遗传优化神经网络在小电流接地系统故障选线中的应用

2 输入、输出量的选取
　　在中性点不接地电网中，假定有K条馈电线路，则在神经网络输入、输出量选取如下：
2．1 输入量的选取
　　根据馈电线路数K，每条馈线输入数据共有N个，则共有K*N个输入节点，每条馈线输入数据分别为：
　　1） 零序测量导纳Yoi[3]
　　根据电网正常运行时的零序回路，利用消弧线圈适当的脱谐状况和位移电压的相应改变，可将每条馈线零序阻抗的不对称分量，即对地导纳计算出来。如果所有的零序导纳都不超过正常运行时电网限定的允许值，则无故障；当任何一条馈线发生单相接地故障时，就相当于产生了一个附加的不对称电源，这就会导致零序电压和馈线零序电流的总和量发生变化，此时同样计算出该条馈线的对地导纳。将计算出的馈线对地导纳输入神经网络，作为第一组输入数据。
　　2） 零序电流幅值
　　单相接地短路时，流过故障元件的零序电流在数值上等于所有非故障元件对地电容电流之和，即故障线路上的零序电流最大，所以零序电流幅值的大小，也是判别故障线路的有效数据。故将各条馈线的零序电流作为第二组输入数据。
　　3） 五次谐波分量
　　从过渡电阻的非线性可知故障点本身就是一个谐波源（金属性接地是经电阻接地发展而来的），且以基波和奇次谐波为主，根据谐波在整个系统内的分布和保护的要求，使用五次谐波分量为宜。NES（中性点经消弧线圈接地系统）中的消弧线圈是按照基波整定的，即有,可忽略消弧线圈对五次谐波产生的补偿效果，因零序电流五次谐波分量产生在NES中有着与NUS（中性点不接地系统）中零序电流基波分量相同的特点，根据上述零序电流幅值法原理，将其经消弧线圈所得五次谐波分量取其电流幅值，作为第三组输入数据。
　　4）序分量测量值Is
　　根据参考文献[4]，利用对电流正、负序分量的有效值进行相加，得出一综合测量值Is将其作为第四组输入数据。
　　在此神经网络中，仅选择了4组输入数据，在实际应用中，可以根据实际情况，加入其它数据，以更好地进行选线。
2．2 输出量的选取
　　在此网络中，共选取K+1个输出节点，代表1至K条馈线，第K+1个节点代表母线，传统的输出1代表有故障，0代表不故障的绝对关系灵活化，其值可以取[0,1]区间的任一数值，再将其输出数值进行判断，大于0.5判为故障，小于0.5判为不故障。

3 网络学习及训练
选取一有10条馈电线路的输电系统，如图3所示：

　　此输电系统中，L1～L4为电缆线路，L5～L10为架空线路。
　　对此网络进行学习训练。根据训练的实际情况，选取64个隐含节点，则依据上述原理，生成一个有4×10×64×2位的个体，然后依据遗传优化神经网络的算法原理，进行网络训练。在此实际网络中，例如，当L3馈线发生接地短路时，则神经网络的理想输出为[0 0 1 0 0 0 0 0 0 0]，神经网络的实际输出为yi（i=1,2,...,10)，为求取其适应度函数值，先求取方差，则其适应度函数取为f=100/S。可见，其适应度函数越高，方差越小，与标准选线结果也就越接近。
　　经过87次的训练，该网络训练完成。进行实际运算得到的结果表明，其判断准确率可达90％以上。

4 结论
　　与传统的选线方法（五次谐波分量法、零序导纳法）相比，此方法根据多个判据的综合判定，加上采用了遗传算法进行神经网络的优化，避免了神经网络容易陷入局部最小的问题，大大提高了接地选线的准确性。但随着馈电线路的增加及隐含层接点数目的增加，会大大加大算法的计算量，考虑到单相接地故障允许运行1～2小时，随着计算机速度的不断加快，此问题已不是很重要，故在现场运行中是可行的。