[发明专利]基于自适应神经模糊推理系统的配电网故障分类方法

说明书

技术领域

本发明涉及电力系统技术领域，尤其是涉及一种基于自适应神经模糊推理系统的配电网故障分类方法。

背景技术

随着现代电力用户对供电连续性和可靠性要求的不断提高以及电网企业对用户满意度的日益重视，如何在电网发生故障后，分析故障原因、选出故障馈线、隔离故障区段并快速恢复供电变得日益重要。因此，对用于故障后分析和为运行人员提供辅助决策的故障诊断的研究越来越成为研究这关注的热点。而故障分类的研究作为选线、定位、保护动作评价等配电网故障后分析的基础，对运行人员分析故障起着非常重要的作用。随着用户对供电可靠性的要求不断提高、配电网自动化的不断推进甚至将来智能配电网的建设、运营单位将更加需要准确的故障分类结果。

自适应神经-模糊推理系统(Adaptive Neuro-Fuzzy Inference System，ANFIS)是1991年由Jangles Roger等人提出的，现有技术中的模糊模型的一个最大弱点是它本身不具备学习和自适应的能力，具体表现在规则及相应隶属度函数的调整很困难。而神经网络可以根据训练样本集通过学习生成对应的映射规则，但这些映射规则通常以连接权的形式隐含在网络中，要具体分析特定的权值和这种映射规则的关系有比较困难。而自适应神经-模糊推理系统的出现完美地结合了模糊推理系统在评估模糊(不精确、定性)复杂对象时的广泛适用能力和人工神经网络在处理问题时的自主学习能力，并且有克服了各自的不足。并且现在越来越得到了广泛的研究和应用。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种具有较高的分类识别准确性、并且对故障点的变化具有较好的鲁棒性以及对网络拓扑结构的变化具有较强的适应性的基于自适应神经模糊推理系统的配电网故障分类方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于自适应神经模糊推理系统的配电网故障分类方法，其特征在于，包括以下步骤：

步骤1：基于仿真软件，搭建典型配电网结构，仿真出各种类型的配电网故障，建立包括各种配电网故障类型的多个训练样本的训练样本集；构造一个递阶自适应神经模糊推理系统；在使用该推理系统对故障进行分类前，使用混合学习算法对构建的递阶模糊推理系统进行训练，确定系统中的前件参数和结论参数，所述故障类型包括：单相接地短路故障的三种A相接地故障、B相接地故障以及C相接地故障，两相接地故障中的三种AB两相接地短路故障、AC两相接地短路故障以及BC两相接地短路故障，三相短路故障，两相不接地短路故障中三种AB两相不接地故障、AC两相不接地故障以及BC两相不接地故障；定义M的分别代表10种配电网故障，其中，M＝1，2，…，10；具体包括以下子步骤：

步骤1.1：基于PSCAD-EMTDC仿真，搭建典型配电网结构，在其上对配电网的10种故障类型进行仿真，分别仿真出各类故障的三相电流，以此建立包括各配电网故障类型的多个训练样本的训练样本集；

步骤1.2：对训练样本集中所有训练样本进行特征提取，得到每个训练样本的特征向量，本步骤利用统计参数来构造特征量，对训练样本构造特征量ρ_a，b，ρ_a，c和ρ_b，c为：

式一

其中，

式二

s_max＝max(s_p)，p＝a，b，c式三

式四

式五

式六

其中，分别表示表示a、b、c三相电流的标幺值；表示为第t个样本的p相电流；r为样本数；E(x)为求变量x的数学期望；s_p(p＝a，b，c)为p相电流的标准差；ρ_a，b、ρ_a，b及ρ_a，b分别表示a相与b相电流的相关系数、a相与c相电流的相关系数以及b相与c相电流的相关系数；

则构造的特征向量可以表示为[x₁，x₂，x₃，x₄，x₅，x₆]，其中，x₄＝ρ_a，b，x₅＝ρ_a，c，x₆＝ρ_b，c；