李 慧 陈恺妍

（广州供电局有限公司 广州 510000）

1 引言

电压、电流互感器与连接导线三个单元是组建电力计量系统的主要内容。当这三个单元的其中任意一个结构发生故障，将影响电力计量系统的全盘运作，从而影响到计量系统的计算精度。在一般情景下，当电力计量系统发生故障，关键表现为以下两点：一是循环会在运行过程中报错；二是计量系统的计算精度会逐渐降低。例如，当内部接线发生故障造成前端短路，这时电流将径直流过电能表，发生分流现象，从而影响计量系统的计算精度，使全盘计量数据逐渐偏离。而导致上述故障发生的重要原因便是电流电能表电流线圈出现了短路问题。此类故障已由大量学者通过仿真实验证实了上述原由的正确性。同时，在仿真实验的研究过程中发现，导致电力计量系统运行故障的原因有很多，如果每类故障发生时都只排查单一的原因，那么将很难找到故障发生的根源所在。针对复杂多变的计量系统运行故障原因，本文基于电力计量系统的运作原理，利用神经网络算法对发生的故障原因进行判断，并验证该故障排查方法的可行性。

2 高压电力计量系统原理及问题分析

2.1 高压电力计量系统原理

图1为高压电力计量系统的运作基本规律流程，其中“1”、“2”两个为通信端点，它们是属于电度表的两个测量点，TA1和TA2是基于电磁感应原理来测量、计算的仪器，也称作电流互感器，IA和IC的脚标A、C表示它们是属于对应脚标字母相的电流，Ia和Ic脚标中的小写字母表示它们是对应IA和IC经过TA1、TA2转换后的二次侧小电流。

图1 高压电力计量系统运作原理图

2.2 故障分析

根据目前已区分开电力计量系统的故障类别标准，能获取各个类型的故障发生原因。凡是最终导致电力计量系统计算精度降低的情况，统称为计量系统故障。而大多数导致电力计量系统故障的原因都在于组成电力计量系统的各个单元组件在运行时发生了某些故障，比如测量电流的仪器以及变换电压的仪器。

1）电压互感器故障问题分析

电压互感器（PT）在整个高压电力计量系统里，承担的任务是将接收的一次侧高压转换为二次侧，然后传输到电度表来支持相关计量的工作应用。而电压互感器（PT）在本质上依旧是降压变压器的功能，它通过变换电压大小，来为输电过程提供便利。但由于它原本边线圈的总数量超过了副边线圈的总数量，因此原边线圈产生故障的几率要大得多。而导致这类故障主要原因是原边线圈的匝间发生短路或者线路断开等问题。关于这类简单故障，当电压互感器（PT）检测并确定，就能将之前实验所记录的一般情况下的电压数值与当前采集的电压互感器（PT）的电压数值进行比较，由此确定是否有故障发生。

2）电流互感器故障分析

电流互感器（CT）的工作原理与电压互感器大体一致，它们都归属于变压器一类。电流互感器（CT）在运作时需要串入一相，并且需要将整个电能生产雨消费系统里传输的超出一般标准的电流降低为达到一般标准的电流。对于电流互感器（CT）来说，一般出现的问题都是短接故障，也叫做短路，比如电流互感器（CT）一次侧短路、电流互感器（CT）二次侧短路，以及两个电流互感器（CT）之间二次侧相间短路。

2.3 故障检测原理

上述不同的故障类型，需要采用不同的故障检测方法进行鉴别。本文以电流互感器（CT）一次侧短路检测电路为例，其系统故障检测原理如图2所示。

图2 CT一次侧短路检测原理图

电流互感器（CT）接电源的绕组即初级线圈有着较高的电压，很难直接地进行采数，同时它对电流的阻碍作用比较小，当初级线圈出现短接故障时，它的阻抗会发生变化，这也是增加测量难度的一个问题。针对此类问题，通常使用伏安法来测量阻抗，从而判断所发生的故障类型。

3 故障特征信号提取

在诊断电力计量系统故障原因时，传出的故障信号中难免会存在突变或者尖峰的成分，并且这类信号中还存在非平稳的噪声。要正确地分析这类信号，就必须将信号进行相关处理，剔除信号中的噪声，留存有利用价值的信号信息。在降噪处理时，传统的傅立叶变换方法无法满足完全降噪，原因是利用傅立叶分析的过程被完全放在了频域，这样一来信号的突变情况将无法及时体现，一旦信号在某个时间域产生了突变点，那么整个信号图谱都将受到影响。而小波分析可以在频域与时域对信号进行多线程分析，在时间域的分辨率升高时降低频域的分辨率，反之则反，这种分析方法具备自动调焦的功能。所以小波分析可以很好地对信号中的噪声与突变点进行剔除工作，达到降噪、消噪的目的。对于具体的消噪流程，1994年D.L.Donoho基于小波变换提出了小波阈值消噪的概念。其中提到，在利用小波分析对信号进行分析时许多有用的信息会从系数数值中体现出来，所以在对信号进行分析处理时，设置适宜的阈值对有用的系数进行保存，从而更方便地通过系数数值提取有用信息。根据图谱的幅度，就可以将有用信息与噪声进行分离，从而达到消噪的目的。常用的阈值处理方法有两种：硬阈值处理和软阈值处理。本文则使用软阈值算法对信号进行处理。

式中，λ为阈值，ω为小波系数，ωλ为处理后的小波系数。

而经过小波软阈值处理后的故障特征信号，通过Matlab进行仿真后发现，其曲线比较平滑，说明该方法在对特征信号的提取处理方面，具有一定的优势。如图3所示。

图3 软阈值处理后的特征信号

4 基于改进神经网络的故障特征判断

4.1 BP神经网络概述

4.1.1 基本结构及流程

BP神经网络是前端反馈类型的网络，它的结构组成是通过众多结构层连接而成。层级大类可分为数据传入层、许多隐藏层以及数据传出层共同建立，而每层又包含了若干个连接点，这其中的每个连接点都是网络中的一个神经元，层与层之间的最基本的结构和功能单位经过权数进行连结。一个最简单的BP神经网络，它需要包含一个输入层、一个隐含层以及一个输出层，具体的结构如图4所示。

图4 BP神经网络结构

BP神经网络学习算法主要是根据其数据传出层所传出的误差进行反向回馈，然后调节并更正网络系统最基本的结构和功能单位的连结权数，不断缩小误差值，它的整个学习过程蕴含了正向的数据计算和结果误差的反向回馈。数据从输入层进入，通过隐藏层、输出层进行正向的计算传递，在训练网络权数的过程中不断往复，降低误差，通过数据传出层将数据反馈给隐藏层，逆向变更各神经元之间的连结权数，这个过程反复进行，使误差到达期望值的范围内，具体的训练流程如图5所示。

4.1.2 BP神经网络的缺陷

BP神经网络能较完美地解决非线性问题，并且有很强的容错能力，但是它也存在一些缺陷，这关键出现在下面三点。

1）神经网络的层级构造不好确定。目前，神经网络的层级构造和相关的参数设置没有现成的、具有完备的理论指导系统。因此，神经网络的应用受到了许多局限，在构建神经网络时唯有参照历史经验或相关实验研究结果来决定神经网络的层级构造以及相关参数的设置。

2）神经网络的训练流程收敛速率较缓。误差函数中有一定概率存在着平坦区域，这个区域的存在会导致误差函数在该点方向取得的最大值在平坦区内的变化偏小，当权数变换时，倘若学习速率η被设置得过小，那么误差的更新范围会非常小，使得它在遭遇平坦区时会造成特别多的迭代次数，将会消耗很长的时间，最终影响整个学习过程的收敛速度，降低效率；而如果将学习速率η设置得太大，便容易与原本梯度下滑的通道发生偏差，引起震荡，造成不收敛，产生的结果就是最终值误差很大。

图5 BP神经网络训练流程

3）很可能会堕入局部极小值。如果设计的神经网络的各个层级的构造比较复杂，这时它的误差函数相当于一个N维空间崎岖不平的曲面，拥有许多最大值与最小值的点，且BP神经算法中所选取的梯度下降法，在进行学习时是依照误差函数的斜面慢慢降低到最小值，但由于复杂网络误差函数的多变性，导致误差调整时在整个训练过程中常常陷入局部极小值无法跳出。

4.1.3 BP神经网络算法的改良

1995年J.Kennedy和R.C.Eberhart发表了粒子群优化算法（Particle Swarm Optimization，PSO）。此算法是他们在其他研究结果中所得到的启发，由于该算法需要设置的参数比较少，而它的优点是容易实现，并且其收敛速度相对来说是比较快的，所以当这个算法被提出时，立马就变成了群体智能范畴的议论热门方法。将这两个算法相结合，弥补了神经网络的缺陷，使其训练过程收敛加速，这样便能很好地避免神经网络训练中常常堕入局限最小值情况的发生，使了神经网络在故障诊断应用中的效率与精度变得更加快速、准确，在电力计量系统的应用中有着巨大的发展空间。

现在倘若存在一个D维指标的立体空间，在该空间中有一个粒子含量为m的群体，此中第i个粒子的所处方位为xi=(xi1，xi2，…，xiD)，它的速率欧几里得向量为vi=(vi1，vi2，…，viD)。第i个粒子的单一最优数值为pi=(pi1，pi2，...，piD)，全盘粒子集合的整体最优值为pg=(pg1，pg2，…，pgD)，而关于第t+1次的迭代，粒子更新的公式为

根据改公式可以了解到，基本PSO的速度更迭主要由三个点来决定：1）粒子当前个体的运动速度，象征着此时状况的影响作用；2）是粒子的“自身认知”功能的影响，即粒子个体既有的历史经历和印象的影响，这种影响会鞭策粒子向以往探索过的最优值靠拢；3）是粒子种群所包含的“整体记忆”功能，这个功能体现了粒子之间的协同运作以及讯息分享，会鞭策个体粒子渐渐向整个集合历史记忆的最优位置拉近距离。

而为了提高优化的精度，在全局最优方法中提出了一种动态学习因子的调整方法。具体内容为

其中，t和Tmax分别是目前已迭代的总次数和最大的进化代数，并且0

由此，经过上述改进后的神经网络模型的整个运作流程如图6所示。

5 仿真验证

5.1 初始参数设置

1）BP神经网络的参数设置。本文将输入层的神经元数量设置为7，输出层的神经元数量设置为4，设置了单隐藏层，其中隐含层的数量设置为14，数据传进层分别在隐藏层和数据传出层都采取logsig函数，即逻辑回归中的sigmoid来当作各个层级的神经元之间的转达函数。

2）PSO变量的还原化。最开始将整个集合的粒子量设置为50；将训练因子c1与c2的数值均设置为1.5；根据惯性权重线性递减的方法，设置最小值ωmin=0.4、最大值ωmax=0.9；设置迭代次数的极值Tmax=2000次；设置各个粒子的最大限制速度Vmax=1；设置误差的精度ε为0.01。

图6 基于PSO的神经网络模型

5.2 仿真结果

通过利用上述参数设置进行的实验，可以得到图7所示的结果。

图7 神经网络误差仿真

6 结语

通过图7中的结果能够总结出，基于粒子群优化BP网络的高压电力系统故障诊断方法，在确保了识别准确率的大前提下，在很大程度上减少了迭代的次数，同时加快了收敛速度，结果显示优化后的算法在应用中的性能提高是非常显著的。由此可以证明本文设计的算法具有一定的可行性。