在配网终端中自适应处理故障的方法

摘要

本发明涉及电力配电技术和神经网络技术领域，其公开了一种在配网终端中自适应处理故障的方法，包括如下步骤：(a)构造配网终端神经网络单元的输入向量和输出向量；(b)初始化神经网络；(c)用样本对神经网络进行训练；(d)用训练后的神经网络单元处理配网故障；(e)配电网络变化时用新样本训练神经网络以自适应配电网络变化。本发明的有益效果是：本发明利用神经网络的自学习和自适应能力，使终端能自行处理复杂的多供电途径的网格状配电网故障，并能自适应配电网络结构的变化，可在紧急状态下不依赖于主站实现故障的紧急处理。

权利要求

1.一种在配网终端中自适应处理故障的方法，其特征在于，包括如下步骤：

(a)构造配网终端神经网络单元的输入向量和输出向量；

(b)初始化神经网络；

(c)用样本对神经网络进行训练；

(d)用训练后的神经网络单元处理配网故障；

(e)配电网络变化时用新样本训练神经网络以自适应配电网络变化。

2.根据权利要求1所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(a)进一步包括以下步骤：(a1)按配网终端流经故障电流以及位置构造配网终端神经网络单元的输入向量；(a2)按配网终端所在的开关及断路器分合状态构造配网终端神经网络单元的输出向量。

3.根据权利要求1所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(b)中，通过利用电力专家经验初始化神经网络。

4.根据权利要求3所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(c)进一步包括：(c1)计算中间层、输出层各神经元输出；(c2)计算期望输出与实际输出误差；(c3)反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；(c4)若误差满足要求则结束训练；反之则重复训练。

5.根据权利要求1所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(d)进一步包括：(d1)配网终端检测到故障电流，接收关联终端的相应信息；(d2)将接收到信息做为终端神经网络单元输入，终端由相应的神经网络单元输出来操作分段开关和联络开关以及断路器；(d3)完成配电网络的故障隔离和负荷转移。

6.根据权利要求1所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(e)进一步包括：(e1)根据配电网络变化得到新的样本；(e2)用新样本训练神经网络；(e3)训练完成后的神经网络能自适应配电网络变化。

7.根据权利要求3所述在配网终端中自适应处理故障的方法，其特征在于：所述步骤(b)中，利用电力专家对配电故障的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。

说明书

技术领域

本发明涉及电力配电技术和神经网络技术领域，特别涉及一种在配网终端中自适应处理故障的方法。

背景技术

配电网自动化系统远方终端是用于配电网配电回路的各种配电远方终端、配电变压器远方终端以及中压监控单元(配电自动化及管理系统子站)等设备的统称。神经网络的基本单元是神经元模型。神经元模型是模拟生物神经元的结构和功能的数学化模型，一般是一个多输入单输出非线性的信息处理单元。神经网络的基本形式有前向网络、反馈网络、相互结合型网络和混合型网络。应用较多的神经网络模型有Hopfield网络、BP网络、Blotaman网络、ART网络。Hopfield网络是最典型的反馈网络模型，主要用于制约优化和联想记忆。BP网络是反向传播网络，它是一种多层前向网络，可用于语言识别和自适应控制。Blotaman网络是典型的随机网络模型，主要用于模式识别。ART网络是一种自组织网络模型，主要用于模式识别。神经网络的学习算法分为两大类：有教师学习和无教师学习。有教师学习是指在神经网络训练过程中，始终存在一个期望的网络输出，期望输出与实际输出之间的距离作为误差度量并用于调整网络连接权系数。无教师学习是指网络不存在一个期望的输出值，因而没有直接的误差信息。
馈线自动化是提高配电网可靠性的关键技术之一，目的是实现在馈线运行发生故障时，能自动进行故障定位，实施故障隔离和恢复对健全区域的供电，提高供电可靠性。馈线自动化的实现有三种基本类型，第一种是重合器方式，利用具有就地控制功能的线路自动重合器和分段器实现，这种简单而有效的方式能够提高供电可靠性，其突出优点是功能独立，无需外界干涉，封装性好，相对于传统的电流保护有较大的优势。该方案的缺点是故障隔离的时间较长，且多次重合对相关的负荷有一定影响，影响电能质量。第二种是主站式方式，完全由主站实现的配电故障紧急控制。主站监控方式中故障识别、故障网络拓朴分析、故障定位、故障负荷转移都由配电主站集中处理，形成顺序控制策略，再通过远方通信逐项完成。配电网紧急控制功能及逻辑完全做在主站中，对配电终端仅要求具有RTU功能，对配电网通信的依赖性强，当通信系统发生故障或控制中心故障，则不可避免地导致整个控制系统瘫痪，失去故障隔离、恢复供电功能。这种完全依赖通信的主站集中式控制模式可靠性较差，应当考虑紧急控制功能的分布实现与下放。第三种是利用配网终端就地控制方式，该方式利用配网终端完成配电故障紧急控制功能，能够提高现有的配电自动化系统在紧急控制下的可靠性，减轻自动化系统对通信可靠性及配电主站可靠性的要求。现在的配网终端就地控制方式是配网终端通过与临近终端的通信，判别故障电流是否流过自己与临近的终端，来确定故障的位置。如果故障电流通过自己而未通过临近终端，则故障在自己与临近终端之间，如果都通过，则故障不在两者之间。现在的配网终端就地控制方式的缺点在于终端必须依赖于预先设定的参数，只能用于固定的简单的辐射网和环网，当配电网络发生改变时不能自适应网络的变化。

发明内容

为了解决现有技术中的问题，本发明提供了一种在配网终端中自适应处理故障的方法，解决为克服现有配网终端就地控制时，终端必须依赖于预先设定的参数，只能用于固定的简单的辐射网和环网，当配电网络发生改变时不能自适应网络的变化的问题，达到使配网终端能处理复杂的多供电途径的网格状配电网故障，并能自适应配电网络的变化。
本发明解决现有技术问题所采用的技术方案是：设计和制造一种在配网终端中自适应处理故障的方法，包括如下步骤：(a)构造配网终端神经网络单元的输入向量和输出向量；(b)初始化神经网络；(c)用样本对神经网络进行训练；(d)用训练后的神经网络单元处理配网故障；(e)配电网络变化时用新样本训练神经网络以自适应配电网络变化。
本发明进一步的改进是：所述步骤(a)进一步包括以下步骤：(a1)按配网终端流经故障电流以及位置构造配网终端神经网络单元的输入向量；(a2)按配网终端所在的开关及断路器分合状态构造配网终端神经网络单元的输出向量。
本发明进一步的改进是：所述步骤(b)中，通过利用电力专家经验初始化神经网络。
本发明进一步的改进是：所述步骤(c)进一步包括：(c1)计算中间层、输出层各神经元输出；(c2)计算期望输出与实际输出误差；(c3)反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；(c4)若误差满足要求则结束训练；反之则重复训练。
本发明进一步的改进是：所述步骤(d)进一步包括：(d1)配网终端检测到故障电流，接收关联终端的相应信息；(d2)将接收到信息做为终端神经网络单元输入，终端由相应的神经网络单元输出来操作分段开关和联络开关以及断路器；(d3)完成配电网络的故障隔离和负荷转移。
本发明进一步的改进是：所述步骤(e)进一步包括：(e1)根据配电网络变化得到新的样本；(e2)用新样本训练神经网络；(e3)训练完成后的神经网络能自适应配电网络变化。
本发明进一步的改进是：所述步骤(b)中，利用电力专家对配电故障的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。
本发明的有益效果是：本发明在配网终端中用神经网络程序来处理配电网络故障，使配网终端在就地控制时，不再依赖于预先设定的参数，不仅仅只用于固定的简单的辐射网和环网；同时，其利用神经网络的自学习和自适应能力，使终端能自行处理复杂的多供电途径的网格状配电网故障，并能自适应配电网络结构的变化，可在紧急状态下不依赖于主站实现故障的紧急处理。

附图说明

图1是本发明在配网终端中自适应处理故障的方法流程图。
图2是本发明中配网故障处理的神经网络程序训练流程示意图。
图3是本发明中配网故障处理流程示意图。
图4是本发明中配电网络变化的自适应处理示意框图。

具体实施方式

下面结合附图对本发明作进一步说明。
如图1所示，一种在配网终端中自适应处理故障的方法，包括如下步骤：a构造配网终端神经网络单元的输入向量和输出向量；b利用电力专家经验初始化神经网络；c用样本对神经网络进行训练；d用训练后的神经网络单元处理配网故障；e配电网络变化时用新样本训练神经网络以自适应配电网络变化。
所述步骤a进一步包括以下步骤：
a1按配网终端流经故障电流以及位置构造配网终端神经网络单元的输入向量；
a2按配网终端所在的开关及断路器分合状态构造配网终端神经网络单元的输出向量。
所述步骤c进一步包括：c1计算中间层、输出层各神经元输出；c2计算期望输出与实际输出误差；c3反向传递误差，调整中间层与输入层以及输出层与中间层的连接权值；c4若误差满足要求则结束训练；反之则重复训练。
所述步骤d进一步包括：d1配网终端检测到故障电流，接收关联终端的相应信息；d2将接收到信息做为终端神经网络单元输入，终端由相应的神经网络单元输出来操作分段开关和联络开关以及断路器；d3完成配电网络的故障隔离和负荷转移。
述步骤e进一步包括：e1根据配电网络变化得到新的样本；e2用新样本训练神经网络；e3训练完成后的神经网络能自适应配电网络变化。
所述步骤b中，利用电力专家对配电故障的处理经验，确定中间层与输入层以及输出层与中间层的连接权值的初始值。
在本发明的一个实施例中，系统中将配电上的断路器、分段开关和联络开关当作节点并进行编号，构造网络描述矩阵。其中分段开关所在配网终端与断路器所在配网终端以及相应联络开关所在配网终端，按流经故障电流以及位置构造神经网络输入参数，各配网终端所在的开关及断路器分合状态做为神经网络输出。
图3中，为在配网故障处理的神经网络单元(这里可为神经网络程序)的训练方法，网络可采用BP神经网络，其基于误差传递算法，须通过学习样本与教师样本得出输出层误差，通过每层的误差传递调整神经网络，改变输出误差，以使输出误差小于给定误差指标。
神经网络学习时有可能陷入局部极小值，需要对学习次数作限制，以当陷入局部极小值时能跳出循环。训练神经网络程序时，程序中设定的中间层节点数以及学习速率都会影响网络收敛速度，即对训练次数造成影响。若中间层节点数太少，网络可能根本不能训练或网络性能很差；若中间层节点数太多，虽然可使网络的系统误差减小，但一方面使网络训练时间延长，另一方面，训练容易陷入局部极小点而得不到最优点，也容易出现“过拟合”。学习速率在0和1之间取值，取值较大容易使网络不稳定，取值较小会使训练时间过长。
神经网络程序初始化时，需要通过专家经验来对神经网络取初始权值，以减少网络的训练时间，避免陷入非要求的局部极值。专家经验来自于已有的电力专家对配电故障的处理经验。
神经网络训练的学习样本和教师样本来自于配网终端所应用的配电网络。BP神经网络包括输入层、中间层和输出层，是一种误差反向传播网络。其基本思想是最小二乘法，采用梯度搜索技术，以使网络的实际输出值与期望值的均方误差最小。输入层输入配电网络中的配网终端流经故障电流以及位置，中间层与输入层的初始连接权值通过电力专家对配电故障的处理经验得出，中间层的节点是输入层节点输出的加权和，节点的激发函数采用S(Sigmoid)型函数。
输出层的节点的输入是中间层节点输出的加权和，输出层与中间层的初始连接权值通过电力专家对配电故障的处理经验得出。将输出层的输出结果即各配网终端所在的开关及断路器分合状态与教师样本的期望输出作比较，如不符合则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的加权系数，使输出层节点上得到的输出结果即各配网终端所在的开关及断路器分合状态与期望输出之间的误差信号最小。
神经网络学习时取学习指标函数：
$e=\frac{1}{2}{[y^d\left(t\right)-y\left(t\right)]}^2=\min$
式中，yd(t)是当前时刻的期望系统输出；y(t)是当前神经网络实际输出。
对于每一个样本数据对，从输入节点开始通过前向传播计算出各节点的输出值，然后再从输出节点开始使用反向传播计算出所有隐含节点的偏导数，广义学习规则为：
$\mathrm{\Delta w}\propto -\partial e/\partial w$
$w(t+1)=w\left(t\right)+\eta (-\partial e/\partial w)$
式中：η为学习速率
$\partial e/\partial w=\partial e/\partial f\times \partial f/\partial w=\partial e/\partial f\times \partial f/\partial a\times \partial a/\partial w$
学习时先计算输出层广义误差，然后通过输出层广义误差计算反馈误差和调整输出层权系数，再通过反馈误差调整输入层权系数。
当一个样本完成网络加权系数调整后，再送入另一样本模式对，进行类似学习，直到完成所有样本的训练学习。
再如图2中，当配电网络发生故障时，故障电流所流经的终端通过关联终端的信息，经过完成训练的神经网络程序得到相应输出。分段开关所在终端隔离故障，联络开关所在终端转移负荷。
图4为配电网络变化的自适应处理方法，配电网络结构发生变化或者改变负荷分配时，通过相应位置的终端的变化来给出新的学习样本和教师样本，终端完成新样本的学习后就可自适应配电网络的变化。这样，当配电网络的结构和负荷发生变化时，能够让配网终端自适应配电网络的变化。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。