摘要:隨著電力行業(yè)的快速發(fā)展,電力計量系統(tǒng)作為電能貿(mào)易結(jié)算的重要依據(jù),其準(zhǔn)確性和可靠性至關(guān)重要。對電力計量系統(tǒng)故障進(jìn)行及時、準(zhǔn)確的檢測和診斷,對于保障電力系統(tǒng)的安全運行和電能貿(mào)易的公平、公正具有重要意義?;贐P(BackPropagation)神經(jīng)網(wǎng)絡(luò)構(gòu)建了電力計量系統(tǒng)故障檢測和診斷模型,以CT一次側(cè)短路故障為例,搭建了電力計量系統(tǒng)診斷模型,對電力計量系統(tǒng)故障類型進(jìn)行辨識,通過選取反映計量系統(tǒng)故障的4個參數(shù)作為輸入,利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對故障進(jìn)行檢測和判斷。經(jīng)過測試,該方法能夠有效診斷電力計量系統(tǒng)的故障,并準(zhǔn)確判斷故障類型。
關(guān)鍵詞:電力計量系統(tǒng)BP神經(jīng)網(wǎng)絡(luò)故障檢測故障診斷
中圖分類號:TN911.71 文獻(xiàn)標(biāo)識碼:A
FaultDiagnosisAnalysisofPowerMeteringSystem
OULongSUYingchun
MarketingServiceCenterofStateGridNingxiaElectricPowerCo.,Ltd.,(MetrologyCenterofStateGridNingxiaElectricPowerCo.,Ltd.),Yinchuan,NingxiaHuiAutonomousRegion,750011China
Abstract:Withtherapiddevelopmentofthepowerindustry,theaccuracyandreliabilityofthepowermeteringsystemareveryimportantasanimportantbasisforthesettlementofelectricenergytrade.Itisofgreatsignificancetoensurethesafeoperationofthepowersystemandthefairnessandjusticeofelectricenergytradebytimelyandaccuratedetectionanddiagnosisofpowermeteringsystemfaults.BasedonBackPropagation(BP)neuralnetwork,thefaultdetectionanddiagnosismodelofthepowermeteringsystemwasconstructed,and?;thediagnosismodelofthepowermeteringsystemwasbuiltbytakingtheCTprimarysideshort-circuitfaultasanexample,andthefaulttypeofthepowermeteringsystemwasidentified,andthefourparametersreflectingthefaultofthemeteringsystemwereselectedasinputs,andthetrainedBPneuralnetworkmodelwasusedtodetectandjudgethefault.Aftertesting,themethodcaneffectivelydiagnosethefaultofthepowermeteringsystemandaccuratelydeterminethefaulttype.
KeyWords:Powermeteringsystem;BPneuralnetwork;Faultdetection;Faultdiagnosis
隨著電力行業(yè)的迅猛發(fā)展,電力計量系統(tǒng)作為電能貿(mào)易結(jié)算的重要依據(jù),其準(zhǔn)確性和可靠性顯得尤為重要。電力計量系統(tǒng)的故障檢測和診斷不僅關(guān)系到電力系統(tǒng)的安全運行,還直接影響電能貿(mào)易的公平性和公正性。本研究旨在利用BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)構(gòu)建電力計量系統(tǒng)的故障檢測和診斷模型,重點分析CT一次側(cè)短路故障,通過實際測試驗證方法的有效性和準(zhǔn)確性。研究的創(chuàng)新點在于將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于電力計量系統(tǒng)故障檢測,選取4個關(guān)鍵參數(shù)作為輸入,提升了故障診斷的準(zhǔn)確性和效率,為電力系統(tǒng)的穩(wěn)定運行提供了技術(shù)保障。
1BP神經(jīng)網(wǎng)絡(luò)算法
BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò),其廣泛應(yīng)用于預(yù)測和數(shù)據(jù)壓縮、故障識別等場景中。
1.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示,BP神經(jīng)網(wǎng)絡(luò)為前向型結(jié)構(gòu),主要由輸出層、輸入層和多個隱含層組成,每層擁有多個節(jié)點,相同或相鄰層節(jié)點之間通過權(quán)值進(jìn)行連接[1]。
BP神經(jīng)網(wǎng)絡(luò)的過程分為信號正向傳播和誤差反向傳播,其中信號正向傳播主要從輸入層傳輸至隱含層,最后到達(dá)輸出層;誤差反向傳播起點為輸出層,從輸出層傳輸至隱含層,最后到達(dá)輸入層[2]。
1.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法和改進(jìn)
1.2.1BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
以圖1三層BP神經(jīng)網(wǎng)絡(luò)推導(dǎo)學(xué)習(xí)算法,BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)正向傳播時,輸出層和輸入層的輸出如下。
式(1)、式(2)、式(3)、式(4)中,為輸入樣本數(shù)量;分別為輸出層、隱含層和輸入層節(jié)點數(shù);為隱含層節(jié)點輸出值;為輸入層神經(jīng)元輸入值;為輸出層節(jié)點輸出量;為輸出層節(jié)點期望輸出;為隱含層節(jié)點凈輸入值;為輸出層節(jié)點凈輸入值;為節(jié)點到達(dá)隱含層節(jié)點的權(quán)值;為隱含層節(jié)點到達(dá)輸出層節(jié)點的連接權(quán)值。式(1)和式(3)中,導(dǎo)數(shù)為,激勵函數(shù)為。BP神經(jīng)網(wǎng)絡(luò)主要受誤差函數(shù)E的影響,E的值越小性能越好。
1.2.2BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)
BP神經(jīng)網(wǎng)絡(luò)具有較強的容錯能力和非線性問題處理能力,但是其學(xué)習(xí)收斂速度較慢,如果BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率設(shè)置過小,其迭代次數(shù)會增加,運算時間將延長,進(jìn)而導(dǎo)致學(xué)習(xí)收斂速度減慢。如果學(xué)習(xí)速率設(shè)置過大,其會出現(xiàn)振蕩情況,導(dǎo)致無法收斂[3]。
針對該問題,可以采用學(xué)習(xí)率自適應(yīng)調(diào)節(jié)方法,在BP神經(jīng)網(wǎng)絡(luò)梯度下降法中,BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為常數(shù),可以通過經(jīng)驗法確定其學(xué)習(xí)效率,或在訓(xùn)練過程中,觀察BP神經(jīng)網(wǎng)絡(luò)不同學(xué)習(xí)率下的誤差變化情況,然后利用式(5)判斷BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)速率是否需要增加或減少。
(5)
式(5)中:當(dāng)kinc>1時,表示BP神經(jīng)網(wǎng)絡(luò)誤差較小,可以適當(dāng)提高學(xué)習(xí)速率;當(dāng)kdec<1時,表示BP神經(jīng)網(wǎng)絡(luò)誤差較大,需要適當(dāng)減小學(xué)習(xí)速率[4]。
2基于BP神經(jīng)網(wǎng)絡(luò)的電力計量系統(tǒng)故障診斷分析
2.1電力計量系統(tǒng)故障檢測和判斷說明
2.1.1電力計量系統(tǒng)故障檢測
圖2所示電力計量系統(tǒng)故障檢測原理圖,圖中1、2為電度表計量單元,CT1、CT2為電流互感器;PT1、PT2為電壓互感器;IC、IA為A相和C電流;Ic、Ia、Uc、Ua為計量單元電流和電壓;ua、uc為電流互感器檢測信號。
電力計量系統(tǒng)故障分為隱性故障和顯性故障,其中顯性故障可以通過檢測儀表判斷是否存在故障;隱性故障主要通過觀察電力計量系統(tǒng)網(wǎng)絡(luò)阻抗變化情況判斷其是否存在故障[5]。
2.1.2判斷設(shè)定
根據(jù)圖1所示電力計量系統(tǒng)故障檢測和診斷圖,本文將其故障類型分為以下幾種,如表1所示。
2.2電力計量系統(tǒng)故障樣本處理
根據(jù)選擇的電力計量系統(tǒng)運行參數(shù)故障特性,總結(jié)出電力計量系統(tǒng)正常情況下4種樣本故障特性模式。通過搭建測試平臺,將采集的樣本數(shù)據(jù)導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。在故障數(shù)據(jù)訓(xùn)練過程中,由于神經(jīng)網(wǎng)絡(luò)輸入要求和輸出要求數(shù)據(jù)范圍為[0,1],但電力計量系統(tǒng)電壓和電流輸入不在該范圍內(nèi),因此本二維利用歸一化方法對數(shù)據(jù)進(jìn)行處理:
式(6)、式(7)中:y為歸一化輸出值;x為系統(tǒng)輸入值。
將4種故障信息進(jìn)行歸一化處理后可以獲取故障特性信息,將其作為神經(jīng)網(wǎng)絡(luò)輸入值和輸出值,然后利用0001~1000四位二進(jìn)制數(shù)表示正常情況和4種故障類型。
2.3網(wǎng)絡(luò)訓(xùn)練和診斷測試
診斷測試試驗采用單隱層BP神經(jīng)網(wǎng)絡(luò),隱含層數(shù)設(shè)置為8個,本文構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為4-8-4。輸出層和隱含層采用logsig函數(shù)作為神經(jīng)元傳遞函數(shù),并采用BP學(xué)習(xí)算法對故障參數(shù)進(jìn)行訓(xùn)練,訓(xùn)練次數(shù)為10000次,學(xué)習(xí)速率設(shè)置為0.1,誤差為0.01,動量因子設(shè)置為0.8。對訓(xùn)練好的網(wǎng)絡(luò),通過改變計量系統(tǒng)負(fù)載值,并采集另外80組樣本對網(wǎng)絡(luò)進(jìn)行測試,根據(jù)測試數(shù)據(jù),分析出對應(yīng)的測試結(jié)果:ua測試結(jié)果明顯低于其他測試參數(shù),將該組測試數(shù)據(jù)輸入網(wǎng)絡(luò)模型值進(jìn)行訓(xùn)練。該組數(shù)據(jù)故障類型為CT1一次側(cè)短路故障,該組數(shù)據(jù)實際測試結(jié)果為8.54×10-6、1.37×10-6、1.0000、0.2601,該組數(shù)據(jù)對應(yīng)二進(jìn)制編碼為0010,通過對比表1所示故障類型,判斷該組數(shù)據(jù)為CT1一次側(cè)短路故障,與實際故障情況相符,由此說明經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)可以診斷出故障類型,并且符合預(yù)期結(jié)果。
3結(jié)論
綜上所述,本文針對電力計量系統(tǒng)常見隱性故障和顯性故障,構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)檢測和診斷模型,選取4組可以反映電力計量系統(tǒng)的故障參數(shù),利用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型對故障進(jìn)行檢測和判斷。最后利用單BP神經(jīng)網(wǎng)絡(luò)對試驗數(shù)據(jù)進(jìn)行了測試,測試結(jié)果與預(yù)期結(jié)果一致,證明本文提出電力計量系統(tǒng)故障檢測和診斷方法可以有效判斷電力計量系統(tǒng)故障。
參考文獻(xiàn)
[1]姜俊秋,車德敏.基于人工智能的電力系統(tǒng)故障檢測與自動修復(fù)方法研究[J].電氣技術(shù)與經(jīng)濟(jì),2024(3):22-24.
[2]靳君,賀明強,宋德琦,等.基于智能技術(shù)的電力系統(tǒng)故障檢測方法分析[J].集成電路應(yīng)用,2024,41(2):220-221.
[3]袁衛(wèi),劉正明,張明,等.基于神經(jīng)網(wǎng)絡(luò)的電力計量自動監(jiān)測流水線固定診斷系統(tǒng)設(shè)計及仿真[J].微型電腦應(yīng)用,2022,38(3):94-97.
[4]李慧聰,鄭寬昀,徐鋒,等.基于物聯(lián)網(wǎng)技術(shù)的智能電力計量系統(tǒng)研究[J].能源與環(huán)保,2022,44(1):230-235.
[5]歐振國,張永旺,舒曄,等.基于J2EE的電力計量管理信息系統(tǒng)設(shè)計[J].自動化應(yīng)用,2021(8):67-69.