專利名稱：一種基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法
技術領域：
本發(fā)明涉及電網調度與故障分析領域，尤其涉及一種電力系統(tǒng)故障診斷方法。
背景技術：
電力系統(tǒng)發(fā)生故障的情況下，快速、準確的故障診斷對減少電能中斷時間
和增強供電可靠性意義重大。SCADA/EMS等信息系統(tǒng)的廣泛應用為獲取故障 信息提供了技術條件，但故障時大量報警信息短時間內涌入調度中心，遠遠超 出了運行人員的處理能力。在電力系統(tǒng)發(fā)生復雜故障(多重故障、越級故障、 擴大性故障)以及保護、開關不正常動作或存在錯誤信息的情況下，診斷更加 困難。隨著系統(tǒng)規(guī)模的擴大和實時性要求的提高，這些問題將更加突出。
神經網絡是人們在模仿人腦處理問題的過程中發(fā)展起來的一種新型智能信 息處理理論，它通過大量稱為神經元的簡單處理單元構成非線性動力學系統(tǒng)。 神經網絡的高速并行處理、分布存儲信息等特性，具有很強的自學習性、自組 織性、容錯性、高度非線性、高魯棒性、聯(lián)想記憶功能和推理意識功能強等特 點。其特色在于信息的分布存儲和并行協(xié)同處理，十分適用于像故障診斷這類 多變量非線性問題。本發(fā)明采用面向元件的建模思路構造神經網絡得到初級診 斷結論。
但面向元件的診斷結論是根據(jù)局部信息得出的局部結論，要精準地在全網 范圍內確定故障還需對這些局部結論進行融合。現(xiàn)有的融合算法主要有貝葉斯 方法、D-S證據(jù)推理法和模糊積分法。貝葉斯方法需要先驗信息，這種先驗信 息在實際應用中往往難以獲得；且要求決策集合的元素相互獨立，該條件太苛 刻。D-S證據(jù)推理法要求所使用的證據(jù)必須相互獨立， 一般難以滿足，且會出 現(xiàn)組合爆炸的情況。模糊集理論可以很好地描述不確定現(xiàn)象，因此基于模糊集 理論的融合方法是應用最為廣泛的一類融合工具。模糊積分法以模糊集理論為 理論基礎，考慮到了分類器的可靠性問題，避免了對先驗信息的討論，也無需 做各元件初級診斷結論獨立性假設，可以更好地表達和處理系統(tǒng)中的不確定性 問題。

發(fā)明內容
本發(fā)明的目的在于針對現(xiàn)有技術的不足，提供一種基于神經網絡 模糊積 分的電力系統(tǒng)故障診斷方法。本發(fā)明的目的是通過以下技術方案來實現(xiàn)的一種基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法，包括以下步驟(1) 對電網的三類主要元件線路、母線、變壓器分別建立保護模型和神經網絡 模型；(2) 選取訓練樣本和RBF網絡對元件神經網絡進行訓練；(3) 采用實時結線分析方法來識別故障前與故障后的系統(tǒng)拓撲結構差異，確定 故障區(qū)域，將故障區(qū)域內的元件作為候選故障元件；(4) 基于面向元件的神經網絡模型進行初級故障診斷；(5) 利用模糊技術對初級故障診斷結論進行預處理；(6) 根據(jù)電網拓撲信息形成故障元件候選集D-W，《…c/J，其中，d為故障候 選元件；(7) 根據(jù)電網拓撲信息形成各個故障候選元件的直接關聯(lián)元件集合 斗a ={《-《}與隔一級關聯(lián)元件集合={《…W ;(8) 確定模糊密度，即g'-g(W)i-l,2，…n,其中，g'就是第i個信息的模糊密 度，亦即為其權重；(9) 根據(jù)拓撲信息及各元件的診斷結論，形成直接關聯(lián)元件對故障候選元件 故障的支持程度的集合/^一 = {/^../ }與隔一級關聯(lián)元件對該元件故障的支持程度的集合巧_ w(10) 根據(jù)式^jy.g-尤(，,)^^)).^)計算模糊積分值e,.， e,即為綜合診斷給出的故障可能性指標，形成故障候選元件的故障可能性指標集￡ = ^，^" }; 根據(jù)故障可能性指標集，確定故障元件。本發(fā)明的有益效果是本發(fā)明的基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法采用面向元件神經網絡與模糊積分信息融合技術的電網故障診斷方 法，有效解決了獲取訓練樣本和適應拓撲變化兩個問題。綜合診斷中充分考慮 到了初級診斷結論的可靠性差異，而且避免了對先驗信息的討論，也無需做各 元件初級診斷結論獨立性假設，有效提高了系統(tǒng)診斷的準確性。


圖1為本發(fā)明的方法原理圖；圖2為線路保護模型圖；圖3為線路神經網絡模型圖；圖4為母線保護模型圖；圖5為母線神經網絡模型圖；圖6為變壓器保護模型圖；圖7為變壓器神經網絡模型；具體實施方式
本發(fā)明將現(xiàn)有的數(shù)據(jù)采集設備、成熟的技術與前沿的理論知識相結合。提 出面向元件的建模思路，分別對電力系統(tǒng)的主要元件建立神經網絡模型，進行 初級診斷；采用模糊積分的信息融合技術進行綜合故障診斷，得到診斷結果。 框架如圖l所示本發(fā)明基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法包括以下步驟1、 對電網的三類主要元件線路、母線、變壓器分別建立保護模型和神經網 絡模型；線路保護模型如圖2所示，其中，LlAm為線路Ll在A側的主保護；LlBm 為線路L1在B側的主保護；LlAb為線路Ll在A側的第一后備保護；LlBb為 線路Ll在B側的第一后備保護;LlAs為線路Ll在A側的第二后備保護；LlBs 為線路Ll在B側的第二后備保護；CB1和CB2為線路Ll兩側的斷路器。線路神經網絡模型如圖3所示，其中，LINE一ANN為線路神經網絡診斷模型。母線保護模型如圖4所示，其中，AM為母線A的差動保護；CB1、 CB2、 CB3、 CB4、 CB5均為斷路器。母線神經網絡模型如圖5所示,其中，BUS—ANN為母線神經網絡診斷模型。 變壓器保護模型如圖6所示，其中，BP為變壓器后備保護；MP為變壓器主保 護；HV為變壓器高壓側；LV為變壓器低壓側；CB1和CB2為變壓器兩側的斷 路器。變壓器神經網絡模型如圖7所示，其中，T—ANN為變壓器神經網絡診斷模型。2、 選取訓練樣本和RBF網絡對元件神經網絡進行訓練。3、 采用實時結線分析方法來識別故障前與故障后的系統(tǒng)拓撲結構差異，確 定故障區(qū)域，將故障區(qū)域內的元件作為候選故障元件。4、 基于面向元件的神經網絡模型進行初級故障診斷。5、利用模糊技術對初級故障診斷結論進行預處理。選用的隸屬度如下:o，X、1A S X S X:卞 ，x2Sx其中，x為待處理的輸入數(shù)據(jù)，y為處理后的數(shù)值，e為自然常數(shù)。6、 根據(jù)電網拓撲信息形成故障元件候選集/) = { ...^}。 d為故障候選元件。7、 根據(jù)電網拓撲信息形成各個故障候選元件的直接關聯(lián)元件集合化^-R…"J與隔一級關聯(lián)元件集合^U^ =K W 。8、 確定模糊密度，即^;g((xj)i^,2,…n， g'就是第i個信息的模糊密度， 亦即為其權重。根據(jù)式l+;^flG+^i)確定義,，然后根據(jù)式g(A卜g(&D和式g") = g("}) + g(xM)"g(W)^—,)，求取模糊測度義.是一個中間數(shù)。i-2,…n '9、 根據(jù)拓撲信息及各元件的診斷結論，形成直接關聯(lián)元件對故障候選元 件故障的支持程度的集合i^一 = {/^../ }與隔一級關聯(lián)元件對該元件故障的支 持程度的集合i^旨^ /,} ，10、 根據(jù)式￡=]>宏=^/(;0_/(《 ,)計算模糊積分值9《即為綜合診斷給出的故障可能性指標，形成故障候選元件的故障可能性指標集^-^，V"e";根據(jù)故障可能性指標集，確定故障元件。本發(fā)明提出了基于面向元件建模思路的神經網絡模型，并采用模糊積分信 息融合技術，應用于電力系統(tǒng)故障診斷。此方法采用面向元件的建模思路，有 效解決了獲取訓練樣本和適應拓撲變化兩個問題。在診斷中首先以面向元件神 經網絡作初步診斷，在初級診斷的基礎上，結合電網拓撲關系，應用模糊積分 信息融合技術進行綜合診斷。綜合診斷中充分考慮到了初級診斷結論的可靠性 差異，而且避免了對先驗信息的討論，也無需做各元件初級診斷結論獨立性假 設。通過模糊積分融合，有效提高了系統(tǒng)診斷的準確性。
權利要求
1、一種基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法，其特征在于，包括以下步驟(1)對電網的三類主要元件線路、母線、變壓器分別建立保護模型和神經網絡模型。(2)選取訓練樣本和RBF網絡對元件神經網絡進行訓練。(3)采用實時結線分析方法來識別故障前與故障后的系統(tǒng)拓撲結構差異，確定故障區(qū)域，將故障區(qū)域內的元件作為候選故障元件。(4)基于面向元件的神經網絡模型進行初級故障診斷。(5)利用模糊技術對初級故障診斷結論進行預處理。(6)根據(jù)電網拓撲信息形成故障元件候選集D＝{d1，d2…dN}，其中，d為故障候選元件。(7)根據(jù)電網拓撲信息形成各個故障候選元件的直接關聯(lián)元件集合Di-direct＝{dm…dn}與隔一級關聯(lián)元件集合Di-indirect＝{dk…dl}。(8)確定模糊密度，即gi＝g({xi})i＝1，2，…n，其中，gi就是第i個信息的模糊密度，亦即為其權重。(9)根據(jù)拓撲信息及各元件的診斷結論，形成直接關聯(lián)元件對故障候選元件故障的支持程度的集合Fi-direct＝{fm…fn}與隔一級關聯(lián)元件對該元件故障的支持程度的集合Fi-indirect＝{fk…fl}。(10)根據(jù)式 id="icf0001" file="A2009100994620002C1.tif" wi="52" he="7" top= "161" left = "50" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>計算模糊積分值ei，ei即為綜合診斷給出的故障可能性指標，形成故障候選元件的故障可能性指標集E＝{e1，e2…eN}；根據(jù)故障可能性指標集，確定故障元件。
2、 根據(jù)權利要求l所述基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法，其 特征在于，所述步驟(5)中，所述利用模糊技術對初級故障診斷結論進行預處 理，其選用的隸屬度如下<formula>formula see original document page 2</formula>其中，x為待處理的輸入數(shù)據(jù)，y為處理后的數(shù)值，e為自然常數(shù)。
3、根據(jù)權利要求l所述基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法，其特征在于，所述步驟(8)具體為根據(jù)式l+hfl(l+義gi)確定義,，然后根據(jù)式i=lg(W = g(k})和式g")KW) + g^)"g(W)^'-》，求取模糊測度g;義,是1=2,…n一個中間數(shù)。
全文摘要
本發(fā)明公開了一種基于神經網絡和模糊積分的電力系統(tǒng)故障診斷方法，本發(fā)明采用面向元件神經網絡與模糊積分信息融合技術的電網故障診斷方法，有效解決了獲取訓練樣本和適應拓撲變化兩個問題。綜合診斷中充分考慮到了初級診斷結論的可靠性差異，而且避免了對先驗信息的討論，也無需做各元件初級診斷結論獨立性假設，有效提高了系統(tǒng)診斷的準確性。
文檔編號G01R31/08GK101661075SQ20091009946
公開日2010年3月3日 申請日期2009年6月8日 優(yōu)先權日2009年6月8日
發(fā)明者毅 劉, 彭明偉, 游家訓, 郭創(chuàng)新, 馬韜韜 申請人:浙江大學