一种基于多算法融合的故障智能诊断方法技术

本发明专利技术涉及一种基于多算法融合的故障智能诊断方法，包括以下步骤：（1）基于神经网络的故障定位：神经网络故障定位流程分为两部分，包括网络训练过程和故障定位过程；（2）将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统；（3）通过集成各类告警信息准确的分析出故障停电区域，进行故障停电信息发布，同时分析出故障停电范围。本发明专利技术为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率，提高故障智能诊断水平。

An intelligent fault diagnosis method based on multi algorithm fusion

The invention relates to a fault intelligent diagnosis method based on multi algorithm fusion, which includes the following steps: (1) fault location based on Neural Network: neural network fault location process is divided into two parts, including network training process and fault location process; (2) the genetic algorithm, neural network and expert system are integrated to form fault diagnosis based on neural network and genetic algorithm Fault expert system; (3) through the integration of all kinds of alarm information to accurately analyze the fault outage area, release the fault outage information, and analyze the fault outage scope. The invention provides the site emergency repair personnel with the location of the fault point, reduces the scope of troubleshooting, shortens the time of line patrol, thus improving the efficiency of emergency repair and improving the level of intelligent fault diagnosis.

【技术实现步骤摘要】
一种基于多算法融合的故障智能诊断方法
本专利技术涉及一种基于多算法融合的故障智能诊断方法，将神经网络、灰色理论、模式识别、故障树分析等技术相结合，实现设备故障的智能诊断，提高故障智能诊断水平。
技术介绍
随着国民经济的发展和人民生活水平的不断提高，人们对供电可靠性和服务质量的要求越来越高。故障定位的准确、故障抢修的及时已然成为客户评价供电公司服务水平的标准。故障诊断是指在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测状态劣化的发展趋势等。由于电网设备日趋复杂化、智能化，传统的诊断技术已经不能适应了，随着人工智能技术的迅速发展，特别是神经网络、遗传算法、专家系统等技术在诊断领域中的进一步应用，诊断技术也日趋智能化。在中低压配电网中，单相接地故障约占配电网总故障的80％。当发生单相接地故障时，不能形成低阻抗的短路回路，故障电流远小于负荷电流，很难高效、准确地进行故障定位。保障配电网系统安全稳定地运行，快速找出故障线路以及确定故障位置，显得十分重要。目前大量的诊断方法被提出，部分方法已经实现现场应用，但效率和准确性仍需进一步提升。
技术实现思路
本专利技术采用多算法融合方法进行故障诊断和定位，同时分析出故障停电范围，为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率，提高故障智能诊断水平。本专利技术的技术方案：一种基于多算法融合的故障智能诊断方法，包括以下步骤：(1)基于神经网络的故障定位：神经网络故障定位流程分为两部分，包括网络训练过程和故障定位过程；提取特征量数据，构建好训练样本，然后进行网络训练，得到收敛的神经网络权值，将测试样本数据送入到已经训练好的神经网络中去，进行识别判断，从而得到定位的结果；(2)将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统；(3)通过集成各类告警信息准确的分析出故障停电区域，进行故障停电信息发布，同时分析出故障停电范围。优选的，所述步骤(1)中利用Matlab神经网络工具箱中newlvq函数构建一个神经网络。优选的，故障特征量选择3个，分别为：小波能量Ei、有功功率Hi和五次谐波Pi；来表征系统某一故障时特征向量，记为向量X,则输入向量X＝(Ei,Hi,Pi)。优选的，神经网络算法包括以下步骤：步骤1：初始化惩罚因子0＜B≤1，学习速率0＜a＜1、参数C＝1和竞争层神经元偏置其中初始化pk(1)＝0，其中t←1,t为迭代次数，T为最大的迭代次数；t←1,a(i)表示样本序号；初始化所有权值向量，公式如式(1):步骤2：随机生成的样本，其提交顺序序列为a(i),i＝1,2,...,n,1≤a(i)≤n；步骤3：查找和第a(i)个样本特征向量最近的神经元所对应的权值wj；||x-wj||＝min{||x-wk||-bk},k＝1,2,...,N(2)pk(t+1)←pk(t)+B(yk-pk(t))(4)对第a(i)个样本向量的对应分类结果进行计算，若分类结果是正确的，则将获胜神经元的权值向量按照公式(6)更新，反之按公式(7)更改：wk(t+1)←wK+a(x-wk(t))(6)wk(t+1)←wK-a(x-wk(t))(7)之后计算哪一条分类正确的神经元s和输入向量最接近，并更新其权值向量：wt(t+1)←wt(t)+a(x-ws(t))(8)步骤4：若i＜N,则i←i+1，同时转向步骤3；否则转向步骤5；步骤5：t←t+1，若t＞T，结束；否则i←1，转向步骤2，进行下次训练。公式中：惩罚因子B，学习速率a，参数C，竞争层神经元偏置b，迭代次数t，最大的迭代次数T，权值向量w，输入神经元p，输出样本t←1,a(i)。优选的，步骤(2)专家系统在电网故障诊断中的典型应用归结为:首先建立故障信息知识库，并用自然语言建立产生式规则；然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中；故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按策略进行推理，从而识别出故障元件。优选的，按策略进行推理中的中的策略是指：依据电力系统故障信息组建故障信息知识库，并参照经典故障案例建设经典故障模型，发生故障时，推理机参照实时故障信息建立实时故障模型，并运用冲突的消除策略，从这些都可满足的经典模型中挑选出一个执行，反复地进行寻找，直到数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时才停止。优选的，用遗传算法优化具有全局性的参数和网络结构，用神经网络BP算法调节和优化具有局部性的参数，这样遗传算法作为一种离线训练模糊神经推理控制器，用神经网络BP算法作为一种在线调节神经网络的局部性参数。优选的，步骤(2)所述系统流程为：首先通过用户界面录入故障信息特征参数，对特征参数建立诊断系统的数据预处理模块与数据获取模块，由此得到故障数据库并进行归一化处理，构建遗传算法训练神经网络进行预测；通过专家系统组建的知识库，模糊神经推理控制器会进行动态学习，并由自学习控制模块调度模糊神经推理控制器离线学习，与专家知识库实现智能交互；利用专家知识库搭建经典故障模型，故障发生时，故障信息通过数据预处理模块组成实时故障模型，与相似经典故障模型进行匹配，实现故障的智能判断。优选的，步骤(2)所述系统在运行时，模糊神经推理控制器进行动态学习，优化神经网络的权值；系统中的自学习控制模块用来调度模糊神经推理控制器的离线学习；系统对被处理对象进行全局的分析。优选的，所述步骤(3)故障研判流程为：a)首先依据用户报修的结构化地址信息进行模糊定位,自动判断设备故障情况；b)然后再依据电网拓扑关系由下往上追溯到所属配变，接着判断是否该配变是否有停电告警，有则报修为配变故障，无则报修为低压单户故障；c)最后反馈至专业人员进行信息确认并执行故障处置流程，最终实现了设备状态信息实时监控、故障信息预警预判，实现元器件故障快速定位、反馈及运检人员快速响应。本专利技术的有益效果：本专利技术采用多算法融合方法进行故障诊断和定位，同时分析出故障停电范围，为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率，提高故障智能诊断水平。本专利技术的内容在于对故障信号进行检测和处理的基础上，结合领域专家知识和人工智能技术进行诊断推理，具有对给定环境下的诊断对象进行状态识别和状态预测的能力。它适用于模拟人的思维过程。解决需要进行逻辑推理的复杂诊断问题。可以根据诊断过程的需要搜索和利用领域专家的知识及经验来达到故障智能诊断目的，大大提高故障诊断水平。附图说明图1为本专利技术基于遗传算法和神经网络的专家诊断系统结构图；图2为本专利技术本文档来自技高网...

【技术保护点】
1.一种基于多算法融合的故障智能诊断方法，其特征在于，包括以下步骤：/n(1)基于神经网络的故障定位：神经网络故障定位流程分为两部分，包括网络训练过程和故障定位过程；提取特征量数据，构建好训练样本，然后进行网络训练，得到收敛的神经网络权值，将测试样本数据送入到已经训练好的神经网络中去，进行识别判断，从而得到定位的结果；/n(2)将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统；/n(3)通过集成各类告警信息准确的分析出故障停电区域，进行故障停电信息发布，同时分析出故障停电范围。/n

【技术特征摘要】
1.一种基于多算法融合的故障智能诊断方法，其特征在于，包括以下步骤：
(1)基于神经网络的故障定位：神经网络故障定位流程分为两部分，包括网络训练过程和故障定位过程；提取特征量数据，构建好训练样本，然后进行网络训练，得到收敛的神经网络权值，将测试样本数据送入到已经训练好的神经网络中去，进行识别判断，从而得到定位的结果；
(2)将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统；
(3)通过集成各类告警信息准确的分析出故障停电区域，进行故障停电信息发布，同时分析出故障停电范围。


2.根据权利要求1所述的一种基于多算法融合的故障智能诊断方法，其特征在于，所述步骤(1)中利用Matlab神经网络工具箱中newlvq函数构建一个神经网络。


3.根据权利要求2所述的一种基于多算法融合的故障智能诊断方法，其特征在于，故障特征量选择3个，分别为：小波能量Ei、有功功率Hi和五次谐波Pi；来表征系统某一故障时特征向量，记为向量X，则输入向量X＝(Ei，Hi，Pi)。


4.根据权利要求3所述的一种基于多算法融合的故障智能诊断方法，其特征在于，神经网络算法包括以下步骤：
步骤1：初始化惩罚因子0＜B≤1，学习速率0＜a＜1、参数C＝1和竞争层神经元偏置其中初始化pk(1)＝0，其中t←1，t为迭代次数，T为最大的迭代次数；t←1，a(i)表示样本序号；初始化所有权值向量，公式如式(1)：



步骤2：随机生成的样本，其提交顺序序列为a(i)，i＝1，2，...，n，1≤a(i)≤n；
步骤3：查找和第a(i)个样本特征向量最近的神经元所对应的权值wj；
||x-wj||＝min{||x-wk||-bk}，k＝1，2，...，N(2)



pk(t+1)←pk(t)+B(yk-pk(t))(4)



对第a(i)个样本向量的对应分类结果进行计算，若分类结果是正确的，则将获胜神经元的权值向量按照公式(6)更新，反之按公式(7)更改：
wk(t+1)←wK+a(x-wk(t))(6)
wk(t+1)←wK-a(x-wk(t))(7)
之后计算哪一条分类正确的神经元s和输入向量最接近，并更新其权值向量：
wt(t+1)←wt(t)+a(x-ws(t))(8)
步骤4：若i＜N，则i←i+1，同时转向步骤3；否则转向步骤5；
步骤5：t←t+1，若t＞T，结束；否则i←1，转向步骤2，进行下次训练；
公式中：惩罚因子B，学习速率a，参数C，竞争层神经元偏置b，迭代次数t，最大的迭代次数T，权值向量w，迭代因子p，输入向量x，输出样本a(i)。


5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：郝翔宇，王文轩，王伟，张树亮，宋文乐，蒋曦，陈宇，王万福，
申请(专利权)人：国网河北省电力有限公司沧州供电分公司，国家电网公司，国网河北省电力有限公司，
类型：发明
国别省市：河北;13