CN106980066A - 一种基于体液免疫应答机制的电网故障诊断模型构建方法 - Google Patents
一种基于体液免疫应答机制的电网故障诊断模型构建方法 Download PDFInfo
- Publication number
- CN106980066A CN106980066A CN201611253829.8A CN201611253829A CN106980066A CN 106980066 A CN106980066 A CN 106980066A CN 201611253829 A CN201611253829 A CN 201611253829A CN 106980066 A CN106980066 A CN 106980066A
- Authority
- CN
- China
- Prior art keywords
- antibody
- fault
- electric network
- network failure
- failure diagnosis
- 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.)
- Pending
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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于电网故障诊断领域的一种基于体液免疫应答机制的电网故障诊断模型构建方法,该方法首先,建立了体液免疫系统与电网故障诊断系统的映射关系。其次,模拟体液免疫应答机制和结构,构建了基于体液免疫应答机制的电网故障诊断模型。该诊断模型考虑了当前电网故障诊断所面临的故障警报信息不完备性和不确定性的影响,既能够快速、有效地根据先验知识实现已知故障的诊断,又可以实现未知故障的连续学习,具有较强的容错性和适应性;通过故障诊断知识的不断完善和补充,一定程度上克服了故障知识不完备的问题,具有一定的实用价值。
Description
技术领域
本发明属于电力系统电网故障诊断领域,特别涉及一种基于体液免疫应答机制的电网故障诊断模型构建方法。
背景技术
电网故障诊断在事故后快递分析、尽快恢复供电等方面起着重要的作用。作为故障恢复的第一步,应快速、有效地对电网故障进行诊断以隔离故障元件,避免事故扩大,进而采取相应措施快速恢复供电,保证电网安全、可靠运行。
目前,应用于电网故障诊断领域的方法主要有专家系统、贝叶斯网络、神经网络、Petri网、优化技术等。这些故障诊断方法在故障警报信息准确且故障样本数据完备的情况下能够获得良好的诊断效果,并且在故障警报信息不确定性方面亦取得了某些进展。然而在实际中,随着电网的规模不断扩大和拓扑结构日趋复杂,获取完备的故障样本数据非常困难,并且由于量测设备采样错误、信息传输通道异常或中断等原因导致保护、断路器等故障警报信息畸变、丢失更加严峻,在此背景下电网故障诊断存在很多困难。因此有必要研究一种容错性强、具有自学习能力的电网故障诊断方法,以辅助调度运行人员快速进行事故分析与处理。
发明内容
本发明的目的是提出了一种基于体液免疫应答机制的电网故障诊断模型构建方法,所述方法主要包括以下步骤:
步骤1:根据体液免疫应答过程与电网故障诊断过程的相似性,将免疫系统的一些基本量与电网故障诊断的基本量对应起来,建立二者的映射关系;
步骤2:模拟人体免疫系统的自体耐受、克隆选择、记忆细胞获取、抗体浓度调节等免疫机制和结构,构建基于体液免疫应答机制的电网故障诊断模型;
步骤3:基于步骤2构建的诊断模型进行电网故障诊断,应用先验知识实现已知故障的诊断,借助连续学习机制实现未知故障的学习,逐步补充和完善诊断知识。
所述步骤1免疫系统的一些基本量与电网故障诊断系统的基本量的对应关系包括:抗原与故障警报信息;B细胞、抗体与故障诊断检测器;浆细胞与候选故障诊断检测器;记忆细胞与记忆故障诊断检测器;亲和力与故障匹配程度;抗体、抗原的绑定与故障模式匹配;自体耐受与否定选择算法;克隆选择与克隆选择算法;协同刺激与人工辅助;抗原检测和应答与故障警报信息的识别和应答。
所述步骤3整个电网故障诊断过程主要分为三个阶段:
(1)故障诊断检测器生成阶段,这一阶段主要是对故障样本数据进行体液免疫学习训练;
(2)故障诊断阶段,这一阶段利用故障知识库中的故障检测器对目标系统的实时故障警报信息进行诊断识别,确定故障元件;
(3)连续学习阶段,对不能识别的故障警报信息进行体液免疫连续学习。
所述对故障样本数据进行的体液免疫学习主要包括的环节有:未成熟检测器的自体耐受;成熟检测器的选择、克隆、变异、亲和力成熟、受体编辑过程;生成最终故障检测器的抗体评估策略。
所述成熟检测器的选择指依据亲和力和抗体浓度进行选择,每个检测器期望被选择的概率计算公式如下:
式中,f(Ab,Ag)为抗体与抗原的亲和力;C(Ab)为抗体浓度;α为多样性常数调节因子,0.5<α<1。
所述亲和力是指抗体与抗原的绑定能力,即故障匹配程度,其计算公式为,
式中,为抗体与抗原基于平均信息熵的距离计算公式,其中X为等位基因数;l为抗原Ag与抗体Ab的编码基因长度;pij为抗原Ag与抗体Ab中第j位编码基因取值为第i个等位基因的概率。设抗体与抗原的匹配阈值为ε,若f(Ab,Ag)≥ε,则抗体与抗原相匹配。
所述抗体浓度指相似抗体在群体中所占的比重,计算公式为,
式中,η为预设的相似度阈值;S(Abj,Abk)为抗体Abj与Abk的相似度;N为群体规模。
所述相似度指抗体与抗体间的匹配程度,其计算公式为,
式中,为抗体间的海明距离计算公式,其中,l为抗体编码基因长度;abki、abji为第k与j第个抗体的第i位编码基因。
本发明的有益效果在于,本发明所提供的一种基于体液免疫应答机制的电网故障诊断模型构建方法考虑了当前电网故障诊断所面临的故障警报信息不确定性和不完备性的影响,所构建的电网故障诊断模型具有较强的容错能力,既能够快速、有效地实现已知故障的诊断,又可以实现未知故障的连续学习,故障诊断知识的不断完善和补充,一定程度上克服了故障知识不完备的问题,逐步使系统的故障诊断能力达至最优。
附图说明
图1为体液免疫系统与电网故障诊断系统的映射关系图。
图2为基于体液免疫应答机制的电网故障诊断流程图。
具体实施方式
本发明提出了一种基于体液免疫应答机制的电网故障诊断模型构建方法,主要包括以下步骤:
步骤1:根据体液免疫应答过程与电网故障诊断过程的相似性,将免疫系统的一些基本量与电网故障诊断的基本量对应起来,建立二者的映射关系;
步骤2:模拟人体免疫系统的自体耐受、克隆选择、记忆细胞获取、抗体浓度调节等免疫机制和结构,构建基于体液免疫应答机制的电网故障诊断模型;
步骤3:基于步骤2构建的诊断模型进行电网故障诊断,应用先验知识实现已知故障的诊断,借助连续学习机制实现未知故障的学习,逐步补充和完善诊断知识。
下面结合附图对本发明做进一步说明。
图1所示为本发明体液免疫系统与电网故障诊断系统的映射关系图,根据二者的映射关系,定义电网故障诊断模型中所涉及的一些基本量,定义如下:
(1)自体,当电网正常运行时,所收集的状态特征量构成的向量即为自体,用Self表示,Self=(s1,s2,...,si,...,sl),其中si为第i位自体编码基因;l为编码基因长度。
(2)抗原,电网发生故障时获取的故障警报信息构成的特征向量映射为抗原,用Ag来表示,Ag=(ag1,ag2,...,agi,...,agl),其中agi为第i位抗原编码基因。
(3)故障诊断检测器,故障诊断检测器由B细胞及抗体构成,故障元件映射为B细胞,引发元件发生故障的警报信息映射为抗体。故障检测器可以诊断故障征兆数据以辨识发生故障的元件,表示成D=(Ab,B_cell),其中,B_cell为B细胞映射的故障元件;Ab=(ab1,ab2,...,abi,...,abl)为抗体映射的相关警报信息,abi为第i位抗体编码基因。
(4)亲和力,亲和力指抗体与抗原的绑定能力,即故障匹配程度,抗体与抗原的亲和力计算公式为,
式中,为抗体与抗原基于平均信息熵的距离计算公式,其中X为等位基因数;l为抗原Ag与抗体Ab的编码基因长度;pij为抗原Ag与抗体Ab中第j位编码基因取值为第i个等位基因的概率。设抗体与抗原的匹配阈值为ε,若f(Ab,Ag)≥ε,则抗体与抗原相匹配。
(5)相似度。相似度指抗体与抗体间的匹配程度,其计算公式为,
式中,为抗体间的海明距离计算公式,其中,l为抗体编码基因长度;abki、abji为第k与第j个抗体的第i位编码基因。
(6)抗体浓度。抗体的浓度指相似抗体在群体中所占的比重,其计算公式为,
式中,η为预设的相似度阈值;N为群体规模。
图2为本发明基于体液免疫应答机制的电网故障诊断流程图。如图2所示,本发明提供的基于体液免疫应答机制的电网故障诊断模型构建方法主要包括以下步骤:
步骤1:对所获取的故障样本数据进行体液免疫学习训练。
步骤1.1:随机生成N个未成熟检测器,并初始化体液免疫学习过程中所涉及的各个参数。
步骤1.2:采用海明距离对自体抗原进行匹配,若未成熟检测器与自体抗原匹配,则将其删除并补入新的未成熟检测器,否则转入成熟检测器集合;
步骤1.3:对生成的成熟检测器集合计算亲和力和浓度。
步骤1.4:对成熟检测器采用轮盘赌的选择方法进行选择操作,每个检测器期望被选择的概率计算公式如下:
式中,α为多样性常数调节因子,0.5<α<1。
步骤1.5:对选择出来的检测器进行克隆操作,克隆计算公式如下:
Nci=round(β×N) (公式2)
式中,Nci为被选出的第i个检测器的克隆规模;N为群体规模;β为繁殖系数。
步骤1.6:对克隆增殖后的检测器进行均匀变异操作,变异计算公式如下:
式中,abji为附属于检测器Dj的抗体Abj的第i个分量;pm为变异概率;s是[0,1]范围内的随机数。
步骤1.7:重新计算变异后检测器的亲和力,若变异后的检测器亲和力高于父代,就用该检测器代替原检测器。计算公式如下,
式中,Ab′imax(t)为第t次迭代中第i个克隆子代群体中最优检测器的抗体,max{f(Abi′(t))}为子代群体中最高亲和力;Abi(t)为第t次迭代中第i个父代检测器的抗体,f(Abi(t))为其亲和力。
步骤1.8:经历步骤1.7的计算后,将亲和力最高的N个检测器加入记忆检测器集合和候选检测器集合,其他消亡,从而达到亲和力成熟。
步骤1.9:对记忆检测器集合进行受体编辑操作。用随机生成的满足耐受要求的M个检测器替换记忆检测器集合中亲和力较低的检测器。
步骤1.10:判断进化代数是否等于预设。若不等于,返回步骤1.3进行循环操作;否则,继续下一步操作。
步骤1.11:模拟抗体抗原反应的量比特性对候选故障诊断检测器分泌的抗体进行评估,计算抗原识别率,公式如下:
式中,f(Abi,Ag)为抗原Ag与抗体Abi的亲和力,ε为Ag与Abi的匹配阈值。
步骤1.12:若γ1<P(Ag)≤γ2(γ2、γ1为预设的上、下限常数阈值),说明抗体抗原的反应达至最适比例,则评估结束,转至步骤1.15;否则,继续下一步操作。
步骤1.13:若P(Ag)>γ2,说明优势抗体浓度过剩,则对抗体集Ab={Ab1,Ab2,...,AbN}进行浓度调节,删除浓度高的优势Abi,高浓度优势抗体凋亡函数公式定义如下:
Delete(Abi)={Abi∈Ab,f(Abi,Ag)≥ε∩max{C(Abi)}} (公式6)
若P(Ag)≤γ1,说明劣势抗体浓度过剩,则删除浓度高的劣势Abj,高浓度劣势抗体凋亡函数公式定义如下:
Delete(Abj)={Abj∈Ab,f(Abj,Ag)<ε∩max{C(Abj)}} (公式7)
步骤1.14:重新计算比例调节后的P(Ag),若γ1<P(Ag)≤γ2,则评估结束,转至步骤1.15,;否则,转至步骤1.13。
步骤1.15:对满足最适比要求的抗体集进行重新封装,生成最终故障诊断检测器D(Ab,device),其中device为故障元件;Ab={Ab1,Ab2,...,Abk}为评估操作后满足最适比要求的抗体集。
步骤1.16:用一个人工操作环节来模拟协同刺激信号。借鉴领域专家经验,若生成的故障诊断检测器对抗原的识别与实际故障相符,则存入故障知识库;否则凋亡。
步骤2:实时故障警报信息检测与识别。当电网元件发生故障时,获取反馈的故障警报信息。
步骤3:调用故障诊断模块对获取的故障警报信息进行诊断,若能够确诊故障元件,则输出诊断结果,供调度运行人员进行决策参考;否则,返回步骤1进行未知故障的体液免疫连续学习。
以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,尽管本说明书结合附图对本发明的具体实施方式进行了详细的说明,但是,本领域技术人员应当理解,依然可以对本发明进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均应涵盖在本发明的保护范围当中。
Claims (8)
1.一种基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,包括以下步骤:
步骤1:根据体液免疫应答过程与电网故障诊断过程的相似性,将免疫系统的一些基本量与电网故障诊断的基本量对应起来,建立二者的映射关系;
步骤2:模拟人体免疫系统的自体耐受、克隆选择、记忆细胞获取、抗体浓度调节的免疫机制和结构,构建基于体液免疫应答机制的电网故障诊断模型;
步骤3:基于步骤2构建的诊断模型进行电网故障诊断,应用先验知识实现已知故障的诊断,借助连续学习机制实现未知故障的学习,逐步补充和完善诊断知识。
2.根据权利要求1所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述步骤1免疫系统的一些基本量与电网故障诊断系统的基本量的对应关系包括:抗原与故障警报信息;B细胞、抗体与故障诊断检测器;浆细胞与候选故障诊断检测器;记忆细胞与记忆故障诊断检测器;亲和力与故障匹配程度;抗体、抗原的绑定与故障模式匹配;自体耐受与否定选择算法;克隆选择与克隆选择算法;协同刺激与人工辅助,抗原检测和应答与故障警报信息的识别和应答。
3.根据权利要求1所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述步骤3整个电网故障诊断过程主要分为三个阶段:
(1)故障诊断检测器生成阶段。这一阶段主要是对故障样本数据进行体液免疫学习训练;
(2)故障诊断阶段。这一阶段利用故障知识库中的故障检测器对目标系统的实时故障警报信息进行诊断识别,确定故障元件;
(3)连续学习阶段。对不能识别的故障警报信息进行体液免疫连续学习。
4.根据权利要求3所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述对故障样本数据进行的体液免疫学习主要包括的环节有:未成熟检测器的自体耐受;成熟检测器的选择、克隆、变异、亲和力成熟、受体编辑过程;生成最终故障检测器的抗体评估策略。
5.根据权利要求4所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述成熟检测器的选择指依据亲和力和抗体浓度进行选择,每个检测器期望被选择的概率计算公式如下:
式中,f(Ab,Ag)为抗体与抗原的亲和力;C(Ab)为抗体浓度;α为多样性常数调节因子,0.5<α<1。
6.根据权利要求5所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述亲和力是指抗体与抗原的绑定能力,即故障匹配程度,其计算公式为,
式中,为抗体与抗原基于平均信息熵的距离计算公式,其中X为等位基因数;l为抗原Ag与抗体Ab的编码基因长度;pij为抗原Ag与抗体Ab中第j位编码基因取值为第i个等位基因的概率。设抗体与抗原的匹配阈值为ε,若f(Ab,Ag)≥ε,则抗体与抗原相匹配。
7.根据权利要求5所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述抗体浓度指相似抗体在群体中所占的比重,计算公式为,
式中,η为预设的相似度阈值;S(Abj,Abk)为抗体Abj与Abk的相似度;N为群体规模。
8.根据权利要求7所述基于体液免疫应答机制的电网故障诊断模型构建方法,其特征在于,所述相似度指抗体与抗体间的匹配程度,其计算公式为,
式中,为抗体间的海明距离计算公式,其中,l为抗体编码基因长度;abki、abji为第k与j第个抗体的第i位编码基因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253829.8A CN106980066A (zh) | 2016-12-29 | 2016-12-29 | 一种基于体液免疫应答机制的电网故障诊断模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611253829.8A CN106980066A (zh) | 2016-12-29 | 2016-12-29 | 一种基于体液免疫应答机制的电网故障诊断模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106980066A true CN106980066A (zh) | 2017-07-25 |
Family
ID=59340306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611253829.8A Pending CN106980066A (zh) | 2016-12-29 | 2016-12-29 | 一种基于体液免疫应答机制的电网故障诊断模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106980066A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799425A (zh) * | 2019-02-22 | 2019-05-24 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060142964A1 (en) * | 2001-11-23 | 2006-06-29 | Abb Ab | Fault location using measurements from two ends of a line |
CN103714385A (zh) * | 2013-12-30 | 2014-04-09 | 北京航天测控技术有限公司 | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
CN105606931A (zh) * | 2015-12-30 | 2016-05-25 | 国网天津市电力公司 | 一种基于量子遗传算法的中压配电网故障诊断方法 |
-
2016
- 2016-12-29 CN CN201611253829.8A patent/CN106980066A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060142964A1 (en) * | 2001-11-23 | 2006-06-29 | Abb Ab | Fault location using measurements from two ends of a line |
CN103714385A (zh) * | 2013-12-30 | 2014-04-09 | 北京航天测控技术有限公司 | 一种基于改进型克隆选择算法的模拟电路故障诊断方法 |
CN105606931A (zh) * | 2015-12-30 | 2016-05-25 | 国网天津市电力公司 | 一种基于量子遗传算法的中压配电网故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
梅聪: "基于人工免疫算法的模拟电路故障诊断", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
田玉玲: "双重免疫学习机制在故障诊断中的应用", 《南京航空航天大学学报》 * |
肖厚国: "基于遗传算法的粗糙集属性约简方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
马军 等: "《中国物流学术前沿报告2013-2014》", 30 November 2013 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109799425A (zh) * | 2019-02-22 | 2019-05-24 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
CN109799425B (zh) * | 2019-02-22 | 2022-02-18 | 国网冀北电力有限公司经济技术研究院 | 电网故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155574A (zh) | 基于自适应神经模糊推理系统的配电网故障分类方法 | |
CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN109270407A (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN110542819B (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
WO2015158198A1 (zh) | 一种基于神经网络自学习的故障识别方法及系统 | |
Dhibi et al. | An enhanced ensemble learning-based fault detection and diagnosis for grid-connected PV systems | |
CN106856322B (zh) | 一种基于神经网络的柔性直流配电网智能保护系统 | |
CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
CN106443566B (zh) | 基于大数据推演的电能计量装置误差检测方法及系统 | |
CN107621594B (zh) | 一种基于故障录波数据与贝叶斯网络的电网故障诊断方法 | |
Parashar | IoT based automated weather report generation and prediction using machine learning | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN111981635B (zh) | 一种双智能算法的中央空调故障预测与诊断方法 | |
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN111242276B (zh) | 一种用于负荷电流信号识别的一维卷积神经网络构建方法 | |
Rao et al. | Dropout and pruned neural networks for fault classification in photovoltaic arrays | |
CN112215279B (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN109782124A (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170725 |
|
RJ01 | Rejection of invention patent application after publication |