行政院國家科學委員會專題研究計畫 成果報告
應用類神經網路於故障訊號處理以改善故障偵測之研究
計畫類別： 個別型計畫
計畫編號：
NSC91-2213-E-110-046-執行期間： 91 年 08 月 01 日至 92 年 07 月 31 日
執行單位： 國立中山大學電機工程學系(所)
計畫主持人： 林惠民
計畫參與人員： 林家宏,王保仁,曹銘介
報告類型： 精簡報告
處理方式： 本計畫涉及專利或其他智慧財產權，1 年後可公開查詢
中
華
民
國 92 年 9 月 24 日
應用類神經網路於故障訊號處理以改善故障偵測之研究
計劃編號：NSC91-2213-E-110-046
計劃執行時間：91 年 8 月 1 日 至 92 年 7 月 31 日
計劃主持人： 林惠民 教授
計劃研究人員：林家宏、曹銘介、王保仁
國立中山大學電機工程系 (e-mail:
[email protected]
)
中文摘要: 為了確保電力系統供電品質與可靠性，系統保護佔了極重要的地位，當電力系統遭受天然災害 及人為意外事故時，調度人員必須儘速找出故障位置及原因，並加以隔離，再經由復電策略恢復停電區域 之電力供應，以縮短停電時間。一套完整監控系統(SCADA System)與智慧型偵測系統(Artificial Intelligence based Detection System)，將有助於提升調度人員處理與排除故障的能力，若電力系統發生緊急事故時，調 度員常依據保護電驛及斷路器動作的記錄，來判斷系統發生故障的區域與原因，由人力處理與解讀的方式， 不僅無法縮短事故處理時間，當面對大規模事故時將無法應付，尤其面對數量過多的訊號、不明確訊號、 誤動作訊號、或多重事故的訊號，增加調度員解讀的困難度，基於以上的諸多緣故，促成本計劃研究之動 機及目的。本計劃提出以類神經網路應用於環狀系統故障區域之偵測。利用雙向聯想記憶網路(Bi-directional Associative Memory Network, BAMN)建構故障區域(Fault Section)偵測之系統以判定故障發生之區域，依據主保護與後衛保護規劃之跳脫資料作為訓練資料，期望能執行偵測故障區域之工作。
關鍵詞： 監控系統、智慧型故障偵測系統、環狀系統、雙向聯想記憶網路、故障區域。
Abstract: Power system protection is important for service reliability and quality assurance. Various faults may
occur due to natural and artificial calamity. To reduce the outage duration and promptly restore power services, fault section estimate has to be done effectively with appeared fault alarms. Dispatchers could study the changed statuses of primary/back-up relays and circuit breakers to identify the fault. It is difficult to process too many alarms under various conditions in a large power system. Single fault, multiple faults, single and multiple faults could coexist with the failed operation of relays and circuit breakers, or with the erroneous data communication. Dispatchers need more time to process the many uncertainties before identifying the fault. To cope with the problem, an effective tool is helpful for the fault detection. The project proposes the use of artificial neural network for fault section detection in loop system. Bi-directional associative memory networks (BAMN) are proposed for
fault detection system. The proposed method will use primary/back-up information of protective relays and circuit breakers to detect the fault sections.
K e y w o r d s : S C A D A S y s t e m , A r t i f i c i a l I n t e l l i g e n c e b a s e d D e t e c t i o n S y s t e m , L o o p S y s t e m , B i - d i r e c t i o n a l A s s o c i a t i v e Memory Network (BAMN), Fault Section.
隨著電業自由化的開放，未來電力市場的競爭性將大幅提高，在自由化的導向下，用戶對於 供電品質的提升必日漸重視，如何提供穩定可靠的電力，為未來電力事業被重視的課題。為了確 保電力供應安全及可靠性，電力系統中被保護元件發生故障時，應該迅速將故障部份隔離，並將 故障區域降低至最小範圍，確保人員安全及減少設備的損傷程度。當故障區域被隔離後，調度人 員再經由適當開關之啟、閉動作，恢復未故障區域之電力供應，在短時間內恢復供電並縮小停電 區域，才能夠達到最佳之供電品質之要求。 一套完整監控系統與智慧型故障偵測系統，將有助於提升調度人員處理與排除故障的能力， 若電力系統發生緊急事故時，調度員常依據保護電驛及斷路器動作的記錄，來判斷系統發生故障 的區域與設備，由人力處理與解讀的方式，不僅無法縮短事故處理時間，當面對大規模事故時， 在緊急與強大壓力下將無法應付，尤其面對數量過多的訊號、不明確訊號、誤動作訊號、或多重 事故的訊號，增加調度員解讀的困難度，基於以上的諸多緣故，一套智慧型故障偵測系統有其發 展之必要。智慧型故障偵測系統將可協助調度員找出故障區域及原因，近年來，國內外對於故障 診斷問題研究，如專家系統方法(Expert System)[1-2]、基因演算法(Genetic Algorithm)[3]、禁區搜 尋法(Tabu Search)[4]、類神經網路(Artificial Neural Network)[5-7]等。
類神經網路近來逐漸被提出應用在此研究課題，為了不影響神經網路學習過程的效能，通常 改善學習法則的方式來解決此項缺點。聯想式學習[8-9]具有學習速度極快，網路連結鍵結值只需 一次設定，可直接從訓練範例中取得所需資料，無任何迭代過程修正網路鍵結值及雜訊過濾之特 性。本研究計劃主要目的是建立故障偵測系統，應用聯想式學習網路具有的特性，設計出智慧型 故障偵測系統，以協助調度員處理並解讀異常訊號，當電力系統發生故障時，可根據保護電驛及 斷路器動作之資料，以偵測故障發生的區域及原因，使得調度員可立即採取必要的復電措施之依 據。 二、研究方法 聯想式學習網路由 J. Hopfield 在 1982 年首先提出，所謂「聯想式學習」是從問題領域中取 得訓練範例，再將取得的圖樣或資料儲存在網路的鍵結值上，儲存的方式通常採用 Hebbian 學習 法則，此過程稱之為「記憶階段(Memory Stage)」，當聯想記憶完成儲存工作後，即進入「回憶 階段(Retrieving Stage)」，若輸入一等待辨識之圖樣或資料時，將從學習範例的內在記憶規則中， 進行搜尋(聯想)的工作，祇要有不完整的狀態變數值，即可推理其完整的狀態變數值，具有資料 擷取和雜訊濾除的功能。目前常使用的聯想記憶，依網路的架構與回憶的模式，可分成「順向聯 想記憶」與「回授聯想記憶」兩種，順向聯想記憶包含「線性聯想記憶」與「非線性聯想記憶」， 回授聯想記憶則包含「霍普菲爾網路」與「雙向聯想記憶網路」兩種。雙向聯想記憶網路是霍普 菲爾網路的通用模式，網路架構如圖 1.所示，其架構包含輸入層、輸出層、與網路連結三部分， 分 別 概 略 描 述 ： • 輸 入 層 ： 用 以 表 示 網 路 的 輸 入 ， 節 點 的 個 數 視 問 題 而 定 ， 使 用 雙 極 值 作 用 函 數 ( B i p o l a r A c t i v a t i o n F u n c t i o n )
作為非線性轉換函數。 • 輸 出 層 ： 用 以 表 示 網 路 的 輸 出 ， 節 點 的 個 數 同 樣 視 問 題而定，使用雙極值作用函數作為非線性轉換函數。 •網路連結：每個輸入層單元與輸出層單元間的連接鍵 結值，即代表兩者間的互動關係。 圖 1. 雙向聯想記憶網路架構 雙向聯想記憶網路屬於異聯想模式，利用順反兩個方向的資料傳遞方式，使得網路輸入與輸 出反覆出現模式達到雙向隱定狀態(Bi-directionally stable)，它適合解異聯想記憶問題，實際應用 包括雜訊過濾與資料擷取，對於雙向聯想記憶網路的演算法，步驟包含記憶過程與聯想過程兩個 部分，其步驟如下所示[8-9]： 記憶過程 步 驟 一 設 定 網 路 參 數 、 訓 練 資 料 ( P 組 輸 入 X / 輸 出 Y 對映關係) 步驟二 設定鍵結值矩陣W，如(1)式
∑
==
P p p pX
Y
W
1 t ( 1 ) W= [ wj i] n × m， X= [ x1 , … , x i, … , xm] t， x i∈ { - 1 , + 1 } ， 及Y=[y1, … , yj, … ,yn]t，yj∈{-1,+1} 其 中 P ： 訓 練 資 料 個 數 ； m ： 輸 入 X 向 量 之 維 度 ； n：輸出Y向量之維度 聯想過程 步驟一 讀入鍵結值矩陣W步 驟 二 隨 機 輸 入 測 試 範 例 X ， 及 設 定 輸 出 向 量 Y ( 0 ) 之 初始值、迭代次數k=1 步驟三 計算輸出層向量Y，如(2)式和(3)式
∑
= = m i i ji j w x 1 Y net ( 2 ) θ < θ = θ > − − + = Y Y Y net net net 1 ) 1 ( 1 ) ( j j j j j k y k y ( 3 ) 雙極值作用函數之閥值θ設定如(4)式或(5)式∑
= = θ n j ij w 1 2 1 ( 或 者 θ = 0 ) i = 1 , 2 , … , m ( 4 )∑
= = θ m i jiw
1 2 1 ( 或 者 θ = 0 ) j = 1 , 2 , … , n ( 5 ) 步驟四 計算輸入層向量 X，如(6)式和(7)式∑
==
n j ji j iy
w
1 Xnet
( 6 ) θ < θ = θ > − − + = X X X net net net 1 ) 1 ( 1 ) ( i i i i i k x k x ( 7 ) 步 驟 五 重 複 步 驟 三 和 步 驟 四 ， 直 到 第 k 次 迭 代 後 能 量 函 數 不 再 有 明 顯 變 化 。 由 於 聯 想 式 學 習 的 訓 練 資 料 無 目 標 輸 出 向 量 ， 因 此 不 能 使 用 最 小 平 方 誤 差 ， 來 衡 量 網 路 誤 差 的 大 小 ， 則 是 利 用 能 量 函數來衡量，如(8)式∑∑
= = − = n j m i i ji j ky
w
x
1 1 E ， ∆Ek =Ek −Ek−1 ( 8 ) 步驟六 假如能量函數 Ek≤0，並且不再改變則停止聯想 過程，表示雙向聯想網路達到雙向穩定三、故障偵測系統之建構 3.1 保護區與元件保護 針對電力系統保護的架構，系統在規劃設計時已劃分成數個保護區，當故障落在某一保護區 內，該區保護設備即動作將此區域與系統其他部分隔離，各個保護區係以一封閉虛線定義其範 圍，如圖2.所示，根據每個保護區之特性設置合適的保護設備，每一區包含一個或多個元件及兩 個斷路器，每一斷路器包含在兩個相鄰近的保護區內，保護區定義為電力系統的一部份，使得保 護設備負責的範圍內發生的故障皆能適當動作。保護區通常採用重疊保護方式，則整個電力系統 均受到保護，若故障發生在重疊部份，為了減少隔離及斷電區域，重疊區儘可能的縮小。保護區 在本計劃包括輸電線、匯流排、及變壓器三種類型之元件。 當電力系統發生故障時，故障電流由電源側流向故障點，則較靠近故障點的保護設備應迅速 動作將故障區 域 自 系 統 中 隔 離 ， 此 種 保 護 系 統 稱 為 主 要 保 護 圖2. 保護區示意圖 ，如果主保護設備無法正常動作，靠近電源側的保護設備必須動作，稱為後衛保護，後衛保護動 作前必須有適當的延遲時間，使主要保護完成正常動作前，後衛保護不至於動作太快，導致不必 要的地區停電，此種延遲稱為協調延遲時間，用來協調主要保護與後衛保護間之動作。一般輸電 線之保護方式採用過電流電驛保護方式、測距電驛保護方式、及副線電驛保護方式等，在電力系 統或環狀系統中，故障電流若由兩端電源供應，則保護電驛應採用方向性過電流電驛，以測距電 驛作為後衛保護。匯流排之功能為電力之集中與分配，既在進出之電源或線路均由匯流排經由斷 路器引接，差動保護為較常使用的保護方式，以過電流電驛或測距電驛作為後衛保護。在電力系 統中變壓器發生內、外部故障時，將造成電力供應停止，需要使用可靠性很高之保護設備，亦採 用差動保護方式為主保護，以過電流電驛作為後衛保護，各元件之保護電驛其相關符號如下所示： •LR：輸電線主保護電驛 •BR：匯流排主保護電驛 •TR：變壓器主保護電驛 •RR：各元件之後衛保護電驛
3.2 訓練範例的建立 各個保護區內元件發生故障時，主要保護與後衛保護動作狀態將構成不同的症狀圖樣，將保 護區內相關的元件，如被保護線路、匯流排、及變壓器等，以雙極值值編碼，將保護設備動作資 料對應故障元件作為類神經網路之訓練範例，其中訊號”+1”表示相關保護設備動作及元件發生故 障，反之，以訊號”-1” 表示，不明確訊號以”0”表示。若同時監視m個同類型的元件，其可能發 生的事件(考慮單一元件及同時兩個元件故障)可用(9)式來估計 )! 2 ( ! 2 ! )! 1 ( ! 1 ! Event − + − = m m m m m ( 9 ) 根 據 ( 9 ) 式 估 計 m 個 元 件 可 能 發 生 的 事 件 ， 每 個 事 件 所 構 成的症狀圖樣，可作為神經網路之訓練範例。 3.3 故障偵測系統架構
整個故障偵測系統架構如圖3.所示，包含四個故障偵測處理器(Fault Detection Processor,
FDP)，四個處理器由BAMN訓練完成，分別為DS-Line、DS-Bus、DS-Tr、及DS-Back-up，故障 發生時從SCADA介面讀取輸電線、匯流排、及變壓器相關主保護設備動作資料，以判斷可能發 生故障的區域，DS-Back-up則讀取相關後衛保護電驛動作資料，作為輔助判斷的功能，從使用者 介面可讀取各處理器的輸出值，若輸出值為”+1”，則視該元件為”元件故障”，其輸出即對應於故 障區域，反之，為正常狀態，最後結果顯示發生故障的區域，以作為調度員故障排除和採取復電 策略的依據。 圖3. 故障偵測系統架構圖
表1. 故障偵測處理器DS-Line相關資料 保護線路編號: L1, L2, L3, L4, & L5 FDP 斷路器和保護電驛編號 故障類型 DS-Line CB4,CB5,CB6,CB7,CB8,CB9,CB13, CB14,CB15,CB16,LR4,LR5,LR6,LR7, LR8,LR9,LR13,LR14,LR15,LR16 Normal 5 Single Faults 10 Double Faults DS-Back-up 1 RR2,RR4,RR5,RR6,RR15,RR16, LR5,LR7,LR9,LR13,LR15 5 Failed Relays or Breakers DS-Back-up 2 RR7,RR8,RR9,RR11,RR13,RR14 LR4,LR6,LR8,LR14,LR16 5 Failed Relays or Breakers 表2. 雙向聯想記憶網路相關資料 BAMN 網路架構 FDP I H O 訓練資料 (筆) 訓練時間 (ms) DS-Line 20 5 16 55 DS-Bus 23 7 29 110 DS-Tr 6 2 4 5 DS-Back-up 1/2 18 14 14 60 註：Input-Hidden-Output : I-H-O 四、模擬測試 如圖 2.所示為兩個電源之環狀型電力系統，包括五條輸電線(L1~L5)、七個匯流排 (Bus1~Bus7)、及兩個變 壓器(T1~T2)，總共劃分成十四個保護區。DS-Line、DS-Bus與DS-Tr分別監測各個元件相關主保 護設備之動作資料。主保護設備若失靈未動作時，其接近電源端之保護裝置必須動作，在不得已 或無法避免的情況下，才將電源自系統上切離，DS-Back-up監視所有後衛保護電驛之動作訊號， 以輔助判斷可能發生故障的區域。考慮各種可能事件之保護設備動作資料，作為類神經網路的訓 練資料，以DS-Line為例，其相關資料如表1.所示，各FDP之網路架構如表2.所示。當發生故障時 各FDP從SCADA界面，擷取被監視元件之保護設備動作訊號，由保護設備動作訊息判斷故障發 生區域及原因，為了驗證整個偵測系統可行性，本計劃以MATLAB軟體建立故障偵測系統，在 個人電腦(Pentium III PC，128MB RAM)進行模擬測試。輸入各種不同事件之保護設備動作訊號， 包括單一故障、同時發生兩個故障、單一故障或兩個故障中有誤動作訊號、及不明確的訊號，本 計劃任意選取二個測試案例說明：
測試一：假設L1與L5同時發生故障，如圖4.所示，線路保護電驛LR4、LR5、LR15、和LR16均 正常動作，並跳脫斷路器CB4、CB5、CB15、及CB16以清除故障，DS-Line監測相關主保護動作
訊號，經由故障偵測系統判定故障發生在L1與L5，偵測結果如圖4.所示之表格內，此訊息可協助 調度員尋找事故區域，作為排除故障應採取措施之依據。 FDP L1 L2 L3 L4 L5 故障區域 DS-Line +1 –1 –1 –1 +1 L1 & L5 圖4. 測試一之故障位置示意圖與故障偵測結果 測試二：假設L1與L5同時發生故障，如圖5.所示，線路保護電驛LR4、LR15、和LR16正常動作， 並跳脫斷路器CB4、CB15、及CB16，若線路保護電驛LR5失靈未動作，則後衛保護電驛RR7必 須動作，以跳脫CB7以清除故障，DS-Line監測相關主保護動作訊號，經由故障偵測系統判定故 障發生在L1與L5，輸入訊號中包含不完整之訊號，DS-Line從學習範例的內在記憶資料中，推理 其完整的資料型態，準確判定故障的區域。同時DS-Back-up 2監測後衛保護電驛動作訊號，輔助 判定故障區域為L1，偵測結果如圖5.所示之表格內。經由DS-Line和DS-Back-up 2雙重判定下增 加偵測可信度。 FDP L1 L2 L3 L4 L5 故障區域 DS-Back-up 2 +1 –1 –1 –1 -1 L1 圖5. 測試二之故障位置示意圖與故障偵測結果 測試一和測試二DS-Line和DS-Back-up 2之聯想執行時間和收斂測試結果，如表3.所示，當 BAMN達到雙向隱定狀態時，能量函數即不改變且小於零。 表3. 聯想執行時間及收斂測試 Case 1 2
FDP DS-Line DS-Line DS-Back-up 2 Time (ms) 50 110 60 Energy -320 -320 -192
五、結論 類神經網路應用的領域相當廣泛，本計劃以BAMN建構故障偵測系統，在個人電腦進行模 擬測試並驗證其具有良好的成效，而所採用的BAMN，具有以下特點： •記憶過程與聯想過程極快的特性。 • B A M N 網 路 無 隱 藏 層 結 構 ， 不 須 估 算 及 設 定 藏 層 節 點 ，可減少網路鍵結的使用量。 •無任何迭代過程修正網路鍵結值之特性。 • 具 有 資 料 擷 取 和 雜 訊 濾 除 的 功 能 ， 未 知 輸 入 向 量 若 包 含不完整訊號或雜訊時，即可推理其完整的訊號。 • 因 具 有 雜 訊 濾 除 的 特 殊 功 能 ， 不 須 考 慮 含 有 不 完 整 訊 號或雜訊之訓練範例，可減少訓練範例的數目。 •訓練範例若有變動，BAMN網路可在短時間內重新學 習完成。 六、成果報告
本計劃已整理成具體的成果報告，於國際期刊Electrical Power and Energy Systems(EPES-E2160)審稿中。
七、參考文獻 [ 1 ] Y u a n - Y i h H s u , F . C . L u , Y . C h i e n , J . P . L i u , J . T . L i n , H . S . Y u , a n d R . T . K u o , “ A n E x p e r t S y s t e m f o r L o c a t i n g D i s t r i b u t i o n S y s t e m F a u l t s , “ I E E E T r a n s . o n P o w e r D e l i v e r y , V o l . 5 , N o . 2 , April 1990, pp. 366-371. [ 2 ] C . A . P r o t o p a p a s , K . P . P s a l t i r a s a n d A . V . M a c h i a s , “ A n E x p e r t S y s t e m f o r S u b s t a t i o n F a u l t D i a g n o s i s a n d A l a r m P r o c e s s i n g , “ I E E E T r a n s . o n P o w e r D e l i v e r y , V o l . 6 , N o . 2 , April 1991, pp. 648-655. [ 3 ] F . S . W e n a n d C . S . C h a n g , “ P r o b a b i l i s t i c A p p r o a c h f o r F a u l t - s e c t i o n E s t i m a t i o n i n P o w e r S y s t e m s B a s e d o n a R e f i n e d G e n e t i c A l g o r i t h m , “ I E E P r o c . - G e n e r . T r a n s m . Distrib., Vol.144, No.2, March 1997, pp. 160-168.
[ 4 ] F . S . W e n a n d C . S . C h a n g , “ T a b u S e a r c h a p p r o a c h t o A l a r m P r o c e s s i n g i n P o w e r S y s t e m , “ I E E P r o c . - G e n e r . T r a n s m .
[ 5 ] H o n g - T z e r Y a n g , W e n - Y e a u C h a n g , a n d C h i n g - L i e n H u a n g , “ A N e w N e u r a l N e t w o r k A p p r o a c h t o O n - L i n e F a u l t S e c t i o n E s t i m a t i o n U s i n g I n f o r m a t i o n o f P r o t e c t i v e R e l a y s a n d C i r c u i t B r e a k e r s , “ I E E E T r a n s . o n P o w e r D e l i v e r y , V o l . 9 , No.1, January 1994, pp. 220-229. [ 6 ] T s u t o m u O y a m a , “ F a u l t S e c t i o n E s t i m a t i o n i n P o w e r S y s t e m U s i n g B o l t z m a n n M a c h i n e , “ P r o c e e d i n g s o f S e c o n d F o r u m o n A r t i f i c i a l N e u r a l N e t w o r k A p p l i c a t i o n s t o P o w e r S y s t e m s (ANNPS’93), Japan, 1993, pp. 1-7. [ 7 ] 林 惠 民 ， 林 家 宏 ， 孫 政 治 ， 蔡 明 堂 ， ” 類 神 經 網 路 應 用 於 環 狀 系 統 故 障 區 域 之 偵 測 ” ， 第 二 十 二 屆 電 力 工 程 研 討 會 ，民國九十年。 [ 8 ] K o s k o B . , ” B i - d i r e c t i o n a l A s s o c i a t i v e M e m o r i e s , ” I E E E T r a n s . o n S y s t e m s , M a n , a n d C y b e r n e t i c s , V o l . 1 8 , 1 9 8 8 , p p . 49-60. [ 9 ] D a n W . P a t t e r s o n , “ A r t i f i c i a l N e u r a l N e t w o r k s : T h e o r y a n d Applications, “Prentice Hall, 1996.
