CN101661075A - 一种基于神经网络和模糊积分的电力系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于神经网络和模糊积分的电力系统故障诊断方法，本发明采用面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。

Description

一种基于神经网络和模糊积分的电力系统故障诊断方法

技术领域

本发明涉及电网调度与故障分析领域，尤其涉及一种电力系统故障诊断方法。

背景技术

电力系统发生故障的情况下，快速、准确的故障诊断对减少电能中断时间和增强供电可靠性意义重大。SCADA/EMS等信息系统的广泛应用为获取故障信息提供了技术条件，但故障时大量报警信息短时间内涌入调度中心，远远超出了运行人员的处理能力。在电力系统发生复杂故障(多重故障、越级故障、扩大性故障)以及保护、开关不正常动作或存在错误信息的情况下，诊断更加困难。随着系统规模的扩大和实时性要求的提高，这些问题将更加突出。

神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统。神经网络的高速并行处理、分布存储信息等特性，具有很强的自学习性、自组织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特点。其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊断这类多变量非线性问题。本发明采用面向元件的建模思路构造神经网络得到初级诊断结论。

但面向元件的诊断结论是根据局部信息得出的局部结论，要精准地在全网范围内确定故障还需对这些局部结论进行融合。现有的融合算法主要有贝叶斯方法、D-S证据推理法和模糊积分法。贝叶斯方法需要先验信息，这种先验信息在实际应用中往往难以获得；且要求决策集合的元素相互独立，该条件太苛刻。D-S证据推理法要求所使用的证据必须相互独立，一般难以满足，且会出现组合爆炸的情况。模糊集理论可以很好地描述不确定现象，因此基于模糊集理论的融合方法是应用最为广泛的一类融合工具。模糊积分法以模糊集理论为理论基础，考虑到了分类器的可靠性问题，避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，可以更好地表达和处理系统中的不确定性问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于神经网络和模糊积分的电力系统故障诊断方法。

本发明的目的是通过以下技术方案来实现的：

一种基于神经网络和模糊积分的电力系统故障诊断方法，包括以下步骤：

(1)对电网的三类主要元件线路、母线、变压器分别建立保护模型和神经网络模型；

(2)选取训练样本和RBF网络对元件神经网络进行训练；

(3)采用实时结线分析方法来识别故障前与故障后的系统拓扑结构差异，确定故障区域，将故障区域内的元件作为候选故障元件；

(4)基于面向元件的神经网络模型进行初级故障诊断；

(5)利用模糊技术对初级故障诊断结论进行预处理；

(6)根据电网拓扑信息形成故障元件候选集D＝{d₁，d₂…d_N}，其中，d为故障候选元件；

(7)根据电网拓扑信息形成各个故障候选元件的直接关联元件集合

D_i-direct＝{d_m…d_n}与隔一级关联元件集合D_i-indirect＝{d_k…d_l}；

(8)确定模糊密度，即gⁱ＝g({x_i})i＝1，2，…n，其中，gⁱ就是第i个信息的模糊密度，亦即为其权重；

(9)根据拓扑信息及各元件的诊断结论，形成直接关联元件对故障候选元件故障的支持程度的集合F_i-direct＝{f_m…f_n}与隔一级关联元件对该元件故障的支持程度的集合F_i-indirect＝{f_k…f_l}；

(10)根据式计算模糊积分值e_i，e_i即为综合诊断给出的故障可能性指标，形成故障候选元件的故障可能性指标集E＝{e₁，e₂…e_N}；

根据故障可能性指标集，确定故障元件。

本发明的有益效果是：本发明的基于神经网络和模糊积分的电力系统故障诊断方法采用面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。

附图说明

图1为本发明的方法原理图；

图2为线路保护模型图；

图3为线路神经网络模型图；

图4为母线保护模型图；

图5为母线神经网络模型图；

图6为变压器保护模型图；

图7为变压器神经网络模型；

具体实施方式

本发明将现有的数据采集设备、成熟的技术与前沿的理论知识相结合。提出面向元件的建模思路，分别对电力系统的主要元件建立神经网络模型，进行初级诊断；采用模糊积分的信息融合技术进行综合故障诊断，得到诊断结果。

框架如图1所示：

本发明基于神经网络和模糊积分的电力系统故障诊断方法包括以下步骤：

1、对电网的三类主要元件线路、母线、变压器分别建立保护模型和神经网络模型；

线路保护模型如图2所示，其中，L1Am为线路L1在A侧的主保护；L1Bm为线路L1在B侧的主保护；L1Ab为线路L1在A侧的第一后备保护；L1Bb为线路L1在B侧的第一后备保护；L1As为线路L1在A侧的第二后备保护；L1Bs为线路L1在B侧的第二后备保护；CB1和CB2为线路L1两侧的断路器。

线路神经网络模型如图3所示，其中，LINE_ANN为线路神经网络诊断模型。

母线保护模型如图4所示，其中，AM为母线A的差动保护；CB1、CB2、CB3、CB4、CB5均为断路器。

母线神经网络模型如图5所示，其中，BUS_ANN为母线神经网络诊断模型。变压器保护模型如图6所示，其中，BP为变压器后备保护；MP为变压器主保护；HV为变压器高压侧；LV为变压器低压侧；CB1和CB2为变压器两侧的断路器。

变压器神经网络模型如图7所示，其中，T_ANN为变压器神经网络诊断模型。

2、选取训练样本和RBF网络对元件神经网络进行训练。

3、采用实时结线分析方法来识别故障前与故障后的系统拓扑结构差异，确定故障区域，将故障区域内的元件作为候选故障元件。

4、基于面向元件的神经网络模型进行初级故障诊断。

5、利用模糊技术对初级故障诊断结论进行预处理。选用的隶属度如下：

$y=f\left(x\right)=\left\{\begin{array}{cc}0,& x<x_1\\ \frac{1}{1+e^{-(x-c)/a}}& x_1\&le;x\&le;x_2\\ x& x_2\&le;x\end{array}\right.,$

其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。

6、根据电网拓扑信息形成故障元件候选集D＝{d₁，d₂…d_N}。d为故障候选元件。

7、根据电网拓扑信息形成各个故障候选元件的直接关联元件集合

D_i-direct＝{d_m…d_n}与隔一级关联元件集合D_i-indirect＝{d_k…d_l}。

8、确定模糊密度，即gⁱ＝g({x_i})i＝1，2，…n，gⁱ就是第i个信息的模糊密度，亦即为其权重。

根据式

确定λ_i，然后根据式g(x₁)＝g({x₁})和式

求取模糊测度g；λ_i是一个中间数。

9、根据拓扑信息及各元件的诊断结论，形成直接关联元件对故障候选元件故障的支持程度的集合F_i-direct＝{f_m…f_n}与隔一级关联元件对该元件故障的支持程度的集合F_i-indirect＝{f_k…f_l}；

10、根据式

计算模糊积分值e_i，e_i即为综合诊断给出的故障可能性指标，形成故障候选元件的故障可能性指标集E＝{e₁，e₂…e_N}；根据故障可能性指标集，确定故障元件。

本发明提出了基于面向元件建模思路的神经网络模型，并采用模糊积分信息融合技术，应用于电力系统故障诊断。此方法采用面向元件的建模思路，有效解决了获取训练样本和适应拓扑变化两个问题。在诊断中首先以面向元件神经网络作初步诊断，在初级诊断的基础上，结合电网拓扑关系，应用模糊积分信息融合技术进行综合诊断。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设。通过模糊积分融合，有效提高了系统诊断的准确性。

Claims (3)

1、一种基于神经网络和模糊积分的电力系统故障诊断方法，其特征在于，包括以下步骤：

(1)对电网的三类主要元件线路、母线、变压器分别建立保护模型和神经网络模型。

(2)选取训练样本和RBF网络对元件神经网络进行训练。

(3)采用实时结线分析方法来识别故障前与故障后的系统拓扑结构差异，确定故障区域，将故障区域内的元件作为候选故障元件。

(4)基于面向元件的神经网络模型进行初级故障诊断。

(5)利用模糊技术对初级故障诊断结论进行预处理。

(6)根据电网拓扑信息形成故障元件候选集D＝{d₁，d₂…d_N}，其中，d为故障候选元件。

(7)根据电网拓扑信息形成各个故障候选元件的直接关联元件集合D_i-direct＝{d_m…d_n}与隔一级关联元件集合D_i-indirect＝{d_k…d_l}。

(8)确定模糊密度，即gⁱ＝g({x_i})i＝1，2，…n，其中，gⁱ就是第i个信息的模糊密度，亦即为其权重。

(9)根据拓扑信息及各元件的诊断结论，形成直接关联元件对故障候选元件故障的支持程度的集合F_i-direct＝{f_m…f_n}与隔一级关联元件对该元件故障的支持程度的集合F_i-indirect＝{f_k…f_l}。

(10)根据式

计算模糊积分值e_i，e_i即为综合诊断给出的故障可能性指标，形成故障候选元件的故障可能性指标集E＝{e₁，e₂…e_N}；根据故障可能性指标集，确定故障元件。

2、根据权利要求1所述基于神经网络和模糊积分的电力系统故障诊断方法，其特征在于，所述步骤(5)中，所述利用模糊技术对初级故障诊断结论进行预处理，其选用的隶属度如下：

$y=f\left(x\right)=\left\{\begin{array}{cc}0,& x<x_1\\ \frac{1}{1+e^{-(x-c)/a}}& x_1\&le;x\&le;x_2\\ x& x_2\&le;x\end{array}\right.,$

其中，x为待处理的输入数据，y为处理后的数值，e为自然常数。

3、根据权利要求1所述基于神经网络和模糊积分的电力系统故障诊断方法，其特征在于，所述步骤(8)具体为：根据式

确定λ_i，然后根据式g(x₁)＝g({x₁})和式

求取模糊测度g；λ_i是一个中间数。

Images