CN117172099A - 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 - Google Patents

Abstract

本发明公开了一种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，该方法根据保护装置的动作期望，修正后的警报信息，以及线路灾害风险值，建立多目标解析模型。该模型既利用各个目标函数之间的矛盾性进行寻优，又利用非支配关系让Pareto解集同时在多个目标上尽量达到最小，从而有效解决各个目标函数量纲不统一带来的不利影响，从而可以提高模型对不同故障场景的适应能力。

Description

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

技术领域

本发明涉及故障诊断领域，具体涉及一种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。

背景技术

现代社会中，电力已成为人们生活中不可或缺的一部分。然而，在面对灾害天气时，如各个国家多年来频遭的强风、暴雨、洪水等，总是不可避免地出现电网故障。这不仅严重影响人们的正常生活，更给生产、交通等领域带来了极大的困难。因此，为了及时准确地对电网故障进行诊断，保障电力供应的可靠性和稳定性，迫切需要对电网故障诊断方法进行深入研究。

随着电网信息呈现多样化，以及电网故障诊断技术发展迅速，各类诊断方法也尝试从不同方向开展研究来提升诊断结果的准确性。目前，电网接收的信息主要包括开关量信息、电气量信息以及外部环境信息等。基于这些信息进行电网故障诊断的方法主要有专家系统^[6-8]、人工神经网络、贝叶斯网络、Petri网和解析模型。其中，解析模型具有数理逻辑严密，易于实现并且响应速度快等特点，因此人们产生了极大的研究兴趣，并在实际电网中得到了应用。

对于解析模型的研究表明电气量数据可以直观形象地描述故障情况，但是数据量大，故障诊断的效率也容易因此受到影响。警报信息的时序与关联特性可以用于判断警报信息漏报和误报等情况，从而提高警报信息的真实性，但是推理范围较广，过程也比较复杂。在灾害天气下，电气量信息和保护装置警报信息都可能受到干扰，从而影响诊断结果的准确性。因此，需要合理利用各类信息，降低外部环境及单一信息源带来的各种不利影响，为故障诊断提供更为准确的故障信息。除此之外，单目标解析模型大都需要设置权重，由权重来平衡各个目标之间的矛盾关系，所以会存在权值分配的问题。同时，因为单目标解析模型中的各个目标可能存在量纲不统一的情况，所以仅仅利用权重来平衡量纲还会限制解析模型的适应能力。

研究表明，优化算法的适用性和解析模型的精确性同等重要。脉冲神经膜系统是受生物神经细胞之间的启发机制而建立的膜系统，因为该系统是一类动态离散的仿生分布式并行计算模型，所以具备了强大的并行计算能力。目前一些学者基于优化脉冲神经膜系统(Optimization Spiking Neural P Systems，OSNPS)已经开展一些扩展研究，但是，这些研究主要用于求解单目标的离散问题，还缺少对多目标离散问题的应用研究。鉴于此，本发明根据电网故障诊断的实际需要，提出多目标脉冲神经膜系统优化算法用于求解本发明的多目标故障诊断解析模型，最后通过IEEE39节点系统验证解析模型的有效性及算法的适用性。本发明的故障诊断方法保证了在保护装置拒动、误动以及警报信息漏报、误报时，仍能准确诊断故障情况。

发明内容

针对现有技术中的上述不足，本发明提供了一种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。

为了达到上述发明目的，本发明采用的技术方案为：

一种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，包括如下步骤：

S1.利用结线分析法确定停电区域；

S2.基于停电区域的可疑故障元件集合D、保护继电器集合R和断路器集合C建立故障假说X；

S3.利用警报信息、自检信息、电气量信息和天气信息，共同建立多目标解析模型E∧(X)；

S4.利用多目标脉冲神经膜系统优化算法求解多目标解析模型，输出Pareto解集；

S5.根据电气量信息对Pareto解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解；

S6.根据最优解确定故障元件，评价保护装置状态及警报信息状态。

进一步的，所述S1具体包括如下步骤：

S11.令搜索迭代次数c＝1；

S12.构建一个元件编号集合Q_C：依次对待诊断电力系统中的每个元件进行编号，所有元件编号构成Q_C；

S13.构建一个元件编号子集合M_C：从集合Q_C中任意取出一个元件编号放入子集合M_C中，若被诊断电力系统中存在一个闭合的断路器与以上随机选择的元件相连，则找出所有与该元件相连的闭合断路器，分别找出与以上闭合断路器相连的元件，并将这些元件对应的编号加入到子集合M_C中，继续搜索以上新加入到子集合M_C中的编号所对应元件相连接的闭合断路器；否则，转入步骤S14；

S14.c增加1并重新构建元件编号集合Q_C：将子集合M_C中的元件编号从集合Q_C-1中移除，获得新的元件编号集合Q_C，列出元件编号子集合M₁,…,M_N中的所有无源网络，即为所求的断电区域，其中N为搜索过程中所获得元件编号子集合的个数；如果Q_C非空，则转入步骤S13。

进一步的，所述S2中故障假说表示为：

X＝[D R C]

其中，为可疑故障元件集合，d_i(1≤i≤n_d)表示第i个可疑故障元件的状态，n_d为可疑故障设备个数，d_i＝0和d_i＝1分别表示元件d_i正常和故障；

为与D关联的保护继电器集合，r_i(1≤i≤n_r)表示第i个保护继电器的状态，n_r为继电保护装置个数，r_i＝0和r_i＝1分别表示保护继电器r_i未动作和动作；

为与D关联的断路器集合，c_i(1≤i≤n_c)表示第i个断路器的状态，n_c为断路器个数，c_i＝0和c_i＝1分别表示断路器c_i未跳闸和跳闸。

进一步的，所述S3具体包括如下步骤：

S31、计算保护装置的期望状态；

S32、利用警报修正模块对警报信息进行修正；

S33、根据天气信息计算线路灾害风险值；

S34、根据保护装置的期望状态、修正后的报警信息和线路灾害风险值建立故障诊断多目标函数。

进一步的，所述故障诊断多目标函数表示为：

min E∧(X)＝[E₁(X),E₂(X),E₃(X)]

其中，E₁(X)为保护装置状态异常的情况，表示第i个保护继电器r_i期望状态，表示第j个断路器c_j的期望状态；

E₂(X)为警报期望状态与保护装置实际状态的匹配情况，表示第i个保护继电器的警报期望状态，/>表示第j个断路器的警报期望状态；

E₃(X)为可疑故障元件的真实状态与其所对应灾害风险值的匹配情况，d_k(X)为第k条线路的真实状态，为线路的灾害风险值。

进一步的，所述S4具体包括如下步骤：

S41、对多目标脉冲神经膜系统优化算法中子系统∏进行形式化定义，表示为：

∏＝(O,δ₁,...,δ_n+2,syn,out)

其中，O＝{a}为单字母集合，a为一个脉冲；δ₁,...,δ_n+2为系统Π中的n+2个神经元；syn为神经元突触；out为输出神经元集合；

S42、对多目标多目标脉冲神经膜系统优化算法进行优化，输出Pareto解集；

S43、根据所输出的Pareto解集对元件是否故障进行判定，当输出的脉冲值为1时，判定输出神经元对应的疑似元件为故障元件，则进行步骤S5，当输出的脉冲值为0时，元件没有故障。

进一步的，所述S42中对多目标多目标脉冲神经膜系统优化算法进行优化，输出Pareto解集的具体流程为：

C1、输入算法参数，包括个体数量m、个体维数n、最大迭代次数T_max、二进制脉冲串T_s、选择概率主信号库最大存储数量m、交流信号库最大存储数量m和网格数量z_grid，迭代次数T赋值为1，初始化脉冲信号矩阵X和点火概率矩阵P；

C2、计算每个个体X_i的目标函数值；

C3、分别更新主信号库和交流信号库的脉冲信息X^nd和X^cs；

C4、生成0～1之间均匀分布的随机数f_rand，并将其与选择概率对比，若选择概率则执行如下步骤C41；否则执行如下步骤C42；

C41、通过博弈择优器从交流信号库中选择一个解作为被学习的优解X^best进行学习，在选择时，先随机选择两个序号不同于当前解的个体/>和/>若/>支配/>则选择/>作为X^best；若/>支配/>则选择/>作为X^best；若/>和/>互相非支配，则从两者中随机选择一个解作为X^best；

C42、通过博弈择优器从主信号库中一个解作为被学习的优解X^best进行学习。利用参考点和轮盘赌策略建立非支配个体选择算子，从主信号库的Pareto解集X^nd中选择一个解作为X^best；

C5、将步骤C4中选出的X^best输入至神经元状态调节器，更新神经元点火概率矩阵P；

C6、根据神经元点火概率矩阵P更新脉冲信号矩阵X，其中X＝f_rand≤P；

C7、更新各个神经元点火信号和遗忘信号成功传递的次数，若点火信号成功传递，则执行C71；若遗忘信号成功传递，则执行步骤C72；

C71、点火信号传递成功，即时，/>点火信号传递失败，即/>时，/>

C72、遗忘信号传递成功，即时，/>遗传信号传递失败，即/>时，/>其中x_ij,/>和/>分别为第i个子系统的第j个神经元输出的脉冲信号，成功传递点火信号和遗忘信号的次数；/>为被学习优解的第j维；

其中x_ij,和/>分别为第i个子系统的第j个神经元输出的脉冲信号，成功传递点火信号和遗忘信号的次数；/>为被学习优解的第j维；

C8、判断是否满足终止条件，若当前迭代次数小于最大迭代次数，则T＝T+1，跳转至步骤C2；否则，输出主信号库存储的Pareto解集。

进一步的，所述S5中被预判为故障的元件的故障特征判断依据包括：

母线故障特征判据：

其中，表示母线流向线路i的相电流，/>表示a、b、c三相中的某一相，I_{bus_set}表示事先设定的接近于的0电流阈值，可以取母线差动保护启动元件的电流阈值，/>表示母线相的故障特征状态，/>则/>相故障；/>则/>相未故障；

式中，表示逻辑“或”运算，S_b表示母线的故障特征状态，|_b＝1，则母线故障；S_b＝0，则母线未故障；

输电线故障特征判据：

其中，和/>分别表示输电线两端母线流入输电线的相电流，I_{line_set}表示线路纵联保护启动元件的电流阈值，/>表示输电线/>相的故障特征状态，/>则/>相故障；则/>相未故障。

其中，S_l表示输电线的故障特征状态，S_l＝1，则线路故障；S_l＝0，则线路未故障。

本发明具有以下有益效果：

本发明通过将电网和灾害天气中包含的各类信息相结合，提高了诊断方法对复杂故障场景的容错性。然后，建立多目标脉冲神经膜系统优化算法对故障诊断解析模型进行求解。在求解过程中该算法的准确率较高，由此证明该算法适用于求解本文所建立故障诊断解析模型，有效提高了诊断方法的故障诊断能力。

附图说明

图1为本发明诊断方法流程示意图。

图2为本发明实施例S型隶属度函数示意图。

图3为本发明实施例多目标脉冲神经膜系统优化算法结构示意图。

图4为本发明实施例母线故障相与非故障相特征图，其中a为母线故障相特征，b为母线非故障相特征。

图5为本发明实施例线路故障相与非故障相特征图，其中a为线路故障相特征，b为线路非故障相特征。

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。

一种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，如图1所示，包括如下步骤：

S1.利用结线分析法确定停电区域；

本实施例具体包括如下步骤：

S11.令搜索迭代次数c＝1；

S12.构建一个元件编号集合Q_C：依次对待诊断电力系统中的每个元件进行编号，所有元件编号构成Q_C；

S13.构建一个元件编号子集合M_C：从集合Q_C中任意取出一个元件编号放入子集合M_C中。如果被诊断电力系统中存在一个闭合的断路器与以上随机选择的元件相连，则找出所有与该元件相连的闭合断路器；否则，转入步骤S14。然后,分别找出与以上闭合断路器相连的元件，并将这些元件对应的编号加入到子集合M_C中。继续搜索以上新加入到子集合M_C中的编号所对应元件相连接的闭合断路器；

S14.c增加1；

S15.重新构建元件编号集合Q_C：将子集合M_C中的元件编号从集合Q_C-1中移除，获得新的元件编号集合Q_C。如果Q_C非空，则转入步骤S13；

S16.列出元件编号子集合M₁,…,M_N中的所有无源网络，即为所求的断电区域，其中N为搜索过程中所获得元件编号子集合的个数

S2.基于停电区域的可疑故障元件集合D、保护继电器集合R和断路器集合C建立故障假说X；

设停电区域内包含有n_d个可疑故障设备、n_r个继电保护装置、n_c个断路器。故障假说表示如下：

X＝[D R C] (1)

其中：为可疑故障元件集合，d_i(1≤i≤n_d)表示第i个可疑故障元件的状态，d_i＝0和d_i＝1分别表示元件d_i正常和故障。

为与D关联的保护继电器集合，r_i(1≤i≤n_r)表示第i个保护继电器的状态，r_i＝0和r_i＝1分别表示保护继电器r_i未动作和动作。

为与D关联的断路器集合，c_i(1≤i≤n_c)表示第i个断路器的状态，c_i＝0和c_i＝1分别表示断路器c_i未跳闸和跳闸。

S3.利用警报信息、自检信息、电气量信息和天气信息，共同建立多目标解析模型E∧(X)；

S31.计算保护装置的期望状态

(1)主保护继电器动作期望

设r_m为元件d_i的主保护继电器。若d_i发生故障，则r_m应动作。r_m的动作期望可描述为：

(2)近后备保护继电器动作期望

设r_p为元件d_i的近后备保护继电器。若d_i发生故障且其主保护继电器r_m拒动，则r_p应动作。r_p的动作期望可描述为：

(3)远后备保护继电器动作期望

设r_s为元件d_i的远后备保护继电器。当d_i故障时，若其主保护和近后备保护继电器都拒动，则r_s应动作；当d_x∈D(r_s)故障时，若r_s到d_x关联路径上的断路器都未跳闸，则r_s应动作，其中D(r_s)表示r_s保护范围内除元件d_i以外的电网元件集合。r_s的动作期望可描述为：

其中，r_s直接保护的元件为d_i，p(r_s,d_x)表示r_s到d_x的关联路径上的所有断路器集合。

(4)断路器失灵保护继电器动作期望

设r_f为断路器失灵保护继电器，当保护继电器r_h∈R(c_h)动作驱动c_h跳闸时，若c_h拒动，则断路器失灵保护r_f应动作，其中R(c_h)为可驱动c_h的所有保护继电器的集合。r_f的动作期望可描述为：

(5)断路器动作期望

断路器c_j的动作期望可描述为:

其中，R(c_j)表示能驱动断路器c_j跳闸的保护继电器集合。当任何一个可以驱动c_j跳闸的保护继电器r_i动作时，断路器c_j应该跳闸。

S32.利用警报修正模块对警报信息进行修正，具体流程如下：

A1、输入保护装置的自检信息、警报信息和电气量信息；

A2、判断保护装置是否自检报警，若保护装置自检报警，则其警报信息按照步骤B3进行判断，否则跳转至步骤B4；

A3、判断相关保护装置的警报信息，若为1则继续如下步骤B31，否则顺序执行如下步骤B32；

A31、判断警报信息是否符合时序约束，若符合则保留警报信息，否则修正警报信息，其中，警报信息时序约束判断过程如下：

(a)将接收到的与第一个故障相关的保护动作时刻作为时间参考点，并检查与其关联的其他警报信息是否满足时间约束。若至少有一个与其相关联的警报信息满足时间约束，则此保护动作时刻即为时间参考点；否则，认定此保护动作时刻出现错误，并以接收到的第二个故障相关的警报信息作为基准，然后重复本过程，直到找到时间参考点为止。

(b)根据时序约束及推理对自检报警且发出动作信息的保护装置进行警报信息识别，以判断其警报信息是否符合时间点约束，不符合该约束的警报信息被修正为0，符合的则保持不变。

警报信息对应的保护装置延时区间如表1所示。

表1表1保护装置延时区间表

表中D_s(t_d,t_m)、D_s(t_d,t_p)和D_s(t_d,t_s)分别表示主保护继电器、近后备保护继电器和远后备保护继电器的延时区间；t_d表示故障时间，t_m、t_p和t_s分别表示主保护继电器、近后备保护继电器和远后备保护继电器的动作时间。断路器失灵保护采用保护出口动作和电气量方式构成“与”门启动，并且线路主保护等装置的动作时间与断路器失灵保护动作时间之间的延时区间为D_s(t_eqr,t_f)，其中t_eqr表示驱动断路器动作的上一级保护继电器的动作时间，t_f表示断路器失灵保护的动作时间。D_s(t_r,t_cb)表示各类保护继电器与断路器之间的延时区间，t_r表示保护继电器动作时间，t_cb表示断路器动作时间。

A32、判断警报信息是否符合电气判据，若符合则保留警报信息，否则修正警报信息；

电气判据计算过程如下：

(1)保护继电器动作判据

因为故障持续时间与保护继电器的动作整定时间具备关联性，所以通过电气量信息的时序特征可以判断保护继电器是否动作。根据连续的故障特征序列得到该元件的故障持续时间D_td，D_td＝n/f_data，其中n表示故障特征序列数，f_data表示数据采样频率。不同保护继电器按照下述公式计算故障持续时间，并由此判断是否符合保护继电器动作判据。

D_e＝D_s(t_d,t_r)+D_s(t_r,t_cb) (7)

其中，D_e表示故障持续时间的约束区间，通过计算可以得到不同保护继电器的故障持续时间约束区间，如表2所示。

表2保护继电器对应故障持续时间约束区间

当被保护元件的故障持续时间D_td∈D_ek(k＝m,p,s)时，则判断对应的保护继电器符合电气量动作特征。

(2)断路器动作判据

其中，表示断路器任意一端的相电流量测值；I_{CB_set}可以取断路器失灵保护启动元件的电流阈值。

其中，S_c表示断路器的状态，若S_c＝1，则断路器完全断开；若为S_c＝0，则未完全断开。为了避免外界环境对电气量信息的干扰，本文中当断路器完全断开的状态持续两个工频周期，则判定该断路器符合电气量动作特征。

当故障持续时间不属于约束区间D_e时，将与故障持续时间相近的上一级保护继电器期望的动作时间区间作为参考区间，其中t_eqr＝t_d+D_s(t_d,t_r)。然后以t_eqr为起始区间，将后续的故障特征序列与断路器状态序列进行对比，得到断路器拒动时间与元件故障持续时间重叠的区间D_tf。若D_tf∈D_s(t_eqr,t_f)，则判定该断路器失灵保护符合电气量动作特征。

根据上述保护装置电气量动作判据对自检报警且未发出动作信息的保护装置进行警报信息识别，以判断其警报信息是否符合电气量动作判据，不符合上述条件的警报信息被修正为1，符合的则保持不变。

A4、输出修正警报信息序列。

S33.根据天气信息计算线路灾害风险值，具体步骤如下：

线路灾害风险度分为四个等级，用集合G＝(G₁,G₂,G₃,G₄)表示，其中G_i(1≤i≤4)依次对应低风险、较低风险、较高风险和高风险。

B1、从气象站获取停电区域的实时气象数据，然后根据表3和表4分别得到各气象因素对应的输电线路故障率以及某地区与灾害天气相关的故障统计数据，其中表3所示蓝色、黄色、橙色和红色分别代表不同气象的预警等级。

表3不同气象等级下线路故障率

表4与灾害天气相关的故障统计数据

B2、确定输电线路灾害风险等级的模糊隶属度矩阵。输电线路灾害风险等级评价标准如表5所示，为了提高各气象因素在不同等级下的故障率区分度，选取如图2所示的S型隶属度函数smf(η)来计算隶属度值。将表3中各气象因素对应故障率数据代入式(10)～(13)进行计算，从而确定模糊隶属度矩阵R^*，其中

表5输电线路灾害风险等级评价标准

/>

其中：η为不同气象因子在对应气象等级下线路故障率，η₁、η₂、η₃和η₄分别表示低风险、较低风险、较高风险和高风险等级的阈值。

B3、确定关于各气象因素的综合权重向量W。首先，根据气象预警信息和表3的数据构建判断矩阵A＝(a_ij)_4×4,1≤i,j≤4，其中a_ij表示第i个气象因素相对于第j个气象因素的重要性。其次，根据判断矩阵A计算各气象因素的主观权重值wa_i，得到主观权重向量W1＝(wa_i)_4×1；然后，根据表4的数据和熵权法计算各气象因素的客观权重值1≤i≤v，得到客观权重向量/>最后，将主观权重向量与客观权重向量相结合，按照式(14)计算各气象因素综合权重值w_i，得到综合权重向量W＝(w_i)_1×4。

B4、综合评价停电区域输电线路的灾害风险等级。根据式(15)和合成算子计算气象因素的模糊综合评判向量B^*，并利用隶属度最大原则得出输电线路的灾害风险等级。

B5、根据上述计算所得的线路灾害风险等级和表6中的数据，得到疑似故障输电线路的灾害风险值

表6输电线路灾害风险值

S34、建立故障诊断多目标函数

根据故障问题建立如式(16)所示的三个目标函数，其完整地描述了电网故障诊断中各类不确定因素的情况，反映了故障假说的可信度。

min E∧(X)＝[E₁(X),E₂(X),E₃(X)] (16)

其中，目标函数E₁(X)表示保护装置(包括保护继电器和断路器)状态异常的情况；目标函数E₂(X)表示警报期望状态(即修正后的警报信息)与保护装置实际状态的匹配情况；目标函数E₃(X)表示可疑故障元件的真实状态与其所对应灾害风险值的匹配情况。本发明的故障诊断方法以上述三个目标函数尽可能同时达到最小为目标进行多目标优化求解。

三个目标函数分别按式(17)～(18)进行计算。

其中，表示第i个保护继电器期望状态，/>表示第j个断路器的期望状态。E₁(X)反映了保护装置的拒动和误动情况，状态异常的保护装置数量越少，相应的目标函数值就越小。

其中，表示第i个保护继电器的警报期望状态(即修正后的警报信息)，/>表示第j个断路器的警报期望状态。该目标函数以保护装置真实动作来匹配警报期望状态，因为警报期望状态是经过警报修正模块得到的，所以可以降低畸变信息在目标函数中产生的不利影响。目标函数值越小，保护装置的真实动作状态与警报期望状态就越匹配。

其中，d_k(X)为第k条线路的真实状态，为线路的灾害风险值。该目标函数值越小，表示线路的灾害风险值与真实状态越匹配。

S4.利用多目标脉冲神经膜系统优化算法求解多目标解析模型，输出Pareto解集；

本实施例里具体包括如下步骤：

S41、首先是多目标脉冲神经膜系统优化算法(Multi-Objective Spiking NeuralP Systems Optimization Algorithm，MOSNPSOA)中子系统∏的形式化定义，内容如下所示。

∏＝(O,δ₁,...,δ_n+2,syn,out) (20)

其中：

(1)O＝{a}为单字母集合，a为一个脉冲；

(2)σ₁,...,σ_n+2为系统Π中的n+2个神经元，神经元σ_n+1和σ_n+2为系统提供脉冲，两者的形式与功能相同，表示为σ_n+1＝σ_n+2＝(1,{a→a})；神经元σ_j(1≤j≤n)表示为其中/>为规则集合，/>和/>分别为点火规则和遗忘规则，分别表示/>和/>为点火规则和遗忘规则的选择概率表达式，且满足/>

(3)syn＝{(u,v)|(1≤u≤n+1)∧(v＝n+2)∨(u＝n+2)∧(v＝n+1)为神经元之间的突触；

(4)out＝{σ₁,…,σ_n}为输出神经元集合，子系统Π通过神经元σ_j(j＝1,…,n)输出由“0”和“1”组成的二进制脉冲串。

多目标脉冲神经膜系统优化算法含有m个子系统Π，每个Π又拥有n个输出神经元，所有子系统Π输出的二进制脉冲信号组成一个m×n的矩阵(即脉冲信号矩阵X)。因此，第i(1≤i≤m)个子系统Π的输出神经元集合输出的脉冲信号对应脉冲信号矩阵中的第i行(即优化问题中的个体)，即第i个个体X_i为一个1×n的二进制脉冲序列。

然后介绍MOSNPSOA的整体结构组成，如图3所示。多目标脉冲神经膜系统优化算法主要由主信号库、交流信号库、博弈择优器、神经元状态调节器和脉冲信号矩阵组成。该算法利用博弈择优器分别从两个信号库内选择优质脉冲信号，并将其输入至神经元状态调节器来刺激各个子系统Π寻优，再通过神经元输出的脉冲信号更新两个信号库。经过多次迭代之后，主信号库内的信号组成了Pareto解集。

S42、多目标脉冲神经膜系统优化算法的详细步骤表示如下：

C1、初始化。输入算法参数，包括个体数量m、个体维数n、最大迭代次数T_max、二进制脉冲串T_s、选择概率主信号库最大存储数量m、交流信号库最大存储数量m和网格数量z_grid。迭代次数T赋值为1，初始化脉冲信号矩阵X和点火概率矩阵P；

C2、计算每个个体X_i的目标函数值；

C3、分别更新主信号库和交流信号库的脉冲信息X^nd和X^cs。利用非支配关系选取脉冲信号矩阵中的非支配解更新主信号库，主信号库中的解若超出最大存储数量，则利用自适应网格算法删除多余解。同时，将脉冲信号矩阵中的信息与交流信号库的信息融合，并基于参考点机制及精英策略更新交流信号库；

C4、生成随机数f_rand(f_rand为0～1之间均匀分布的随机数)，并将其与选择概率对比，若选择概率则执行如下步骤C41；否则执行如下步骤C42；

C41、通过博弈择优器从交流信号库中选择一个解作为被学习的优解X^best进行学习，在选择时，先随机选择两个序号不同于当前解的个体/>和/>若/>支配/>则选择/>作为X^best；若/>支配/>则选择/>作为X^best；若/>和/>互相非支配，则从两者中随机选择一个解作为X^best。

C42、通过博弈择优器从主信号库中一个解作为被学习的优解X^best进行学习。利用参考点和轮盘赌策略建立非支配个体选择算子(Non-dominant Individual SelectionOperator，NISO)，然后从主信号库的Pareto解集X^nd中选择一个解作为X^best。

C5、将步骤C4中选出的X^best输入至神经元状态调节器，更新神经元点火概率矩阵P。

C6、根据神经元点火概率矩阵P更新脉冲信号矩阵X，其中X＝f_rand≤P。

C7、更新各个神经元点火信号和遗忘信号成功传递的次数，若点火信号成功传递，则执行C71；若遗忘信号成功传递，则执行步骤C72。

C71、点火信号传递成功，即时，/>点火信号传递失败，即/>时，/>

C72、遗忘信号传递成功，即时，/>遗传信号传递失败，即/>时，/>其中x_ij,/>和/>分别为第i个子系统的第j个神经元输出的脉冲信号，成功传递点火信号和遗忘信号的次数；/>为被学习优解的第j维。

其中x_ij,和/>分别为第i个子系统的第j个神经元输出的脉冲信号，成功传递点火信号和遗忘信号的次数；/>为被学习优解的第j维；

C8、判断是否满足终止条件。若当前迭代次数小于最大迭代次数，则T＝T+1，跳转至步骤C2；否则，输出主信号库存储的Pareto解集。

S43根据上述S42计算得到输出的Pareto解集(即脉冲串)。当输出的脉冲值为1时，判定输出神经元对应的疑似元件为故障元件，需继续步骤S5。当输出的脉冲值为0时，元件没有故障

S5.根据电气量信息对Pareto解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解；

根据电气量信息对Pareto解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解，故障特征判断过程如下。

(1)母线故障特征判据

其中，表示母线流向线路i的相电流，/>表示a、b、c三相中的某一相，I_{nus_set}表示事先设定的接近于的0电流阈值，可以取母线差动保护启动元件的电流阈值。/>表示母线/>相的故障特征状态，/>则/>相故障；/>则/>相未故障。

其中，表示逻辑“或”运算，S_b表示母线的故障特征状态，S_b＝1，则母线故障；S_b＝0，则母线未故障。

根据式(21)～(23)对母线的状态进行判断，母线故障相特征与非故障相特征如图4a和图4b所示所示。

(2)输电线故障特征判据

其中，和/>分别表示输电线两端母线流入输电线的相电流，I_{line_set}表示线路纵联保护启动元件的电流阈值。/>表示输电线/>相的故障特征状态，/>则/>相故障；/>则/>相未故障。

其中，S_l表示输电线的故障特征状态，S_l＝1，则线路故障；S_l＝0，则线路未故障。

根据式(24)～(26)对线路的状态进行判断，线路故障相特征与非故障相特征如图5所示

S6.根据最优解确定故障元件，评价保护装置状态及警报信息状态。

本发明以IEEE39节点系统进行测试，该系统包含39条母线、46条线路和92个断路器，其中线路、断路器和保护继电器均根据母线编号进行编排，如连接母线B26与B27的线路编号为L2627，相应B26侧的断路器记为CB2627，对侧记为CB2726。线路L2627的主保护继电器则记为L2627m和L2726m，用m,p和s分别代表主保护继电器、近后备保护继电器和远后备保护继电器。断路器CB2627和CB2726的断路器失灵保护继电器分别记为CB2627f和CB2726f。

设定气象条件为：雷电橙色预警、暴雨黄色预警和6级大风；受灾害天气影响，线路L1727和线路L2627分别发生A相接地故障和C相接地故障，母线B6发生BC相间短路故障。保护继电器和断路器的动作过程为：线路L2627的主保护继电器L2627m和L2726m动作，跳开断路器CB2627和CB2726；线路L1727的主保护继电器L1727m和L2717m动作，跳开断路器CB2717；断路器CB1727拒动，CB1727对应的断路器失灵保护继电器CB1727f动作，跳开断路器CB1716和CB1718；母线B18的主保护继电器B18m动作，跳开断路器CB1817；断路器CB1803拒动，线路远后备保护继电器L0318s动作，跳开断路器CB0318。警报信息在传输过程中受雷电影响，信息产生畸变，其中线路主保护L1817m的警报信息误报；断路器失灵保护继电器CB1727f的警报信息漏报。

调度中心收到的警报信息为：L2627m(10)、L2726m(15)、CB2627(52)、CB2726(61)、L2717m(205)、L1727m(208)、CB2717(252)、CB1716(460)、CB1718(464)、B18m(710)、CB1817(758)、L1817m(916)、L0318s(2710)和CB0318(2759)。通过保信系统可知保护装置L1817m、CB1727f、CB1727和CB1803自检告警。基于收到的警报信息，利用结线分析法确定停电区域。根据天气信息，利用模糊综合评价法判断线路L1718、线路L1727和L2627的故障风险度为高风险等级，其对应故障概率取0.875。

故障假说的具体形式为：X＝(d₁,…,d₇,r₁,…,r₃₄,c₁,…,c₉)，其中停电区域内的可疑故障元件B17、B18、B27、L0318、L1718、L1727和L2627对应集合D＝(d₁,…,d₇)。相关的保护继电器B17m、B18m、B27m、L0318m、L1803m、L1718m、L1817m、L1727m、L2717m、L2627m、L2726m、L0318p、L1803p、L1718p、L1817p、L1727p、L2717p、L2627p、L2726p、L0318s、L1803s、L1718s、L1817s、L1727s、L2717s、L2627s、L2726s、CB0318f、CB1716f、CB1718f、CB1817f、CB1727f、CB2717f和CB2726f对应集合R＝(r₁,…,r₃₄)。相关断路器CB0318、CB1803、CB1716、CB1718、CB1817、CB1727、CB2717、CB2627和CB2726对应集合C＝(c₁,…,c₉)。

保护继电器和断路器的警报信息分别对应集合和集合其中/>和/>为1，其余的r^al和c^al全为0。然后保护继电器和断路器的警报信息被输入至警报信息修正模块进行处理，输出修正后的警报信息分别对应集合/> 和集合其中/> 和/>为1，其余的r^fa和c^fa全为0。

根据以上相关变量，建立多目标故障诊断函数E∧(X)，并采用多目标脉冲神经膜系统优化算法对其进行求解。算法相关参数设置如下：初始种群个体数为100，最大迭代次数为400，故障假说的维数为50维。算法所得Pareto解集对应的故障假说如表7所示。

表7解集对应故障假说

由表中数据可知，Pareto解集中包含多个解。因此，利用电气量信息对解集中被判定为故障的相关元件进行二次校验。根据式(21)～(26)对电气量故障特征进行判断可以得出，元件B18,L1727和L2627发生故障。

至此，可以确定d₂、d₆、d₇、r₂、r₈、r₉、r₁₀、r₁₁、r₂₀、r₃₂、c₁、c₃、c₄、c₅、c₇、c₈和c₉都为1，其余的r和c为0的解为最终的故障假说。因此，最后的故障诊断结果：B18、L1727和L2627发生故障；CB1727和CB1803拒动；L1817m误报；CB1727f漏报。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

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 (8)

1.一种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，其特征在于，包括如下步骤：

S1.利用结线分析法确定停电区域；

S2.基于停电区域的可疑故障元件集合D、保护继电器集合R和断路器集合C建立故障假说X；

S3.利用警报信息、自检信息、电气量信息和天气信息，共同建立多目标解析模型E^∧(X)；

S4.利用多目标脉冲神经膜系统优化算法求解多目标解析模型，输出Pareto解集；

S5.根据电气量信息对Pareto解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解；

S6.根据最优解确定故障元件，评价保护装置状态及警报信息状态。

2.根据权利要求1所述的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，其特征在于，所述S1具体包括如下步骤：

S11.令搜索迭代次数c＝1；

S12.构建一个元件编号集合Q_C：依次对待诊断电力系统中的每个元件进行编号，所有元件编号构成Q_C；

S13.构建一个元件编号子集合M_C：从集合Q_C中任意取出一个元件编号放入子集合M_C中，若被诊断电力系统中存在一个闭合的断路器与以上随机选择的元件相连，则找出所有与该元件相连的闭合断路器，分别找出与以上闭合断路器相连的元件，并将这些元件对应的编号加入到子集合M_C中，继续搜索以上新加入到子集合M_C中的编号所对应元件相连接的闭合断路器；否则，转入步骤S14；

S14.c增加1并重新构建元件编号集合Q_C：将子集合M_C中的元件编号从集合Q_C-1中移除，获得新的元件编号集合Q_C，列出元件编号子集合M₁，...，M_N中的所有无源网络，即为所求的断电区域，其中N为搜索过程中所获得元件编号子集合的个数；如果Q_C非空，则转入步骤S13。

3.根据权利要求1所述的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，其特征在于，所述S2中故障假说表示为：

X＝[D R C]

其中，为可疑故障元件集合，d_i(1≤i≤n_d)表示第i个可疑故障元件的状态，n_d为可疑故障设备个数，d_i＝0和d_i＝1分别表示元件d_i正常和故障；

为与D关联的保护继电器集合，r_i(1≤i≤n_r)表示第i个保护继电器的状态，n_r为继电保护装置个数，r_i＝0和r_i＝1分别表示保护继电器r_i未动作和动作；

为与D关联的断路器集合，c_i(1≤i≤n_c)表示第i个断路器的状态，n_c为断路器个数，c_i＝0和c_i＝1分别表示断路器c_i未跳闸和跳闸。

4.根据权利要求1所述的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，其特征在于，所述S3具体包括如下步骤：

S31、计算保护装置的期望状态；

S32、利用警报修正模块对警报信息进行修正；

S33、根据天气信息计算线路灾害风险值；

S34、根据保护装置的期望状态、修正后的报警信息和线路灾害风险值建立故障诊断多目标函数。

5.根据权利要求4所述的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，其特征在于，所述故障诊断多目标函数表示为：

min E^∧(X)＝[E₁(X)，E₂(X)，E₃(X)]

其中，E₁(X)为保护装置状态异常的情况，表示第i个保护继电器r_i期望状态，/>表示第j个断路器c_j的期望状态；

E₂(X)为警报期望状态与保护装置实际状态的匹配情况，表示第i个保护继电器的警报期望状态，/>表示第j个断路器的警报期望状态；

E₃(X)为可疑故障元件的真实状态与其所对应灾害风险值的匹配情况，d_k(X)为第k条线路的真实状态，为线路的灾害风险值。

6.根据权利要求1所述的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，其特征在于，所述S4具体包括如下步骤：

S41、对多目标脉冲神经膜系统优化算法中子系统Π进行形式化定义，表示为：

Π＝(O，δ₁，...，δ_n+2，syn，out)

其中，O＝{a}为单字母集合，a为一个脉冲；δ₁，...，δ_n+2为系统Π中的n+2个神经元；syn为神经元突触；out为输出神经元集合；

S42、对多目标多目标脉冲神经膜系统优化算法进行优化，输出Pareto解集；

S43、根据所输出的Pareto解集对元件是否故障进行判定，当输出的脉冲值为1时，判定输出神经元对应的疑似元件为故障元件，则进行步骤S5，当输出的脉冲值为0时，元件没有故障。

7.根据权利要求6所述的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，其特征在于，所述S42中对多目标多目标脉冲神经膜系统优化算法进行优化，输出Pareto解集的具体流程为：

C1、输入算法参数，包括个体数量m、个体维数n、最大迭代次数T_max、二进制脉冲串T_s、选择概率主信号库最大存储数量m、交流信号库最大存储数量m和网格数量z_grid，迭代次数T赋值为1，初始化脉冲信号矩阵X和点火概率矩阵P；

C2、计算每个个体X_i的目标函数值；

C3、分别更新主信号库和交流信号库的脉冲信息X^nd和X^cs；

C4、生成0～1之间均匀分布的随机数f_rand，并将其与选择概率对比，若选择概率则执行如下步骤C41；否则执行如下步骤C42；

C41、通过博弈择优器从交流信号库中选择一个解作为被学习的优解X^best进行学习，在选择时，先随机选择两个序号不同于当前解的个体/>和若/>支配/>则选择/>作为X^best；若/>支配/>则选择/>作为X^best；若/>和互相非支配，则从两者中随机选择一个解作为X^best；

C42、通过博弈择优器从主信号库中一个解作为被学习的优解X^best进行学习，利用参考点和轮盘赌策略建立非支配个体选择算子，从主信号库的Pareto解集X^nd中选择一个解作为X^best；

C5、将步骤C4中选出的X^best输入至神经元状态调节器，更新神经元点火概率矩阵P；

C6、根据神经元点火概率矩阵P更新脉冲信号矩阵X，其中X＝f_rand≤P；

C7、更新各个神经元点火信号和遗忘信号成功传递的次数，若点火信号成功传递，则执行C71；若遗忘信号成功传递，则执行步骤C72；

C71、点火信号传递成功，即时，/>点火信号传递失败，即x_ij＝0时，/>

C72、遗忘信号传递成功，即时，/>遗传信号传递失败，即x_ij＝1时，/>其中x_ij，/>和/>分别为第i个子系统的第j个神经元输出的脉冲信号，成功传递点火信号和遗忘信号的次数；/>为被学习优解的第j维；

其中x_ij为第i个子系统的第j个神经元输出的脉冲信号，为成功传递点火信号，/>为遗忘信号的次数；/>为被学习优解的第j维；

C8、判断是否满足终止条件，若当前迭代次数小于最大迭代次数，则T＝T+1，跳转至步骤C2；否则，输出主信号库存储的Pareto解集。

8.根据权利要求1所述的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，其特征在于，所述S5中被预判为故障的元件的故障特征判断依据包括：

母线故障特征判据：

其中，表示母线流向线路i的相电流，/>表示a、b、c三相中的某一相，I_{bus_set}表示事先设定的接近于的0电流阈值，可以取母线差动保护启动元件的电流阈值，/>表示母线/>相的故障特征状态，/>则/>相故障；/>则/>相未故障；

式中，表示逻辑“或”运算，S_b表示母线的故障特征状态，S_b＝1，则母线故障；S_b＝0，则母线未故障；

输电线故障特征判据：

其中，和/>分别表示输电线两端母线流入输电线的相电流，I_{line_set}表示线路纵联保护启动元件的电流阈值，/>表示输电线/>相的故障特征状态，/>则/>相故障；则/>相未故障；

其中，S_l表示输电线的故障特征状态，S_l＝1，则线路故障；S_l＝0，则线路未故障。