：根據(jù)監(jiān)測(cè)代理監(jiān)控的運(yùn)行節(jié)點(diǎn)N的數(shù)量，建立相應(yīng)的ID Agent，然后對(duì)其進(jìn)行編號(hào)。每個(gè)ID Agent都有一個(gè)帶有隨機(jī)初始值的鄰居代理矩陣。

步驟2：所有ID Agent按序號(hào)按升序排列。

步驟3：以最小號(hào)為起始ID Agent的ID Agent，依次將1包的值發(fā)送給剩余的代理ID地址，此包只能由ID代理接收一次。

步驟4：如果目標(biāo)ID、代理ID接收一個(gè)值為0，然后返回到啟動(dòng)代理ID，則啟動(dòng)ID代理將在鄰居矩陣元素集合用1中表示目標(biāo)ID代理，否則設(shè)置為0。

步驟5：重復(fù)步驟4，直到確定初始ID代理鄰居矩陣中的所有值，然后將相鄰矩陣轉(zhuǎn)移到Aco。

步驟6：重復(fù)步驟3～步驟5，直到所有ID Agent將其鄰居代理矩陣轉(zhuǎn)移到Aco。

步驟7：完成。

3.4 基于SOM神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的微電網(wǎng)故障診斷方法

基于小波SOM神經(jīng)網(wǎng)絡(luò)和多Agent系統(tǒng)的故障診斷模型如圖3所示。

基于圖3所示的模型，設(shè)計(jì)微電網(wǎng)故障診斷算法流程為：

步驟1：收集并存儲(chǔ)了不同運(yùn)行模式下的低壓斷路器的三相電壓、母線三相電流、正常運(yùn)行的零序電流和微電網(wǎng)系統(tǒng)故障。

步驟2：利用小波變換對(duì)采集到的信號(hào)進(jìn)行分解，計(jì)算出每個(gè)信號(hào)的小波奇異熵。對(duì)同一運(yùn)行狀態(tài)下的單信號(hào)小波奇異熵值進(jìn)行求和，并對(duì)計(jì)算結(jié)果進(jìn)行保存。

步驟3：使用第2步的保存的數(shù)據(jù)對(duì)SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

步驟4：根據(jù)設(shè)定的時(shí)間間隔，實(shí)時(shí)采集微網(wǎng)系統(tǒng)的低壓斷路器三相電壓、母線三相電流、零序電流等數(shù)據(jù)。對(duì)實(shí)時(shí)采集數(shù)據(jù)進(jìn)行小波處理，處理后的數(shù)據(jù)是訓(xùn)練完成的SOM神經(jīng)網(wǎng)絡(luò)的輸入向量。根據(jù)SOM神經(jīng)網(wǎng)絡(luò)的輸出狀態(tài)值，進(jìn)行故障判斷。

圖3 故障診斷模型

步驟5：如果發(fā)生故障，微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)發(fā)生變化的位置就是故障的位置。如果沒有發(fā)生故障，微電網(wǎng)拓?fù)浣Y(jié)果的變化則表示電力設(shè)備的入網(wǎng)和退出運(yùn)行。

4 仿真驗(yàn)證

基于PSCAD微電網(wǎng)仿真系統(tǒng)如圖4所示。基于圖4對(duì)不同運(yùn)行模式下微電網(wǎng)的狀態(tài)進(jìn)行模擬分析。

多Agent系統(tǒng)的特征向量數(shù)據(jù)采用周期為100ms，采樣頻率為10kMhz。對(duì)采集到的信號(hào)進(jìn)行小波分解，分別計(jì)算同一采樣周期內(nèi)各特征向量的小波奇異熵的和作為SOM神經(jīng)網(wǎng)絡(luò)的輸入特征向量。當(dāng)在采樣周期內(nèi)拓?fù)浣Y(jié)構(gòu)只改變一次時(shí)，典型采樣數(shù)據(jù)如表1所示。

對(duì)表1的數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)：S1～S3為正常運(yùn)行狀態(tài)，電網(wǎng)負(fù)荷從60%逐漸增至額定負(fù)載；S4～S6為外部故障狀態(tài)，電網(wǎng)滿負(fù)荷工作；S7～S9出現(xiàn)不同位置的單相接地短路故障，電網(wǎng)滿負(fù)荷運(yùn)行，3臺(tái)分布式電源分別停止運(yùn)行；S10～S12為不同位置的AB相接地短路狀態(tài)，電網(wǎng)滿負(fù)荷運(yùn)行，3個(gè)分布式發(fā)電設(shè)備分別停止運(yùn)行。

圖4 微電網(wǎng)仿真系統(tǒng)圖

表1 SOM神經(jīng)網(wǎng)絡(luò)的典型初始樣本

為了便于數(shù)據(jù)處理，對(duì)表1中的數(shù)據(jù)進(jìn)行歸一化處理，并作為訓(xùn)練數(shù)據(jù)輸入到SOM神經(jīng)網(wǎng)絡(luò)中，優(yōu)化調(diào)整權(quán)值。由于輸入特征向量為7，因此SOM神經(jīng)網(wǎng)絡(luò)的輸入層有7個(gè)神經(jīng)元，輸出層有49*（7*7）個(gè)神經(jīng)元。

雖然樣本數(shù)據(jù)已經(jīng)被初始分類了，但當(dāng)訓(xùn)練步驟為50步時(shí)，樣本數(shù)據(jù)不能單獨(dú)分類，所以初始分類不夠準(zhǔn)確。當(dāng)訓(xùn)練步數(shù)達(dá)到300次時(shí)，樣本數(shù)據(jù)可以被單獨(dú)分類。SOM神經(jīng)網(wǎng)絡(luò)的仿真訓(xùn)練結(jié)果如圖5～圖7所示。

將實(shí)時(shí)采集數(shù)據(jù)輸入SOM神經(jīng)網(wǎng)絡(luò)，每個(gè)狀態(tài)所對(duì)應(yīng)的輸出為

已知故障模式和故障位置的測(cè)試樣本數(shù)據(jù)如表2所示。對(duì)這些樣本數(shù)據(jù)進(jìn)行歸一化處理，并輸入SOM神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測(cè)計(jì)算，以驗(yàn)證該故障診斷方法的可行性。

通過計(jì)算，樣本1的故障定位在12號(hào)線路，樣本2的故障定位在11號(hào)線路，樣本3的故障定位在6號(hào)線路。SOM神經(jīng)網(wǎng)絡(luò)的輸出為Y=［7 3 43］。

圖5 初始輸出映射圖

圖6 完成訓(xùn)練后的輸出映射圖

圖7 完成訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)向量圖

表2 已知故障樣本數(shù)據(jù)

利用多Agent系統(tǒng)對(duì)斷路器的監(jiān)控識(shí)別微電網(wǎng)發(fā)生故障后的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。當(dāng)把表2樣本數(shù)據(jù)所示的故障發(fā)生后，基于多Agent系統(tǒng)所識(shí)別的微電網(wǎng)拓?fù)浣Y(jié)構(gòu)變化如圖8所示。

圖8 對(duì)故障狀態(tài)下微電網(wǎng)拓?fù)涞淖R(shí)別

由圖8可知，故障線路與樣本數(shù)據(jù)所對(duì)應(yīng)的故障位置一致。

對(duì)另外100個(gè)發(fā)生在不同時(shí)間的故障樣本數(shù)據(jù)進(jìn)行相同的仿真測(cè)試，得出以下測(cè)試結(jié)果：對(duì)其中25例正常運(yùn)行的微電網(wǎng)樣本數(shù)據(jù)的仿真測(cè)試中，出現(xiàn)2例因工作負(fù)荷變化的誤判；對(duì)其中25例全負(fù)荷工作的外部電源故障的微電網(wǎng)樣本數(shù)據(jù)的仿真測(cè)試，出現(xiàn)1例誤判；對(duì)其中25例全負(fù)荷工作的A相接地短路故障的微電網(wǎng)樣本數(shù)據(jù)的仿真測(cè)試，測(cè)試中故障部位各不相同且3臺(tái)分布式發(fā)電設(shè)備分別失效，測(cè)試結(jié)果出現(xiàn)3次誤判；對(duì)其中25例全負(fù)荷工作的AB相接地短路的微電網(wǎng)樣本數(shù)據(jù)，測(cè)試中故障部位各不相同且3臺(tái)分布式發(fā)電設(shè)備分別失效，測(cè)試結(jié)果出現(xiàn)2次誤判。對(duì)這100例的仿真測(cè)試結(jié)果進(jìn)行統(tǒng)計(jì)得出，采用本文所述的診斷方法的正確診斷率是92%。

5 結(jié)語(yǔ)

本文針對(duì)具有靈活運(yùn)行模式和多種拓?fù)浣Y(jié)構(gòu)的微電網(wǎng)系統(tǒng)的故障診斷，提出了一種多Agent系統(tǒng)與小波自組織神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障診斷方法。仿真測(cè)試的結(jié)果表明，在一個(gè)采樣周期內(nèi)，當(dāng)微電網(wǎng)的拓?fù)浣Y(jié)構(gòu)只有一個(gè)變化時(shí)，該方法具有很好的適應(yīng)性，不受故障位置或故障時(shí)間的影響。它可以減少小波SOM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，準(zhǔn)確判斷微電網(wǎng)故障定位和故障原因。在一個(gè)采用周期內(nèi)出現(xiàn)多處微電網(wǎng)故障的拓?fù)渥R(shí)別以及故障診斷的研究將有待于進(jìn)一步的研究。