CN109768877B - 一种基于空间最优编码集及dhnn纠错的电网故障诊断方法 - Google Patents

Abstract

本发明涉及电网故障诊断技术领域，尤其是涉及一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，将遥信数据映射到故障诊断空间中，通过和故障空间最优编码集进行比较归类，从而实现对电网故障诊断。通过不同故障模式的遥信变位数据，训练离散Hopfield神经网络，利用DHNN的联想能力对遥信误变位或漏传数据进行纠正，实现对遥信前端数据的清洗。最终形成具有纠错能力的电网故障智能诊断方法，实现在故障诊断空间内对故障元件的诊断。通过实际电网的故障遥信数据的测试，验证了Hopfield神经网络信息纠正模型和故障诊断模型对电网故障元件诊断的有效性。

Description

一种基于空间最优编码集及DHNN纠错的电网故障诊断方法

技术领域

本发明涉及电网故障诊断技术领域，尤其是涉及一种基于空间最优编码集及DHNN纠错的电网故障诊断方法。

背景技术

当电网故障时，大量的故障和告警信息会上传到调度中心，使得调度人员在短时间内很难对故障设备及故障类型做出准确的判断，特别是在复杂故障或者继电保护误动或拒动等情况下更加难以处置。此外，由于通信系统受到严重干扰或监控设备故障等原因出现的遥信数据误变位或丢失，对调度人员判断形成干扰。所以，需要一套智能、快速的故障诊断系统，辅助调度人员对故障元件、故障类型做出准确的判别。

电网故障诊断是实现智能电网自愈功能的基础。电网发生故障时，监测系统采集到的大量故障报警数据从本地监控装置上送至调控中心，电网故障诊断能够从大量的故障数据中迅速分析故障相关数据，发现故障原因，辅助调控运行人员及时进行事故分析与处理，迅速恢复供电，保证电网安全可靠运行。目前，常用的故障诊断方法主要有专家系统、人工神经网络、粗糙集、贝叶斯网络、Petri网、解析模型、数值计算分析、多源信息融合等。但是现有的利用遥信数据的电网故障诊断方法对以下两方面的应用并不理想：1.应用于大规模、复杂电网时，难以简单、快速的诊断出电网故障；2.在遥信数据丢失或误变位时，难以对电网故障进行正确的诊断。

对此，本发明提出一种快速、实用的基于遥信数据故障空间最优编码集及 DHNN纠错的电网故障诊断方法。该方法采用故障编码技术，并根据监控遥信量的任意组合形成数据样本，通过k-means聚类方法形成故障空间最优编码集。故障时，在大数据平台中将遥信二进数据映射到故障诊断空间，在故障诊断空间内利用最优编码集对故障遥信编码进行识别，从而对电网故障进行快速诊断。为了解决遥信误变位和漏发对电网故障诊断影响的问题，使用离散Hopfield神经网络(Discrete Hopfield Neural Network，DHNN)对采集到的故障数进行清洗纠正，提高故障诊断的正确率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于空间最优编码集及DHNN纠错的电网故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

本发明根据标准遥信信息数据的所有可能组合，形成遥信变位数据最大集样本，利用故障诊断空间映射编码和K-means聚类方法，求取故障空间最优编码集；并利用最大数据样本提取故障模式作为DHNN训练数据，建立DHNN模型，作为数据清洗和纠错的神经网络模型，捕获电网故障的实时遥信变位数据，通过DHNN 模型对遥信误变位和丢失数据分别进行纠正和修补，然后把清洗后的遥信数映射到故障诊断空间，通过最小距离法在故障诊断空间内对故障数据进行归类，输出诊断结果，本发明适用于电网故障诊断。

一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，包括以下步骤：

步骤1：建立由遥信二进制数到多维故障诊断空间的编码映射方式，并获取故障诊断空间最优编码集；

步骤2：建立DHNN模型，并利用故障模式数据样本对DHNN模型进行训练；

步骤3：分别利用训练完成的DHNN模型和故障诊断空间最优编码集来对实时电网故障遥信变位数据进行数据清洗纠错和数据映射归类，获取最终诊断结果。

优选地，所述步骤1中的编码映射方式包括二维编码方式和一维编码方式。

优选地，所述二维编码方式的描述公式为：

c_i2＝w·A_i ²w^T

式中，D1...Di...Dn表示为电网一次设备对应的二次设备装置，E1...Ei...En表示为二次设备动作遥信变位数据，发生遥信变位的与一次设备相应位置的数据为1，未发生遥信变位的与一次设备相应位置的数据为0，w＝(2⁰,...,2^n-1)，且表示为二进制权重向量，w^T表示为二进制权重向量的转置矩阵，

为二维编码的遥信二进制数据矩阵，c_i2为二维编码映射函数，n为自然数。

优选地，所述一维编码方式的描述公式为：

c_i1＝w·A_i ¹

式中，

为一维编码的遥信二进制数据矩阵，c_i1为一维编码映射函数， D1…Dn表示为一维编码方式下电网一次设备对应的二次设备装置。

优选地，所述步骤1中的故障诊断空间最优编码集通过k-means聚类和调整二进制权重向量w形成。

优选地，所述步骤2中的DHNN模型的描述方程式组为：

Y(t)＝[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T

式中，u_j(t)为神经元处理函数，w_ij为神经元连接权值，x_j为神经元处理函数截距，θ_j为神经元处理函数阈值，y_i(t)为DHNN模型处理函数输入值， y_j(t+1)为DHNN模型处理函数输出值，f[u_j(t)]为神经元处理函数映射结果，Y(t) 表示为整个DHNN模型的完整输出值，[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T表示整个DHNN 模型的n个输出层神经元的输出状态，i为自然数。

与现有技术相比，本发明具有以下优点：

(1)本发明根据标准遥信信息数据的所有可能组合，形成遥信变位数据最大集样本，利用故障诊断空间映射编码和K-means聚类方法，求取故障空间最优编码集，涵盖了电网各种位置各种故障的组合，实用性强，可以满足电网实际复杂多变的故障情形。

(2)本发明利用最大数据样本提取故障模式作为DHNN训练数据，建立 DHNN模型，作为数据清洗和纠错的神经网络模型，可以大大提高故障诊断准确性。

(3)本发明捕获电网故障的实时遥信变位数据，通过DHNN模型对遥信误变位和丢失数据分别进行纠正和修补，然后把清洗后的遥信数映射到故障诊断空间。通过最小距离法在故障诊断空间内对故障数据进行归类，输出诊断结果，判断速度快，并且误差率低。

附图说明

图1为本发明提供的离散Hopfield神经网络的结构图；

图2为本发明提供的标准指纹库自身的容错能力图；

图3为本发明提供的500kV系统接线图；

图4为本发明提供的保护动作编码比较图；

图5为本发明提供的最优编码集的形成图，其中，图5(a)为原始样本示意图，图5(b)为经过k-means聚类后的最优编码集示意图，图5(c)为诊断空间故障诊断内容的分布图；

图6为本发明提供的遥信数据的DHNN清洗图，其中，图6(a)为没有发生故障遥信差错的数据清洗图，图6(b)为随机4％故障遥信误变位的数据清洗图；

图7为本发明提供的智能故障诊断方法流程图；

图8为本发明提供的上海市电网500kV输电线路区内故障图；

图9为本发明提供的利用最优编码集故障归类结果图，其中，图9(a)为数据未清洗的故障归类结果图，图9(b)为利用Hoffield神经网络清洗后故障归类结果图；

图10为本发明提供的复杂故障诊断实例图；

图11为本发明提供的故障结果呈现图。

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，所描述的实施例是本发明的一部分实施例，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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

一：基于遥信数据的智能故障诊断方法原理

1.遥信数据到故障空间的编码映射

对遥信数据字段的划分和编码，然后再映射到多维数据空间，其映射变换为：

式中，A₁...A_n为n个故障后遥信二进制数据矩阵，c₁...c_n为通过编码后的故障编码数据，f₁...f_n为n个故障编码映射函数，n为自然数。

通过方程(1)，实际上完成了遥信二进制数到n维编码空间(c₁,...,c_n)的映射，所以，利用遥信变位数据的故障诊断问题，转换为多维空间中的样本数据的归类问题。为了映射到n维编码空间，必须确定遥信二进制数据矩阵A_i和故障编码映射函数f_i，即确定遥信二进制数的编码方式。确定A_i、f_i的编码方式有两种：二维编码方式和一维编码方式。

(1)二维编码方式下的遥信二进制数据矩阵数据及映射函数的确定

二维编码的遥信二进制数据矩阵A_i ²的数据结构中，其值均为0或1的二进制数，由遥信变位数据确定，其中Di为一次设备对应的二次设备装置，对于输电线路的故障诊断，Di包括输电线路主保护、输电线路后备保护、远跳保护等，也包括自动重合闸、断路器等。Ei为二次设备动作遥信变位数据，如线路差动保护动作、重合闸出口、线路后备距离保护动作、断路器分位等，如果发生遥信变位，相应位置的数据为1，没有发生遥信变位其值为0，按照故障后遥信变位数据信息和 A_i ²矩阵的数据结构，确定遥信二进制数据矩阵A_i ²的数值，映射函数采用为遥信二进制数据矩阵分配不同的权重，然后累加求和的方式实现，综上所述，二维编码方式下的遥信二进制数据矩阵数据及映射函数具体描述公式如下：

c_i2＝w·A_i ²w^T

式中，D1...Di...Dn表示为电网一次设备对应的二次设备装置，E1...Ei...En表示为二次设备动作遥信变位数据，发生遥信变位的与一次设备相应位置的数据为1，未发生遥信变位的与一次设备相应位置的数据为0，w＝(2⁰,...,2^n-1)，且表示为二进制权重向量，w^T表示为二进制权重向量的转置矩阵，

为二维编码的遥信二进制数据矩阵，c_i2为二维编码映射函数，n为自然数。

(2)一维编码方式下的遥信二进制数据矩阵数据及映射函数的确定

一维编码的遥信二进制数据矩阵A_i ¹的数据结构中，把所有遥信变位的二进制数据按照设备、动作标志归类，形成单列向量，根据遥信变位数据确定相应位置的数据，综上所述，一维编码方式下的遥信二进制数据矩阵数据及映射函数具体描述公式如下：

c_i1＝w·A_i ¹

式中，

为一维编码的遥信二进制数据矩阵，c_i1为一维编码映射函数， D1…Dn表示为一维编码方式下电网一次设备对应的二次设备装置。

二进制数据的权重表示该二进制数据在整个编码中重要程度，比如故障录波标志位是电网发生故障的必要条件。继电保护动作和断路器发生变位时，如果没有收到故障录波遥信数据，则可能是变电站内部测试产生的频发数据，所以故障录波遥信应分配更高的二进制权重。

2.故障空间最优编码集的获取

以电网中的一次设备为单位，不同的一次设备会产生不同的遥信变位数据集。每一个二进制遥信数可能有0或1两种值，所以穷举每个一次设备故障的遥信状态数据的组合数目会很大，对应故障诊断空间的点的数目也很大。每个点对应于一种故障情况，意味着每两个故障点之间的距离很小，很容易出现误归类的情况。为了减少故障空间归类故障类型的个数，应该把相近似的故障类型进行聚类，减少故障类型的个数。同时还应该调整故障诊断空间点的位置，使得各点之间的距离最大化，形成最优编码集。所以，可以通过k-means聚类的方法，在故障空间内对相近似的故障类型进行聚类，最终形成数目较少的故障空间最优编码集，便于对故障后遥信编码的识别，分析方法如下：

假设遥信量通过编码后所有编码空间的点形成一个n¹维的编码空间样本向量 F，n¹表示空间样本点的个数：

式中，每一维向量为编码空间内的一个点，满足a_i∈{b_i1,b_i2,...,b_imi}，a_i表示样本空间{b_i1,b_i2,...,b_imi}中的第i个样本点，m_i为样本空间的维数(空间坐标)，每个样本点都包含m_i维数据。定义编码向量c和d之间的距离公式如下所示：

式中，a_c1...a_cn为编码向量c的n¹个点，a_d1...a_dn为编码向量d的n¹个点，d_cd为编码向量c和d之间的距离。

空间任意两个编码向量距离的个数N_d为：

N_d＝(n^I-1)+(n^I-2)+···+1

任意两个待归类的编码向量之间的最小距离值为：

利用遥信信息进行故障诊断的问题转化为把故障后的遥信编码向量，归类到n 维空间中某一个编码向量代表的那一故障类的问题。实际上是计算故障遥信编码向量到n维空间所有编码向量的最小距离，距离最短的那个编码向量所对应的故障类型即为诊断结果。当故障后的遥信变位故障编码向量，通过分别计算同空间n 个编码向量的距离后，如果和某个编码向量的距离为0，则归为该编码向量对应的故障类。但是，电网发生故障后，遥信变位信息可能出错，故障编码向量也会发生错误，所以，还应考虑故障归类的容错性问题。

如果仅考虑单维数据发生遥信错误的情况，某一维数值由b_mk变为了b_m(k+1)，其他维数据均未发生变化，则归类距离不再为0，其距离公式如下：

而和其他所有编码向量距离的关系如下所示：

其中Δd_ij表示样本空间中任意两个样本点之间的距离。上式表示编码误差值Δd必须小于任意两个编码之间的距离的最小值，才能正确归类。

所以，在发生单一维故障编码数据变化时，和待归类的故障类编码向量之间的距离如果满足上式(2)，和其他编码向量之间的距离都大于故障类编码向量的距离，所以不会误归类。

从以上分析可以得出以下两个结论：

1)编码向量的维数越多，抵抗遥信误变位产生误差的容错能力越强。因为维数越多，

值对于误差值Δd越大，越容易正确归类。

2)在故障诊断空间内，各编码向量之间的距离越大，容错能力越强。因为向量之间的距离越大值

越大。

所以，通过以上准则调整权值矩阵w，改变故障诊断空间中映射编码值的位置，使得各映射编码值之间的距离尽量最大。通过k-means聚类和调整权值矩阵w，最终在故障空间内形成数目较少的几种故障类型，称之为故障诊断空间最优编码集，用于故障归类的故障诊断。

3.离散Hopfield神经网络(DHNN)对二进制数纠正的基本原理

离散Hopfield神经网络(DHNN)具有很强的记忆和联想功能，利用其联想功能可以对遥信二进制数进行数据清洗，其网络结构图如图1所示。

图1中，第0层为输入层，没有计算功能，第1层为输出层，含有神经元，具有计算功能。神经元计算函数为简单的阀值函数。其描述方程式组如下：

Y(t)＝[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T

式中，u_j(t)为神经元处理函数，w_ij为神经元连接权值，x_j为神经元处理函数截距，θ_j为神经元处理函数阈值，y_i(t)为DHNN模型处理函数输入值， y_j(t+1)为DHNN模型处理函数输出值，f[u_j(t)]为神经元处理函数映射结果，Y(t) 表示为整个DHNN模型的完整输出值，[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T表示整个DHNN 模型的n个输出层神经元的输出状态，i为自然数。

DHNN的网络参数的训练就是利用训练样本S＝{Y₁,...,Y_n}，设定输出层神经网络的状态，采用最优的方法求解连接权值w_ij。不同的训练样本向量代表了不同的输入模式，通过不断的寻优过程，求出一组最优连接权值w_ij，完成了对样本模式的记忆功能。如果输入的模式不同于训练样本模式，则DHNN选取最接近的一组模式为输出，实现了其联想功能，即具有很好的纠错功能，把由于干扰出错的二进制数据进行纠正，还原其真实值。

二：故障空间最优编码集及DHNN纠错方法在电网故障诊断中的应用

1.最优编码集对故障分类的容错能力

最优编码集实际上把相关的故障类型用一类故障类型(聚类中心)表示，如保护的动作编码实际上把保护动作分为三类：本地保护动作、超范围动作和线路对侧远跳，本地保护动作包含了主保护动作、后备保护动作等，只要遥信由于差错在本地保护包含的各类二进制数之间进行互换，不影响故障诊断的结果，遥信由于差错变化到其他类型包含的二进制数位中，则会影响最后诊断结果，如图2所示。

图2中N1、N2为聚类后的两类故障类型。P1表示遥信数据由于差错故障类型之间的变化，P2表示遥信数据在故障类型中变化。由图2可以看出，标准指纹库自身容错能力只能保证遥信数据受到干扰后，P2变化的容错能力。对于类之间的变化P1，则没有容错能力。

2.DHNN的纠错

由于遥信差错在各类故障类型之间进行变化，为了提高故障诊断正确率，需要对遥信数据进行清洗，利用DHNN的联想功能对由于干扰引起的误变位遥信进行纠正，对由于通信或监控系统异常丢失的遥信数据进行补充。把电网中不同故障类产生的遥信变位信息作为不同的遥信数据模式，以多个数据模式作为数据样本对 DHNN进行训练，求取最优连接权值w_ij，使DHNN具有了记忆和联想能力。如果由于干扰、通信故障等原因遥信数据发生差错，利用DHNN的联想能力，查找捕获故障遥信数据和训练样本模式中最接近的那一组数据作为输出，实现了对故障遥信数据的纠正。

三：500kV高压输电线路故障诊断实例

为了证明本文提出的智能故障诊断方法在电网中的应用，以图3为例说明该方法在500kV输电线路故障诊断中的应用。图3中A1、A2表示自动重合闸装置， P1、P2为主保护，LP1、LP2表示后备保护。

1.三维故障诊断空间编码

500kV输电线路故障时，遥信标准信息点表信息如表1所示：

根据表1，确定A12、A22、A32遥信二进制数据矩阵。以确定A22遥信二进制矩阵(保护动作数据矩阵)为例，说明如下：

从表2可以看出，保护动作数据矩阵的个数为表2中遥信数据可能取值的组合数量为2*16*4＝128个，但实际上某些组合情况不可能出现。比如，故障录波动作必须为“1”，只有故障录波遥信动作的情况下，保护动作跳闸才有意义。保护动作和远跳动作只可能单独出现，不可能同时出现。分析下来，保护动作数据矩阵共有 18个组合方式。

和保护动作数据遥信矩阵组合方式类似，故障过程识别的遥信组合方式如表3 所示，故障类型识别遥信组合方式如表4所示。

采用相同的数据生成方法，A12(故障过程识别数据矩阵)有15个，A32(故障类型识别矩阵)有12个。所以，三种数据矩阵之间的组合一共有3240种组合方式，对应了故障空间中的3240个故障类型，构成了500kV输电线路故障诊断的所有数据样本。

以上编码采用的是二维映射编码，其编码方式相对于一维编码有一定的优势。以输电线路故障诊断的诊断实例中，还是以保护动作编码数据为例，一位编码和二维编码的比较如图4所示。从图4的比较可以看出，二维编码优于一维编码，因为：

1)二维编码平均数值远小于一维编码数值，在聚类、最小距离归类等算法中，不会把其他两维数值淹没。在最终故障归类结果中，能够体现出其他两维的数值信息。

2)各个点之间的相对变化率较大，使得在故障诊断空间中故障类型的点之间距离较大，便于归类。

2.最优编码集聚类分析

本发明利用表1中的遥信作为监控遥信，遥信变位数据最大集样本，通过空间编码映射后进行k-means聚类，形成输电线故障的最优编码集。数据最大集样本在故障诊断空间内形成3240个数据样本点，其值如图5(a)所示。通过k-means聚类后形成36个点的最优编码集数据，其数据在故障诊断空间的位置如图5(b)所示。空间中故障诊断内容的分布如图5(c)所示。

3.基于DHNN的数据清洗

为了对捕获故障遥信数据进行清洗，应该设计三个不同的DHNN模型，分别对故障过程识别字段、保护动作识别字段、故障相识别字段进行纠错，其故障模式样本设计如表5所示。通过表5的故障模式样本对DHNN最优连接权值的求取，建立故障遥信数据的DHNN清洗模型。

利用该线路的故障模式对Hopfield神经网络进行训练，形成遥信数据的清洗模型，对采集遥信数据进行清洗。如果把遥信故障数据中的“1”用黑色表示，“0”用白色表示，故障遥信的清洗结果如图6所示，从图6(a)可以看出，如果故障遥信没有发生差错的情况下，DHNN的记忆输出的故障遥信数据和输入值没有差别；如果输入故障遥信发生4％的随机差错，如图6(b)所示，对差错数进行了很好的纠正。

4.故障诊断的流程

如图7所示，故障诊断流程分为故障空间最优编码集的形成、DHNN模型的建立、实时故障遥信数据归类三部分。根据标准遥信信息数据的所有可能组合，形成遥信变位数据最大集样本，利用故障诊断空间映射编码和K-means聚类方法，求取故障空间最优编码集；并利用最大数据样本提取故障模式作为DHNN训练数据，建立DHNN模型，作为数据清洗和纠错的神经网络模型。捕获电网故障的实时遥信变位数据，通过DHNN模型对遥信误变位和丢失数据分别进行纠正和修补，然后把清洗后的遥信数映射到故障诊断空间。通过最小距离法在故障诊断空间内对故障数据进行归类，输出诊断结果。

5.故障诊断分析

(1)单一故障的诊断

上海市电网500kV输电线路区内发生故障，如图8所示，故障过程为：18:26市调监控发现AB线事故跳闸，重合不成功，线路主保护均动作。

利用本发明的算法，捕获故障发生后的遥信变位数据，通过DHNN模型数据清洗后，把遥信数据映射到故障诊断空间。通过最小距离法在故障诊断空间内对故障数据点进行归类，其诊断结果如图9所示。

从图9可以看出，图9(a)未经过Hoffield神经网络清洗，使得误变位数据参与归类算法的计算所以第25类故障和第29类故障比较接近，造成误归类。图9 (b)中可以看出，归类结果为25，准确归类到实际的故障类型，“重合不成功故障切除、本地保护动作、A相接地”。所以，指纹编码诊断结果为：AB线故障、本地保护动作、重合不成功故障切除，和人工分析结果一致。

(2)复杂故障的诊断

本发明某地一次真实故障，验证该技术方法。如图10所示，220kV变电站1 到变电站2的L2551线发生单相接地故障，两侧断路器的高频保护动作，变电站2 侧2402号断路器跳闸，但变电站1侧2205号断路器拒动，引起变电站1的1号母线失灵保护动作,跳开母联2210号断路器和2204号断路器，但变电站1的2203 号断路器拒动作，引起L2553变电站4侧距离保护动作，跳变电站4的2301号断路器，至此故障切除。

图10为复杂的连锁故障的诊断，故障诊断的一次设备分别包括了：L2551线路两侧、1母线和L2553线路单侧。所以以变电站内部采集的单点遥信数据分别进行诊断。在故障诊断空间内，利用各故障一次设备的最优编码集和DHNN模型对故障进行归类，归类结果如表6所示。

从表6可以看出，通过本发明的编码映射，把图中复杂连锁故障过程中产生的大量的遥信变位信息转换成了故障诊断空间的类型编码，把类型编码显示为调度人员能够理解的文字描述，再通过时间顺序进行关联。

最后形成了故障过程文字描述的因果链如图11所示，通过因果链完整的描述了整个故障过程，实现了只要复杂故障发生立即呈现诊断结果的实时诊断过程。其故障诊断结果和实际系统的故障过程一致。

表1遥信编码标准信息

表2保护动作数据矩阵数据

表3故障过程识别数据矩阵遥信

表4故障类型识别矩阵遥信

表5 DHNN训练集构成

表6故障诊断结果

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，包括以下步骤：

步骤1：建立由遥信二进制数到多维故障诊断空间的编码映射方式，并根据标准遥信信息数据的所有可能组合，形成遥信变位数据最大集样本，利用故障诊断空间映射编码和K-means聚类方法，获取故障诊断空间最优编码集；

步骤2：建立DHNN模型，并利用故障模式数据样本对DHNN模型进行训练；

步骤3：分别利用训练完成的DHNN模型和故障诊断空间最优编码集来对实时电网故障遥信变位数据进行数据清洗纠错和数据映射归类，获取最终诊断结果。

2.根据权利要求1所述的一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，所述步骤1中的编码映射方式包括二维编码方式和一维编码方式。

3.根据权利要求2所述的一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，所述二维编码方式的描述公式为：

c_i2＝w·A_i ²w^T

式中，D1...Di...Dn表示为二维编码方式下电网一次设备对应的二次设备装置，E1...Ei...En表示为二次设备动作遥信变位数据，发生遥信变位的与一次设备相应位置的数据为1，未发生遥信变位的与一次设备相应位置的数据为0，w＝(2⁰,...,2^n-1)，且表示为二进制权重向量，w^T表示为二进制权重向量的转置矩阵，

为二维编码的遥信二进制数据矩阵，c_i2为二维编码映射函数，n为自然数。

4.根据权利要求2所述的一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，所述一维编码方式的描述公式为：

c_i1＝w·A_i ¹

式中，

为一维编码的遥信二进制数据矩阵，c_i1为一维编码映射函数，D1…Dn表示为一维编码方式下电网一次设备对应的二次设备装置，E1...Ei...En表示为二次设备动作遥信变位数据，发生遥信变位的与一次设备相应位置的数据为1，未发生遥信变位的与一次设备相应位置的数据为0，w＝(2⁰,...,2^n-1)，且表示为二进制权重向量。

5.根据权利要求1所述的一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，所述步骤1中的故障诊断空间最优编码集通过k-means聚类和调整二进制权重向量w形成。

6.根据权利要求1所述的一种基于空间最优编码集及DHNN纠错的电网故障诊断方法，其特征在于，所述步骤2中的DHNN模型的描述方程式组为：

Y(t)＝[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T

式中，u_j(t)为神经元处理函数，w_ij为神经元连接权值，x_j为神经元处理函数截距，θ_j为神经元处理函数阈值，y_i(t)为DHNN模型处理函数输入值，y_j(t+1)为DHNN模型处理函数输出值，f[u_j(t)]为神经元处理函数映射结果，Y(t)表示为整个DHNN模型的完整输出值，[y₁(t),y₂(t),y₃(t),...,y_n(t)]^T表示整个DHNN模型的n个输出层神经元的输出状态，i为自然数。

Images