CN112710914B - 计及控制中心故障信息篡改的智能变电站故障诊断方法 - Google Patents

计及控制中心故障信息篡改的智能变电站故障诊断方法 Download PDF

Info

Publication number
CN112710914B
CN112710914B CN202011485183.2A CN202011485183A CN112710914B CN 112710914 B CN112710914 B CN 112710914B CN 202011485183 A CN202011485183 A CN 202011485183A CN 112710914 B CN112710914 B CN 112710914B
Authority
CN
China
Prior art keywords
neuron
time
fault
value
pulse
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.)
Active
Application number
CN202011485183.2A
Other languages
English (en)
Other versions
CN112710914A (zh
Inventor
王涛
程亮
刘伟
黄著
陈孝天
周科全
刘力源
古世甫
詹红霞
张彼德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN202011485183.2A priority Critical patent/CN112710914B/zh
Publication of CN112710914A publication Critical patent/CN112710914A/zh
Application granted granted Critical
Publication of CN112710914B publication Critical patent/CN112710914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

本发明公开了一种计及控制中心故障信息篡改的智能变电站故障诊断方法，首先采用模糊C均值聚类算法查找出疑似故障元件，然后通过计算各疑似故障元件的电压采样值合群系数对其遥测量不确定性程度进行评估，进而确定故障元件识别模型的输入数据，最后提出了一种基于多元脉冲神经膜系统的故障元件识别模型及其对应的多元脉冲矩阵推理算法，求解得到疑似故障元件的故障诊断结果。本发明不仅能够有效解决控制中心故障信息被篡改情况下的智能变电站故障诊断问题，还能够解决现有方法不能处理的因故障信息被篡改而带来的故障信息高度不确定性和不精确性问题。

Description

计及控制中心故障信息篡改的智能变电站故障诊断方法
技术领域
本发明属于智能变电站安全技术领域，具体涉及一种计及控制中心故障信息篡改的智能变电站故障诊断方法的设计。
背景技术
智能变电站担负着电能传输与变换的重任，是智能电网与能源互联网的重要枢纽。随着智能电网和能源互联网的大力发展，智能变电站的故障诊断功能，对于故障发生后快速供能具有重要作用。变电站故障诊断是指当其发生故障时，通过控制中心获得的故障告警信息(包括变电站一次系统和二次系统告警信息)，采用诊断方法确定故障元件，并评价相关保护或断路器的不正常动作。目前，变电站的故障诊断方法主要集中于变电站常规故障的诊断工作，所采用的方法主要有专家系统、模糊集理论、Petri网、贝叶斯网络和人工神经网络等；而对于信息袭击等极端情况下的非常规故障诊断的研究工作，还远远不够。
随着智能变电站的快速发展，通信网与物理网的相依性越发增强，其故障诊断过程中的问题也逐渐凸显出来：(1)当远动信息或者站内电子式互感器遇到较大干扰时，会导致故障信息畸变或丢失；(2)变电站之间的对时不准导致故障信息存在时标偏差；(3)通信系统与物理系统的强烈相依性使智能变电站相较于常规电站更易遭受黑客攻击。此外，随着信息物理社会系统的全息感知、人机交互和数据高效共享的逐渐实现，将导致智能变电站更易遭受数据篡改等信息袭击。
例如，黑客通过篡改控制中心的数据采集与监视控制(Supervisory Control AndData Acquisition，SCADA)和故障录波系统的故障信息，即故障遥信量和故障遥测量，人为地大大增强了故障信息的不确定性和不精确性，致使现有故障诊断方法不能快速准确地识别真实故障元件，不能快速恢复故障后供电，进而造成重大经济损失。由于现有研究和诊断系统并未考虑上述极端情况，因此相关诊断方法亟待探索。
发明内容
本发明的目的是为了解决智能变电站诊断方法存在的上述问题，提出了一种计及控制中心故障信息篡改的智能变电站故障诊断方法，以应对由于黑客信息袭击所引起的故障信息中高度不确定性和不精确性的问题。
本发明的技术方案为：计及控制中心故障信息篡改的智能变电站故障诊断方法，包括以下步骤：
S1、采用模糊C均值聚类算法对智能变电站遥测量的归一化电压值进行聚类分析，并根据聚类结果确定疑似故障元件。
S2、针对各疑似故障元件，采用幅值序列点约束和时间序列点约束计算得到序列点隶属矩阵D，并根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数，并根据电压采样值合群系数确定故障元件识别模型的输入数据。
S3、根据智能变电站的物理拓扑结构、保护装置配置和故障告警信息，为每一个疑似故障元件建立基于多元脉冲神经膜系统的故障元件识别模型，并通过计算时序约束隶属度来修正各个故障元件识别模型中保护装置对应输入神经元的初始脉冲值。
S4、通过多元脉冲矩阵推理算法求解基于多元脉冲神经膜系统的故障元件识别模型，得到疑似故障元件的故障诊断结果。
进一步地，步骤S1包括以下分步骤：
S11、对智能变电站正常运行状态下的历史电压数据和未遭受攻击但故障状态下的历史电压数据进行处理，得到清洁数据，并提取智能变电站各母线和变压器的实时电压采样值。
S12、当检测到智能变电站故障发生时，确定故障时间窗，并对智能变电站遥测量中的实时电压采样值进行归一化处理，得到归一化电压值。
S13、将归一化电压值作为模糊C均值聚类算法的输入进行数据聚类，根据聚类结果，将与聚类中心的距离大于距离阈值的母线或变压器以及与它们相连的馈线作为疑似故障元件。
进一步地，步骤S12中对智能变电站遥测量中的电压进行归一化处理的方法具体为：
采用以下公式对智能变电站遥测量中的电压进行归一化处理，并提取0s、0.01s、0.03s和0.05s四个时刻的归一化电压值：
Figure BDA0002839151940000021
其中U'为归一化电压值，U为待归一化的实时电压采样值，Umax和Umin分别为清洁数据中历史电压值的最大值和最小值。
进一步地，步骤S2包括以下分步骤：
S21、针对各疑似故障元件，采用幅值序列点约束
Figure BDA0002839151940000022
和时间序列点约束
Figure BDA0002839151940000023
计算得到序列点隶属矩阵D。
S22、根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数p。
S23、判断各疑似故障元件的电压采样值合群系数p是否大于设定阈值，若是则将该疑似故障元件的电压采样值合群系数p、遥信量信息和时序信息作为故障元件识别模型的输入数据，否则将该疑似故障元件的遥信量信息和时序信息作为故障元件识别模型的输入数据。
进一步地，步骤S21中序列点隶属矩阵D表示为：
Figure BDA0002839151940000031
其中，
Figure BDA0002839151940000032
表示遥测量篡改评估因素，幅值序列点约束
Figure BDA0002839151940000033
用于约束遥测量信息中的正序、负序和零序电压幅值，其定义如下：
Figure BDA0002839151940000034
其中Vjk表示第k序电压的第j个序列点的序电压值，k∈[1,n]，j∈[1,l]，l表示每种序电压的时间序列点数数目，n表示序电压的类型数目，
Figure BDA0002839151940000035
和
Figure BDA0002839151940000036
分别表示对应时间序列点的历史电压采样值幅值的平均值和方差；μi表示对应第i个时间序列点的电压幅值，m表示历史电压的数目。
时间序列点约束
Figure BDA0002839151940000037
用于约束遥测量采样值信息中的正序、负序和零序电压时间戳的范围，其定义如下：
Figure BDA0002839151940000038
其中Tjk表示第k序电压的第j个序列点时间戳，
Figure BDA0002839151940000039
和
Figure BDA00028391519400000310
分别表示对应时间序列点的历史时间戳的平均值和方差；ti表示第i个幅值序列点的时间戳。
进一步地，步骤S22中电压采样值合群系数p的计算公式为：
Figure BDA00028391519400000311
进一步地，步骤S3中建立的基于多元脉冲神经膜系统的故障元件识别模型∏具体为：
∏＝(A,syn,σ1,...,σm,in,out)
其中A＝{a}表示神经脉冲的集合，a表示一个神经脉冲。
syn＝{(i,j)|1≤i,j≤m∧i≠j}表示突触的集合，syn包括时序突触和推理突触，其中时序突触负责连接时序突触前神经元和时序突触后神经元，其作用为利用时标信息修正输入神经元的初始脉冲值，即保护装置的动作置信度；推理突触负责连接推理神经元，其作用为推理、计算其他神经元的脉冲值，以确定故障元件；时序突触通过目标智能变电站中保护设备之间的保护格局和时序约束信息生成，推理突触基于Dempster组合规则生成。
σ1,...,σm为故障元件识别模型∏中的m个神经元，其包括时序突触前神经元σi＝(Xi,wij,εi,ri)、时序突触后神经元σj＝(Yj,εj,rj)和推理神经元σp＝(Up,εp,rp)，其中1≤i≤k1,k1+1≤j≤k1+k2,k1+k2+1≤p≤m,k1+k2+k3＝m，k1,k2和k3分别表示时序突触前神经元、时序突触后神经元和推理神经元的数目。
时序突触前神经元σi的多元脉冲值由二元组Xi＝{αi,ti}表示，其中αi为一元脉冲值，取值为[0,1]上的实数，表示对应于σi的保护装置的动作置信度；ti为二元脉冲值，表示该保护装置动作时SOE事件顺序记录中的时间戳信息；当时序突触前神经元σi对应保护装置未动作或告警信息丢失时，取ti＝1。
时序突触后神经元σj的多元脉冲值由二元组
Figure BDA0002839151940000041
表示，其中βj和
Figure BDA0002839151940000042
分别表示采用时序信息修正警报信息后，与时序突触后神经元σj对应的保护装置的动作置信度和动作非置信度，两者的取值皆为[0,1]上的实数。
推理神经元σp的多元脉冲值由二元组
Figure BDA0002839151940000043
表示，其中θp和
Figure BDA0002839151940000044
为在计算过程中得到的取值在区间[0,1]上的实数。
wij表示神经元时序突触前神经元σi到时序突触后神经元σj的有向时序突触权重，其计算公式为：
Figure BDA0002839151940000045
其中sij表示σi到σj的有向连接，若σi到σj存在时序突触，则sij＝1，否则sij＝0；λj为wij的时序约束隶属度，表示与σj相连的σi的脉冲值对于保护装置之间时序约束的满足程度。
εi,εj,εp分别为神经元时序突触前神经元σi、时序突触后神经元σj和推理神经元σp的点火阀值，εi＝εj＝εp＝0。
ri为时序突触前神经元σi的点火规则，其形式为
Figure BDA0002839151940000046
其点火条件为E＝{α>εi}，表示当且仅当时序突触前神经元σi的初始脉冲值大于εi时，才能执行规则ri；此时，σi将消耗一个位势值为{α,t}的脉冲a{α,t}，产生并向其突触后神经元传递一个位势值为
Figure BDA0002839151940000051
的新脉冲
Figure BDA0002839151940000052
其中
Figure BDA0002839151940000053
rj为时序突触后神经元σj的点火规则，若时序突触后神经元σj后面连接的是推理突触，则它将变异为推理神经元σp来推理和计算神经元的脉冲值，在此情况下，rj与rp一致；否则σj进入休眠状态，不再参与后续任何计算。
rp为推理神经元σp的点火规则，其形式为
Figure BDA0002839151940000054
其点火条件为E＝{θ>0∧g≤k3-1}，表示当且仅当脉冲值θ大于0且多元脉冲矩阵推理算法的推理步骤不超过k3-1时，才能执行规则rp；此时，σp将消耗一个位势值为
Figure BDA0002839151940000055
的脉冲
Figure BDA0002839151940000056
产生并向其突触后神经元传递一个位势值为
Figure BDA0002839151940000057
的新脉冲
Figure BDA0002839151940000058
其中：
Figure BDA0002839151940000059
Figure BDA00028391519400000510
若一个推理神经元后面连接的是推理突触，则其参与其他神经元脉冲值的推理和计算神经元；否则，该推理神经元是一个输出神经元，并将其脉冲值输出到环境中。
Figure BDA00028391519400000517
分别表示多元脉冲神经膜系统的输入和输出神经元集合。
进一步地，步骤S3中时序约束隶属度的计算公式为：
Figure BDA00028391519400000511
其中λAB表示故障事件A和B的时序约束隶属度，且故障事件A发生在B之前，t为故障的时间戳信息，
Figure BDA00028391519400000512
表示时序约束，其表示形式为：
Figure BDA00028391519400000513
tA和tB分别表示故障事件A和B的时间戳，
Figure BDA00028391519400000514
和
Figure BDA00028391519400000515
分别表示
Figure BDA00028391519400000516
的下限和上限；若故障事件A没有时间戳，则tA＝-1且其与故障事件B的时间距离为
Figure BDA0002839151940000061
进一步地，步骤S4中的多元脉冲矩阵推理算法包括以下步骤：
A1、设置推理步数g＝0。
A2、对于每个时序突触前神经元，采用以下公式计算其时序约束隶属度λj：
Figure BDA0002839151940000062
Figure BDA0002839151940000063
表示时序约束，t-和t+分别表示
Figure BDA0002839151940000064
的下限和上限。
A3、根据时序约束隶属度λj计算每个时序突触前神经元的时序突触权重wij：
Figure BDA0002839151940000065
A4、判断每个时序突触前神经元是否满足点火条件，若是则进入步骤A5，否则时序突触前神经元不点火，并且记录其当前脉冲值为0，并进入步骤A6。
A5、根据
Figure BDA0002839151940000066
计算时序突触后神经元的脉冲值，进入步骤A6。
A6、对于每个推理神经元，判断推理步数g是否小于k3-1，若是则进入步骤A7，否则算法结束，得到输出神经元的脉冲值。
A7、判断每个推理神经元是否满足点火条件，若是则进入步骤A8，否则推理神经元不点火，记录其当前脉冲值为0，返回步骤A6。
A8、推理神经元点火并根据
Figure BDA0002839151940000067
计算其脉冲值，返回步骤A6。
多元脉冲矩阵推理算法中涉及的向量、矩阵与运算算子含义如下：
Figure BDA0002839151940000068
表示时序突触前神经元的一元脉冲值向量，其中αi为第i个时序突触前神经元的一元脉冲值，1≤i≤k1。
Figure BDA0002839151940000069
表示时序突触前神经元的二元脉冲值向量，其中ti为第i个时序突触前神经元的二元脉冲值。
Figure BDA00028391519400000610
表示时序突触后神经元的一元脉冲值向量，其中βj为第j个时序突触后神经元的一元脉冲值，k1+1≤j≤k1+k2。
Figure BDA00028391519400000611
表示时序突触后神经元的二元脉冲值向量，其中
Figure BDA00028391519400000612
为第j个时序突触后神经元的二元脉冲值。
Figure BDA0002839151940000071
表示推理神经元的一元脉冲值向量，其中θp为第p个推理神经元的脉冲值，k1+k2+1≤p≤m。
Figure BDA0002839151940000072
表示推理神经元的二元脉冲值向量，其中
Figure BDA0002839151940000073
为第p个推理神经元的脉冲值。
Figure BDA0002839151940000074
表示时序约束隶属度矩阵，其中λj表示wij的时序约束隶属度。
Figure BDA0002839151940000075
表示时序突触连接矩阵，其中sij为神经元σi到σj之间的有向突触连接关系，若神经元σi到σj之间存在突触连接，则sij＝1，否则sij＝0。
Figure BDA0002839151940000076
表示时序突触权重矩阵，表示时序神经元之间的突触权重，
Figure BDA0002839151940000077
表示神经元σi到σj的突触权重。
Figure BDA0002839151940000078
表示推理突触连接矩阵，其中bpq表示推理神经元之间的有向突触连接关系，若推理神经元之间有突触连接，则bpq＝1，否则bpq＝0，k1+k2+1≤p≤m,1≤q≤m。
上标T表示向量和矩阵的转置，下标g表示推理步数。
令
Figure BDA0002839151940000079
则多元脉冲矩阵推理算法中相关算子定义如下：
一元脉冲值推理算子
Figure BDA00028391519400000710
定义为：
Figure BDA00028391519400000711
若θ1＝0∧θ2≠0，则
Figure BDA00028391519400000712
二元脉冲值推理算子
Figure BDA0002839151940000081
定义为：
Figure BDA0002839151940000082
若θ1＝0∧θ2≠0，则
Figure BDA0002839151940000083
其中θ1,θ2表示与θ性质相同的两个向量，θ1,θ2分别表示向量θ1,θ2中的元素，
Figure BDA0002839151940000084
分别表示与
Figure BDA0002839151940000085
性质相同的两个向量
Figure BDA0002839151940000086
中的元素，X,Y分别表示向量X,Y中的元素，O表示零向量。
加法算子
Figure BDA0002839151940000087
定义为：
Figure BDA0002839151940000088
乘法算子
Figure BDA0002839151940000089
定义为：
Figure BDA00028391519400000810
其中
Figure BDA00028391519400000813
和
Figure BDA00028391519400000811
分别表示wi1和
Figure BDA00028391519400000812
中的非零元素。
进一步地，步骤S4中通过故障元件识别模型∏输出神经元的脉冲值得到疑似故障元件的故障诊断结果，当且仅当输出神经元的一元脉冲值大于0.5，并且其二元脉冲值小于0.5时，判定输出神经元对应的疑似故障元件为故障元件，否则判定疑似故障元件不是故障元件。
本发明的有益效果是：本发明首先采用模糊C均值聚类算法查找出疑似故障元件，然后通过计算各疑似故障元件的电压采样值合群系数对其遥测量不确定性程度进行评估，进而确定故障元件识别模型的输入数据，最后提出了一种基于多元脉冲神经膜系统的故障元件识别模型及其对应的多元脉冲矩阵推理算法，求解得到疑似故障元件的故障诊断结果。本发明不仅能够有效解决控制中心故障信息被篡改情况下的智能变电站故障诊断问题，还能够解决现有方法不能处理的因故障信息被篡改而带来的故障信息高度不确定性和不精确性问题。
附图说明
图1所示为本发明实施例提供的计及控制中心故障信息篡改的智能变电站故障诊断方法流程图。
图2所示为本发明实施例提供的多元脉冲神经膜系统中各神经元关系示意图。
图3所示为本发明实施例提供的110kV智能变电站网络拓扑图。
图4所示为本发明实施例提供的疑似故障元件的聚类结果示意图。
图5所示为本发明实施例提供的母线B1的基于mpSNPS的故障元件识别模型。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。
本发明实施例提供了一种计及控制中心故障信息篡改的智能变电站故障诊断方法，如图1所示，包括以下步骤S1～S4：
S1、采用模糊C均值聚类算法对智能变电站遥测量的归一化电压值进行聚类分析，并根据聚类结果确定疑似故障元件。
步骤S1包括以下分步骤S11～S13：
S11、对智能变电站正常运行状态下的历史电压数据和未遭受攻击但故障状态下的历史电压数据进行处理，得到清洁数据，并提取智能变电站各母线和变压器的实时电压采样值。
S12、当检测到智能变电站故障发生时，确定故障时间窗，并对智能变电站遥测量中的实时电压采样值进行归一化处理，得到归一化电压值。
本发明实施例中，采用以下公式对智能变电站遥测量中的电压进行归一化处理，并提取0s、0.01s、0.03s和0.05s四个时刻的归一化电压值：
Figure BDA0002839151940000091
其中U'为归一化电压值，U为待归一化的实时电压采样值，Umax和Umin分别为清洁数据中历史电压值的最大值和最小值。
S13、将归一化电压值作为模糊C均值聚类算法的输入进行数据聚类，根据聚类结果，将与聚类中心的距离大于距离阈值的母线或变压器以及与它们相连的馈线作为疑似故障元件。
S2、针对各疑似故障元件，采用幅值序列点约束和时间序列点约束计算得到序列点隶属矩阵D，并根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数，并根据电压采样值合群系数确定故障元件识别模型的输入数据。
步骤S2包括以下分步骤S21～S23：
S21、针对各疑似故障元件，采用幅值序列点约束
Figure BDA0002839151940000101
和时间序列点约束
Figure BDA0002839151940000102
计算得到序列点隶属矩阵D。
序列点隶属矩阵D表示为：
Figure BDA0002839151940000103
其中，
Figure BDA0002839151940000104
表示遥测量篡改评估因素，当智能变电站正常运作且遥测量没有被篡改时，由于小干扰、测量误差和传输错误等因素，在相同运行状态下，不同组别中的历史告警信息的电压采样值在某一时间内并不是一个确定值，而是在某一确定值附近波动的。当故障发生时，历史电压采样值的幅值分布将发生变化。因此，本发明实施例基于上述特征提出幅值序列点约束
Figure BDA0002839151940000105
和时间序列点约束
Figure BDA0002839151940000106
以判断遥测量是否遭受篡改。
幅值序列点约束
Figure BDA0002839151940000107
用于约束遥测量信息中的正序、负序和零序电压幅值，其定义如下：
Figure BDA0002839151940000108
其中Vjk表示第k序电压(即正序、负序或零序电压)的第j个序列点的序电压值，k∈[1,n]，j∈[1,l]，l表示每种序电压的时间序列点数数目，n表示序电压的类型数目，本发明实施例中n＝3；
Figure BDA0002839151940000109
和
Figure BDA00028391519400001010
分别表示对应时间序列点的历史电压采样值幅值的平均值和方差；μi表示对应第i个时间序列点的电压幅值，m表示历史电压的数目。
时间序列点约束
Figure BDA00028391519400001011
用于约束遥测量采样值信息中的正序、负序和零序电压时间戳的范围，其定义如下：
Figure BDA00028391519400001012
其中Tjk表示第k序电压的第j个序列点时间戳，
Figure BDA00028391519400001013
和
Figure BDA00028391519400001014
分别表示对应时间序列点的历史时间戳的平均值和方差；ti表示第i个幅值序列点的时间戳。
S22、根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数p：
Figure BDA0002839151940000111
本发明实施例中，电压采样值合群系数p用于评估各疑似故障元件遥测量的不确定性程度。
S23、判断各疑似故障元件的电压采样值合群系数p是否大于设定阈值，若是则说明该疑似故障元件的电压采样值合群系数较大，其实时电压采样值与其历史值高度匹配，这意味着实时遥测量信息的不确定性程度较低，此时将该疑似故障元件的电压采样值合群系数p、遥信量信息和时序信息作为故障元件识别模型的输入数据，以确定疑似元件是否发生故障。否则该疑似故障元件的实时采样值与其历史值匹配程度较低，这意味着遥测量信息的不确定性程度较高，此时电压采样值合群系数p将不会被使用，即对应该值的神经元不会触发，只将该疑似故障元件的遥信量信息和时序信息作为故障元件识别模型的输入数据。
S3、根据智能变电站的物理拓扑结构、保护装置配置和故障告警信息，为每一个疑似故障元件建立基于多元脉冲神经膜系统(Multi-pulse Spiking Neural P System，mpSNPS)的故障元件识别模型，并通过计算时序约束隶属度来修正各个故障元件识别模型中保护装置对应输入神经元的初始脉冲值。
本发明实施例中，基于多元脉冲神经膜系统的故障元件识别模型∏具体为：
∏＝(A,syn,σ1,...,σm,in,out)
其中A＝{a}表示神经脉冲的集合，a表示一个神经脉冲。
syn＝{(i,j)|1≤i,j≤m∧i≠j}表示突触的集合，如果(i,j)∈syn，那么神经元σi是σj的突触前神经元，或者说σj为σi的突触后神经元。syn包括时序突触和推理突触，其中时序突触负责连接时序突触前神经元和时序突触后神经元，其作用为利用时标信息修正输入神经元的初始脉冲值，即保护装置的动作置信度；推理突触负责连接推理神经元，其作用为推理、计算其他神经元的脉冲值，以确定故障元件；时序突触通过目标智能变电站中保护设备之间的保护格局和时序约束信息生成，推理突触基于Dempster组合规则生成。
σ1,…,σm为故障元件识别模型∏中的m个神经元，其包括时序突触前神经元σi＝(Xi,wij,εi,ri)、时序突触后神经元σj＝(Yj,εj,rj)和推理神经元σp＝(Up,εp,rp)，其中1≤i≤k1,k1+1≤j≤k1+k2,k1+k2+1≤p≤m,k1+k2+k3＝m，k1,k2和k3分别表示时序突触前神经元、时序突触后神经元和推理神经元的数目。
本发明实施例中，三种神经元之间的关系如图2所示，其中“变异”表示在采用时序突触修正完输入神经元的初始脉冲值后，时序突触前神经元将变异为mpSNPS模型中的一部分推理神经元，模型中的另一部分推理神经元将来自环境；变异过程、时序突触和推理突触分别用虚线空心箭头、实线实心箭头和虚线实心箭头表示。需要注意的是，mpSNPS中来自环境的推理神经元是输入神经元，其脉冲值对应步骤S2中获得的电压采样值合群系数p；由时序突触后神经元变异而来的推理神经元也是输入神经元，其对应于目标智能变电站中的保护装置(即保护继电器或断路器)，因此其脉冲值等于对应保护装置的动作置信度，如表1所示。一个输出神经元则表示一个疑似故障元件，其脉冲值由mpSNPS的多元脉冲矩阵推理算法计算获得，用于确定该疑似故障元件是否真的发生故障。
表1保护继电器和断路器动作置信度
Figure BDA0002839151940000121
时序突触前神经元σi的多元脉冲值由二元组Xi＝{αi,ti}表示，其中αi为一元脉冲值，取值为[0,1]上的实数，表示对应于σi的保护装置的动作置信度；ti为二元脉冲值，表示该保护装置动作时SOE事件顺序记录中的时间戳信息；当时序突触前神经元σi对应保护装置未动作或告警信息丢失时，取ti＝1。
时序突触后神经元σj的多元脉冲值由二元组
Figure BDA0002839151940000122
表示，其中βj和
Figure BDA0002839151940000123
分别表示采用时序信息修正警报信息后，与时序突触后神经元σj对应的保护装置的动作置信度和动作非置信度，两者的取值皆为[0,1]上的实数。
推理神经元σp的多元脉冲值由二元组
Figure BDA0002839151940000124
表示，其中θp和
Figure BDA0002839151940000125
为在计算过程中得到的取值在区间[0,1]上的实数。
wij表示神经元时序突触前神经元σi到时序突触后神经元σj的有向时序突触权重，其计算公式为：
Figure BDA0002839151940000126
其中sij表示σi到σj的有向连接，若σi到σj存在时序突触，则sij＝1，否则sij＝0；λj为wij的时序约束隶属度，表示与σj相连的σi的脉冲值对于保护装置之间时序约束的满足程度。若λj越大，则表示对应脉冲值满足时序约束的程度越高，这意味着wij对应突触所携带的信息对故障元件的识别结果的影响越大。
εi,εj,εp分别为神经元时序突触前神经元σi、时序突触后神经元σj和推理神经元σp的点火阀值，本发明实施例中，由于保护装置的最低动作置信度为0.2，设定εi＝εj＝εp＝0。
ri为时序突触前神经元σi的点火规则，其形式为
Figure BDA0002839151940000131
其点火条件为E＝{α>εi}，表示当且仅当时序突触前神经元σi的初始脉冲值大于εi时，才能执行规则ri；此时，σi将消耗一个位势值为{α,t}的脉冲a{α,t}，产生并向其突触后神经元传递一个位势值为
Figure BDA0002839151940000132
的新脉冲
Figure BDA0002839151940000133
其中
Figure BDA0002839151940000134
rj为时序突触后神经元σj的点火规则，若时序突触后神经元σj后面连接的是推理突触，则它将变异为推理神经元σp来推理和计算神经元的脉冲值，在此情况下，rj与rp一致；否则σj进入休眠状态，不再参与后续任何计算。
rp为推理神经元σp的点火规则，其形式为
Figure BDA0002839151940000135
其点火条件为E＝{θ>0∧g≤k3-1}，表示当且仅当脉冲值θ大于0且多元脉冲矩阵推理算法的推理步骤不超过k3-1时，才能执行规则rp；此时，σp将消耗一个位势值为
Figure BDA0002839151940000136
的脉冲
Figure BDA0002839151940000137
产生并向其突触后神经元传递一个位势值为
Figure BDA0002839151940000138
的新脉冲
Figure BDA0002839151940000139
其中：
Figure BDA00028391519400001310
Figure BDA00028391519400001311
若一个推理神经元后面连接的是推理突触，则其参与其他神经元脉冲值的推理和计算神经元；否则，该推理神经元是一个输出神经元，并将其脉冲值输出到环境中。
Figure BDA00028391519400001312
分别表示多元脉冲神经膜系统的输入和输出神经元集合。
本发明实施例中，时序约束隶属度的计算公式为：
Figure BDA0002839151940000141
其中λAB表示故障事件A和B的时序约束隶属度，且故障事件A发生在B之前，t为故障的时间戳信息，
Figure BDA0002839151940000142
表示时序约束，其表示形式为：
Figure BDA0002839151940000143
tA和tB分别表示故障事件A和B的时间戳，
Figure BDA0002839151940000144
和
Figure BDA0002839151940000145
分别表示
Figure BDA0002839151940000146
的下限和上限；若故障事件A没有时间戳，则tA＝-1且其与故障事件B的时间距离为
Figure BDA0002839151940000147
本发明实施例中，用故障时间戳信息和故障时序约束
Figure BDA0002839151940000148
来描述故障事件的时间特征。各类保护装置的延时区间和
Figure BDA0002839151940000149
的上下限是由保护装置的动作时间逻辑得到，不同保护装置的延时区间如表2所示。
表2不同保护装置的延时区间
事件 延时区间/ms
故障 0
主保护继电器 [10,40]
第一后备保护继电器 [310,340]
第二后备保护继电器 [510,540]
断路器 [20,40]
S4、通过多元脉冲矩阵推理算法(Multi-pulse Matrix Reasoning Algorithm，MMRA)求解基于多元脉冲神经膜系统的故障元件识别模型，得到疑似故障元件的故障诊断结果。
多元脉冲矩阵推理算法包括以下步骤A1～A8：
A1、设置推理步数g＝0。
A2、对于每个时序突触前神经元，采用以下公式计算其时序约束隶属度λj：
Figure BDA00028391519400001410
Figure BDA00028391519400001411
表示时序约束，t-和t+分别表示
Figure BDA00028391519400001412
的下限和上限。
A3、根据时序约束隶属度λj计算每个时序突触前神经元的时序突触权重wij：
Figure BDA00028391519400001413
A4、判断每个时序突触前神经元是否满足点火条件，若是则进入步骤A5，否则时序突触前神经元不点火，并且记录其当前脉冲值为0，并进入步骤A6。
A5、根据
Figure BDA0002839151940000151
计算时序突触后神经元的脉冲值，进入步骤A6。
A6、对于每个推理神经元，判断推理步数g是否小于k3-1，若是则进入步骤A7，否则算法结束，得到输出神经元的脉冲值。
A7、判断每个推理神经元是否满足点火条件，若是则进入步骤A8，否则推理神经元不点火，记录其当前脉冲值为0，返回步骤A6。
A8、推理神经元点火并根据
Figure BDA0002839151940000152
计算其脉冲值，返回步骤A6。
多元脉冲矩阵推理算法中涉及的向量、矩阵与运算算子含义如下：
Figure BDA0002839151940000153
表示时序突触前神经元的一元脉冲值向量，其中αi为第i个时序突触前神经元的一元脉冲值，1≤i≤k1。
Figure BDA0002839151940000154
表示时序突触前神经元的二元脉冲值向量，其中ti为第i个时序突触前神经元的二元脉冲值。
Figure BDA0002839151940000155
表示时序突触后神经元的一元脉冲值向量，其中βj为第j个时序突触后神经元的一元脉冲值，k1+1≤j≤k1+k2。
Figure BDA0002839151940000156
表示时序突触后神经元的二元脉冲值向量，其中
Figure BDA0002839151940000157
为第j个时序突触后神经元的二元脉冲值。
Figure BDA0002839151940000158
表示推理神经元的一元脉冲值向量，其中θp为第p个推理神经元的脉冲值，k1+k2+1≤p≤m。
Figure BDA0002839151940000159
表示推理神经元的二元脉冲值向量，其中
Figure BDA00028391519400001510
为第p个推理神经元的脉冲值。
Figure BDA00028391519400001511
表示时序约束隶属度矩阵，其中λj表示wij的时序约束隶属度。
Figure BDA0002839151940000161
表示时序突触连接矩阵，其中sij为神经元σi到σj之间的有向突触连接关系，若神经元σi到σj之间存在突触连接，则sij＝1，否则sij＝0。
Figure BDA0002839151940000162
表示时序突触权重矩阵，表示时序神经元之间的突触权重，
Figure BDA0002839151940000163
表示神经元σi到σj的突触权重。
Figure BDA0002839151940000164
表示推理突触连接矩阵，其中bpq表示推理神经元之间的有向突触连接关系，若推理神经元之间有突触连接，则bpq＝1，否则bpq＝0，k1+k2+1≤p≤m,1≤q≤m。
上标T表示向量和矩阵的转置，下标g表示推理步数。
令
Figure BDA0002839151940000165
则多元脉冲矩阵推理算法中相关算子定义如下：
一元脉冲值推理算子
Figure BDA0002839151940000166
定义为：
Figure BDA0002839151940000167
若θ1＝0∧θ2≠0，则
Figure BDA0002839151940000168
二元脉冲值推理算子
Figure BDA0002839151940000169
定义为：
Figure BDA00028391519400001610
若θ1＝0∧θ2≠0，则
Figure BDA00028391519400001611
其中θ1,θ2表示与θ性质相同的两个向量，θ1,θ2分别表示向量θ1,θ2中的元素，
Figure BDA00028391519400001612
分别表示与
Figure BDA00028391519400001613
性质相同的两个向量
Figure BDA00028391519400001614
中的元素，X,Y分别表示向量X,Y中的元素，O表示零向量。
加法算子
Figure BDA00028391519400001615
定义为：
Figure BDA0002839151940000171
乘法算子
Figure BDA0002839151940000172
定义为：
Figure BDA0002839151940000173
其中
Figure BDA0002839151940000178
和
Figure BDA0002839151940000174
分别表示wi1和
Figure BDA0002839151940000175
中的非零元素。
本发明实施例中，通过故障元件识别模型∏输出神经元的脉冲值得到疑似故障元件的故障诊断结果，当且仅当输出神经元的一元脉冲值大于0.5，并且其二元脉冲值小于0.5时，判定输出神经元对应的疑似故障元件为故障元件，否则判定疑似故障元件不是故障元件。
下面以110kV智能变电站为诊断对象，以一个具体实验例为例，给出本发明的详细执行过程，以促进细节理解。
图3为110kV智能变电站网络拓扑图，其中预设故障情景和故障识别元件结果如表3所示，其中◇表示对应故障信息丢失，°表示对应故障信息被篡改。
表3预设故障情景与故障元件识别结果
Figure BDA0002839151940000176
首先，在故障发生后，基于表4中的数据以及变电站历史操作数据，采用模糊C均值算法寻找疑似故障元件，聚类结果如图4所示。
表4遥测量信息中的电压
Figure BDA0002839151940000177
Figure BDA0002839151940000181
母线B1的电压采样值合群系数为：
Figure BDA0002839151940000182
同样地，可以得到L111的电压采样值合群系数，即pL111＝0.0275。
由上述分析可知，母线B1的电压采样值合群系数(即0.9778)很大，这意味着实时电压采样值信息被篡改的可能性很低。因此，母线B1的mpSNPS故障元件识别模型中对应电压采样值合群系数的神经元将被触发，即在母线B1的故障元件识别模型中同时使用电压采样值合群系数、遥信量信息和时序信息来确定其是否真的发生故障。同理可得，L111的mpSNPS故障元件识别模型中对应电压采样值合群系数的神经元不会被触发，因此其识别模型将只使用遥信量信息和时序信息。
建立母线B1的mpSNPS故障元件识别模型，如图5所示，其形式化表示为：
Π1＝(A,syn,σ1,...,σ24,in,out)
其中：
(1)A＝{a}表示神经脉冲的集合，a表示一个神经脉冲。
(2)syn＝{ST,I}，其中：
ST＝{(1,9),(1,10),(1,11),(2,6),(2,7),(2,8),(3,6),(3,9),(3,12),(3,13),(4,7),(4,10),(4,12),(4,14),(5,8),(5,11)，(5，13)，(5,14)}表示时序突触之间的有向连接关系；I＝{(6,22),(7,21),(8,20),(9,19),(10,18),(11,17),(12,16),(13,15),(14,15),(15,16),(16,17),(17,18),(18,19),(19,20),(20,21),(21,22),(22,24),(23,24)}表示推理突触之间的有向连接关系。
(3)σ1,...,σ24是故障元件识别模型中的24个神经元，其中σ1,...,σ5为时序突触前神经元，表示母线B1的保护装置；σ6,...,σ14为时序突触后神经元，表示由时序约束隶属度λ修正后的保护装置动作信息，即遥信量信息；σ6,...,σ24为推理神经元，它们将对模型中其他神经元的脉冲值进行推理和计算，以找到故障元件，其中σ6,...,σ14是由时序突触后神经元变异而来的，σ23的脉冲值则取B1的电压采样值合群系数。
(4)in＝{σ1,σ2,σ3,σ4,σ5,σ23},out＝{σ24}，故障元件的识别结果将由神经元σ24的脉冲值确定。
然后执行多元脉冲矩阵推理算法来计算σ24的多脉冲值，当g＝10时，推理结束。此时，σ24输出其多脉冲值(0.94,0.06)，其表示母线B1的故障置信度为0.94，非置信度为0.06。因此，依据判定规则确定母线B1为故障元件。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.计及控制中心故障信息篡改的智能变电站故障诊断方法，其特征在于，包括以下步骤：
S1、采用模糊C均值聚类算法对智能变电站遥测量的归一化电压值进行聚类分析，并根据聚类结果确定疑似故障元件；
S2、针对各疑似故障元件，采用幅值序列点约束和时间序列点约束计算得到序列点隶属矩阵D，并根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数，并根据电压采样值合群系数确定故障元件识别模型的输入数据；
S3、根据智能变电站的物理拓扑结构、保护装置配置和故障告警信息，为每一个疑似故障元件建立基于多元脉冲神经膜系统的故障元件识别模型，并通过计算时序约束隶属度来修正各个故障元件识别模型中保护装置对应输入神经元的初始脉冲值；
S4、通过多元脉冲矩阵推理算法求解基于多元脉冲神经膜系统的故障元件识别模型，得到疑似故障元件的故障诊断结果；
所述步骤S3中建立的基于多元脉冲神经膜系统的故障元件识别模型∏具体为：
∏＝(A,syn,σ1,…,σm,in,out)
其中A＝{a}表示神经脉冲的集合，a表示一个神经脉冲；
syn＝{(i,j)|1≤i,j≤m∧i≠j}表示突触的集合，syn包括时序突触和推理突触，其中时序突触负责连接时序突触前神经元和时序突触后神经元，其作用为利用时标信息修正输入神经元的初始脉冲值，即保护装置的动作置信度；推理突触负责连接推理神经元，其作用为推理、计算其他神经元的脉冲值，以确定故障元件；所述时序突触通过目标智能变电站中保护设备之间的保护格局和时序约束信息生成，所述推理突触基于Dempster组合规则生成；
σ1,…,σm为故障元件识别模型∏中的m个神经元，其包括时序突触前神经元σi＝(Xi,wij,εi,ri)、时序突触后神经元σj＝(Yj,εj,rj)和推理神经元σp＝(Up,εp,rp)，其中1≤i≤k1,k1+1≤j≤k1+k2,k1+k2+1≤p≤m,k1+k2+k3＝m，k1,k2和k3分别表示时序突触前神经元、时序突触后神经元和推理神经元的数目；
时序突触前神经元σi的多元脉冲值由二元组Xi＝{αi,ti}表示，其中αi为一元脉冲值，取值为[0,1]上的实数，表示对应于σi的保护装置的动作置信度；ti为二元脉冲值，表示该保护装置动作时SOE事件顺序记录中的时间戳信息；当时序突触前神经元σi对应保护装置未动作或告警信息丢失时，取ti＝1；
时序突触后神经元σj的多元脉冲值由二元组
Figure FDA0003610922650000021
表示，其中βj和
Figure FDA0003610922650000022
分别表示采用时序信息修正警报信息后，与时序突触后神经元σj对应的保护装置的动作置信度和动作非置信度，两者的取值皆为[0,1]上的实数；
推理神经元σp的多元脉冲值由二元组
Figure FDA0003610922650000023
表示，其中θp和
Figure FDA0003610922650000024
为在计算过程中得到的取值在区间[0,1]上的实数；
wij表示神经元时序突触前神经元σi到时序突触后神经元σj的有向时序突触权重，其计算公式为：
Figure FDA0003610922650000025
其中sij表示σi到σj的有向连接，若σi到σj存在时序突触，则sij＝1，否则sij＝0；λj为wij的时序约束隶属度，表示与σj相连的σi的脉冲值对于保护装置之间时序约束的满足程度；
εi,εj,εp分别为神经元时序突触前神经元σi、时序突触后神经元σj和推理神经元σp的点火阀值，εi＝εj＝εp＝0；
ri为时序突触前神经元σi的点火规则，其形式为
Figure FDA0003610922650000026
其点火条件为E＝{α>εi}，表示当且仅当时序突触前神经元σi的初始脉冲值大于εi时，才能执行规则ri；此时，σi将消耗一个位势值为{α,t}的脉冲a{α,t}，产生并向其突触后神经元传递一个位势值为
Figure FDA0003610922650000027
的新脉冲
Figure FDA0003610922650000028
其中
Figure FDA0003610922650000029
rj为时序突触后神经元σj的点火规则，若时序突触后神经元σj后面连接的是推理突触，则它将变异为推理神经元σp来推理和计算神经元的脉冲值，在此情况下，rj与rp一致；否则σj进入休眠状态，不再参与后续任何计算；
rp为推理神经元σp的点火规则，其形式为
Figure FDA00036109226500000210
其点火条件为E＝{θ>0∧g≤k3-1}，表示当且仅当脉冲值θ大于0且多元脉冲矩阵推理算法的推理步骤不超过k3-1时，才能执行规则rp；此时，σp将消耗一个位势值为
Figure FDA00036109226500000211
的脉冲
Figure FDA00036109226500000212
产生并向其突触后神经元传递一个位势值为
Figure FDA0003610922650000031
的新脉冲
Figure FDA0003610922650000032
其中：
Figure FDA0003610922650000033
Figure FDA0003610922650000034
若一个推理神经元后面连接的是推理突触，则其参与其他神经元脉冲值的推理和计算神经元；否则，该推理神经元是一个输出神经元，并将其脉冲值输出到环境中；
Figure FDA0003610922650000035
分别表示多元脉冲神经膜系统的输入和输出神经元集合；
所述步骤S3中时序约束隶属度的计算公式为：
Figure FDA0003610922650000036
其中λAB表示故障事件A和B的时序约束隶属度，且故障事件A发生在B之前，t为故障的时间戳信息，
Figure FDA0003610922650000037
表示时序约束，其表示形式为：
Figure FDA0003610922650000038
tA和tB分别表示故障事件A和B的时间戳，
Figure FDA0003610922650000039
和
Figure FDA00036109226500000310
分别表示
Figure FDA00036109226500000311
的下限和上限；若故障事件A没有时间戳，则tA＝-1且其与故障事件B的时间距离为
Figure FDA00036109226500000312
所述步骤S4中的多元脉冲矩阵推理算法包括以下步骤：
A1、设置推理步数g＝0；
A2、对于每个时序突触前神经元，采用以下公式计算其时序约束隶属度λj：
Figure FDA00036109226500000313
Figure FDA00036109226500000314
表示时序约束，t-和t+分别表示
Figure FDA00036109226500000315
的下限和上限；
A3、根据时序约束隶属度λj计算每个时序突触前神经元的时序突触权重wij：
Figure FDA00036109226500000316
A4、判断每个时序突触前神经元是否满足点火条件，若是则进入步骤A5，否则时序突触前神经元不点火，并且记录其当前脉冲值为0，并进入步骤A6；
A5、根据
Figure FDA0003610922650000041
计算时序突触后神经元的脉冲值，进入步骤A6；
A6、对于每个推理神经元，判断推理步数g是否小于k3-1，若是则进入步骤A7，否则算法结束，得到输出神经元的脉冲值；
A7、判断每个推理神经元是否满足点火条件，若是则进入步骤A8，否则推理神经元不点火，记录其当前脉冲值为0，返回步骤A6；
A8、推理神经元点火并根据
Figure FDA0003610922650000042
计算其脉冲值，返回步骤A6；
所述多元脉冲矩阵推理算法中涉及的向量、矩阵与运算算子含义如下：
Figure FDA0003610922650000043
表示时序突触前神经元的一元脉冲值向量，其中αi为第i个时序突触前神经元的一元脉冲值，1≤i≤k1；
Figure FDA0003610922650000044
表示时序突触前神经元的二元脉冲值向量，其中ti为第i个时序突触前神经元的二元脉冲值；
Figure FDA0003610922650000045
表示时序突触后神经元的一元脉冲值向量，其中βj为第j个时序突触后神经元的一元脉冲值，k1+1≤j≤k1+k2；
Figure FDA0003610922650000046
表示时序突触后神经元的二元脉冲值向量，其中
Figure FDA0003610922650000047
为第j个时序突触后神经元的二元脉冲值；
Figure FDA0003610922650000048
表示推理神经元的一元脉冲值向量，其中θp为第p个推理神经元的脉冲值，k1+k2+1≤p≤m；
Figure FDA0003610922650000049
表示推理神经元的二元脉冲值向量，其中
Figure FDA00036109226500000410
为第p个推理神经元的脉冲值；
Figure FDA00036109226500000411
表示时序约束隶属度矩阵，其中λj表示wij的时序约束隶属度；
Figure FDA00036109226500000412
表示时序突触连接矩阵，其中sij为神经元σi到σj之间的有向突触连接关系，若神经元σi到σj之间存在突触连接，则sij＝1，否则sij＝0；
Figure FDA0003610922650000051
表示时序突触权重矩阵，表示时序神经元之间的突触权重，
Figure FDA0003610922650000052
表示神经元σi到σj的突触权重；
Figure FDA0003610922650000053
表示推理突触连接矩阵，其中bpq表示推理神经元之间的有向突触连接关系，若推理神经元之间有突触连接，则bpq＝1，否则bpq＝0，k1+k2+1≤p≤m,1≤q≤m；
上标T表示向量和矩阵的转置，下标g表示推理步数；
令
Figure FDA0003610922650000054
则多元脉冲矩阵推理算法中相关算子定义如下：
一元脉冲值推理算子
Figure FDA0003610922650000055
定义为：
Figure FDA0003610922650000056
若θ1＝0∧θ2≠0，则
Figure FDA0003610922650000057
二元脉冲值推理算子
Figure FDA0003610922650000058
定义为：
Figure FDA0003610922650000059
若θ1＝0∧θ2≠0，则
Figure FDA00036109226500000510
其中θ1,θ2表示与θ性质相同的两个向量，θ1,θ2分别表示向量θ1,θ2中的元素，
Figure FDA00036109226500000511
分别表示与
Figure FDA00036109226500000512
性质相同的两个向量
Figure FDA00036109226500000513
中的元素，X,Y分别表示向量X,Y中的元素，O表示零向量；
加法算子
Figure FDA00036109226500000514
定义为：
Figure FDA00036109226500000515
乘法算子
Figure FDA00036109226500000516
定义为：
Figure FDA0003610922650000061
其中
Figure FDA0003610922650000062
和
Figure FDA0003610922650000063
分别表示wi1和
Figure FDA0003610922650000064
中的非零元素。
2.根据权利要求1所述的智能变电站故障诊断方法，其特征在于，所述步骤S1包括以下分步骤：
S11、对智能变电站正常运行状态下的历史电压数据和未遭受攻击但故障状态下的历史电压数据进行处理，得到清洁数据，并提取智能变电站各母线和变压器的实时电压采样值；
S12、当检测到智能变电站故障发生时，确定故障时间窗，并对智能变电站遥测量中的实时电压采样值进行归一化处理，得到归一化电压值；
S13、将归一化电压值作为模糊C均值聚类算法的输入进行数据聚类，根据聚类结果，将与聚类中心的距离大于距离阈值的母线或变压器以及与它们相连的馈线作为疑似故障元件。
3.根据权利要求1所述的智能变电站故障诊断方法，其特征在于，所述步骤S12中对智能变电站遥测量中的电压进行归一化处理的方法具体为：
采用以下公式对智能变电站遥测量中的电压进行归一化处理，并提取0s、0.01s、0.03s和0.05s四个时刻的归一化电压值：
Figure FDA0003610922650000065
其中U'为归一化电压值，U为待归一化的实时电压采样值，Umax和Umin分别为清洁数据中历史电压值的最大值和最小值。
4.根据权利要求1所述的智能变电站故障诊断方法，其特征在于，所述步骤S2包括以下分步骤：
S21、针对各疑似故障元件，采用幅值序列点约束
Figure FDA0003610922650000066
和时间序列点约束
Figure FDA0003610922650000067
计算得到序列点隶属矩阵D；
S22、根据序列点隶属矩阵D计算得到各疑似故障元件的电压采样值合群系数p；
S23、判断各疑似故障元件的电压采样值合群系数p是否大于设定阈值，若是则将该疑似故障元件的电压采样值合群系数p、遥信量信息和时序信息作为故障元件识别模型的输入数据，否则将该疑似故障元件的遥信量信息和时序信息作为故障元件识别模型的输入数据。
5.根据权利要求4所述的智能变电站故障诊断方法，其特征在于，所述步骤S21中序列点隶属矩阵D表示为：
Figure FDA0003610922650000071
其中，
Figure FDA0003610922650000072
表示遥测量篡改评估因素，幅值序列点约束
Figure FDA0003610922650000073
用于约束遥测量信息中的正序、负序和零序电压幅值，其定义如下：
Figure FDA0003610922650000074
其中Vjk表示第k序电压的第j个序列点的序电压值，k∈[1,n]，j∈[1,l]，l表示每种序电压的时间序列点数数目，n表示序电压的类型数目，
Figure FDA0003610922650000075
和
Figure FDA0003610922650000076
分别表示对应时间序列点的历史电压采样值幅值的平均值和方差；μi表示对应第i个时间序列点的电压幅值，m表示历史电压的数目；
时间序列点约束
Figure FDA0003610922650000077
用于约束遥测量采样值信息中的正序、负序和零序电压时间戳的范围，其定义如下：
Figure FDA0003610922650000078
其中Tjk表示第k序电压的第j个序列点时间戳，
Figure FDA0003610922650000079
和
Figure FDA00036109226500000710
分别表示对应时间序列点的历史时间戳的平均值和方差；ti表示第i个幅值序列点的时间戳。
6.根据权利要求5所述的智能变电站故障诊断方法，其特征在于，所述步骤S22中电压采样值合群系数p的计算公式为：
Figure FDA00036109226500000711
7.根据权利要求1所述的智能变电站故障诊断方法，其特征在于，所述步骤S4中通过故障元件识别模型∏输出神经元的脉冲值得到疑似故障元件的故障诊断结果，当且仅当输出神经元的一元脉冲值大于0.5，并且其二元脉冲值小于0.5时，判定输出神经元对应的疑似故障元件为故障元件，否则判定疑似故障元件不是故障元件。
CN202011485183.2A 2020-12-16 2020-12-16 计及控制中心故障信息篡改的智能变电站故障诊断方法 Active CN112710914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011485183.2A CN112710914B (zh) 2020-12-16 2020-12-16 计及控制中心故障信息篡改的智能变电站故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011485183.2A CN112710914B (zh) 2020-12-16 2020-12-16 计及控制中心故障信息篡改的智能变电站故障诊断方法

Publications (2)

Publication Number Publication Date
CN112710914A CN112710914A (zh) 2021-04-27
CN112710914B true CN112710914B (zh) 2022-06-17

Family

ID=75543482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011485183.2A Active CN112710914B (zh) 2020-12-16 2020-12-16 计及控制中心故障信息篡改的智能变电站故障诊断方法

Country Status (1)

Country Link
CN (1) CN112710914B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114004360B (zh) * 2021-12-30 2022-04-01 北京壬工智能科技有限公司 基于模糊专家模型的智能装备诊断设备和方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771846A (zh) * 2016-11-08 2017-05-31 西华大学 基于模糊推理脉冲神经膜系统的输电线路故障选相方法
CN107292883A (zh) * 2017-08-02 2017-10-24 国网电力科学研究院武汉南瑞有限责任公司 一种基于局部特征的pcnn电力故障区域检测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8990132B2 (en) * 2010-01-19 2015-03-24 James Ting-Ho Lo Artificial neural networks based on a low-order model of biological neural networks
CN103336222B (zh) * 2013-06-06 2015-07-15 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
US11507064B2 (en) * 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection in downstream oil and gas environment
CN106483425B (zh) * 2016-09-27 2019-09-03 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
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
CN111413565B (zh) * 2020-04-16 2020-10-23 西华大学 一种可识别量测篡改攻击的智能电网故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106771846A (zh) * 2016-11-08 2017-05-31 西华大学 基于模糊推理脉冲神经膜系统的输电线路故障选相方法
CN107292883A (zh) * 2017-08-02 2017-10-24 国网电力科学研究院武汉南瑞有限责任公司 一种基于局部特征的pcnn电力故障区域检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于局部特征的PCNN电力故障区域提取方法;谷凯凯 等;《计算机工程》;20180731;第44卷(第7期);第291-296页 *

Also Published As

Publication number Publication date
CN112710914A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112710914B (zh) 计及控制中心故障信息篡改的智能变电站故障诊断方法
EP3460496B1 (en) A method and apparatus for automatic localization of a fault
CN110365647B (zh) 一种基于pca和bp神经网络的虚假数据注入攻击检测方法
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
CN111413565B (zh) 一种可识别量测篡改攻击的智能电网故障诊断方法
CN112345858B (zh) 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法
Wang et al. A novel fault diagnosis method of smart grids based on memory spiking neural P systems considering measurement tampering attacks
Jones et al. Photovoltaic system fault detection and diagnostics using Laterally Primed Adaptive Resonance Theory neural network
Wang et al. Application of fuzzy reasoning spiking neural P systems to fault diagnosis
CN113256096B (zh) 一种计及虚假数据注入攻击的电网故障诊断方法
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
CN116205265A (zh) 一种基于深层神经网络的电网故障诊断方法及装置
El Chamie et al. Physics-based features for anomaly detection in power grids with micro-pmus
CN114189047B (zh) 面向有源配电网状态估计的虚假数据检测与修正方法
Wang et al. Stealthy attack detection method based on Multi-feature long short-term memory prediction model
CN117768235A (zh) 一种基于物联网的实时流量监测警报系统
CN112085043B (zh) 一种变电站网络安全智能监控方法及系统
Basati et al. Real-time estimation in cyber attack detection and mitigation framework for dc microgrids
CN113609912B (zh) 一种基于多源信息融合的输电网故障诊断方法
CN106569095A (zh) 一种基于加权平均依赖分类器的电网故障诊断系统
Zhang et al. Short-term electrical load forecasting based on Attention-GRU networks
Parizad et al. Semi-supervised false data detection using gated recurrent units and threshold scoring algorithm
Wilson et al. Detection and mitigation of cyberattacks against power measurement channels using LSTM neural networks
Yu et al. Fault diagnosis of power systems using fuzzy reasoning spiking neural P systems with interval-valued fuzzy numbers
Yao et al. A Hybrid Data-Driven and Model-Based Anomaly Detection Scheme for DER Operation

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