改進PSO-RBF神經網絡的電網故障檢測模型

張淑卿 李卓桐 張立紅

摘? 要： 為了提高電網故障檢測模型的構建速度，提高電網故障檢測的準確性，提出應用一種改進的粒子群算法來優化RBF神經網絡的相關參數，進而提高RBF神經網絡的訓練速度，提升故障檢測的準確率。RBF神經網絡的梯度下降訓練算法存在著收斂速度慢的問題，選用改進的粒子群算法來提高網絡的訓練速度。通過分析電網故障的特點，創建電網故障模型，將故障樣本作為RBF神經網絡的訓練樣本來訓練網絡。經仿真證明，改進粒子群算法優化的RBF神經網絡對電網故障有更好的檢測效果，故障檢測準確率更高，有更好的實用價值。

關鍵詞： 電網故障檢測; 粒子群算法; RBF神經網絡; 構建速度; 收斂性; 準確性

中圖分類號：TM715/TP391? ? ? ? ? 文獻標志碼： A? ? ?文章編號：1006-8228（2019）01-05-04

Abstract： In order to speed up the construction of power grid fault detection model， improve the accuracy of fault detection， an improved particle swarm algorithm is put forward to optimize the relevant parameters of RBF neural network ， and then improve the RBF neural network training speed， improve the accuracy rate of fault detection. The gradient descent training algorithm of RBF neural network has the problem of slow convergence， and the improved particle swarm optimization algorithm is used to improve the training speed of the network. By analyzing the characteristics of the power grid fault， the fault model of the power grid is created， and the fault samples are generated as training samples of the RBF neural network to train the network. It is proved by simulation that the RBF neural network optimized by improved particle swarm optimization algorithm has better detection effect for power grid fault， and the accuracy of fault detection is higher， so it has better practical value.

Key words： power grid fault detection; particle swarm optimization; RBF neural network; construction speed; convergence; accuracy

0 引言

隨著我國現代化建設的腳步越來越快，電能已作為人們日常生活中不可缺少的能源，然而我國電網的結構復雜、各個地區電網建設并不協調，電網故障類型又多種多樣，因此當電網發生故障時，準確快速地判斷出發生故障的線路對于電網安全運行尤為關鍵[1]。電網故障診斷就是通過采集系統采集到的斷路器、保護器等警報信息來分析故障的位置、類型等，其中故障線路的選擇是最關鍵問題[2]。到目前為止，國內外的電網故障診斷技術有專家系統[3]、優化技術[4]、神經網絡[5]等。近年來人工智能領域迎來了研究熱潮，其中神經網絡作為一種重要的人工智能理論被廣泛研究[6]。但是，一般的神經網絡有著很多的缺點[7]，比如神經網絡各層之間的權值和閾值需要通過復雜、耗時的訓練算法來訓練，訓練過程會有不收斂或不穩定的現象，這直接導致了神經網絡在諸多模型的應用上效果并不理想。

為了提高電網故障檢測的準確性，應用一種改進的粒子群算法來優化RBF神經網絡的相關參數，改善神經網絡的性能，使故障檢測模型有更高的準確性。

1 改進PSO優化RBF神經網絡模型

1.1 RBF神經網絡模型

徑向基神經網絡（Radial basis neural network）簡稱RBF神經網絡，它能夠以任意精度逼近非線性函數而且具有結構簡單、收斂速度快的優點。因其具有模擬神經元局部響應的特性，在網絡的隱層加入基函數，可以對目標進行非線性逼近，具有廣泛的應用。本文所研究的電網故障診斷模型有多重的影響因素，因此選用多輸入單輸出的神經網絡，網絡結構分為三層，分別有輸入層、隱含層和輸出層。其網絡結構模型如圖1所示。

本文應用的RBF神經網絡具有n個輸入節點，m個隱含層節點，1個輸出節點。選擇高斯分布函數作為隱含層的基函數。

⑴ 當輸入樣本數據時，從輸入層到隱含層的非線性變換為：

其中m表示隱層的節點個數，ωi表示第i個隱層節點與輸出節點的連接權重;y是網絡的輸出;ω0是調整輸出的偏移量，是一個預先設定好的常數。

在以高斯函數作為基函數的徑向基神經網絡中，基函數的中心ci表示在高斯分布中對中心附近的數據比較敏感，而基函數的場域寬度σi的大小決定了數據減小的快慢程度。因此，用RBF神經網絡實現對電網故障的診斷需要對網絡中基函數的中心ci、基函數的場域寬度σi、隱層與輸出層的權重ωi進行選取。

應用RBF神經網絡對電網故障進行檢測時，通常以訓練樣本的均方誤差MSE作為RBF神經網絡的性能評價函數，其表達式如下所示：

其中N表示電網故障訓練樣本的個數;y表示神經網絡的實際輸出結果，表示對輸出結果的期望值。

從上述內容中總結得知，電網故障檢測精準與否的性能指標MSE與RBF神經網絡中的參數{ci，σi，ωi}直接相關，因此采用改進的粒子群算法對RBF神經網絡的參數進行優化，進而找到最優的參數使得性能指標MSE最小。

1.2 粒子群算法及其改進

粒子群算法具有多種優點[8]，在理論分析和實際工程中有著非常多的應用。PSO算法數學表示為：在D維搜索空間中，有N個粒子組成的種群。其中：為粒子i的當前位置;為粒子i的當前飛行速度;為粒子i搜索到的個體最優位置稱為Pbest;為整個粒子群搜索到的最優位置稱為gbest。粒子狀態更新操作如下：

其中d=（1，2，…，D）;i=（1，2，…，N）。k為當前迭代次數，ω是非負常數，稱為慣性因子;c1，c2稱為學習因子，也是非負常數;r1，r2是0～1之間的隨機數。雖然粒子群算法有著諸多應用，但是標準粒子群算法也存在著后期搜索速度慢和不易找到全局最優解等缺點。為了改善粒子群算法的性能。相關文獻[9]在研究了多種慣性權重取值方法之后，發現凸函數遞減慣性權重法在檢驗算法性能的實驗中收斂速度最快，精度最高。因此，本文的慣性權重取值為：

⑹

其中ωmax、ωmin分別為慣性權重的最大值、最小值，分別取值為0.9，0.4;k為當前迭代次數;kmax為最大迭代次數。在式⑷中，c1能夠表示粒子對自身的學習能力，而c2能夠表示粒子對種群的學習能力，c1遞減和c2遞增有利于算法初期粒子的前期自身搜索和后期全局搜索。因此在本文中將c1、c2設置為如下形式：

其中為常數，按經驗取值為c1a=1.5、c1b=0.7、c2a=2.5、c2b=0.5。

1.3 改進PSO優化RBF神經網絡參數

應用改進后的粒子群優化算法優化RBF神經網絡參數{ci，σi，ωi}的具體步驟如下。

Step 1 設置相關參數，確定粒子個數N、空間維數D、迭代次數kmax對每個粒子初始化其位置和速度。

Step 2 對RBF神經網絡的權值和閾值賦值形成相對應的粒子，計算每個粒子適應度值，根據適應度選出最好pbest和gbest。

Step 3 通過改進的算法對粒子更新，計算更新后的粒子適應度值，與上一次的pbest和gbest比較，選出適應度最優的粒子。

Step 4 判斷當前迭代次數是否達到了設定的最大迭代次數kmax或適應度函數MSE是否達到了預設的期望值。若符合，則迭代終止，否則轉向step 3繼續進行迭代尋優。

Step 5 當網絡訓練結束后，根據尋找到的最優粒子，得到RBF神經網絡的參數值。導入測試樣本進行測試，評價其電網故障檢測的能力。

改進的粒子群算法優化RBF神經網絡流程圖如圖2所示。

2 電網故障模型

以圖三為例，選取一個簡單的配電網系統的一個分支作為測試系統如圖3所示。配電網分為 5 個故障區域 sec1-sec5（sec代表線路的編號），分別配有過流保護CO，后備距離保護RR，QF表示斷路器。將故障區域將分為8個部分，分別為線路sec1-cec5、sec3-4（表示sec3或sec4區域存在故障）、sec2-5、none（表示沒有故障）。根據主、后備保護動作原理，列出故障診斷決策表，建立了故障樣本。

從SCADA系統中獲取相關器件的動作信息[10]。用“1”來表示保護動作或斷路器打開，“0”表示保護未動作或斷路器閉合。由圖3知，將斷路器QF1-QF5分別用c1-c5表示，過流保護CO1-CO5分別用c6-c10表示，距離保護RR1，RR2分別用c11-c12表示;故障區域線路sec1-cec5 對應編號D為1-5，sec3-4、sec2-5、none對應編號6-8表示。由此，建立電網故障檢測的樣本模型，以便對改進粒子群算法優化的RBF神經網絡進行測試，判斷其性能。故障診斷決策表如表1所示。

3 仿真測試

選取配電網故障樣本作為改進PSO優化RBF神經網絡的訓練樣本。為了體現改進PSO優化的RBF神經網絡的性能。實驗分別選取慣性權重為常數ω=1時ω隨迭代次數而變化的粒子群算法[11]，以及改進的粒子群算法來優化RBF神經網絡。由于不同算法的性能各不相同，所以本次實驗設置粒子個數N=500，空間維數D=14，迭代次數kmax=500。設置期望的誤差精度MSE=0.01達到要求。在此條件下進行實驗，其中誤差精度訓練曲線如圖4所示。

如圖4中誤差精度訓練曲線所示：當采取本文改進的粒子群算法時，能夠達到預期要求的誤差精度，相比于上述兩種粒子群算法，選用本文改進的粒子群算法來優化RBF神經網絡不僅能夠滿足誤差精度的要求，而且具有收斂速度快、迭代次數少的優點。因此改進的PSO優化RBF神經網絡具有更好的收斂性，建立電網故障模型的速度更快。

為了體現改進PSO優化RBF神經網絡的電網故障檢測模型的性能，選取4組不同的電網故障樣本對檢測模型進行檢驗。檢驗標準以故障檢測模型輸出的檢測結果正確率為指標進行實驗。結果如圖5所示。

如圖5所示改進的PSO優化RBF神經網絡故障診斷模型的準確率最高，這主要是因為改進的粒子群算法所需要的迭代次數更少，搜索精度更高，使得神經網絡模型具有更高的準確性。由此證明了本文中改進的PSO算法優化RBF神經網絡電網故障檢測模型準確率更高，檢測效果更好。

4 結束語

本文應用一種改進的PSO優化算法來優化RBF神經網絡，并且將優化后的RBF神經網絡用來檢測電網故障。能夠實現對電網故障中，故障線路和故障區間的選擇。相比于標準粒子群算法，本文中應用的改進粒子群算法具有：需要的迭代次數更少、收斂速度更快、檢測精度更高的優點。應用改進粒子群算法優化的RBF神經網絡模型對電網故障檢測具有更高的準確率。對于提高電網故障檢測性能，實現快速、準確地判斷電網故障具有廣泛的應用前景。

參考文獻（References）：

[1] 方勇靈，陸榛，宋福海，夏可青，祁忠.一種繼電保護故障信息智能分析方案及應用[J].電力系統保護與控制，2013.41（5）：114-118

[2] 王家林，夏立，吳正國，楊宣訪.電力系統故障診斷研究現狀與展望[J].電力系統保護與控制，2010.38（18）：210-216

[3] 劉紅梅，龔雪梅.調度集控一體化中智能告警專家處理系統應用分析[J].通訊世界，2017.17：123-124

[4] 黃建梅.智能配電網優化調度設計及關鍵技術[J].農村電氣化，2017.10：40-41

[5] 廖永進，范軍輝，楊維結，季鵬，張靜，馮永新.基于RBF神經網絡的SCR脫硝系統噴氨優化[J].動力工程學報，2017.37（11）：931-937

[6] 張慶輝，萬晨霞.卷積神經網絡綜述[J].中原工學院學報，2017.3：82-86，90

[7] 王成亮，王宏華，向昌明，徐鋼.發電機進相能力的RBF神經網絡模型[J].電工技術學報，2012.27（1）：124-129

[8] 梁俊卿.基于改進粒子群算法的無線傳感器網絡覆蓋優化[J].現代電子技術，2017.40（17）：32-35

[9] 王東風，孟麗.粒子群優化算法的性能分析和參數選擇[J].自動化學報，2016.42（10）：1552-1561

[10] 張旭，魏娟，趙冬梅，張東英，劉燕華.電網故障診斷的研究歷程及展望[J].電網技術，2013.37（10）：2745-2753

[11] 夏爽，李麗宏.基于PSO-RBF神經網絡在溫室溫度預測中的應用[J].計算機工程與設計，2017.38（3）：744-748