CN113448319A - 基于快速自适应优化脉冲神经膜系统的故障诊断方法 - Google Patents
基于快速自适应优化脉冲神经膜系统的故障诊断方法 Download PDFInfo
- Publication number
- CN113448319A CN113448319A CN202110820593.6A CN202110820593A CN113448319A CN 113448319 A CN113448319 A CN 113448319A CN 202110820593 A CN202110820593 A CN 202110820593A CN 113448319 A CN113448319 A CN 113448319A
- Authority
- CN
- China
- Prior art keywords
- gen
- value
- probability
- bestfit
- adaptive optimization
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于快速自适应优化脉冲神经膜系统的故障诊断方法,包括步骤:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;根据从监控与数据采集系统中获取的信息识别出停电区域并确定停电区域内的可疑故障元件;根据元件故障与保护动作和断路器跳闸之间的逻辑关系,将电力系统的故障诊断问题表示为0‑1整数规划问题,即求取所建立目标函数的最值问题;构建快速自适应优化脉冲神经膜系统;利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件。本发明对自适应优化脉冲神经膜系统中的学习率进行了改进,收敛性和多样性更好。
Description
技术领域
本发明涉及电网调度与故障分析技术领域,特别是一种基于快速自适应优化脉冲神经膜系统的故障诊断方法。
背景技术
随着社会经济和科技的发展,电力系统进入了以高电压、大机组、跨区域、交直流混合的大电网时代,这就使得电网对于供电可靠性和供电持续性有更加严苛的要求。目前电力系统已经采取了各种手段和措施来保证电力系统的稳定可靠运行,但是近年来各种停电事故依然层出不穷,这些停电事故造成了严重的社会影响和巨大的经济损失。基于优化方法的电力系统故障诊断也慢慢成为主要的电力系统故障诊断方法,其优势在于优化技术的电力系统故障诊断方法将电力系统故障诊断问题转化为0—1整数规划问题,具有严密的数学逻辑和较强的容错能力,并且已经在实际电网当中有所应用。快速优化脉冲神经膜系统相比于其他优化算法理论上有更快的诊断速度,对于实现电力系统故障元件快速诊断具有重要意义。快速优化脉冲神经膜系统在优化脉冲神经膜系统的基础上重新设计了学习率,使得学习速度大大提升。面对调度中心涌入的各种警报信息不仅数量多而且种类也越来越复杂的情况,准确地确定出具体的故障元件是本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一种基于快速自适应优化脉冲神经膜系统的故障诊断方法,能够在复杂故障情况下,准确地确定出具体的故障元件。
实现本发明目的的技术方案如下:
基于快速自适应优化脉冲神经膜系统的故障诊断方法,包括步骤:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据可疑故障元件与保护装置的动作信息和断路器的跳闸信息之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即目标函数;
S13:构建快速自适应优化脉冲神经膜系统;
S14:利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;
所述构建快速自适应优化脉冲神经膜系统,包括步骤:
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0;其中,1≤j≤m,m为规则概率矩阵PR的列数,矩阵中的每一行概率值来自同一个ESNPS,用于表示优化问题的一个染色体或者一个个体;
S132:开始执行gen=gen+1;
S133:行指示器i赋初始值为1。
S134:如果行指示器i大于其最大值H,则转至S1325;其中,H为规则概率矩阵PR的行数;
S135:列指示器j赋初始值为1。
S136:如果列指示器j大于其最大值m,则转至S1312;
S138:在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1;否则,当前个体i向k2学习,即bj=bk2;其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码;
S1311:列指示器j增加1,转至S136继续;
S1312:行指示器i增加1,转至S134继续;
S1313:计算当前代全局最优值Gbestfit(gen),当代样本多样性DPaverage(gen)以及当代最好个体所对应的列标Rbestfit;
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使其中,Pcm1和Gbestfit(gen-1)分别代表局部最优触发条件和前一代全局最优值;Nnimax gen>1且Nnimax gen∈N,即取大于1的自然数;
S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2,则继续,否则转至S1325;
S1317:令行指示器i=1;
S1318:判断i是否大于H,如果是则继续,如果不是转至S1325;
S1319:如果i≠Rbestfit,则继续,否则转至S1424;
S1320:令列指示器j=1;
S1321:如果j小于m,则继续,否则转至S1423;
S1323:列指示器j增加1,转至S1321继续;
S1324:行指示器i增加1,转至S1318继续;
S1325:如果gen≤genmax则转至S132,否则转至S14;其中,germax为最大迭代次数。
本发明对自适应优化脉冲神经膜系统中的学习率进行了改进,利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件,收敛性和多样性更好。
附图说明
图1为本发明的流程图。
图2a为扩展脉冲神经膜系统示意图。
图2b为优化脉冲神经膜系统示意图。
图3为14节点电力网络拓扑结构示意图。
图4为14节点电力网络系统B13母线,L1314线路故障诊断界面图。
具体实施方式
本发明提供了一种基于快速自适应优化脉冲神经膜系统的故障诊断方法,包括步骤:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;根据从监控与数据采集系统中获取的信息识别出停电区域并确定停电区域内的可疑故障元件;根据元件故障与保护动作和断路器跳闸之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即求取所建立目标函数的最值问题;对自适应优化脉冲神经膜系统中的学习率进行改进,使得该算法的收敛性和多样性更好;利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;建立人机交互式界面窗口,可以根据不同的故障情况实时显示故障元件以及保护和断路器的误动、拒动情况。因此,本发明的方法能够通过求解根据保护动作和断路器跳闸之间的逻辑关系建立起来的目标函数,快速且准确的得到故障元件。
下面结合附图,对本发明的具体实施方式进一步说明。
一种基于快速自适应优化脉冲神经膜系统的故障诊断方法,包括:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据从监控与数据采集系统中获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据元件故障与保护动作和断路器跳闸之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即求取所建立目标函数的最值问题;
S13:构建快速自适应优化脉冲神经膜系统中,改进学习率,使得收敛性和多样性更好;
S14:利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;
S15:建立人机交互式界面窗口,根据不同的故障情况实时显示故障区域、故障元件以及保护和断路器的误动、拒动情况。
现有技术中,构建自适应优化脉冲神经膜系统的步骤为:
(2)给出行指示器i赋初始值为1。
(3)如果行指示器i大于其最大值H,则算法输出结果,并结束。
(4)给出列指示器j赋初始值为1。
(5)如果列指示器j大于其最大值m,则算法转至第(10)步。
(7)在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2,其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码。
(10)如果当前规则概率值Pij(gen)>1,则值为Pij(gen)=Pij(gen)-Δ,如果当前规则概率Pij(gen)<1,则值为Pij(gen)=Pij(gen)+Δ。
(11)列指示器j增加1,算法转至继续第(5)步继续执行。
(12)行指示器i增加1,算法转至继续第(3)步继续执行。
这种模型中,学习方式学习效率很低。因此,本发明将迭代概率计算公式变为:
进行学习率改进后,步骤S13具体包括:
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0。其中,矩阵中的每一行概率值来自同一个ESNPS(如图2a),用于表示优化问题的一个染色体或者一个个体。
S132:算法开始执行gen=gen+1。
S133:给出行指示器i赋初始值为1。
S134:如果行指示器i大于其最大值H,则算法转至第(S1325)步。
S135:给出行指示器j赋初始值为1。
S136:如果行指示器j大于其最大值m,则算法转至第(S1312)步。
S138:在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1,否则,当前个体i向k2学习,即bj=bk2,其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码。
S1311:列指示器j增加1,算法转至继续第(S136)步继续执行。
S1312:行指示器i增加1,算法转至继续第(S134)步继续执行。
S1313:计算当前代全局最优值Gbestfit(gen),当前代样本多样性DPaverage(gen)以及当代最好个体所对应的列标Rbestfit。
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使其中,Pcm1和Gbestfit(gen-1)分别代表局部最优触发条件和前一代全局最优值;Nnimax gen>1且Nnimax gen∈N,即取大于1的自然数。
S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2,则执行S1317,否则转至S1325。
S1317:令行指示器i=1。
S1318:判断i是否大于H,如果是算法执行S1319,如果不是算法执行S1325。
S1319:如果i≠Rbestfit,则算法执行S1320,否则算法执行S1324。
S1320:令列指示器j=1。
S1321:如果j小于m,则算法执行S1322,否则算法执行S1323。
S1323:列指示器j增加1,算法转至第(S1321)步继续执行。
S1324:行指示器i增加1,算法转至第(S1318)步继续执行。
S1325:如果gen≤genmax则转至第(S132)步,否则算法转至第(S14)步继续执行;其中,genmax为最大迭代次数。
步骤S15具体包括:建立的人机交互式界面主要包括三类信息,第一类为电网拓扑结构图,主要显示电网结构中的主要元件、保护装置和断路器等;第二类为来自于SCADA系统和EMS系统的保护和断路器动作情况;第三类为诊断后的故障结果,包括故障元件、保护装置和断路器的拒动和误动情况。
图2a为本发明实施例提供的一种扩展脉冲神经膜系统(ESNPS)。其中,ESNPS能够产生一串长度为m的二进制码,用于表示优化问题当中的一个个体或一个染色体。
由图2a可知,ESNPS由m+2个神经元组成的子系统,在此子系统中,神经元σm+1与σm+2完全一样,每执行一步神经元σm+1与σm+2都执行一次点火规则并且相互给对方供给脉冲。同时,神经元σm+2向神经元σ1...σm中每个神经元送去一个脉冲,神经元σ1...σm中每个神经元σi(i=1,2,...,m)以概率执行点火规则以概率执行点火规则如果神经元σi执行点火规则并发射出脉冲,就输出“1”;否则,神经元σi执行遗忘规则,就输出“0”。因此在ESNPS执行过程中调节概率矩阵就能控制系统输出的二进制脉冲串。
图2b为本发明实施例提供的一种优化脉冲神经膜系统(AOSNPS)。其中,AOSNPS在ESNPS的基础上引入自适应调节进化规则概率的导向器,用于调节每一个ESNPS中每个神经元内的规则概率。导向器的输入是一个含有H行m列二进制码的脉冲串Ts,输出为由H个ESNPS的神经元规则概率构成的概率矩阵
图3为本发明实施例提供的一种14节点的配电系统的局部继电保护示意图。其中,该系统中共有33个系统元件,依次用s1,...,s33表示,分别为B01,...,B08和L0102,...,L1314;共有42个断路器,依次用c1,...,c42表示,分别为CB0102,...,CB1314;共有84个保护,其中52个主保护,分别用r1,...,r52表示,分别为B01m,...,B08m,L0102Sm,...,L1314Sm和L0102Rm,...,L1314Rm,76个后备保护,依次用r53,...,r128表示,分别为L0102Sp,...,L1314Sp,L0102Ss,...,L1314Ss,L0i02Rp,...,L1314Rp和L0102Rs,...,L1314Rs。其中,B和L分别表示单母线、双母线、变压器和线路,S和R分别表示线路的送端和受端,m、p和s分别表示主保护、近后备保护和远后备保护。
其中母线、变压器和线路的各类保护动作原理如下:
母线的主保护动作时跳开与其直接相连的所有断路器,例如当母线B01故障时,B01m动作跳开CB0102、CB0105、和CB05G1。
线路包括送端和受端,并且送端和受端都设有主保护、近后备保护和远后备保护。当线路故障时,主保护动作。例如,当线路L0102故障时,L0102Sm动作跳开CB0102,L0102Rm动作跳开CB0201。当线路故障而主保护未动作时,近后备保护动作。例如,当L0102故障且L0102Sm和L0102Rm未动作时,L0102Sp和L0102Rp动作分别跳开CB0102和CB0201。当相邻区域故障而该区域的保护未动作时,远后备保护动作。
图4为本发明实施例提供的一种14节点的电力网络的B13母线和L1314线路故障保护动作示意图。其中,读取来自SCADA的保护动作信息和断路器跳闸信息。例如,保护继电器B13m、L1314Ss、L1314Rs动作,断路器CB1312、CB1306、CB1311、CB1413、和CB0613。其具体的过程描述如下:
(1)采用网络结线分析法搜寻该算例系统的停电区域,在该停电区域当中判定的可疑故障元件为B13、L0613和L1314,其实际状态向量为S=[s1,s2,s3]。
(2)通过已经获取的SCADA数据,建立断路器的实际状态向量C=[c1,c2,c3,c4,c5]=[1,1,1,1,1]和保护继电器的实际状态向量R=[r1,r2,r3,r4,r5,r6,r7,r8,r9,r10,r11,r12,r13,r14]=[1,0,0,0,0,0,0,0,0,0,0,0,1,1,]。其中,C=[c1,c2,c3,c4,c5]依次表示CB0316、CB1311、CB1306、CB1312、和CB1413,r1~r14依次表示B13m、B2m、L0613Sm、L0613Rm、L0613Sp、L0613Rp、L0613Ss、L0613Rs、L1314Sm、L1314Rm、L1314Sp、L1314Rp、L1314Ss和L1314Rs。
(3)依据各级保护之间以及相关联的断路器之间的连接关系求取各级保护及断路器的期望值。根据期望值和各保护以及断路器的实际值计算待诊断停电区域子网络的适应度函数: 其中,Nr为保护继电器总数目;Nc为断路器总数目;S为一个n维向量,用Si表示系统元件状态。其中Si=1或0分别代表系统中第i个元件为故障状态或者正常工作状态;R为一个Nr维向量,用Rk表示保护的实际状态。其中Rk=1或0分别代表系统中第k个保护动作或者拒动;Re为一个Nr维向量,用Rek表示第k个保护的期望状态。其中Rek(S)=1或0分别代表系统中的第k个保护应该动作或者不应该动作,根据元件S的状态决定应该或者不应该动作(当元件发生故障时,其对应的主保护应该动作跳开断路器,但当元件正常运行时,其对应的主保护不应该发生动作。根据这个原理,当元件故障,主保护继电器应该动作时,其期望状态值为1;否则当元件正常工作时,主保护继电器不应该动作,其期望状态值为0。当某一个元件故障时,若其主保护在保护时段内已经发生动作,则其近后备保护不应该动作。但是当主保护继电器没有发生拒动时,应该由其近后备保护继电器发生动作);C为一个Nc维向量,用Cj表示第j个断路器的实际状态。其中Cj=1或0分别表示第第j个断路器处于跳闸状态或闭合状态;Ce(S,R)为一个Nc维向量,用Cej(S,R)代表第j个断路器的期望状态值。如果第j个断路器应该跳闸,那么其期望值Cej(S,R)=1;否则Cej(S,R)=0。则此目标函数为:
(4)以s1,s2,s3的取值为快速自适应优化脉冲神经膜系统的输入,计算目标函数,算法执行后得到其元件的状态值为:S=[s1,s2,s3],并且S=[s1,s2,s3]=[1,0,1]。因此,母线B13和线路L1314为故障元件,L0613为非故障元件。
本发明所提供的方法具有如下优点:
(1)故障诊断的正确性高。其目标函数是依据电力系统中各元件的主保护,近后备保护以及元后备保护之间的逻辑关系建立起来的,因此能够更好地反应故障实际情况。
(2)该方法不同于其他以膜框架与启发式优化算法相结合的方法,该方法不需要其他启发式优化算法的辅助。
(3)相比于自适应优化脉冲神经膜系统故障诊断方法,快速自适应优化神经膜系统故障诊断方法在相同个体数量的情况下能够极大的减少迭代次数,更加快速地寻找到最优值。
Claims (1)
1.基于快速自适应优化脉冲神经膜系统的故障诊断方法,包括步骤:
S10:从电网的监控与数据采集系统中获取继电保护装置的动作信息以及断路器的跳闸信息;
S11:根据获取的信息识别出停电区域并确定停电区域内的可疑故障元件;
S12:根据可疑故障元件与保护装置的动作信息和断路器的跳闸信息之间的逻辑关系,将电力系统的故障诊断问题表示为0-1整数规划问题,即目标函数;
S13:构建快速自适应优化脉冲神经膜系统;
S14:利用快速自适应优化脉冲神经膜系统对目标函数进行求解,依据求解得到的结果确定故障元件;
其特征在于,所述构建快速自适应优化脉冲神经膜系统,包括步骤:
S131:输入学习概率值将脉冲串Ts重新排列成规则概率矩阵PR,输入变异概率和初始迭代次数gen=0;其中,1≤j≤m,m为规则概率矩阵PR的列数,矩阵中的每一行概率值来自同一个ESNPS,用于表示优化问题的一个染色体或者一个个体;
S132:开始执行gen=gen+1;
S133:行指示器i赋初始值为1。
S134:如果行指示器i大于其最大值H,则转至S1325;其中,H为规则概率矩阵PR的行数;
S135:列指示器j赋初始值为1。
S136:如果列指示器j大于其最大值m,则转至S1312;
S138:在H个染色体当中,选择不同于当前个体i的两个个体k1和k2,即k1≠k2≠i,如果个体k1和k2的适应度函数值f(Ck1)和f(Ck2)存在关系f(Ck1)>f(Ck2),则当前个体i向k1学习,即bj=bk1;否则,当前个体i向k2学习,即bj=bk2;其中,bj、bk1和bk2分别是中间变量、第k1个和第k2个个体的第j位二进制码;
S1311:列指示器j增加1,转至S136继续;
S1312:行指示器i增加1,转至S134继续;
S1313:计算当前代全局最优值Gbestfit(gen),当代样本多样性DPaverage(gen)以及当代最好个体所对应的列标Rbestfit;
S1314:如果Gbestfit(gen)>Gbestfit(gen-1),则使Pcm1=0;如果Gbestfit(gen)=Gbestfit(gen-1),则使其中,Pcm1和Gbestfit(gen-1)分别代表局部最优触发条件和前一代全局最优值;Nnimaxgen>1且Nnimaxgen∈N,即取大于1的自然数;
S1316:如果同时满足触发条件rand1(.)<Pcm1和rand2(.)>Pcm2则继续,否则转至S1325;
S1317:令行指示器i=1;
S1318:判断i是否大于H,如果是则继续,如果不是转至S1325;
S1319:如果i≠Rbestfit,则继续,否则转至S1424;
S1320:令列指示器j=1;
S1321:如果j小于m,则继续,否则转至S1423;
S1323:列指示器j增加1,转至S1321继续;
S1324:行指示器i增加1,转至S1318继续;
S1325:如果gen≤genmax则转至S132,否则转至S14;其中,genmax为最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820593.6A CN113448319A (zh) | 2021-07-20 | 2021-07-20 | 基于快速自适应优化脉冲神经膜系统的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110820593.6A CN113448319A (zh) | 2021-07-20 | 2021-07-20 | 基于快速自适应优化脉冲神经膜系统的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113448319A true CN113448319A (zh) | 2021-09-28 |
Family
ID=77816849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110820593.6A Pending CN113448319A (zh) | 2021-07-20 | 2021-07-20 | 基于快速自适应优化脉冲神经膜系统的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113448319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113891A (zh) * | 2021-11-20 | 2022-03-01 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN117172099A (zh) * | 2023-08-03 | 2023-12-05 | 西华大学 | 基于多目标脉冲神经膜系统优化算法的电网故障诊断方法 |
-
2021
- 2021-07-20 CN CN202110820593.6A patent/CN113448319A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113891A (zh) * | 2021-11-20 | 2022-03-01 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN114113891B (zh) * | 2021-11-20 | 2023-04-25 | 国网四川省电力公司电力科学研究院 | 基于分布式种群的脉冲神经膜系统的单相接地故障判定方法 |
CN117172099A (zh) * | 2023-08-03 | 2023-12-05 | 西华大学 | 基于多目标脉冲神经膜系统优化算法的电网故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Application of NSGA-II algorithm for fault diagnosis in power system | |
Appiah et al. | Long short-term memory networks based automatic feature extraction for photovoltaic array fault diagnosis | |
CN113448319A (zh) | 基于快速自适应优化脉冲神经膜系统的故障诊断方法 | |
CN109633372B (zh) | 一种基于膜系统的电力系统故障自动诊断方法 | |
WO2022134596A1 (zh) | 一种计及新能源影响的主动配电网脆弱节点辨识方法 | |
CN109490702B (zh) | 一种基于自适应优化脉冲神经膜系统的故障诊断方法 | |
Chen | Online fault diagnosis for power transmission networks using fuzzy digraph models | |
CN106856322B (zh) | 一种基于神经网络的柔性直流配电网智能保护系统 | |
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 fault diagnosis method of power systems based on an improved adaptive fuzzy spiking neural P systems and PSO algorithms | |
dos Santos Fonseca et al. | Simultaneous fault section estimation and protective device failure detection using percentage values of the protective devices alarms | |
CN109445411B (zh) | 一种变电站故障诊断方法 | |
Guo et al. | A novel radial basis function neural network principal component analysis scheme for PMU-based wide-area power system monitoring | |
Wang et al. | A hierarchical power grid fault diagnosis method using multi-source information | |
CN103197168A (zh) | 电力系统中基于事件集因果链实现故障诊断控制的方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
CN112345858A (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 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
CN112926752A (zh) | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN109886306B (zh) | 一种电网故障诊断数据清洗方法 | |
CN113204735B (zh) | 基于随机自调节脉冲神经p系统的电网故障诊断方法 | |
CN104659917A (zh) | 一种基于多约简和可信度的故障诊断方法 | |
Nina et al. | Hybrid support system for decision making based on MLP-ANN, IED and SCADA for disturbances analysis of electrical power distribution transformers |
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 |