基于改进RBF神经网络的低压台区配电网故障定位方法与流程

基于改进rbf神经网络的低压台区配电网故障定位方法
技术领域
1.本发明属于配电网技术领域，涉及配电网故障定位，尤其是一种基于改进rbf神经网络的低压台区配电网故障定位方法。


背景技术：

2.随着国家经济的发展，电力需求量也逐渐增长，电力网络也在不断扩大。处于电力系统最末端的配电网是对电能进行分配的重要环节之一。低压配电网具有线路区段短、分支众多且拓扑结构复杂多变的特点，在运行过程中出现故障的可能性相对较大，及时准确地确定故障线路区段对于减小用户停电时间，提高供电可靠性具有重要意义。低压配电网因其分支多、线路短而导致故障定位问题复杂，长期以来众多专家学者围绕配电网故障区段定位的方法展开了大量研究。
3.区段定位法是一种配电网故障定位技术，其为了及时准确地定位故障区段，以便隔离故障区域并尽快恢复非故障区域供电，对于提高供电可靠性具有重要意义。虽然采用重合器和分段器相互配合的方式能够达到目的，但这种方法开关设备配合困难，对开关性能要求高，适用于结构相对简单、运行方式相对固定的配电网络，且多次重合对设备及系统冲击大。但是区段定位方法仅能用于故障特征明显下的配电网故障定位，在实际应用中，还存在诸多问题：故障特征微弱(小电流接地方式单相接地故障)、不稳定故障电弧以及随机因素的干扰给现场设备对故障的识别判断带来诸多问题；配电网接线方式复杂、结构改变频繁等给区段定位算法带来了适用性等问题；现场设备上传的故障信息出现信息畸变时造成的定位问题。


技术实现要素：

4.本发明的目的在于克服现有技术的不足，提出一种设计合理、能够快速准确进行故障定位的基于改进rbf神经网络的低压台区配电网故障定位方法。
5.本发明解决其技术问题是采取以下技术方案实现的：
6.一种基于改进rbf神经网络的低压台区配电网故障定位方法，包括以下步骤：
7.步骤1、构建低压台区配电网故障定位模型；
8.步骤2、采集每段低压台区线路开关处的电流、电压作为样本集，优化低压台区配电网故障定位模型的数据中心c、数据宽度б以及网络权重ω；
9.步骤3、根据低压台区配电网故障定位模型的实际输出和期望输出计算误差；
10.步骤4、将步骤3计算出的误差作为判定值，如果误差满足要求或者迭代次数达到最大，则结束迭代，得到训练好的低压台区配电网故障定位模型，否则重复执行步骤2和步骤3；
11.步骤5、利用互感器采集低压台区线路故障过流信息，使用训练好的低压台区配电网故障定位模型定位出配电网的故障区段。
12.进一步，所述步骤1构建的低压台区配电网故障定位模型为三层前馈神经网络模
型，由输入层、隐藏层和输出层组成，从输入层到隐藏层的变换是非线性的，从隐藏层到输出层的变换是线性的，该低压台区配电网故障定位模型选择的径向基函数是高斯核函数。
13.进一步，所述优化数据中心c的方法包括以下步骤：
14.⑴
初始化数据中心x(t)；
15.⑵
选定当前最优解后，对最优解进行更新；
16.⑶
更新最优解；
17.⑷
当参数a绝对值大于等于1时，通过随机搜索进行更新；
18.⑸
引入自适应惯性权重策略，得到优化后的数据中心c。
19.进一步，所述步骤
⑶
更新最优解的方法包括：包围法或螺旋法。
20.进一步，所述优化数据宽度б的方法包括以下步骤：
21.⑴
初始化一个n
×
d的欧式空间，其中n为初始化的数据宽度总数，d为空间维度；
22.⑵
游走值更新：选定当前值为最优值，其他值进行游走更新，以模型的输出误差作为判定值；
23.⑶
奔袭值更新；
24.⑷
最优值更新；
25.⑸
剔除x个最差判定值，进行数据宽度总数更新规则，得到优化后的数据宽度б。
26.进一步，所述优化网络权重ω的方法包括以下步骤：
27.⑴
随机初始化总数n、速度和位置，其中n为初始化的网络权重总数，速度和位置是当前值的两个参数；
28.⑵
更新速度和位置；
29.⑶
以模型的输出误差函数作为适应度函数，计算适应度；
30.⑷
以步骤
⑶
计算出的适应度来判断是否需要更新最优解以及全局最优解；
31.⑸
判断是否结束迭代：若误差值小于设定的值或当迭代次数大于最大迭代次数，满足其中任意条件则停止迭代，否则回到步骤
⑵
；
32.⑹
结束迭代，所求解即为全局最优解，从而得到优化后网络权重ω。
33.本发明的优点和积极效果是：
34.本发明设计合理，其通过建立低压台区配电网故障定位模型rbf、优化模型参数、通过输出误差作为判定值不断优化模型参数，将配电网一次系统互感器采集到的电流、电压2个电气特征参数代入模型进行训练，直到达到最大迭代次数或者误差满足要求，最后使用训练好的故障定位模型进行配电网的故障定位，从而能够准确、快速的确定配电网的故障位置，得到了电气特征参数特征量是否发生故障的变化规律，为低压台区配电网能够及时发现故障并进行故障定位提供参考。
附图说明
35.图1为本发明的低压台区配电网故障定位模型的结构图；
36.图2为本发明的优化数据中心c的流程图；
37.图3为本发明的优化数据宽度б的流程图；
38.图4为本发明的优化网络权重ω的流程图；
39.图5为本发明的低压台区故障定位模型流程图。
具体实施方式
40.以下结合附图对本发明做进一步详述。
41.本发明的定位原理是：利用从系统互感器得到的电压电流信息，通过对这些信息进一步判断处理从而发现故障位置，实现故障定位功能。配电网络被分段开关划分为若干区段，每一个分段开关处均有互感器装置，当互感器中电流、电压2个电气指标的参数有异常时，就会被系统识别，并快速进行故障定位。当配电网发生故障后，首先利用互感器采集故障过流信息，然后通过低压台区配电网故障定位模型定位出故障区段。
42.基于上述定位原理，本发明提出一种基于改进rbf神经网络的低压台区配电网故障定位方法，如图5所示，包括以下步骤：
43.步骤1、构建低压台区配电网故障定位模型。
44.本步骤建立如图1所示的低压台区配电网故障定位模型，该模型由输入层、隐藏层和输出层组成的径向基函数(radial basis function，rbf)神经网络，其具有很好的全局逼近能力，理论上可以逼近任意非线性函数。拓扑结构图简单，结构参数可实现分离学习，收敛速度快。从输入层到隐藏层的变换是非线性的，而从隐藏层到输出层的变换是线性的。
45.该模型的基本工作原理是通过径向基函数把输入层的输入数据(向量)映射到隐藏层的高维空间，使其在低维度下线性不可分的情况在高维度下的线性可分性大大增加。再确定隐藏层的中心点，这样就把输入层的数据通过非线性变换到了隐藏层而不需要权值连接，而隐藏层到输出层是通过权值线性变换连接的，这就加快了网络的训练速度，很好地避免了陷入局部极小的缺点。
46.本发明选择的径向基函数是高斯核函数，设输入层节点为m，隐含层节点为h，高斯核函数为：
[0047][0048]
式中：xi为第i个样本的输入；ci为基函数中心；δ为基函数扩展常数；h为隐含层节点数；n为总样本数。其网络输出为
[0049][0050]
式中：为输入样本向量；为基函数中心向量；‖
·
‖为欧氏范数；wi为第i个隐藏层节点至输出层的连接权值。其中梯度下降法更新权值的方法为
[0051][0052][0053][0054]
式中：d为期望输出目标值；为矩阵的逆矩阵，g
ij
为网络模型的实际输出值。输出误差可表示为
[0055]
[0056]
步骤2、采集每段低压台区线路开关处的电流、电压作为样本集，对低压台区配电网故障定位模型的数据中心c、数据宽度б以及网络权重ω进行优化。
[0057]
配电网络低压线路已经分段开关划分为若干区段，每一个分段开关处均有互感器装置用于检测开关处的电流和电压。因此，本发明将每段低压台区线路的互感器采集到的电流、电压2个电气指标作为样本集，用于后续的优化处理过程。
[0058]
初始值的选取会直接影响网络模型的学习能力，如取值不当会导致网络训练时间过长，计算精度下降，得不到理想的效果。因此，本发明首先会优化模型的参数值：数据中心c、数据宽度б、网络权重ω，再对配电网的电气指标参数进行训练，最终根据训练好的模型确定配电网故障位置。具体优化过程为：
[0059]
步骤2.1、优化数据中心c，优化过程如图2所示，包括：
[0060]
(1)初始化：初始化数据中心x(t)，x
*
(t)是当前数据中心最优解
[0061]
(2)更新最优解：选定当前最优解后，设d为步长，对最优解进行更新。
[0062]
d＝|c
·
x
*
(t)-x(t)|
[0063]
x(t+1)＝x
*
(t)-a
·d[0064]
式中，t表示当前迭代次数；||代表绝对值运算；d表示步长；a和c是两个参数，计算式为
[0065]
a＝2a
·r1-a
[0066]
c＝2
·
r2[0067]
a＝2-2t/t
max
[0068]
式中，r1和r2为[0,1]之间的随机数；a为收敛因子，变化范围为[2,0]；t
max
表示最大的迭代次数。
[0069]
(3)获取最优解：获取最优解有两种方法。一种是包围法，利用式x(t+1)＝x
*
(t)-a
·
d获得，参数a是一个取值在[-a,a]范围内的随机数，其波动范围随收敛因子a减少而减少。随着t的增加，参数a和收敛因子a减小，计算精度提高。另一种更新最优解的方法为螺旋法，公式如下
[0070]d′
＝|x
*
(t)-x(t)|
[0071]
x(t+1)＝d
′
·ebl
·
cos(2πl)+x
*
(t)
[0072]
式中，d'表示当前值到最优解的距离；b为定义螺旋形状的常数；l为[0,1]间的随机数。由于两种方法都有可能使用，假设选择相同的概率进行更新式中，p为[0,1]间的随机数。
[0073][0074]
(4)随机搜索：当参数a绝对值大于等于1时，不再通过最优值来更新当前值，而是随机搜索。利用这种更新策略可以有效避免算法陷入局部最优。
[0075]
d＝|c
·
x
rand
(t)-x(t)|
[0076]
x(t+1)＝x
rand
(t)-a
·d[0077]
式中，x
rand
(t)表示第t次迭代随机选择的值。
[0078]
(5)引入自适应惯性权重策略：为加快收敛速度，提高寻优精度，引入自适应惯性权重策略。
[0079][0080]
式中，ω
max
、ω
min
分别表示权重系数的上、下限，通常ω的取值范围为[0.4,2]。其中ω
max
、ω
min
分别取0.9和0.4。权重参数ω随着迭代次数t的增加逐渐由0.9减小至0.4。权重参数ω在迭代前期取得较大值，使其具有较强的全局搜索能力，防止其陷入局部极值；在迭代后期取得较小值，此时其有较强的局部搜索能力，可加速算法收敛得到最优解。
[0081][0082]
步骤2.2、优化数据宽度б，优化过程如图3所示，包括：
[0083]
(1)初始化：初始化一个n
×
d的欧式空间，其中n为初始化的数据宽度总数，d为空间维度。那么数据宽度i的位置可以表示为：
[0084]
xi＝(x
i1
,x
i2
,...,x
id
)
[0085]
x
id
＝x
min
+r
×
(x
max-x
min
)
[0086]
式中，i∈[1，n]；d∈[1，d]；r∈[0，1]区间内均匀分布的随机数；x
min
为d维搜索空间的下限；x
max
为d维搜索空间的上限。
[0087]
(2)游走值更新：选定当前值为最优值，其他值进行游走更新，以模型的输出误差作为判定值。若其他值的输出误差小于当前最优值的输出误差，则该值替代最优值；若大于当前最优值的输出误差，则该游走值分别向p个方向前进一步，游走步长为stepa，在记录每前进一步后的输出误差后，退回原位置。
[0088][0089]
其中p表示前进方向个数(p＝1，2，...，h)。
[0090]
(3)奔袭值更新：奔袭值会向最优值进行靠近，更新公式如下表示。
[0091][0092]
在奔袭过程中，若当前值的输出误差小于当前最优值的输出误差，则该值替代最优值，并召唤其他值向最优值进行靠近；若大于当前最优值的输出误差，则继续向最优值靠近直到距离小于d
near
，其中判定距离公式如下所示
[0093][0094]
式中，ω为距离判断系数，其不同取值将影响算法的收敛速度，一般而言ω越大，算法收敛越快，但ω过大不利于找到最优值。
[0095]
(4)最优值更新：此时奔袭值和最优值距离较小，其更新公式为
[0096][0097]
其中，stepc表示的是最优值更新步长；λ∈[-1，1]；表示最优值。若当前xi的输出误差小于最优值，则此值更新为最优值，反之则不变。stepa、stepb和stepc的关系可有如下公式表示。
[0098][0099]
(5)数据宽度总数更新规则：剔除x个最差判定值。更新的参数的数目为x，x选取区间的整数，β为更新比例系数。不断迭代，直到达到最大迭代次数。
[0100]
步骤2.3、优化网络权重ω，优化过程如图4所示，包括：
[0101]
(1)初始化：随机初始化总数n、速度和位置，其中n为初始化的网络权重总数，速度和位置是当前值的两个参数。
[0102]
(2)更新速度和位置：其公式如下
[0103][0104][0105]
式中：ψ为惯性权重；k为当前迭代次数；c1和c2作为加速度因子且是非负常数；r1和r2是属于[0，1]区间的随机数值；vi为第i个值的速度；pi为第i个值个体极值；pg则为群体极值。
[0106]
(3)以模型的输出误差函数作为适应度函数，计算适应度。
[0107]
(4)以步骤(3)计算出的适应度来判断是否需要更新最优解以及全局最优解。
[0108]
(5)判断是否结束迭代：若误差值小于设定的值或当迭代次数大于最大迭代次数，满足其中任意条件则停止迭代，否则回到步骤(2)。
[0109]
(6)结束迭代。所求解即为全局最优解。
[0110]
步骤3、根据低压台区配电网故障定位模型的实际输出和期望输出计算误差。
[0111]
步骤4、将步骤3计算出的误差作为判定值，如果误差满足要求或者迭代次数达到最大，则结束迭代，得到训练好的低压台区配电网故障定位模型，否则重复执行(2)～(3)。
[0112]
步骤5、利用互感器采集故障过流信息(电流、电压参数)，使用训练好的低压台区配电网故障定位模型定位出配电网的故障区段。
[0113]
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。