[发明专利]一种基于确定学习的电力系统输电线短路故障诊断方法

摘要

本发明公开了一种基于确定学习的电力系统输电线短路故障诊断方法，具体按照以下步骤进行：S1.建立多机电力系统模型；S2.定义短路故障动态、故障影响集和子系统故障集；S3.学习短路故障动态；S4.构造短路故障监测器和残差范数；S5.设计短路故障快速诊断策略，用于对输电线上的短路故障进行快速诊断。该诊断方法通过运用确定学习，可以保证满足部分持续激励条件，从而保证神经网络权值的收敛到最优值，通过运用局部激活算子，可以只激活系统轨迹附近的神经元，从而大大降低了计算负荷，同时通过使用知识可以实现快速的短路故障诊断。

主权项

1.一种基于确定学习的电力系统输电线短路故障诊断方法，电力系统包括n台同步电机通过输电线相互连接，其特征在于，包括以下步骤：S1.利用图论来描述电力系统的拓扑结构，拓扑结构的图论表示为G(V,ε)，其中是结点集合，结点i对应于第i台同步电机，是边集合，(i,j)表示第i台同步电机和第j台同步电机相连接，是邻近集，表示与第i台同步电机相连接的同步电机集合；采用电力系统三阶经典动力学模型描述多机电力系统，并对同步电机输出功率求导获得其动力学方程，其动力学方程包含已知的系统局部动态和未知的互联项动态；S2.定义短路故障动态、故障影响集和子系统故障集；其中通过互联项动态来刻画短路暂态过程的故障状态，通过故障影响集和子系统故障集来描述故障与同步电机之间的关系；S3.建立学习系统对短路故障进行学习训练，该系统包括RBF神经网络动态观测器、权值更新法则、神经元编码法则和局部激活算子，其中：RBF神经网络动态观测器：权值更新法则：其中是动态观测器的状态，其中且a_i＞0是观测器增益，是局部RBF神经网络，是权值更新增益，用来逼近互联项γ_i(z_i)；神经元编码法则：对于一个RBF网络其神经元中心均匀分布在区域上，该RBF网络的神经元编码按照以下式子设计：其中Β_c(ξ_i)表示网络中神经元中心为ξ_i的神经元的编号，ξ_i＝[ξ_i1,ξ_i2,...,ξ_iq]^T表示第i个神经元中心，q为神经网络中心点ξ_i的维数，是神经网络的起始点，即最接近神经网络逼近区域Ω_z的起始点的神经元中心点，Μ₀＝1,Μ_k(k＝1,...,q‑1)是神经网络逼近区域Ω_z中第k维的神经元数目，σ表示两个相邻近的神经元的距离；局部激活算子描述如下：其中N_i＝Β_c(ξ_i)表示神经网络中神经元中心为ξ_i的神经元编号，Υ[·]为取整符号，z＝[z₁,z₂,...,z_q]^T是神经网络的输入点，ρ是神经网络输入的邻域半径，局部激活算子Β_c(z)的作用是选择出在神经网络输入点z附近，即半径为ρ的邻域内的神经元的编号；S4.构造短路故障监测器和残差范数：对于每一台同步电机，构造一系列短路故障监测器，所述的短路故障监测器嵌入S3所存储的常值神经网络，每一个故障监测器对应一种短路故障模式；将每个短路故障监测器的状态分别和被监测系统的状态进行比较，把两者之间的状态差异作为残差，并对残差取平均L1范数，可得到一系列残差平均L1范数，简称残差范数；S5.设计短路故障快速诊断决策，包括局部诊断和全局诊断；局部诊断：对某一台同步电机，若在S4所产生的一系列残差范数中，存在某一个残差范数小于设定的阈值，并且小于其他残差范数，则判断该残差范数对应的短路故障模式发生；全局诊断：对某一个影响多台同步电机的全局短路故障，若对在其故障影响集内的所有同步电机，对应的局部诊断器都判断该故障发生，则判断该全局短路故障发生。