CN109490702A - 一种基于自适应优化脉冲神经膜系统的故障诊断方法 - Google Patents
一种基于自适应优化脉冲神经膜系统的故障诊断方法 Download PDFInfo
- Publication number
- CN109490702A CN109490702A CN201811165118.4A CN201811165118A CN109490702A CN 109490702 A CN109490702 A CN 109490702A CN 201811165118 A CN201811165118 A CN 201811165118A CN 109490702 A CN109490702 A CN 109490702A
- Authority
- CN
- China
- Prior art keywords
- gen
- protection
- membranous system
- value
- rand
- 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
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
一种基于自适应优化脉冲神经膜系统的故障诊断方法,包括从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;根据获取的信息识别出停电区域并确定停电区域内的可疑故障元件;根据可疑故障元件与保护动作和断路器跳闸之间的逻辑关系,将故障诊断问题表示为0‑1整数规划问题;对原有的优化脉冲神经膜系统中的学习率进行改进,并且引入交叉和变异,得到自适应优化脉冲神经膜系统对目标函数进行求解后确定故障元件;建立人机交互式界面窗口,实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况。本发明故障诊断的正确性高,不需要其他启发式优化算法的辅助,并能够极大的减少迭代次数,快速地寻找到最优值。
Description
技术领域
本发明涉及电网调度与故障分析技术领域,特别是一种基于自适应优化脉冲神经膜系统的故障诊断方法(AOSNPS)。
背景技术
随着经济的持续发展和科技的不断进步,推动着电力系统进入了以高电压,大机组,跨区域,交直流混合为特点的大电网时代,以适应现代社会和电能用户对电能质量和可靠性的更高要求。尽管现代电力系统不断采取各种方法和措施以保证电力系统安全稳定运行,但是近年以来出现各种停电事故的现象依然存在,这些事故造成了严重的社会影响和巨大的经济损失。在传统的电力系统故障诊断中,故障诊断工作由调度员根据监控系统采集的各种信息进行分析之后做出正确的故障判断,并及时的采取必要的措施进行故障处理,防止停电区域扩大化,以恢复和维持电力系统的安全稳定运行。然而,在现代电力系统当中,随着电网规模的扩大化,涌入调度中心的各种警报信息不仅数量多而且种类也越来越复杂,这使得调度人员在极短的时间内分析各种警报信息变得而来越困难。因此调度人员就不可能在短时间内采取措施切除故障元件来保证电力系统的安全与稳定运行。
因此,在复杂故障情况下,准确地确定出具体的故障元件是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种基于自适应优化脉冲神经膜系统的故障诊断方法,能够在复杂故障情况下,准确地确定出具体的故障元件。
实现本发明目的的技术方案如下:
一种基于自适应优化脉冲神经膜系统的故障诊断方法,包括以下步骤:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据可疑故障元件与保护装置的动作信息和断路器的跳闸信息之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即目标函数;
S13:对优化脉冲神经膜系统进行改进,得到自适应优化脉冲神经膜系统,包括
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0;其中,1≤j≤m,m为规则概率矩阵PR的列数,矩阵中的每一行概率值来自同一个ESNPS,即扩展脉冲神经膜系统,用于表示优化问题的一个个体;
S132:开始执行gen=gen+1;
S133:行指示器i赋初始值为1;
S134:如果行指示器i大于其最大值H,则转至S1325;其中,H为规则概率矩阵PR的行数;
S135:列指示器j赋初始值为1;
S136:如果列指示器j大于其最大值m,则转至S1312;
S137:产生一个随机数frand,如果随机数frand小于学习概率值则继续,否则,转至S1310;
S138:在H个个体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2;其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码;
S139:如果bj>0.5,则当前规则概率值为否则,当前规则概率值为
S1310:如果搜索到最好解的第j位二进制码为则当前规则概率值为否则
S1311:列指示器j增加1,转至S136继续;
S1312:行指示器i增加1,转至S134继续;
S1325:如果gen≤genmax则转至S132,否则继续;其中,genmax为最大迭代次数;
S14:利用自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;所述自适应优化脉冲神经膜系统中,包括步骤S13调整后的规则概率矩阵。
上述技术方案,对原有的优化脉冲神经膜系统进行了学习率改进。
进一步地,引入交叉和变异的技术方案为:
所述步骤S13:对优化脉冲神经膜系统进行改进,得到自适应优化脉冲神经膜系统,还包括步骤:
S1313:计算当代全局最优值Gbestfit(gen),当代样本多样性值DPaverage(gen)以及当代最好个体所对应的列标Rbestfit;
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使其中,其中,Pcm1和Gbestfit(gen-1)分别代表局部最优触发条件和前一代全局最优值;Nni max gen>1且Nni max gen∈Ν,即取大于1的自然数;
S1315:计算样本多样性比值其中,DPaverage(0)为初始样本多样性值;S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2,则继续,否则转至S1325;其中,rand1(.)和rand2(.)是取自0~1之间的随机数;
S1317:令行指示器i=1;
S1318:判断i是否大于H,如果是则继续,如果不是则转至S1325继续;
S1319:如果i≠Rbestfit,则继续,否则转至S1324继续;
S1320:令列指示器j=1;
S1321:如果j小于m,则继续,否则转至S1324继续;
S1322:如果随机自由量则当前规则概率值进行变异操作
Pij(gen)=rand4(.),否则不进行变异操作;其中rand3(.)和rand4(.)是取自0~1之间的随机数;
S1323:列指示器j增加1,转至S1321继续;
S1324:行指示器i增加1,转至S1318继续;
上述步骤位于S1312和S1325之间。
进一步地,还包括:
S15:建立人机交互式界面窗口,根据不同的故障情况实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况;所述人机交互式界面包括三大界面,第一界面为开关量信息界面,其中包括母线主保护、变压器主保护、变压器近后备保护、变压器远后备保护、线路送端主保护、线路送端近后备保护、线路送端远后备保护、线路受端主保护、线路受端近后备保护、线路受端远后备保护动作信息以及断路器跳闸信息;第二界面为可疑故障元件界面,该界面包括与可以故障母线、变压器、线路相关的保护以及断路器动作状态信息;第三界面为故障元件界面,其中包括诊断出的故障元件、拒动以及误动的保护和断路器信息。
本发明所提供的一种基于改进优化脉冲神经膜系统的故障诊断方法,包括从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;根据从监控与数据采集系统中获取的信息识别出停电区域并确定停电区域内的可疑故障元件;根据元件故障与保护动作和断路器跳闸之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即求取所建立目标函数的最值问题;对原有的优化脉冲神经膜系统中的学习率进行改进,并且在该算法中引入了交叉和变异思想,使得该算法的收敛性和多样性更好;利用改进优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;建立了人机交互式界面窗口,可以根据不同的故障情况实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况。因此,该方法能够通过求解根据保护动作和断路器跳闸之间的逻辑关系建立起来的目标函数,快速且准确的得到故障元件。由此可见,本发明所提供的方法具有如下优点:
(1)故障诊断的正确性高。其目标函数是依据电力系统中各元件的主保护,近后备保护以及元后备保护之间的逻辑关系建立起来的,因此能够更好地反应故障实际情况。
(2)该方法不同于其他以膜框架与启发式优化算法相结合的方法,该方法不需要其他启发式优化算法的辅助。
(3)相比于优化脉冲神经膜系统故障诊断方法,自适应优化神经膜系统故障诊断方法在相同个体数量的情况下能够极大的减少迭代次数,更加快速地寻找到最优值。
附图说明
图1为那本发明的流程图;
图2a为扩展脉冲神经膜系统示意图;
图2b为优化脉冲神经膜系统示意图;
图3为28元件局部电力系统示意图;
图4为28元件局部电力系统B1母线故障示意图。
具体实施方式
下面结合附图,对本发明的具体实施方式进一步说明。
本发明的目的在于提供一种基于自适应优化脉冲神经膜系统的故障诊断方法,能够在复杂故障情况下,准确地确定出具体的故障元件。
为了能够有效地解决上述技术问题,本发明提供了一种改进优化脉冲神经膜系统的故障诊断方法,包括:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据从监控与数据采集系统中获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据元件故障与保护动作和断路器跳闸之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即求取所建立目标函数的最值问题;
S13:对原有的优化脉冲神经膜系统中的学习率进行改进,并且在该算法中引入了交叉和变异思想,使得该算法的收敛性和多样性更好;
S14:利用改进优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;
S15:建立人机交互式界面窗口,根据不同的故障情况实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况。
步骤S13中,原有优化脉冲神经膜系统的步骤为:
(1)输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,其中,矩阵中的每一行概率值来自同一个ESNPS(如图2a),用于表示优化问题的一个染色体或一个个体。
(2)给出行指示器i赋初始值为1。
(3)如果行指示器i大于其最大值H,则算法输出结果,并结束。
(4)给出列指示器j赋初始值为1。
(5)如果列指示器j大于其最大值m,则算法转至第(10)步。
(6)产生一个随机数frand。如果随机数frand小于学习概率值则算法执行以下(7),
(8)步,否则,算法转至第(9)步。
(7)在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2,其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码。
(8)如果bj>0.5,则当前规则概率值为Pij(gen)=Pij(gen-1)+Δ,否则,当前规则概率值为Pij(gen)=Pij(gen-1)-Δ,其中,Pij(gen),Pij(gen-1)和Δ分别为当前代的概率,前一代的概率和固定学习率。
(9)如果算法搜索到最好解的第j位二进制码为则当前规则概率值为Pij(gen)=Pij(gen-1)+Δ,否则,当前规则概率值为Pij(gen)=Pij(gen-1)-Δ。
(10)如果当前规则概率值Pij(gen)>1,则值为Pij(gen)=Pij(gen)-Δ,如果当前规则概率Pij(gen)<1,则值为Pij(gen)=Pij(gen)+Δ。
(11)列指示器j增加1,算法转至继续第(5)步继续执行。
(12)行指示器i增加1,算法转至继续第(3)步继续执行。
其中,对原有脉冲神经膜系统中学习率的改进具体包括:
原有算法当中的迭代概率为:Pij(gen)=Pij(gen-1)+Δ,此种学习方式学习效率很低,因此,将原有算法当中的概率迭代计算公式变为:
如果向“1”学习,Pmax or min取概率上限如果向“0”学习,Pmax or min取概率下限其中Pmax or min代表概率的上限或者下限,取值为“1”或“0”。
步骤S13中,对原有脉冲神经膜系统引入交叉变异的初始条件具体为:
首先,需要判断全局最优解是否提高,判断的依据为:
其中,Pcm1、Gbestfit(gen)和Gbestfit(gen-1)分别代表局部最优触发条件、当前代全局最优值和前一代全局最优值;Nni max gen>1and Nni max gen∈Ν。Nni max gen是取大于1的自然数。
其次,判断样本的多样性值是否发生变化,其判断依据为:
其中,n、m、Pik、Pjk和Pcm2分别为概率矩阵PR的行数、概率矩阵PR的列数,概率矩阵PR第i行第k列的概率、概率矩阵PR第j行第k列的概率和前样本多样性与初始化样本多样性的比值;DPaverage(gen)为当前代的样本多样性值,DPaverage(0)为初始样本多样性值。
最终变异触发条件为:rand1(.)<Pcm1and rand2(.)>Pcm2;其中,rand1(.)和rand2(.)为在范围0~1之间的两个随机数。
进行学习率改进,并引入交叉变异后,步骤S13具体包括:
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0。其中,矩阵中的每一行概率值来自同一个ESNPS(如图2a),用于表示优化问题的一个染色体或者一个个体。
S132:算法开始执行gen=gen+1。
S133:给出行指示器i赋初始值为1。
S134:如果行指示器i大于其最大值H,则算法转至第(S1425)步。
S135:给出行指示器j赋初始值为1。
S136:如果行指示器j大于其最大值m,则算法转至第(S1412)步。
S137:产生一个随机数frand。如果随机数frand小于学习概率值则算法执行以下两步,否则,算法转至第第(S139)步。
S138:在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2,其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码。
S139:如果bj>0.5,则当前规则概率值为否则,当前规则概率值为
S1310:如果算法搜索到最好解的第j位二进制码为则当前规则概率值为否则
S1311:列指示器j增加1,算法转至继续第(S136)步继续执行。
S1312:行指示器i增加1,算法转至继续第(S134)步继续执行。
S1313:计算当前代全局最优值Gbestfit(gen),当前代样本多样性DPaverage(gen)以及当代最好个体所对应的列标Rbestfit。
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使
S1315:计算样本多样性比值
S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2,则执行S1317,否则转至
S1325。
S1317:令行指示器i=1。
S1318:并且判断i是否大于H,如果是算法执行S1319,如果不是算法执行S1325。
S1319:如果i≠Rbestfit,则算法执行S1420,否则算法执行S1424。
S1320:令列指示器j=1。
S1321:如果j小于m,则算法执行S1422,否则算法执行S1423。
S1322:如果随机自由量则当前概率值进行变异操作Pij(gen)=rand4(.),否则不进行变异操作。
S1323:列指示器j增加1,算法转至第(S1321)步继续执行。
S1324:行指示器i增加1,算法转至第(S1318)步继续执行。
S1325:如果gen≤genmax则转至第(S132)步,否则算法转至第(S14)步继续执行;其中,genmax为最大迭代次数。
步骤S15具体包括:建立的人机交互式界面主要包括三大界面,第一界面称为开关量信息界面,其中包括母线主保护、变压器主保护、变压器近后备保护、变压器远后备保护、线路送端主保护、线路送端近后备保护、线路送端远后备保护、线路受端主保护、线路受端近后备保护、线路受端远后备保护动作信息以及断路器跳闸信息。第二界面称为可以故障元件界面,该界面包括与可以故障母线、变压器、线路相关的保护以及断路器动作状态信息。第三界面称为故障元件界面,其中包括诊断出的故障元件、拒动以及误动的保护和断路器信息。
图2a为本发明实施例提供的一种扩展脉冲神经膜系统(ESNPS)。其中,ESNPS能够产生一串长度为m的二进制码,用于表示优化问题当中的一个个体或一个染色体。
由图2a可知,ESNPS由m+2个神经元组成的子系统,在此子系统中,神经元σm+1与σm+2完全一样,每执行一步神经元σm+1与σm+2都执行一次点火规则并且相互给对方供给脉冲。同时,神经元σm+2向神经元σ1...σm中每个神经元送去一个脉冲,神经元σ1...σm中每个神经元σi(i=1,2,...,m)以概率执行点火规则以概率执行点火规则如果神经元σi执行点火规则并发射出脉冲,就输出“1”;否则,神经元σi执行遗忘规则,就输出“0”。因此在ESNPS执行过程中调节概率矩阵就能控制系统输出的二进制脉冲串。
图2b为本发明实施例提供的一种优化脉冲神经膜系统(AOSNPS)。其中,AOSNPS在ESNPS的基础上引入自适应调节进化规则概率的导向器,用于调节每一个ESNPS中每个神经元内的规则概率。导向器的输入是一个含有H行m列二进制码的脉冲串Ts,输出为由H个ESNPS的神经元规则概率构成的概率矩阵
图3为本发明实施例提供的一种220KV的配电系统的局部继电保护示意图。其中,该系统中共有28个系统元件,依次用S1,...,S28表示,分别为A1,...,A4,T1,...,T8,B1,...,B8和L1,...,L8;共有40个断路器,依次用C1,...,C40表示,分别为CB1,...,CB40;共有84个保护断路器,其中36个主保护,分别用r1,...,r36表示,分别为A1m,...,A4m,T1m,...,T8m,B1m,...,B8m,L1Sm,...,L8Sm和L1Rm,...,L8Rm,48个后备保护,依次用r37,...,r84表示,分别为T1p,...,T8p,T1s,...,T8s,L1Sp,...,L8Sp和L1Ss,...,L8Ss。其中,A、B、T和L分别表示单母线、双母线、变压器和线路,S和R分别表示线路的送端和受端,m、p和s分别表示主保护、近后备保护和远后备保护。
其中母线、变压器和线路的各类保护动作原理如下:
母线的主保护动作时跳开与其直接相连的所有断路器,例如当母线B1故障时,B1m动作跳开CB4、CB5、CB6、CB7和CB9。
变压器主保护动作时将跳开其两端的断路器。例如当变压器T6故障时,T6m动作跳开CB23和CB25。当主保护拒动时,变压器近后备保护动作跳开其两端的断路器。例如当变压器T6故障时,但T6m未动作时,则T6p动作跳开CB23和CB25。当相邻区域故障而该区域的保护未动作时,变压器远后备保护动作。例如,A3故障且A3m未动作时,T6s动作跳开CB23。
线路包括送端和受端,并且送端和受端都设有主保护、近后备保护和远后备保护。当线路故障时,主保护动作。例如,当线路L1故障时,L1Sm动作跳开CB7,L1Rm动作跳开CB11。当线路故障而主保护未动作时,近后备保护动作。例如,当L1故障且L1Sm和L1Rm未动作时,L1Sp和L1Rp动作分别跳开CB7和CB11。当相邻区域故障而该区域的保护未动作时,远后备保护动作。例如,B1故障且CB7未跳开时,L1Ss动作跳开CB7。
图4为本发明实施例提供的一种220KV的配电系统的B1母线故障保护动作示意图。其中,读取来自SCADA的保护动作信息和断路器跳闸信息。例如,保护继电器B1m、L2Rs和L4Rs动作,断路器CB4、CB5、CB6、CB7、CB9、CB12和CB27。其具体的过程描述如下:
(1)采用网络结线分析法搜寻该算例系统的停电区域,在该停电区域当中判定的可以故障元件为B1、B2、L2和L4,其实际状态向量为S=[s1,s2,s3,s4]。
(2)通过已经获取的SCADA数据,建立断路器的实际状态向量为C=[c1,c2,c3,c4,c5,c6,c7,c8,c9]=[1,1,0,1,0,1,0,1,1]和保护继电器的实际状态向量为C=[r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12,r13,r14]=[1,0,0,0,0,0,0,0,0,0,0,1,0,1]。其中,c1~c9依次表示CB4、CB5、CB6、CB7、CB9、CB12和CB27,r1~r14依次表示B1m、B2m、L2Sm、L2Rm、L4Sm、L4Rm、L2Sp、L2Rp、L4Sp、L4Rp、L2Ss、L2Rs、L4Ss、L4Rs。
(3)依据各级保护之间以及相关联的断路器之间的连接关系求取各级保护及断路器的期望值。根据期望值和各保护以及断路器的实际值计算待诊断停电区域子网络的适应度函数:其中,Nr为保护继电器总数目;Nc为断路器总数目;S为一个n维向量,用Si表示系统元件状态。其中Si=1或0分别代表系统中第i个元件为故障状态或者正常工作状态;R为一个Nr维向量,用Rk表示保护的实际状态。其中Rk=1或0分别代表系统中第k个保护动作或者拒动;Re为一个Nr维向量,用Rek表示第k个保护的期望状态。其中Rek(S)=1或0分别代表系统中的第k个保护应该动作或者不应该动作,根据元件S的状态决定应该或者不应该动作;C为一个Nc维向量,用Cj表示第j个断路器的实际状态。其中Cj=1或0分别表示第第j个断路器处于跳闸状态或闭合状态;
Ce(S,R)为一个Nc维向量,用Cej(S,R)代表第j个断路器的期望状态值。如果第j个断路器应该跳闸,那么其期望值Cej(S,R)=1;否则Cej(S,R)=0。则此目标函数为:
(4)基于改进型OSNPS的故障识别算法,算法执行后得到其元件的状态值为:S=[s1,s2,s3,s4]。并且S=[s1,s2,s3,s4]=[1,0,0,0]由于s1对应的元件为B1,因此,母线B1为故障元件,s2、s3和s4对应的元件B2、L2和L4为非故障元件。
在图4当中分别对其余不同故障类型的3个案例进行了分析比较,将AOSNP与遗传故障诊断方法做了做了如表1所示的对比。
表1
由此可见,AOSNPS相比于遗传算法能够得到更准确的结果。
Claims (3)
1.一种基于自适应优化脉冲神经膜系统的故障诊断方法,其特征在于,包括以下步骤:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据可疑故障元件与保护装置的动作信息和断路器的跳闸信息之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即目标函数;
S13:对优化脉冲神经膜系统进行改进,得到自适应优化脉冲神经膜系统,包括
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0;其中,1≤j≤m,m为规则概率矩阵PR的列数,矩阵中的每一行概率值来自同一个ESNPS,即扩展脉冲神经膜系统,用于表示优化问题的一个个体;
S132:开始执行gen=gen+1;
S133:行指示器i赋初始值为1;
S134:如果行指示器i大于其最大值H,则转至S1325;其中,H为规则概率矩阵PR的行数;
S135:列指示器j赋初始值为1;
S136:如果列指示器j大于其最大值m,则转至S1312;
S137:产生一个随机数frand,如果随机数frand小于学习概率值则继续,否则,转至S1310;
S138:在H个个体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2;其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码;
S139:如果bj>0.5,则当前规则概率值为否则,当前规则概率值为
S1310:如果搜索到最好解的第j位二进制码为则当前规则概率值为否则
S1311:列指示器j增加1,转至S136继续;
S1312:行指示器i增加1,转至S134继续;
S1325:如果gen≤genmax则转至S132,否则继续;其中,genmax为最大迭代次数;
S14:利用自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;所述自适应优化脉冲神经膜系统中,包括步骤S13调整后的规则概率矩阵。
2.如权利要求1所述的一种基于自适应优化脉冲神经膜系统的故障诊断方法,其特征在于,所述步骤S13:对优化脉冲神经膜系统进行改进,得到自适应优化脉冲神经膜系统,还包括步骤:
S1313:计算当代全局最优值Gbestfit(gen),当代样本多样性值DPaverage(gen)以及当代最好个体所对应的列标Rbestfit;
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使其中,其中,Pcm1和Gbestfit(gen-1)分别代表局部最优触发条件和前一代全局最优值;Nnimaxgen>1且Nnimaxgen∈Ν,即取大于1的自然数;
S1315:计算样本多样性比值其中,DPaverage(0)为初始样本多样性值;
S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2,则继续,否则转至
S1325;其中,rand1(.)和rand2(.)是取自0~1之间的随机数;
S1317:令行指示器i=1;
S1318:判断i是否大于H,如果是则继续,如果不是则转至S1325继续;
S1319:如果i≠Rbestfit,则继续,否则转至S1324继续;
S1320:令列指示器j=1;
S1321:如果j小于m,则继续,否则转至S1324继续;
S1322:如果随机自由量则当前规则概率值进行变异操作Pij(gen)=rand4(.),否则不进行变异操作;其中rand3(.)和rand4(.)是取自0~1之间的随机数;
S1323:列指示器j增加1,转至S1321继续;
S1324:行指示器i增加1,转至S1318继续;
上述步骤位于S1312和S1325之间。
3.如权利要求1或2的所述的一种基于自适应优化脉冲神经膜系统的故障诊断方法,其特征在于,还包括步骤:
S15:建立人机交互式界面窗口,根据不同的故障情况实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况;所述人机交互式界面包括三大界面,第一界面为开关量信息界面,其中包括母线主保护、变压器主保护、变压器近后备保护、变压器远后备保护、线路送端主保护、线路送端近后备保护、线路送端远后备保护、线路受端主保护、线路受端近后备保护、线路受端远后备保护动作信息以及断路器跳闸信息;第二界面为可疑故障元件界面,该界面包括与可以故障母线、变压器、线路相关的保护以及断路器动作状态信息;第三界面为故障元件界面,其中包括诊断出的故障元件、拒动以及误动的保护和断路器信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811165118.4A CN109490702B (zh) | 2018-10-08 | 2018-10-08 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811165118.4A CN109490702B (zh) | 2018-10-08 | 2018-10-08 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109490702A true CN109490702A (zh) | 2019-03-19 |
CN109490702B CN109490702B (zh) | 2019-11-05 |
Family
ID=65690088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811165118.4A Expired - Fee Related CN109490702B (zh) | 2018-10-08 | 2018-10-08 | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109490702B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011731A (zh) * | 2021-03-16 | 2021-06-22 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
CN113204735A (zh) * | 2021-04-29 | 2021-08-03 | 西华大学 | 基于随机自调节脉冲神经p系统的电网故障诊断方法 |
CN113625118A (zh) * | 2021-08-17 | 2021-11-09 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
CN113625088A (zh) * | 2021-08-17 | 2021-11-09 | 国网四川省电力公司电力科学研究院 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
CN114113891A (zh) * | 2021-11-20 | 2022-03-01 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN117172099A (zh) * | 2023-08-03 | 2023-12-05 | 西华大学 | 基于多目标脉冲神经膜系统优化算法的电网故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG141218A1 (en) * | 2003-10-07 | 2008-04-28 | Nanyang Polytechnic | Method for prediction of single nucleotide polymorphisms |
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 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 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 |
CN107274080A (zh) * | 2017-06-06 | 2017-10-20 | 中国石油大学(华东) | 基于着色脉冲神经膜系统的交替平行路由工作流模式 |
-
2018
- 2018-10-08 CN CN201811165118.4A patent/CN109490702B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG141218A1 (en) * | 2003-10-07 | 2008-04-28 | Nanyang Polytechnic | Method for prediction of single nucleotide polymorphisms |
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 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 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 |
CN107274080A (zh) * | 2017-06-06 | 2017-10-20 | 中国石油大学(华东) | 基于着色脉冲神经膜系统的交替平行路由工作流模式 |
Non-Patent Citations (1)
Title |
---|
王涛: "脉冲神经膜系统及其在电力系统故障诊断中的应用", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011731A (zh) * | 2021-03-16 | 2021-06-22 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
CN113204735A (zh) * | 2021-04-29 | 2021-08-03 | 西华大学 | 基于随机自调节脉冲神经p系统的电网故障诊断方法 |
CN113204735B (zh) * | 2021-04-29 | 2023-06-20 | 西华大学 | 基于随机自调节脉冲神经p系统的电网故障诊断方法 |
CN113625118A (zh) * | 2021-08-17 | 2021-11-09 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
CN113625088A (zh) * | 2021-08-17 | 2021-11-09 | 国网四川省电力公司电力科学研究院 | 基于学习脉冲神经膜系统的变压器故障诊断方法 |
CN113625118B (zh) * | 2021-08-17 | 2023-10-24 | 广西电网有限责任公司 | 基于优化脉冲神经膜系统的单相接地故障选线方法 |
CN114113891A (zh) * | 2021-11-20 | 2022-03-01 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN114113891B (zh) * | 2021-11-20 | 2023-04-25 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN117172099A (zh) * | 2023-08-03 | 2023-12-05 | 西华大学 | 基于多目标脉冲神经膜系统优化算法的电网故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109490702B (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109490702B (zh) | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 | |
CN104297637B (zh) | 综合利用电气量和时序信息的电力系统故障诊断方法 | |
CN103278746B (zh) | 考虑不确定信息的电网故障诊断系统的实现方法 | |
Li et al. | Wide-area protection fault identification algorithm based on multi-information fusion | |
Sun et al. | Fault diagnosis of electric power systems based on fuzzy Petri nets | |
CN107340766B (zh) | 基于相似度的电力调度告警信号文本归类及故障诊断方法 | |
CN103001328A (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN110673060B (zh) | 基于同步相量测量和随机矩阵理论的配电网故障诊断方法 | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
CN105467971A (zh) | 一种电力二次设备监测系统及方法 | |
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 | |
CN108536130A (zh) | 一种群智能寻优的化工故障诊断系统 | |
CN106199332A (zh) | 一种改进的轨道电路红光带故障诊断方法 | |
CN108090674A (zh) | 地区电网运行方式风险评估与辅助决策方法及系统 | |
CN113448319A (zh) | 基于快速自适应优化脉冲神经膜系统的故障诊断方法 | |
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 | |
CN104701993B (zh) | 辨识继电保护装置检修数据的方法和系统 | |
CN103778479A (zh) | 自适应信息容错保护方法 | |
CN112924813A (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
CN104865959B (zh) | 一种消防电源控制系统的故障自诊断方法 | |
CN114693186B (zh) | 一种差异化组合式变电站多故障事件分析处理方法和系统 | |
CN104659917A (zh) | 一种基于多约简和可信度的故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191105 Termination date: 20211008 |
|
CF01 | Termination of patent right due to non-payment of annual fee |