基于径向基函数神经网络和模糊积分融合的电网分区故障诊断_石东源

xn
h(x)
wh2 whm ym
图1 Fig. 1
径向基函数神经网络结构
Structure of RBF neural network
564
中
国
电
机
工
程
学
报
第 34 卷
引入了 g模糊测度的定义。 定义 2 对于所有的 A，BZ，AB，存在>1 使得
3 电网分区故障诊断策略
3.1 电网分区方法 一个合适的网络分区方法是实现电网分区故
562
第 34 卷 第 4 期 2014 年 2 月 5 日
中
国 电 机 工 程 学 Proceedings of the Feb.5, 2014 ©2014 Chin.Soc.for Elec.Eng. 中图分类号：TM 71
DOI：10.13334/j.0258-8013.pcsee.2014.04.007
1.0 0.8 输出响应 0.6 0.4 0.2 0.0 8 4 0 输入 4 8
c0, q1 c0, q3 c2, q1 c2, q3
图2 Fig. 2
具有不同中心和宽度的径向基函数 RBFs with different center and width
由图 1 可知，输出层第 j 个神经元的响应为
g ( A B) g ( A) g ( B) g ( A) g ( B)
成立，则称该模糊测度为 gλ模糊测度 率测度。
[20]
(3)
。由
障诊断的前提。 然而， 当电网被划分为若干区域后， 如何处理相连区域之间联络线的故障诊断则是完 成分区故障诊断系统诊断任务的关键。由于电网继 电保护系统存在扩大性保护[23]， 即当电网发生故障 而故障元件的非扩大性保护(主保护和近后备保护) 未能隔离故障时，扩大性保护(远后备保护)将动作 以切除故障，导致电网故障区域蔓延扩大。若相连 区域间联络线故障导致扩大性保护动作时，此时需 要融合相连两个区域的警报信息才能准确地诊断 联络线故障。为了有效解决该问题，本文采用网络 重叠分区方法对电网进行分区(本文并不讨论网络 的分区算法，而仅讨论分区策略)，如图 3 所示。 图 3 中虚线阴影部分为区域间的联络线，归相连的 两个区域共同拥有，如线路 L12 既属于区域 1，又 属于区域 2，是两个区域的重叠部分。
x0 w11 w12
n
1(x)
w1m
y0
x2 …
2(x)
wh1
y2 …
1）正则性：g()0,g(Z)1； 2） 单调性： A， BP(Z)， 若 AB， 则 g(A)g(B)； 3）连续性：若{Ai}∞ i=1 为可测集合里的递增
序列，有 limi→∞g(Ai)g(limi→∞Ai)。 则称 g 为模糊测度[19]。在此基础上，Sugeno
文章编号：0258-8013 (2014) 04-0562-08
基于径向基函数神经网络和模糊积分融合的 电网分区故障诊断
石东源，熊国江，陈金富，李银红
(强电磁工程与新技术国家重点实验室(华中科技大学)，湖北省 武汉市 430074)
Divisional Fault Diagnosis of Power Grids Based on RBF Neural Network and Fuzzy Integral Fusion
SHI Dongyuan, XIONG Guojiang, CHEN Jinfu, LI Yinhong
(State Key Laboratory of Advanced Electromagnetic Engineering and Technology (Huazhong University of Science and Technology), Wuhan 430074, Hubei Province, China) ABSTRACT: This paper presented an effective method for fault diagnosis of large-scale power grids based on radial basis function(RBF) neural network and fuzzy integral fusion. The study aims at effectively solving the diagnosis problem about the tie lines connecting regional sub-grids in the divisional fault diagnosis scheme. An overlapping network division method was proposed to divide a large-scale power grid into several sub-grids. When faults occur, regional RBF neural network diagnostic modules corresponding to different sub-grids are selectively triggered according to local alarm information which implies the faults exist in the sub-grids. Then faults of tie lines can be diagnosed by applying fuzzy integral to fuse the diagnostic outputs of two connected sub-grids about the tie lines. The method can not only be efficient in diagnosing the faults within local regions, but also in diagnosing the faults of tie lines well. The simulation results show that the proposed method is simple, efficient and can make up for the shortcoming of existing divisional fault diagnosis methods in diagnosis of tie lines. Moreover, it can diagnose different complex faults with good fault tolerance capability. KEY WORDS: large-scale power grid; grid division; fault diagnosis; radial basis function neural network; fuzzy integral 摘要： 为有效解决分区故障诊断关于互连区域间联络线的诊 断问题， 提出了基于径向基函数神经网络和模糊积分融合的 大电网故障诊断方法。 该方法通过网络重叠分区将大电网划 分为若干区域， 故障发生后根据警报信息选择性触发警报信 息所在区域对应的区域径向基函数神经网络诊断模块， 然后 利用模糊积分关联融合相连区域关于联络线的诊断输出， 实
1 径向基函数神经网络
径向基函数(radial basis function，RBF)神经网 络是一种前馈式神经网络， 其结构如图 1 所示。 RBF 神经网络由 3 层神经元构成，即输入层、隐含层和 输出层。其中，输入层包含 n 个神经元(x1,x2,,xn)， 对应于输入向量的特征维数；隐含层包含 h 个神经 元，采用径向基函数作为其激励函数i：R R；输 出层包含 m 个神经元(y1,y2,,ym)， 对应于电网包含 的 m 个元件。
y j ( x ) wiji ( x ),
i 1
h
j 1, 2, , m
(2)
式中：wij 为输出层权值，表示第 i 个隐含层神经元 对第 j 个输出层神经元响应的贡献。
RBF 神经网络结构简单，收敛速度快，且在理
论上具有任意函数逼近能力[16]， 从而在多个领域得 到了广泛的应用。
2 模糊测度与模糊积分
2.1 模糊测度 模糊积分以模糊集理论为基础，能有效表达和 处理系统中不精确的、含糊的不确定性问题。模糊 积分融合是一种非线性融合方法，它不仅考虑各个 信源(分类器)的可信度，还综合考虑每个信源对最 终融合(分类)结果的相对重要程度，从而能很好地 度量不具有独立性的各因子间存在的交互影响特 性，具有多因素综合分析的特点，并在多个领域得 到了应用[17-18]。 定义 1 设 Z{z1,z2,,zr}为一有限集合， P(Z)为 Z 的 幂集，定义在 P(Z)上的集合函数 g:P(Z)→[0,1]若满 足以下条件：
0 引言
电网故障诊断是指通过继电保护和断路器的 动作信息辨识故障元件的过程[1]。快速准确地诊断 电网故障对缩短故障停电时间，防止事故扩大化， 快速恢复电网运行具有重要意义。目前，已提出了 多种电网故障诊断方法，包括专家系统 [2] 、 Petri 网[3-4]、贝叶斯网[5-6]、优化方法[7-8]、数据挖掘[9]等。 由于神经网络(neural network， NN)具有分布式并行 处理、自适应以及隐形知识表示等特点[10]，在电网 故障诊断领域逐步得到了应用。 基于神经网络的电网故障诊断方法可分为集 中故障诊断方法[11-12]和分区故障诊断方法[13-14]。集 中故障诊断方法将整个电网作为一个整体，通过构 建一个神经网络实现故障元件辨识。该方法原理简 单、易于实现；但当电网规模增大时，网络维数急 剧增加，神经网络的训练难度增大，易陷入局部极 值，甚至不能有效收敛，从而使得该方法仅限用于 小规模电网。而分区故障诊断方法将整个电网划分 为若干小规模区域，针对每个区域分别建立相应的 区域神经网络诊断模块，各子模块并行完成各自的 诊断任务， 从而提高诊断效率， 适用于大规模电网。
基金项目：国家自然科学基金项目(50907024)。 Project Supported by National Natural Science Foundation of China (50907024).
现对联络线的故障诊断。 该方法不仅可以诊断各区域内部发 生的故障，而且能够有效地诊断区域间联络线发生的故障。 算例仿真结果表明：该方法简单、有效，能弥补现有电网分 区故障诊断方法在联络线故障诊断方面存在的不足， 且能够 处理各种复杂故障情况，具有良好的故障容错能力。 关键词：大电网；电网分区；故障诊断；径向基函数神经网 络；模糊积分
第4期
石东源等：基于径向基函数神经网络和模糊积分融合的电网分区故障诊断
563
实现电网分区故障诊断除了文献[15]提出的需 要解决的 2 个问题，即如何将大规模电网进行分区 以及如何解决分区区域内部的故障诊断问题，还有 第 3 个需要解决的关键问题，即如何解决分区区域 之间联络线的故障诊断。其中，文献[15]已较好地 解决了第 1 个问题；文献[13]研究内容主要侧重于 解决第 2 个问题；针对第 3 个问题，文献[14]虽已 涉及，但当联络线发生故障，主保护和近后备保护 未能有效切除故障，需要远后备保护动作时，文献 中的无重叠分区方法(各分区区域间没有重叠部分) 限制了它的应用，使其不能有效诊断联络线故障。 针对电网分区故障诊断存在的上述问题，本文 提出了基于径向基函数神经网络和模糊积分融合 的分区故障诊断方法。该方法采用网络重叠分区方 法将大电网划分为具有重叠联络线的若干区域；针 对每个区域，在训练阶段，通过准确径向基网络快 速有效地构建区域诊断模块，而在诊断阶段，则根 据警报信息选择性触发相应区域的区域诊断模块， 提高故障诊断效率；对于相连区域之间联络线的诊 断，先利用相连区域的区域诊断模块独立并行完成 各自诊断任务，而后通过模糊积分关联融合相连区 域关于联络线的诊断输出，实现对联络线的有效诊 断。算例仿真结果表明：该方法易于构造和实现， 能有效解决电网分区故障诊断关于联络线的故障 诊断问题，且能正确处理各种复杂故障情况，诊断 正确率高，具有良好的故障容错能力。
径向基函数一般选择高斯函数形式：
i ( x ) exp( x ci
T
2
/ qi2 )
(1)
式中：x[x1,x2,,xn] 为 n 维输入向量；ci[ci1,ci2, ,cin]T 为第 i 个隐含层神经元径向基函数的中心； qi 为相应神经元的“宽度” ，称为扩展常数， i1, 2,…,h。图 2 所示为具有不同中心和宽度的径向基 函数。