CN109633372B - 一种基于膜系统的电力系统故障自动诊断方法 - Google Patents
一种基于膜系统的电力系统故障自动诊断方法 Download PDFInfo
- Publication number
- CN109633372B CN109633372B CN201811551364.3A CN201811551364A CN109633372B CN 109633372 B CN109633372 B CN 109633372B CN 201811551364 A CN201811551364 A CN 201811551364A CN 109633372 B CN109633372 B CN 109633372B
- Authority
- CN
- China
- Prior art keywords
- neuron
- fault
- protection
- regular
- rule
- 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.)
- Expired - Fee Related
Links
Images
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
-
- 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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
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,首先构建表征整个电网拓扑结构的拓扑数据及其保护配置的保护数据。其次,在SCADA系统提供保护与开关的动作信息后,调用电力网络拓扑分析算法程序利用断路器开合状态确定出相关的可疑故障元件,生成每个可疑故障元件相应的模糊推理脉冲神经膜系统诊断模型,然后再调用模糊推理脉冲神经膜系统的推理算法,确定故障元件。本发明采用程序化的方式实现了模糊推理脉冲神经膜系统在电力输电网中的故障诊断。整个故障诊断过程自动实现,即使在大规模电网的复杂故障以及在SCADA系统提供完备故障信息或存在保护断路器误动、拒动等信息不完备的情况下都能高效、自动地获得正确的诊断结果。
Description
技术领域
本发明涉及电网调度与故障分析技术领域,特别是一种基于模糊推理脉冲神经膜系统(FRSN P system)的电力系统故障自动诊断方法。
背景技术
随着现代社会生产力水平的不断提升,电能用户对于供电可靠性特别是连续性的要求越来越高,优质、可靠、稳定的电力供应已成为电力用户的普遍需求。与此同时,现代电力系统的互联规模和运行的复杂性也在不断增加,使得电网故障造成的损失较以往也大大增加。因此保证连续可靠的电力供应已经成为电力系统一个极为重要的目标。然而由于自然、人为等多种因素的影响,故障的出现又是不可避免的。另一方面,随着计算机技术和自动化技术的高速发展,调度系统中接入的远动信息和继电保护信息越来越丰富。当电网发生故障时,各级自动装置将会产生大量的警报信息,而这些信息在电力系统故障的瞬间将会不加选择的涌入调度控制中心,特别是同时出现多重故障并伴随有保护和断路器的拒动误动等情况时,故障诊断问题将会变得异常复杂。在这种情况下,要求调度人员在很短时间内迅速准确地判断出故障实际上是十分困难的,很容易出现误判断、误处理,使事故进一步扩大、故障恢复时间进一步加长,从而会导致更为严重的停电事故,带来更恶劣的影响。因此发明一种高效、自动的电力系统故障集中诊断系统在电力系统故障特别是复杂故障的情形下,该系统能够辅助运行人员进行故障诊断,自动、快速、准确地判断故障区域、识别故障元件具有重要的实际意义。
作为分布式并行生物计算的一类分支,膜计算,伴随其发展,诸多学者提出了各种类型的膜系统及其在工程当中的应用。其中,模糊推理脉冲神经膜系统由于其具有直观的图形表示、并行性、动态性以及不确定性,不仅可以形象地表示模糊知识库中的模糊产生式规则,而且可以有效的利用矩阵形式模拟动态模糊推理行为,非常有助于分析离散系统状态的动态演变过程。而电网故障后,在继电保护系统的保护下,故障清除隔离的过程中,保护的动作以及断路器的跳闸等一系列事件也是一个离散的动态过程。此外,在故障清除过程当中,常伴随有保护或断路器出现拒动或误动等不确定性的存在,因此,模糊推理脉冲神经膜系统的特点使其非常适合求解电网故障诊断问题。故近年来,其在电力系统故障诊断方面得到了广泛的应用。
之前,这些基于模糊推理脉冲神经膜系统的方法具有一些优点并得到了一定的应用,但在实际应用中也暴露了一些缺点。到目前为止,模糊推理脉冲神经膜系统用于电力系统故障诊断其有效性和正确性的验证都是通过手工计算应用实例的结果而得到的。同时,对于不同的故障元件都需要建立其基于模糊推理脉冲神经膜系统的诊断模型,此过程工作量十分巨大且繁琐,推理结果也是基于手工计算而得,因此效率十分低下,无法做到自动且快速的实现故障定位。此外,在实际应用中,现代电力系统的互联规模也在不断的增大,整个故障诊断过程的复杂程度也在不断增加,所以采用传统的手工计算推导出结果的方式显然是无法满足电网迅速发展的要求。因此,如何高效、快速、准确地判断出故障区域、并且能够自动建立各个故障元件的模糊推理脉冲神经膜系统诊断模型,对于电力系统的安全运行研究具有重要意义。
发明内容
本发明的目的在于克服上述现有技术的不足,提供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。
本发明采用的技术方案为:
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,包括
步骤1:构建表示整个电网拓扑结构的拓扑数据以及保护配置数据;
步骤2:以电网拓扑数据和保护配置数据作为输入数据,读取来自SCADA的保护与断路器的动作信息,对保护动作状态及断路器的开合状态进行标记,并利用结线分析算法完成故障区域的搜索,确定可疑故障元件;
步骤3:生成可疑故障元件逻辑图,即以可疑故障元件作为图的起点,以可疑故障元件与其外围系统的连接路径为正方向,向其外围系统进行搜索,通过检索每一个节点的关联保护-元件/开关关联集来确定是否将该元件或开关添加到逻辑图中,直到确定每个方向的搜索树支为止;其中,路径搜索终止的条件为以下任一个条件:
(1)搜索路径上与可疑故障元件关联保护范围内所有的元件和开关搜索完毕,则搜索正常结束;
(2)搜索路径上若由于正常操作与外围设备断开,则终止此方向搜索;
(3)搜索路径上若搜索方向与规定正方向相反,则终止此方向搜索;
所述元件包括母线、线路、变压器、发电机,所述开关包括断路器;步骤4:将可疑故障元件逻辑图根据故障模糊产生式规则映射形成FRSN P system故障诊断模型,包括
(1)任取可疑故障元件逻辑图其中的一个分支,查询电网拓扑数据和保护配置数据,从关联保护-元件关联集中找出此可疑故障元件所取分支方向上所关联的主保护、近后备保护信息以及能够保护到此可疑故障元件的所取分支方向上的所有远后备保护信息,再从关联保护-开关关联集中找到所取分支方向上每个保护动作时应动作的所有断路器信息;将所关联的每个保护和相应的断路器根据故障模糊产生式规则设定此分支的FRSN Psystem模型的第一层;
(2)将所取分支中主保护、近后备保护、远后备保护及其所对应的断路器之间的配合根据故障模糊产生式规则设定为此分支的FRSN P system模型的第二层;
(3)重复步骤(1)和步骤(2),直至可疑故障元件逻辑图中所有的分支都建立其对应的第一层和第二层FRSN P system模型;
(4)将前三个步骤所建立的各方向支路之间的配合作为FRSN P system模型的第三层,即将可疑故障元件逻辑图根据故障模糊产生式规则完全映射为FRSN P system故障诊断模型;其中,对于母线而言,每一个与母线相连的断路器都为一个支路方向;对于变压器而言,其接线两端分别对应一个支路方向;对于线路而言,分别以线路的S端和R端作为一个支路方向;
(5)读取来自SCADA的保护与断路器的动作信息,结合母线、线路的各类保护及其对应的断路器动作的可信度,对FRSN P system故障诊断模型中相应的命题神经元进行初值设定;其中,母线、线路的各类保护及其对应的断路器动作的可信度如下:
动作的保护和断路器的可信度
未动作的保护和断路器的可信度
对于线路的S端和R端所有远后备保护及其断路器,分别用一个命题神经元表示;若存在多个远后备保护,则在命题神经元可信度前乘上一个因子;其中,线路S端的因子为μ1,线路R端的因子为μ2,如下:
(1)设定初始状态:令推理步骤g=0,设定判定依据01=(0,…,0)T,设置命题神经元和规则神经元初始脉冲值相量分别为θ0=(θ10,…,θs0)T,δ0=(δ10,…,δt0)T,其中s代表命题神经元个数,t代表规则神经元个数;
(2)令推理步骤g=g+1;
(3)模型中满足激发规则的命题神经元激发,在执行激发规则后,产生一个新的脉冲输入到与之相连的下一个规则神经元中,且规则神经元脉冲值向量依据以下公式进行更新:
(4)当δg≠01,规则神经元执行激发规则;规则神经元执行激发规则后,产生一个新的脉冲输入到与之相连的下一个命题神经元中;命题神经元脉冲值向量依据以下公式进行更新,并返回步骤(2);否则,结束推理并输出结果;
其中,各参数向量含义及其乘法算子的定义如下:
(1)θ=(θ1,…,θs)T为命题神经元脉冲值向量,其中θi表示第i个命题神经元包含的脉冲值,1≤i≤s,其取值区间[0,1]上的实数;
(2)δ=(δ1,…,δt)T为规则神经元脉冲值向量,其中δj表示第j个规则神经元所代表规则的确定性因子,1≤j≤t,其取值区间[0,1]上的实数;
(3)C=diag(C1,…,Ct)为规则确定性因子构成的对焦矩阵,其中Cj表示第j个规则神经元所代表规则的确定性因子,其取值区间[0,1]上的实数;
(4)D1=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“general”规则神经元的有向突触连接关系;如果从命题神经元σi到“general”规则神经元σj存在突触,则dij=1,否则dij=0;
(5)D2=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“and”规则神经元的有向突触连接关系;如果从命题神经元σi到“and”规则神经元σj存在突触,则dij=1,否则dij=0;
(6)D3=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“or”规则神经元的有向突触连接关系;如果从命题神经元σi到“or”规则神经元σj存在突触,则dij=1,否则dij=0;
(7)E=(eji)t×s为一个t×s阶矩阵,用于表示规则神经元到命题神经元的有向连接关系;
如果从规则神经元σj到命题神经元σi存在突触,则eji=1;否则,eji=0;
上述表达式中,各乘法算子的定义如下:
本发明有益效果在于,采用程序化的方式实现了模糊推理脉冲神经膜系统在电力输电网中的故障诊断。整个故障诊断过程自动实现,即使在大规模电网的复杂故障以及在SCADA系统提供完备故障信息或存在保护断路器误动、拒动等信息不完备的情况下都能高效、自动地获得正确的诊断结果。本发明中故障诊断模型是针对可疑故障元件的每一个故障蔓延方向分别建立的,母线考虑其各个出线方向,线路考虑其送端和受端。因此,当电网拓扑结构发生改变时,只需修改输入数据即可,对电网拓扑变化的适应性好。
附图说明
图1为本发明方法的流程图。
图2为本发明拓扑表形式。
图3为本发明保护配置表形式。
图4为本发明命题神经元简写形式。
图5为本发明规则神经元;其中,
(i)“general”类型简写形式;
(ii)“and”类型简写形式;
(iii)“or”类型简写形式。
图6为本发明实施例IEEE14节点仿真系统图。
图7为本发明实施例IEEE14节点仿真系统图所对应的输入数据,其中
图7a为IEEE14节点仿真系统部分拓扑结构表信息;
图7b为IEEE14节点仿真系统部分保护配置表信息。
图8为本发明实施例对应的可疑故障元件逻辑图。
图9为本发明实施例中母线B13的FRSNPS故障诊断模型。
具体实施方式
以下结合附图对本发明的具体实施方式作进一步详细描述。
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,其步骤包括:首先通过构建表征整个电网拓扑结构的拓扑数据及其保护配置的保护数据作为故障诊断程序的信息来源。其次,在SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制系统)系统提供保护与开关的动作信息后,调用电力网络拓扑分析算法程序利用断路器开合状态确定出相关的可疑故障元件,其次自动生成每个可疑故障元件相应的模糊推理脉冲神经膜系统诊断模型,然后再调用模糊推理脉冲神经膜系统的推理算法,最终得出诊断结果,确定故障元件,并对故障元件进行正向推理,判断断路器和保护是否存在误动或拒动现象,从而完成整个诊断过程的自动化实现。流程图如图1所示,采用以下步骤进行自动诊断:
1.系统输入数据
作为故障诊断算法程序的信息来源,在进行电力网络拓扑分析之前构建表示整个电网拓扑结构的拓扑数据以及保护配置数据。采用Access数据库,存储电网一次拓扑信息和保护配置信息。将线路一次拓扑信息、保护配置等信息录入Access数据库中,形成元件拓扑表和保护配置表。
(1)电力网络拓扑数据
采用如图2所示拓扑表存储母线、线路、变压器、发电机等四类主要元件和断路器开关及其连接关系,以及每个元件关联的保护编号。以此来构建整个电力网络元件和开关之间的拓扑关系。
(2)电力网络保护配置数据
采用如图3所示保护配置表存储能保护到各类元件的保护配置,通过ID号来识别保护的原理以及类型,并且通过拓扑表自动生成动作开关、保护元件字段。以此来构建整个电力网络各元件的保护配置,以及保护动作后相应断路器跳闸的关联关系。
2.网络拓扑分析模块
以电力网络拓扑数据和保护配置数据作为输入数据,读取来自SCADA系统的保护与断路器的动作信息,对保护动作状态及断路器的开合状态进行标记,并利用结线分析算法完成故障区域的搜索,确定可疑故障元件,具体的结线分析算法流程如下:
(1)输入电网拓扑数据和断路器的动作信息;
(2)建立集合M,M中存放所有元件编号;
(3)建立子集合N,从集合M中任取一个元件放入子集合N,并找出所有与之相连的闭合断路器。如果没有闭合断路器,则转入步骤(6);
(4)分别找出与闭合断路器相连接的元件,并将所找到的元件加入子集合N中;
(5)继续搜索与第(4)步得到的元件相连接的闭合断路器(第(4)步已用到的断路器除外)。如果有闭合断路器,则转至步骤(4);
(6)把集合M中所有在子网集合N中出现的元件取出。如果集合M非空,则转入步骤(3);
(7)列出所有子网集合N,从中找出无源子网,对照元件编号,获得疑似故障元件集合;
(8)输出获得的可疑故障元件编号,网络拓扑分析模块结束。
3.可疑故障元件逻辑分析模块
在可疑故障元件逻辑图中采用节点标识电网中的一次系统元件和开关,包括线路、母线、变压器、发电机和断路器等,两个节点之间的边表征元件和开关之间的物理连接关系。可疑故障元件逻辑图生成的基本思路是以可疑故障元件作为图的起点,以可疑故障元件与其外围系统的连接路径为正方向,向其外围系统进行搜索,通过检索每一个节点的关联保护-元件/开关关联集来确定是否将该元件或开关添加到逻辑图中,直到确定每个方向的搜索树支为止。
路径搜索终止的条件为:
(1)搜索路径上与待诊断元件关联保护范围内所有的元件和开关搜索完毕,则搜索正常结束。
(2)搜索路径上若由于正常操作(如刀闸操作等)与外围设备断开,则终止此方向搜索。
(3)搜索路径上若搜索方向与规定正方向相反,则终止此方向搜索。
4.可疑故障元件诊断模型生成模块
将上一步自动生成的可疑故障元件逻辑图并根据故障模糊产生式规则映射形成FRSN P system诊断模型,此过程则需要对保护配置数据进行查询,才能将可疑故障元件逻辑图中的每一分支根据故障模糊产生式规则都映射为FRSN P system模型的分支。FRSN Psystem模型自动生成的流程如下所示:
(1)任取可疑故障元件逻辑图其中的一个分支,查询数据库中的拓扑数据,从元件—关联保护关联集中找出此可疑故障元件所取分支方向上所关联的主保护、近后备保护信息以及能够保护到此元件的所取分支方向上的所有远后备保护信息,再从保护—开关关联集中找到所取分支方向上每个保护动作时应动作的所有断路器信息。将所关联的每个保护和相应的断路器根据模糊产生式规则设定此分支的FRSN P system模型的第一层。
(2)将所取分支中主保护、近后备保护、远后备保护及其所对应的断路器之间的配合根据故障模糊产生式规则设定为作为此分支的FRSN P system模型的第二层。
(3)重复步骤(1)和步骤(2),直至可疑故障元件逻辑图中所有的分支都建立其对应的第一层和第二层FRSN P system模型。
(4)将前三个步骤所建立的各方向支路之间的配合作为FRSN P system模型的第三层。即将可疑故障元件逻辑图根据故障模糊产生式规则完全映射为FRSN P system的故障诊断模型。其中,对于母线而言,每一个与母线相连的断路器都为一个支路方向。对于变压器而言,其接线两端分别对应一个支路方向。对于线路而言,分别以线路的两端(S端和R端)作为一个支路方向。
(5)从输电网输入数据中读取所涉及到的保护和断路器的动作信息输入到所建FRSN P system模型中相应的命题神经元进行初值设定,然后再进行下一步的推理运算。
为了使推理更加真实地反映实际电网的运行情况,同时由于调度中心获得的保护和断路器动作信息存在不确定因素,本发明根据现有文献数据记载将母线、线路的各类保护及其对应的断路器动作的可信度设置如表1和表2所示,其中,动作的保护和断路器的可信度设置如表1所示,未动作的保护和断路器的可信度设置如表2所示。同时,考虑到规则可信度的不确定性,对于每一条模糊产生式规则的确定性因子ci取值为0.95。
表1动作的保护和断路器的可信度设置
表2未动作的保护和断路器的可信度设置
对于线路两端所有远后备保护及其断路器分别用一个命题神经元表示,若存在多个远后备保护,则在命题神经元可信度前乘上一个因子μ,对于线路两端(S端和R端)分别有
5.模糊推理模块
由可疑故障元件诊断模型生成模块所生成的诊断模型,得到各个命题神经元与规则神经元之间的连接关系,以及获取到命题神经元所表示命题的可信度值以及规则神经元的确定性因子取值后,进一步则是进行推理运算,通过执行以下推理算法便可快速简单地获取输出命题神经元所代表命题的模糊值,从而获取每个可疑故障元件的故障可信度。具体的算法步骤如下:
(1)设定初始状态。令推理步骤g=0。设定判定依据01=(0,…,0)T。设置命题神经元和规则神经元初始脉冲值相量分别为θ0=(θ10,…,θs0)T,δ0=(δ10,…,δt0)T,其中s代表命题神经元个数,t代表规则神经元个数。
(2)令推理步骤g=g+1。
(3)模型中满足激发规则的命题神经元激发,在执行激发规则后,产生一个新的脉冲输入到与之相连的下一个规则神经元中。且规则神经元脉冲值向量依据以下公式进行更新。
(4)当δg≠01,规则神经元执行激发规则。规则神经元执行激发规则后,产生一个新的脉冲输入到与之相连的下一个命题神经元中。命题神经元脉冲值向量依据公式进行更新,并返回步骤(2);否则,结束推理并输出结果。
其中,各参数向量(矩阵)含义及其乘法算子的定义如下:
(1)θ=(θ1,…,θs)T为命题神经元脉冲值向量,其中θi(1≤i≤s)表示第i个命题神经元包含的脉冲值,其取值区间[0,1]上的实数,命题神经元及其脉冲值传递规则如图4所示;
(2)δ=(δ1,…,δt)T为规则神经元脉冲值向量,其中δj(1≤j≤t)表示第j个规则神经元所代表规则的确定性因子,其取值区间[0,1]上的实数;
(3)C=diag(C1,…,Ct)为规则确定性因子构成的对焦矩阵,其中Cj表示第j个规则神经元所代表规则的确定性因子,其取值区间[0,1]上的实数;
(4)D1=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“general”规则神经元的有向突触连接关系。如果从命题神经元σi到“general”规则神经元σj存在突触,则dij=1,否则dij=0,该类神经元及其脉冲值传递规则如图5(i)所示;
(5)D2=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“and”规则神经元的有向突触连接关系。如果从命题神经元σi到“and”规则神经元σj存在突触,则dij=1,否则dij=0,该类神经元及其脉冲值传递规则如图5(ii)所示;
(6)D3=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“or”规则神经元的有向突触连接关系。如果从命题神经元σi到“or”规则神经元σj存在突触,则dij=1,否则dij=0,该类神经元及其脉冲值传递规则如图5(iii)所示;
(7)E=(eji)t×s为一个t×s阶矩阵,用于表示规则神经元到命题神经元的有向连接关系。如果从规则神经元σj到命题神经元σi存在突触,则eji=1;否则,eji=0。
上述表达式中,各乘法算子的定义如下:
6.输出诊断结果,确定故障元件
根据可疑故障元件的故障置信度值确定故障元件,并输出诊断结果。同时,对故障元件进行正向推理,判断断路器和保护是否存在误动或拒动的现象,并最终以图形用户界面的形式将诊断结果反馈给运行人员。详细过程为:
根据模糊推理得到的各可疑故障元件的模糊真值进行判定,如果满足故障可信度阈值则判定为故障元件,否则判定为正常元件。当确定为故障元件之后,通过查询拓扑数据元件—关联保护及保护配置数据保护—动作开关关联集中确诊元件的相关保护信息以及保护相关的断路器动作信息,判断断路器和保护是否存在误动或拒动的现象。
实施例
这里以附图6所示的一个IEEE14节点电力系统网络模型为例对本发明方法进行详细阐述。该系统包含了B01~B14共14条母线,L0102~L1314共20条输电线路和CB0102~CB1413共33个断路器。同时,母线元件和输电线路元件共配置了134个保护,其中:母线主保护为B01m,…,B14m;线路主保护为LXSm,LXRm;线路近后备保护为LXSp,LXRp;线路远后备保护为LXSs,LXRs(其中X代表线路的具体标号),其中下标S和R分别表示线路的送端和受端,下标m,p和s分别表示主保护、近后备保护和远后备保护。
本发明需要采取如下步骤:
步骤1:建立IEEE14节点电力系统网络模型的输入数据,按照发明内容中所阐述的方法,实施案例的输入数据如图7所示。
步骤2:读取来自SCADA系统的保护与开关的动作信息,收到的信息为保护B13m动作,断路器CB1306,CB1312,CB1314动作跳闸。其次在输入数据中对相应的保护动作状态和开关状态进行标记,然后开始调用网络拓扑分析算法完成故障区域的搜索,确定可疑故障元件,得到无源子网{13,20},对照元件编号,获得疑似故障元件集合为{B13,L1314}。
步骤3:对无源子网中的可疑故障元件B13查询输入数据中拓扑数据中的元件-保护关联集,形成相应的可疑故障元件逻辑图,如图8所示。
步骤4:根据各可疑故障元件逻辑图,查询输入数据中保护配置数据的保护—开关关联集,根据各保护之间的配合关系设定各个命题神经元和规则神经元,根据线路、母线和变压器故障模糊产生式规则集中规则建立元件B13完整的FRSN P system故障诊断模型,完成可疑故障元件逻辑图映射为FRSN P system故障诊断模型,如图9所示。根据已标记的输入数据中元件的保护动作状态和开关状态,确定可疑故障元件主保护、近后备保护、远后备保护及其对应断路器的可信度并与其对应的输入神经元的脉冲值建立对应关系以及各个神经元之间的连接关系。
步骤5:调用模糊推理算法程序,对可疑故障元件进行模糊推理运算,获得可疑元件B13的故障置信度。同理,对L1314元件执行相同的步骤,获得可疑故障元件L1314的故障置信度。
这里依然以元件B13为例进行详细描述,推理过程如下:
(1)g=0,参数初始化,依据各神经元中所包含的脉冲值,设定θ0,δ0分别为:
θ0=(0.9833,0.8564,0.2,0.2,0.9833,0.8564,0.2,0.2,0.2,0.8564,0.75,0.7,0…0)
δ0=(0,0,0,0,0,0,0,0,0,0)
(2)g=1时,
δ1=(0.8564,0.2,0.8564,0.2,0.2,0.7,0,0,0,0)
θ1=(0,…,0,0.8136,0.19,0.8136,0.19,0.19,0.665,0,0,0,0)
(3)g=2时,
δ2=(0,0,0,0,0,0,0.8136,0.8136,0.665,0)
θ2=(0,…,0,0.7729,0.7729,0.6318)
(4)g=3时,
δ3=(0,0,0,0,0,0,0,0,0,0.6318)
θ3=(0,…,0,0.6002)
(5)g=4时,δ4=(0,0,0,0,0,0,0,0,0,0),满足结束条件,结束推理并输出结果。
即母线B13的故障置信度为0.6002,
步骤6:故障元件确定,输出诊断结果。
根据疑似故障元件的故障可信度确定真正的故障元件,并输出诊断结果,具体为:
根据模糊推理得到的可疑故障元件B13的模糊真值进行判定,因此B13判定为故障元件。当确定元件B13为故障元件之后,通过查询拓扑数据元件—关联保护及保护配置数据保护—动作开关关联集中与B13元件相关保护信息以及保护相关的断路器动作信息,判断断路器CB1314拒动。同理,对L1314元件执行相同的步骤,根据模糊推理得到的可疑故障元件L1314的模糊真值进行判定,因此L1314判定为正常元件。最后以图形用户界面形式输出。
通过实施例中的结果可知,本发明方法采用程序化的方式实现了模糊推理脉冲神经膜系统在电力输电网中的故障诊断。在Matlab环境下完成整个诊断过程的自动化实现,即使在大规模电网的复杂故障以及在SCADA系统提供完备故障信息或存在保护断路器误动、拒动等信息不完备的情况下都能高效、自动的获得正确的诊断结果,并最终以图形用户界面的形式将诊断结果反馈给运行人员。
Claims (1)
1.一种基于膜系统的电力系统故障自动诊断方法,其特征在于,包括
步骤1:构建表示整个电网拓扑结构的拓扑数据以及保护配置数据;
步骤2:以电网拓扑数据和保护配置数据作为输入数据,读取来自SCADA的保护与断路器的动作信息,对保护动作状态及断路器的开合状态进行标记,并利用结线分析算法完成故障区域的搜索,确定可疑故障元件;
步骤3:生成可疑故障元件逻辑图,即以可疑故障元件作为图的起点,以可疑故障元件与其外围系统的连接路径为正方向,向其外围系统进行搜索,通过检索每一个节点的关联保护-元件/开关关联集来确定是否将该元件或开关添加到逻辑图中,直到确定每个方向的搜索树支为止;其中,路径搜索终止的条件为以下任一个条件:
(1)搜索路径上与可疑故障元件关联保护范围内所有的元件和开关搜索完毕,则搜索正常结束;
(2)搜索路径上若由于正常操作与外围设备断开,则终止此方向搜索;
(3)搜索路径上若搜索方向与规定正方向相反,则终止此方向搜索;
所述元件包括母线、线路、变压器、发电机,所述开关包括断路器;
步骤4:将可疑故障元件逻辑图根据故障模糊产生式规则映射形成FRSN P system故障诊断模型,包括
(1)任取可疑故障元件逻辑图其中的一个分支,查询电网拓扑数据和保护配置数据,从关联保护-元件关联集中找出此可疑故障元件所取分支方向上所关联的主保护、近后备保护信息以及能够保护到此可疑故障元件的所取分支方向上的所有远后备保护信息,再从关联保护-开关关联集中找到所取分支方向上每个保护动作时应动作的所有断路器信息;将所关联的每个保护和相应的断路器根据故障模糊产生式规则设定此分支的FRSN P system模型的第一层;
(2)将所取分支中主保护、近后备保护、远后备保护及其所对应的断路器之间的配合根据故障模糊产生式规则设定为此分支的FRSN P system模型的第二层;
(3)重复步骤(1)和步骤(2),直至可疑故障元件逻辑图中所有的分支都建立其对应的第一层和第二层FRSN P system模型;
(4)将前三个步骤所建立的各方向支路之间的配合作为FRSN P system模型的第三层,即将可疑故障元件逻辑图根据故障模糊产生式规则完全映射为FRSN P system故障诊断模型;其中,对于母线而言,每一个与母线相连的断路器都为一个支路方向;对于变压器而言,其接线两端分别对应一个支路方向;对于线路而言,分别以线路的S端和R端作为一个支路方向;
(5)读取来自SCADA的保护与断路器的动作信息,结合母线、线路的各类保护及其对应的断路器动作的可信度,对FRSNP system故障诊断模型中相应的命题神经元进行初值设定;其中,母线、线路的各类保护及其对应的断路器动作的可信度如下:
动作的保护和断路器的可信度
未动作的保护和断路器的可信度
对于线路的S端和R端所有远后备保护及其断路器,分别用一个命题神经元表示;若存在多个远后备保护,则在命题神经元可信度前乘上一个因子;其中,线路S端的因子为μ1,线路R端的因子为μ2,如下:
步骤5:对每个可疑故障元件,执行以下推理算法获取输出命题神经元所代表命题的模糊值,作为该可疑故障元件的故障可信度,包括
(1)设定初始状态:令推理步骤g=0,设定判定依据01=(0,...,0)T,设置命题神经元和规则神经元初始脉冲值相量分别为θ0=(θ10,...,θs0)T,δ0=(δ10,...,δt0)T,其中s代表命题神经元个数,t代表规则神经元个数;
(2)令推理步骤g=g+1;
(3)模型中满足激发规则的命题神经元激发,在执行激发规则后,产生一个新的脉冲输入到与之相连的下一个规则神经元中,且规则神经元脉冲值向量依据以下公式进行更新:
(4)当δg≠01,规则神经元执行激发规则;规则神经元执行激发规则后,产生一个新的脉冲输入到与之相连的下一个命题神经元中;命题神经元脉冲值向量依据以下公式进行更新,并返回步骤(2);否则,结束推理并输出结果;
其中,各参数向量含义及其乘法算子的定义如下:
(1)θ=(θ1,...,θs)T为命题神经元脉冲值向量,其中θi表示第i个命题神经元包含的脉冲值,1≤i≤s,其取值区间[0,1]上的实数;
(2)δ=(δ1,...,δt)T为规则神经元脉冲值向量,其中δj表示第j个规则神经元所代表规则的确定性因子,1≤j≤t,其取值区间[0,1]上的实数;
(3)C=diag(C1,...,Ct)为规则确定性因子构成的对焦矩阵,其中Cj表示第j个规则神经元所代表规则的确定性因子,其取值区间[0,1]上的实数;
(4)D1=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“general”规则神经元的有向突触连接关系;如果从命题神经元σi到“general”规则神经元σj存在突触,则dij=1,否则dij=0;
(5)D2=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“and”规则神经元的有向突触连接关系;如果从命题神经元σi到“and”规则神经元σj存在突触,则dij=1,否则dij=0;
(6)D3=(dij)s×t为一个s×t阶矩阵,用于表示命题神经元到“or”规则神经元的有向突触连接关系;如果从命题神经元σi到“or”规则神经元σj存在突触,则dij=1,否则dij=0;
(7)E=(eji)t×s为一个t×s阶矩阵,用于表示规则神经元到命题神经元的有向连接关系;如果从规则神经元σj到命题神经元σi存在突触,则eji=1;否则,eji=0;
上述表达式中,各乘法算子的定义如下:
步骤6:根据每个可疑故障元件的故障可信度进行判定,如果满足故障可信度阈值则判定为故障元件,否则判定为正常元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551364.3A CN109633372B (zh) | 2018-12-19 | 2018-12-19 | 一种基于膜系统的电力系统故障自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551364.3A CN109633372B (zh) | 2018-12-19 | 2018-12-19 | 一种基于膜系统的电力系统故障自动诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109633372A CN109633372A (zh) | 2019-04-16 |
CN109633372B true CN109633372B (zh) | 2020-01-03 |
Family
ID=66075306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551364.3A Expired - Fee Related CN109633372B (zh) | 2018-12-19 | 2018-12-19 | 一种基于膜系统的电力系统故障自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633372B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321318B (zh) * | 2019-06-04 | 2023-04-07 | 西南交通大学 | 多时钟单状态组织型p系统的fpga实现方法 |
CN110907757A (zh) * | 2019-12-06 | 2020-03-24 | 国网天津市电力公司电力科学研究院 | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 |
CN112613613B (zh) * | 2020-12-01 | 2024-03-05 | 深圳泓越企业管理咨询有限公司 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
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 |
CN113011731B (zh) * | 2021-03-16 | 2022-08-02 | 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 |
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 |
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 |
CN115291047B (zh) * | 2022-10-08 | 2022-12-20 | 西华大学 | 一种基于脉冲神经膜系统的配电网故障区段定位方法 |
CN115865727B (zh) * | 2022-11-24 | 2024-04-12 | 西南交通大学 | 基于可信度和不可信度推理图的支路关联风险评估方法 |
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 |
---|---|---|---|---|
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 |
US9276396B2 (en) * | 2012-02-17 | 2016-03-01 | General Electric Company | Power transmission fault analysis system and related method |
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 |
CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 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 |
-
2018
- 2018-12-19 CN CN201811551364.3A patent/CN109633372B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9276396B2 (en) * | 2012-02-17 | 2016-03-01 | General Electric Company | Power transmission fault analysis system and related method |
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 |
CN106483425A (zh) * | 2016-09-27 | 2017-03-08 | 西华大学 | 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 |
Non-Patent Citations (2)
Title |
---|
Fault Diagnosis of Electric Power Systems Based on Fuzzy Reasoning Spiking Neural P Systems;Tao Wang等;《IEEE》;20150531;全文 * |
脉冲神经膜系统及其在电力系统故障诊断中的应用;王涛;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109633372A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
Zheng et al. | A novel equivalent model of active distribution networks based on LSTM | |
Rong et al. | Automatic implementation of fuzzy reasoning spiking neural P systems for diagnosing faults in complex power systems | |
Huang et al. | Application of artificial bee colony-based optimization for fault section estimation in power systems | |
Lo et al. | Extended Petri net models for fault diagnosis for substation automation | |
CN109557414B (zh) | 综合电力系统故障诊断告警处理系统及方法 | |
CN105974232B (zh) | 一种适用于高压输电网的电网故障诊断方法 | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN112926023B (zh) | 一种基于考虑气象因素p系统的输电网故障诊断方法 | |
CN109445411B (zh) | 一种变电站故障诊断方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN106291339A (zh) | 一种基于人工神经网络的断路器故障诊断专家系统 | |
CN109507527A (zh) | 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 | |
CN113740666B (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
Naderi et al. | Detection of false data injection cyberattacks: Experimental validation on a lab-scale microgrid | |
CN107247827A (zh) | 基于机器学习的虚端子模型建模及自动连线方法 | |
Huang et al. | Temporal fuzzy reasoning spiking neural P systems with real numbers for power system fault diagnosis | |
CN110907757A (zh) | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 | |
CN115564073A (zh) | 电网电力作业方法、装置、计算机设备和存储介质 | |
Ashouri et al. | A new approach for fault detection in digital relays-based power system using Petri nets | |
Xiong et al. | Implementing fuzzy reasoning spiking neural P system for fault diagnosis of power systems | |
Liu | Knowledge-based systems in power systems: Applications and development methods | |
Ashouri et al. | Fault diagnosis modeling of power systems using Petri Nets | |
Nina et al. | Hybrid support system for decision making based on MLP-ANN, IED and SCADA for disturbances analysis of electrical power distribution transformers | |
CN111337792A (zh) | 基于改进型Petri网的电力系统故障诊断方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200103 Termination date: 20211219 |