CN106405319A - 一种基于启发式信息的粗糙集电力系统故障诊断方法 - Google Patents

Abstract

本发明提出一种基于启发式信息的粗糙集电力系统故障诊断方法。首先建立电力系统故障诊断属性决策表，然后使用遗传算法对故障诊断属性决策表进行属性约简；建立电力系统故障诊断属性决策表时，把保护和断路器的信号作为对故障分类的条件属性集，以故障区间或故障设备作为故障诊断的决策属性集，考虑各种可能发生的故障情况建立决策表。本发明能够提高运算速度，更快获取得到约简信息。

Description

一种基于启发式信息的粗糙集电力系统故障诊断方法

技术领域

本发明属于电力系统数据处理技术领域，特别涉及一种基于启发式信息的粗糙集电力系统故障诊断方法。

背景技术

随着现代电力的迅猛发展，电力系统规模不断增大，因此其一旦发生故障，对电力系统本身、工农业生产和日常生活产生的影响也会随之增大。然而，电力系统故障又是不可避免的。在发生故障时，往往会产生大量的数据信号，从而给调度人员快速准确地人工识别故障信号造成一定的困难。因此，寻找一种高效的故障诊断方法对维持整个电力系统的安全运行和提高供电可靠性有着非常重要的意义。

粗糙集理论对于处理复杂系统有明显的优势，研究粗糙集在电力系统故障诊断中的应用，可以更加充分地利用电力系统数据,揭示数据背后蕴含的原理、规则,为解决电力系统故障诊断找到更加合理的方法。

属性约简算法是粗糙集理论的核心内容。基于遗传算法的属性约简算法是启发式约简算法的一种。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法，具有很强的全局搜索能力，能够在最短时间内找到全局最优解。由于遗传算法本身具有全局优化和隐含并行性等优点，用遗传算法求解属性约简通常会减小计算的复杂性并得到最小约简或最小相对约简。但是现有的属性约简方法存在着计算、搜索时间过长和约简结果不准确的问题。

发明内容

本发明的目的在于克服现有的粗糙集属性约简方法的不足，提供一种基于启发式信息的粗糙集电力系统故障诊断方法，能够提高运算速度，更快获取得到约简信息。

为了解决上述技术问题，本发明提供一种基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，首先建立电力系统故障诊断属性决策表，然后使用遗传算法对故障诊断属性决策表进行属性约简。

进一步，建立电力系统故障诊断属性决策表时，把保护和断路器的信号作为对故障分类的条件属性集，以故障区间或故障设备作为故障诊断的决策属性集，考虑各种可能 发生的故障情况建立决策表。

进一步，使用遗传算法对故障诊断属性决策表进行属性约简的具体过程为：

步骤1，设故障诊断属性决策表的条件属性个数为m，随机产生n个长度为m的二进制串组成初始种群t，初始种群中每个个体的染色体对应位随机取“0”或“1”；若对应位取值为1，则表示选择其对应的条件属性；若对应位取值为0，则表示不选择其对应的条件属性；

步骤2，对于种群t中的每一个个体的染色体，分别计算出决策属性对每个个体所含的条件属性的依赖度，然后根据设定的适应度函数计算出每个个体的适应度函数值；

步骤3，判断遗传算法是否满足终止条件，若满足终止条件，则遗传算法停止；否则，转步骤4；

步骤4，在遗传算法中对种群的个体进行选择、交叉、变异操作，产生新一代的种群个体；返回步骤2。

进一步，所述计算条件属性的依赖度r(P,Q)的方法如下式所示：

r(P,Q)＝|POS_P(Q)|/|U|；

其中，其中U是论域，即全体对象的有限集合；P和Q为定义在U上的两个等价关系簇，||表示集合的个数；为论域U在Q的P正域， 其中，X是论域U的子集，Y是U上等价关系P对U的划分；

所述适应度函数的计算方法如下式所示，

其中，m为染色体的长度，即条件属性总数；L_v为染色体中1的个数，即条件属性中1的个数；r(P,Q)为决策属性对该染色体所表示的条件属性的依赖度，0≤r(P,Q)≤1；

进一步，遗传算法的终止条件有如下两个，只要符合其中一个则遗传算法停止：

1)设定遗传算法的最大迭代次数d，当遗传算法迭代次数达到最大值时，遗传算法终止，输出第d代中适应度函数值最高的最优个体；

2)判断是否连续r代的最优个体适应度函数值不再提高，如果是则终止计算，并输出最优个体。

进一步，所述选择操作的过程为：

(1)计算出群体中所有个体的适应度总和；

(2)计算每个个体的相对适应度的大小，即每个个体的适应度值与该群体的适应度值总和的比值，将该比值作为各个个体被遗传到下一代群体中的选择概率；

(3)计算累计概率，即选择概率依次叠加即可得到累计概率；

(4)采用模拟赌盘操作，生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配，确定各个个体被选中的次数，进而得到选择后的种群。

进一步，所述交叉操作采用单点交叉。

进一步，所述变异操作的过程为：随机设置一个变异概率，以该变异概率随机地选择参与变异的个体的基因位，对于选择的该基因位取反，完成了变异操作

本发明与现有技术相比，其显著优点在于：(1)从遗传约简方法的性能来看，适应度的计算方面，属性依赖度要比基于可辨识矩阵传统方法的计算复杂度小，因此在时间复杂度和空间复杂度上基于属性依赖度的遗传约简方法比其他约简方法有一定的优势，缩短了遗传方法的搜索时间，提高了遗传约简方法的效率，相对于其他遗传约简方法，本方法有很好的时间复杂度和空间复杂度。本发明方法比传统的遗传约简方法有更快速、高效的约简效果；(2)本发明采用了一种基于属性依赖度的粗糙集电力系统故障诊断方法，由于在目标函数中加入了属性依赖度这一限制条件，因此能够获得相对更优的约简结果。本发明得到的约简为属性约简问题的相对最优解，即信息系统的最小约简，获得最小约简，从而为本发明中进行电力系统故障诊断获得更准确、更简约的诊断规则。

附图说明

图1是本发明基于启发式信息的粗糙集电力系统故障诊断方法流程图。

图2是本发明实验中实际配电网简化后的网络图。

图3是本发明实验中使用MATLAB软件获得的仿真结果图。

具体实施方式

容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明基于启发式信息的粗糙集电力系统故障诊断方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。

结合图1，本发明基于启发式信息的粗糙集电力系统故障诊断方法，首先建立电力 系统故障诊断属性决策表，然后使用遗传算法对故障诊断属性决策表进行属性约简。

建立电力系统故障诊断属性决策表时，把保护和断路器的信号作为对故障分类的条件属性集，以故障区间或故障设备作为故障诊断的决策属性集，考虑各种可能发生的故障情况建立决策表。

使用遗传算法对故障诊断属性决策表进行属性约简的具体过程为：

步骤1，初始化随机产生初始种群。设故障诊断属性决策表的条件属性个数为m，随机产生n个长度为m的二进制串组成初始种群t，初始种群中每个个体的染色体对应位随机取“0”或“1”；若对应位取值为1，则表示选择其对应的条件属性；若对应位取值为0，则表示不选择其对应的条件属性；

步骤2，计算适应度函数值。对于种群t中的每一个个体的染色体，分别计算出决策属性对每个个体所含的条件属性的依赖度，然后根据设定的适应度函数计算出每个个体的适应度函数值；

所述计算条件属性的依赖度r(P,Q)的方法如下式所示：

r(P,Q)＝|POS_P(Q)|/|U|；

其中，其中U是论域，即全体对象的有限集合；P和Q为定义在U上的两个等价关系簇，||表示集合的个数；为论域U在Q的P正域， 其中，X是论域U的子集，Y是U上等价关系P对U的划分；

所述适应度函数的计算方法如下式所示，

其中，m为染色体的长度，即条件属性总数；L_v为染色体中1的个数，即条件属性中1的个数；r(P,Q)为决策属性对该染色体所表示的条件属性的依赖度，0≤r(P,Q)≤1；

步骤4，判断是否满足终止条件，若满足终止条件，则遗传算法停止；否则，转步骤5。本发明中遗传算法的终止条件有两个，只要符合其中一个则遗传算法停止：

1)设定遗传算法的最大迭代次数d，当遗传算法迭代次数达到最大值时，遗传算法终止，输出第d代中适应度函数值最高的最优个体，本实施例中最大迭代次数设置为d＝200；

2)判断是否连续r代的最优个体适应度函数值不再提高，如果是则终止计算, 并输出最优个体，否则转步骤5。

步骤5，在遗传算法中对种群的个体进行选择、交叉、变异操作，产生新一代的种群个体；

1)选择算子

选用轮盘赌选择的方法，具体执行过程为：

(1)先计算出群体中所有个体的适应度总和；

(2)其次计算每个个体的相对适应度的大小，即每个个体的适应度值与该群体的适应度值总和的比值，将该比值作为各个个体被遗传到下一代群体中的选择概率；

(3)计算累计概率，即选择概率依次叠加即可得到累计概率；

例如选择概率分别为x1、x2、x3、x4，则累计概率分别为x1、x1+x2、x1+x2+x3、x1+x2+x3+x4；

(4)采用模拟赌盘操作(即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配)，来确定各个个体被选中的次数。进而得到选择后的种群，然后进行交叉操作；

2)交叉算子

交叉操作采用单点交叉，它是指在个体染色体中随机设置一个交叉点，然后选择个体参与交叉，对于参与交叉的两个父辈个体，对于交叉点后的基因位全部进行交叉，产生新一代的个体。即该代种群完成了交叉操作，继续进行变异操作；

3)变异算子

随机设置一个变异概率k，一般为0.001-0.1，以变异概率k随机地选择参与变异的个体的基因位，对于选择的该基因位取反，“1”变“0”或者“0”变“1”，即完成了变异操作，从而得到新一代的种群；

步骤6，返回步骤3。

为了进一步说明本发明方法，下面以一个简单的电力系统的一部分网络具体说明本发明。图2是实际配电网简化后网络图，在图2中，BYQ表示变压器，MXB表示母线保护，DLQ表示的是断路器，TB表示的是变压器保护，GLB表示的是过流保护，JLB表示的是距离保护，KG表示的是低压开关，QU表示的是区间，MX表示的是母线，DY表示的是供电电源。

配电网一次系统接线图的运行方式如下：正常情况下，DY₁(电源1)带区间1上所有的负荷，DY₂(电源2)带区间2上所有的负荷，母联开关DLQ₀处于热备用状态， 当电源1发生故障时，母联开关DLQ₀将会自动合上，电源开关DLQ₅将会断开，电源2带区间1、区间2上的所有负荷，同理，当DY₂故障时，DY₁(电源1)带区间1、区间2上的所有负荷。配电网一次系统接线图的保护配备情况，图中配备有变压器保护(包括速断保护，差动保护，间隙零序保护，变压器高压侧开关带断路器失灵保护)、母线保护、距离保护和过流保护。

根据此配电网络的历史故障信息的收集以及理论推理，可把故障类型分成：①电源故障；②电力变压器故障；③断路器或者开关故障；④母线、线路故障；⑤配电区间故障。其中，电源故障分为电源1故障和电源2故障。当电源1故障时，母联开关DLQ₀自动合上，电源开关DLQ₅断开，电源2带区间1、区间2上的所有负荷。同理，当电源2故障时，电源1带区间1、区间2上的所有负荷。当母线故障，并且母线保护正确动作时，该母线上全部断路器都将跳开；而当母线发生故障，并且母线保护失灵时，变压器的零序保护作为母线保护的后备保护，跳开变压器高、低压侧开关，以及变压器所在母线上的其他断路器。

当变压器发生故障时，若变压器保护与两侧断路器均可以正确动作，则变压器两侧开关跳开。如果变压器保护可以正确动作，但是断路器失灵时，断路器失灵保护动作跳开该母线上除变压器高压侧断路器以外的所有断路器。当线路发生故障时，如果距离保护正确动作，则跳开变压器低压侧断路器；如果距离保护拒动，则变压器的相关保护将变压器高、低压侧断路器跳开。当负荷区间发生故障时，如果过流保护和相应的开关都正常动作，则跳开相应区间的开关；如果过流保护正确动作而开关拒动或者过流保护拒动时，则相应段的距离保护动作跳开变压器低压侧断路器。

通过上述分析可以得出结论，以配电网的断路器或者开关的动作信号，以及配电网的相关保护作为对配电网分类的条件属性，以故障区间和故障设备作为配电网故障诊断的决策属性，根据相关数据建立配电网故障诊断的原始属性决策表，原始属性决策表如下表1所示。

表1

1)根据传统的可辨识矩阵的属性约简方法，对上面的故障诊断属性决策表进行属性约简：最终得到如下四个属性约简组合：

①DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₄，DLQ₅，TB₂，GLB₁，GLB₂

②DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₆，TB₁，GLB₁，GLB₂，JLB₂

③DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₅，DLQ₆，GLB₁，GLB₂，JLB₂

④DLQ₀，DLQ₁，DLQ₃，DLQ₄，DLQ₅，DLQ₆，GLB₁，GLB₂，JLB₁

2)使用本发明基于启发式信息的粗糙集电力系统故障诊断方法，解决本电力系统问题，应用MATLAB编程，最终得到的约简结果如下：

约简结果r＝[1 1 1 1 0 0 1 0 0 1 0 1 1 0 1]

即DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₆，TB₁，GLB₁，GLB₂，JLB₂，该结果为应用传统方法所得出的结果中第②项。

目标函数最优值targetValue＝-5.7543

约简后条件属性为

初始决时，决策属性D对条件属性C的依赖度为gama＝1

决策属性D对条件属性C_reduct的依赖度为gama＝1

MATLAB计算的图表如图3所示。图3中上部的曲线图表示适应度函数值随遗传代数的变化趋势，其中上部曲线代表平均适应度函数，下部曲线代表最优适应度函数。图3中下部的柱状图中，Stall(G)表示连续数次没有进化出更好的个体作为停止条件，Generation表示适应度函数在连续若干代没有发生变化的时刻作为终止条件。

两种方法的约简结果分析：

可辨识矩阵方法和本发明方法中得到的最终约简结果均有9个条件属性，但是可辨识矩阵算法中得到了4个约简结果，而本发明方法得到的约简问题的最优解，即信息系统的最小约简。本发明从一个初始群体出发，不断重复执行选择、交叉、变异和修正操作的过程，使群体进化越来越接近最优化的目标，采用的适应度函数可以控制染色体朝着最小约简的方向进化，最终得到信息系统的最小约简，并且适应度函数中引入属性依赖度，使得最终得到的约简结果属性依赖度可以无限的靠近1，即得到的约简结果为最优约简结果。

两种方法的时间复杂度和空间复杂度的比较：

可辨识矩阵算法的时间复杂度和空间复杂度均为O(m*n²)，如果研究的对象个数较多的话，将会占用大量的计算机资源，计算效率也受到影响。本发明方法求解最小约简的时间复杂度为O(m*n*logn)，空间复杂度为O(n)，计算效率和资源利用率随之提高。其中：m为属性集的个数，n为条件属性的个数。

Claims (8)

1.一种基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，首先建立电力系统故障诊断属性决策表，然后使用遗传算法对故障诊断属性决策表进行属性约简。

2.如权利要求1所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，建立电力系统故障诊断属性决策表时，把保护和断路器的信号作为对故障分类的条件属性集，以故障区间或故障设备作为故障诊断的决策属性集，考虑各种可能发生的故障情况建立决策表。

3.如权利要求1所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，使用遗传算法对故障诊断属性决策表进行属性约简的具体过程为：

步骤1，设故障诊断属性决策表的条件属性个数为m，随机产生n个长度为m的二进制串组成初始种群t，初始种群中每个个体的染色体对应位随机取“0”或“1”；若对应位取值为1，则表示选择其对应的条件属性；若对应位取值为0，则表示不选择其对应的条件属性；

步骤2，对于种群t中的每一个个体的染色体，分别计算出决策属性对每个个体所含的条件属性的依赖度，然后根据设定的适应度函数计算出每个个体的适应度函数值；

步骤3，判断遗传算法是否满足终止条件，若满足终止条件，则遗传算法停止；否则，转步骤4；

步骤4，在遗传算法中对种群的个体进行选择、交叉、变异操作，产生新一代的种群个体；返回步骤2。

4.如权利要求3所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，

所述计算条件属性的依赖度r(P,Q)的方法如下式所示：

r(P,Q)＝|POS_P(Q)|/|U|；

其中，其中U是论域，即全体对象的有限集合；P和Q为定义在U上的两个等价关系簇，||表示集合的个数；为论域U在Q的P正域， 其中，X是论域U的子集，Y是U上等价关系P对U的划分；

所述适应度函数的计算方法如下式所示，

其中，m为染色体的长度，即条件属性总数；L_v为染色体中1的个数，即条件属性中1的个数；r(P,Q)为决策属性对该染色体所表示的条件属性的依赖度，0≤r(P,Q)≤1。

5.如权利要求3所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，遗传算法的终止条件有如下两个，只要符合其中一个则遗传算法停止：

1)设定遗传算法的最大迭代次数d，当遗传算法迭代次数达到最大值时，遗传算法终止，输出第d代中适应度函数值最高的最优个体；

2)判断是否连续r代的最优个体适应度函数值不再提高，如果是则终止计算，并输出最优个体。

6.如权利要求3所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，所述选择操作的过程为：

(1)计算出群体中所有个体的适应度总和；

(2)计算每个个体的相对适应度的大小，即每个个体的适应度值与该群体的适应度值总和的比值，将该比值作为各个个体被遗传到下一代群体中的选择概率；

(3)计算累计概率，即选择概率依次叠加即可得到累计概率；

(4)采用模拟赌盘操作，生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配，确定各个个体被选中的次数，进而得到选择后的种群。

7.如权利要求3所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，所述交叉操作采用单点交叉。

8.如权利要求3所述基于启发式信息的粗糙集电力系统故障诊断方法，其特征在于，所述变异操作的过程为：随机设置一个变异概率，以该变异概率随机地选择参与变异的个体的基因位，对于选择的该基因位取反，完成了变异操作。