CN106483425A - 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 - Google Patents
基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 Download PDFInfo
- Publication number
- CN106483425A CN106483425A CN201610854139.1A CN201610854139A CN106483425A CN 106483425 A CN106483425 A CN 106483425A CN 201610854139 A CN201610854139 A CN 201610854139A CN 106483425 A CN106483425 A CN 106483425A
- Authority
- CN
- China
- Prior art keywords
- fault
- confidence level
- fuzzy
- neuron
- suspected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置,包括:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;分别对可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;利用模糊推理算法对故障诊断模型进行逆向模糊推理,计算各可疑故障元件的故障置信度;依照预定判断依据在故障置信度中筛选出目标故障置信度,并确定目标故障置信度对应的可疑故障元件为确定故障元件。由此可见,本方法结合继电器、断路器开关信息,结合模糊产生规则库、语言值和相关的三角模糊数实现对可疑故障元件的诊断,诊断准确高。
Description
技术领域
本发明涉及电网调度与故障分析技术领域,特别是涉及一种基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置。
背景技术
随着经济社会的逐步发展,电压等级的不断提高,用户对电能越来越依赖,因此,提高供电可靠性和改善供电电能质量也越来越重要。对于220kV及其以上的电压等级,传统的电流保护不再适用,而纵联差动保护能够快速切除高压网络故障,所以它得到了广泛的应用。但是在具体实施中,当故障发生时,为了减少故障带来的损失,需要快速、准确地检测出故障元件并且实现故障区域和非故障区域的隔离。但是在实际情况中,从SCADA系统采集的信息包含了不完整信息,错误信息,重复信息等,在这种情况下要准确地检测出故障元件也越来越困难。
由此可见,如何根据SCADA系统采集的信息来确定故障元件是本领域技术人员亟待解决地问题。
发明内容
本发明的目的是提供一种基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置,用于根据SCADA系统采集的信息来确定故障元件。
为解决上述技术问题,本发明提供一种基于三角模糊数的脉冲神经膜系统的故障诊断方法,包括:
S10:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;
S11:分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;
S12:利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;
S13:依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。
优选地,所述步骤S11具体包括:
对所述可疑故障元件对应的所述动作信息和所述跳闸信息设定命题神经元和规则神经元;
根据故障模糊产生式规则建立所述故障诊断模型;
根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据;
获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将所述故障置信度和输入的所述命题神经元对应;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
优选地,所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
优选地,所述步骤S12具体包括:
根据赋予初值的输入命题神经元,运用模糊推理算法得出所述故障诊断模型的输出命题神经元的值;
其中,所述输出神经元的值为所述可疑故障元件的故障置信度。
优选地,所述预定判断依据为:
如果所述故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
为解决上述技术问题,本发明提供一种基于三角模糊数的脉冲神经膜系统的故障诊断装置,包括:
推导单元,用于根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;
故障诊断模型建立单元,用于分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;
计算单元,用于利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;
筛选单元,用于依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。
优选地,所述故障诊断模型建立单元具体用于对所述可疑故障元件对应的所述动作信息和所述跳闸信息设定命题神经元和规则神经元;根据故障模糊产生式规则建立所述故障诊断模型;
根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据;
获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将所述故障置信度和输入的所述命题神经元对应;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
优选地,所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
优选地,所述计算单元具体用于根据赋予初值的输入命题神经元,运用模糊推理算法得出所述故障诊断模型的输出命题神经元的值;
其中,所述输出神经元的值为所述可疑故障元件的故障置信度。
优选地,所述预定判断依据为:
如果所述故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
本发明所提供的基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置,包括:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。由此可见,本方法结合继电器、断路器开关信息,结合模糊产生规则库、语言值和相关的三角模糊数实现对可疑故障元件的诊断,诊断准确高;另外本方法根据纵联差动保护使得最终输出模糊真值表示该可疑故障元件的故障置信度,在一定程度上使诊断结果更加准确。从SCADA系统采集完整信息或者不完整信息(继电器和断路器拒动,误动,信息丢失)的情况下也能准确地诊断出确定故障元件,因此具有更好的容错能力。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于三角模糊数的脉冲神经膜系统的故障诊断方法的流程图;
图2为本发明实施例提供的一种电力系统环网示意图;
图3为本发明实施例提供的一种线路L2387的基于三角模糊数的脉冲神经膜系统的故障诊断模型的示意图;
图4为本发明实施例提供的一种基于三角模糊数的脉冲神经膜系统的故障诊断装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本发明保护范围。
本发明的核心是提供一种基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种基于三角模糊数的脉冲神经膜系统的故障诊断方法的流程图。如图1所示,基于三角模糊数的脉冲神经膜系统的故障诊断方法包括:
S10:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件。
S11:分别对可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型。
作为优选地实施方式,步骤S11具体包括:
(1)对可疑故障元件对应的动作信息和跳闸信息设定命题神经元和规则神经元;
(2)根据故障模糊产生式规则建立所述故障诊断模型;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
(3)根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据。
所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
(4)获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将故障置信度和输入的命题神经元对应。
S12:利用模糊推理算法对故障诊断模型进行逆向模糊推理,计算各可疑故障元件的故障置信度。
步骤S12具体包括:
根据赋予初值的输入命题神经元,运用模糊推理算法得出故障诊断模型的输出命题神经元的值;
其中,输出神经元的值为可疑故障元件的故障置信度。
S13:依照预定判断依据在故障置信度中筛选出目标故障置信度,并确定目标故障置信度对应的可疑故障元件为确定故障元件。
其中,预定判断依据为:
如果故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
其中,三角模糊数由三元组表示,即A=(a1,a2,a3),隶属度函数μA(x)被定义如下:
其中,a1和a3分别表示三角模糊数A的最低值和最高值,a2表示中间值。
从继电保护与安全动作装置(断路器)运行情况获取电压等级220kV及其以上的元件和断路器主保护动作和未动作的故障置信度分别如表1、表2所示。语言值和相关的三角模糊数如表3所示。
表1
表2
表3
对于步骤S12,利用模糊推理算法对故障诊断模型进行逆向模糊推理,计算各可疑故障元件的故障置信度的具体步骤如下:
(1)推理步骤g=0;
(2)设置C、D1、D2、E初始值,结束条件01=((0,0,0),(0,0,0),…,(0,0,0))T s和02=((0,0,0),(0,0,0),…,(0,0,0))T t。α和δg的初始值被分别设定αg=(α1g,α2g,…,αsg)和δg=(δ1g,δ2g,…,δtg),其中s代表命题神经元的个数,t代表规则神经元的个数;
(3)g增加1;
(4)每个输入神经元和每个命题神经元的点火状态被评估,如果状态满足,规则神经元触发同时传输脉冲到下一规则神经元;
(5)计算模糊真值
(6)如果δg满足终止条件,计算结束,输出推理结果,否则,进入步骤(7);
(7)评估每个规则神经元的点火状态,如果状态满足,规则神经元点火同时传输一个脉冲到下一个命题神经元;
(8)计算模糊真值矢量αg,返回到步骤3,得到
其中,各参数的向量含义及相应的算子解释如下:
(1)向量α=(α1,α2,…αs)T是s个命题神经元的模糊值,其中,αi是三角模糊数,它代表第i个命题神经元的脉冲值,如果一个命题神经元中没有包含任何脉冲,则该命题神经元的脉冲值为(0,0,0);
(2)向量δ=(δ1,δ2,…t)T是t个规则神经元的模糊值,其中,δj是三角模糊数,代表第j个规则神经元的脉冲值,如果一个规则神经元中没有包含任何脉冲,则该规则神经元的脉冲值为(0,0,0);
(3)β=diag(β1,β2,…βt)是一个对角矩阵,其中βj是[0,1]中的一个实数,表示j个规则神经元的置信度;
(4)D1=(dij)s×t是一个二维矩阵,表示命题神经元到型规则神经元之间是否有突触连接。如果dij=1则表示命题神经元i与型规则神经元j有突触连接,否则,dij=0,s,t表示神经元之间的连接关系的最大值;
(5)D2=(dij)s×t是一个二维矩阵,表示命题神经元到型规则神经元之间是否有突触连接。如果dij=1则表示命题神经元i与型规则神经元j有突触连接,否则,dij=0,s,t表示神经元之间的连接关系的最大值;
(6)E=(eij)t×st是一个二维矩阵,表示规则神经元到命题神经元之间是否有突触连接。如果eij=1则表示规则神经元到命题神经元有突触连接,否则,eij=0,s,t表示神经元之间的连接关系的最大值;
同时,引入如下三种运算:
(1)◎:同样地,D◎α=(d1,d2,…,dt)T,where dj=d1jα1⊕d2jα2⊕…⊕dsjαs,j=1,2,…,t;
(2)⊙:DT⊙α=(d1,d2,…,dt)T,其中
(3) 其中
假设A、B是两个三角模糊数,A=(a1,a2,a3),B=(b1,b2,b3),
则定义如下三种运算如下所示:
(1)λA=λ(a1,a2,a3)=(λa1,λa2,λa3);
(2)
(3)
本发明实施例提供的基于三角模糊数的脉冲神经膜系统的故障诊断方法,包括:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。由此可见,本方法结合继电器、断路器开关信息,结合模糊产生规则库、语言值和相关的三角模糊数实现对可疑故障元件的诊断,诊断准确高;另外本方法根据纵联差动保护使得最终输出模糊真值表示该可疑故障元件的故障置信度,在一定程度上使诊断结果更加准确。从SCADA系统采集完整信息或者不完整信息(继电器和断路器拒动,误动,信息丢失)的情况下也能准确地诊断出确定故障元件,因此具有更好的容错能力。
需要说明的是,上述是实施例中的方法可以在FPGA上实施,例如步骤S11中建立基于三角模糊数的脉冲神经膜系统的故障诊断模型。后文将详细说明。
为了让本领域技术人员更加清楚本发明提供的方法,以下给出具体的应用场景,结合该应用场景进一步说明。
图2为本发明实施例提供的一种电力系统环网示意图。通过图2说明保护继电器和断路器的动作规则。该电力系统环网由25个变电站,57台变压器,73条电压等级500kV的传输线路511个变电站,511台变压器和594条电压等级220kV的传输线路组成。为了方便描述,一些符号被描述如下。符号A,B,T,L,CB和G分别表示单母线,双母线,变压器,线路,断路器和发电机。m和s分别表示主保护和后备保护,在图2中包含了断路器CB2201,CB2202,CB501,CB2387-1,CB2387-2,CB2012-QY,CB2289-1,CB2289-2,CB2722-1,CB2722-2,CB2012-KL,CB2855-1,CB2855-2,CB2012-HL,CB2715-1,CB2715-2,CB2290-1,CB2290-2,CB2012-LY;母线B1,B2,B3,B4,B5,B6,B7,B8,B9;线路L2387,L2289,L2722,L2855,L2715,L2715,L2290;发电机G1,G2,G3;变压器T1,T2。
上述例子分以下两种情况:
情况一,从SCADA系统获取完整的继电器和断路器信息。
情况二,从SCADA系统获得不完整的继电器和断路器信息。
情况一:从SCADA系统获取完整的继电器和断路器信息,具体的诊断过程如下所示:
1、可疑故障元件的确定。动作的继电器L2387m,B3S,L2722S,L2855S,跳闸断路器:CB2837-1,CB2012-QY,CB2855-1,CB2202,CB2722-1,CB2722-2,CB2855-2。从断路器和继电器动作的情况,由电力系统的基础知识,可以推导出故障元件最有可能是L2387。
2、L2387为例建立故障诊断模型,如图3所示。图3为本发明实施例提供的一种线路L2387的基于三角模糊数的脉冲神经膜系统的故障诊断模型的示意图。
模型中有28个命题神经元和14个规则神经元。具体步骤描述如下:
(1)设定判断依据01=((0,0,0),(0,0,0),…,(0,0,0))T 28和02=((0,0,0),(0,0,0),…,(0,0,0))T 14,命题神经元和规则神经元的初始值α0和δ0表示如下:
δ0=[0]
(2)设置g=0;
(3)初始命题神经元和规则神经元点火,由推理公式 和计算得到α1和δ1。
(4)根据以上模糊推理算法步骤,由于δ1和α1不满足结束条件,则返回重新计算δ2和α2,具体为:
(5)根据以上模糊推理算法步骤,由于δ2和α2也不满足结束条件,则返回重新计算δ3和α3具体为:
(6)根据以上模糊推理算法步骤,由于δ3和α3也不满足结束条件,则返回重新计算δ4和α4,具体为:
α4=[0]δ4=[0]
由以上δ4和α4判断满足结束条件,则推理结束,命题神经元σ28输出模糊真值为(0.875,1,1)。从表3可知,L2387发生故障且故障发生置信水平非常非常高。
情况二:从SCADA系统获取不完整的继电器和断路器信息,具体的诊断过程如下所示:
1、可能故障元件的确定。动作的继电器B3S,L2722S,L2855S,跳闸断路器:CB2837-1,CB2012-QY,CB2855-1,CB2202,CB2722-1,CB2722-2,CB2855-2。另外,在这个案例中L2387m继电器信息丢失。从断路器和继电器动作的情况,由电力系统的基础知识,可以推导出故障元件最有可能是L2387。
2、和情况一相同对元件L2387建立故障诊断模型。
3、模糊推理的过程与情况一大致相同。
(1命题神经元和规则神经元的初始值α0和δ0表示如下:
δ0=[0]
此后推导步骤和情况一相同,不再赘述。最终得到命题神经元σ28输出模糊真值为(0.765625,0.875,0.875)。从表3可知L2387发生故障且故障发生置信水平非常高。
通过实例中的情况一和情况二的诊断结果可以看出,本发明提出的方法不仅能够准确地诊断出故障位置,而且对于信息缺失的情况也能正确地诊断出故障发生的位置。
为了让本领域技术人员更加清楚如何采用FPGA进行步骤S11模型的建立,以下给出具体说明。
以上文中的例子进行说明,在应用FPGA处理器过程中,分为顶层模块以及模块1-模块14:
顶层模块:是对整个程序的总控制,采用自顶向下的设计方式,实现各个子模块的调用和数据的初始化。
模块1:给命题神经元σ1-σ14赋初始值。其中,根据继电器动作信息和断路器的跳闸信息,结合表1和表2确定命题神经元初始值。
模块2-模块6分别为L2387模块,B3模块,L2722模块,L2855模块,T模块。以上模块同时由并行计算出规则神经元σ28-σ36的模糊真值。
模块7:通过计算得到相应的命题神经元模糊真值σ15-σ23。以上σ28-σ36模糊真值由并行计算得到命题神经元σ15-σ23模糊真值。其中σ15-σ23中由主保护和后备保护相关的命题神经元组成。σ15和σ16与主保护相关,分别为主保护1和主保护2。σ17-σ23与后备保护相关,σ17-σ22和后备保护1、后备保护2相关。
模块8-模块11分别为主保护1和主保护2模块,主保护1和后备保护1模块,主保护2和后备保护2模块,后备保护1和后备保护2模块。在模块7中并行取主保护相关的σ15和σ16中模糊真值存储到模块8;并行取σ15和σ17-σ22中模糊真值存储到模块9;并行取σ16和σ23中模糊真值存储到模块10;并行取σ17-σ23中模糊真值存储到模块11。以上模块8-模块11存储的值由 并行计算分别同时输出规则神经元σ37、σ38、σ39、σ40。
模块12:通过计算得到相应的命题神经元模糊真值σ24-σ27。以上σ37-σ40模糊真值由并行计算得到命题神经元σ24-σ27模糊真值。
模块13:通过计算得到规则神经元σ41的模糊真值。由以上输出的σ24-σ27的模糊真值通过通行计算出规则神经元σ41的模糊真值。
模块14:通过计算得到命题神经元σ28的模糊真值。由以上输出σ41的模糊真值通过计算得到σ28的模糊真值。
需要说明的是,上述是实施例中的方法在FPGA上实施至少是一种具体的实施方式,并不代表只能在FPGA上实现,在其它处理器上实现也可。由于FPGA能够并行,因此在进行模型建立时可以提高模型建立的效率,进而提高诊断效率。
图4为本发明实施例提供的一种基于三角模糊数的脉冲神经膜系统的故障诊断装置的结构图。基于三角模糊数的脉冲神经膜系统的故障诊断装置,包括:
推导单元10,用于根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;
故障诊断模型建立单元11,用于分别对可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;
计算单元12,用于利用模糊推理算法对故障诊断模型进行逆向模糊推理,计算各可疑故障元件的故障置信度;
筛选单元13,用于依照预定判断依据在故障置信度中筛选出目标故障置信度,并确定目标故障置信度对应的可疑故障元件为确定故障元件。
作为优选地实施方式,故障诊断模型建立单元11具体用于对所述可疑故障元件对应的所述动作信息和所述跳闸信息设定命题神经元和规则神经元;根据故障模糊产生式规则建立所述故障诊断模型;根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据;获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将所述故障置信度和输入的所述命题神经元对应;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
作为优选地实施方式,所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
作为优选地实施方式,计算单元具体用于根据赋予初值的输入命题神经元,运用模糊推理算法得出故障诊断模型的输出命题神经元的值;
其中,输出神经元的值为可疑故障元件的故障置信度。
作为优选地实施方式,预定判断依据为:
如果故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
本发明实施例提供的基于三角模糊数的脉冲神经膜系统的故障诊断装置,包括:推导单元,用于根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;故障诊断模型建立单元,用于分别对可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;计算单元,用于利用模糊推理算法对故障诊断模型进行逆向模糊推理,计算各可疑故障元件的故障置信度;筛选单元,用于依照预定判断依据在故障置信度中筛选出目标故障置信度,并确定目标故障置信度对应的可疑故障元件为确定故障元件。由此可见,本装置结合继电器、断路器开关信息,结合模糊产生规则库、语言值和相关的三角模糊数实现对可疑故障元件的诊断,诊断准确高;另外本方法根据纵联差动保护使得最终输出模糊真值表示该可疑故障元件的故障置信度,在一定程度上使诊断结果更加准确。从SCADA系统采集完整信息或者不完整信息(继电器和断路器拒动,误动,信息丢失)的情况下也能准确地诊断出确定故障元件,因此具有更好的容错能力。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
以上对本发明所提供的基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
Claims (10)
1.一种基于三角模糊数的脉冲神经膜系统的故障诊断方法,其特征在于,包括:
S10:根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;
S11:分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;
S12:利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;
S13:依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。
2.根据权利要求1所述的方法,其特征在于,所述步骤S11具体包括:
对所述可疑故障元件对应的所述动作信息和所述跳闸信息设定命题神经元和规则神经元;
根据故障模糊产生式规则建立所述故障诊断模型;
根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据;
获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将所述故障置信度和输入的所述命题神经元对应;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
3.根据权利要求2所述的方法,其特征在于,所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
4.根据权利要求2所述的方法,其特征在于,所述步骤S12具体包括:
根据赋予初值的输入命题神经元,运用模糊推理算法得出所述故障诊断模型的输出命题神经元的值;
其中,所述输出神经元的值为所述可疑故障元件的故障置信度。
5.根据权利要求1所述的方法,其特征在于,所述预定判断依据为:
如果所述故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
6.一种基于三角模糊数的脉冲神经膜系统的故障诊断装置,其特征在于,包括:
推导单元,用于根据从SCADA系统得到的继电器动作信息和断路器的跳闸信息推导出停电区域中的可疑故障元件;
故障诊断模型建立单元,用于分别对所述可疑故障元件建立基于三角模糊数的脉冲神经膜系统的故障诊断模型;
计算单元,用于利用模糊推理算法对所述故障诊断模型进行逆向模糊推理,计算各所述可疑故障元件的故障置信度;
筛选单元,用于依照预定判断依据在所述故障置信度中筛选出目标故障置信度,并确定所述目标故障置信度对应的可疑故障元件为确定故障元件。
7.根据权利要求6所述的装置,其特征在于,所述故障诊断模型建立单元具体用于对所述可疑故障元件对应的所述动作信息和所述跳闸信息设定命题神经元和规则神经元;根据故障模糊产生式规则建立所述故障诊断模型;根据可疑元件的种类和保护类型分别建立相应的线路,母线,变压器故障模糊产生式规则集合,并作为相应的三角模糊数的脉冲神经膜系统的故障诊断模型建立的依据;获取电压等级220kV及其以上的元件和断路器主保护动作的故障置信度,并将所述故障置信度和输入的所述命题神经元对应;
所述故障模糊产生式规则具体包括:
类型1:IF p1 AND p2 AND...AND pk-1 THEN pk(CF=β);
类型2:IF p1 OR p2 OR...OR pk-1 THEN pk(CF=β);
其中,p1,p2,...,pk-1是规则神经元前件的k-1个命题神经元,而pk是规则神经元后件的命题神经元,β是一个实数且表示这个模糊产生式规则的置信因子CF。
8.根据权利要求7所述的装置,其特征在于,所述故障模糊产生式规则集合具体为:
如果线路、母线、变压器主保护动作且对应的断路器全部或者部分跳闸,则线路、母线、变压器故障,规则置信度极高;
如果线路、母线、变压器后备保护动作并且对应的断路器均跳闸,则线路、母线、变压器故障,规则置信度非常非常高。
9.根据权利要求7所述的装置,其特征在于,所述计算单元具体用于根据赋予初值的输入命题神经元,运用模糊推理算法得出所述故障诊断模型的输出命题神经元的值;
其中,所述输出神经元的值为所述可疑故障元件的故障置信度。
10.根据权利要求6所述的装置,其特征在于,所述预定判断依据为:
如果所述故障置信度α≥(0.65,0.75,0.875),则该故障置信度为目标故障置信度,对应的可疑故障元件为确定故障元件;
如果故障置信度α≤(0.25,0.375,0.5),则该故障置信度为非目标故障置信度,对应的可疑故障元件为非故障元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610854139.1A CN106483425B (zh) | 2016-09-27 | 2016-09-27 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610854139.1A CN106483425B (zh) | 2016-09-27 | 2016-09-27 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106483425A true CN106483425A (zh) | 2017-03-08 |
CN106483425B CN106483425B (zh) | 2019-09-03 |
Family
ID=58267928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610854139.1A Expired - Fee Related CN106483425B (zh) | 2016-09-27 | 2016-09-27 | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106483425B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109507527A (zh) * | 2018-11-06 | 2019-03-22 | 国网天津市电力公司电力科学研究院 | 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008024368A2 (en) * | 2006-08-22 | 2008-02-28 | Menges Pamela A | Article having multi-functional elements |
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN104732105A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 一种组件化系统设计的故障模式与影响分析方法 |
-
2016
- 2016-09-27 CN CN201610854139.1A patent/CN106483425B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008024368A2 (en) * | 2006-08-22 | 2008-02-28 | Menges Pamela A | Article having multi-functional elements |
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN104732105A (zh) * | 2015-04-08 | 2015-06-24 | 西安电子科技大学 | 一种组件化系统设计的故障模式与影响分析方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109507527A (zh) * | 2018-11-06 | 2019-03-22 | 国网天津市电力公司电力科学研究院 | 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法 |
CN109507527B (zh) * | 2018-11-06 | 2021-03-19 | 国网天津市电力公司电力科学研究院 | 一种基于突触可塑性的snp系统含分布式电源配电网故障定位方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN109633372B (zh) * | 2018-12-19 | 2020-01-03 | 西南交通大学 | 一种基于膜系统的电力系统故障自动诊断方法 |
CN111413565A (zh) * | 2020-04-16 | 2020-07-14 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN111413565B (zh) * | 2020-04-16 | 2020-10-23 | 西华大学 | 一种可识别量测篡改攻击的智能电网故障诊断方法 |
CN112710914A (zh) * | 2020-12-16 | 2021-04-27 | 西华大学 | 计及控制中心故障信息篡改的智能变电站故障诊断方法 |
CN113159113A (zh) * | 2021-03-09 | 2021-07-23 | 西华大学 | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106483425B (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106483425A (zh) | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 | |
CN104502795B (zh) | 一种适用于微电网的智能故障诊断方法 | |
CN108120903B (zh) | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
CN109933881A (zh) | 一种基于优化深度信念网络的电力电子电路故障诊断方法 | |
CN103278746B (zh) | 考虑不确定信息的电网故障诊断系统的实现方法 | |
CN106856322B (zh) | 一种基于神经网络的柔性直流配电网智能保护系统 | |
CN103001328A (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN105158647B (zh) | 基于电网监控系统的单站端电网故障诊断和辅助决策方法 | |
CN106411617A (zh) | 电力通信网络故障告警关联处理方法 | |
CN106841910A (zh) | 将仿电磁学算法融于时序模糊Petri网的配电网故障诊断方法 | |
CN106447031A (zh) | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 | |
CN101924354A (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN109633370A (zh) | 一种基于故障信息编码和融合方法的电网故障诊断方法 | |
CN105183952A (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN111413565A (zh) | 一种可识别量测篡改攻击的智能电网故障诊断方法 | |
CN110277833A (zh) | 变电站压板状态识别的方法及终端设备 | |
CN106771853A (zh) | 一种基于事件起点的智能化电网故障诊断方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN114187132A (zh) | 一种变电站监控信息特征选择方法、存储介质和设备 | |
CN106292499A (zh) | 智能变电站二次设备运维操作对象的安全防误方法及装置 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN107064745A (zh) | 基于暂态电流信息和小波熵的分级式故障诊断方法 | |
CN109064060A (zh) | 一种励磁涌流导致继电保护误动风险的评估方法 | |
CN106557607A (zh) | 一种输变电故障检测系统的数据汇总方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190903 Termination date: 20210927 |