[發(fā)明專利]基于隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)的電網(wǎng)故障診斷方法

有效

• 申請?zhí)枺?/td>: 202110477249.1
• 申請日: 2021-04-29
• 公開（公告）號: CN113204735B
• 公開（公告）日: 2023-06-20
• 發(fā)明（設(shè)計）人: 王濤;劉力源;應(yīng)瑞軒;陳孝天;周純羽
• 申請（專利權(quán)）人: 西華大學
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06F17/16;G06Q10/0635;G06Q50/06;G01R31/08
• 代理公司: 北京正華智誠專利代理事務(wù)所(普通合伙) 11870
• 代理人: 李夢蝶

1.基于隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)的電網(wǎng)故障診斷方法，其特征在于，包括以下步驟：

S1、讀取SCADA數(shù)據(jù)；

S2、基于讀取的SCADA數(shù)據(jù)，確定待診斷電力系統(tǒng)中的停電區(qū)域；

S3、基于確定的停電區(qū)域，建立對應(yīng)的故障診斷目標函數(shù)；

S4、基于SCADA數(shù)據(jù)，利用隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)對建立的故障診斷目標函數(shù)進行尋優(yōu)求解，獲得最優(yōu)解；

S5、根據(jù)最優(yōu)解的編碼確定電網(wǎng)故障診斷結(jié)果；

所述步驟S2中確定停電區(qū)域的方法具體為：

基于SCADA數(shù)據(jù)，利用結(jié)線分析法對待診斷電力系統(tǒng)進行迭代搜索，并在迭代搜索過程中找出待診斷電力系統(tǒng)中的所有無源網(wǎng)絡(luò)，即確定停電區(qū)域；

具體包括以下分步驟：

S21、設(shè)置搜索迭代次數(shù)C的初始值為1；

S22、基于SCADA數(shù)據(jù)，依次對待診斷電力系統(tǒng)中的每個元件進行編號，所有的元件編號構(gòu)成Q_C；

S23、從元件編號集合Q_C中任意取一個元件編號放入元件編號子集合M_C中；

S24、判斷最新加入到元件編號子集合M_C中的元件編號對應(yīng)的元件是否存在與之相連的閉合斷路器；

若是，則進入步驟S24；

若否，則進入步驟S25；

S24、將元件編號集合Q_C中與當前確定的閉合斷路器連接所有元件對應(yīng)的元件編號均加入到元件編號子集合M_C中，返回步驟A3；

S25、使搜索迭代次數(shù)C增加1；

S26、從元件編號集合Q_C-1中移除元件編號子集合M_C-1中的所有元件編號，得到新的元件編號集合Q_C；

S27、判斷當前元件編號集合Q_C是否為空；

若是，則進入步驟S28；

若否，則返回步驟S23；

S28、列出元件編號子集合M₁,...S_C,...,M_N中的所有無源網(wǎng)絡(luò)，即確定停電區(qū)域；

其中，下標N為迭代搜索過程中所獲得的元件編號子集合的個數(shù)；

所述步驟S3具體為：

S31、根據(jù)停電區(qū)域的拓撲結(jié)構(gòu)，建立由停電區(qū)域內(nèi)的可疑故障元件、保護裝置和斷路器組成的故障假說H；

S32、基于故障假說，構(gòu)建故障診斷目標函數(shù)；

所述步驟S31中建立故障假說H的方法具體為：

設(shè)停電區(qū)域內(nèi)包含n_d個可疑故障元件、n_r個保護裝置和n_c個斷路器，則建立的故障假說的表達式為：

X＝[D、R、C]

式中，1≤i≤n_d，d_i為停電區(qū)域內(nèi)第i個可疑元件的實際狀態(tài)，當d_i為1時，對應(yīng)可疑故障元件已故障，d_i為0時，對應(yīng)可疑元件正常且未故障；

1≤j≤n_r，r_j為停電區(qū)域內(nèi)第j個保護裝置的實際狀態(tài)，當r_j為1時，對應(yīng)保護裝置已動作，r_j為0時，對應(yīng)保護裝置未動作；

1≤k≤n_c，c_k為停電區(qū)域內(nèi)第k個斷路器的實際狀態(tài)，當c_k為1時，對應(yīng)斷路器已跳閘，c_k為0，對應(yīng)斷路器未跳閘；

所述步驟S32中，故障診斷目標函數(shù)minE(X)的表達式為：

minE(X)＝δ_exE_ex(X)+γ_alE_al(X)+T_pE_tl(X)

式中，δ_ex為自調(diào)節(jié)期望信任因子，包括保護裝置的自調(diào)節(jié)期望信任因子和斷路器的自調(diào)節(jié)期望信任因子

γ_al為自調(diào)節(jié)警報信任因子，包括保護裝置的自調(diào)節(jié)警報信任因子γ_ral和斷路器的自調(diào)節(jié)警報信任因子γ_cal；

T_p為自調(diào)節(jié)天氣信任因子；

E_ex(X)為反映保護裝置、斷路器的誤動與拒動情況的函數(shù)，其計算公式為：

其中，為第j個保護裝置對應(yīng)的自調(diào)節(jié)期望信任因子，為第k個斷路器對應(yīng)的自調(diào)節(jié)期望信任因子，為第j個保護裝置的期望狀態(tài)，為第k個斷路器的期望狀態(tài)；

E_al(X)為反映保護裝置、斷路器的警報信息漏報與誤報情況的函數(shù)，其計算公式為：

其中，為第j個保護裝置對應(yīng)的自調(diào)節(jié)警報信任因子，第k個斷路器對應(yīng)的自調(diào)節(jié)警報信任因子，為第j個保護裝置的觀測狀態(tài)，為第k個斷路器的觀測狀態(tài)；

E_tl(X)為反映線路的故障概率與真實狀態(tài)匹配情況的函數(shù)，其計算公式為：

其中，為第z條輸電線，為對應(yīng)線路的故障概率，為對應(yīng)線路的自調(diào)節(jié)天氣信任因子；

所述自調(diào)節(jié)期望信任因子和自調(diào)節(jié)警報信任因子的計算方法包括以下分步驟：

A1、構(gòu)建期望狀態(tài)、真實狀態(tài)及觀測狀態(tài)之間的邏輯狀態(tài)組合及其對應(yīng)的評價；

A2、基于構(gòu)建的邏輯狀態(tài)組合及其對應(yīng)的評價，當保護裝置動作不可靠或者保護警報信息不準確時，構(gòu)建保護裝置的期望狀態(tài)和觀測狀態(tài)之間的邏輯關(guān)系：

同理，當斷路器動作不可靠或警報信息不準確時，構(gòu)建斷路器的期望狀態(tài)和觀測狀態(tài)之間的邏輯關(guān)系：

式中，α_r為保護裝置的不確定指標，當α_r＝1時，保護裝置動作不可靠或者保護警報信息不準確，當α_r＝0時，保護裝置動作可靠或者保護警報信息準確；α_c為斷路器的不確定指標，當α_c＝1時，斷路器動作不可靠或者斷路器警報信息不準確，當α_c＝0時，斷路器動作可靠或者斷路器保護警報信息準確；

A3、引入自檢信息對不確定指標進行區(qū)分，得到保護裝置的自檢警報指標s_r和斷路器的自檢警報指標s_c；

其中，當保護裝置發(fā)出自檢警告時，s_r＝1，否則s_r＝0；當斷路器發(fā)出自檢警報時，s_c＝1，否則s_c＝0；

A4、將不確定指標與自檢警報指標相結(jié)合，建立保護裝置的自調(diào)節(jié)期望信任因子δ_rex和自調(diào)節(jié)警報信任因子δ_rex；

δ_rex＝1-μα_r(1-s_r)

γ_ral＝1-α_rs_r

同理，得到斷路器的自調(diào)節(jié)期望信任因子δ_cex和自調(diào)節(jié)警報信任因子γ_cal；

δ_cex＝1-μα_c(1-s_c)

γ_cal＝1-α_cs_c

式中，μ為期望調(diào)節(jié)系數(shù)；

所述自調(diào)節(jié)天氣信任因子的計算方法包括以下分步驟：

B1、按照外部環(huán)境情況將線路故障風險劃分成四個等級；

B2、利用三角隸屬度函數(shù)將各等級的線路故障風險與各類災(zāi)害天氣下各氣象因素之間的模糊關(guān)系進行表達，建立灰色模糊判別矩陣和各氣象因素權(quán)重矩陣并對線路故障風險進行綜合評判，得到線路故障風險度

B3、將線路故障概率范圍平均分為4個區(qū)間，并與各線路故障風險等級一一對應(yīng)，取各個區(qū)間的中點作為線路故障風險度對應(yīng)的故障概率D_p；

B4、根據(jù)SCADA中的警報信息，計算函數(shù)E_tl(X)的選定指標t_cp：

式中，和分別為線路首端和末端的主保護、一級后備保護和二級后備保護的警報信息連或的邏輯結(jié)果，和分別為線路首端和末端的斷路器警報信息，β為警報信息最小系數(shù)；

B5、基于故障概率D_p和選定指標t_cp，計算自調(diào)節(jié)天氣信任因子Tp；

T_p＝2t_cpD_p

所述保護裝置的期望狀態(tài)包括主保護的動作期望、一級后備保護的動作期望、二級后備保護的動作期望和斷路器失靈保護的動作期望；

對于主保護的動作期望：

設(shè)r_km為可疑故障元件d_i的主保護，若d_i發(fā)生故障，則r_km應(yīng)響應(yīng)，主保護r_km動作期望為：

對于一級后備保護的動作期望：

設(shè)r_kp為可疑故障元件d_i的一級后備保護，若d_i發(fā)生故障且其主保護r_km拒動，則r_kp應(yīng)響應(yīng)，此時一級后備保護r_kp的動作期望為：

對于二級后備保護的動作期望：

設(shè)r_ks為可疑故障元件d_i的二級后備保護，當d_i故障時，其主保護和一級后備保護均拒動，則r_ks應(yīng)響應(yīng)；同時，當d_x∈D(R_ks)故障時，若r_ks到d_x關(guān)聯(lián)路徑上的斷路器均未動作，則r_ks應(yīng)響應(yīng)，此時二級后備保護r_ks的動作期望為：

式中，D(R_ks)為保護范圍內(nèi)除可疑故障元件以外的電網(wǎng)元件集合，二級后備保護r_ks直接保護的元件為d_i，p(r_ks,d_x)是r_ks到d_x的關(guān)聯(lián)路徑上的所有斷路器集合，d_x∈D；

對于斷路器失靈保護的動作期望：

設(shè)r_f為斷路器失靈保護，當保護裝置r_h∈R(c_h)動作驅(qū)動斷路器r_h∈R(c_h)跳閘時，c_h拒動，則斷路器失靈保護r_f應(yīng)響應(yīng)，此時斷路器失靈保護r_f的動作期望為：

式中，R(c_h)為可驅(qū)動斷路器c_h的所有保護裝置集合；

所述斷路器的期望狀態(tài)為斷路器的動作期望；

設(shè)R(c_k)為能驅(qū)動斷路器c_k跳閘的保護裝置集合，當任何一可驅(qū)動c_k跳閘的保護裝置r_i動作時，則斷路器c_k應(yīng)響應(yīng)，此時斷路器c_k的動作期望為：

所述步驟S4中的隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)中的基本單元為擴展脈沖神經(jīng)P系統(tǒng)，所述擴展脈沖神經(jīng)P系統(tǒng)Π的表達式為：

Π＝(O,σ₁,...,σ_M+2,syn,out)

式中，擴展脈沖神經(jīng)P系統(tǒng)Π簡稱為ESNPS；

O＝{a}為單字母集合，a為一個神經(jīng)脈沖，O為神經(jīng)脈沖a的集合；

σ₁,...,σ_M+2為隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)中的M+2個神經(jīng)元，下標1≤m≤M，M為神經(jīng)元序數(shù)，神經(jīng)元σ_M+1和σ_M+2為系統(tǒng)提供脈沖，其形式與功能相同，表現(xiàn)形式為σ_M+1＝σ_M+2＝(1,{a→a})，神經(jīng)元σ_m的表現(xiàn)形式為σ_m＝(1,R_m,P_m)，其中，為規(guī)則集合，作為脈沖量變化時的點火規(guī)則，為作用相反的遺忘規(guī)則，其表現(xiàn)形式分別為和λ為執(zhí)行遺忘規(guī)則后產(chǎn)生的空字符；為規(guī)則選擇概率有限集合，其作用為在尋優(yōu)過程中以不同選擇概率和分別對應(yīng)規(guī)則和且滿足

syn＝{(m,n)((1≤m≤M+1)∧(n＝M+2))∨((m＝M+2)∧(n＝M+1))}為神經(jīng)元σ_m之間的連接關(guān)系；

out＝{σ₁,…,σ_M}為輸出神經(jīng)元集合，系統(tǒng)Π在經(jīng)過計算之后，通過神經(jīng)元σ_m以脈沖串的形式將計算結(jié)果輸出出來；

所述擴展脈沖神經(jīng)P系統(tǒng)包括兩個板塊，分別為脈沖供給器和二進制脈沖發(fā)生器，在脈沖供給器中，神經(jīng)元σ_M+1和σ_M+2互相生成并傳遞脈沖，每次迭代運行時將脈沖供給二進制脈沖發(fā)生器，使得每個神經(jīng)元σ_m都能夠接收到一個脈沖；

所述二進制脈沖發(fā)生器由神經(jīng)元σ₁,...,σ_M組成，其運行規(guī)則如下：

(1)在系統(tǒng)Π運行時，各神經(jīng)元σ_m之間以并行的方式進行動作；

(2)當神經(jīng)元σ_m通過點火規(guī)則動作時，對應(yīng)神經(jīng)元σ_m輸出二進制編碼1，否則，執(zhí)行遺忘規(guī)則，對應(yīng)神經(jīng)元σ_m輸出二進制編碼0；

所述隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)運行時，將每個ESNPS中的每個神經(jīng)元σ_m的點火規(guī)則激發(fā)概率集合至一個點火規(guī)則激發(fā)概率矩陣P_R中，通過控制矩陣P_R中的元素的變化，實現(xiàn)對所有ESNPS的集中控制；

所述點火規(guī)則激發(fā)概率矩陣P_R為：

式中，為隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)中第i個擴展脈沖神經(jīng)P系統(tǒng)中的第j個神經(jīng)元的點火規(guī)則概率，下標H為擴展脈沖神經(jīng)P系統(tǒng)的個數(shù)，M為擴展脈沖神經(jīng)P系統(tǒng)的長度；

所述步驟S4中，利用隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)進行尋優(yōu)求解時包括以下分步驟：

S41、將SCADA數(shù)據(jù)作為系統(tǒng)Π的輸入數(shù)據(jù)，設(shè)置系統(tǒng)中ESNPS的個數(shù)為H，每個ESNPS的長度為M，最大迭代次數(shù)為N_maxgen及二進制脈沖串T_s；

S42、設(shè)置初始迭代次數(shù)T＝1；

S43、根據(jù)輸入數(shù)據(jù)初始化適應(yīng)度函數(shù)fitfunction；

S44、重新排列二進制脈沖串T_s，并將其轉(zhuǎn)換成點火規(guī)則激發(fā)概率矩陣P_R；

其中，點火規(guī)則激發(fā)概率矩陣P_R中每一行對應(yīng)一個ESNPS，依次為神經(jīng)元σ₁,...,σ_M的點火規(guī)則激發(fā)概率；

S45、判斷當前迭代次數(shù)是否小于等于最大迭代次數(shù)；

若是，則進入步驟S414；

若否，則進入步驟S46；

S46、根據(jù)點火規(guī)則激發(fā)概率矩陣P_R生成解矩陣B，使其滿足下列條件；

B_H×M＝f_randP_R

式中，B_H×M為大小為H×M的解矩陣，f_rand為rand函數(shù)生成的隨機數(shù)；

S47、對于每個ESNPS，根據(jù)適應(yīng)度函數(shù)fitfunction計算其對應(yīng)的適應(yīng)度函數(shù)值；

S48、將所有ESNPS對應(yīng)的適應(yīng)度函數(shù)值中的最小值作為當前迭代次數(shù)下的最優(yōu)解B_best對應(yīng)的適應(yīng)度函數(shù)值f_Bbest；

同時，將最大值作為當前迭代次數(shù)下的最差解B_bad對應(yīng)的適應(yīng)度函數(shù)值

S49、基于當前迭代次數(shù)下第i個個體的適應(yīng)度函數(shù)值更新個體歷史最優(yōu)解

其中，為第i個ESNPS的歷史最優(yōu)解；

S410、基于當前迭代次數(shù)下的最優(yōu)解B_best，更新全局最優(yōu)解G_best及其對應(yīng)適應(yīng)度函數(shù)值

同時，基于當前迭代次數(shù)下的最差解B_bad，更新全局最差解G_bad及其對應(yīng)適應(yīng)度函數(shù)值

其中，G_best即為前T次迭代次數(shù)中的最優(yōu)個體，G_bad為前T次迭代次數(shù)中的最差個體；

S411、利用rand函數(shù)隨機生成學習概率值并將f_rand與進行大小比較；

S412、根據(jù)f_rand與的比較結(jié)果，選擇對應(yīng)的學習率計算方式進行點火規(guī)則概率矩陣P_R的學習更新；

S413、使迭代次數(shù)T的值增加1，并返回步驟S45；

S414、將當前適應(yīng)度函數(shù)值對應(yīng)的全局個體最優(yōu)解G_best作為隨機自調(diào)節(jié)脈沖神經(jīng)P系統(tǒng)尋優(yōu)求解時的最優(yōu)解；

所述步驟S412中，當f_rand小于時，對點火規(guī)則概率矩陣P_R進行學習更新的方法包括以下步驟：

R1、從H個ESNPS生成的H個解中隨機選取不同于當前個體i的兩個個體k₁和k₂，判斷個體k₁和k₂對應(yīng)的適應(yīng)度函數(shù)值是否滿足

若是，則進入步驟R2；

若否，則進入步驟R3；

R2、使當前個體i向個體k₁學習，即進入步驟R4；

R3、使當前個體i向個體k₂學習，即進入步驟R4；

其中，和為染色體，為中間變量，和分別為第k₁、k₂條染色體的第j位二進制碼；

R4、判斷當前是否成立；

若是，則當前概率點火規(guī)則激發(fā)概率值的值增加為實現(xiàn)點火規(guī)則概率矩陣P_R的學習更新；

若否，則當前概率點火規(guī)則激發(fā)概率值的值減少為實現(xiàn)點火規(guī)則概率矩陣P_R的學習更新；

其中，點火規(guī)則激發(fā)概率值的增加量Δ₁的計算公式為：

點火規(guī)則激發(fā)概率值的減少量Δ₀的計算公式為：

當f_rand大于時，對點火規(guī)則概率矩陣P_R進行學習更新的方法為：

判斷當前迭代次數(shù)下的G_bestj＝1是否成立；

若是，則當前點火規(guī)則激發(fā)概率值增加為實現(xiàn)點火規(guī)則概率矩陣P_R的學習更新；

若否，則當前點火規(guī)則激發(fā)概率值減少為實現(xiàn)點火規(guī)則概率矩陣P_R的學習更新；

其中，點火規(guī)則激發(fā)概率值的增加量Δ'₁的計算公式為：

點火規(guī)則激發(fā)概率值的減少量Δ'₀的計算公式為：

式中，G_bestj為當前迭代次數(shù)下搜索到的全局最優(yōu)解的第j位二進制編碼；

所述步驟S5中，當最優(yōu)解的編碼為0時，其對應(yīng)的可疑故障元件未發(fā)生故障；當最優(yōu)解的編碼為1時，其對應(yīng)的可疑故障元件發(fā)生故障。