[发明专利]一种基于自适应优化脉冲神经膜系统的故障诊断方法

摘要

一种基于自适应优化脉冲神经膜系统的故障诊断方法，包括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；根据可疑故障元件与保护动作和断路器跳闸之间的逻辑关系，将故障诊断问题表示为0‑1整数规划问题；对原有的优化脉冲神经膜系统中的学习率进行改进，并且引入交叉和变异，得到自适应优化脉冲神经膜系统对目标函数进行求解后确定故障元件；建立人机交互式界面窗口，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。本发明故障诊断的正确性高，不需要其他启发式优化算法的辅助，并能够极大的减少迭代次数，快速地寻找到最优值。

主权项

1.一种基于自适应优化脉冲神经膜系统的故障诊断方法，其特征在于，包括以下步骤：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:对优化脉冲神经膜系统进行改进，得到自适应优化脉冲神经膜系统，包括S131：输入学习概率值将脉冲串T_s重新排列成规则概率矩阵P_R，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P_R的列数，矩阵中的每一行概率值来自同一个ESNPS，即扩展脉冲神经膜系统，用于表示优化问题的一个个体；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P_R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；S137：产生一个随机数f_rand，如果随机数f_rand小于学习概率值则继续，否则，转至S1310；S138：在H个个体当中，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(C_k1)和f(C_k2)存在关系f(C_k1)＞f(C_k2)，则当前个体i向k₁学习，即b_j＝b_k1，否则，当前个体i向k₂学习，即b_j＝b_k2；其中，b_j、b_k1和b_k2分别是中间变量、第k₁个和第k₂个个体的第j位二进制码；S139：如果b_j＞0.5，则当前规则概率值为否则，当前规则概率值为S1310：如果搜索到最好解的第j位二进制码为则当前规则概率值为否则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；S1325:如果gen≤gen_max则转至S132，否则继续；其中，gen_max为最大迭代次数；S14：利用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；所述自适应优化脉冲神经膜系统中，包括步骤S13调整后的规则概率矩阵；所述步骤S13:对优化脉冲神经膜系统进行改进，得到自适应优化脉冲神经膜系统，还包括步骤：S1313：计算当代全局最优值G_bestfit(gen)，当代样本多样性值DP_average(gen)以及当代最好个体所对应的列标R_bestfit；S1314：如果G_bestfit(gen)＞G_bestfit(gen‑1)，则使P_cm1＝0；如果G_bestfit(gen)＝G_bestfit(gen‑1)，则使其中，P_cm1和G_bestfit(gen‑1)分别代表局部最优触发条件和前一代全局最优值；N_nimaxgen＞1且N_nimaxgen∈Ν，即取大于1的自然数；S1315：计算样本多样性比值其中，DP_average(0)为初始样本多样性值；S1316:如果同时满足触发条件rand₁(.)＜P_cm1和rand₂(.)＞P_cm2，则继续，否则转至S1325；其中，rand₁(.)和rand₂(.)是取自0～1之间的随机数；S1317:令行指示器i＝1；S1318:判断i是否大于H，如果是则继续，如果不是则转至S1325继续；S1319:如果i≠R_bestfit，则继续，否则转至S1324继续；S1320:令列指示器j＝1；S1321:如果j小于m，则继续，否则转至S1324继续；S1322:如果随机自由量则当前规则概率值进行变异操作P_ij(gen)＝rand₄(.)，否则不进行变异操作；其中rand₃(.)和rand₄(.)是取自0～1之间的随机数；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；上述步骤位于S1312和S1325之间。