[发明专利]一种基于神经网络和模糊积分的电力系统故障诊断方法

说明书

技术领域

本发明涉及电网调度与故障分析领域，尤其涉及一种电力系统故障诊断方 法。

背景技术

电力系统发生故障的情况下，快速、准确的故障诊断对减少电能中断时间 和增强供电可靠性意义重大。SCADA/EMS等信息系统的广泛应用为获取故障 信息提供了技术条件，但故障时大量报警信息短时间内涌入调度中心，远远超 出了运行人员的处理能力。在电力系统发生复杂故障(多重故障、越级故障、 扩大性故障)以及保护、开关不正常动作或存在错误信息的情况下，诊断更加 困难。随着系统规模的扩大和实时性要求的提高，这些问题将更加突出。

神经网络是人们在模仿人脑处理问题的过程中发展起来的一种新型智能信 息处理理论，它通过大量称为神经元的简单处理单元构成非线性动力学系统。 神经网络的高速并行处理、分布存储信息等特性，具有很强的自学习性、自组 织性、容错性、高度非线性、高鲁棒性、联想记忆功能和推理意识功能强等特 点。其特色在于信息的分布存储和并行协同处理，十分适用于像故障诊断这类 多变量非线性问题。本发明采用面向元件的建模思路构造神经网络得到初级诊 断结论。

但面向元件的诊断结论是根据局部信息得出的局部结论，要精准地在全网 范围内确定故障还需对这些局部结论进行融合。现有的融合算法主要有贝叶斯 方法、D-S证据推理法和模糊积分法。贝叶斯方法需要先验信息，这种先验信 息在实际应用中往往难以获得；且要求决策集合的元素相互独立，该条件太苛 刻。D-S证据推理法要求所使用的证据必须相互独立，一般难以满足，且会出 现组合爆炸的情况。模糊集理论可以很好地描述不确定现象，因此基于模糊集 理论的融合方法是应用最为广泛的一类融合工具。模糊积分法以模糊集理论为 理论基础，考虑到了分类器的可靠性问题，避免了对先验信息的讨论，也无需 做各元件初级诊断结论独立性假设，可以更好地表达和处理系统中的不确定性 问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于神经网络和模糊积 分的电力系统故障诊断方法。

本发明的目的是通过以下技术方案来实现的：

一种基于神经网络和模糊积分的电力系统故障诊断方法，包括以下步骤：

(1)对电网的三类主要元件线路、母线、变压器分别建立保护模型和神经网络 模型；

(2)选取训练样本和RBF网络对元件神经网络进行训练；

(3)采用实时结线分析方法来识别故障前与故障后的系统拓扑结构差异，确定 故障区域，将故障区域内的元件作为候选故障元件；

(4)基于面向元件的神经网络模型进行初级故障诊断；

(5)利用模糊技术对初级故障诊断结论进行预处理；

(6)根据电网拓扑信息形成故障元件候选集D＝{d₁，d₂…d_N}，其中，d为故障候 选元件；

(7)根据电网拓扑信息形成各个故障候选元件的直接关联元件集合 D_i-direct＝{d_m…d_n}与隔一级关联元件集合D_i-indirect＝{d_k…d_l}；

(8)确定模糊密度，即gⁱ＝g({x_i})i＝1，2，…n，其中，gⁱ就是第i个信息的模糊密 度，亦即为其权重；

(9)根据拓扑信息及各元件的诊断结论，形成直接关联元件对故障候选元件 故障的支持程度的集合F_i-direct＝{f_m…f_n}与隔一级关联元件对该元件故障的支 持程度的集合F_i-indirect＝{f_k…f_l}；