基于粒子群优化广义回归神经网络和D-S证据理论的电网分区故障诊断方法技术

基于粒子群优化广义回归神经网络和D

【技术实现步骤摘要】
基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法


[0001]本专利技术涉及电网分析
，具体涉及一种基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法。

技术介绍

[0002]随着电网发展的逐步加快，电网结构也变得越来越复杂，这对电网的故障诊断提出了更高的要求。目前故障诊断的技术和方法很多，包括专家系统、贝叶斯网络、粗糙集理论、模糊理论、神经网络、遗传算法、Petri网、多代理系统MAS等。其中，神经网络因其通用性和自适应性，可以对数据间的非线性关系进行建模表征，在电网故障诊断中应用越来越广泛。
[0003]基于神经网络的电网故障诊断可分为两种，分别是集中式故障诊断和分区故障诊断。集中式故障诊断适用于小型电网结构。对于当前电网的发展，集中式故障诊断已经不能满足故障诊断的需要。与集中式故障诊断相比，分区故障诊断是将大电网结构划分为多个电网子网，进而对区域电网进行故障诊断。分区故障诊断降低了电网结构的复杂性，与集中式故障相比，更适应未来电网的发展需求。...

【技术保护点】

【技术特征摘要】
1.基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法，其特征在于包括以下步骤：步骤1：通过改进图形分割法将大电网划分为相互重叠的不同子网；步骤2：将接收到的保护和断路器的故障报警信息作为训练样本，通过训练每个子网的粒子群优化广义回归神经诊断模型，建立每个子网对应的故障诊断模块；步骤3：根据故障警报信息，触发子网的故障诊断模块；根据报警信息的子网的数量以及是否相邻，判断故障是否发生在重叠区域，如果故障不是在重叠区域，则分析子网故障诊断模块的输出结果；如果故障在重叠区域，则通过D
‑
S证据理论再分析，通过融合相邻子网的诊断输出，得到诊断结果。2.根据权利要求1所述基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法，其特征在于：所述步骤1具体步骤如下：步骤1.1：将电网转化为无向图后，通过图形分割法划分为不同子网，将划分后的不同子网表示为Z＝(z1,z2,...,z
r
)，z
r
＝(b1,b2,...,b
c
)，其中：z
r
表示第r个子网，r表示子网的个数，b
c
表示每个子网所包含的顶点数值，c表示顶点的个数，令n表示无向图中边的个数，空矩阵B用来记录子网内部线路的位置，空矩阵E用来记录位于不同子网线路的位置，m＝0用来计数，矩阵C＝(1,2,...,n)；步骤1.2：将电网转化的无向图用邻接矩阵表示，再将邻接矩阵转化为上三角矩阵,记录上三角矩阵中非零元素的位置，用矩阵A表示如下：式中：a
n1
和a
n2
表示第n条线路连接的两个顶点，以此定位线路在图中的位置；步骤1.3：用i表示矩阵A的行号，并使i＝0，通过循环操作i＝i+1判断矩阵A每行中的两个元素是否全部位于z
r
，若满足则执行m＝m+1，并将该行号i赋值给B(m)；反之，跳出本次循环重复执行该步骤,直到i＝n时进行下一步操作；步骤1.4：将矩阵C与矩阵B进行比较，判断矩阵C中的元素是否在矩阵B中,将不存在的元素存储在空矩阵D中并求出该矩阵中元素的个数d；此时矩阵D中的元素表示矩阵A中位于不同子网的线路连接的两个顶点所在的行号,d表示位于不同子网线路的个数；步骤1.5：通过矩阵D将矩阵A的指定行存储到矩阵E：式中：e
d1
和e
d2
表示第d条位于不同子网线路的两个顶点；算法终止。3.根据权利要求1所述基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法，其特征在于：所述步骤2中，通过粒子群算法优化广义回归神经网络中的平滑因子，在每个子网中建立粒子群优化广义回归神经网络诊断模块。4.根据权利要求1所述基于粒子群优化广义回归神经网络和D
‑
S证据理论的电网分区故障诊断方法，其特征在于：所述步骤2中，训练每个子网的故障诊断模块，具体包括：对于每个子网的神经网...

【专利技术属性】
技术研发人员：邹红波，宋璐，
申请(专利权)人：三峡大学，
类型：发明
国别省市：