CN113159113A - 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 - Google Patents

信息恶意篡改下可修复遥测量的智能电网故障诊断方法 Download PDF

Info

Publication number
CN113159113A
CN113159113A CN202110255502.9A CN202110255502A CN113159113A CN 113159113 A CN113159113 A CN 113159113A CN 202110255502 A CN202110255502 A CN 202110255502A CN 113159113 A CN113159113 A CN 113159113A
Authority
CN
China
Prior art keywords
neuron
fault
conditional
growth
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.)
Granted
Application number
CN202110255502.9A
Other languages
English (en)
Other versions
CN113159113B (zh
Inventor
王涛
刘伟
古世甫
赵斌
詹红霞
陈孝天
黄著
张怡然
程亮
张浩博
许喆
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.)
Technology & Skill Training Center Of Sichuan Electric Power Corp
Xihua University
Original Assignee
Technology & Skill Training Center Of Sichuan Electric Power Corp
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 Technology & Skill Training Center Of Sichuan Electric Power Corp, Xihua University filed Critical Technology & Skill Training Center Of Sichuan Electric Power Corp
Priority to CN202110255502.9A priority Critical patent/CN113159113B/zh
Publication of CN113159113A publication Critical patent/CN113159113A/zh
Application granted granted Critical
Publication of CN113159113B publication Critical patent/CN113159113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Neurology (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种信息恶意篡改下可修复遥测量的智能电网故障诊断方法，基于模糊C均值算法，设计了一种多层最优聚类数目FCM的故障警报信息修复方法，以修复电网遭受恶意篡改的遥测量；在实现故障诊断过程中，结合信息熵理论对SNPS模型进行改进，设计了一种生长推理脉冲神经膜系统及其对应算法，实现了在故障警报信息受到恶意篡改的情况下，利用故障遥测量进行电网故障诊断。

Description

信息恶意篡改下可修复遥测量的智能电网故障诊断方法
技术领域
本发明属于电网故障诊断技术领域，具体涉及信息恶意篡改下可修复遥测量的智能电网故障诊断方法。
背景技术
模型的智能自适应一直是现代人工智能不断追求的目标，通过自适应，机器可以以自我学习为目标，从错误中总结经验教训，实现模型自我调整。对现地智能诊断方法来说也不例外，若故障诊断方法能够从错误中学习，并能根据实际情况及时对模型实现自动调整，这将使得故障诊断方法更加智能。
从现有故障诊断方法来看，基于人工智能的故障诊断方法多是利用训练样本对模型进行训练，然后利用完成训练后的模型进行故障诊断。这样的方法虽然充分利用了丰富的电力数据来建立故障诊断模型，但也会面临以下问题：(1)诊断效果取决于训练样本的好坏，而实际情况中一次性就获取足够好的训练样本是非常困难的，导致模型一次性就获得最佳；(2)故障诊断方法难以对诊断模型进行自适应更新，换言之其缺乏从错误诊断中进行的学习能力。而已推理模型为代表的故障诊断方法虽然不具有复杂的训练环节，但是其诊断模型的建立依赖于故障产生式规则，而故障产生式规则仅在模型建立时使用一次，因此基于推理模型的故障诊断方法一直难以对诊断过程实现自适应更新。截止目前，对故障诊断模型的自适应能力的探索工作依然较为匮乏。
另一反面，故障警报信息是电网故障诊断方法完整准确、有效诊断的重要前提。在理想情况下，故障发生时，故障警报信息可准确无误地上传至控制中心。然而电网实际运行工况环境下的信息畸变、信息丢失等情况仍时有发生，故障警报信息的绝对准确较难做到。特别地，当攻击者针对性地对故障警报信息发动恶意篡改时，相关信息的不准确性和不精确性将大大增加，这将严重影响故障诊断方法的准确性。因此，如何尽最大可能识别与修复被篡改的故障警报信息对提高故障诊断方法的准确性大有裨益，相关工作亟待研究。
目前电力系统故障诊断方法主要存在以下问题：
1.故障诊断方法较少考虑到故障警报信息遭受恶意篡改带来的影响，当故障警报信息遭到恶意篡改时，现有故障诊断方法将出现严重误诊断。
2.现有基于SNPS的故障诊断模型，多数仅能利用遥信量实现故障诊断，而无法利用遥测量实现故障诊断。
3.现有故障诊断方法较难实现故障诊断模型的自适应更新，在本次故障出现误诊断时，下次电网同样发生此种故障场景时，仍将继续误诊断，无法从错误中进行学习。
发明内容
针对现有技术中的上述不足，本发明提供的信息恶意篡改下可修复遥测量的智能电网故障诊断方法以应对故障警报信息恶意篡改时，通过对遥测量进行修复实现电网故障诊断问题。
为了达到上述发明目的，本发明采用的技术方案为：信息恶意篡改下可修复遥测量的智能电网故障诊断方法，包括以下步骤：
S1、当目标电网故障发生时，采用结线分析法确定疑似故障元件；
S2、利用多层最优聚类数目FCM的故障警报信息恶意篡改修复方法，对受到恶意篡改的故障警报信息进行识别及修复；
S3、利用小波包分解算法对当前故障警报信息中的故障遥测量进行故障特征提取；
S4、基于提取到的故障遥测量特征，分别建立每个疑似故障元件的基于生长推理脉冲神经膜系统的故障诊断模型，并利用神经元推理算法对其进行求解，获得对应的故障诊断结果。
进一步地，所述步骤S1具体为：
S11、当目标电网发生故障，且存在继电器保护装置动作时，设置初始迭代次数i＝1，并将目标电网中的所有元件加入元件集合Ci；
S12、从元件集合Ci中随机选取一个元件加入元件子集合Si；
S13、判断最新加入到元件子集合Si中的元件是否存在与其相连的闭合断路器；
若是，则进入步骤S14；
若否，则进入步骤S15；
S14、将元件集合Ci中与闭合断路器相连的所有元件均加入元件子集合Si中，返回步骤S13；
S15、使迭代次数i增加1；
S16、从元件集合Ci-1中移除元件子集合Si-1中的所有元件，得到新的元件集合Ci；
S17、判断当前元件集合Ci是否为空；
若是，则进入步骤S18；
若否，则进入步骤S12；
S18、将元件子集合S1,S2,...,Si,...,Sn中的所有无源网络作为疑似故障区域，并将疑似故障区域中的所有元件作为疑似故障元件；
其中，n为元件子集合的总个数。
进一步地，所述步骤S2具体为：
S21、对每个疑似故障元件，分别构建其对应的遥测量信息矩阵X；
Figure BDA0002968166370000031
式中，
Figure BDA0002968166370000032
为故障遥测量无恶意篡改且无故障情况下，某元件的第k条历史遥测量信息向量，k为对应的历史遥测量信息向量的序数，对应取值为k＝1,2,3,...,n1；
Figure BDA0002968166370000033
为故障遥测量无恶意篡改但有故障情况下，某元件的第k'条历史遥测量信息向量，k'为对应的历史遥测量信息向量的序数，对应取值为k'＝1+n1,2+n1,...,n2+n1；
Figure BDA0002968166370000034
为实时故障遥测量信息向量；
xkj,xk'j分别为第k条和第k'条历史遥测量的第j个采样点的遥测量幅值，j＝1,2,3,...,m，下标m为某信息的故障遥测数据采样点总数，n1为某疑似故障元件无故障历史遥测量信息的条数，n2为某疑似故障元件有故障历史遥测量信息的条数，上标T为转置运算符；
S22、将
Figure BDA0002968166370000041
作为第一聚类的输入矩阵，设定聚类数目的初始值为11，并基于聚类数目的目标函数，执行FCM算法确定最优聚类数目Nop0；
其中，聚类数目Nop0的目标函数J为：
J＝minnr
s.t 1<Nop0≤n-1
1<nr≤n-1
式中，nr为FCM划分矩阵U中实时故障数据所在的类别中历史样本的个数，n为故障类型总数；
S23、将
Figure BDA0002968166370000042
作为第一层FCM的输入矩阵，设置对应聚类数目Nop1＝Nop0，执行FCM算法获得Nop1个分类结果；
S24、在Nop1个分类结果，保留与实时故障遥测量在同一类别的分类结果，并在
Figure BDA0002968166370000043
中删除其他历史故障遥测量，获得
Figure BDA0002968166370000044
S25、在
Figure BDA0002968166370000045
中选取与实时故障遥测量类别中隶属度最接近的一组作为离群点对照组；
S26、基于选取的离群点对照组，通过Z-Score法识别离群点，并判断
Figure BDA0002968166370000046
是否成立；
若是，进入步骤S27；
若否，进而步骤S28；
式中，xi为实时故障遥测量标准化值与离群点对照组标准化值在各采样时间处的最大差值，μ为所有xi的平均值，
Figure BDA0002968166370000047
为所有xi的标准偏差，Zthr为设置的离群点识别阈值；
S27、判定存在离群点，故障警报信息受到恶意篡改，需对其进行修复，进入步骤S29；
S28、判定不存在离群点，故障警报信息未遭到恶意篡改，无需进行修复，进入步骤S3；
S29、将
Figure BDA0002968166370000048
作为第二层FCM的输入矩阵，设定对应聚类数目Nop2＝2，并执行FCM算法，获得疑似故障元件的故障遥测量对应的实时故障数据和历史故障数据；
当故障遥测量被恶意篡改时，进入步骤S210；
当故障遥测量未被恶意篡改时，进入步骤S211；
S210、将
Figure BDA0002968166370000051
中被恶意篡改的实时故障数据分离出来，获取各被恶意篡改数据对应的采样时间点，提取历史故障数据中各对应采样时间点的聚类中心，用提取出的聚类中心替换对应实时故障数据中的恶意篡的数据，获得修复后的故障警报信息，进入步骤S3；
S211、将实时故障数据和历史故障数据聚为一类，获得对应的故障警报信息，进入步骤S3。
进一步地，所述步骤S3具体为：
S31、分别提取当前故障警报信息中的故障遥测量中的正序、负序和零序，通过小波包分解算法提取其对应的小波能量熵，作为故障特征；
S32、将提取出的故障特征按正序、负序和零序的顺序组合起来，作为故障遥测量的故障特征。
进一步地，所述步骤S4中的生长推理脉冲神经膜系统∏为：
∏＝(O,σ,ξ,syn,η,in,out)
式中，O＝{a}为神经脉冲集合，a为一个神经脉冲；
σ＝{σ1,...,σP}为生长推理脉冲神经膜系统∏中P个条件神经元的集合，σp＝(θp,Rp,Sp)为第p个条件神经元，1≤p≤P；ξ＝{ξ1,...,ξQ}为生长推理脉冲神经膜系统∏中Q个决策神经元的集合，ξq＝(δq,fq)为第q个决策神经元，1≤q≤Q；
Figure BDA0002968166370000052
为条件神经元突触集合，
Figure BDA0002968166370000053
为第p个条件神经元对应的有序对数，
Figure BDA0002968166370000054
分别为第p个条件神经元的左突触和右突触；η为神经元生长环境M的状态，η＝0时，生长推理脉冲神经膜系统中神经元生长环境M稳定，η＝1时，生长推理脉冲神经膜系统中神经元生长环境M不稳定；in,out分别为生长脉冲推理神经膜系统稳定时的输入和输出神经元集合；
其中，θp为第p个条件神经元的脉冲值，其取值为[-1,1]，表示目标电网历史情况下故障遥测量的小波基特征值，δq为第q个决策神经元的脉冲值，其取值为[1,11]，对应目标电网的故障状态依次为无故障、A-G故障、B-G故障、C-G故障、AB故障、AC故障、BC故障、AB-G故障、BC-G故障、AC-G故障和ABC故障；当生长推理脉冲神经膜系统∏中神经元生长环境M稳定，即η＝0时，条件神经元σp的脉冲值由外部环境获取，决策神经元ξq的脉冲值由上一级条件神经元点火获得，当生长推理脉冲神经膜系统∏中神经元生长环境M不稳定，即η＝1时，决策神经元ξq在神经元生长环境M中通过生长规则而生成；Rp为条件神经元σp对应的规则集，其表现形式为{rp,gp,fp}；Sp为条件神经元σp对应的突触阈值集合，其表现形式为
Figure BDA0002968166370000061
分别为条件神经元σp的左突触与右突触的激活阈值；fq为决策神经元ξq的遗忘规则，其表现形式为，
Figure BDA0002968166370000062
E＝{η＝1}为决策神经元上的正则表达式，syn为一个神经元生长环境M中条件神经元的突触；
在条件神经元σp对应的规则集Rp中，rp为条件神经元σp的点火规则，gp为条件神经元σp的生长规则，fp为条件神经元σp的遗忘规则；其中，当η＝0时，条件神经元σp执行点火规则，以传递脉冲，当η＝1时，条件神经元σp执行生长规则gp，以完成神经元连接，其中，点火规则rp的形式为
Figure BDA0002968166370000063
为条件神经元σp上的正则表达式，其含义为神经元生长环境M稳定、脉冲值存在且连接突触时处于激活状态，aθ为脉冲值为θ的条件神经元，aδ为脉冲值为δ的决策神经元，σ和ξ分别为一个神经元生长环境M中的条件神经元和决策神经元，θp为第p个条件神经元的脉冲值，τ为突触状态，τ＝1则突触处于激活状态可以点火，τ＝0则突触处于抑制状态，不点火；生长规则gp的形式为
Figure BDA0002968166370000064
E＝{η＝1}为条件神经元σp的正则表达式，Pcg为神经元选择生长条件，sl,sr分别为条件神经元σ的左突触与右突触的激活阈值；条件神经元σp的遗忘规则fp的形式为
Figure BDA0002968166370000071
E＝{η＝1}为条件神经元σ上的正则表达式，syn为一个神经元生长环境M中条件神经元的突触。
进一步地，所述步骤S4具体为：
S41、判断神经元生长环境是否稳定；
若否，则进入步骤S42；
若是，则进入步骤S43；
S42、以历史故障数据中的故障遥测量作为神经元生长环境信息记录，利用神经元生长算法建立基于生长推理脉冲神经膜系统的故障诊断模型，进入步骤S43；
S43、将提取的故障遥测量的故障特征作为基于生长推理脉冲神经膜系统的故障诊断模型的输入神经元脉冲值，执行神经元推理算法对其进行求解，获得故障诊断模型推理模块的输出神经元脉冲值，得到对应疑似故障元件的诊断结果。
进一步地，所述步骤S42中的神经元生长算法包括以下步骤：
A1、设神经元生长层数l的初始值0；
A2、计算当前神经元生长环境M的信息熵H(M)；
Figure BDA0002968166370000072
式中，pk为在决策神经元ξ中取值为k时，在信息记录为T的神经元生长环境M中所占的比例，下标k为决策神经元ξ不同取值对应的序数，k＝1,2,...,K，K为决策神经元ξ不同取值的总个数；
A3、对神经元生长环境中第p个条件神经元的vt个脉冲值取值
Figure BDA0002968166370000073
进行排序后，计算该条件神经元的候选生长脉冲值集合
Figure BDA0002968166370000074
Figure BDA0002968166370000075
A4、对于候选生长脉冲值集合中
Figure BDA0002968166370000076
的每个候选脉冲值，以候选脉冲值t为划分依据将决策神经元ξ的所有脉冲值划分为
Figure BDA0002968166370000077
和
Figure BDA0002968166370000078
两个集合，并计算不同候选脉冲值t下该条件神经元σp选择生长获得的信息增益率GR(M,σp)；
其中，信息增益率GR(M,σp)为：
Figure BDA0002968166370000081
式中，GR(M,σp)为该条件神经元由决策神经元进行生长时获得的信息增益，|M|为神经元生长环境M中决策神经元ξ不同脉冲值取值的个数，
Figure BDA0002968166370000082
为
Figure BDA0002968166370000083
中的候选脉冲值的个数，λ为正负符合集合；
A5、选取信息增益率GR(ξ,σi)的最大值及对应的候选脉冲值t分别作为该神经元生长的候选生长增益与候选突触激活阈值；
A6、基于候选突触激活阈值，选取d个候选生长增益最大的条件神经元进行二次分裂生长，在二次分类过程中，将该条件神经元发生生长后左突触的点火条件设为θ<t，则满足左突触点火条件的突触后信息记录集合为
Figure BDA0002968166370000084
右突触的点火条件设为θ≥t，则满足右突触点火条件的突触后信息记录集合为
Figure BDA0002968166370000085
A7、令神经元生长层数l增加1；
A8、对于集合
Figure BDA0002968166370000086
和集合
Figure BDA0002968166370000087
中，判断其中的决策神经元的脉冲值是否相同；
若是，则进入步骤A9；
若否，则进入步骤A10；
A9、判定其对应的突触不再生长神经元，且将其作为脉冲值为δ的决策神经元，进入步骤A11；
A10、使其对应的突触继续生长条件神经元，获得对应的信息记录集合Dt，令神经元生长环境M＝Dt，并返回步骤A2；
A11、令神经元生长层数l增加1，结束生长，获得神经元生长结构，进入步骤A12；
A12、对于完成生长的神经元结构中未进行神经剪枝的神经元，从l-1层，开始逐一检测各神经元是否满足神经剪枝条件；
若是，则进入步骤A13；
若否，则进入步骤A14；
A13、用精度不发生改变的新神经元替代该神经元及其后续分支突触上的神经元，进入步骤A14；
A14、获得构建完成的生长推理脉冲神经膜系统∏，结束神经元生长算法。
进一步地，所述步骤S43中的神经元推理算法包括以下步骤：
B1、设置初始推理步数g＝0；
B2、根据下式计算条件神经元点火向量Fl和Fr：
Fl＝Cg+1·ε
Figure BDA0002968166370000093
B3、当满足条件神经元点火条件时，进行条件神经元点火并根据下式更新θg+1：
Figure BDA0002968166370000091
B4、当满足决策神经元点火条件时，进行决策神经元点火并根据下式更新δg+1：
Figure BDA0002968166370000092
B5、令推理步数g增加1；
B6、判断是否满足算法继续运行条件g<l，若是，则返回步骤B2，若否，结束神经元推理算法，获得输出神经元脉冲值；
所述神经元推理算法中涉及的向量、矩阵和运算算子解释如下：
C＝(cip)l×P是一个l×P阶条件神经元脉冲值输入矩阵，表示神经元生长结构各层中条件神经元的脉冲值分布情况，若第i层中生长了第p个条件神经元，则其脉冲值为θ，则cip＝θ；否则cip＝0；
θ＝(θ1,...,θP)T表示条件神经元输出脉冲值向量，其中θp为第p个条件神经元的脉冲值，取值为[-1,1]上的实数，其中，1≤p≤P；
δ＝(δ1,...,δQ)T表示决策神经元输出脉冲值向量，其中δq为第q个决策神经元的脉冲值，取值为[1,11]上的实数，其中，1≤q≤Q；
ε＝(ε1,...,εl)T表示条件神经元的点火阈值向量，其中εi为第i个输入神经元的点火阈值，其中，1≤i≤l；
E1＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向左突触连接关系，若条件神经元σi到σj存在有向左突触连接，则eij＝1；否则eij＝0；
E2＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向右突触连接关系，若条件神经元σi到σj存在有向右突触连接，则eij＝1；否则eij＝0；
E3＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向左突触连接关系，若条件神经元σi到决策神经元ξj存在有向左突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
E4＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向右突触连接关系，若条件神经元σi到决策神经元ξj存在有向右突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
Cg+1·ε＝(a1,...,ap)T，其中
Figure BDA0002968166370000101
Figure BDA0002968166370000102
其中
Figure BDA0002968166370000103
Figure BDA0002968166370000104
其中Ei为E的第i行向量，||·||为取2-范数运算符。
进一步地，所述步骤S4中，当通过故障诊断模型获得故障诊断结果后，还通过目标网络的现场诊断结果对故障诊断结果进行复检，复检方法具体为：
判故障诊断模型获得的诊断结果与现场诊断结果是否一致且当前历史故障警报信息库是否存在该条诊断结果数据；
若是，则不做反馈，结束复检；
若否，将故障诊断模型获得的诊断结果及其对应的故障遥测量的故障特征反馈到历史故障警报信息库中，并执行神经元生长算法，自适应更新故障诊断模型，用于下一次故障诊断。
本发明的有益效果为：
(1)本发明方法能够对遭受恶意篡改的故障遥测量数据进行修复，且能实现故障诊断模型的自适应更新；
(2)本发明方法中提出的生长推理脉冲神经膜系统及其对应算法不仅改变了原有SNPS基于产生式规则建立的诊断模型无法利用遥测量的缺点，还能在诊断出故障元件的情况下确定故障类型，具有良好的诊断精度及鲁棒性。
附图说明
图1为本发明提供的信息恶意篡改下可修复遥测量的智能电网故障诊断方法流程图。
图2为本发明中的IEEE39节点的grSNPS故障诊断模型示意图。
图3为本发明中的L4正序遥测量FCM第一层滤波结果示意图。
图4为本发明中的L4正序遥测量FCM第二层滤波结果示意图。
图5为本发明中的L4负序遥测量FCM第一层滤波结果示意图。
图6为本发明中的L4负序遥测量PCM第二层滤波结果示意图。
图7为本发明中的L4零序遥测量FCM第一层滤波结果示意图。
图8为本发明中的L4零序要测量FCM第二层滤波结果示意图。
图9为本发明中的L4零序遥测量FCM第二层滤波结果示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，本实施例中的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，包括以下步骤：
S1、当目标电网故障发生时，采用结线分析法确定疑似故障元件；
S2、利用多层最优聚类数目FCM的故障警报信息恶意篡改修复方法，对受到恶意篡改的故障警报信息进行识别及修复；
S3、利用小波包分解算法对当前故障警报信息中的故障遥测量进行故障特征提取；
S4、基于提取到的故障遥测量特征，分别建立每个疑似故障元件的基于生长推理脉冲神经膜系统的故障诊断模型，并利用神经元推理算法对其进行求解，获得对应的故障诊断结果。
本实施例中的步骤S1具体为：
S11、当目标电网发生故障，且存在继电器保护装置动作时，设置初始迭代次数i＝1，并将目标电网中的所有元件加入元件集合Ci；
S12、从元件集合Ci中随机选取一个元件加入元件子集合Si；
S13、判断最新加入到元件子集合Si中的元件是否存在与其相连的闭合断路器；
若是，则进入步骤S14；
若否，则进入步骤S15；
S14、将元件集合Ci中与闭合断路器相连的所有元件均加入元件子集合Si中，返回步骤S13；
S15、使迭代次数i增加1；
S16、从元件集合Ci-1中移除元件子集合Si-1中的所有元件，得到新的元件集合Ci；
S17、判断当前元件集合Ci是否为空；
若是，则进入步骤S18；
若否，则进入步骤S12；
S18、将元件子集合S1,S2,...,Si,...,Sn中的所有无源网络作为疑似故障区域，并将疑似故障区域中的所有元件作为疑似故障元件；其中，n为元件子集合的总个数。
为了后续获得更加准确的诊断结果，在获得疑似故障元件后，从故障录波系统中读取各疑似故障元件的故障遥测量(电压的零序、正序和负序分量)，并以目标电网运行电压为准，对各序电压分量进行标准化处理；
其中，标准化处理的公式为：
x′＝x/xvolt
式中，x′为待处理的序分量，xvolt为目标电网运行电压。
本实施例中的步骤S2具体为：
S21、对每个疑似故障元件，分别构建其对应的遥测量信息矩阵X；
假设某疑似元件有n1条无故障历史遥测量信息，n2条有故障历史遥测量信息。其中，一条历史遥测量信息表示某疑似故障元件在无故障或有故障条件下在采样时间内的电压标准值分布情况，得到遥测量信息矩阵X为：
Figure BDA0002968166370000131
式中，
Figure BDA0002968166370000132
为故障遥测量无恶意篡改且无故障情况下，某元件的第k条历史遥测量信息向量，k为对应的历史遥测量信息向量的序数，对应取值为k＝1,2,3,...,n1；
Figure BDA0002968166370000133
为故障遥测量无恶意篡改但有故障情况下，某元件的第k'条历史遥测量信息向量，k'为对应的历史遥测量信息向量的序数，对应取值为k'＝1+n1,2+n1,...,n2+n1；
Figure BDA0002968166370000134
为实时故障遥测量信息向量；xkj,xk'j分别为第k条和第k'条历史遥测量的第j个采样点的遥测量幅值，j＝1,2,3,...,m，下标m为某信息的故障遥测数据采样点总数，上标T为转置运算符；
S22、将
Figure BDA0002968166370000135
作为第一聚类的输入矩阵，设定聚类数目的初始值为11，并基于聚类数目的目标函数，执行FCM算法确定最优聚类数目Nop0；
其中，聚类数目Nop0的目标函数J为：
J＝minnr
s.t 1<Nop0≤n-1
1<nr≤n-1
式中，nr为FCM划分矩阵U中实时故障数据所在的类别中历史样本的个数，n为故障类型总数；
S23、将
Figure BDA0002968166370000141
作为第一层FCM的输入矩阵，设置对应聚类数目Nop1＝Nop0，执行FCM算法获得Nop1个分类结果；
其中，FCM聚类算法是以二次目标函数最小化的迭代优化算法，其目标函数的数学描述为：
Figure BDA0002968166370000142
Figure BDA0002968166370000143
式中，N为数据总数，c为聚类的类别数，m(m＞1)为模糊指数，一般取2，xi为第i个数据，vj为第j个类别的聚类中心，uij为第i个数据属于j类的隶属度；其中，聚类中心vj为：
Figure BDA0002968166370000144
隶属度uij为：
Figure BDA0002968166370000145
S24、在Nop1个分类结果，保留与实时故障遥测量在同一类别的分类结果，并在
Figure BDA0002968166370000146
中删除其他历史故障遥测量，获得
Figure BDA0002968166370000147
S25、在
Figure BDA0002968166370000148
中选取与实时故障遥测量类别中隶属度最接近的一组作为离群点对照组；
S26、基于选取的离群点对照组，通过Z-Score法识别离群点，并判断
Figure BDA0002968166370000149
是否成立；
若是，进入步骤S27；若否，进而步骤S28；
式中，xi为实时故障遥测量标准化值与离群点对照组标准化值在各采样时间处的最大差值，μ为所有xi的平均值，
Figure BDA0002968166370000151
为所有xi的标准偏差，Zthr为设置的离群点识别阈值；
S27、判定存在离群点，故障警报信息受到恶意篡改，需对其进行修复，进入步骤S29；
S28、判定不存在离群点，故障警报信息未遭到恶意篡改，无需进行修复，进入步骤S3；
S29、将
Figure BDA0002968166370000152
作为第二层FCM的输入矩阵，设定对应聚类数目Nop2＝2，并执行FCM算法，获得疑似故障元件的故障遥测量对应的实时故障数据和历史故障数据；
当故障遥测量被恶意篡改时，进入步骤S210；
当故障遥测量未被恶意篡改时，进入步骤S211；
具体地，在该步骤中，通过执行FCM算法，获得两个分类结果，涉及两种情况：(1)当疑似故障元件的故障遥测量被恶意篡改时，被篡改的实时故障数据会单独被聚为一类，另一类是未被篡改的历史故障数据，此时，将
Figure BDA0002968166370000153
中的实时故障数据分类出来，进入修复步骤S210；(2)当疑似故障元件的实时及历史故障警报信息均未被恶意篡改时，实时故障数据和历史故障数据聚为一类，此时直接跳过修复步骤S210，结束遥测量修复，进入步骤S3；
S210、将
Figure BDA0002968166370000154
中被恶意篡改的实时故障数据分离出来，获取各被恶意篡改数据对应的采样时间点，提取历史故障数据中各对应采样时间点的聚类中心，用提取出的聚类中心替换对应实时故障数据中的恶意篡的数据，获得修复后的故障警报信息，进入步骤S3；
S211、将实时故障数据和历史故障数据聚为一类，获得对应的故障警报信息，进入步骤S3。
本实施例中的步骤S3具体为：
S31、分别提取当前故障警报信息中的故障遥测量中的正序、负序和零序，通过小波包分解算法提取其对应的小波能量熵，作为故障特征；
S32、将提取出的故障特征按正序、负序和零序的顺序组合起来，作为故障遥测量的故障特征。
本实施例中步骤S4中的生长推理脉冲神经膜系统∏(定义1)(Growth ReasoningSpiking Neural P System,grSNPS)为：
∏＝(O,σ,ξ,syn,η,in,out)
式中，O＝{a}为神经脉冲集合，a为一个神经脉冲；σ＝{σ1,...,σP}为生长推理脉冲神经膜系统∏中P个条件神经元的集合，σp＝(θp,Rp,Sp)为第p个条件神经元，1≤p≤P；ξ＝{ξ1,...,ξQ}为生长推理脉冲神经膜系统∏中Q个决策神经元的集合，ξq＝(δq,fq)为第q个决策神经元，1≤q≤Q；
Figure BDA0002968166370000161
为条件神经元突触集合，
Figure BDA0002968166370000162
为第p个条件神经元对应的有序对数，
Figure BDA0002968166370000163
分别为第p个条件神经元的左突触和右突触；η为神经元生长环境M的状态，η＝0时，生长推理脉冲神经膜系统中神经元生长环境M稳定，η＝1时，生长推理脉冲神经膜系统中神经元生长环境M不稳定；具体地，对于神经元生长环境M的状态的稳定条件(定义2)：(1)神经元生长环境M内信息记录个数、神经元所表示的含义、神经元脉冲值均不发生变化；(2)外部环境未强行施加不稳定条件。以上两个条件均满足，则认为此时神经元生长环境稳定，即η＝0成立；否则，神经元生长环境不稳定，即η＝1，此时系统∏内将停止一切神经元生长活动，已生长的神经元及其突触凋亡，并重新依据NGA算法开始在系统∏内生长第一个条件神经元；in,out分别为生长脉冲推理神经膜系统稳定时的输入和输出神经元集合；
其中，θp为第p个条件神经元的脉冲值，其取值为[-1,1]，表示目标电网历史情况下故障遥测量的小波基特征值，δq为第q个决策神经元的脉冲值，其取值为[1,11]，对应目标电网的故障状态依次为无故障、A-G故障、B-G故障、C-G故障、AB故障、AC故障、BC故障、AB-G故障、BC-G故障、AC-G故障和ABC故障；当生长推理脉冲神经膜系统∏中神经元生长环境M稳定，即η＝0时，条件神经元σp的脉冲值由外部环境获取，决策神经元ξq的脉冲值由上一级条件神经元点火获得，当生长推理脉冲神经膜系统∏中神经元生长环境M不稳定，即η＝1时，决策神经元ξq在神经元生长环境M中通过生长规则而生成；Rp为条件神经元σp对应的规则集，其表现形式为{rp,gp,fp}；Sp为条件神经元σp对应的突触阈值集合，其表现形式为
Figure BDA0002968166370000171
分别为条件神经元σp的左突触与右突触的激活阈值；fq为决策神经元ξq的遗忘规则，其表现形式为，
Figure BDA0002968166370000172
E＝{η＝1}为决策神经元上的正则表达式，syn为一个神经元生长环境M中条件神经元的突触；
在条件神经元σp对应的规则集Rp中，rp为条件神经元σp的点火规则，gp为条件神经元σp的生长规则，fp为条件神经元σp的遗忘规则；其中，当η＝0时，条件神经元σp执行点火规则，以传递脉冲，当η＝1时，条件神经元σp执行生长规则gp，以完成神经元连接，其中，点火规则rp的形式为
Figure BDA0002968166370000173
为条件神经元σp上的正则表达式，其含义为神经元生长环境M稳定、脉冲值存在且连接突触时处于激活状态，aθ为脉冲值为θ的条件神经元，aδ为脉冲值为δ的决策神经元，σ和ξ分别为一个神经元生长环境M中的条件神经元和决策神经元，θp为第p个条件神经元的脉冲值，τ为突触状态，τ＝1则突触处于激活状态可以点火，τ＝0则突触处于抑制状态，不点火；当σ满足点火条件时，触发点火，情况有两种：(1)当σ与另一个σ通过突触连接时，该神经元将消耗一个脉冲值为θ的脉冲值产生另一个脉冲值θ，并通过突触向下一级神经元；(2)当σ和ξ通过突触连接时，该神经元将消耗一个脉冲值为θ的脉冲值产生另一个新脉冲值δ，并通过突触向下一神经元传递；
生长规则gp的形式为
Figure BDA0002968166370000174
E＝{η＝1}为条件神经元σp的正则表达式，Pcg为神经元选择生长条件，sl,sr分别为条件神经元σ的左突触与右突触的激活阈值，对于左突触，当突触上传递的脉冲值小于激活阈值时，左突触才处于激活状态；对于右突触，当突触上传递的脉冲值大于或等于激活阈值时，右突触才处于激活状态，当且仅当处于激活状态时，该突触才向下一级神经元传递脉冲值，否则处于抑制状态，即使神经元被点火，脉冲值也不能传递出去。当满足生长条件时，触发生长，情况有两种：(1)当选择生长条件Pcg＝0满足时，在该神经元后将产生一个新的及其突触激活阈值为sl与sr的左右突触；(2)否则直接产生一个决策神经元ξ；具体地，对于神经元选择生长条件(定义3)，满足某突出的突触激活阈值s的所有信息记录中对应的决策神经元ξ脉冲值均相同时，该突出后直接生长决策神经元，否则，继续按照NGA算法继续生长条件神经元。
条件神经元σp的遗忘规则fp的形式为
Figure BDA0002968166370000181
E＝{η＝1}为条件神经元σ上的正则表达式，syn为一个神经元生长环境中条件神经元的突触；当神经元生长环境稳定条件不满足时，即η＝1时，遗忘规则触发，即所有神经元将消耗掉内部脉冲值，断开自身突触连接，脉冲神经膜系统内所有神经元与突触此时处于凋亡状态，并被清除于系统。
本实施例的步骤S4具体为：
S41、判断神经元生长环境是否稳定；
若否，则进入步骤S42；
若是，则进入步骤S43；
S42、以历史故障数据中的故障遥测量作为神经元生长环境信息记录，利用神经元生长算法建立基于生长推理脉冲神经膜系统的故障诊断模型，进入步骤S43；
具体地，对于神经元生长环境(定义4)信息记录，多个神经元信息记录组成了神经元生长环境M，其中一条神经元信息记录为系统Π内各条件神经元与决策神经元在不同脉冲值下的一个对应关系；在本实施例中，条件神经元为历史遥测量故障特征，而决策神经元为其对应的历史故障结论，由条件神经元与决策神经元所组合的这条包含故障特征与故障结论的信息，叫做信息记录；
S43、将提取的故障遥测量的故障特征作为基于生长推理脉冲神经膜系统的故障诊断模型的输入神经元脉冲值，执行神经元推理算法对其进行求解，获得故障诊断模型推理模块的输出神经元脉冲值，得到对应疑似故障元件的诊断结果。
为了使grSNPS能够根据其内部脉冲值实现神经元生长，以最终实现模型自适应更新，本发明上述步骤S2中的神经元生长算法(Neural Growth Algorithm,NGA)包括以下步骤：
A1、设神经元生长层数l的初始值0；
A2、计算当前神经元生长环境M的信息熵H(M)；
Figure BDA0002968166370000191
式中，pk为在决策神经元ξ中取值为k时，在信息记录为T的神经元生长环境M中所占的比例，下标k为决策神经元ξ不同取值对应的序数，k＝1,2,...,K，K为决策神经元ξ不同取值的总个数；
A3、对神经元生长环境中第p个条件神经元的vt个脉冲值取值
Figure BDA0002968166370000192
进行排序后，计算该条件神经元的候选生长脉冲值集合
Figure BDA0002968166370000193
Figure BDA0002968166370000194
A4、对于候选生长脉冲值集合中
Figure BDA0002968166370000195
的每个候选脉冲值，以候选脉冲值t为划分依据将决策神经元ξ的所有脉冲值划分为
Figure BDA0002968166370000196
和
Figure BDA0002968166370000197
两个集合，并计算不同候选脉冲值t下该条件神经元σp选择生长获得的信息增益率GR(M,σp)；
其中，信息增益率GR(M,σp)为：
Figure BDA0002968166370000198
式中，GR(M,σp)为该条件神经元由决策神经元进行生长时获得的信息增益，|M|为神经元生长环境M中决策神经元ξ不同脉冲值取值的个数，
Figure BDA0002968166370000199
为
Figure BDA00029681663700001910
中的候选脉冲值的个数，λ为正负符合集合；
其中，信息增益GR(M,σp)为：
Figure BDA0002968166370000201
A5、选取信息增益率GR(ξ,σi)的最大值及对应的候选脉冲值t分别作为该神经元生长的候选生长增益与候选突触激活阈值；
A6、基于候选突触激活阈值，选取d个候选生长增益最大的条件神经元进行二次分裂生长，在二次分类过程中，将该条件神经元发生生长后左突触的点火条件设为θ<t，则满足左突触点火条件的突触后信息记录集合为
Figure BDA0002968166370000202
右突触的点火条件设为θ≥t，则满足右突触点火条件的突触后信息记录集合为
Figure BDA0002968166370000203
A7、令神经元生长层数l增加1；
A8、对于集合
Figure BDA0002968166370000204
和集合
Figure BDA0002968166370000205
中，判断其中的决策神经元的脉冲值是否相同；
若是，则进入步骤A9；若否，则进入步骤A10；
A9、判定其对应的突触不再生长神经元，且将其作为脉冲值为δ的决策神经元，进入步骤A11；
A10、使其对应的突触继续生长条件神经元，获得对应的信息记录集合Dt，令神经元生长环境M＝Dt，并返回步骤A2；
A11、令神经元生长层数l增加1，结束生长，获得神经元生长结构，进入步骤A12；
A12、对于完成生长的神经元结构中未进行神经剪枝的神经元，从l-1层，开始逐一检测各神经元是否满足神经剪枝条件；
若是，则进入步骤A13；若否，则进入步骤A14；
A13、用精度不发生改变的新神经元替代该神经元及其后续分支突触上的神经元，进入步骤A14；
A14、获得构建完成的生长推理脉冲神经膜系统∏，结束神经元生长算法。
在步骤A12～A13中，神经元完成生长后，膜系统需要完成神经元剪枝，以尽可能防止神经元过渡生长，设定未剪枝的SNPS生长层数为l，则剪枝过程从l-1层开始由下向上逐一对各层神经元进行，关于神经元剪枝过程描述如下：
(1)提取用于修剪的信息记录(个数为L2)中的实际决策神经元脉冲值，并对此时的未剪枝SNPS执行NRA算法，获得未剪枝SNPS模型输出决策模型输出决策神经元脉冲值L2个，计算输出决策神经元脉冲值的振动精度，此时的精度为未修剪精度。
(2)对未剪枝的SNPS，从l-1层开始，去掉该层某一神经元及其突触后决策神经元，去掉的这个神经元用其突触后某个决策神经元替代；
(3)对剪枝后的SNPS，执行NRA算法，得到的拟剪枝的SNP的精度，当精度不降低，则满足神经剪枝条件，该神经元可以被剪枝，否则，该神经元不可剪枝，应当保留该神经元及其突触后神经元，并继续考察下一个神经元；
(4)最终获得剪枝后的SNPS。
为了使grSNPS能根据其内部脉冲值实现神经元生长，以最终实现模型自适应更新，上述步骤S43中的神经元推理算法(Neuron Reasoning Algorithm，NRA)包括以下步骤：
B1、设置初始推理步数g＝0；
B2、根据下式计算条件神经元点火向量Fl和Fr：
Fl＝Cg+1·ε
Figure BDA0002968166370000213
B3、当满足条件神经元点火条件时，进行条件神经元点火并根据下式更新θg+1：
Figure BDA0002968166370000211
B4、当满足决策神经元点火条件时，进行决策神经元点火并根据下式更新δg+1：
Figure BDA0002968166370000212
B5、令推理步数g增加1；
B6、判断是否满足算法继续运行条件g<l，若是，则返回步骤B2，若否，结束神经元推理算法，获得输出神经元脉冲值；
所述神经元推理算法中涉及的向量、矩阵和运算算子解释如下：
C＝(cip)l×P是一个l×P阶条件神经元脉冲值输入矩阵，表示神经元生长结构各层中条件神经元的脉冲值分布情况，若第i层中生长了第p个条件神经元，则其脉冲值为θ，则cip＝θ；否则cip＝0；
θ＝(θ1,...,θP)T表示条件神经元输出脉冲值向量，其中θp为第p个条件神经元的脉冲值，取值为[-1,1]上的实数，其中，1≤p≤P；
δ＝(δ1,...,δQ)T表示决策神经元输出脉冲值向量，其中δq为第q个决策神经元的脉冲值，取值为[1,11]上的实数，其中，1≤q≤Q；
ε＝(ε1,...,εl)T表示条件神经元的点火阈值向量，其中εi为第i个输入神经元的点火阈值，其中，1≤i≤l；
E1＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向左突触连接关系，若条件神经元σi到σj存在有向左突触连接，则eij＝1；否则eij＝0；
E2＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向右突触连接关系，若条件神经元σi到σj存在有向右突触连接，则eij＝1；否则eij＝0；
E3＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向左突触连接关系，若条件神经元σi到决策神经元ξj存在有向左突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
E4＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向右突触连接关系，若条件神经元σi到决策神经元ξj存在有向右突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
Cg+1·ε＝(a1,...,ap)T，其中
Figure BDA0002968166370000221
Figure BDA0002968166370000222
其中
Figure BDA0002968166370000223
Figure BDA0002968166370000231
其中Ei为E的第i行向量，||·||为取2-范数运算符。
本实施例的步骤S4中，当通过故障诊断模型获得故障诊断结果后，还通过目标网络的现场诊断结果对故障诊断结果进行复检，判断本次诊断结果的好坏，以决定是否对故障诊断模型进行更新，确保下一次出现同类型故障时的诊断结果更加准确；具体地，复检方法具体为：
判故障诊断模型获得的诊断结果与现场诊断结果是否一致且当前历史故障警报信息库是否存在该条诊断结果数据；
若是，则不做反馈，结束复检；若否，将故障诊断模型获得的诊断结果及其对应的故障遥测量的故障特征反馈到历史故障警报信息库中，并执行神经元生长算法，自适应更新故障诊断模型，用于下一次故障诊断。
实施例2：
下面以一个具体实验例对本发明提供的智能电网故障诊断方法进行详细描述。
以IEEE-39节点标准母线系统为诊断对象，在首次诊断时，先执行NGA算法后，获得如图3所示的grSNPS故障诊断模型。
图2中F1-F48表示grSNPS故障诊断模型的条件神经元σ1～σ48，物理含义为小波能量熵故障特征，其中σ1～σ16为正序小波能量熵故障特征，σ17～σ32为负序小波能量熵特征，σ33～σ38为零序小波能量熵故障特征，T1～T11为grSNPS故障诊断模型的决策神经元ξ1～ξ11，其物理含义为目标电网的故障状态(依次分别为无故障、A-G故障、B-G故障、C-G故障、AB故障、AC故障、BC故障、AB-G故障、BC-G故障、AC-G故障、ABC故障)。
本实施例所示故障场景具体见表1，故障发生时，根据结线分析法确定疑似故障元件为L4，提取疑似故障元件的故障遥测量，并对其进行标准化处理后，送入故障警报信息恶意篡改识别与修复模块，得到正序、负序、零序的识别与修复结果依次见图3-8；
表1：预设故障情景
Figure BDA0002968166370000232
Figure BDA0002968166370000241
以L4的故障遥测量正序分量为对象，图3为L4正序遥测量FCM第一层滤波结果，图3中可见，故障遥测量在第一层聚类聚为4类，实时遥测量正序分量曲线与聚类2曲线聚为一类，该类具体隶属度分布情况，表2，此时实时遥测量正序分量线条隶属度为0.42，聚类2曲线中与其最接近的隶属度为0.8489，选择该曲线作为离群点对照组，此时实时遥测量正序分量曲线与离群点对照组差的平均值、标准差与最大差值分别为0.00101、0.3713、2.3985，根据Z-Score法计算得到Z-Score为6.457，其大于Zthd＝3.5，因此其存在离群点，故判定故障遥测量遭受恶意篡改。此时，将进入FCM第二层聚类以修复遭受篡改的故障遥测量，修复结果见图4所示，实时遥测量正序分量中存在离群点，圆圈为完成修复后的修复值。可以看到，修复值基本都有效修复在实时遥测量正序曲线上。
表2：元件L4第一层聚类实时遥测量
Figure BDA0002968166370000242
同理，图5与图7中FCM第一层聚类结果中均判定存在离群点，故障遥测量遭受恶意篡改，进入第二层聚类后，得到修复结果分别见图5与图7。将完成修复后的故障遥测量进行故障特征提取后，对L4的grSNPS故障诊断模型执行NRA算法，分别得到对应grSNPS的输出神经元中ξ6的脉冲值为1，表明L4发生AC相故障，这与实际预设故障一致，因此无需向grSNPS反馈故障结果，诊断结果正确，完成诊断。
最后以三组对比分析来说明本发明方法的优点：
(1)对比分析1：算例诊断性能对比
为了比较经典故障诊断方法与本发明方法的诊断能力，采用常用的人工智能算法ANN、SVM、随机森林做了对比事实验，分别对比在无故障警报信息恶意篡改情况下的诊断性能与有故障警报信息遭受恶意篡改情况下的诊断性能。表3给出了各方法诊断算例1的诊断结果判断及性能分析。
表3：各方法诊断性能对比
对比项 ANN SVM 随机森林 grSNPS
算例1 L4(AC) L4(AC) L4(AC) L4(C-G)
建模用时 <280s <8s <26.8s <3.5s
常规样本下准确率 94.4％ 99.3％ 99.41％ 99.01％
从表3中算例诊断结果来看，各方法在进行算例1时，一旦故障录波系统中遥测量信息遭受篡改，如算例1所示，各依赖于遥测量信息的诊断方法将不再可靠，它们均有错误诊断出现，故在故障警报信息遭受恶意篡改时，本发明所提方法要优于传统故障诊断方法。从表3中诊断性能上看，本方法在诊断精度上较传统ANN具有绝对的诊断优势，但稍低于SVM方法。在建模用时上，本发明方法执行神经元生长用时最高为3.5s，较其他机器学习方法优势明显。
(2)对比分析二：各方法的自适应更新能力性能对比
为了比较本发明方法较其他方法在诊断模型自适应更新能力的优势，本方法利用附加故障样本，模拟当历史数据库中从未发生过的故障出现时，各诊断方法的诊断精度变化，见图9。图9可以看到随着附加故障集中的故障再次故障发生，各方法的诊断精度呈直线下降，且其趋势明显，而本发明所提故障诊断模型具有自适应更新能力，在附加故障再次发生时，本发明方法的诊断精度的几乎维持在未加入附加故障时的诊断精度水平。但随着附加故障样本增多，本发明方法依然有微小的诊断精度下降(从99.01％下降到了98.6％)，这是由于附加故障集中加入了很多小样本情况。这是因为本发明方法尚未从模型角度解决小样本情况下的训练问题，导致仍可能有小样本故障再次发生时依然无法实现正确诊断的可能，但总体看来几乎对诊断方法性能影响不大，故仍具有良好的自适应更新能力。因此，考虑小样本数据集的训练方式仍是未来的工作重点。随着附加故障集的增加，其他方法诊断精度下降趋势较为明显，由于缺乏自适应更新能力，这些方法在附加样本增多的情况下无法有效保证可靠的诊断，而本发明方法则可以不断调节模型结构，能够保证诊断的正常进行。
(3)对比分析三：各方法在故障警报信息恶意篡改情况下的鲁棒性能对比
本发明方法与其他方法的不同之处还在于还考虑了故障警报信息遭受恶意篡改对诊断方法性能的影响，为了评估本发明方法在故障警报信息遭受恶意篡改情况下的诊断能力，定义故障警报信息篡改比例为：
Figure BDA0002968166370000261
式中：κ为故障警报信息遭受恶意篡改的比例，γt为故障录波系统中获得实时故障数据点总数，γa为遭受篡改的数据点个数。
表4：各方法算例诊断性能对比
κ ANN SVM RF DSNPS
0％ 94.40％ 99.30％ 99.41％ 99.01％
1％ 93.25％ 93.70％ 94.10％ 97.10％
2％ 86.65％ 86.75％ 87.12％ 93.35％
3％ 79.40％ 76.85％ 77.72％ 89.51％
4％ 73.30％ 73.95％ 72.95％ 87.35％
5％ 62.95％ 63.90％ 61.20％ 85.15％
10％ 52.51％ 51.01％ 51.79％ 83.88％
15％ 45.27％ 44.20％ 43.52％ 81.32％
20％ 35.20％ 36.20％ 38.28％ 77.98％
表4中可见随着攻击覆盖范围的扩大，即遭受篡改的遥测量采样点增多，传统未考虑信息遭受恶意篡改的诊断方法其诊断精度将急剧下降，几乎无法实现故障诊断。而本发明的诊断精度虽然有所下降，但在5％比例以内，相比其他方法而言仍然具有良好诊断精度。

Claims (9)

1.信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，包括以下步骤：
S1、当目标电网故障发生时，采用结线分析法确定疑似故障元件；
S2、利用多层最优聚类数目FCM的故障警报信息恶意篡改修复方法，对受到恶意篡改的故障警报信息进行识别及修复；
S3、利用小波包分解算法对当前故障警报信息中的故障遥测量进行故障特征提取；
S4、基于提取到的故障遥测量特征，分别建立每个疑似故障元件的基于生长推理脉冲神经膜系统的故障诊断模型，并利用神经元推理算法对其进行求解，获得对应的故障诊断结果。
2.根据权利要求1所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S1具体为：
S11、当目标电网发生故障，且存在继电器保护装置动作时，设置初始迭代次数i＝1，并将目标电网中的所有元件加入元件集合Ci；
S12、从元件集合Ci中随机选取一个元件加入元件子集合Si；
S13、判断最新加入到元件子集合Si中的元件是否存在与其相连的闭合断路器；
若是，则进入步骤S14；
若否，则进入步骤S15；
S14、将元件集合Ci中与闭合断路器相连的所有元件均加入元件子集合Si中，返回步骤S13；
S15、使迭代次数i增加1；
S16、从元件集合Ci-1中移除元件子集合Si-1中的所有元件，得到新的元件集合Ci；
S17、判断当前元件集合Ci是否为空；
若是，则进入步骤S18；
若否，则进入步骤S12；
S18、将元件子集合S1,S2,...,Si,...,Sn中的所有无源网络作为疑似故障区域，并将疑似故障区域中的所有元件作为疑似故障元件；
其中，n为元件子集合的总个数。
3.根据权利要求1所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S2具体为：
S21、对每个疑似故障元件，分别构建其对应的遥测量信息矩阵X；
Figure FDA0002968166360000021
式中，
Figure FDA0002968166360000022
为故障遥测量无恶意篡改且无故障情况下，某元件的第k条历史遥测量信息向量，k为对应的历史遥测量信息向量的序数，对应取值为k＝1,2,3,...,n1；
Figure FDA0002968166360000023
为故障遥测量无恶意篡改但有故障情况下，某元件的第k'条历史遥测量信息向量，k'为对应的历史遥测量信息向量的序数，对应取值为k'＝1+n1,2+n1,...,n2+n1；
Figure FDA0002968166360000024
为实时故障遥测量信息向量；
xkj,xk'j分别为第k条和第k'条历史遥测量的第j个采样点的遥测量幅值，j＝1,2,3,...,m，下标m为某信息的故障遥测数据采样点总数，n1为某疑似故障元件无故障历史遥测量信息的条数，n2为某疑似故障元件有故障历史遥测量信息的条数，上标T为转置运算符；
S22、将D1 FCM＝X作为第一聚类的输入矩阵，设定聚类数目的初始值为11，并基于聚类数目的目标函数，执行FCM算法确定最优聚类数目Nop0；
其中，聚类数目Nop0的目标函数J为：
J＝minnr
s.t 1<Nop0≤n-1
1<nr≤n-1
式中，nr为FCM划分矩阵U中实时故障数据所在的类别中历史样本的个数，n为故障类型总数；
S23、将
Figure FDA0002968166360000025
作为第一层FCM的输入矩阵，设置对应聚类数目Nop1＝Nop0，执行FCM算法获得Nop1个分类结果；
S24、在Nop1个分类结果，保留与实时故障遥测量在同一类别的分类结果，并在
Figure FDA0002968166360000031
中删除其他历史故障遥测量，获得
Figure FDA0002968166360000032
S25、在
Figure FDA0002968166360000033
中选取与实时故障遥测量类别中隶属度最接近的一组作为离群点对照组；
S26、基于选取的离群点对照组，通过Z-Score法识别离群点，并判断
Figure FDA0002968166360000034
是否成立；
若是，进入步骤S27；
若否，进而步骤S28；
式中，xi为实时故障遥测量标准化值与离群点对照组标准化值在各采样时间处的最大差值，μ为所有xi的平均值，θ为所有xi的标准偏差，Zthr为设置的离群点识别阈值；
S27、判定存在离群点，故障警报信息受到恶意篡改，需对其进行修复，进入步骤S29；
S28、判定不存在离群点，故障警报信息未遭到恶意篡改，无需进行修复，进入步骤S3；
S29、将
Figure FDA0002968166360000035
作为第二层FCM的输入矩阵，设定对应聚类数目Nop2＝2，并执行FCM算法，获得疑似故障元件的故障遥测量对应的实时故障数据和历史故障数据；
当故障遥测量被恶意篡改时，进入步骤S210；
当故障遥测量未被恶意篡改时，进入步骤S211；
S210、将
Figure FDA0002968166360000036
中被恶意篡改的实时故障数据分离出来，获取各被恶意篡改数据对应的采样时间点，提取历史故障数据中各对应采样时间点的聚类中心，用提取出的聚类中心替换对应实时故障数据中的恶意篡的数据，获得修复后的故障警报信息，进入步骤S3；
S211、将实时故障数据和历史故障数据聚为一类，获得对应的故障警报信息，进入步骤S3。
4.根据权利要求3所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S3具体为：
S31、分别提取当前故障警报信息中的故障遥测量中的正序、负序和零序，通过小波包分解算法提取其对应的小波能量熵，作为故障特征；
S32、将提取出的故障特征按正序、负序和零序的顺序组合起来，作为故障遥测量的故障特征。
5.根据权利要求4所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S4中的生长推理脉冲神经膜系统∏为：
∏＝(O,σ,ξ,syn,η,in,out)
式中，O＝{a}为神经脉冲集合，a为一个神经脉冲；
σ＝{σ1,...,σP}为生长推理脉冲神经膜系统∏中P个条件神经元的集合，σp＝(θp,Rp,Sp)为第p个条件神经元，1≤p≤P；
ξ＝{ξ1,...,ξQ}为生长推理脉冲神经膜系统∏中Q个决策神经元的集合，ξq＝(δq,fq)为第q个决策神经元，1≤q≤Q；
Figure FDA0002968166360000041
为条件神经元突触集合，
Figure FDA0002968166360000042
为第p个条件神经元对应的有序对数，
Figure FDA0002968166360000043
分别为第p个条件神经元的左突触和右突触；
η为神经元生长环境M的状态，η＝0时，生长推理脉冲神经膜系统中神经元生长环境M稳定，η＝1时，生长推理脉冲神经膜系统中神经元生长环境M不稳定；
in,out分别为生长脉冲推理神经膜系统稳定时的输入和输出神经元集合；
其中，θp为第p个条件神经元的脉冲值，其取值为[-1,1]，表示目标电网历史情况下故障遥测量的小波基特征值，δq为第q个决策神经元的脉冲值，其取值为[1,11]，对应目标电网的故障状态依次为无故障、A-G故障、B-G故障、C-G故障、AB故障、AC故障、BC故障、AB-G故障、BC-G故障、AC-G故障和ABC故障；当生长推理脉冲神经膜系统∏中神经元生长环境M稳定，即η＝0时，条件神经元σp的脉冲值由外部环境获取，决策神经元ξq的脉冲值由上一级条件神经元点火获得，当生长推理脉冲神经膜系统∏中神经元生长环境M不稳定，即η＝1时，决策神经元ξq在神经元生长环境M中通过生长规则而生成；Rp为条件神经元σp对应的规则集，其表现形式为{rp,gp,fp}；Sp为条件神经元σp对应的突触阈值集合，其表现形式为
Figure FDA0002968166360000051
Figure FDA0002968166360000052
分别为条件神经元σp的左突触与右突触的激活阈值；fq为决策神经元ξq的遗忘规则，其表现形式为，
Figure FDA0002968166360000053
E＝{η＝1}为决策神经元上的正则表达式，syn为一个神经元生长环境M中条件神经元的突触；
在条件神经元σp对应的规则集Rp中，rp为条件神经元σp的点火规则，gp为条件神经元σp的生长规则，fp为条件神经元σp的遗忘规则；其中，当η＝0时，条件神经元σp执行点火规则，以传递脉冲，当η＝1时，条件神经元σp执行生长规则gp，以完成神经元连接，其中，点火规则rp的形式为
Figure FDA0002968166360000054
为条件神经元σp上的正则表达式，其含义为神经元生长环境M稳定、脉冲值存在且连接突触时处于激活状态，aθ为脉冲值为θ的条件神经元，aδ为脉冲值为δ的决策神经元，σ和ξ分别为一个神经元生长环境M中的条件神经元和决策神经元，θp为第p个条件神经元的脉冲值，τ为突触状态，τ＝1则突触处于激活状态可以点火，τ＝0则突触处于抑制状态，不点火；生长规则gp的形式为
Figure FDA0002968166360000055
E＝{η＝1}为条件神经元σp的正则表达式，Pcg为神经元选择生长条件，sl,sr分别为条件神经元σ的左突触与右突触的激活阈值；条件神经元σp的遗忘规则fp的形式为
Figure FDA0002968166360000056
E＝{η＝1}为条件神经元σ上的正则表达式，syn为一个神经元生长环境M中条件神经元的突触。
6.根据权利要求5所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S4具体为：
S41、判断神经元生长环境是否稳定；
若否，则进入步骤S42；
若是，则进入步骤S43；
S42、以历史故障数据中的故障遥测量作为神经元生长环境信息记录，利用神经元生长算法建立基于生长推理脉冲神经膜系统的故障诊断模型，进入步骤S43；
S43、将提取的故障遥测量的故障特征作为基于生长推理脉冲神经膜系统的故障诊断模型的输入神经元脉冲值，执行神经元推理算法对其进行求解，获得故障诊断模型推理模块的输出神经元脉冲值，得到对应疑似故障元件的诊断结果。
7.根据权利要求6所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S42中的神经元生长算法包括以下步骤：
A1、设神经元生长层数l的初始值0；
A2、计算当前神经元生长环境M的信息熵H(M)；
Figure FDA0002968166360000061
式中，pk为在决策神经元ξ中取值为k时，在信息记录为T的神经元生长环境M中所占的比例，下标k为决策神经元ξ不同取值对应的序数，k＝1,2,...,K，K为决策神经元ξ不同取值的总个数；
A3、对神经元生长环境中第p个条件神经元的vt个脉冲值取值
Figure FDA0002968166360000062
进行排序后，计算该条件神经元的候选生长脉冲值集合
Figure FDA0002968166360000063
Figure FDA0002968166360000064
A4、对于候选生长脉冲值集合中
Figure FDA0002968166360000065
的每个候选脉冲值，以候选脉冲值t为划分依据将决策神经元ξ的所有脉冲值划分为
Figure FDA0002968166360000066
和
Figure FDA0002968166360000067
两个集合，并计算不同候选脉冲值t下该条件神经元σp选择生长获得的信息增益率GR(M,σp)；
其中，信息增益率GR(M,σp)为：
Figure FDA0002968166360000068
式中，GR(M,σp)为该条件神经元由决策神经元进行生长时获得的信息增益，|M|为神经元生长环境M中决策神经元ξ不同脉冲值取值的个数，
Figure FDA0002968166360000076
为
Figure FDA0002968166360000071
中的候选脉冲值的个数，λ为正负符合集合；
A5、选取信息增益率GR(M,σp)的最大值及对应的候选脉冲值t分别作为该神经元生长的候选生长增益与候选突触激活阈值；
A6、基于候选突触激活阈值，选取d个候选生长增益最大的条件神经元进行二次分裂生长，在二次分类过程中，将该条件神经元发生生长后左突触的点火条件设为θ<t，则满足左突触点火条件的突触后信息记录集合为
Figure FDA0002968166360000072
右突触的点火条件设为θ≥t，则满足右突触点火条件的突触后信息记录集合为
Figure FDA0002968166360000073
A7、令神经元生长层数l增加1；
A8、对于集合
Figure FDA0002968166360000074
和集合
Figure FDA0002968166360000075
中，判断其中的决策神经元的脉冲值是否相同；
若是，则进入步骤A9；
若否，则进入步骤A10；
A9、判定其对应的突触不再生长神经元，且将其作为脉冲值为δ的决策神经元，进入步骤A11；
A10、使其对应的突触继续生长条件神经元，获得对应的信息记录集合Dt，令神经元生长环境M＝Dt，并返回步骤A2；
A11、令神经元生长层数l增加1，结束生长，获得神经元生长结构，进入步骤A12；
A12、对于完成生长的神经元结构中未进行神经剪枝的神经元，从l-1层，开始逐一检测各神经元是否满足神经剪枝条件；
若是，则进入步骤A13；
若否，则进入步骤A14；
A13、用精度不发生改变的新神经元替代该神经元及其后续分支突触上的神经元，进入步骤A14；
A14、获得构建完成的生长推理脉冲神经膜系统∏，结束神经元生长算法。
8.根据权利要求7所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S43中的神经元推理算法包括以下步骤：
B1、设置初始推理步数g＝0；
B2、根据下式计算条件神经元点火向量Fl和Fr：
Fl＝Cg+1·ε
Figure FDA0002968166360000081
B3、当满足条件神经元点火条件时，进行条件神经元点火并根据下式更新θg+1：
Figure FDA0002968166360000082
B4、当满足决策神经元点火条件时，进行决策神经元点火并根据下式更新δg+1：
Figure FDA0002968166360000083
B5、令推理步数g增加1；
B6、判断是否满足算法继续运行条件g<l，若是，则返回步骤B2，若否，结束神经元推理算法，获得输出神经元脉冲值；
所述神经元推理算法中涉及的向量、矩阵和运算算子解释如下：
C＝(cip)l×P是一个l×P阶条件神经元脉冲值输入矩阵，表示神经元生长结构各层中条件神经元的脉冲值分布情况，若第i层中生长了第p个条件神经元，则其脉冲值为θ，则cip＝θ；否则cip＝0；
θ＝(θ1,...,θP)T表示条件神经元输出脉冲值向量，其中θp为第p个条件神经元的脉冲值，取值为[-1,1]上的实数，其中，1≤p≤P；
δ＝(δ1,...,δQ)T表示决策神经元输出脉冲值向量，其中δq为第q个决策神经元的脉冲值，取值为[1,11]上的实数，其中，1≤q≤Q；
ε＝(ε1,...,εl)T表示条件神经元的点火阈值向量，其中εi为第i个输入神经元的点火阈值，其中，1≤i≤l；
E1＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向左突触连接关系，若条件神经元σi到σj存在有向左突触连接，则eij＝1；否则eij＝0；
E2＝(eij)P×P是一个P×P阶矩阵，表示条件神经元之间的有向右突触连接关系，若条件神经元σi到σj存在有向右突触连接，则eij＝1；否则eij＝0；
E3＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向左突触连接关系，若条件神经元σi到决策神经元ξj存在有向左突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
E4＝(eij)P×Q是一个P×Q阶矩阵，表示条件神经元到决策神经元的有向右突触连接关系，若条件神经元σi到决策神经元ξj存在有向右突触连接且该决策神经元的生长脉冲值为β，则eij＝β；否则eij＝0；
Cg+1·ε＝(a1,...,ap)T，其中
Figure FDA0002968166360000091
Figure FDA0002968166360000092
其中
Figure FDA0002968166360000093
Figure FDA0002968166360000094
其中Ei为E的第i行向量，||·||为取2-范数运算符。
9.根据权利要求8所述的信息恶意篡改下可修复遥测量的智能电网故障诊断方法，其特征在于，所述步骤S4中，当通过故障诊断模型获得故障诊断结果后，还通过目标网络的现场诊断结果对故障诊断结果进行复检，复检方法具体为：
判故障诊断模型获得的诊断结果与现场诊断结果是否一致且当前历史故障警报信息库是否存在该条诊断结果数据；
若是，则不做反馈，结束复检；
若否，将故障诊断模型获得的诊断结果及其对应的故障遥测量的故障特征反馈到历史故障警报信息库中，并执行神经元生长算法，自适应更新故障诊断模型，用于下一次故障诊断。
CN202110255502.9A 2021-03-09 2021-03-09 信息恶意篡改下可修复遥测量的智能电网故障诊断方法 Active CN113159113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110255502.9A CN113159113B (zh) 2021-03-09 2021-03-09 信息恶意篡改下可修复遥测量的智能电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110255502.9A CN113159113B (zh) 2021-03-09 2021-03-09 信息恶意篡改下可修复遥测量的智能电网故障诊断方法

Publications (2)

Publication Number Publication Date
CN113159113A true CN113159113A (zh) 2021-07-23
CN113159113B CN113159113B (zh) 2022-07-01

Family

ID=76886513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110255502.9A Active CN113159113B (zh) 2021-03-09 2021-03-09 信息恶意篡改下可修复遥测量的智能电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN113159113B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115291047A (zh) * 2022-10-08 2022-11-04 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
CN115639327A (zh) * 2022-12-21 2023-01-24 南方电网数字电网研究院有限公司 基于油浸式套管气体检测的套管故障检测方法和装置

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980037617A (ko) * 1996-11-22 1998-08-05 양승택 재수행 단계에서 종료한 트랜잭션 처리 기법을 이용한 댕글링 트랜잭션 발생 방지 방법
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
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
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
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
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
CN109445411A (zh) * 2018-10-24 2019-03-08 西华大学 一种变电站故障诊断方法
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 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
CN110471024A (zh) * 2019-08-08 2019-11-19 天津大学 一种基于量测数据分析的智能电表在线远程校验方法
CN110610121A (zh) * 2019-06-20 2019-12-24 国网重庆市电力公司 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法
CN110909912A (zh) * 2019-10-08 2020-03-24 西安交通大学 基于自适应误差反馈的园区电力系统净负荷组合预测方法
CN111143958A (zh) * 2020-02-29 2020-05-12 华南理工大学 配电自动化条件下配电网信息物理系统可靠性分析方法
CN111413565A (zh) * 2020-04-16 2020-07-14 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
CN111543029A (zh) * 2018-02-01 2020-08-14 英特尔公司 网络功能虚拟化的分布式自主权身份
CN111562111A (zh) * 2020-06-05 2020-08-21 上海交通大学 发动机冷态测试故障诊断方法
US20200350986A1 (en) * 2019-05-01 2020-11-05 Ultra Communications, Inc. Automated System for Link Health Assessment in Fiber Optic Networks
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN112345858A (zh) * 2020-11-03 2021-02-09 西华大学 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
CN112378447A (zh) * 2020-11-13 2021-02-19 盘昱兵 一种配电自动化终端的测试方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980037617A (ko) * 1996-11-22 1998-08-05 양승택 재수행 단계에서 종료한 트랜잭션 처리 기법을 이용한 댕글링 트랜잭션 발생 방지 방법
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
CN106055918A (zh) * 2016-07-26 2016-10-26 天津大学 一种电力系统负荷数据辨识及修复方法
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
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
CN111543029A (zh) * 2018-02-01 2020-08-14 英特尔公司 网络功能虚拟化的分布式自主权身份
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜系统的小电流单相接地故障选线方法
CN109445411A (zh) * 2018-10-24 2019-03-08 西华大学 一种变电站故障诊断方法
CN109633372A (zh) * 2018-12-19 2019-04-16 西南交通大学 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
US20200350986A1 (en) * 2019-05-01 2020-11-05 Ultra Communications, Inc. Automated System for Link Health Assessment in Fiber Optic Networks
US20200387785A1 (en) * 2019-06-05 2020-12-10 Wuhan University Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN110610121A (zh) * 2019-06-20 2019-12-24 国网重庆市电力公司 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法
CN110471024A (zh) * 2019-08-08 2019-11-19 天津大学 一种基于量测数据分析的智能电表在线远程校验方法
CN110909912A (zh) * 2019-10-08 2020-03-24 西安交通大学 基于自适应误差反馈的园区电力系统净负荷组合预测方法
CN111143958A (zh) * 2020-02-29 2020-05-12 华南理工大学 配电自动化条件下配电网信息物理系统可靠性分析方法
CN111413565A (zh) * 2020-04-16 2020-07-14 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
CN111562111A (zh) * 2020-06-05 2020-08-21 上海交通大学 发动机冷态测试故障诊断方法
CN112345858A (zh) * 2020-11-03 2021-02-09 西华大学 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
CN112378447A (zh) * 2020-11-13 2021-02-19 盘昱兵 一种配电自动化终端的测试方法

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
AHANA GANGOPADHYAY 等: ""A Spiking Neuron and Population Model Based on the Growth Transform Dynamical System ORIGINAL RESEARCH article"", 《 NEUROSCI》, 12 May 2020 (2020-05-12), pages 1 - 5 *
HWANG, S等: ""Impact of the Sub-Resting Membrane Potential on Accurate Inference in Spiking Neural Networks"", 《SCI REP 》, 26 February 2020 (2020-02-26), pages 1 - 10 *
LIU W等: ""A Fault Diagnosis Method for Power Transmission Networks Based on Spiking Neural P Systems with Self-Updating Rules considering Biological Apoptosis Mechanism"", 《COMPLEXITY》, 21 January 2020 (2020-01-21), pages 1 - 19 *
YU W P等: "" Fault Diagnosis of Power Systems Using Fuzzy Reasoning Spiking Neural P Systems with Interval-Valued Fuzzy Numbers"", 《INFORMATION SCIENCE AND TECHNOLOGY》, vol. 1, no. 20, 27 February 2017 (2017-02-27), pages 5 - 17 *
侯连全: ""数字化变电站继电保护以及远方操作的信息安全及防护研究"", 《中国硕士学位论文全文数据库 信息科技辑》, no. 2018, 15 February 2018 (2018-02-15), pages 138 - 218 *
刘伟 等: ""基于决策树与脉冲神经膜系统的输电网故障诊断方法"", 《西华大学学报(自然科学版) 》, vol. 39, no. 02, 10 March 2020 (2020-03-10), pages 33 - 38 *
宋双: ""基于RETE规则推理的告警关联分析子系统的设计与实现"", 《中国硕士学位论文全文数据库 信息科技辑》, no. 2019, 15 August 2019 (2019-08-15), pages 138 - 489 *
赵丽莉 等: ""基于非线性状态估计的虚假数据注入攻击代价分析"", 《电力系统保护与控制》, vol. 47, no. 19, 1 October 2019 (2019-10-01), pages 38 - 45 *
黄雨雷: ""基于脉冲神经膜系统的配电网可靠性评估研究"", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2021, 15 January 2021 (2021-01-15), pages 042 - 1966 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115291047A (zh) * 2022-10-08 2022-11-04 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
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
CN115639327A (zh) * 2022-12-21 2023-01-24 南方电网数字电网研究院有限公司 基于油浸式套管气体检测的套管故障检测方法和装置

Also Published As

Publication number Publication date
CN113159113B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
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
CN106168799B (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN109141847B (zh) 一种基于mscnn深度学习的飞机系统故障诊断方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN111353153A (zh) 一种基于gep-cnn的电网恶意数据注入检测方法
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
CN111988329B (zh) 一种基于深度学习的网络入侵检测方法
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
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN111488946A (zh) 基于信息融合的雷达伺服系统故障诊断方法
Donate et al. Time series forecasting. A comparative study between an evolving artificial neural networks system and statistical methods
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
CN112232370A (zh) 发动机的故障分析预测方法
Amin-Naseri et al. Neural network approach to lumpy demand forecasting for spare parts in process industries
Jiang et al. RBF-based real-time hierarchical intrusion detection systems
CN104537383A (zh) 一种基于粒子群的海量组织机构数据分类方法及系统
CN113887807B (zh) 基于机器学习和证据理论的机器人博弈战术预测方法
CN116346475A (zh) 一种隐匿高危行为操作异常评分方法和系统
CN113609480B (zh) 基于大规模网络流的多路学习入侵检测方法
CN109547248A (zh) 基于人工智能的在轨飞行器自组网故障诊断方法及装置
CN113158537B (zh) 基于lstm结合注意力机制的航空发动机气路故障诊断方法
Bento et al. An Overview Of The Latest Machine Learning Trends In Short-Term Load Forecasting
Khidirova et al. Neuro-fuzzy algorithm for clustering multidimensional objects in conditions of incomplete data
Wang Fault diagnosis for power systems based on neural networks
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