CN109445411A - 一种变电站故障诊断方法 - Google Patents
一种变电站故障诊断方法 Download PDFInfo
- Publication number
- CN109445411A CN109445411A CN201811245141.4A CN201811245141A CN109445411A CN 109445411 A CN109445411 A CN 109445411A CN 201811245141 A CN201811245141 A CN 201811245141A CN 109445411 A CN109445411 A CN 109445411A
- Authority
- CN
- China
- Prior art keywords
- neuron
- rule
- pulse
- region
- proposition
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种变电站故障诊断方法,包括:步骤一:依据变电站的电压等级特性,将变电站分成k个独立区域;步骤二:分别对各个区域,采用粗糙集约简方法进行警报信息处理和约简,获得约简后的信息,并用于建立构建诊断模型时所需要的故障知识产生式规则集;步骤三:依据上一步所获得的产生式规则集,分别建立每个区域的基于二进制推理脉冲神经膜系统的故障诊断模型;步骤四:分别利用以上诊断模型的矩阵推理算法进行知识推理,获得每个诊断模型的诊断结果;步骤五:依据判定规则,确定故障设备。本发明方法提高了容错性、诊断效率、诊断结果正确性和可理解性。
Description
技术领域
本发明涉及变电站,是电力系统技术领域,尤其涉及一种变电站故障诊断方法。
背景技术
变电站是电力系统的重要组成部分,主要承担着电能的汇集、变换和分配等功能。因此,变电站是否正常工作是整个电力系统能否稳定运行的重要保证之一。当变电站设备发生故障时,将会产生大量警报信息,这些信息中往往存在着大量的冗余和无效信息,同时常常伴随着信息缺失等情况。变电站的故障诊断则要求运行人员能够依据警报信息快速并准确地判断出故障,并对其进行故障定位和恢复,从而最大程度的降低经济损失,并快速恢复供电可靠性。但是,由于警报信息的不精确性和不确定性增加了故障诊断的难度,因此研究出一种高效、准确且可靠的变电站故障诊断方法来处理这些信息极为重要。目前,变电站的故障诊断方法主要有专家系统、模糊理论、神经网络、贝叶斯网络、Petri网、遗传算法、粗糙集和随机优化理论等方法。这些方法各具优点且各自得到了一定的应用,但是普遍存在一个共性问题,即难以快速有效地处理不精确和不确定信息并兼顾良好的可理解性和诊断结果正确性。
发明内容
本发明的目的在于解决上述现有技术存在的缺陷,提供一种膜系统结合粗糙集的变电站故障诊断方法。
一种变电站故障诊断方法,包括以下步骤:
步骤一:依据变电站的电压等级特性,将变电站分成k个独立区域;
步骤二:分别对各个区域,采用粗糙集约简方法进行警报信息处理和约简,获得约简后的信息,用于构建故障诊断模型时所需的故障知识产生式规则集;
步骤三:依据上一步所获得的故障知识产生式规则集,分别建立每个区域的基于二进制推理脉冲神经膜系统的故障诊断模型;
步骤四:各个诊断模型利用其各自的矩阵推理算法进行知识推理,并获得每个诊断模型的诊断结果;
步骤五:依据判定规则,确定故障设备。以上诊断模型中,如果一个输出神经元的真值为1,则该神经元所对应的设备故障;如果为0,则对应设备没有故障。
进一步地,如上所述的方法,步骤二包括以下步骤:
(1)读取来自数据采集与监控系统的保护装置的警报信息;
(2)在每个区域内构建决策表,分别采用基于分辨矩阵的决策表属性约简算法处理读取的警报信息,完成每个区域的属性约简,获得处理和约简后的故障知识;
(3)利用约简后的故障知识,依据警报信息中的保护装置与设备故障之间的逻辑关系,建立故障知识产生式规则集,完成每个区域的规则提取。
进一步地,如上所述的方法,所述基于二进制推理脉冲神经膜系统的具体定义为:
Π=(O,σ1,σ2...σm,syn,in,out)
其中:
O={a},a代表神经脉冲,O为神经脉冲a的集合;
σi=(θi,ri),1≤i≤s,表示第i个命题神经元,σj=(θj,rj),1≤j≤t,表示第j个规则神经元,且有s+t=m,其中:
命题神经元σi和规则神经元σj内部脉冲的位势值(或称为脉冲值)分别用θi和θj表示,两者的取值为0或1;
ri表示命题神经元σi的点火规则,它的点火规则形式为E/aθ→aθ,其中θ取值为0或1,表示当执行点火规则时,命题神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值同样为θ的新脉冲aθ;rj表示规则神经元σj的点火规则,规则形式为E/aθ→aβ,其中θ和β取值为0或1,表示当执行点火规则时,规则神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值为β的新脉冲aβ;其中E={an}称为点火条件,表示当且仅当命题神经元σi或规则神经元σj接收到至少n个脉冲时,点火规则才能执行;否则,点火规则不能执行;
表示二进制脉冲神经膜系统中各神经元之间突触的有向连接关系,对于1≤i≤m,有
in,out分别表示二进制脉冲神经膜系统的输入、输出神经元集合。
进一步地,如上所述的方法,二进制推理脉冲神经膜系统的矩阵推理算法具体步骤如下:
步骤1)设置停机条件并初始化参数θ0,δ0,D1,D2,D3,E;
步骤2)令推理步数g=0;
步骤3)同时对每个命题神经元中的点火条件进行判断,如果点火规则E={an}满足点火条件,则该命题神经元点火并根据公式计算δg+1,并向其突触后规则神经元发送一个脉冲值;
步骤4)同时对每个规则神经元,如果点火规则E={an}满足点火条件,则该规则神经元点火并根据公式θg+1=ET⊙δg+1计算θg+1,并向其突触后命题神经元发送一个脉冲值;
步骤5)如果θg+1=01、δg+1=02,则满足停机条件,那么算法停止并输出推理结果;否则,推理步数g增加1,返回执行步骤3);
其中,θ=(θ1,...,θs)T表示命题神经元的脉冲值向量,其中θi(1≤i≤s)表示为第i个命题神经元的脉冲值,它的取值为0或1;
δ=(δ1,...δt)表示规则神经元的脉冲值向量,其中δj(1≤j≤t)表示为第j个规则神经元的脉冲值,它的取值为0或1;
D1=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到General规则神经元的有向突触连接关系,若命题神经元σi到General规则神经元σj有突触连接关系,则dij=1,否则dij=0;
D2=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到And规则神经元的有向突触连接关系,若命题神经元σi到And规则神经元σj有突触连接关系,则dij=1,否则dij=0;
D3=(dij)s×t是一个s×t阶的矩阵,它表示为命题神经元到Or规则神经元的有向突触连接关系,若命题神经元σi到Or规则神经元σj有突触连接关系,则dij=1,否则dij=0;
E=(dji)t×s是一个t×s阶的矩阵,它表示为规则神经元到命题神经元的有向突触连接关系,若规则神经元σj到命题神经元σi有突触连接关系,则eji=1,否则eji=0;
其中
其中
其中同理,
其中
进一步地,如上所述的方法,步骤一所述区域的划分方法包括:
按电压等级进行划分,同一电压等级的母线及该母线上的设备,划分在同一个区域;
连接不同电压等级母线的变压器,将其划分在高压侧连接的区域;
变圧器各侧的断路器划分到各自相应的电压等级区域,并作为各个区域的边界交汇。
有益效果:
本发明提供的膜系统结合粗糙集的变电站故障诊断方法,该方法首先依据变电站的电压等级特性对变电站进行分区处理,然后结合粗糙集对每个区域建立基于二进制推理脉冲神经膜系统的故障诊断模型进行故障诊断。分区处理可以增加该诊断方法的自适应能力和灵活性,因为当变电站主接线和保护配置变化时,仅仅会影响相应区域的诊断模型,其他区域并不会受到影响;基于粗糙集理论的属性约简,可以对警报信息进行预处理,剔除冗余信息,有效处理由于保护拒动、误动和信息丢失等原因引起的警报信息的不精确性和不确定性,减少用于建立二进制推理脉冲神经膜系统诊断模型的故障产生式规则的条数,因此可以降低诊断模型的规模,提高故障诊断过程的效率和诊断结果的正确性,从而提高方法的容错性和诊断结果正确性;此外,二进制推理脉冲神经膜系统的图形化建模过程,可以提高该方法的可理解性。
附图说明
图1为本发明膜系统结合粗糙集的变电站故障诊断方法流程图;
图2为本发明属性约简与规则提取的方法流程图;
图3为本发明实施例1电气接线图;
图4为本发明实施例1约简核图;
图5为本发明实施例1初始约简组合图;
图6为本发明实施例110kV区域的二进制推理脉冲神经膜系统故障诊断模型;
图7为本发明实施例35kV区域的二进制推理脉冲神经膜系统故障诊断模型;
图8为本发明实施例10kV区域的二进制推理脉冲神经膜系统故障诊断模型;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
粗糙集是一种新颖的刻画不精确性和不确定性的数学工具,能够有效地分析不精确、不一致和不完整等各种不完备信息,还可以通过对数据进行分析和推理,发现隐含知识,揭示潜在的规律。粗糙集理论与其他处理不确定和不精确问题的理论相比,最显著的特点是:它不需要待处理数据集合之外的任何先验信息,只需要通过数据本身即可得到清晰的结果,因此具有很强的客观性;数据分析能力强,能在有效保留重要数据的同时,将数据集合精简到最小,因此可以有效地减小误差,提高工作效率;可以运用知识对数据进行精确的分析和分类,有效区分有效信息和无效信息,所以可以构建更加合理高效的知识库。因此,粗糙集理论可以有效地处理故障发生时的警报信息。但是,由于它无法实现故障知识的推理和计算,所以它不能单独完成故障诊断,往往需要与其他方法相结合使用。因此,如何充分发挥粗糙集理论优势的同时,有效结合其他方法进行故障诊断,具有重要意义。
近年来,脉冲神经膜系统由于其在模糊知识表达和推理方法的优越性能,以及便于理解的图形化建模过程,被广泛用于电网故障诊断。但是,随着研究工作的展开,发现由于模糊推理脉冲神经膜系统是基于专家知识或历史统计数据(先验信息)进行建模的,而且无法对这些知识进行约简,因此当先验知识冗余性增加时,所建诊断模型的规模急剧增大,进而降低故障诊断方法的效率。因此,如何克服基于脉冲神经膜系统故障诊断方法的这些缺点,是目前需要解决和克服的问题。
基于此,本发明提供一种膜计算结合粗糙集的变电站故障诊断方法,其流程图如图1所示,具体步骤描述如下:
步骤一:变电站分区处理。依据变电站的电压等级特性,将变电站分成k个独立区域,区域的划分原则包括:(1)同一个电压等级的母线,以及这些母线上的设备,划分在同一个区域;(2)连接多个不同电压等级母线的变压器,将其划分在高压侧连接的区域;(3)变圧器各端的断路器划分到各自相应的电压等级区域,并作为各个区域的边界交汇。
步骤二:警报信息的属性约简,获取约简后的故障知识产生式规则集。
由于在一个知识库中,每一个知识对整个知识库影响的大小(重要度)是不一样的,甚至知识库中的某些知识在里面是冗余的。换言之,也就是将这些冗余的知识删除后,对整个知识库是没有任何影响的。所以,信息系统的属性(知识)约简,就是在保证在分类能力保持不变的条件下,将这些对整个知识库没有影响的冗余知识删掉,从而简化复杂的知识库。
本发明分别对步骤一中所获得的各个独立区域,采用粗糙集约简方法进行警报信息处理和约简,获得约简后的信息,并用于建立构建诊断模型时所需的故障知识产生式规则集。其具体步骤如图2所示,包括:
(1)读取来自数据采集与监控系统的保护装置的警报信息;
(2)在每个区域内构建决策表,分别采用基于分辨矩阵的决策表属性约简算法处理读取的警报信息,完成每个区域的属性约简,获得处理和约简后的故障知识。所涉及的定义和算法如下:
定义1.1设K=(U,R)表示一个知识库,若存在r∈R,即r为R中的一个属性,若IND(R)=IND(R-{r})或U/R=U/(R-{r})成立,那么我们称r是集合R中可以删除的或者不必要的元素;反之称r为集合R中不能删除的或者必要的元素。
定义1.2若集合R中的任意一个元素r∈R都是R中必要的,则称集合R为独立的;反之则称集合R是依赖的。
定义1.3设一个知识库K=(U,R),如果存在三个条件,即:P是独立的以及IND(P)=IND(R),那么称集合P为集合R的一个约简,记为RED(R)。
定义1.4设一个知识库为K=(U,R),如果集合R存在多种约简的可能,那么由集合R中所有的必要属性所组成的集合称之为集合R的核(Core),通常记作CORE(R),即:CORE(R)=∩RED(R)。
定义1.5设p,q为两个命题,复合命题“p或q”称作p与q的析取值,记作p∨q,∨称作析取联结词。p,q都为假时,p∨q为假,反之为真。
定义1.6设p,q为两个命题,复合命题“p并且q”称作p与q的合取值,记作p∧q,∧称作合取联结词。p,q都为真时,p∧q为真,反之为假。
定义1.7设一个信息系统为I=(U,A),设U={x1,x2...,xn},A={a1,a2,...,am},对应的分辨矩阵M={dij|i=1,...,n,j=1,...,m},其中dij定义如下:
dij=Φ i=j
dij=∨ak i≠j,且xi和xj在属性ak(k=1,…,m)上取值不相同
可以看到,分辨矩阵M为一个阶数为n×n对称的矩阵,所以在进行粗糙集约简的时候,只需考虑其下三角或上三角部分即可。
定义1.8设I=(U,A)为一个信息系统,对分辨矩阵M={dij|i=1,...,n,j=1,...,m},其分辨函数f(M)的定义为:
基于分辨矩阵的决策表属性约简算法的具体步骤如下:
输入:决策表T=(U,C,D)
输出:决策表T的约简RED(D)
步骤1)求得决策表T的分辨矩阵M;
步骤2)对分辨矩阵M中元素dij(dij≠Φ且dij不为负值)建立析取值Lij;
步骤3)对步骤2)中建立的析取值Lij进行合取运算,运算后得到合取范式L,即
步骤4)将步骤3)中的合取范式L转换为析取范式形式,得
步骤5)输出RED(D)={Lk}。
(3)利用约简后的故障知识,依据警报信息中的保护装置与设备故障之间的逻辑关系,建立故障知识产生式规则集,完成每个区域的规则提取。
步骤三:依据上一步所获得的产生式规则集,分别建立每个区域的基于二进制推理脉冲神经膜系统的故障诊断模型。
二进制推理脉冲神经膜系统的具体定义为:
定义1.9:一个度为m的二进制脉冲神经膜系统形式化定义为:
Π=(O,σ1,σ2...σm,syn,in,out)
其中:
(1)O={a},a代表神经脉冲,O为神经脉冲a的集合。
(2)σi=(θi,ri),1≤i≤s,表示第i个命题神经元,σj=(θj,rj),1≤j≤t,表示第j个规则神经元,且有s+t=m,其中:
a)命题神经元σi和规则神经元σj内部脉冲的位势值(或称为脉冲值)分别用θi和θj表示,两者的取值为0或1;
b)ri表示命题神经元σi的点火规则,它的点火规则形式为E/aθ→aθ(其中θ取值为0或1),表示当执行点火规则时,命题神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值同样为θ的新脉冲aθ;rj表示规则神经元σj的点火规则,规则形式为E/aθ→aβ(其中θ和β取值为0或1),表示当执行点火规则时,规则神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值为β的新脉冲aβ。其中E={an}称为点火条件,表示当且仅当命题神经元σi或规则神经元σj接收到至少n个脉冲时,点火规则才能执行;否则,点火规则不能执行。
(3)表示二进制脉冲神经膜系统中各神经元之间突触的有向连接关系,对于1≤i≤m,有
(4)in,out分别表示二进制脉冲神经膜系统的输入、输出神经元集合。
在以上二进制经元相同之处在于皆可以表示故障知识产生式规则,不同之处在于其处理脉冲的计算方式不同,具体详见步骤四矩阵推理算法中的算子描述。
步骤四:各个诊断模型利用其各自的矩阵推理算法进行知识推理,并获得每个诊断模型的诊断结果。二进制推理脉冲神经膜系统的矩阵推理算法具体步骤如下:
算法输入:输入神经元的脉冲值θ0,δ0,,矩阵参数D1,D2,D3,E
算法输出:输出神经元的脉冲值
步骤1)设置停机条件并初始化参数θ0,δ0,D1,D2,D3,E;
步骤2)令推理步数g=0;
步骤3)同时对每个命题神经元中的点火条件进行判断,如果点火规则E={an}满足点火条件,则该命题神经元点火并根据公式计算δg+1,并向其突触后规则神经元发送一个脉冲值;
步骤4)同时对每个规则神经元,如果点火规则E={an}满足点火条件,则该规则神经元点火并根据公式θg+1=ET⊙δg+1计算θg+1,并向其突触后命题神经元发送一个脉冲值;
步骤5)如果θg+1=01、δg+1=02,则满足停机条件,那么算法停止并输出推理结果;否则,推理步数g增加1,返回执行步骤3)。
为了便于理解上述算法,对所涉及到的向量、矩阵以及运算算子解释如下:
(1)θ=(θ1,...,θs)T表示命题神经元的脉冲值向量,其中θi(1≤i≤s)表示为第i个命题神经元的脉冲值,它的取值为0或1;
(2)δ=(δ1,...δt)表示规则神经元的脉冲值向量,其中δj(1≤j≤t)表示为第j个规则神经元的脉冲值,它的取值为0或1;
(3)D1=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到General规则神经元的有向突触连接关系。若命题神经元σi到General规则神经元σj有突触连接关系,则dij=1,否则dij=0;
(4)D2=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到And规则神经元的有向突触连接关系。若命题神经元σi到And规则神经元σj有突触连接关系,则dij=1,否则dij=0;
(5)D3=(dij)s×t是一个s×t阶的矩阵,它表示为命题神经元到Or规则神经元的有向突触连接关系。若命题神经元σi到Or规则神经元σj有突触连接关系,则dij=1,否则dij=0;
(6)E=(dji)t×s是一个t×s阶的矩阵,它表示为规则神经元到命题神经元的有向突触连接关系。若规则神经元σj到命题神经元σi有突触连接关系,则eji=1,否则eji=0;
(7)其中
(8)其中
(9)其中同理,
其中
步骤五:依据判定规则,确定故障设备。以上诊断模型中,如果一个输出神经元的真值为1,则该神经元所对应的设备故障;如果为0,则对应设备没有故障。
实施例1:
变电站仿真实例
本发明选用某110kV变电站作为验证膜系统结合粗糙集的变电站故障诊断方法的效果。该变电站的一次设备有三绕组主变(T1、T2)两台;110kV母线(M1)、35kV母线(W2、W3)两条、10kV母线(W4、W5)两条;110kV有两条出线(L1、L2),35kV有两条出线(L3、L4),10kV有两条出线(L5、L6);两个电容C1、C2;两台变压器SYB1和SYB2。本次设计将该变电站分为110kV、35kV和10kV三个区域,其主接线图和区域划分如图3所示:
该变电站110kV区域需要保护的设备主要有主变T1、T2,出线L1、L2和母线M1,其具体的保护配置如表1所示:
表1 110kV区域各设备的配置保护类型
变电站35kV区域需要保护的设备主要有线路L3、L4和母线M2、M3,其配置的保护类型如表2所示:
表2 35kV区域各设备的配置保护类型
变电站10kV区域需要保护的设备主要有电容器C1、C2、线路L5、L6和母线M4、M5,其保护配置如表3所示:
表3 10kV区域各设备的配置保护类型
110kV区域决策表约简及二进制推理脉冲神经膜系统诊断模型的建立
本发明所采用的约简软件ROSE2是波兰Poznan科技大学开发的一个粗糙集数据分析器,该系统提供了数据预处理(数据离散化、缺省值补齐)、属性约简、规则生成和有效性分析等多种算法,本发明用到的是属性约简算法。
基于110kV区域变电站的电气主接线图和继电保护的配置情况,假设从SCADA系统读取的数据如表4所示,则表4称为原始决策表。在建立的110kV区域决策表中有15个样本;22个条件属性{QF1,QF2,QF3,QF4,QF5,QF6,QF10,QF11,CDT1,CDT2,WST1,WST2,GHBT1,GHBT2,ZHBT1,ZHBT2,DHBT1,DHBT2,JLL1,JLL2,LXL1,LXL2};5个决策属性{L1,L2,T1,T2,M1}。采用粗糙集约简后得到约简的核为{JLL1,JLL2,LXL1,LXL2},得到的约简核如图4所示:
表4 110kV区域原始决策表
在获得约简核后,求出条件属性中每个元素的重要度大小,再选取重要度较大,也就是对整个决策表影响大的一些元素,与之前求出的约简核组合成初始约简。对于110kV区域,初始约简如图5所示,由图5可以看出,初始约简的组合一共有16组,选取组合数最少的一组(如果组合数一样,就随意选取一组)作为最小约简决策表。由于只有第16组比其它复杂,其余15组的都一样,所以可以从前15组里面,随机选取一组作为最小约简。这里,选取第1组作为最小约简,然后采用基于分辨矩阵的决策表属性约简算法,获得相应的最小约简决策表如表5所示:
表5最小约简决策表
对于表5所示的决策表来说,表中的某些元素删除后对产生式规则的提取是没有影响的,依次检查每个条件属性并删除冗余的属性后,得到规则最简决策表如表6所示。
表6 110KV区域规则最简决策表
样本 | QF3 | QF4 | JLL1 | JLL2 | LXL1 | LXL2 | 故障设备 |
1 | * | * | 1 | * | * | * | L1 |
2 | * | * | * | * | 1 | * | L1 |
3 | * | * | * | 1 | * | * | L2 |
4 | * | * | * | * | * | 1 | L2 |
5 | 1 | 0 | * | * | * | * | T1 |
6 | 0 | 1 | * | * | * | * | T2 |
7 | 1 | 1 | 0 | 0 | 0 | 0 | M1 |
通过表6可以得到变电站110kV区域的故障产生式规则如下:
(1)IF JLL1=1 OR LXL1=1,THEN L1故障;
(2)IF JLL2=1 OR LXL2=1,THEN L2故障;
(3)IF QF3=1 AND QF4=0,THEN T1故障;
(4)IF QF3=0 AND QF4=1,THEN T2故障;
(5)IF QF3=1 AND QF4=1 AND JLL1=0 AND JLL2=0 AND LXL1=0AND LXL2=0,THEN T2故障
根据110kV区域的故障产生式规则,构建110kV区域的基于二进制推理脉冲神经膜系统的故障诊断模型如图6所示。
35kV区域决策表约简及二进制推理脉冲神经膜系统诊断模型的建立
35kV与110kV区域的约简和模型的建立过程完全相同。35kV区域包含17个样本,14个条件属性{QF3,QF4,QF5,QF,QF8,QF9,QF10,QF11,ZHBT1,ZHBT2,SDL3,SDL4,GLL3,GLL4}和4个决策属性{L3,L4,M2,M3}。进行粗糙集约简后,得到的核为{SDL3,SDL4,GLL3,GLL4},选取一组最小约简{ZHBT1,ZHBT2,SDL3,SDL4,GLL3,GLL4},进行规则约简后得到规则最简决策表如表7所示。
表7 35kV区域规则最简决策表
样本 | ZHBT1 | ZHBT2 | SDL3 | SDL4 | GLL3 | GLL4 | 故障设备 |
1 | * | * | 1 | * | * | * | L3 |
2 | * | * | * | * | 1 | * | L3 |
3 | * | * | * | 1 | * | * | L4 |
4 | * | * | * | * | * | 1 | L4 |
5 | 1 | * | * | 0 | * | 0 | M2 |
6 | * | 1 | 0 | * | 0 | * | M3 |
通过表7可以得到变电站35kV区域的故障产生式规则如下:
(1)IF SDL3=1 OR GLL3=1 THEN L3故障;
(2)IF SDL4=1 OR GLL4=1 THEN L4故障;
(3)IF ZHBTI=1 AND SDL4=0 AND GLL4=0 THEN M2故障;
(4)IF ZHBT2=1 AND SDL3=0 AND GLL3=0 THEN M3故障。
根据35kV区域的故障产生式规则,构建35kV区域的基于二进制推理脉冲神经膜系统的故障诊断模型如图7所示。
10kV区域决策表约简及二进制推理脉冲神经膜系统诊断模型的建立
10kV与110kV区域的约简和模型的建立过程完全相同。10kV区域的原始决策表由于多了电容器C1和C2,保护配置比110kV和35kV复杂得多。10kV区域原始决策表由41个样本、24个条件属性和7个决策属性组成。约简后得到决策表的核为{SDL5,SDL6,GLL5,GLL6,GLC1,QYC1,GYC1,BPHC1,GLC2,QYC2,GYC2,BPHC2},选取一组最小约简{DHBT1,DHBT2,SDL5,SDL6,GLL5,GLL6,GLC1,QYC1,GYC1,BPHC1,GLC2,QYC2,GYC2,BPHC2},对其进行规则约简后得到规则最简决策表如表8所示:
表8 10KV区域规则最简决策表
通过表8可以得到变电站10kV区域的故障产生式规则如下:
(1)IF SDL5=1 OR GLL5=1 THEN L5故障;
(2)IF SDL6=1 OR GLL6=1 THEN L6故障;
(3)IF GLC1=1 OR QYC1=1 OR GYC1=1 OR BPHC1=1 THEN C1故障;
(4)IF GLC2=1 OR QYC2=1 OR GYC2=1 OR BPHC1=2 THEN C2故障;
(5)IF DHBT1=1 AND SDL5=0 AND GLL5=0 AND GLC1=0 AND QYC1=0 ANDGYC1=0 AND BPHC1=0 THEN M4故障;
(6)IF DHBT2=1 AND SDL6=0 AND GLL6=0 AND GLC2=0 AND QYC2=0 ANDGYC2=0 AND BPHC2=0 THEN M5故障;
根据10kV区域的故障产生式规则,构建10kV区域的基于二进制推理脉冲神经膜系统的故障诊断模型如图8所示。
诊断结果分析
下面,以110kV区域为例进行诊断结果分析。采用图6所建立的基于二进制推理脉冲神经膜系统的故障诊断模型并执行其对应的推理算法,对110kV区域进行故障诊断。本次设置的测试样本有5个小组,其详细数据如表9所示,其中“*”表示信号的丢失,其描述和分析如下:样本1表示断路器和开关正常动作的情况;样本2表示核属性信息丢失的情况;样本3表示非核属性信息丢失的情况;样本4表示粗糙集约简中核属性错误的情况;样本5表示保护装置出现误动的情况。
由表9可以看出,在出现信号丢失(如样本2和样本3)和错误信息(如样本3、样本4和样本5)的情况下,本发明提出的故障诊断方法所获得的结果与预设故障一致。说明本发明提供的故障诊断方法在以上各类情况下,也就是当保护装置正常动作以及保护装置的警报信息具备不精确性和不确定性时,本发明提供的诊断方法依然能够有效地诊断出110kV区域中的故障设备。
表9测试样本决策表
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种变电站故障诊断方法,其特征在于,包括以下步骤:
步骤一:依据变电站的电压等级特性,将变电站分成k个独立区域;
步骤二:分别对各个区域,采用粗糙集约简方法进行警报信息处理和约简,获得约简后的信息,用于构建故障诊断模型时所需的故障知识产生式规则集;
步骤三:依据上一步所获得的故障知识产生式规则集,分别建立每个区域的基于二进制推理脉冲神经膜系统的故障诊断模型;
步骤四:各个诊断模型利用其各自的矩阵推理算法进行知识推理,并获得每个诊断模型的诊断结果;
步骤五:依据判定规则,确定故障设备;
以上诊断模型中,如果一个输出神经元的真值为1,则该神经元所对应的设备故障;如果为0,则对应设备没有故障。
2.根据权利要求1所述的方法,其特征在于,步骤二包括以下步骤:
(1)读取来自数据采集与监控系统的保护装置的警报信息;
(2)在每个区域内构建决策表,分别采用基于分辨矩阵的决策表属性约简算法处理读取的警报信息,完成每个区域的属性约简,获得处理和约简后的故障知识;
(3)利用约简后的故障知识,依据警报信息中的保护装置与设备故障之间的逻辑关系,建立故障知识产生式规则集,完成每个区域的规则提取。
3.根据权利要求1所述的方法,其特征在于,所述二进制推理脉冲神经膜系统的具体定义为:
Π=(O,σ1,σ2...σm,syn,in,out)
其中:
(1)O={a},a代表神经脉冲,O为神经脉冲a的集合;
(2)σi=(θi,ri),1≤i≤s,表示第i个命题神经元,σj=(θj,rj),1≤j≤t,表示第j个规则神经元,且有s+t=m,其中:
(a)命题神经元σi和规则神经元σj内部脉冲的位势值(或称为脉冲值)分别用θi和θj表示,两者的取值为0或1;
(b)ri表示命题神经元σi的点火规则,它的点火规则形式为E/aθ→aθ,其中θ取值为0或1,表示当执行点火规则时,命题神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值同样为θ的新脉冲aθ;rj表示规则神经元σj的点火规则,规则形式为E/aθ→aβ,其中θ和β取值为0或1,表示当执行点火规则时,规则神经元将消耗一个幅值为θ的脉冲aθ,产生并发出一个幅值为β的新脉冲aβ;其中E={an}称为点火条件,表示当且仅当命题神经元σi或规则神经元σj接收到至少n个脉冲时,点火规则才能执行;否则,点火规则不能执行;
(3)表示二进制脉冲神经膜系统中各神经元之间突触的有向连接关系,对于1≤i≤m,有
(4)in,out分别表示二进制脉冲神经膜系统的输入、输出神经元集合。
4.根据权利要求1所述的方法,其特征在于,二进制推理脉冲神经膜系统的矩阵推理算法具体步骤如下:
步骤1)设置停机条件并初始化参数θ0,δ0,D1,D2,D3,E;
步骤2)令推理步数g=0;
步骤3)同时对每个命题神经元中的点火条件进行判断,如果点火规则E={an}满足点火条件,则该命题神经元点火并根据公式计算δg+1并向其突触后规则神经元,
发送一个脉冲值;
步骤4)同时对每个规则神经元,如果点火规则E={an}满足点火条件,则该规则神经元点火并根据公式θg+1=ET⊙δg+1计算θg+1,并向其突触后命题神经元发送一个脉冲值;
步骤5)如果θg+1=01、δg+1=02,则满足停机条件,那么算法停止并输出推理结果;否则,推理步数g增加1,返回执行步骤3);
其中,θ=(θ1,...,θs)T表示命题神经元的脉冲值向量,其中θi(1≤i≤s)表示为第i个命题神经元的脉冲值,它的取值为0或1;
δ=(δ1,...δt)表示规则神经元的脉冲值向量,其中δj(1≤j≤t)表示为第j个规则神经元的脉冲值,它的取值为0或1;
D1=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到General规则神经元的有向突触连接关系,若命题神经元σi到General规则神经元σj有突触连接关系,则dij=1,否则dij=0;
D2=(dij)s×t是一个s×t阶的矩阵,它表示命题神经元到And规则神经元的有向突触连接关系,若命题神经元σi到And规则神经元σj有突触连接关系,则dij=1,否则dij=0;
D3=(dij)s×t是一个s×t阶的矩阵,它表示为命题神经元到Or规则神经元的有向突触连接关系,若命题神经元σi到Or规则神经元σj有突触连接关系,则dij=1,否则dij=0;
E=(dji)t×s是一个t×s阶的矩阵,它表示为规则神经元到命题神经元的有向突触连接关系,若规则神经元σj到命题神经元σi有突触连接关系,则eji=1,否则eji=0;
其中
其中
其中同理,
其中
5.根据权利要求1所述的方法,其特征在于,所述区域的划分方法包括:
同一个电压等级的母线,以及这些母线上的设备,划分在同一个区域;
连接多个不同电压等级母线的变压器,将其划分在高压侧连接的区域;
变圧器各端的断路器划分到各自相应的电压等级区域,并作为各个区域的边界交汇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245141.4A CN109445411B (zh) | 2018-10-24 | 2018-10-24 | 一种变电站故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811245141.4A CN109445411B (zh) | 2018-10-24 | 2018-10-24 | 一种变电站故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109445411A true CN109445411A (zh) | 2019-03-08 |
CN109445411B CN109445411B (zh) | 2021-01-08 |
Family
ID=65547702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811245141.4A Active CN109445411B (zh) | 2018-10-24 | 2018-10-24 | 一种变电站故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109445411B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036568A (zh) * | 2020-07-09 | 2020-12-04 | 中国人民解放军海军工程大学 | 一种核动力装置一回路冷却剂系统破损故障智能诊断方法 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
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 |
CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
CN113609912A (zh) * | 2021-07-08 | 2021-11-05 | 西华大学 | 一种基于多源信息融合的输电网故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
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 |
CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
-
2018
- 2018-10-24 CN CN201811245141.4A patent/CN109445411B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
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 |
CN105675802A (zh) * | 2014-11-19 | 2016-06-15 | 国网河南省电力公司南阳供电公司 | 一种变压器故障的诊断方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036568A (zh) * | 2020-07-09 | 2020-12-04 | 中国人民解放军海军工程大学 | 一种核动力装置一回路冷却剂系统破损故障智能诊断方法 |
CN112036568B (zh) * | 2020-07-09 | 2023-10-17 | 中国人民解放军海军工程大学 | 一种核动力装置一回路冷却剂系统破损故障智能诊断方法 |
CN112926023A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
CN112926023B (zh) * | 2021-01-26 | 2022-06-28 | 西华大学 | 一种基于考虑气象因素p系统的输电网故障诊断方法 |
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 |
CN113159113B (zh) * | 2021-03-09 | 2022-07-01 | 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 |
CN113609912A (zh) * | 2021-07-08 | 2021-11-05 | 西华大学 | 一种基于多源信息融合的输电网故障诊断方法 |
CN113609912B (zh) * | 2021-07-08 | 2023-06-20 | 西华大学 | 一种基于多源信息融合的输电网故障诊断方法 |
CN113484685A (zh) * | 2021-07-16 | 2021-10-08 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
CN113484685B (zh) * | 2021-07-16 | 2023-08-18 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109445411B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109445411A (zh) | 一种变电站故障诊断方法 | |
Warwick et al. | Artificial intelligence techniques in power systems | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Yongli et al. | Bayesian networks-based approach for power systems fault diagnosis | |
Tonelli‐Neto et al. | Fuzzy based methodologies comparison for high‐impedance fault diagnosis in radial distribution feeders | |
CN102508076B (zh) | 一种基于多智能体系统和小波分析的故障诊断装置及方法 | |
CN109557414B (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
Wang et al. | Power system fault classification and prediction based on a three-layer data mining structure | |
CN106296440A (zh) | 基于ann和es集成的变电站告警信息分析决策系统和方法 | |
Zhong et al. | A method of multivariate short-term voltage stability assessment based on heterogeneous graph attention deep network | |
CN104267294A (zh) | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 | |
CN114091549A (zh) | 一种基于深度残差网络的设备故障诊断方法 | |
CN106526465A (zh) | 一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法 | |
Singh et al. | Power system fault diagnosis using fuzzy decision tree | |
da Silva et al. | Solving data acquisition and processing problems in power systems using a pattern analysis approach | |
Zhang et al. | A new approach for fault diagnosis in power systems based on rough set theory | |
Wei et al. | Short text data model of secondary equipment faults in power grids based on LDA topic model and convolutional neural network | |
Kezunovic et al. | Neural network applications to real-time and off-line fault analysis | |
CN115983714A (zh) | 边图神经网络电力系统静态安全评估方法及系统 | |
CN116151099A (zh) | 一种低压配电网负荷状态估计终端 | |
Zheng et al. | A CNN-Based Warning Information Preprocessing Method for Power Grid Fault Diagnosis Analytical Model | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
Shan et al. | Power system fault diagnosis based on logistic regression deep neural network | |
Mangina et al. | The use of a multi-agent paradigm in electrical plant condition monitoring |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |