CN103344881A - 基于组合型交叉熵算法的电网故障诊断方法 - Google Patents

Abstract

本发明提供的是一种基于组合型交叉熵算法的电网故障诊断方法。数据采集与监视控制系统和继电保护信息系统收集保护器和断路器的动作信息；划分出故障区域，确定可疑故障元件集；建立基于可疑故障元件的目标函数利用组合型交叉熵算法求解；通过得到的最优解，识别出故障元件；输出诊断结果。本发明利用保护器和断路器的动作信息建立故障诊断模型，利用组合型交叉熵算法求解模型最优解，以此来识别故障元件，该诊断方法能够应用于电网的在线故障诊断。

Description

基于组合型交叉熵算法的电网故障诊断方法

技术领域

本发明涉及的是一种电网故障诊断方法。

背景技术

随着电网规模的不断扩大、设备的逐渐增多，电网必然会有各种各样的故障发生，而且由于电网分布广泛，系统一旦发生故障，不利于实际查找。因此对电网故障诊断问题进行研究以实现自动化的识别故障元件，具有重要意义。采用传统数学模型的诊断方法很大程度上不能保证诊断的准确性和快速性等要求，而相比较来说，基于智能技术的诊断方法具有明显的优势，因此故障诊断方法由传统技术向智能化技术方向发展是该领域未来发展的重要趋势。电网故障诊断的智能技术主要有专家系统、人工神经网络、Petri网和优化技术等。其中基于优化技术的故障诊断方法具有严密的数学基础和理论依据，用常规的智能优化算法即可实现，而且能够在诊断信息不全面的条件下，给出局部和全局最优的多个诊断结果。优化技术是通过对故障问题进行解析化建模，将故障诊断问题转变为使目标函数最小化的0-1整数规划问题，然后采用智能优化算法求解问题最优解，从而识别故障元件。当前用于电网故障诊断的智能优化算法主要包括粒子群算法和遗传算法。

然而粒子群算法在求解像电网故障诊断这种离散性质问题时，容易陷入局部最优。遗传算法中采用二进制编码，因此存在汉明悬崖(Hamming Cliff)问题，同时如图8—图9所示，遗传算法结果的分散性大，不能稳定的得到最优解。交叉熵算法是一种全局随机优化算法，利用参数化的概率密度分布产生随机样本，使每次迭代使用的候选样本都发生变化，优化过程不容易陷入局部最优解。

发明内容

本发明的目的在于提供一种准确性和实时性好，诊断精度高，过程简洁、易于实现的基于组合型交叉熵算法的电网故障诊断方法。

本发明的目的是这样实现的：

步骤一：电网发生故障时，数据采集与监视控制系统和继电保护信息系统收集保护器和断路器的动作信息，并输送到调度中心；

步骤二：调度中心分析所述动作信息，采用实时结线分析方法来识别故障前与故障平息后系统拓扑结构，找出这两个拓扑结构的差异，划分出故障区域，并确定可疑故障元件集；

步骤三：判断故障元件，若可疑故障元件集中只有1个元件，则该元件即为故障元件，转入步骤七；若可疑故障元件集中含有多个故障元件，则执行步骤四；

步骤四：基于可疑故障元件集建立目标函数 $E\left(S\right)={\mathrm{\λ}}_1\underset{j=1}{\overset{N_m}{\mathrm{\Σ}}}|r_{\mathrm{jm}}-r_{\mathrm{jm}}^{*}|+{\mathrm{\λ}}_2\underset{k=1}{\overset{N_p}{\mathrm{\Σ}}}|r_{\mathrm{kp}}-r_{\mathrm{kp}}^{*}|+\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}|r_{\mathrm{is}}-r_{\mathrm{is}}^{*}|+\underset{m=1}{\overset{N_c}{\mathrm{\Σ}}}|c_m-c_m^{*}|,$ 其中：S是目标函数的自变量，它是一个N维向量，用来表示诊断系统中元件的状态，其中S_i表示第i个元件的状态，S_i只取0或1，表示该元件是正常或故障状态；N即可认为诊断系统中所包括的元件总个数，N_m、N_p、N_s、N_c分别表示系统中主保护、近后备保护、远后备保护和断路器的数量；r_jm、

分别表示第j个主保护的实际和期望状态，r_jm=0或1表示第j个主保护未动作或动作，其中或1分别表示主保护不应该动作或应该动作；r_kp、

为第k个近后备保护的实际和期望状态；r_is、

表示第i个远后备的实际和期望状态；c_m、

表示第m个断路器的实际和期望状态；λ₁，λ₂为权重因子；

步骤五：利用组合型交叉熵算法求解目标函数，采用1重Bernoulli分布，也称0-1分布作为组合型交叉熵算法中的概率密度函数；

步骤六：通过得到的最优解，识别出故障元件；

步骤七：输出诊断结果。

所述利用组合型交叉熵算法求解具体包括：

a)依据Bernoulli分布产生M个随机样本，利用式

不断更新Bernoulli分布的参数向量序列p＝(p₁,p₂,…,p_n)，式中l＝1,…,n，n为参数向量的维数。

表示指示函数集合，E为目标函数，γ如b)中式

所示，X_a是产生的M个随机样本，a=1,…,M，其中X_a=(X_a1,…,X_al,…,X_an)；

b)按照式

更新分位数序列，其中

为代入随机样本后、目标函数序列按由小到大顺序排列后得到的新序列，计算的1-ρ分位数，ρ是初始化的参数；

c)按照式p_l(t)＝βp_l(t)+(1-β)p_l(t-1)优化参数序列p＝(p₁,p₂,…,p_n)，式中，l＝1,…,n，β为初始化参数，t为迭代次数，p_l(t)为第t次迭代后参数序列中的第l个元素；

d)直到相邻两次迭代产生的参数向量序列中每个元素满足如式max(|p_l(t)-p_l(t-1)|)＜b_tol(l＝1,…,n)所示的条件，则停止计算，否则返回a)，重新更新参数序列和分位数序列，其中，b_tol为算法要求的精度；

e)算法结束，输出的参数向量序列为E(S)的最优解，分位数序列为最优值，通过得到的最优解状态，识别出故障元件。

从图4—图9中可以看出，本发明的组合型交叉熵算法比目前常用的粒子群算法和遗传算法更加满足电网故障诊断对准确性和实时性的要求。组合型交叉熵算法在收敛速度和稳定性上都有明显的优势，在种群个数和迭代次数较少的情况下，依然能够得到质量较高的解，诊断精度高。在满足实时性的条件下，组合型交叉熵算法求解过程更稳定，种群均值变化范围小。同时，该算法优化过程更加简洁，易于编程实现，系统可维护性高。

本发明利用保护器和断路器的动作信息建立故障诊断模型，利用组合型交叉熵算法求解模型最优解，以此来识别故障元件，该诊断方法能够应用于电网的在线故障诊断。

附图说明

图1典型电网的结构示意图。

图2本发明的整体流程图。

图3组合型交叉熵算法的流程图。

图4采用组合型交叉熵算法计算目标函数得到的种群均值和解的变化。

图5组合型交叉熵算法每代种群中每个个体的目标函数值的变化。

图6采用粒子群算法计算目标函数得到的种群均值和解的变化。

图7粒子群算法每代种群中每个个体的目标函数值的变化。

图8采用遗传算法计算目标函数得到的种群均值和解的变化。

图9遗传算法每代种群中每个个体的目标函数值的变化。

具体实施方式

下面结合附图举例对本发明做更详细的描述。

结合图2，本发明的实现包括以下步骤：

1.电网发生故障时，数据采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)和继电保护信息系统等会收集到保护器和断路器的动作信息，并将该信息输送到调度中心。调度中心通过分析这些信息并结合该区域电网的网络拓扑结构，划分出故障区域，从而确定系统中可疑故障元件集。如果可疑故障元件集中只有1个元件，那么该元件即为故障元件，若含有多个故障元件，则继续以下步骤。

2.根据故障区域内可疑故障元件与保护器和断路器的动作关系，建立涉及主保护、后备保护以及断路器之间状态关系对目标函数共同影响的电网故障诊断模型，同时为了评价主保护和近后备保护对目标函数的共同作用，引入权重因子，构造如式(1)所示的目标函数。将电网的故障诊断问题转化为求解E(S)最小化的问题。

$E\left(S\right)={\mathrm{\λ}}_1\underset{j=1}{\overset{N_m}{\mathrm{\Σ}}}|r_{\mathrm{jm}}-r_{\mathrm{jm}}^{*}|+{\mathrm{\λ}}_2\underset{k=1}{\overset{N_p}{\mathrm{\Σ}}}|r_{\mathrm{kp}}-r_{\mathrm{kp}}^{*}|+\underset{i=1}{\overset{N_s}{\mathrm{\Σ}}}|r_{\mathrm{is}}-r_{\mathrm{is}}^{*}|+\underset{m=1}{\overset{N_c}{\mathrm{\Σ}}}|c_m-c_m^{*}|---\left(1\right)$

式中：S是目标函数的自变量，它是一个N维向量，用来表示诊断系统中元件的状态，其中S_i表示第i个元件的状态，S_i只取0或1，表示该元件是正常或故障状态，N即可认为诊断系统中所包括的元件总个数；N_m、N_p、N_s、N_c分别表示系统中主保护、近后备保护、远后备保护和断路器的数量；r_jm、分别表示第j个主保护的实际和期望状态，r_jm=0或1表示第j个主保护未动作或动作，其中

或1分别表示主保护不应该动作或应该动作；r_kp、为第k个近后备保护的实际和期望状态；r_is、

表示第i个远后备的实际和期望状态；c_m、

表示第m个断路器的实际和期望状态。λ₁，λ₂为权重因子，其目的就是为了消除主保护和近后备保护拒动时对目标函数产生的影响。电网故障诊断就是应用优化算法找到使E(S)取得最小值的S＝{S₁,S₂,…,S_n}，由于S_i的取值只为0或1。从而该诊断问题是一个典型的0-1整数规划问题。

3.利用组合型交叉熵算法求解上述0-1整数规划问题，采用1重Bernoulli分布(也称0-1分布)作为组合型交叉熵算法中的概率密度函数。

结合图3，利用组合型交叉熵算法求解的具体方法包括：

a)依据Bernoulli分布产生M个随机样本，利用式(2)不断更新Bernoulli分布的参数向量序列p＝(p₁,p₂,…,p_n)，

$p_l=\frac{{\mathrm{\Σ}}_{a=1}^M{I}_{\{E\left(X_a\right)\≤\mathrm{\γ}\}}{X}_{\mathrm{al}}}{{\mathrm{\Σ}}_{a=1}^M{I}_{\{E\left(X_a\right)\≤\mathrm{\γ}\}}}---\left(2\right)$

式中{I_{E(Xa)≤γ}}表示指示函数集合，l＝1,…,n，E为目标函数，γ如式(3)所示。X_a是产生的M个随机样本，a=1,…,M，其中X_a=(X_a1,…,X_al,…,X_an)。

b)按照式(3)更新分位数序列，其中

为代入随机样本后，目标函数序列按由小到大顺序排列后得到的新序列，计算

的1-ρ分位数，ρ是初始化的参数。

c)按照式(4)优化参数序列p＝(p₁,p₂,…,p_n)，对于l＝1,…,n

p_l(t)＝βp_l(t)+(1-β)p_l(t-1)  (4)

式中，β为初始化参数，0<β<1，t为迭代次数。p_l(t)为第t次迭代后参数序列中的第l个元素。

d)直到相邻两次迭代产生的参数向量序列满足如式(5)所示的条件，则停止计算，否则返回a)，重新更新参数序列和分为数序列

max(|p_l(t)-p_l(t-1)|)＜b_tol  (5)

其中，l＝1,…,n，b_tol为算法要求的精度。

e)算法结束，输出的参数向量序列为E(S)的最优解，分位数序列为最优值，通过得到的最优解状态，能够识别出故障元件。

下面以图1所示的电网系统作为测试系统，对本发明中的技术方案进行清晰、完整的描述。

1.该测试系统中共有28个元件，40个断路器以及84个保护器，其中主保护36个，后备保护48个。

(1)28个元件为：母线A1，…，A4，变压器T1，…，T8，母线B1，…，B8，输电线路L1，…，L8。

(2)40个断路器为：CB1，CB2，…，CB40。

(3)在84个保护中，有36个主保护：母线A主保护A1m，…，A4m，母线B主保护B1m，…，B8m，变压器主保护T1m，…，T8m，输电线路主保护L1Hm，L1Rm，…，L8Hm，L8Rm（H和R定义为线路的首末端或上下端）；24个近后备保护：变压器近后备保护T1p，…，T8p，输电线路近后备保护L1Hp，L1Rp，…，L8Hp，L8Rp。24个远后备保护：变压器远后备保护T1s，…，T8s，输电线路远后备保护L1Hs，L1Rs，…，L8Hs，L8Rs。

2.故障区域识别。测试系统发生故障，调度中心接收到报警信号：保护器B1m，B2m，L1Hm，L2Rm，L1Rp，L2Hp动作，断路器CB4，CB5，CB6，CB7，CB8，CB9，CB10，CB11，CB12跳闸。通过对该区域电网拓扑结构的分析识别，得到以下结论：

(1)在停电区域内的可疑元件选定为B1、B2、L1、L2这4个电网元件，对应于S＝{S₁,S₂,S₃,S₄}。

(2)9个断路器选定为：CB4、CB5、CB6、CB7、CB8、CB9、CB10、CB11、CB12，状态对应于c＝{c₁,c₂,c₃,…,c₉}。

(3)选定的保护有14个，其中6个主保护B1m、B2m、L1Hm、L1Rm、L2Hm、L2Rm，4个近后备保护L1Hp、L1Rp、L2Hp、L2Rp，4个远后备保护L1Hs、L1Rs、L2Hs、L2Rs，对应状态r＝{r₁,r₂,…,r₁₄}。

根据调度中心接收到的报警信息，能够确定r＝{r₁,r₂,…,r₁₄}＝{1,1,1,0,0,1,0,1,1,0,0,0,0,0}c＝{c₁,c₂,c₃,…,c₉}＝{1,1,1,1,1,1,1,1,1}。

3.依据接收到的报警信息以及保护器和断路器的期望值，得到以下目标函数E(S)＝-4S₁-2S₂-3S₃-3S₄+15-max＜S₁,S₂＞-max＜S₁,S₃＞-max＜S₂,S₄＞

4.利用组合型交叉熵算法对目标函数求解，算法参数设置为：初始化分位数ρ为0.7，随机样本个数N=30，输入n=4维的初始参数向量p=[0.5,0.5,0.5,0.5]，计算精度选择1×10^-4。经过6次迭代后，算法搜索到目标函数的最优解S=[1,1,1,1],对应的目标函数最优值为0。算法计算结果如图4—图5所示，诊断结论含义为线路L1、L2，母线B1，B2故障。

5.在本次计算过程中，γ_t和ρ_t序列的分布情况如表1所示，表1展示了组合型交叉熵算法程序在执行时，每次迭代概率p向目标概率p^*逼近的收敛趋势。当p的分量全部变为1且恒定时，表明利用组合型交叉熵算法已得到E(S)的最优解。图5体现出每次迭代过程中，种群每个个体取得的目标函数值的变化情况，可以看出在迭代6次之前，种群中每个粒子都搜索到了各自的最优解，并且取值趋于稳定。

表1参数向量分布情况

6.根据报警信号以及保护器和断路器动作原理可以分析故障发生时的元件动作情况：母线主保护B1m、B2m动作，断路器CB4、CB5、CB6、CB7、CB8、CB9、CB10跳闸。输电线路主保护L1Hm动作，L1Rm拒动，近后备保护L1Rp动作，断路器CB7、CB11跳闸。L2Rm正确动作，L2Hm拒动，近后备保护L2Hp动作，跳开断路器CB12、CB8。显然故障元件是L1、L2，B1，B2，本发明诊断结论正确。

7.对该算例进行多次仿真测试，计算结果平均在迭代7次前收敛，最终都能够得到唯一正确的故障诊断结论。

8.现分别采用粒子群算法和遗传算法求解上述算例中的目标函数。粒子群算法参数设置为：粒子维数为4，粒子数目为30，学习因子C₁=0.7，C₂=0.7，惯性权重值W=0.8，最大迭代次数为50，计算结果如图6—7所示。遗传算法参数设置为：种群数设为30，最大迭代次数为100，杂交概率P_c=0.9，变异概率P_m=0.04，计算结果如图8—9所示。

Claims (2)

1.一种基于组合型交叉熵算法的电网故障诊断方法，其特征是包括如下步骤：

步骤一：电网发生故障时，数据采集与监视控制系统和继电保护信息系统收集保护器和断路器的动作信息，并输送到调度中心；

步骤二：调度中心分析所述动作信息，采用实时结线分析方法来识别故障前与故障平息后系统拓扑结构，找出这两个拓扑结构的差异，划分出故障区域，并确定可疑故障元件集；

步骤三：判断故障元件，若可疑故障元件集中只有1个元件，则该元件即为故障元件，转入步骤七；若可疑故障元件集中含有多个故障元件，则执行步骤四；

步骤四：基于可疑故障元件集建立目标函数 $E\left(S\right)={\mathrm{\&lambda;}}_1\underset{j=1}{\overset{N_m}{\mathrm{\&Sigma;}}}|r_{\mathrm{jm}}-r_{\mathrm{jm}}^{*}|+{\mathrm{\&lambda;}}_2\underset{k=1}{\overset{N_p}{\mathrm{\&Sigma;}}}|r_{\mathrm{kp}}-r_{\mathrm{kp}}^{*}|+\underset{i=1}{\overset{N_s}{\mathrm{\&Sigma;}}}|r_{\mathrm{is}}-r_{\mathrm{is}}^{*}|+\underset{m=1}{\overset{N_c}{\mathrm{\&Sigma;}}}|c_m-c_m^{*}|,$ 其中：S是目标函数的自变量，它是一个N维向量，用来表示诊断系统中元件的状态，S_i表示第i个元件的状态，S_i只取0或1，表示该元件是正常或故障状态；N即可认为诊断系统中所包括的元件总个数，N_m、N_p、N_s、N_c分别表示系统中主保护、近后备保护、远后备保护和断路器的数量；r_jm、

分别表示第j个主保护的实际和期望状态，r_jm=0或1表示第j个主保护未动作或动作，其中

或1分别表示主保护不应该动作或应该动作；r_kp、

为第k个近后备保护的实际和期望状态；r_is、

表示第i个远后备的实际和期望状态；c_m、

表示第m个断路器的实际和期望状态；λ₁，λ₂为权重因子；

步骤五：利用组合型交叉熵算法求解目标函数最优解，采用1重Bernoulli分布，也称0-1分布作为组合型交叉熵算法中的概率密度函数；

步骤六：通过得到的最优解，识别出故障元件；

步骤七：输出诊断结果。

2.根据权利要求1所述的基于组合型交叉熵算法的电网故障诊断方法，其特征是所述利用组合型交叉熵算法求解具体包括：

a)依据Bernoulli分布产生M个随机样本，利用式

不断更新Bernoulli分布的参数向量序列p＝(p₁,p₂,…,p_n)，式中l＝1,…,n；表示指示函数集合，E为目标函数，γ如b)中式

所示，X_a是产生的M个随机样本，a=1,…,M，其中X_a=(X_a1,…,X_al,…,X_an)；

b)按照式

更新分位数序列，其中为代入随机样本后、目标函数序列按由小到大顺序排列后得到的新序列，计算

的1-ρ分位数，ρ是初始化的参数；

c)按照式p_l(t)＝βp_l(t)+(1-β)p_l(t-1)优化参数序列p＝(p₁,p₂,…,p_n)，式中，l＝1,…,n，β为初始化参数，t为迭代次数，p_l(t)为第t次迭代后参数序列中的第l个元素；

d)直到相邻两次迭代产生的参数向量序列中每个元素满足如式max(|p_l(t)-p_l(t-1)|)＜b_tol(l＝1,…,n)所示的条件，则停止计算，否则返回a)，重新更新参数序列和分位数序列，其中，b_tol为算法要求的精度；

e)算法结束，输出的参数向量序列为E(S)的最优解，分位数序列为最优值，通过得到的最优解状态，识别出故障元件。

Images