基于BP 神經網絡的電纜故障測距算法設計

毛 丹

(南通軌道交通集團有限公司運營分公司)

0 引言

近年來隨著我國城市人口越來越密集, 城市交通出行成為了重要發展對象, 我國開始大力發展城市軌道交通事業, 而不同于傳統的鐵路, 城市軌道交通主要動力來源于電力系統, 變電站通過220kV/110kV變電成為35kV, 而35kV 線路通過整流系統整流成為±1500V 供給城市軌道交通線路進行運營, 因此, 電力系統成為了系統唯一動力來源, 而城市人口密集,無論是變電還是電能傳輸無法通過傳統的架空線路形式進行傳輸, 因此選用了占地面積小、結構穩定的交聯聚乙烯線路運行, 這保證了一方面節約了大量的土地資源, 另一方面, 電纜線路結構穩定, 一般情況下不易發生故障, 從而廣泛被軌道交通線路所應用。

隨著大量的軌道交通線路投運, 大部分交聯聚乙烯電纜線路以運行超過了10 年, 由于電力電纜線路其配件復雜, 無論是生產工藝還是安裝工藝都需要經過慎重考究, 同時電纜線路埋于地下, 在長時間的運行過程中, 受到自然環境、動物侵蝕、過電壓過負荷的影響, 線路易發生各類故障, 因此, 電纜線路狀態監測成為了電纜線路穩定運行的重要參量之一, 對于軌道交通電纜線路, 其承載了軌道交通機車穩定運行的重要負載, 當線路發生故障跳閘時, 快速識別電纜故障點以及故障點排查恢復軌道交通機車供電顯得分外重要。

鑒于上述問題, 本文基于BP 神經網絡, 優化狼群算法, 利用電纜線路故障參量進行優化訓練BP 神經網絡參數, 提出了一種軌道交通電纜線路故障測距實用性算法。

1 電力電纜故障分類

現階段, 隨著城市化人口的不斷集中, 我國城市化人口越來越集中, 城市化出行以及供電需求越來越大, 隨著城市化用電區域越來越集中, 架空線路無法適應以及滿足城市用電需求, 因此城市集中供電區域, 類似軌道交通線路、生產工廠大部分采用了電纜線路從而替代了傳統的架空線路, 電纜線路具備更強的穩定性以及更低的故障率, 因此城市供電電纜線路逐漸替代了架空線路, 成為了重要的電能載體。

電纜線路一般情況下敷設于電纜溝或者直埋于地下, 一方面受到生產工藝、施工工藝的影響, 電纜線路易發生外絕緣損傷的情況, 在長時間運行時, 電纜線路極易從外絕緣缺陷演變成為主絕緣故障, 進而導致電纜線路發生故障跳閘; 另一方面受到地下潮濕自然環境的影響, 電纜外絕緣層易發生各類腐蝕, 導致電纜線路出現水樹枝、電樹枝的情況, 進而誘發電纜線路發生絕緣擊穿的情況; 其次電纜線路在地下會存在蟻噬、鼠噬的情況, 長此以往容易導致線路主絕緣發生故障進而出現電纜擊穿的情況; 最后部分直埋電纜線路容易受到外力破壞導致線路本體出現彎曲, 接地的情況從而嚴重影響了電纜線路的主絕緣導致電纜線路發生故障跳閘, 如下圖1 所示為電纜線路主要故障類型:

圖1 電纜線路主要故障類型

2 電力電纜不同種類故障特征分析

上述分析了現階段電纜線路主流故障以及導致主流故障產生的原因, 對于電纜線路而言不同種類的故障其表現出現的特征是不同的, 針對于上述四類故障, 從故障阻抗高低分, 可分為高阻故障、中阻故障、低阻故障。一般情況下由于生產工藝、施工工藝以及潮濕的地下環境導致的電纜線路發生故障跳閘此類故障為“漸發性”故障; 一般情況下其故障阻抗特征均表現為高阻抗類故障, 蟻噬、鼠噬此類故障一般情況下是長時間小動物啃噬, 最終導致了電纜線路發生主絕緣損傷進而出現了跳閘情況, 該類故障可以判定為中阻故障; 而外力破壞導致電纜線路發生故障跳閘, 一般是電纜線路的主絕緣遭到了破壞, 該類故障基本為屏蔽層接地或者芯線短接從而導致了線路發生故障, 該類故障為低阻類故障。

從電纜故障特征來分, 當電纜線路由于“生產工藝、施工工藝”導致的電纜發生故障時, 電纜線路此時表現出來的特征為首先電纜線路存在微弱放電跡象, 不會明顯表現出工頻的畸變性, 直到電纜開始出現主絕緣擊穿時, 此時才會發生明顯的工頻變化, 潮濕環境影響電纜線路的主要因素是電纜線路絕緣層會出現各類放電情況, 到影響到絕緣后期時, 線路中的環流明顯變大, 此時絕緣會出現明顯問題, 而外力破壞類故障, 一般情況下其電纜線路表現出來正常的狀態, 當線路發生外力破壞時, 芯線中電流呈現出明顯變大的狀況, 依據上述特征可大致區分電纜線路的狀態。同時電纜線路在發生故障跳閘時, 故障點精確定位尤為重要, 在區分了電纜線路故障類型后, 以后為電纜線路故障進行故障點精確定位算法編寫。

3 優化算法簡介

3.1 優化狼群算法

狼群算法起源于2007 年, 為了分析自然界中動物捕捉的一種智能算法, 該算法通過不斷的迭代, 進而檢索出系統最有解, 應用于電纜線路故障測距則是通過數據分析方式實現電纜故障點信息的最有解, 其算法步驟如下所示:

①系統初始化, 在系統中隨機設置n匹人工狼,通過隨機判定設置狼i位置位于:

初始位置判定方法為, 主要為隨機產生:

式中, 將rand定義為分布在區間[-1, 1] 中分布的隨機數,xmax、xmin為檢索空間內的最大值以及最小值;

②從設置的n匹狼中進行選取p只狼作為領袖,在p只狼周圍選取q個點位進行搜索, 直到出現qmax為止, 若沒有出現, 則繼續搜索, 所出現則停止搜索, 其中p只狼中第i只狼附近出現的點位中j的位置為:

式中,step為系統設定步長。

③通過不斷搜索, 進行qmax求解, 并不斷改變其位置進行迭代, 最終最優解位置:

④采用優勝劣汰的原則, 進行最優位置求解, 不斷采用最優解迭代, 最終保留部分最優解結果, 進而實現了求解。

⑤其算法流程圖如下圖2 所示。

圖2 優化算法流程圖

3.2 優化BP 神經網絡算法

由于BP 神經網絡算法在進行計算時收斂速度不高且會出現局部死區的情況, 這在對數據處理以及算法優化時存在極大問題, 對于BP 神經網絡算法, 本文在進行電纜線路故障精確定位時采用行波電流進行數據分析, 對行波電流進行傅里葉積分變換, 確定其行波電流分頻率以及幅值分布, 然后進行故障點求解, 神經網絡算法是一種較為成熟的模糊概念求解方式, 類似于小波變換, 其神經網絡模型較為廣泛, 本文選用BP 神經網絡由于其具備更高的逼近性以及輸入輸出的非線性映射性, 因此BP 神經網絡算法模型具備更強的故障測距計算能力, 圖3 所示為BP 神經網絡算法的基本模型。

圖3 BP 神經網絡算法流程圖

4 電纜故障定位

上述算法利用狼群優化算法結合BP 神經網絡算法對電纜線路故障測距提出了最優解, 以下對電纜線路進行仿真驗證, 本文針對于軌道交通電纜線路進行故障測距驗證, 給出了電纜線路的分布式參數以及PSCAD 仿真模型, 表1 所示為電纜線路正序負序仿真參數, 圖4 為電纜線路線路PSCAD 仿真模型。

表1 電纜分布參數

圖4 電纜故障仿真模型

本文選用的故障點模型為注入式故障模型, 以A相單相故障為例子, 通過切換故障點位置不斷該變故障點信息通過上述優化研究的算法與實際故障點信息相比對, 進而獲得故障測距信息的準確性。

通過表2 證明, 經過優化的BP 神經網絡算法相比于傳統的故障測距算法具有一定的提升, 但是隱藏層的tran-sigmoid 函數相對而言, 同樣重要, 本文中第三類隱藏層的算法具有更加高的故障測距的精確性。

表2 優化算法計算結果與實際故障點對比結果

5 結束語

隨著城市化發展需求, 電纜線路逐漸發展成為了重要的電能傳輸載體, 其故障種類繁多, 同時不同的故障種類表現出現的故障特征不盡相同, 本文采用了狼群算法優化BP 神經網絡算法, 采用了第三類transigmoid 函數相對而言其故障測距精度更有更高的精確性, 不足之處在于本文采用了仿真計算形式并未投入到現場試驗驗證。