[发明专利]基于随机自调节脉冲神经P系统的电网故障诊断方法

权利要求书

1.基于随机自调节脉冲神经P系统的电网故障诊断方法，其特征在于，包括以下步骤：

S1、读取SCADA数据；

S2、基于读取的SCADA数据，确定待诊断电力系统中的停电区域；

S3、基于确定的停电区域，建立对应的故障诊断目标函数；

S4、基于SCADA数据，利用随机自调节脉冲神经P系统对建立的故障诊断目标函数进行寻优求解，获得最优解；

S5、根据最优解的编码确定电网故障诊断结果；

所述步骤S2中确定停电区域的方法具体为：

基于SCADA数据，利用结线分析法对待诊断电力系统进行迭代搜索，并在迭代搜索过程中找出待诊断电力系统中的所有无源网络，即确定停电区域；

具体包括以下分步骤：

S21、设置搜索迭代次数C的初始值为1；

S22、基于SCADA数据，依次对待诊断电力系统中的每个元件进行编号，所有的元件编号构成Q_C；

S23、从元件编号集合Q_C中任意取一个元件编号放入元件编号子集合M_C中；

S24、判断最新加入到元件编号子集合M_C中的元件编号对应的元件是否存在与之相连的闭合断路器；

若是，则进入步骤S24；

若否，则进入步骤S25；

S24、将元件编号集合Q_C中与当前确定的闭合断路器连接所有元件对应的元件编号均加入到元件编号子集合M_C中，返回步骤A3；

S25、使搜索迭代次数C增加1；

S26、从元件编号集合Q_C-1中移除元件编号子集合M_C-1中的所有元件编号，得到新的元件编号集合Q_C；

S27、判断当前元件编号集合Q_C是否为空；

若是，则进入步骤S28；

若否，则返回步骤S23；

S28、列出元件编号子集合M₁,...S_C,...,M_N中的所有无源网络，即确定停电区域；

其中，下标N为迭代搜索过程中所获得的元件编号子集合的个数；

所述步骤S3具体为：

S31、根据停电区域的拓扑结构，建立由停电区域内的可疑故障元件、保护装置和断路器组成的故障假说H；

S32、基于故障假说，构建故障诊断目标函数；

所述步骤S31中建立故障假说H的方法具体为：

设停电区域内包含n_d个可疑故障元件、n_r个保护装置和n_c个断路器，则建立的故障假说的表达式为：

X＝[D、R、C]

式中，1≤i≤n_d，d_i为停电区域内第i个可疑元件的实际状态，当d_i为1时，对应可疑故障元件已故障，d_i为0时，对应可疑元件正常且未故障；

1≤j≤n_r，r_j为停电区域内第j个保护装置的实际状态，当r_j为1时，对应保护装置已动作，r_j为0时，对应保护装置未动作；

1≤k≤n_c，c_k为停电区域内第k个断路器的实际状态，当c_k为1时，对应断路器已跳闸，c_k为0，对应断路器未跳闸；

所述步骤S32中，故障诊断目标函数minE(X)的表达式为：

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

式中，δ_ex为自调节期望信任因子，包括保护装置的自调节期望信任因子和断路器的自调节期望信任因子

γ_al为自调节警报信任因子，包括保护装置的自调节警报信任因子γ_ral和断路器的自调节警报信任因子γ_cal；

T_p为自调节天气信任因子；

E_ex(X)为反映保护装置、断路器的误动与拒动情况的函数，其计算公式为：

其中，为第j个保护装置对应的自调节期望信任因子，为第k个断路器对应的自调节期望信任因子，为第j个保护装置的期望状态，为第k个断路器的期望状态；

E_al(X)为反映保护装置、断路器的警报信息漏报与误报情况的函数，其计算公式为：

其中，为第j个保护装置对应的自调节警报信任因子，第k个断路器对应的自调节警报信任因子，为第j个保护装置的观测状态，为第k个断路器的观测状态；

E_tl(X)为反映线路的故障概率与真实状态匹配情况的函数，其计算公式为：

其中，为第z条输电线，为对应线路的故障概率，为对应线路的自调节天气信任因子；

所述自调节期望信任因子和自调节警报信任因子的计算方法包括以下分步骤：

A1、构建期望状态、真实状态及观测状态之间的逻辑状态组合及其对应的评价；

A2、基于构建的逻辑状态组合及其对应的评价，当保护装置动作不可靠或者保护警报信息不准确时，构建保护装置的期望状态和观测状态之间的逻辑关系：

同理，当断路器动作不可靠或警报信息不准确时，构建断路器的期望状态和观测状态之间的逻辑关系：

式中，α_r为保护装置的不确定指标，当α_r＝1时，保护装置动作不可靠或者保护警报信息不准确，当α_r＝0时，保护装置动作可靠或者保护警报信息准确；α_c为断路器的不确定指标，当α_c＝1时，断路器动作不可靠或者断路器警报信息不准确，当α_c＝0时，断路器动作可靠或者断路器保护警报信息准确；

A3、引入自检信息对不确定指标进行区分，得到保护装置的自检警报指标s_r和断路器的自检警报指标s_c；

其中，当保护装置发出自检警告时，s_r＝1，否则s_r＝0；当断路器发出自检警报时，s_c＝1，否则s_c＝0；

A4、将不确定指标与自检警报指标相结合，建立保护装置的自调节期望信任因子δ_rex和自调节警报信任因子δ_rex；

δ_rex＝1-μα_r(1-s_r)

γ_ral＝1-α_rs_r

同理，得到断路器的自调节期望信任因子δ_cex和自调节警报信任因子γ_cal；

δ_cex＝1-μα_c(1-s_c)

γ_cal＝1-α_cs_c

式中，μ为期望调节系数；

所述自调节天气信任因子的计算方法包括以下分步骤：

B1、按照外部环境情况将线路故障风险划分成四个等级；

B2、利用三角隶属度函数将各等级的线路故障风险与各类灾害天气下各气象因素之间的模糊关系进行表达，建立灰色模糊判别矩阵和各气象因素权重矩阵并对线路故障风险进行综合评判，得到线路故障风险度

B3、将线路故障概率范围平均分为4个区间，并与各线路故障风险等级一一对应，取各个区间的中点作为线路故障风险度对应的故障概率D_p；

B4、根据SCADA中的警报信息，计算函数E_tl(X)的选定指标t_cp：

式中，和分别为线路首端和末端的主保护、一级后备保护和二级后备保护的警报信息连或的逻辑结果，和分别为线路首端和末端的断路器警报信息，β为警报信息最小系数；

B5、基于故障概率D_p和选定指标t_cp，计算自调节天气信任因子Tp；

T_p＝2t_cpD_p

所述保护装置的期望状态包括主保护的动作期望、一级后备保护的动作期望、二级后备保护的动作期望和断路器失灵保护的动作期望；

对于主保护的动作期望：

设r_km为可疑故障元件d_i的主保护，若d_i发生故障，则r_km应响应，主保护r_km动作期望为：

对于一级后备保护的动作期望：

设r_kp为可疑故障元件d_i的一级后备保护，若d_i发生故障且其主保护r_km拒动，则r_kp应响应，此时一级后备保护r_kp的动作期望为：

对于二级后备保护的动作期望：

设r_ks为可疑故障元件d_i的二级后备保护，当d_i故障时，其主保护和一级后备保护均拒动，则r_ks应响应；同时，当d_x∈D(R_ks)故障时，若r_ks到d_x关联路径上的断路器均未动作，则r_ks应响应，此时二级后备保护r_ks的动作期望为：

式中，D(R_ks)为保护范围内除可疑故障元件以外的电网元件集合，二级后备保护r_ks直接保护的元件为d_i，p(r_ks,d_x)是r_ks到d_x的关联路径上的所有断路器集合，d_x∈D；

对于断路器失灵保护的动作期望：

设r_f为断路器失灵保护，当保护装置r_h∈R(c_h)动作驱动断路器r_h∈R(c_h)跳闸时，c_h拒动，则断路器失灵保护r_f应响应，此时断路器失灵保护r_f的动作期望为：

式中，R(c_h)为可驱动断路器c_h的所有保护装置集合；

所述断路器的期望状态为断路器的动作期望；

设R(c_k)为能驱动断路器c_k跳闸的保护装置集合，当任何一可驱动c_k跳闸的保护装置r_i动作时，则断路器c_k应响应，此时断路器c_k的动作期望为：

所述步骤S4中的随机自调节脉冲神经P系统中的基本单元为扩展脉冲神经P系统，所述扩展脉冲神经P系统Π的表达式为：

Π＝(O,σ₁,...,σ_M+2,syn,out)

式中，扩展脉冲神经P系统Π简称为ESNPS；

O＝{a}为单字母集合，a为一个神经脉冲，O为神经脉冲a的集合；

σ₁,...,σ_M+2为随机自调节脉冲神经P系统中的M+2个神经元，下标1≤m≤M，M为神经元序数，神经元σ_M+1和σ_M+2为系统提供脉冲，其形式与功能相同，表现形式为σ_M+1＝σ_M+2＝(1,{a→a})，神经元σ_m的表现形式为σ_m＝(1,R_m,P_m)，其中，为规则集合，作为脉冲量变化时的点火规则，为作用相反的遗忘规则，其表现形式分别为和λ为执行遗忘规则后产生的空字符；为规则选择概率有限集合，其作用为在寻优过程中以不同选择概率和分别对应规则和且满足

syn＝{(m,n)((1≤m≤M+1)∧(n＝M+2))∨((m＝M+2)∧(n＝M+1))}为神经元σ_m之间的连接关系；

out＝{σ₁,…,σ_M}为输出神经元集合，系统Π在经过计算之后，通过神经元σ_m以脉冲串的形式将计算结果输出出来；

所述扩展脉冲神经P系统包括两个板块，分别为脉冲供给器和二进制脉冲发生器，在脉冲供给器中，神经元σ_M+1和σ_M+2互相生成并传递脉冲，每次迭代运行时将脉冲供给二进制脉冲发生器，使得每个神经元σ_m都能够接收到一个脉冲；

所述二进制脉冲发生器由神经元σ₁,...,σ_M组成，其运行规则如下：

(1)在系统Π运行时，各神经元σ_m之间以并行的方式进行动作；

(2)当神经元σ_m通过点火规则动作时，对应神经元σ_m输出二进制编码1，否则，执行遗忘规则，对应神经元σ_m输出二进制编码0；

所述随机自调节脉冲神经P系统运行时，将每个ESNPS中的每个神经元σ_m的点火规则激发概率集合至一个点火规则激发概率矩阵P_R中，通过控制矩阵P_R中的元素的变化，实现对所有ESNPS的集中控制；

所述点火规则激发概率矩阵P_R为：

式中，为随机自调节脉冲神经P系统中第i个扩展脉冲神经P系统中的第j个神经元的点火规则概率，下标H为扩展脉冲神经P系统的个数，M为扩展脉冲神经P系统的长度；

所述步骤S4中，利用随机自调节脉冲神经P系统进行寻优求解时包括以下分步骤：

S41、将SCADA数据作为系统Π的输入数据，设置系统中ESNPS的个数为H，每个ESNPS的长度为M，最大迭代次数为N_maxgen及二进制脉冲串T_s；

S42、设置初始迭代次数T＝1；

S43、根据输入数据初始化适应度函数fitfunction；

S44、重新排列二进制脉冲串T_s，并将其转换成点火规则激发概率矩阵P_R；

其中，点火规则激发概率矩阵P_R中每一行对应一个ESNPS，依次为神经元σ₁,...,σ_M的点火规则激发概率；

S45、判断当前迭代次数是否小于等于最大迭代次数；

若是，则进入步骤S414；

若否，则进入步骤S46；

S46、根据点火规则激发概率矩阵P_R生成解矩阵B，使其满足下列条件；

B_H×M＝f_randP_R

式中，B_H×M为大小为H×M的解矩阵，f_rand为rand函数生成的随机数；

S47、对于每个ESNPS，根据适应度函数fitfunction计算其对应的适应度函数值；

S48、将所有ESNPS对应的适应度函数值中的最小值作为当前迭代次数下的最优解B_best对应的适应度函数值f_Bbest；

同时，将最大值作为当前迭代次数下的最差解B_bad对应的适应度函数值

S49、基于当前迭代次数下第i个个体的适应度函数值更新个体历史最优解

其中，为第i个ESNPS的历史最优解；

S410、基于当前迭代次数下的最优解B_best，更新全局最优解G_best及其对应适应度函数值

同时，基于当前迭代次数下的最差解B_bad，更新全局最差解G_bad及其对应适应度函数值

其中，G_best即为前T次迭代次数中的最优个体，G_bad为前T次迭代次数中的最差个体；

S411、利用rand函数随机生成学习概率值并将f_rand与进行大小比较；

S412、根据f_rand与的比较结果，选择对应的学习率计算方式进行点火规则概率矩阵P_R的学习更新；

S413、使迭代次数T的值增加1，并返回步骤S45；

S414、将当前适应度函数值对应的全局个体最优解G_best作为随机自调节脉冲神经P系统寻优求解时的最优解；

所述步骤S412中，当f_rand小于时，对点火规则概率矩阵P_R进行学习更新的方法包括以下步骤：

R1、从H个ESNPS生成的H个解中随机选取不同于当前个体i的两个个体k₁和k₂，判断个体k₁和k₂对应的适应度函数值是否满足

若是，则进入步骤R2；

若否，则进入步骤R3；

R2、使当前个体i向个体k₁学习，即进入步骤R4；

R3、使当前个体i向个体k₂学习，即进入步骤R4；

其中，和为染色体，为中间变量，和分别为第k₁、k₂条染色体的第j位二进制码；

R4、判断当前是否成立；

若是，则当前概率点火规则激发概率值的值增加为实现点火规则概率矩阵P_R的学习更新；

若否，则当前概率点火规则激发概率值的值减少为实现点火规则概率矩阵P_R的学习更新；

其中，点火规则激发概率值的增加量Δ₁的计算公式为：

点火规则激发概率值的减少量Δ₀的计算公式为：

当f_rand大于时，对点火规则概率矩阵P_R进行学习更新的方法为：

判断当前迭代次数下的G_bestj＝1是否成立；

若是，则当前点火规则激发概率值增加为实现点火规则概率矩阵P_R的学习更新；

若否，则当前点火规则激发概率值减少为实现点火规则概率矩阵P_R的学习更新；

其中，点火规则激发概率值的增加量Δ'₁的计算公式为：

点火规则激发概率值的减少量Δ'₀的计算公式为：

式中，G_bestj为当前迭代次数下搜索到的全局最优解的第j位二进制编码；

所述步骤S5中，当最优解的编码为0时，其对应的可疑故障元件未发生故障；当最优解的编码为1时，其对应的可疑故障元件发生故障。