CN111060779A - 一种基于概率神经网络的电网分区故障诊断方法及系统 - Google Patents
一种基于概率神经网络的电网分区故障诊断方法及系统 Download PDFInfo
- Publication number
- CN111060779A CN111060779A CN201911143515.6A CN201911143515A CN111060779A CN 111060779 A CN111060779 A CN 111060779A CN 201911143515 A CN201911143515 A CN 201911143515A CN 111060779 A CN111060779 A CN 111060779A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- neural network
- diagnosis
- area
- 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
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
- G01R31/081—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
- 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)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明的一种基于概率神经网络的电网分区故障诊断方法及系统,可解决大电网故障诊断难度大的技术问题;本发明通过将大电网划分为小区域进行故障诊断,降低大电网故障诊断的难度。首先利用概率神经网络对分区的电网故障进行诊断,然后利用灰色关联度对重合区域的线路故障进行再分析,实现整个电网的精准故障诊断。本发明不仅能够诊断出非重合区域故障,而且能够准确诊断重合区域的故障。有效降低大电网故障诊断的复杂度,能够处理多种复杂故障情况,具有良好的故障诊断能力。
Description
技术领域
本发明涉及电网分析技术领域,具体涉及一种基于概率神经网络的电网分区故障诊断方法及系统。
背景技术
应对能源需求的增大,电网发展也逐步提速,导致电网结构越来越复杂,这对电网故障诊断提出了更高的要求。目前,已有多种故障诊断的技术和方法,包括基于专家系统法、基于贝叶斯网络、基于粗糙集理论、基于模糊理论法、基于人工神经网络法、基于遗传算法、基于Petri网法、基于多代理系统法等,这些相关的研究不仅保证了电网的安全稳定运行,也为进一步完善电网故障诊断技术提供了基础。
其中,具有很强容错能力和学习能力的人工神经网络,被广泛运用于各种故障诊断领域,电网故障诊断领域也不例外。而基于人工神经网络的电网故障诊断主要可分为两种诊断方法,即集中故障诊断和分区故障诊断。集中故障诊断适合规模较小的电网结构,对于现阶段电网的发展,集中故障诊断已经不能满足故障诊断的需要。相比集中故障诊断,分区电网故障诊断将大电网结构分成多个电网区域,再进行分区故障诊断,能够降低诊断区域电网结构的复杂度,提高了诊断效率,更加契合日趋发展的大电网故障诊断应用场景。
发明内容
本发明提出的一种基于概率神经网络的电网分区故障诊断方法及系统,可解决大电网故障诊断难度大的技术问题。
为实现上述目的,本发明采用了以下技术方案:
一种基于概率神经网络的电网分区故障诊断方法,包括以下步骤:
S100、将电网整体划分成n个区域;
S200、分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
S300、获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
S400、输出电网发生故障的故障点。
进一步的,所述S200中分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,具体包括:
利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。
进一步的,所述步骤S300中的灰色关联度的计算步骤如下:
设Xi为诊断区域电网元件序列,第k个元件对应诊断的结果的数据为xi(k),其中k=1,2,3,,n,n为总的元件个数,则称Xi={xi(1),xi(2),,xi(n)}为第i个区域Xi的特征行为序列;
设系统的参考序列Xrbf表示为Xrbf={x0(1),x0(2),,x0(n)},m个个体的比较序列Xrel表示为:
参考序列Xrbf与比较序列Xrel之间的灰色关联度为
其中,
式中ρ(ρ∈(0,1))作为灰色关联度的分辨系数。
进一步的,所述S300中判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;具体包括:
S301、设某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli;
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数;
S302、求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
S303、确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度ri′
其中,i=1,2,3,,j,q=1,2,3,,k;
S304、对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度ri′,定义综合灰色关联度T
其中,i=1,2,3,,j;
S305、对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H;
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
进一步的,所述步骤S100中电网分区的方法为无重叠分区法、重叠分区法、蝶形分区法、叶形分区发、图形分区法之一。
另一方面,本发明还公开一种基于概率神经网络的电网分区故障诊断系统,包括以下模块:
电网分区模块,用于将电网整体划分成n个区域;
神经网络训练模块,用于分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
故障诊断模块,用于获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
故障输出模块,用于输出电网发生故障的故障点。
进一步的,所述神经网络训练模块利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。
进一步的,所述故障诊断模块中的灰色关联度的计算步骤如下:
设Xi为诊断区域电网元件序列,第k个元件对应诊断的结果的数据为xi(k),其中k=1,2,3,,n,n为总的元件个数,则称Xi={xi(1),xi(2),,xi(n)}为第i个区域Xi的特征行为序列;
设系统的参考序列Xrbf表示为Xrbf={x0(1),x0(2),,x0(n)},m个个体的比较序列Xrel表示为:
参考序列Xrbf与比较序列Xrel之间的灰色关联度为
其中,
式中ρ(ρ∈(0,1))作为灰色关联度的分辨系数。
进一步的,所述故障诊断模块中判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;具体包括:
S301、设某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli;
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数;
S302、求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
S303、确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度ri′
其中,i=1,2,3,,j,q=1,2,3,,k;
S304、对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度ri′,定义综合灰色关联度T
其中,i=1,2,3,,j;
S305、对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H;
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
进一步的,所述电网分区模块的电网分区的方法为无重叠分区法、重叠分区法、蝶形分区法、叶形分区发、图形分区法之一。
由上述技术方案可知,由于分区后重合区域的故障会同时触发两个或者若干个区域的神经网络模块,故障诊断结果输出不唯一,针对此问题本发明提出了基于概率神经网络与灰色关联度相融合的电网分区故障诊断方法和系统,先将整个电网结构划分成若干个区域,对不同区域建立相应的故障诊断模块,利用概率神经网络进行故障诊断;针对基于神经网络的重合区域故障诊断结果不唯一问题,利用灰色关联度的方法对重合区域的多组神经网络输出结果进行故障再分析,实现重合区域电网故障精确诊断。通过算例结果表明该方法使电网故障诊断难度降低,能够有效解决电网分区时,重合区域故障触发若干个区域神经网络故障诊断模块,导致神经网络故障诊断模块输出结果不唯一的问题,实现电网故障精确诊断。
附图说明
图1是概率神经网络的结构图;
图2是本发明的方法流程图;
图3是本发明的方法原理图;
图4是本发明分区诊断系统结构图;
图5是本发明实施例采用IEEE 14节点电力系统模型图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于概率神经网络的电网分区故障诊断方法,基于概率神经网络和灰色关联理论,下面先对这两个技术做个说明:
概率神经网络
概率神经网络(Probabilistic neural network,PNN)是一种径向基函数前馈神经网络。PNN采用径向基函数,考虑了不同类型样本的交错效应,具有很强的容错能力,与其他网络模型相比具有一定的优势。只要样本数据足够,PNN就可以实现足够的收敛,而不会陷入局部极小问题。PNN作为一种径向神经网络,可用于故障检测和模式分类。PNN网络结构如图1所示,主要由四层网络结构组成,分别是输入层、模式层、求和层和输出层。
训练样本的值赋值给输入神经元,将其转换为特征向量。计算训练样本特征向量与自由基中心之间的欧氏距离,得到隐含层的输出如下:
其中,X=[x1,x2,,xn](n=1,2,,l);l是训练类型的总和,d是特征向量维数,σ是平滑因子,xij是第i个训练样本的第j个中心。
求和层结果如下:
其中,vi是第i个输出,L是i类神经元的数目。
输出层采用与求和层中的最大输出对应的类型作为输出类型。结果如下:
yi=arg(max(vi)) (3)
PNN神经网络训练容易,收敛速度快,可以实现任意的非线性逼近,已在多个故障诊断领域得到了应用。
灰色关联度
灰色关联理论是灰色理论中的一项。它的基本思想是根据序列曲线的几何相似程度判断其相关度,相关序列曲线几何相似程度越高,序列的相关度就越大。
设Xi为诊断区域电网元件序列,第k个元件对应诊断的结果的数据为xi(k),其中k=1,2,3,,n(n为总的元件个数),则称Xi={xi(1),xi(2),,xi(n)}为第i个区域Xi的特征行为序列。
设系统的参考序列Xrbf表示为Xrbf={x0(1),x0(2),,x0(n)},m个个体的比较序列Xrel可表示为:
参考序列Xrbf与比较序列Xrel之间的灰色关联度为
其中,
式中ρ(ρ∈(0,1))作为灰色关联度的分辨系数,具有提高灰色关联度之间的差异性的作用,一般取0.5。
结合图2和图3所示,本发明实施例的基于概率神经网络的电网分区故障诊断方法,包括以下步骤:
S100、将电网整体划分成n个区域;
S200、分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
S300、获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
S400、输出电网发生故障的故障点。
上述步骤可解释为整个故障诊断流程主要分为神经网络训练阶段和故障测试阶段。神经网络训练阶段,首先将电网整体划分成n个区域;然后分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的PNN网络,建立各个区域相对应的PNN网络诊断模块。故障测试阶段,首先将故障告警信息进行预处理,根据发生故障的区域触发相对应的区域神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度故障诊断系统,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;最后得出电网发生故障的故障点。
以下对本发明实施例的工作过程进行具体说明:
首先步骤S100可以理解为电网分区:
电网分区的方法有多种,如无重叠分区法、重叠分区法、蝶形分区法、叶形分区发和图形分区法等,本发明实施例采用蝶形分区法对电网进行分区,然后展开故障诊断的研究。
如图4所示,假设将给定的电网分为n个区域,当电网发生故障时,监控装置收集各装置故障保护信息;再对各个区域的故障告警信息进行预处理,使其对应神经网络诊断模块的输入;然后将预处理完后的故障信息输入相对应的故障区域的神经网络故障诊断模块,对不同区域的故障进行诊断。重合区域若存在故障,会触发两个或多个区域的神经网络诊断模块,同一个故障点会得出多个故障诊断结果,则需要利用灰色关联度诊断模块,对以得出的神经网络诊断结果进行二次分析,得到更加唯一的诊断结果;最后分析诊断结果,确定电网发生故障的故障点。
步骤S200和步骤S300可解释为基于PNN网络故障诊断:
概率神经网络具有局部记忆和反馈链接的能力,能更好应对实时变化的情况。所以,本发明实施例采用PNN网络作为神经网络故障诊断模块的核心。
基于PNN网络故障诊断主要分为训练和测试两步。训练主要利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。测试主要通过电网发生故障的实时数据进行故障诊断进行电网故障点的确定。
其中步骤S300中的重合区域故障诊断具体如下:
考虑到重合区域故障会触发两个或者多个区域神经网络进行故障诊断,于是同一个故障会得到两个或者多个神经网络输出结果,本发明实施例采用灰色关联度的方法对神经网络输出的结果进行再分析,得到更加精确的故障结论。由于分区后每个电网区域的元件数量不一定相同,所以不同区域神经网络输出的维数不一定相同,而同一个重合区域的设备归属于若干个区域共同所有,所以重合区域故障需要先分别在不同归属的区域计算灰色关联度,然后确定该故障的综合灰色关联度。具体步骤如下:
(1)某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli。
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数。
(2)求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
(3)确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度ri′
其中,i=1,2,3,,j,q=1,2,3,,k;
(4)对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度ri′,定义综合灰色关联度T
其中,i=1,2,3,,j。
(5)对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H。
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
同时,本发明实施例还公开一种基于概率神经网络的电网分区故障诊断系统,包括以下模块:
电网分区模块,用于将电网整体划分成n个区域;
神经网络训练模块,用于分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
故障诊断模块,用于获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
故障输出模块,用于输出电网发生故障的故障点。
所述神经网络训练模块利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。
所述故障诊断模块中的灰色关联度的计算步骤如下:
设Xi为诊断区域电网元件序列,第k个元件对应诊断的结果的数据为xi(k),其中k=1,2,3,,n,n为总的元件个数,则称Xi={xi(1),xi(2),,xi(n)}为第i个区域Xi的特征行为序列;
设系统的参考序列Xrbf表示为Xrbf={x0(1),x0(2),,x0(n)},m个个体的比较序列Xrel表示为:
参考序列Xrbf与比较序列Xrel之间的灰色关联度为
其中,
式中ρ(ρ∈(0,1))作为灰色关联度的分辨系数。
所述故障诊断模块中判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;具体包括:
S301、设某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli;
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数;
S302、求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
S303、确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度ri′
其中,i=1,2,3,,j,q=1,2,3,,k;
S304、对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度ri′,定义综合灰色关联度T
其中,i=1,2,3,,j;
S305、对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H;
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
所述电网分区模块的电网分区的方法为无重叠分区法、重叠分区法、蝶形分区法、叶形分区发、图形分区法之一。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
以下结合本发明实施例的具体应用通过仿真做进一步说明:
电网分区:
本发明实施例选用IEEE 14节点电力系统模型作为系统的仿真模型,如图5所示。该系统由14条母线和20条输电线路组成。其中,母线主保护为B01m~B14m,输电线路主保护为LXm,输电线路远后备保护为LXs,输电线路近后备保护LXp,其中X代表断路器编号(图5虚线部分展示部分保护配置设置)。
本实施例采用蝶形分区法将IEEE 14节点电力系统划分为4个区域,如图5所示。网络完成分区后,对不同区域分别建立神经网络诊断模块。而网络划分的重合区域中的线路设备归属两个区域共同拥有,如线路L1314、L1011、CB1314、CB1413、CB1110、CB1011既属于1#区域,也属于2#区域。重合区域神经网络输出存在多种结果,如线路L1314故障会同时触发1#区域和2#区域神经网络诊断系统,会得到两组输出结果,就会存在结果不确定的稳定。针对该问题,本实施例利用灰色关联度处理重合区域故障触发多区域神经网络诊断输出问题,确定重合区域故障点,提高整个电网故障诊断的精确性。
故障诊断:
本实施例分别提取各个区域一定数量的典型故障构成训练样本集,分别对各个区域进行训练,PNN输入和输出神经元设置如表1所示。对于每个故障样本的神经网络输入都采取二进制的输入形式,即1表示保护装置动作或者断路器跳闸,0表示保护装置未动作或者断路器未跳闸;神经网络输出的是区域中各个元件发生故障的概率,如果神经网络所有输出的某个输出大于0.5,则与之相对应的元件,可认为其是故障元件。而对于重合区域的故障,由于会触发若干个神经网络,得到若干个输出结果,故障诊断判定存在不确定性,利用灰色关联度对基于神经网络的重合区域故障输出结果进行判定,得到更为准确的故障诊断结果。
表1PNN相关参数
Tab.1 ParametersofPNN
本实施例对训练好的神经网络,选择若干个重合区域故障和非重合区域故障进行测试,验证本发明提出的方法的有效性。选取的部分测试样本如表2所示,其中下划线的故障为重合区域故障。
表2测试样本
Tab.2 Testsamples
非重合区域故障可以利用已训练好的PNN网络故障诊断模块直接诊断输出。由于每个区域的元件数目不一致,导致神经网络的输出神经元数目也不一致,故只列出故障元件相对应的神经元输出结果,如表3所示。测试结果表明PNN网络能准确诊断出非重合区域故障元件。
表3非重合区域故障诊断结果
Tabl.3 Faultdiagnosisresultsofnonreclosingarea
由于重合区域元件属于两个或者多个区域,所以当重合区域元件发生故障时,会同时触发两个或者多个区域的神经网络诊断模块,得到多个神经网络输出结果。正是由于输出结果不唯一,导致故障诊断结果可信度降低。针对重合区域故障导致多个神经网络输出结果现象,通过灰色关联度对神经网络输出结果再分析,得到唯一的诊断输出结果,避免神经网络诊断输出不唯一。重合区域故障的灰色关联度输出结果如表4所示,看出该方法能够得到唯一的诊断输出结果,且有效得出正确的诊断结论。
表4重合区域故障诊断结果
Tab.4 Faultdiagnosisresultsofreclosingarea
由上可知,本发明实施例针对大电网结构复杂,故障诊断难度大等问题,利用具有很好容错能力的神经网络进行故障诊断,提出了基于概率神经网络与灰色关联度相融合的电网分区故障诊断方法,对复杂的大电网结构采用先分区后故障诊断的诊断策略,降低了电网结构的复杂度和诊断难度。同时,针对基于神经网络的电网分区故障诊断方法带来的重合区域故障诊断输出结果不唯一问题,利用灰色关联度对神经网络诊断输出结果进行二次分析,大大提高了故障诊断的和唯一精确性。
当电网分区结构或者电网结构发生改变时,必将改变神经网络的结构,需要重新调整神经网络参数设定,使其适应新改变的电网结构,所以下一步将深入研究电网分区发生改变时,对整个故障诊断模型的影响以及适应电网分区变化的电网故障诊断策略。
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 (10)
1.一种基于概率神经网络的电网分区故障诊断方法,其特征在于:包括以下步骤:
S100、将电网整体划分成n个区域;
S200、分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
S300、获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
S400、输出电网发生故障的故障点。
2.根据权利要求1所述的基于概率神经网络的电网分区故障诊断方法,其特征在于:所述S200中分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,具体包括:
利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。
4.根据权利要求3所述的基于概率神经网络的电网分区故障诊断方法,其特征在于:所述S300中判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;具体包括:
S301、设某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli;
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数;
S302、求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
S303、确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度r′i
其中,i=1,2,3,,j,q=1,2,3,,k;
S304、对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度r′i,定义综合灰色关联度T
其中,i=1,2,3,,j;
S305、对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H;
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
5.根据权利要求1所述的基于概率神经网络的电网分区故障诊断方法,其特征在于:所述步骤S100中电网分区的方法为无重叠分区法、重叠分区法、蝶形分区法、叶形分区发、图形分区法之一。
6.一种基于概率神经网络的电网分区故障诊断系统,其特征在于:包括以下模块:
电网分区模块,用于将电网整体划分成n个区域;
神经网络训练模块,用于分别提取每个区域的告警信息作为训练样本,训练每个区域相对应的概率神经网络,建立各个区域相对应的概率神经网络诊断模块;
故障诊断模块,用于获取故障告警信息并进行预处理,根据发生故障的区域触发相对应的区域概率神经网络诊断模块;判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;
故障输出模块,用于输出电网发生故障的故障点。
7.根据权利要求6所述的一种基于概率神经网络的电网分区故障诊断系统,其特征在于:
所述神经网络训练模块利用电网的故障告警信息对神经网络进行训练,选择电网中保护和断路器状态作为神经网络的输入,电网中的元件故障状态的概率作为神经网络输出进行网络训练。
9.根据权利要求8所述的一种基于概率神经网络的电网分区故障诊断系统,其特征在于:
所述故障诊断模块中判断是否为重合区域电网故障,如果不是,则对故障结果进行诊断分析;如果是重合区域的电网故障,则通过灰色关联度再进行故障诊断,对神经网络诊断系统输出的结果再分析,然后对故障结果进行诊断分析;具体包括:
S301、设某个重合区域元件同时属于j个区域共同所有,将该重合区域元件归属于第i(i=1,2,3,,j)个区域的神经网络的期望输出作为参考序列Xrbfi和神经网络诊断输出作为比较序列Xreli;
Xrbfi={x0(1),x0(2),,x0(k)}
其中,m表示故障的个数,k表示故障区域元件的个数;
S302、求第i个区域中的第q个元件参考序列Xrbfi和比较序列Xreli之间的关联系数ri(q)
其中,ρ∈(0,1),i=1,2,3,,j,q=1,2,3,,k;
S303、确定参考序列Xrbfi和比较序列Xrbfi之间的灰色关联度r′i
其中,i=1,2,3,,j,q=1,2,3,,k;
S304、对重合区域进行灰色关联度计算后,分别得到该重合区域的故障元件在j个区域中的灰色关联度r′i,定义综合灰色关联度T
其中,i=1,2,3,,j;
S305、对各元件的综合灰色关联度进行归一化处理,得到各元件的故障度H;
如果故障度H大于0.5,则判断为故障元件,否则它为正常元件。
10.根据权利要求6所述的一种基于概率神经网络的电网分区故障诊断系统,其特征在于:所述电网分区模块的电网分区的方法为无重叠分区法、重叠分区法、蝶形分区法、叶形分区发、图形分区法之一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143515.6A CN111060779B (zh) | 2019-11-20 | 2019-11-20 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143515.6A CN111060779B (zh) | 2019-11-20 | 2019-11-20 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060779A true CN111060779A (zh) | 2020-04-24 |
CN111060779B CN111060779B (zh) | 2022-03-11 |
Family
ID=70298633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143515.6A Active CN111060779B (zh) | 2019-11-20 | 2019-11-20 | 一种基于概率神经网络的电网分区故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060779B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906915A (zh) * | 2021-01-22 | 2021-06-04 | 江苏安狮智能技术有限公司 | 一种基于深度学习的轨交系统故障诊断方法 |
CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN116223971A (zh) * | 2023-02-24 | 2023-06-06 | 合肥威标科技有限公司 | 基于多源信息的配电网故障区域辅助定位系统 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03223982A (ja) * | 1989-12-16 | 1991-10-02 | Mitsubishi Electric Corp | 半導体神経回路網 |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN105548779A (zh) * | 2016-02-02 | 2016-05-04 | 中国农业大学 | 一种低压配电网无功运行状态的预警方法及系统 |
CN107991580A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 基于关联权重离散性多源信息的配电网故障定位方法 |
-
2019
- 2019-11-20 CN CN201911143515.6A patent/CN111060779B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03223982A (ja) * | 1989-12-16 | 1991-10-02 | Mitsubishi Electric Corp | 半導体神経回路網 |
CN104181603A (zh) * | 2014-07-24 | 2014-12-03 | 中国石油大学(华东) | 碎屑岩沉积成岩综合相识别方法 |
CN105548779A (zh) * | 2016-02-02 | 2016-05-04 | 中国农业大学 | 一种低压配电网无功运行状态的预警方法及系统 |
CN107991580A (zh) * | 2017-11-27 | 2018-05-04 | 山东大学 | 基于关联权重离散性多源信息的配电网故障定位方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG QIAN: "Partition Fault Diagnosis of Power Grids Based on Improved PNN and GRA", 《IEEJ TRANSACTIONS ON ELECTRICAL AND ELECTRONIC ENGINEERING》 * |
温廷新: "基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型", 《计算机应用研究》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906915A (zh) * | 2021-01-22 | 2021-06-04 | 江苏安狮智能技术有限公司 | 一种基于深度学习的轨交系统故障诊断方法 |
CN112906915B (zh) * | 2021-01-22 | 2024-03-22 | 江苏安狮智能技术有限公司 | 一种基于深度学习的轨交系统故障诊断方法 |
CN113900865A (zh) * | 2021-08-16 | 2022-01-07 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN113900865B (zh) * | 2021-08-16 | 2023-07-11 | 广东电力通信科技有限公司 | 智能的电网设备自动化测试方法、系统和可读存储介质 |
CN116223971A (zh) * | 2023-02-24 | 2023-06-06 | 合肥威标科技有限公司 | 基于多源信息的配电网故障区域辅助定位系统 |
CN116223971B (zh) * | 2023-02-24 | 2023-12-12 | 合肥威标科技有限公司 | 基于多源信息的配电网故障区域辅助定位系统 |
CN117176550A (zh) * | 2023-09-25 | 2023-12-05 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
CN117176550B (zh) * | 2023-09-25 | 2024-03-19 | 云念软件(广东)有限公司 | 基于故障辨识的集成运行维护方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111060779B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060779B (zh) | 一种基于概率神经网络的电网分区故障诊断方法及系统 | |
CN110247910A (zh) | 一种异常流量的检测方法、系统及相关组件 | |
Lo et al. | Fast real power contingency ranking using a counterpropagation network | |
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 | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN113159113B (zh) | 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 | |
Gui et al. | Wireless sensor network fault sensor recognition algorithm based on MM* diagnostic model | |
Markovic et al. | Hybrid fault detection in power systems | |
CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
Cheon et al. | Application of neural networks to multiple alarm processing and diagnosis in nuclear power plants | |
Lutska et al. | Forecasting the efficiency of the control system of the technological object on the basis of neural networks | |
Jiang et al. | RBF-based real-time hierarchical intrusion detection systems | |
Zhang et al. | Partition fault diagnosis of power grids based on improved PNN and GRA | |
CN112437440A (zh) | 无线传感器网络中基于相关性理论的恶意共谋攻击抵抗方法 | |
CN106569095A (zh) | 一种基于加权平均依赖分类器的电网故障诊断系统 | |
Baraldi et al. | A method for estimating the confidence in the identification of nuclear transients by a bagged ensemble of FCM classifiers | |
Strachan et al. | Intelligent diagnosis of defects responsible for partial discharge activity detected in power transformers | |
CN110826690A (zh) | 一种设备状态识别方法及其系统、计算机可读存储介质 | |
CN113933706A (zh) | 一种基于bp神经网络的直流电机故障检测方法 | |
Nina et al. | Hybrid support system for decision making based on MLP-ANN, IED and SCADA for disturbances analysis of electrical power distribution transformers | |
Shahzad | Artificial neural network for transient stability assessment: A review | |
CN113761792A (zh) | 一种基于神经网络的六脉冲整流器故障诊断方法 | |
Zhang et al. | Research on transformer fault diagnosis method based on rough set optimization BP neural network |
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 |