基于多目标脉冲神经膜系统优化算法的电网故障诊断方法技术方案

本发明专利技术公开了一种基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，该方法根据保护装置的动作期望，修正后的警报信息，以及线路灾害风险值，建立多目标解析模型

【技术实现步骤摘要】
基于多目标脉冲神经膜系统优化算法的电网故障诊断方法


[0001]本专利技术涉及故障诊断领域，具体涉及一种基于多目标脉冲神经膜系统优化算法的电网故障诊断方法
。

技术介绍

[0002]现代社会中，电力已成为人们生活中不可或缺的一部分
。
然而，在面对灾害天气时，如各个国家多年来频遭的强风
、
暴雨
、
洪水等，总是不可避免地出现电网故障
。
这不仅严重影响人们的正常生活，更给生产
、
交通等领域带来了极大的困难
。
因此，为了及时准确地对电网故障进行诊断，保障电力供应的可靠性和稳定性，迫切需要对电网故障诊断方法进行深入研究
。
[0003]随着电网信息呈现多样化，以及电网故障诊断技术发展迅速，各类诊断方法也尝试从不同方向开展研究来提升诊断结果的准确性
。
目前，电网接收的信息主要包括开关量信息
、
电气量信息以及外部环境信息等
。
基于这些信息进行电网故障诊断的方法主要有专家系统
[6
‑
8]、
人工神经网络
、
贝叶斯网络
、Petri
网和解析模型
。
其中，解析模型具有数理逻辑严密，易于实现并且响应速度快等特点，因此人们产生了极大的研究兴趣，并在实际电网中得到了应用
。
[0004]对于解析模型的研究表明电气量数据可以直观形象地描述故障情况，但是数据量大，故障诊断的效率也容易因此受到影响
。
警报信息的时序与关联特性可以用于判断警报信息漏报和误报等情况，从而提高警报信息的真实性，但是推理范围较广，过程也比较复杂
。
在灾害天气下，电气量信息和保护装置警报信息都可能受到干扰，从而影响诊断结果的准确性
。
因此，需要合理利用各类信息，降低外部环境及单一信息源带来的各种不利影响，为故障诊断提供更为准确的故障信息
。
除此之外，单目标解析模型大都需要设置权重，由权重来平衡各个目标之间的矛盾关系，所以会存在权值分配的问题
。
同时，因为单目标解析模型中的各个目标可能存在量纲不统一的情况，所以仅仅利用权重来平衡量纲还会限制解析模型的适应能力
。
[0005]研究表明，优化算法的适用性和解析模型的精确性同等重要
。
脉冲神经膜系统是受生物神经细胞之间的启发机制而建立的膜系统，因为该系统是一类动态离散的仿生分布式并行计算模型，所以具备了强大的并行计算能力
。
目前一些学者基于优化脉冲神经膜系统
(Optimization Spiking Neural P Systems
，
OSNPS)
已经开展一些扩展研究，但是，这些研究主要用于求解单目标的离散问题，还缺少对多目标离散问题的应用研究
。
鉴于此，本专利技术根据电网故障诊断的实际需要，提出多目标脉冲神经膜系统优化算法用于求解本专利技术的多目标故障诊断解析模型，最后通过
IEEE39
节点系统验证解析模型的有效性及算法的适用性
。
本专利技术的故障诊断方法保证了在保护装置拒动
、
误动以及警报信息漏报
、
误报时，仍能准确诊断故障情况
。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供了一种基于多目标脉冲神经膜系统优化算法的电网故障诊断方法
。
[0007]为了达到上述专利技术目的，本专利技术采用的技术方案为：
[0008]一种基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，包括如下步骤：
[0009]S1.
利用结线分析法确定停电区域；
[0010]S2.
基于停电区域的可疑故障元件集合
D、
保护继电器集合
R
和断路器集合
C
建立故障假说
X
；
[0011]S3.
利用警报信息
、
自检信息
、
电气量信息和天气信息，共同建立多目标解析模型
E∧(X)
；
[0012]S4.
利用多目标脉冲神经膜系统优化算法求解多目标解析模型，输出
Pareto
解集；
[0013]S5.
根据电气量信息对
Pareto
解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解；
[0014]S6.
根据最优解确定故障元件，评价保护装置状态及警报信息状态
。
[0015]进一步的，所述
S1
具体包括如下步骤：
[0016]S11.
令搜索迭代次数
c
＝1；
[0017]S12.
构建一个元件编号集合
Q
C
：依次对待诊断电力系统中的每个元件进行编号，所有元件编号构成
Q
C
；
[0018]S13.
构建一个元件编号子集合
M
C
：从集合
Q
C
中任意取出一个元件编号放入子集合
M
C
中，若被诊断电力系统中存在一个闭合的断路器与以上随机选择的元件相连，则找出所有与该元件相连的闭合断路器，分别找出与以上闭合断路器相连的元件，并将这些元件对应的编号加入到子集合
M
C
中，继续搜索以上新加入到子集合
M
C
中的编号所对应元件相连接的闭合断路器；否则，转入步骤
S14
；
[0019]S14.c
增加1并重新构建元件编号集合
Q
C
：将子集合
M
C
中的元件编号从集合
Q
C
‑1中移除，获得新的元件编号集合
Q
C
，列出元件编号子集合
M1,
…
,M
N
中的所有无源网络，即为所求的断电区域，其中
N
为搜索过程中所获得元件编号子集合的个数；如果
Q
C
非空，则转入步骤
S13。
[0020]进一步的，所述
S2
中故障假说表示为：
[0021]X
＝
[D R C][0022]其中，为可疑故障元件集合，
d
i
(1≤i≤n
d
)
表示第
i
个可疑故障元件的状态，
n
d
为可疑故障设备个数，
d
i
＝0和
d
i
＝1分别表示元件
d
i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，包括如下步骤：
S1.
利用结线分析法确定停电区域；
S2.
基于停电区域的可疑故障元件集合
D、
保护继电器集合
R
和断路器集合
C
建立故障假说
X
；
S3.
利用警报信息
、
自检信息
、
电气量信息和天气信息，共同建立多目标解析模型
E
∧
(X)
；
S4.
利用多目标脉冲神经膜系统优化算法求解多目标解析模型，输出
Pareto
解集；
S5.
根据电气量信息对
Pareto
解集中被预判为故障的元件进行二次校验，并根据校验结果选择最优解；
S6.
根据最优解确定故障元件，评价保护装置状态及警报信息状态
。2.
根据权利要求1所述的基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，所述
S1
具体包括如下步骤：
S11.
令搜索迭代次数
c
＝1；
S12.
构建一个元件编号集合
Q
C
：依次对待诊断电力系统中的每个元件进行编号，所有元件编号构成
Q
C
；
S13.
构建一个元件编号子集合
M
C
：从集合
Q
C
中任意取出一个元件编号放入子集合
M
C
中，若被诊断电力系统中存在一个闭合的断路器与以上随机选择的元件相连，则找出所有与该元件相连的闭合断路器，分别找出与以上闭合断路器相连的元件，并将这些元件对应的编号加入到子集合
M
C
中，继续搜索以上新加入到子集合
M
C
中的编号所对应元件相连接的闭合断路器；否则，转入步骤
S14
；
S14.c
增加1并重新构建元件编号集合
Q
C
：将子集合
M
C
中的元件编号从集合
Q
C
‑1中移除，获得新的元件编号集合
Q
C
，列出元件编号子集合
M1，
...
，
M
N
中的所有无源网络，即为所求的断电区域，其中
N
为搜索过程中所获得元件编号子集合的个数；如果
Q
C
非空，则转入步骤
S13。3.
根据权利要求1所述的基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，所述
S2
中故障假说表示为：
X
＝
[D R C]
其中，为可疑故障元件集合，
d
i
(1≤i≤n
d
)
表示第
i
个可疑故障元件的状态，
n
d
为可疑故障设备个数，
d
i
＝0和
d
i
＝1分别表示元件
d
i
正常和故障；为与
D
关联的保护继电器集合，
r
i
(1≤i≤n
r
)
表示第
i
个保护继电器的状态，
n
r
为继电保护装置个数，
r
i
＝0和
r
i
＝1分别表示保护继电器
r
i
未动作和动作；为与
D
关联的断路器集合，
c
i
(1≤i≤n
c
)
表示第
i
个断路器的状态，
n
c
为断路器个数，
c
i
＝0和
c
i
＝1分别表示断路器
c
i
未跳闸和跳闸
。4.
根据权利要求1所述的基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，所述
S3
具体包括如下步骤：
S31、
计算保护装置的期望状态；
S32、
利用警报修正模块对警报信息进行修正；
S33、
根据天气信息计算线路灾害风险值；
S34、
根据保护装置的期望状态
、
修正后的报警信息和线路灾害风险值建立故障诊断多目标函数
。5.
根据权利要求4所述的基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，所述故障诊断多目标函数表示为：
min E
∧
(X)
＝
[E1(X)
，
E2(X)
，
E3(X)](X)](X)]
其中，
E1(X)
为保护装置状态异常的情况，表示第
i
个保护继电器
r
i
期望状态，表示第
j
个断路器
c
j
的期望状态；
E2(X)
为警报期望状态与保护装置实际状态的匹配情况，表示第
i
个保护继电器的警报期望状态，表示第
j
个断路器的警报期望状态；
E3(X)
为可疑故障元件的真实状态与其所对应灾害风险值的匹配情况，
d
k
(X)
为第
k
条线路的真实状态，为线路的灾害风险值
。6.
根据权利要求1所述的基于多目标脉冲神经膜系统优化算法的电网故障诊断方法，其特征在于，所述
S4
具体包括如下步骤：
S41、
对多目标脉冲神经膜系统优化算法中子系统
Π
进行形式化定义，表示为：
Π

【专利技术属性】
技术研发人员：王涛，刘力源，应瑞轩，周纯羽，
申请(专利权)人：西华大学，
类型：发明
国别省市：