0 引言

　　小電流接地系統中發生單相接地時，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，應及時發出信號，及時消除故障。但在現場運行中，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。
　　神經網絡是模擬人類生理上的神經機制的計算模型，其中一種典型網絡，也是最為成熟的一種網絡為多層前饋神經網絡又稱BP（Back propagation）神經網絡。BP網絡在電力系統的各個領域有了廣泛的應用，但在小電流接地選線中還沒有較為成熟的應用，這是由小電流接地選線的故障特點及 BP網絡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，本文提出將遺傳優化神經網絡用于故障選線中，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 算法原理及網絡模型
　　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化方法。其本質是將優勝劣汰、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的算法。遺傳算法的計算過程是將實際的優化問題編碼為染色體，實際問題的目標函數則用染色體的適應函數表示、在隨機產生一群染色體的基礎上，根據各染色體的適應函數進行繁殖、交叉、變異等遺傳操作，產生下一代染色體。適應函數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解，而且遺傳算法的魯棒性強，將遺傳算法與BP網絡結合起來，不僅能發揮神經網絡的泛化的映射能力，而且，使神經網絡具有很快的收斂性以及較強的學習能力。遺傳算法與神經網絡結合主要有兩種方式：一是用于網絡訓練，即學習網絡的連接權值；二是學習網絡的拓撲結構。本文主要將遺傳算法用于神經網絡的訓練。
　　BP神經網絡模型如圖1所示：BP網絡分輸入層、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系。信號在網絡中是單方向向前傳播的。

　　BP網絡的每一層連接權值都可以通過學習來調整，未經遺傳優化的BP網絡的權值調整請見參考文獻[1]。
　　在遺傳優化的神經網絡中，層與層之間的連接權值用1、0表示，相連為1，不相連為0。在神經網絡訓練時，首先列出神經網絡所有可能存在的神經元，將這些神經元所有可能存在的連接權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，進行常規的遺傳算法優化計算。將碼串解碼構成神經網絡，計算所有訓練樣本通過此神經網絡產生的平均誤差可以確定每個個體的適應度。具體過程見圖2。這樣，可以很好地解決神經網絡容易陷入局部最小的問題，并且可以大大提高神經網絡的學習能力。

2 輸入、輸出量的選取
　　在中性點不接地電網中，假定有K條饋電線路，則在神經網絡輸入、輸出量選取如下：
2．1 輸入量的選取
　　根據饋電線路數K，每條饋線輸入數據共有N個，則共有K*N個輸入節點，每條饋線輸入數據分別為：
　　1） 零序測量導納Yoi[3]
　　根據電網正常運行時的零序回路，利用消弧線圈適當的脫諧狀況和位移電壓的相應改變，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。如果所有的零序導納都不超過正常運行時電網限定的允許值，則無故障；當任何一條饋線發生單相接地故障時，就相當于產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網絡，作為第一組輸入數據。
　　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據。故將各條饋線的零序電流作為第二組輸入數據。
　　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（金屬性接地是經電阻接地發展而來的），且以基波和奇次諧波為主，根據諧波在整個系統內的分布和保護的要求，使用五次諧波分量為宜。NES（中性點經消弧線圈接地系統）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生的補償效果，因零序電流五次諧波分量產生在NES中有著與NUS（中性點不接地系統）中零序電流基波分量相同的特點，根據上述零序電流幅值法原理，將其經消弧線圈所得五次諧波分量取其電流幅值，作為第三組輸入數據。
　　4）序分量測量值Is
　　根據參考文獻[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據。
　　在此神經網絡中，僅選擇了4組輸入數據，在實際應用中，可以根據實際情況，加入其它數據，以更好地進行選線。
2．2 輸出量的選取
　　在此網絡中，共選取K+1個輸出節點，代表1至K條饋線，第K+1個節點代表母線，傳統的輸出1代表有故障，0代表不故障的絕對關系靈活化，其值可以取[0,1]區間的任一數值，再將其輸出數值進行判斷，大于0.5判為故障，小于0.5判為不故障。

3 網絡學習及訓練
    選取一有10條饋電線路的輸電系統，如圖3所示：

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

4 結論
　　與傳統的選線方法（五次諧波分量法、零序導納法）相比，此方法根據多個判據的綜合判定，加上采用了遺傳算法進行神經網絡的優化，避免了神經網絡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，故在現場運行中是可行的。