基于小波包与改进神经网络的配电网故障类型识别

摘 要：目前，学者提出的关于故障类型鉴别的方法主要是关于输电线路的研究，而对于配电网的研究相对很少。传统的方法主要是利用设定阀值进行故障类型识别，此方法虽然简单，但是此处的阀值的确定又是一个难题。因此本文提出一种基于小波包与改进神经网络的配电网故障类型识别方法，利用小波包技术提取故障信号，再将信息转换为能量并进行归一化处理作为改进神经网络的输入特征向量。再利用Matlab搭建模型对文章所提出的方法进行仿真测试。测试结果表明，本文所提出的方法能够快速、准确地识别出故障类型。

关键词：小波包分析；神经网络；配电网；故障类型识别

4 配电网故障系统的仿真

如图2是在MATPAB软件的simulink环境中搭建的简单配电网故障类型识别的模型。母线电压为10kV，故障发生时间为1/60到5/60秒，系统的仿真时间为0.2s。该系统中运行的频率为50Hz，在系统中线路采用分布式参数模型。线路的正序电阻R1=0.01273Ω，正序电感L1=0.9337×10-3H，正序电容C1=12.74×10-9F。零序电阻电感电容分别为R0=0.3864Ω，L0=4.1264×10-3H，C0=7.751×10-9F。负载的有功功率为10kW，感性无功功率为100var。

在十种不同的故障模式下，设置故障时不同的接地电阻来获得更多的故障数据，可以分别取故障电阻为5Ω，10Ω，50Ω，100Ω，300Ω，故障时的位置可以设在10%处，25%处，50%处，75%处和线路的末端，得到改进BP网络的部分故障训练数据见表1所示。

神经网络选用S型函数，输入层的神经元个数为故障时ABC三相经小波包分解重构并归一化后组成的能量特征量。隐藏层个数用经验公式求得，k=（m+n）1/2+a，k为隐藏层个数，n和m分别代表输入层个数和输出层个数，a是一个常数，取一到十之间。输出层为[A B C G]。当某个变量的值为1时表示该相发生了故障，为0时表示没有发生故障。运用训练好的网络对不同故障类型下获得的测试样本进行测试。在进行神经网络测试时，神经网络的学习速率？浊=0.8，惯性因子？琢=0.9，误差精度0.01，改进BP神经网络的最大优化代数Tmax=500，部分测试数据见表2所示。

在测试时往往测试结果不等于1或0。这时根据经验认定凡是输出结果大于0.8的都认为这相线路为故障相。由此获得测试数据诊断结果与期望值对比可知本方法能够准确识别故障类型。

从BP神经网络训练和改进的BP神经网络训练权值的误差-迭代次数曲线可知：全局搜索网络的误差随着优化代数的增加而不断地减小，改进的BP网络误差在第303步就达到了精度要求。利用传统BP算法进行神经网络权值训练，其相关参数值设置同上面改进的BP算法，得到的误差曲线在0.185左右陷入局部极值，并且在2600步左右才开始跳出极值，二者误差曲线比较可知，前者改善了后者陷入局部极小值这一缺点，同时也加快了算法的收敛速度。

5 结束语

小波包分解是一种有效的提取并处理配电网故障特征的方法，而通过增加动量项对传统的BP神经网络进行改进，使其不易陷入局部最小值，文章将二者结合，对配电网故障进行识别。通过建立仿真模型进行故障检测实验，实验结果表明，文章所提出的配电网故障类型识别方法所提出的算法比单纯的利用BP神经网络算法收敛的速度快，且能够准确地识别出配电网短路故障类型，具有一定的实用性。

参考文献

[1]翟进乾.配电线路在线故障识别与诊断方法研究[D].重庆大学，2012.

[2]陈茂英，杨明玉，张新国.基于暂态电流的故障选相原理的探讨[J].华北电力大学学报，2005，32（1）：24-27.

[3]赵智，王艳松，鲍兵，等.基于小波神经网络的配电网故障类型识别[J].电力系统及其自动化学报，2007，06：93-96.

[4]徐涛，王祁.基于小波包神经网络的传感器故障诊断方法[J].传感技术学报，2006，19（4）：1060-1064.

作者简介：叶金凤（1988，02-），女，吉林长春人，湖北汽车工业学院电气工程系，主要研究方向：电力系统方向。