基于小波包分解和广义回归神经网络的换相失败故障诊断.pdf

《基于小波包分解和广义回归神经网络的换相失败故障诊断.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

基于小波包分解和广义回归神经网络的换相失败故障诊断刘飞,等基于小波包分解和广义回归神经网络的换相失败故障诊断刘飞,陈皓勇(华南理工大学电力学院广东广州,510640)摘要:为了实现高压直流(HighVoltageDirectCurrent,HVDC)换相失败的快速诊断,提高交直流互联系统运行的安全与稳定性,提出了一种基于小波包分解(WaveletPacketDecomposition,WPD)和广义回归神经网络(GeneralRegressionNeuralNetwork,GRNN)的高压直流输电系统换相失败故障诊断方法,该方法对直流和交流的故障信号进行小波包分解,获取各频段下的能量系数,计算其小波包能量(waveletpacketenergy,WPE)作为故障特征,再通过两种模式下的广义回归神经网络结构分别进行模式识别来判断是否发生换相失败以及引起故障的原因,并且对两种拓扑结构的鲁棒性对比分析。仿真和结果表明,两种拓扑结构均能很好的识别换相失败故障和直流线路故障,进而准确地诊断引起换相失败的原因,但模式一的鲁棒性较好。关键词:小波包分解;广义回归神经网络;换相失败;故障诊断中图分类号:TP183文献标识码:ADOI编码:10．14016/j.cnki．1001-9227．2017．06．022Abstract:Toimplementfastandaccuratediagnosisofcommutationfailure,improvethesecurityandstabilityofAC-DCinterconnectedsystem.Basedonwaveletpacketdecomposition(WPD)andgeneralregressionneuralnetwork(GRNN),anewfaultdiagnosismethodofcommutationfailureintheHVDCsystemisproposed,inwhichWPDisusedtopartitionthesignaltoobtainthewaveletpacketcoefficientsoneveryfrequencybandandcalculatethewaveletpacketenergy(WPE)tobethefaultcharacteristic,thenpatternrecognitionwasexertedbyGRNNwhichusetwomodelstodeterminewhetheritiscommutationfailureandidentifythefaultreasonsrespectively,thenanalysistherobust.ThesimulationresultsshowthatthemethodcanrecognizecommutationfailureandDCtrans-missionfault,thenidentifythecommutationfailurereasonscorrectly,butmode1hasbetterrobustness.Keywords:waveletpacketdecomposition;generalregressionneuralnetwork;commutationfailure;faultdiagnosis工程中应用的直流控制系统,建立了糯扎渡送电广东KV特0引言高压直流输电仿真模型;对信号进行3层小波包分解,获取各HVDC输电系统由于在远距离大容量输电和交直流互联两频段下能量系数,计算其小波包能量作为故障特征,再通过两方面具有独特的优势而在我国得到了大力发展。然而HVDC输种模式下的广义回归神经网络进行模式识别来判断是否发生电系统换流器采用的无自关断能力的普通晶闸管作为换流元件,换相失败以及引起故障的原因。仿真结果表明,两种模式能在逆变侧发生交流故障等事故时容易造成换相失败。快速准确地识别换相失败故障和直流线路故障,进而准确地在HVDC换相失败方面,国内外学者已经做出了大量的诊断引起换相失败的原因,但模式一的鲁棒性较好。研究。文献[1-2]详细分析了换相失败的影响因素,得出了1小波包提取故障特征逆变侧换相失败的一般规律。文献[3]提出最小关断面积策略控制换相失败。文献[4]考虑不同负荷模型对换相失败的1．1小波包分解影响。文献[5]研究了换相失败预测控制功能对不同电压跌信号分析的目的主要是采用一种简单有效的方法,使得落程度和电压畸变程度故障下的相应情况。文献[6]提出了获取信号所包含的重要特征显现出来。小波分析在电力系统一种直流电流预测方法。文献[7]利用数学形态学分析直流信号处理方向得到了广泛的应用,它是一种时频局域化的分电流进行预测。文献[8-9]均使用小波分析故障电流信号,析方法,分解尺度是二进制变化的,即按照指数间隔对信号的得出故障阈值或故障特征来判断换相失败及识别故障。文献频带进行划分,在高频部分具有较高的时间分辨率和较低的[10]利用人工神经网络(artificialneuralnetwork,ANN)来判断频率分辨率,在低频部分具有较高的频率分辨率和较低的时换相失败的发生和故障辨识。间分辨率。小波包分解是在小波变换的基础上产生并发展起上述文献对于换相失败的预测和控制策略,主要在于监测来的,不仅对信号的低频部分进行分解,还对信号的高频部分和判断将要发生换相失败时,快速减小逆变器触发角α,以增也进行分解,更有利于捕捉到信号的细节特征,从而提高了时[11]加换相裕度,进而降低换相失败发生的概率。但仅依靠减频分辨率。小波包分解的示意图如图1所示。图1中A表示小触发角,直流系统在故障的作用下难免发生二次换相失败,低频概括(Approximate),D表示高频细节(Detail)。因此必须快速准确地识别造成故障的原因并迅速切除故障,才能防止发生连续换相失败,增强交直流互联系统运行稳定性。而利用小波进行信号处理,该方法在低频段的时间分辨率较差,在高频段的频率分辨率较差,未能充分利用信号特征。ANN存在着学习时间长,故障辨识需要大量训练样本等问题。小波包分解是小波分析的推广,它克服了小波分析的缺点,而且分解既无冗余也无疏漏,提高了信号的时频分辨率,是一种更精细的信号分析方法。广义回归神经网络(GRNN)是径向基神经网络的一种,它具有很强的非线性映射能力以及高度的容错性和鲁棒性,学习速度也有较大优势,而且无需大量的训练样本,已在各领域得到广泛应用。本文基于实际图1小波包分解结构图1．2小波包能量谱分析收稿日期:2017-03-28将采样的离散故障信号通过共轭正交镜像滤波器,把离·22·，＼1．t．t?，＼1)2r)，＼!A从3AAD3ADA3ADD3A从3AAD3A从3AAD3 《自动化与仪器仪表》2017年第6期(总第212期)散故障信号分解到各个频段内,实现小波包分解,分解后各频能量较小,因此归一化后利用对数图突出特征差异。从图2段信号的能量包含了信号在时域和频域的全部故障信息,不中可以看出,不同故障原因下,小波包能量谱有较大的差异,同故障的能量谱不同。采用紧支撑的正交小波,可以实现没可以利用其为故障特征,进而利用GRNN进行换相失败识别有冗余的信号表示和完美的信号重构。常用于信号分析的正和故障分类。交小波有Daubechies(dbN)小波、Coiflet(CoifN)小波和在交流系统故障下发生换相失败,在不同的过渡电阻时Symlet(symN)小波等。每种小波都具有不同的特性,其中小波能量谱如图3所示。Daubechies小波比较适合分析短暂而快速的暂态信号,能有效的提取信号突变特征。Daubechies-8(db8)的消失矩阶数为8,滤波器长度为16,具有精细的带通性能和较强的信号细[12]节提取能力。因此,本文以db8为基波进行小波包变换,进行3层分解。通过小波包变换,可以得到不同频段下小波包系数,信号的小波包能量E与各频段的小波包系数关系如下:N22E=|f|dt=∑|x|(1)i,j∫i,jj,kk=1式中:f为小波包分解的信号在第i层中(i,j)节点的重i,jiR1=0．01Ω;R2=1Ω;R3=1Ω;R4=100Ω。构信号,x为小波包系数,j=0,1,2,.,2-1,k=1,2,.,N;N为j,k图3不同过渡电阻下的小波包能量谱离散重构信号的离散采样点数,E为故障信号经小波包分解i,j图3中分别取过渡电阻R=0．01Ω,1Ω,10Ω,100Ω时计算后第i层第(i,j)个节点的频带能量。小波包能量谱,结果显示它们十分相似,这表明小波包能量谱定义小波包变换下的小波包能量谱序列为:不仅能消除过渡电阻的影响,而且还能在训练GRNN神经网E=[E,E,E,E,E,E,E,E](2)13,03,13,23,33,43,53,63,7络时作为有效的训练样本,提供训练和测试数据。在提取故HVDC在不同故障原因下的直流电流的小波包能量分布障特征和一些训练样本后,本文采用GRNN进行换相失败识谱如图2所示。别和故障分类。2广义回归神经网络[13]GRNN是美国学者DonaldF.Specht在1991年提出的,它是径向基(RadicalBasisFunction,RBF)神经网络的一种,也是概率神经网络(ProbabilisticNeuralNetwork,PNNs)家族的一员。GRNN具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,适用于解决非线性问题。GRNN在逼近能力和学习速度上较ANNs有更强的优势,而且在训练数据较少时,预测效果也较好。基于密度函数估计和贝叶A-交流系统故障引起换相失败;B-直流故障未引起换相失败;C斯决策理论的GRNN在计算和训练速度方面比反向传播神经[14]-触发脉冲丢失故障引起换相失败网络(ArtificialNeuralNetwork,ANN)快200,000次,计算图2不同原因下小波包能量谱速度的提高同时也使得计算结果比ANN准确,如表1[15]图2中,由于小波包分解后直流分量能量占比最大,高频所示。表1GRNN与ANN表现对比神经网络类型输入向量个数训练样本个数光滑因子σ训练时间/s测试样本个数识别结果/%13061-4．86290616375．5ANN130610．1470．02316416365GRNN21261-2．01328816369．5ANN212610．02040．03210816381．12GRNN33061-2．16021916383．11ANN330610．02040．01007016391．21GRNN∞GRNN最主要的缺点是占用用于存储神经网络的内存较∫yf(X,y)dy大。首先,从图4可知,在相同数量的神经元下,GRNN的模Y^=E(y/X)=-∞(3)∞i式层权值数量是ANN的两倍,即Y和1。其次,GRNN模式∫f(X,y)dy-∞层的神经元并不像传统ANN那样由纯数学表达式构成的网Y^即为在输入为X的条件下,Y的预测输出。根据[13],络和激活函数组成,它的每一个神经元都需要储存与输入向假设偏微分f对于任何x都很小,神经元采用[14]中Table1量维度相同的矩阵进行运算,因此需要的内存远大于传的第三个激活函数用于估算概率密度函数^f(X,Y)统ANN。ì^f(X,Y)=12．1GRNN模型(p+1)/2(p+1)(2π)σ设随机变量x和y的联合概率密度函数为f(x,y),已知xín(4)(X-Xi)T(X-Xi)(Y-Yi)2的观测值为X,则y相对于X的回归为:×1∑exp-2σ2×exp-2σ2îni=1·23·u1。2二}锰睾：1。310405节点 基于小波包分解和广义回归神经网络的换相失败故障诊断刘飞,等ii式中,X,Y为随机变量x和y的样本观测值;n为样本容构造了输入向量后,GRNN还需经过故障样本的训练,进量;p为随机变量x的维数;σ为光滑因子。而确定故障原因。在采集换相失败样本时,通常采用[16]的°用^f(X,Y)代替f(X,y)带入式(3)计算可得输出为:方法比较换流器息弧角γ与息弧临界角(γ=10)之间的大minn2-Di小来判断是否发生换相失败。γ波形可通过PSCAD示波器∑Yie(2σ2)Y^(X)=i=1(5)读取。在训练GRNN时,由于训练样本较少,采取交叉验证的n2-Di方法来循环训练,直至找出最佳的σ值,使得训练样本得出∑e(2σ2)i=1的输出与实际值的均方误差最小。训练完成后,具体的诊断式中,Di为标量函数,其表达式为:流程如图5所示。2iTiD=(X-X)(X-X)(6)i令-D2iP=e(2σ2),i=1,2,.,n(7)iniS=∑YP(8)Nii=1nS=∑P(9)Dii=1图5故障诊断流程图将(8),(9)代入(5),得:∧S4仿真分析NY=(10)SD利用电磁暂态仿真软件PSCAD/EMTDC建立糯扎渡送电以上得GRNN模型由输入层,模式层,求和层和输出层四广东KV特高压直流输电仿真模型,如图6所示。在50KHz层结构组成,如图4所示。其中,输入层的神经元个数等于学的采样频率下仿真获取故障样本,分为训练样本和测试样本。习样本中向量的维数;模式层神经元个数等于学习样本的个数,输入经过式(7)传到求和层,模式层与求和层的连接权值i为Y和1;通过式(8),式(9)求和后由式(10)得出输出。图6糯扎渡直流输电模型本文考虑8种故障原因,分别为正常运行(Norm),直流线路短路故障(DCF),换相失败故障(CTF),以及造成换相失败的故障:逆变侧单相接地短路(F1),两相短路(F2),两相接地短路(F3),三相短路(F4),触发脉冲丢失(F5)。对于短路故障,取过渡电阻R=0．01-100Ω,对于F5,模拟触发脉冲在不同时刻下丢失获取仿真数据,每种故障得到图4GRNN网络结构图120个样本,其中20个样本用于训练,100个样本用于测试。GRNN的模型简单,只有一个变量即平滑因子σ,因此训经过WPD处理后的故障能量谱如图7所示。练过程中无需一直改变各神经元连接权值,只需改变平滑因子,使得网络训练效率高,精度高。当σ非常大时,Y^近似所有于所有样本的样本均值,当σ趋向0时,Y^和训练样本非常接近,有可能导致网络的泛化能力差。因此,在网络训练时必须选择合适的平滑因子。3换相失败故障诊断方法在HVDC系统中,通常造成换相失败的原因是逆变侧触发脉冲丢失和交流系统故障,直流线路发生故障时一般不会造成换相失败,而且直流电流均会发生突变。对故障信号进图7不同故障原因小波包能量谱行小波包分解和能量统计可知,换相失败故障时,I在低频段d由图7可知,8种故障原因的的小波包能量谱差异较大,具有较高的分量,直流线路发生短路故障时,I也会在高频段d可以据此构造输入向量,通过GRNN进行分类识别。产生丰富的暂态分量。因此,用逆变侧直流电流I作为故障d本文考虑两种GRNN模式输出结果,具体结构如图8所诊断的输入信号可以区分HVDC系统是正常状态或是换相失示。模式1采用一个GRNN用于所有故障的辨识,模式2采败故障或直流短路故障。但对于不同原因引起的换相失败,用两个GRNN同时处理,其中GRNN1辨识Norm、DCF和I的变化过程区别不大,能量谱差异较小,尤其是两相短路与dCTF,GRNN2辨识F1~F5。两种模式均在同一电脑,121个样三相短路能量谱几乎一样,所以必须引入其他信号提高识本下训练,600个样本下测试。别率。对交流电流进行小波包分解可知,三相电流I,I,I小波abc包能量谱在不同故障下有明显的区别,因此,定义新的能量谱E:2E=[E,E,E,E,E,E,E](11)2IdIa0Ia1Ib0Ib1Ic0Ic1式中,E,E,E,E,E,E分别为A,B,C三相电流在Ia0Ia1Ib0Ib1Ic0Ic1第1和第2频段的系数能量。图8两种GRNN模式·24· 《自动化与仪器仪表》2017年第6期(总第212期)假设发生以下故障:直流线路短路(DCF)、单相接地短路(F1)、两相短路(F2)。辨识结果如表2,表3所示。表2模式1故障诊断结果GRNN1GRNN2故障NormDCFCTFF1F2F3F4F5DCF01000000F10．001100．998910000F20．003400．9966010．001300表3模式2故障诊断结果GRNN1GRNN2故障NormDCFCTFF1F2F3F4F5DCF01000000F100110000F200100．99830．001700表2和表3中列出了两种模式下GRNN的输出结果,输[5]王海军,黄义隆,周全.高压直流输电换相失败响应策略与出最大对应的故障即为辨识结果。三组神经网络光滑因子σ预测控制技术路线分析[J].电力系统保护与控制,2014,分别在0．0105、0．0213和0．012时训练误差的均方差最小,(21):124-131训练时间分别为0．448706s,0．464180s,0．696227s。模式二神[6]WEIZhizhong,YUANYang,XIAOLei,elal.Directcurrent经网络训练时间相对较长,这与输入向量维数较多,模式层占predictivecontrolstrategyforinhibitingcommutationfailurein用内存较大有关。两种模式都能很好的辨识出换相失败和故HVDCconverter[J].IEEETransactiononPowerSystems,障原因,继而快速的应对换相失败故障,提高HVDC系统稳2014,29(5),2409-2417.定性。[7]申洪明,黄少锋,费彬,李欧.基于数学形态学的换相失败检测新方法[J].电工技术学报,2016,(04):170-177本文同时考虑A相交流电流采样器失灵时采用WPE-[8]林凌雪,张尧,钟庆,等.基于小波能量统计法的HVDC换GRNN两种模式判别故障的鲁棒性。在A相交流电流采样器相失败故障诊断[J].电力系统自动化,2007,31(23):61失灵时采集到的电流幅值为0,即E=E=0,仿真得到18个Ia0Ia1-64.测试样本进行诊断,其中模式一中GRNN1仍可继续诊断是否[9]徐松林,黄少先.基于小波能量谱和灰色综合关联度的换相失败,GRNN2也得到了16个正确的故障结果,GRNN3HVDC换相失败故障诊断[J].电力系统保护与控制,得到了12个正确结果。因此,采用模式1的故障诊断虽然降2012,(03):85-89.低了准确性,但鲁棒性相对较高,能适用于工程实践。[10]LAIL.L,NDEHC.F,TEJEDOC.Faultidentificationin5结论HVDCSystemswithneuralnetworks[C].ProceedingsofIEEAPSCOM-93,HongKong,1993,(1):231-236.本文提出一种基于WPD和GRNN的换相失败故障诊断[11]李新年,陈树勇,庞广恒,等.华东多直流馈入系统换相失新方法,该方法不受过渡电阻和运行方式的影响,将直流电流败预防和自动恢复能力的优化[J].电力系统自动化,和交流电流的小波包能量谱结合组成故障特征,分析比较了2015,39(6):134-140.两种模式下的GRNN识别结果,均能准确诊断是否发生换相[12]谭善文,秦树人,汤宝平.小波基时频特性及其在分析突变失败以及造成换相失败的故障原因,但在故障下模式一的鲁信号钟的应用[J].重庆大学学报:自然科学版,2001,24棒性较好。(2):12-17.参考文献[13]SPECHTD.F.Ageneralregressionneuralnetwork.IEEETransactionNeuralNetwork,1991,2(06):568-576.[1]THIOC.V,DAVIESJ.B,KENTK.L.Commutationfailures[14]Probabilisticneuralnetworks.NeuralNetworks,1990,3(01):inHVDCtransmissionsystems[J].IEEETransactionon109-118.PowerDelivery,1996,11,(2):946-957.[15]CHENHaoyong,PASCALD.S.A,CAIYongzhi,YANGPing.[2]欧开健,任震,荆勇.直流输电系统换相失败的研究(一):IntelligientTransientOvervoltagesLocationinDistribution换相失败的影响因素分析[J].电力自动化设备,2003,23SystemsUsingWaveletPacketDecompositionandGeneral(5):5-8+25.RegressionNeuralNetworks[J].IEEETransactionson[3]彭忠,李少华,李泰,等.高压直流输电系统抑制换相失败IndustrialInformatics,2016,12(05):1726-1735.的最小关断面积控制策略[J].电力系统保护与控制,[16]何朝荣,李兴源,金小明,等.高压直流输电系统换相失败2015,(17):75-80.的判断标准[J].电网技术,2006,30(22):19-23.[4]夏成军,杨仲超,周保荣,等.考虑负荷模型的多回直流同[17]HEChaorong,LIXingyuan,JINXiaoming,etal.Criteriafor时换相失败分析[J].电力系统保护与控制,2015,(09):commutationfailureinHVDCtransmissionsystem[J].Power76-81.SystemTechnology,2006,30(22):19-23.·25·