0 引言

　　小電流接地系統(tǒng)中發(fā)生單相接地時，由于故障點的電流很小，而且三相之間的線電壓仍然保持對稱，在一般情況下，都允許再繼續(xù)運行1～2小時，而不必立即跳閘，但為了防止故障進一步擴大成兩點或多點接地故障，應(yīng)及時發(fā)出信號，及時消除故障。但在現(xiàn)場運行中，單一故障選線方法的準確度較低，原因在于：小電流接地系統(tǒng)零序阻抗大，并受故障接地過渡阻抗的影響，故障電流小，故障線路與非故障線路的區(qū)別不明顯；受各種干擾因素的影響，故障選線裝置測量到的故障特征量(如零序電流、零序功率方向等)具有很大的模糊性和不確定性。
　　神經(jīng)網(wǎng)絡(luò)是模擬人類生理上的神經(jīng)機制的計算模型，其中一種典型網(wǎng)絡(luò)，也是最為成熟的一種網(wǎng)絡(luò)為多層前饋神經(jīng)網(wǎng)絡(luò)又稱BP（Back propagation）神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)在電力系統(tǒng)的各個領(lǐng)域有了廣泛的應(yīng)用，但在小電流接地選線中還沒有較為成熟的應(yīng)用，這是由小電流接地選線的故障特點及 BP網(wǎng)絡(luò)容易陷入局部極小點以及學習能力有限所共同決定的。針對此問題，本文提出將遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)用于故障選線中，通過對故障時的各種特征量的綜合判別，來大幅度提高故障選線的準確率。

1 算法原理及網(wǎng)絡(luò)模型
　　遺傳算法[2]是一種新型的，根植于自然遺傳學和計算機科學的優(yōu)化方法。其本質(zhì)是將優(yōu)勝劣汰、適者生存的原理及遺傳機理抽象出來，形成了一種非常使于計算機實現(xiàn)的算法。遺傳算法的計算過程是將實際的優(yōu)化問題編碼為染色體，實際問題的目標函數(shù)則用染色體的適應(yīng)函數(shù)表示、在隨機產(chǎn)生一群染色體的基礎(chǔ)上，根據(jù)各染色體的適應(yīng)函數(shù)進行繁殖、交叉、變異等遺傳操作，產(chǎn)生下一代染色體。適應(yīng)函數(shù)值的大小決定了該染色體被繁殖的機率，從而反映了適者生存的原理。
　　遺傳算法能夠收斂到全局最優(yōu)解，而且遺傳算法的魯棒性強，將遺傳算法與BP網(wǎng)絡(luò)結(jié)合起來，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化的映射能力，而且，使神經(jīng)網(wǎng)絡(luò)具有很快的收斂性以及較強的學習能力。遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合主要有兩種方式：一是用于網(wǎng)絡(luò)訓練，即學習網(wǎng)絡(luò)的連接權(quán)值；二是學習網(wǎng)絡(luò)的拓撲結(jié)構(gòu)。本文主要將遺傳算法用于神經(jīng)網(wǎng)絡(luò)的訓練。
　　BP神經(jīng)網(wǎng)絡(luò)模型如圖1所示：BP網(wǎng)絡(luò)分輸入層、隱含層和輸出層，層與層之間采用全互連方式，在同一層單元之間不存在連接關(guān)系。信號在網(wǎng)絡(luò)中是單方向向前傳播的。

　　BP網(wǎng)絡(luò)的每一層連接權(quán)值都可以通過學習來調(diào)整，未經(jīng)遺傳優(yōu)化的BP網(wǎng)絡(luò)的權(quán)值調(diào)整請見參考文獻[1]。
　　在遺傳優(yōu)化的神經(jīng)網(wǎng)絡(luò)中，層與層之間的連接權(quán)值用1、0表示，相連為1，不相連為0。在神經(jīng)網(wǎng)絡(luò)訓練時，首先列出神經(jīng)網(wǎng)絡(luò)所有可能存在的神經(jīng)元，將這些神經(jīng)元所有可能存在的連接權(quán)值編碼成二進制碼串表示的個體，隨機地生成這些碼串的群體，進行常規(guī)的遺傳算法優(yōu)化計算。將碼串解碼構(gòu)成神經(jīng)網(wǎng)絡(luò)，計算所有訓練樣本通過此神經(jīng)網(wǎng)絡(luò)產(chǎn)生的平均誤差可以確定每個個體的適應(yīng)度。具體過程見圖2。這樣，可以很好地解決神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的問題，并且可以大大提高神經(jīng)網(wǎng)絡(luò)的學習能力。

2 輸入、輸出量的選取
　　在中性點不接地電網(wǎng)中，假定有K條饋電線路，則在神經(jīng)網(wǎng)絡(luò)輸入、輸出量選取如下：
2．1 輸入量的選取
　　根據(jù)饋電線路數(shù)K，每條饋線輸入數(shù)據(jù)共有N個，則共有K*N個輸入節(jié)點，每條饋線輸入數(shù)據(jù)分別為：
　　1） 零序測量導納Yoi[3]
　　根據(jù)電網(wǎng)正常運行時的零序回路，利用消弧線圈適當?shù)拿撝C狀況和位移電壓的相應(yīng)改變，可將每條饋線零序阻抗的不對稱分量，即對地導納計算出來。如果所有的零序?qū)Ъ{都不超過正常運行時電網(wǎng)限定的允許值，則無故障；當任何一條饋線發(fā)生單相接地故障時，就相當于產(chǎn)生了一個附加的不對稱電源，這就會導致零序電壓和饋線零序電流的總和量發(fā)生變化，此時同樣計算出該條饋線的對地導納。將計算出的饋線對地導納輸入神經(jīng)網(wǎng)絡(luò)，作為第一組輸入數(shù)據(jù)。
　　2） 零序電流幅值
　　單相接地短路時，流過故障元件的零序電流在數(shù)值上等于所有非故障元件對地電容電流之和，即故障線路上的零序電流最大，所以零序電流幅值的大小，也是判別故障線路的有效數(shù)據(jù)。故將各條饋線的零序電流作為第二組輸入數(shù)據(jù)。
　　3） 五次諧波分量
　　從過渡電阻的非線性可知故障點本身就是一個諧波源（金屬性接地是經(jīng)電阻接地發(fā)展而來的），且以基波和奇次諧波為主，根據(jù)諧波在整個系統(tǒng)內(nèi)的分布和保護的要求，使用五次諧波分量為宜。NES（中性點經(jīng)消弧線圈接地系統(tǒng)）中的消弧線圈是按照基波整定的，即有,可忽略消弧線圈對五次諧波產(chǎn)生的補償效果，因零序電流五次諧波分量產(chǎn)生在NES中有著與NUS（中性點不接地系統(tǒng)）中零序電流基波分量相同的特點，根據(jù)上述零序電流幅值法原理，將其經(jīng)消弧線圈所得五次諧波分量取其電流幅值，作為第三組輸入數(shù)據(jù)。
　　4）序分量測量值Is
　　根據(jù)參考文獻[4]，利用對電流正、負序分量的有效值進行相加，得出一綜合測量值Is將其作為第四組輸入數(shù)據(jù)。
　　在此神經(jīng)網(wǎng)絡(luò)中，僅選擇了4組輸入數(shù)據(jù)，在實際應(yīng)用中，可以根據(jù)實際情況，加入其它數(shù)據(jù)，以更好地進行選線。
2．2 輸出量的選取
　　在此網(wǎng)絡(luò)中，共選取K+1個輸出節(jié)點，代表1至K條饋線，第K+1個節(jié)點代表母線，傳統(tǒng)的輸出1代表有故障，0代表不故障的絕對關(guān)系靈活化，其值可以取[0,1]區(qū)間的任一數(shù)值，再將其輸出數(shù)值進行判斷，大于0.5判為故障，小于0.5判為不故障。

3 網(wǎng)絡(luò)學習及訓練
    選取一有10條饋電線路的輸電系統(tǒng)，如圖3所示：

　　此輸電系統(tǒng)中，L1～L4為電纜線路，L5～L10為架空線路。
　　對此網(wǎng)絡(luò)進行學習訓練。根據(jù)訓練的實際情況，選取64個隱含節(jié)點，則依據(jù)上述原理，生成一個有4×10×64×2位的個體，然后依據(jù)遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)的算法原理，進行網(wǎng)絡(luò)訓練。在此實際網(wǎng)絡(luò)中，例如，當L3饋線發(fā)生接地短路時，則神經(jīng)網(wǎng)絡(luò)的理想輸出為[0 0 1 0 0 0 0 0 0 0]，神經(jīng)網(wǎng)絡(luò)的實際輸出為yi（i=1,2,...,10)，為求取其適應(yīng)度函數(shù)值，先求取方差，則其適應(yīng)度函數(shù)取為f=100/S。可見，其適應(yīng)度函數(shù)越高，方差越小，與標準選線結(jié)果也就越接近。
　　經(jīng)過87次的訓練，該網(wǎng)絡(luò)訓練完成。進行實際運算得到的結(jié)果表明，其判斷準確率可達90％以上。

4 結(jié)論
　　與傳統(tǒng)的選線方法（五次諧波分量法、零序?qū)Ъ{法）相比，此方法根據(jù)多個判據(jù)的綜合判定，加上采用了遺傳算法進行神經(jīng)網(wǎng)絡(luò)的優(yōu)化，避免了神經(jīng)網(wǎng)絡(luò)容易陷入局部最小的問題，大大提高了接地選線的準確性。但隨著饋電線路的增加及隱含層接點數(shù)目的增加，會大大加大算法的計算量，考慮到單相接地故障允許運行1～2小時，隨著計算機速度的不斷加快，此問題已不是很重要，故在現(xiàn)場運行中是可行的。