推广 热搜: 论文                经济   

具备讲解性的神经互联网电网问题诊断模型

   日期:2022-11-20     来源:www.kdyxc.com    作者:未知    浏览:125    评论:0    
核心提示:目录摘要IABSTRACTII第一章绪论11.1研究背景及意义11.2电网问题诊断研究近况及剖析11.2.1基于专家系统的电网问题诊断21.2.2基于分析模型的电网问题诊断31.2.3基于图形理论的电网问题诊断31.2.4基于神经互联网的电网问题诊断51.3论文主要工作与组织结构7第二章基
目 录摘要IABSTRACTII第一章 绪论11.1 研究背景及意义11.2电网问题诊断研究近况及剖析11.2.1 基于专家系统的电网问题诊断21.2.2基于分析模型的电网问题诊断31.2.3基于图形理论的电网问题诊断31.2.4基于神经互联网的电网问题诊断51.3论文主要工作与组织结构7第二章 基于结构自适应HELM的电网分区问题诊断模型 92.1引言92.2层次极限学习机102.3基于DE算法的结构自适应HELM练习 112.3.1DE算法原理与基本操作 112.3.2DE算法在结构自适应HELM练习中的应用 132.3.3自适应结构参数选择的步骤142.4模型框架与诊断方案142.4.1诊断模型框架142.4.2分区问题诊断方案152.4.3重叠线路问题诊断方案162.5算例剖析172.5.1结构自适应HELM练习剖析 172.5.2测试算例剖析192.5.3性能比较212.6本章小结22第三章 基于透明神经互联网的电网问题通用诊断模型233.1引言233.2模型达成路径243.3构建基于透明神经互联网的电网问题通用诊断模型253.3.1继电保护系统中的动作逻辑关系253.3.2基于透明神经互联网的电网问题通用诊断模型263.3.3隐含层神经元的激活函数283.4诊断模型中的模糊表示和输入数据的预处置293.4.1诊断模型中的模糊表示293.4.2数据预处置303.5基于DE算法的诊断模型的练习 313.5.1 DE算法在诊断模型练习中的应用 31IV3.5.2 诊断模型的练习与验证313.6 诊断模型的算例剖析333.6.1 案例 1 IEEE 30 节点测试系统 333.6.2 案例 2 拓扑变化的自适应能力363.6.3 案例 3 实质电网的问题诊断373.6.4 性能比较393.7本章小结39第四章 基于模糊推理脉冲神经膜系统的电网问题通用诊断模型414.1 引言414.2 模糊推理脉冲神经膜系统424.3 电网问题通用诊断模型424.3.1 线路通用诊断模型424.3.2 母线通用诊断模型444.3.3 变压器通用诊断模型454.4 模糊参数设置454.4.1 命题神经元454.4.2 规则神经元464.5 通用诊断步骤464.5.1通用诊断框架464.5.2矩阵推理规则474.5.3矩阵生成办法484.6 算例剖析484.6.1算例 1 单重问题情形494.6.2算例 2 多重问题情形504.6.3 算例 3 互联网拓扑结构变化514.6.4 性能比较 514.7本章小结52第五章 概要与展望535.1 概要535.2 展望54致谢56参考文献58附录 66原创性声明67第一章 绪论1.1 研究背景及意义为推进国内能源生产和消费革命、带动策略性新兴产业进步,2015 年,国 家进步改革委、国家能源局颁布了《关于促进智能电网进步的指导建议》(发改 运行[2015]1518号)。此后,伴随国内政府对能源电力行业的看重,Rifkin提出 的“能源网络”定义在国内得到了广泛传播[1]。 2020年,国家用电器网响应年代号 召,将“具备中国特点国际领先的能源网络企业”[2]确立为公司长远进步的战 略目的。至此,怎么样借助智能网络技术达成能源互联互通、共享互济的电力新 年代,对中国电网自动化、数字化水平和电能生产指标提出了更高需要。近年来,电网的不断纳新改建,提高电力提供能力的同时也使得电网偶然故 障的概率增加。经中电联发布《中国电力行业年度进步报告2021》的初步统计, 截至 2020 年年底,全国电网 220 kV 及以上输电线路回路长度 79.4 万千米。在 实质电网运行中,仍然存在局部问题处置不当,再加上操作职员的错误操作、自 然灾害的损毁与人为恶意破坏等不好的原因影响。比如:2008年2月,湖南郴 州因为恶劣的冰雪灾害致使市内 443 座电塔倒塌,全市停电半月以上;2018 年 12月台湾高雄市林园区变电站因为保护误动作,致使近3万户无预警断电, 9家 石化厂生产线全方位停运;2021 年十月因问题跳闸,致使重庆直辖市内大面积停 电,市内轨道交通停运;2022 年 3 月,全台湾辖区内突发停电事故,台湾多个 县市的政治、经济、民生均遭到不同程度影响。事实证明,若不可以准时发现、移 除电力系统内部问题将会使问题范围扩大,紧急时或许会带来恶劣的社会干扰。 故而,系统的安全靠谱运行越发要紧。在问题初期,系统应该拥有准时问题诊断 和迅速问题切除的能力,以移除问题防止带来更大的经济损失。目前的“能源网络”定义对电网自动化水平提出了更高需要。电力运行安 全问题中,电网的自愈性——即电网在问题发生后,达成迅速诊断、隔离问题区 域并自我恢复的能力,是电网自动化水平提高和建设的重点之一。作为达成智能 网络的“自愈性”的先决条件,电网问题诊断办法一直是国内外研究的重点课 题。设计容错率更高、对不确定状况处置能力更强、诊断过程有肯定讲解性和易 于实质应用的电网问题诊断模型,对辅助调度员准时处置电网问题,妥善完成故 障移除,保证电网安全稳定运行有着要紧意义。1.2电网问题诊断研究近况及剖析电网问题诊断的主要为了在问题发生时,高效辨别问题元件,为调度员提1 供靠谱依据,迅速达成问题恢复。伴随电力系统的不断扩容,调度员对问题诊断 的重压随之变大。现在,电网调度中心主要用能量管理软件中的数据采集 系统进行输电线路各类信息采集。电网问题后,未经处置的多源告警信息没办法保 证问题信息出现的准确性,可能存在缺失、畸变等状况。一般调度员需要在辨别 问题元件之前,逐一核查告警信息,从而延长了问题处置时间。因此,电网需要 一套高效且完备的电网问题诊断体系,以达成对问题告警信息进行迅速剖析、准 确辨别问题元件,从而提升问题诊断效率,降低调度员处置信息的工作量,提升 电网自动化、数字化水平。健全的问题诊断办法是保证电网安全稳定运行的要紧环节。20世纪 80 年代, 计算机技术开始进步,为了取代人工恢复操作,面向系统层面的问题诊断办法被 提出[3]。此后,国内外开始了很多的电网问题诊断办法研究,一些建设性的办法 沿用到今天。AI技术获得了突破性进展,为电 网的自动化、数字化进步提供了重大机会和强大支撑。使用AI技术构建电 网问题诊断模型,使电网具备更高级、更深层的AI,成为该研究方向上的 研究热门。与传统的问题诊断办法相比,基于人工智能技术的问题诊断办法具备更高的诊断 精度和更快的诊断速度。各专家学者提出了很多的基于人工智能算法的问题诊断办法, 如专家系统的办法[3-8],基于优化模型的办法PS,基于图形理论模型系统[28-31])和人工 神经互联网[33-41]。1.2.1基于专家系统的电网问题诊断基于专家系统的办法是最早应用于电网问题诊断的人工智能办法。该办法通过模 拟专家处置问题时的逻辑经验打造专家规则库,诊断时将目前问题信息与专家库 规则对比,依据匹配状况得出诊断结果。因为好的推理能力和问题讲解能力, 该办法成为了电网问题诊断范围早期最为广泛采纳并投入实质应用[4]的办法。文献[3]初次提出将专家系统应用于电网问题诊断范围,借助定义和简化的 信息进行推理来估计问题元件,达成智能电网问题诊断,但因为规则库容易只能 处置容易问题状况。文献[5]使用正反向推理专家系统办法进行问题假说推理, 提升了专家系统处置复杂问题状况的正确率。文献[6]为了提升专家系统处置通 信误码的能力,结合信息论打造了基于实质信道的问题诊断信息传递模型。文献[7]为提升专家系统办法对不确定问题信息的处置能力,提出了集合了模糊集的 专家系统问题诊断,以提升处置告警信息误传时诊断正确率,并将其应用于分布 式电力系统。文献[8]提出了将反向传播算法引入专家系统,获得具备学习力 的专家系统,以提升办法的适应能力。2可见,专家规则库的设置和维护,是基于专家系统的电网问题诊断进步的难 题。专家系统办法依靠于规则库的打造,不完备的规则库则会存在没办法辨别问题 的状况;伴随电网的不断纳新改建,规则库的更新和维护可能存在没办法同步的情 况,尤其是面向复杂电网时,用于规则匹配的数据量很庞大,规则库实时更新 耗时过长;实质电网的特点不一,很难打造可以适应所有电网的通用完备规则库。1.2.2基于分析模型的电网问题诊断基于分析模型的办法的实质是依据电网保护配置和问题时保护、断路器的动 作规则构建的数学模型。该类办法将问题诊断问题表示成 0-1 型整数规划问题, 进而使用智能优化算法求解,找出最能讲解告警信息的问题假说。因为理论依据 严谨和具备数学基础,诊断过程拥有讲解能力且简单明了,所以很多的优化算法 应用于电网问题诊断问题中。该类办法主要分为两大类,一类是通过新颖、性能强大的算法提升问题诊断 效率。文献[9]提出了一种阶段式的电网问题诊断模型进行诊断,该办法可以有 效减轻因模型输入过多而诊断过程带来的维数重压。文献[10]引入了人工蜂群算 法来达成电网问题诊断,该办法参数少,能有效诊断复杂问题。文献[11]提出了 二进制编码优化的头脑风暴算法,打造了面向大电网的迅速问题诊断,使用二进 制向量编码替代算法求解 0-1 整数规划问题,从而提升了诊断模型的效率。文献[12]引入教与学算法用于电网问题诊断,在无需任何参数调优的状况下进行故 障诊断。另外也有学者通过引入新变量拓展期望状况的分析规则,提升分析模型的诊 断正确率。文献[13]使用逻辑变量表达保护和断路器拒动作和误动作的状况,建 立了具备评价不确定动作状况能力的诊断模型,但因为该模型打造在告警信息 完全正确的情景假设下,可能出现错误诊断。文献[14]以逻辑方程组形式充分表 达元件-保护-断路器之间的动作逻辑关系和告警信息的不确定性,提出了基于完 全分析模型的电网问题诊断。文献[15]提升诊断模型对问题发生时间和空间不确 定性的适应能力,引入染色体长度可变的遗传算法构建分析模型,以提升诊断模 型的实用性。可见,分析模型的诊断效率在一定量取决于算法的优化性和模型构建的完 备性。模型的核心算法越优越,诊断速度越快,但或许会陷入局部最佳解,影 响诊断结果;模型的完备性越高,模型的变量维数越高,模型求解困难程度越大,可 能影响诊断速度。这类办法在电网问题诊断问题中各有优势,但依据著名的 No Free Lunch 定理[42],怎么样不断提升诊断结果的性能,仍有很多有待探索的地方。1.2.3基于图形理论的电网问题诊断基于图形理论的电网问题诊断办法具备较强的讲解能力[43]。此类算法通常流3 程是:第一打造因果模型,通过明确直观的图形化过程直接表征保护和断路器的 因果关系,然后使用各自的推理办法对问题元件进行诊断。图形化的过程使他们 无需提取具备代表性的问题样本,并且“透明”的诊断过程使得调度职员可以在极短期知道整个问题诊断过程,有益于后续的电 力恢复。基于 Petri 网的电网问题诊断基于 Petri 网的办法是现在研究最为广泛的图形化问题诊断模型。该办法采 用加权有向网的库所/变迁明确还原问题诊断中的常识逻辑,反向推理过程容易 明了、速度快,但处置复杂问题的能力较低。因此在Petri网的电网问题诊断方 法[16]提出后,渐渐进步为以高级Petri网[43啲改进为主要研究方向。文献[17]基 于模糊 Petri 网,构建动态层次化机构诊断模型,提升了模型对互联网拓扑结构变 化的适应能力。文献[18]对各元件赋予颜色,构建可变权值的有向弧的Petri网诊 断模型,从而简化了模型结构。文献[19]改进了变迁集合进行分层归类及算法提 高了模型计算推理过程的合理性。文献[20]基于模糊时间Petri网使用分层推理, 为了表征告警信息存在的时序约束,引入具备时间属性的额外库所及变迁,从而 提升模型容错率;文献[21]构建了两阶段式的诊断过程,可以准确地诊断多地区 电网中的问题。文献[22]提出用逐层时间推理取代逐事件的时间推理。基于贝叶斯互联网的电网问题诊断 基于贝叶斯互联网的办法是基于条件概率推理达成电网问题诊断。该诊断模型直观,即便告警信息有误也能有效诊断,但在复杂电网中元件问题先验概率的获 得较难达成。文献[23]提出了一种基于带噪声OR/AND节点的贝叶斯互联网的简化 问题诊断系统,用于估计大型变电站和输电线路的问题,但诊断模型未考虑复杂 问题状况。文献[24]通过充分借助保护配置和问题设施间的动作逻辑,在推理过 程中引入时序一致测试,打造基于时序贝叶斯常识库的问题诊断模型,可以有效 诊断存在错误告警信息的问题状况。文献[25]为了提升对复杂电网问题的容错 率,对各类问题状况分别设置可行度,提出了计及可信度的变结构贝叶斯互联网电 网问题诊断办法。文献[26]通过引入可以纠正错误的告警信息动态因果推理链, 降低了问题信息不确定对问题诊断的影响。文献[27]在正向推理过程中引入动作 行为误判的专家系统规则,以达成在保护设施拒动作、误动作状况下的有效地诊 断问题元件。基于SNP系统的电网问题诊断SNP系统是模拟神经元中脉冲的开心和抑制的神经型P系统[28]。起来自于膜 计算,与人工神经互联网类似,SNP系统仿造神经膜内的脉冲传递过程,设置了神 经元借助突触,同意传递脉冲与脉冲遗忘的并行过程。 SNP 系统本质上是一个 由多个神经元和连接神经元的突触组成的有向图,其中,神经元为图的节点,突4 触为图的有向弧。在 SNP 系统中,通过神经元中脉冲电位的激起达成数据信息 的传递。所有脉冲以字符表示,视为无差别的。 SNP 系统中的数据信息可依据特 定的激起规则由突触前神经元传递至突触后神经元中。并且根据激起规则,在消 耗部分脉冲之后重新生成新的脉冲,这类新脉冲将通过突触传递至突触后连接的 所有神经元。自SNP系统提出后,有研究者提出了结合模糊常识的SNP系统变体,用来 描述模糊常识并模拟动态模糊推理过程的图形化建模工具——模糊脉冲神经膜 系统 [29]。文献[30]初次将 FRSNPS 用于电网问题诊断,诊断过程直观易懂,可以非常不错地表征问题时元件、 保护继电器和断路器之间的逻辑关系,但不可以处置告警数据不完备和不确定的 状况,问题诊断模型受电网的拓扑结构变化影响需要重新打造,模型适应能力较 弱;文献[31]将梯形模糊数引入基于FRSNPS的电网问题诊断,并在诊断结果中 增加了问题程度描述,提升了诊断模型的容错率和讲解能力,但诊断过程较复 杂,母线问题诊断模型规模受待测母线相邻支路数影响,诊断推理可能出现维数 过多,诊断效率低的问题。文献[32]在问题诊断的同时揭示问题传播渠道,诊断 讲解能力强,架构单输入单输出神经元简化诊断模型减少模型维数过多影响。然 而对于常常变化的电网拓扑结构,矩阵推理的诊断模型仍然需要时刻变化,问题 诊断模型打造时需要的输入变量较多且矩阵存在稀疏、维数大的问题。可见,基于图形理论的电网问题诊断办法虽然都具备好的诊断讲解能力, 也都存在一样的缺点。第一,它们的诊断结果容错率低,没办法对复杂问题进行判 断。第二,在应用于运行方法频繁变化的电网时,可移植性较差,需要通过最新 的拓扑结构状况重新构建问题诊断模型,尤其是大电网下,会出现重新构建诊断 模型耗时长、模型结构复杂等问题。1.2.4基于神经互联网的电网问题诊断人工神经互联网,简称神经互联网。NN是模仿动物神经 系统的组织结构、信息传递的数学算法。它以神经元作为基本处置单元,通常三 层神经元由无数个信号传递通道互连形成,是一种非线性的 并行分布式算法。因为 NN 是大家将大脑的抽象模拟形成,因而有着类似的功能, 如:拥有基本的常识存储功能,可从外面获得常识并通过自己结构进行学习推理 等,使得NN算法在样本充足靠谱的状况下,可以通过自适应的学习力得到正 确输出。故而,基于NN的问题诊断办法具备分布式存储、自适应学习、容错率 高、诊断速度快等特征,并在电网问题诊断范围具备肯定的进步前景。现在基于 神经互联网的问题诊断办法有三类型型:一是将整个电网作为一个整体,直接进行诊断的集中诊断办法[33][34]。文献[33] 使用径向基函数神经互联网,以电力系统中的全部保5 护设施的动作状况为输入层,以所有系统中的全部电网元件为输出层,并在4节 点测试系统验证了办法有效性。文献[34]为了提升诊断地容错性,使用 Hebb 规 则设置初始权值并结合遗传算法进行互联网练习,在18节点测试系统上完成了验 证。该类算法相较于传统的依赖调度职员进行的人工问题诊断显现出了非凡的高 效率。然而,当该类办法应用于复杂系统时,所包括的电网元件增加,涉及的保 护设施也随之增加,诊断互联网将成为一个巨型的神经互联网,互联网输入将陷入“维 数灾”。二是将大规模电网分割为多个地区分别进行诊断的分区诊断办法[35][36]。文 献[35]将电力系统拆分为若干子网(分区),为各子网分别打造以分区内全部保 护设施为输入层、全部元件为互联网输出层的诊断子模块。并初次提出使用模糊积 分获得重叠线路的诊断输出,然后通过综合各分区和重叠线路的诊断输出得出最 终诊断结果。文献[36]在此基础上使用了混沌粒子群优化的概率神经互联网对子网 诊断进行改进,并使用灰色关联剖析优化重叠线路诊断结果,提升重叠线路(重 合地区)的诊断正确率。该类办法“化整为零”,有效防止了大规模电网的诊断 互联网规模庞大的问题。但,该类办法的分区之间的重叠线路需要二次诊断,综 合诊断办法需要继续研究。除此之外,假如电网的运行方法发生变化,其拓扑互联网和 诊断互联网也会发生变化,这意味着可移植性较差。三是针对各种电网元件(线路、母线、变压器)的问题打造诊断互联网的面向 元件诊断办法[37][38]。文献[37]使用 RBF 神经互联网分别以电网元件配置的保护设 备为输入层、待诊断元件的问题状况为输出层,构建元胞诊断模型,有效提升了 神经互联网办法在电网问题诊断上的适应能力。文献[38]在此基础上,通过对输电 线路问题诊断中的增加考虑问题电压、电流的波形的附加互联网,以提升互联网的诊 断正确率。显而易见,该类办法既能克服维数问题,又能克服自适应能力不足的 问题。然而,文献[37]和[38]中的办法也面临着一些不足,其中之一就是可讲解 性较低。文献[37]和[38]中的诊断模型是典型的三层全连接互联网,其内部结构陈 旧,缺少对诊断结果和自己行为的讲解性和足够的理论基础。可见,在国内外学者的不断革新、不懈奋斗下,该类办法在对大规模电网故 障诊断适用性研究上得到了蓬勃式进步。除此之外,该类办法伴随神经互联网算法的不 断革新,在改进算法性能方面不再局限于经典的BP神经互联网、RBF神经互联网等, 像基于 Elman 神经互联网[39]、极限学习机(extreme learning machine, ELM) [40]、 支持向量机[41 ]及结合其他智能办法的NN等新型NN也有所尝试。然而,在实质 应用时,该类办法只需要确定互联网输入、输出层的容易暴力的应用方法与电网提出 的安全性和靠谱性的基本需要相悖。经过上述问题诊断的办法描述,为了辅助调度职员准时处置问题状况与后 续迅速恢复正常电力提供,可以看出对于输电网问题诊断办法的需要主要归结6为:诊断容错率,诊断办法应当在各类问题场景下均可做出正确诊断;诊断讲解 能力,确保诊断结果的靠谱性,使得调度职员在较短期内获悉整个诊断过程; 诊断效率,确保诊断过程的准时性;诊断适应能力,确保诊断模型在大规模电网、 电网拓扑结构常变的电网中的适应能力。1.3论文主要工作与组织结构在目前研究近况下,本文围绕着提升神经互联网的电网问题诊断办法的讲解能 力展开研究,在剖析问题时元件、保护继电器和断路器的动作逻辑关系的基础上, 针对神经互联网内部结构不可讲解“黑箱”问题,着重研究了具备讲解性的神经网 络在输电网问题诊断技术,力求在保证拥有讲解性的同时满足有效诊断。并且将 面向元件的问题诊断技术拓展到基于 FRSNPS 的电网问题诊断上以提升该类方 法的通用性。本文主要工作内容如下:1) 研究了基于人工智能技术的电网问题诊断的概况。讲解了电网问题诊断方向对 于目前飞速进步的“能源网络”存在的要紧意义,并剖析了目前各类人工智能算法 在电网问题诊断方向上的优势和弊端和存在的问题,尤其是基于神经互联网的问题诊断 办法和基于 FRSNPS 的问题诊断办法。本部分工作为本文的第一章主要内容。2) 研究了一种基于结构自适应层次ELM(hierarchical ELM,HELM)的电 网分区问题诊断模型,用以提升面向大规模电网问题的诊断效率。该模型针对大 规模电网,基于分区诊断思想,将诊断分为多个HELM分区问题诊断子模块和 Choquet模糊积分的重叠线路问题诊断。同时,研究了基于差分进化算法的结构 自适应HELM优化,通过对隐含层逐层搜索HELM的最佳正则化因子和隐含层 神经元个数组合,构建各分区诊断子模块;最后,在三分区的 14 节点系统中, 将该练习办法与练习得到的诊断模型同ELM和BPNN两种办法及相应诊断模 型对比验证。本部分工作为本文第二章的内容。3) 研究了一种基于透明神经互联网电网问题通用诊断模型。面向电网元件类 型,分别打造问题诊断通用模型。通过问题移除过程中的元件-保护-断路器之间 的动作逻辑关系,合理架构诊断模型中隐含层的前后连接。同时,使用模糊数表 征保护和断路器的不确定性的同时也用于确定诊断模型的输入初始值。除此之外,将 神经互联网的互联网参数练习转化为优化问题,使用性能出色的差分进化算法进行求 解,分别得出各电网元件种类对应的诊断互联网参数。该办法在IEEE 30节点测试 系统和吉林实质电力系统上进行了验证。本部分工作为本文第三章的内容。4) 研究了一种基于模糊推理脉冲神经膜系统的电网问题通用诊断模型。在 该部分,分别打造母线、线路和变压器三种元件电网拓扑结构变化而诊断模型结 构维持的问题诊断模型。第一,依据问题地区拓扑结构和保护及断路器动作状况,7 对输入神经元进行“归一”预处置。并针对不同元件问题诊断的特征,在矩阵推 理中引入不同规则神经元。最后,对IEEE 30节点测试系统的问题案例进行诊断 验证,并与传统 FRSNPS 问题诊断模型和 Petri 网模型进行了对比。本部分工作 为本文第四章的内容。第二章 基于结构自适应HELM的电网分区问题诊断模型2.1引言极限学习机[44,45]事实上是神经互联网衍生出的一种单隐含层前馈式互联网学习技巧。因为该算法的输入 -隐含层之间的权值及隐含层阈值均随机产生且不需要调整练习,仅靠对隐含层神 经元个数的设定即可获得输出,该算法具备好的学习效率、泛化性高等特征。 然而ELM存在两个不足:ELM使用最小二乘法进行学习,仅考虑模型的经验风 险,容易出现过拟合的问题[46]。尤其是练习数据没办法表达学习数据集的特点时过 拟合现象特别紧急;ELM的正确率遭到隐含层神经元数目的显著影响。ELM的 计算误差极度依靠于足够大的隐含层层数[47],容易导致维数灾,严重干扰 ELM 的实质应用。为了减轻ELM的过拟合问题,文献[48]提出了正则化ELM,通过在目的函 数中引入表征结构风险最小的正则化项。随后,文献[49]研究了以Sigmoid函数 为激活函数,使用L2范数的正则化ELM,并针对含明显噪声的样本集,提出了 有/无权值的正则化ELM。为了提升ELM在图像分类、语音辨别等复杂问题的 处置能力,防止ELM陷入维数灾难,文献[50]介绍了基于ELM的稀疏自动编码 器,并以此构建了基于ELM稀疏自动编码器的多层ELM的定义。但该模型 仅通过层次堆叠,在进行最后决策前,缺少随机特点映射的过程,编码输出直接 进行决策,因此模型的常见逼近能力较差。文献[51]提出打造层次 ELM ,将稀疏自动编码器和最后决策独立为两个部分, 以提升练习速度和更好的特点学习。该办法通过HELM的多层结构中的特点提 取部分取代单隐含层结构,使得互联网结构具备层次性,减小 互联网维数重压。现在基于分区诊断建模思路的 NN 电网问题诊断办法,虽然通过“化整为零” 解决了诊断模型对大规模电网进行诊断时的维数规模庞大的问题,但忽略了分 区诊断子模块的练习问题。使用性能出色的练习办法完成问题诊断子模块的练习 是达成基于分区诊断的 NN 电网问题诊断办法有效性的要紧环节。并且,大规模 电网分割的多个分区,因为分区内部的电网元件数目、种类存在差异,构建的多 个分区诊断子模块各有不同,为了达到有效诊断,需要对每个诊断子模块逐一独 立练习。这一过程的在实质应用时将会浪费很多的人力、物力。因此,本章基于分区诊断建模思想,在练习速度极快的HELM基础上,采 用性能好的差分进化算法,提出了一种基于结构9自适应的 HELM 电网分区诊断模型。2.2 层次极限学习机原始 ELM假设具备N个隐含层神经元的ELM可用以下公式表示:NfN =工Q -p,a e Rcl,b,^e R i=1其中,Q代表隐含层神经元的激活函数,a代表输入层到隐含层的权值矩阵, b是隐含层的偏置矩阵,a和b是随机产生,/3是输出权值矩阵。在HELM中,使用原始ELM完成HELM神经互联网的最后决策。具备激活 函数q的神经元输出Q概念如下:Qi = q =tansig 其中,代表第i个隐含层神经元的激活函数,at代表第i-1个隐含层到第 i个隐含层的权值矩阵,bi是第i-1个隐含层到第i个隐含层的偏置矩阵,a,和bt 是随机产生。ELM算法的核心是求解可以满足以下误差函数最小的输出权值矩阵:min\\ HP-Til 其中,HP是隐含层的输出,T是理想输出。权值矩阵0可由下式近似求得:P = H T 式中,Hf为矩阵H的Moore-Penrose广义逆矩阵。 HELMHELM 是在 ELM 的基础上针对深度学习的需要而打造的。依据文献[51]可 知HELM只需要概念隐含层神经元个数N、隐含层层数M和正则化因子C三个参 数。 HELM 的结构如图 2.1 所示。稀疏自动编码器 原始ELMHELM具备的特点学习层,可以非常不错地进行特点提取,从而减小互联网的维数 重压。HELM练习分为两个独立阶段:1)稀疏自动编码器。使用无监督分层特 征表示用以提取输入数据的层次稀疏特点;2)原始ELM。监督特点分类做出最 终决策。最后,完成HELM神经互联网的打造和初始化。稀疏自动编码器[52]在HELM中起着特点提取器有哪些用途。它用编码后的输 出通过最小化重构误差来近似原始输入。事实上,稀疏自动编码器将输入数据’映 射到一个更高层次的表示,然后通过一个确定性映射(2-3)表示。其中,心通 过求解正则化最小均方优化得到。在特点学习过程中,将输入的原始数据转换为ELM随机特点空间,能够帮助 挖掘练习样本之间的隐藏信息。然后,进行“层无监督学习,最后获得高级稀疏 特点。值得注意的是,HELM的第一阶段中的每一隐含层都是一个独立的特点提 取器。伴随隐含层层数的增加,生成的特点变得愈加紧凑。一旦提取出前一隐含 层的特点,目前隐含层的权值或参数就会被固定,不需要进行微调。稀疏自动编码器的目的函数为:Op =仏们 +£(0) = a笃"加{||H0_x『+W } (2-5)其中,f (〃)=|HR — x『表示经验风险最小项,f(0)=制|(是范数£ 1正则化项,表示结构风险最小项。引入正则化因子C的输出权值矩阵0可以表示为:2.3基于DE算法的结构自适应HELM练习大规模的电网分割后,将产生多个分区,每个分区内部的电网元件个数、类 型均存在差异。假如逐一人工练习将耗费很多的人力、物力。大家使用基于 DE 算法的结构自适应HELM算法练习分区诊断子模块。在实质应用时,为了保证 HELM的泛化能力,大家将隐含层层数M纳入结构参数进行选择。2.3.1DE 算法原理与基本操作DE是一种强大的基于种群的进化算法[53,54]。DE是1995年由R. Storn和K. V Price在一份报告[53]中提出的。与经典的进化算法不同,DE在非常大程度上汲取 了 Nelder-Mead算法[55]和受控随机搜索(CRS)算法[56啲优势,用参数向量之间 存在的差异,即使用差分向量来干扰目前试验解,从而获得探索目的函数地区的 能力。1996年,DE在多个关于进化算法的国际顶级会议上亮相,被证明是求解 第一套ICEO实值测试函数套件的最好进化算法之一[57]。自此,DE算法以其高 11效的计算能力获得了国内外学者的关注。1997年,Price在IEEE第二届国际进 化优化竞赛上提出的DE算法,被证明角逐算法中最好的算法之一[58]。同年,R. Storn和K. V Price在[59,60]两篇期刊文献中详细描述了 DE算法。在2005年CEC 真实参数优化竞赛中,在10-D问题上,经典DE获得了第2名。近年来,研究 者通过对控制参数[61,62]、变异方案[63,64]等改进,以进一步提升算法的稳定性、搜 索能力和开发能力。同时,该算法凭着自己强大的寻优效率,现在已在多个研究 范围应用,其中,电力系统范围中已经涉及了经济调度[65,66]、最佳时尚[67,68]、无 功优化[69]、电力系统状况估计[70]、电网问题诊断[71]等研究方向,并获得了很 显著的成效。DE算法的基本操作顺序根据:参数变量初始化、变异、交叉与选择等操 作循环,直到找到最佳解或者迭代完成。具体操作如下:参数变量初始化在D维空间中具备NP个体的种群可以被编码为NPxD矩阵。第n个个体 可以表示为:Xn,G ~ [Xl,n,G,X2,n,G,…,XD,n,G ] 其中,n = 1, 2, ...,NP ; G是迭代次数。Xm,”,G一般进行如下初始化:Xm,n,G = rand - + Xm,min 其中,rand是一个之间的随机数;m = 1, 2, ...,D ; xm,max和 xm,min 分别是xm 的最大值和最小值。变异使用如下变异操作生成供体变量V”,G =[V1, n.G, V2,n.G, ■- , WnG ]:Vn,G = %G + F - 其中,t1, t2和t3是随机从[1,NP]中选取的互斥整数,也与基向量索引n不同;F 是一个用于控制变异比率的比率因子。交叉交叉率CR用于确定试验向量U”,G =[“1,”,G,"2 ,n,G, ••• ,UD,n,G ]的出处。 叉操作办法如下:'Vm,n,G ,if < CR or m == mgnd . xm,n,G, otheiwse其中,mrand是一个在{1, 2, ...,D}中的随机整数。选择用选择操作将试验向量unG与目的个体xnG进行比较,选择较好的一个进行下一次迭代:UnG,if / < /n,G,辻/ > /其中,f 是激活函数。可见,在DE算法的整个搜索过程中,只需要设置包括种群规模、缩放因子、 交叉率等参数,即可完成迅速优化。因为试验变量的产生依靠于变异和交叉操作, 因此该算法在迭代前期种群个体差异大时可以达成好的全局搜索,后期种群个 体差异较小时,局部搜索能力较强,随机搜索过程具备自组织倾向。除此之外,抛弃 了遗传算法依据适应度值来控制父代杂交的思路,使得DE算法相对遗传算法的 逼近能力愈加显著。并且,DE算法直接使用实质数据作为个体,因此没有编 码、解码操作,计算效率较高。综上所述,DE算法具备算法逻辑简单,易于编 程,并且具备收敛速度快、计算效率高、参数设置容易、鲁棒性好等优点。2.3.2差分进化算法在结构自适应 HELM 练习中的应用因为出色的并行计算性能,DE算法得到了广泛应用。在结构自适应HELM 练习中,DE算法主要针对HELM中的两个控制参数:隐含层神经元个数N和 正则化因子C进行优化练习。最后,通过隐含层层数m 递增,比较各 m层隐含层的最佳结构对应的最好适应度,从而获得第i分区的最佳问题诊断子 模块。使用下式作为适应度评价函数:其中,f为问题诊断正确率,f值越高表示该诊断模型的容错率越高。考虑到具备最多N个隐含层神经元个数ELM可以学习任意N个任意不同样 本,且误差为零,练习过程中隐含层神经元个数L越高,对应的适应度也高[51]。 为了提升问题诊断模型的计算效率,大家期望找到满足诊断需要的最小结构。因 此,在DE算法的选择操作中,大家增加了对隐含层神经元总数的选择:U"'G,if 、 xn,G, else其中,L对应u”,g和x”,g中的隐含层神经元个数。2.3.3自适应结构参数选择的步骤基于性能好的差分进化算法,对HELM的隐含层层数M、隐含层神经元 个数N和正则化因子C等三个参数进行结构自适应练习。其中,隐含层层数按第一打造该电网的问题样本数据库,根据分区划分将是第i个分区中的故 障样本提取并作为练习样本集;然后初始化HELM的最低隐含层层数m=2;循 环实行DE算法,选取第i个分区的m层隐含层HELM问题诊断模型中对应的 隐含层神经元个数N和正则化因子C的最佳取值;比较逐层递增的隐含层层数 对应的最佳适应度,最后得到第i个分区的最佳HELM问题诊断子模块的结构参 数(隐含层层数M、隐含层神经元个数N和正则化因子C),练习结束。2.4 模型框架与诊断方案2.4.1诊断模型框架因为在分区辨别时,部分输电线路可能出目前多个分区中,大家称之为重叠 线路。因此,基于分区诊断思想的电网问题诊断模型实质分为两大多数:分区故 障诊断和重叠线路问题诊断。以一个3分区的电网为例,基于结构自适应HELM的电网分区问题诊断模14发生问题后,诊断模型对电网问题告警数据进行预处置,将 SCADA 系统中 的实时告警信息转换成二进制的动作状况数据;将数据传递至各分区的自适应HELM诊断子模块,根 据分区问题诊断方案实行分区内电网问题诊断;然后整理各分区得到的重叠线路 第一次诊断输出,根据基于模糊积分的诊断方案计算得出重叠线路的二次模糊输 出。最后,将各分区的元件问题诊断输出和重叠线路结果问题诊断输出进行整理 剖析,最后得到整个电网的问题诊断结果。假设在电网分割的第s 个分区中,共存在p个电网元件,r个保护/ 断路器。2.4.2分区问题诊断方案基于结构自适应 HELM 的问题诊断子模块是核心。大规模电网的问题诊断 因为涉及电网元件过多,而实质问题范围一般在局部电网中,因此,使用了“化 15整为零,分区而治”思想的分区问题诊断的诊断效率更高。因此,第5个分区问题诊断子模块实质是以分区中的r个保护/断路器的动作 状况为输入,p个电网元件的问题状况为输出的多隐含层前馈NN。根据上一节 的描述,子模块的内部结构通过基于DE算法的结构自适应HELM练习而构建。 当问题发生时,推行的告警信息经过预处置后,通过信息匹配选择性触发了 q 个 分区问题诊断子模块;q个分区问题诊断子模块并发计算,假如第5个分区问题 诊断子模块被触发,实行多隐含层前馈NN问题诊断,得到分区内各电网元件的 问题置信度;诊断输出分为两个部分:分区中无重叠线路则诊断输出直接生成电 网各元件问题诊断结果,分区之间存在重叠线路则诊断输出汇入重叠线路诊断进 行融合诊断。2.4.3重叠线路问题诊断方案因为多个分区中均存在关于重叠线路的问题诊断输出且各分区诊断子模块 的诊断能力不同,使得重叠线路的问题诊断结果可能出现冲突。电网中的重叠线路Lk 个分区中)的 诊断问题,可以看做论域孔,忑,…,xk中,评价原因为k个分区诊断子模块 中重叠线路的诊断输出f),按升序排列则/) < f)S...S f ),因为fu[0,1],而各诊断子模块的诊断输出可能超出该 范围,因此在输出结果前需要进行相应的预处置:1 , f > 1f = f , 0 < f <1 0 , f S 0选取Lk相邻的k个分区诊断子模块的验证诊断正确率作为相应分区的模糊 密度§在X上关于Choquet模糊积分为:j f )- f 比 其中’f = 0。模糊密度f 的确定是Choquet模糊积分进行综合评价的重要。在有限论 域内,确定了 X的2模糊测度则可以得到任意的PCX:・=+ H—1 2 X£A依据正则性条件鼻Z = 1,有:m2+ 1 )q=1依据式可知,以相邻2分区},存在f)< f ))的 重叠线路诊断为例:Output = [f ^x)]£;, x}) + [f) — f ))]£})最后,综合得到的诊断输出为重叠线路问题诊断结果。2.5 算例剖析使用图 2.4 所示的 14 节点系统[36]作为测试系统。第一,依据该系统的静态 数据将该系统分割为 3 个分区;然后,依据该系统的历史问题数据构建各分区故 障样本集,并使用基于DE算法的结构自适应的HELM进行练习,得到各分区 的问题诊断子模块;最后,代入测试算例进行问题诊断,以验证模型的有效性。2.5.1结构自适应 HELM 练习剖析使用基于DE算法的结构自适应HELM练习,其中依据文献[51]测试,正则 化因子取值范围为C=10-c0, c0是一个在[-10,10]的整数,隐含层神经元个数N 取值范围为,隐含层层数M的范围为[2,5]。依据 14 节点系统的问题样本集与分区状况,构建各分区练习样本集和验 证样本集,具体如表 2-1 所示。表 2-1 每个分区对应的问题样本集电网分区 练习样本 验证样本 输入层神经元 输岀层神经元NN1 137 46 60 11NN2 224 74 85 15NN3 159 53 69 13为了验证基于DE算法的结构自适应HELM的练习有效性,分别对14节点 系统的 3 个分区问题诊断子模块进行了 50 次独立重复练习实验,并对比了 BP 神经互联网、原始ELM 两种办法的练习结果。对各分区问题诊断子模块分别进行 50 次的独立重复练习,练习结果如表 2-2、表2-3、表2-4所示。表 2-2 NN1 问题诊断子模块 50 次独立重复练习结果使用办法 练习精度 验证精度最佳 平均 最差 最佳 平均 最差结构自适应HELM 100.00% 100.00% 100.00% 91.30% 87.87% 82.61%ELM 97.93% 95.31% 89.66% 84.78% 77.39% 60.87%BPNN 75.86% 65.49% 46.90% 73.91% 60.13% 36.96%表 2-3 NN2 问题诊断子模块 50 次独立重复练习结果使用办法 练习精度 验证精度最佳 平均 最差 最佳 平均 最差结构自适应HELM 99.57% 99.17% 99.14% 93.24% 91.81% 89.19%ELM 99.14% 96.84% 93.10% 93.24% 87.16% 79.73%BPNN 94.40% 85.39% 77.59% 91.89% 84.08% 74.32%表 2-4 NN3 问题诊断子模块 50 次独立重复练习结果使用办法 练习精度 验证精度最佳 平均 最差 最佳 平均 最差结构自适应HELM 100.00% 99.60% 99.40% 92.45% 84.00% 77.36%ELM 100.00% 97.53% 91.62% 90.57% 82.11% 69.81%BPNN 97.01% 81.33% 65.87% 83.02% 66.45% 50.94%通过与另外两种办法的练习结果对比,可以看出本文提出的基于DE算法结 构自适应 HELM 办法的练习精度和验证精度较高,均优于另外两种办法,该方18法具备肯定的可行性。分别选取各分区50次重复练习中的一组结果,构建14节点系统的3分区故 障诊断子模块,用于后续的仿真剖析。选取的各分区问题诊断模型互联网参数对比, 如表 2-5 所示。表 2-5 各分区问题诊断模型互联网参数练习办法 NN1 NN2 NN3隐含层配置 [47,37] [61,68,93] [93,41]HELM 正则化因子 10A8 10A10 10A8ELM 隐含层配置 [37] [93] [41]BPNN 隐含层配置 [37] [93] [41]依据重叠线路问题诊断方案可得,由基于 DE 算法的结构自适应 HELM 方 法打造的分区诊断子模块对应模糊密度分别为 91.30%, 93.24%, 88.68%,同理 可得,基于ELM办法的分区诊断子模块对应的模糊密度分别为80.43%, 87.84%, 84.91%;基于 BPNN 办法的分区诊断子模块对应模糊密度分别为 47.83%, 74.32%, 56.60%。结果显示,基于 DE 算法的结构自适应 HELM 练习可以有效地进行特点提 取,练习效率较高,且较为改变了隐含层神经元个数需要足够多,才能正确诊断 的状况。2.5.2测试算例剖析为了验证办法的有效性,大家将练习得到的问题诊断模型在14节点系统中 进行了测试。表2-6是大家选取了14节点系统中较为紧急的问题状况测试样本。表 2-6 测试样本①②③算例种类19其中,样本1-样本4均是分区内部问题,样本1和样本2均随着保护设施拒动(①)样本3和样本4均存在告警信息丢失/畸变/保护设施误动状况(②); 样本5和样本6是重叠线路问题,且随着保护设施拒动、告警信息缺失的状况,(③)样本7和样本8是多重问题发生在多个分区的状况,且随着多种不正 确的告警信息的状况(④)其中样本7的多个问题元件较为集中,样本8的多个问题元件较为分散。( 1 )分区问题诊断如图2.3所示,选择性地触发分区问题诊断子模块并进行有关问题诊断。使用不一样的分区问题诊断模型测试结果对譬如表2-7所示。BPNN和ELM办法的分区问题诊断结果也包含在表2-7中。表 2-7 使用不一样的分区问题诊断模型测试结果对比样 问题 NN1 NN2 NN3 所提 所提 所提 本 元件 出的 ELM BPNN 出的 ELM BPNN 出的 ELM BPNN模型 模型 模型 1 B12 1.0000 0.6067 0.5882 - - - - - -2 L0205 - - - 0.9661 0.2374 0.7665 - - -3 B06 1.0000 0.2385 0.2385 - - - - - -4 L0914 - - - - - - 0.8146 0.4268 1.00005 L0506 0.8433 0.1727 0.5109 0.8332 0.3368 0.8033 - - -6 L0409 - - - 0.7714 0.2626 0.3533 0.8064 0.3675 0.5261B05 - - - 0.5866 0.3086 0.7304 7 L0205 - - - 0.7156 0.1850 1.0000 L0506 1.0000 0.3407 0.6914 0.4423 0.2200 0.5508 B04 - - - 0.7793 0.2928 0.7472 8 L0613 0.5497 0.1760 0.6988 - - - L1314 0.5846 0.2076 0.3481 - - - 0.5328 0.1252 0.3970L0407 - - - 0.5516 0.4127 0.7268 0.6006 0.1437 0.4617注:下划线表示该输出对应的诊断结果为“问题”如上表所示本文提出的分区诊断子模块可以较为准确地诊断出存在告警信20息缺失、畸变,保护设施拒动、误动状况下的分区内部问题元件。重叠线路诊断由图 2.4 可知,14 节点系统中,L0506、L1314、L1011、L0407 和 L0409 为 重叠线路。并且,通过剖析表2-7中数据可知,重叠线路在各分区问题诊断子模 块中的诊断输出对应的诊断结果可能不同。当出现复杂问题状况时,假如单凭 某一个分区诊断输出,可能存在诊断结果有误的状况。以样本 7 中的重叠线路 L0506 为例, NN1 问题诊断子模块的诊断输出为 1.0>0.5,判断为问题;NN2问题诊断子模块,因为保护设施动作状况与B05发 生问题状况类似,因此NN2出现了错误诊断,对于重叠线路L0506的诊断输出 为0.4423<0.5,判断为无问题,NN1和NN2在重叠线路L0506的诊断结果相悖。 此时,需要使用Choquet模糊积分进行综合判断。依据式可知,f) = 0.4423 < f) = 1 ,且 £x) + £) + 入)£)) = 1,E对应 NN1, ) = 0.91304, L0506在NN1和NN2中重叠,因此诊断输出计算如下:OutPUtL0506 = f )*E, X}) + [/) — f ))]£})= 0.4423x1 + * 0.9130 =0.9515重叠线路L0506的综合诊断输出为0.9515>0.5,诊断结果为问题。同理可得 其他问题状况下的重叠线路诊断结果,如表 2-8。表 2-8 三种办法计算得到的重叠线路问题模糊输出样本 问题元件 所提岀的模型 ELM BPNN5 L0506 0.8424 0.3169 0.72836 L0409 0.8024 0.3517 0.45117 L0506 0.9515 0.3171 0.67918 L1314 0.5801 0.1915 0.3758L0407 0.5951 0.3800 0.6587经过仿真,可以看出大家提出的基于DE算法的结构自适应HELM练习方 法不需要人为设定 HELM 的控制参数,可以自行依据根据分区状况进行互联网参数 自适应调整,并且可以有效地诊断出分区内存在不确定保护设施动作信息的复杂 问题状况。结合重叠线路问题方案,该办法可以对重叠线路问题进行有效诊断。2.5.3性能比较从上述案例的结果可以看出,所提出的模型可以适用于各种电网问题诊断案 例。将所提出的模型与部分一流的办法进行了定性比较,如表 3-11 所示。通过对 比剖析,该办法是有效的,且在问题诊断结果容错率、对大规模电网和对系统拓21扑变化的适应能力等方面, 具备较强的竞争优势。表 3-11 与其他办法的比较问题诊断办法 Petri 网[] [23] [36]贝叶斯互联网 RBFNN 所提出的模型2.6 本章小结针对大规模电网的问题诊断,提出了一种将基于结构自适应 HELM 电网分 区问题诊断模型。该办法基于DE算法自适应练习分区问题诊断子模块的结构参 数,不需要手工构建分区问题诊断子模块,有益于达成大规模电网问题诊断的迅速 建模。基于结构自适应 HELM 电网分区问题诊断模型考虑了重叠线路问题,采 用 Choquet 模糊积分进行重叠线路问题诊断,可以有效解决分区问题诊断子模块 模糊输出不同的状况。最后,在14节点系统上进行仿真测试,验证该办法的 有效性。实验表明,该模型具备肯定的泛化能力和较好的诊断正确率。第三章 基于透明神经互联网的电网问题通用诊断模型3.1引言针对大电网问题诊断问题构建了基于结构自适应 HELM 的电网分区问题诊 断模型,虽然减轻了基于神经互联网的电网问题诊断办法 在大规模电网应用时出现的维数重压,并且使用基于差分进化算法的结构自适应 HELM对各分区练习,以保证各分区的有效诊断。但,基于分区诊断思想的诊 断模型需要前期正确有效的分区方案和很多的分区问题数据用于练习,并且存在 不可讲解“黑箱”问题的 NN 办法或许会给电网安全靠谱运行带来隐患。尽管NN办法使得处置很多复杂任务上的效率大大提升,但NN算法存在 一个让人不安的事实:没办法确切了解它们是怎么样工作的。这意味着没办法预测NN 算法在什么时间会出现错误,应用时会导致多么不可估计的损失。因此, NN 的 内部就像一个没办法观测的“黑箱”。虽然这种“黑箱”模型在非常大程度上有益于 容易便捷地解决很多实质问题,如:图像辨别、自适应控制、行情分析、心理学 等等很多民用范围问题和雷达、战场管理与决策支持等等军用范围问题。但从 科学研究的角度上看,改变世界的首要条件是大家需要理解世界,只有破解NN算法 的“黑箱”问题之后,才能更好地运用并改变该模型;从实质应用的层面来讲, 技术改革的首要条件是靠谱性,不可理解的架构将带来不可估计的风险,从而妨碍 NN在实质的工程设计中的进步。在这种“黑箱”问题背景下,打造愈加出色而且可理解的 NN 模型成为一个 热点的研究方向。为了更好地理解 NN 算法,很多研究者也做出了很多尝试: Higgins 等人和 Raposo 等人[72]提出了定制的损失函数和结构产生了更多可讲解 的特点,而 Karpathy 等人[73]通过输出行为剖析揭示了这类互联网之前不透明的操 作。除此之外, Ritter 等人觉得 NN 的黑箱结构同另一个不透明的智能管理软件:人类大 脑相似,借助认知心理学家开发的问题描述、理论和实验办法的丰富历史来解决 NN算法的可讲解性问题[74]。而在电力系统自动化不断提高的过程中,针对极具潜力的基于神经互联网的故 障诊断办法,缺少诊断讲解性是现在该类问题诊断办法的常见问题[43]。NN的内 部连接结构就像一个“黑箱”:传统的 NN 问题诊断模型通常为容易的三层结构 ,并且隐含层的连接仅仅起到空间转换有哪些用途,没办法明确表 达问题移除过程中电网元件-保护继电器-断路器三者之间的动作逻辑关系。并 且,因为缺少理论基础,隐含层神经元的数目和连接方法可以被随机确定,调度 职员没办法依据NN的内部结构对问题诊断结果进行合理地讲解。在这样的情况下,23现有些面向元件的电网问题诊断办法虽然存在“黑箱”问题而一直让人诟病,其 诊断结果也很难获得调度职员的信赖,但现在尚未有文章提出解决方法。因此,大家遵循面向元件的NN问题诊断办法的建模思想,通过打造问题移 除过程中元件-保护-断路器三者的动作逻辑与诊断互联网中的隐含层前后连接之 间的映射关系,从而使基于 NN 诊断互联网的内部结构具备肯定的讲解性。然后, 结合对输入神经元的“归一”预处置,打造了基于透明神经互联网电网问题通用诊断 模型。3.2 模型达成路径图 3.1 基于透明神经互联网的电网问题通用诊断模型框架第一,依据电网拓扑结构、电网元件的保护配置、问题移除过程中电网元件 -保护-断路器之间的动作逻辑关系,构建了基于透明神经互联网的输电线路、变压 器和母线的三种问题通用诊断模型。然后采集问题练习数据集,使用差分进化算 法练习诊断模型的互联网参数。当电网发生问题时,数据采集(supervisory control and data acquisition, SCADA)系统将迅速地向调度控制中心传输相应的告警信 息。第一辨别出停电地区内的候选问题元件。对于每一个候选问题元件,调用相应 的诊断模型。同时,整理电力系统拓扑结构数据与SCADA系统测试到的有关告 警信息,确定诊断模型的输入。然后实行基于NN的推理算法计算模型输出,从 而得到诊断结论。243.3构建基于透明神经互联网的电网问题通用诊断模型3.3.1继电保护系统中的动作逻辑关系当某一元件发生问题时,问题将被相邻的保护继电器迅速测试到。然后保护 继电器动作并发送信号使相应的断路器动作,从而移除问题。这个过程如图 3.2 所示。图 3.2 问题移除过程 为了更具体地描述问题移除过程中的电网元件-保护继电器-断路器(元件- 保护-断路器)三者动作逻辑关系,大家以图 3.3 所示的部分电网为例。对于继电保护系统,主保护(MPR)、近后备保护(PBPR)、远后备保护(SBPR)分别用m、p、s表示。CBXY (CBYX)表示BX母线与BY母线之间的断路器,与BX图 3.3 部分电网如图 3.3 所示,该互联网中出现了多个问题。 SCADA 系统采集的告警信息包 括: B10m、 T0610m、 L1020m、 L2010p、 L1710s、 l1920、 L2210s、 CB1006、 CB0610、 CB1009、CB1021、CB1020、CB1710、CB2210、CB1920。候选问题元件为 L1020、 T0610 和 B10。依据继电保护原理,问题移除过程中的元件-保护-断路器三者动作逻辑如 下:25在出现问题的状况下,MPRs将迅速动作,并断开相应的CBs。比如 L1020发生问题时,送侧MPR的L1020m先工作,CB1020跳开。假如MPRs不可以正常工作,或者CBs不可以被触发,PBPRs就会触发相 应的CBs动作。比如,L2010m动作失败,L2010p将触发CB2010动作。当 MPRs 和 PBPRs 都不可以正常工作,或者相应的 CBs 不可以被触发时, SBPRs就会触发相应的CBs动作。比如,当L2010m和L2010p都没办法触发CB2010 时,则SBPR L1920s将运行触发CB1920跳开。依据继电保护系统的保护设施的动作顺序,假如MPRs和PBPRs对应 的 CBs 可以成功触发,则相邻段的备用保护继电器将不运行,从而形成孤立的 问题地区。当输电网发生问题时,每侧应当至少应有一个保护运行,以保证问题 地区的隔离。3.3.2基于透明神经互联网的电网问题通用诊断模型依据上节描述的问题移除过程中的元件-保护-断路器三者动作逻辑关系,基 于透明神经互联网的电网问题通用诊断模型可构建为:诊断模型中的诊断单元依据继电保护系统的基本原理,可分为两类诊断单元。如图3.4 所示, 对于MPR ,输入神经元被激活,诊断结果被传输到神经元—3。网站权重函 和W2分别代表MPR 和CB的贡献。在图3.4 中,红色反弧为抑制 弧,表明当MPRs 对应的CB1工作时,SBPR和CB2的信赖度会减少。 同理, w3 、 w4 和 w5 也是网站权重。 图3.4两类诊断单元 MPRs诊断单元; SBPRs诊断单元CB1和CB2表示与 MPRs 相对应的 CBs输电线路的问题诊断模型对于输电线路来讲,保护继电器包含MPRs、PBPRs和SBPRs。诊断模型包 括送侧和受侧两部分,如图 3.5 所示。依据所配置的保护策略,每侧有三个诊断 单元。除此之外,MPR和PBPR对应的CB对SBPR的运行具备抑制用途,如反向抑26制 W10。以 L1020 问题为例。已动作的保护设施用灰色高亮显示。在送侧, MPR Lsm 成功触发CBs1 跳开,从而移除问题。CB1020的跳开动 作对SBPR 的动作有抑制用途。在受侧,MPR Lrm 拒动,PBPR Lsp 触发CB2010跳开。然而,CB2010未能正确跳开。接着,相应 的SBPR Lrs 动作并触发CBr2 的跳开,从而移除问题。图3.5输电线路问题通用诊断模型/Lrm表示送/受侧MPR; CBs1 /CBr1 表示送/受侧 MPR/PBPR 对应的 CB)值得注意的是,当线路的送侧或受侧相邻元件较多时,对每一个SBPR及其相 邻元件上安装的相应CB架构诊断单元,会出现诊断效率低下。以L1020的送侧 为例,如图3.3所示,在送侧有5条相邻的线路/变压器。根据传统的办法,大家 需要为这类相邻元件架构5个诊断单元。可见,L1020的问题诊断模型具备较大 的诊断互联网结构。除此之外,当相邻输电线路/变压器修理停用或投入运行时,需要 重新构建诊断模型。为了防止如此的问题,大家将同侧的所有相邻元件视作一个 整体,为安装在同侧相邻元件上的所有SBPRs及其对应的CBs仅架构一个诊断 单元,如图3.5所示。显然,该诊断模型的结构很简单。第四节介绍了计算输 入神经元初始值与降低重新调整模型工作量的具体预处置办法。变压器的问题诊断模型变压器的问题诊断模型与输电线路的诊断模型相似。主要有什么区别是线路有两 个MPRs ,分别对应送侧和受侧,而变压器只有一个MPR 。 这种MPR 可以动作触发安装在变压器不同侧的所有CBs跳开。基于 NN的变压器问题通用诊断模型如图3.6所示。对于安装在相邻元件的SBPRs及 相应的CBs,亦使用与线路类似的处置办法。274)母线的问题诊断模型与输电线路和变压器不同,母线保护配置仅包括MBPR和SBPR。除此之外,母 线还有一个典型的特征——存在多条相邻的输电线路/变压器。与输电线路相邻 元件的处置办法类似,大家将母线的所有相邻元件作为一个整体,仅为 SBPRs及其相应的CBs架构一个输入神经元,如图3.7所示。除此之外,将MPR对应的CBs 也视为一个整体,使用一个输入神经元CBm来表示。结构简单且直观。图 3.7 母线问题通用诊断模型从图 3.5 到图 3.7 可以看出,所构建的模型的结构是由问题移除过程中的元 件-保护-断路器三者动作逻辑关系确定的。它们不再是三层式全连接的互联网结 构:线路和变压器的诊断模型有两个隐含层,母线的诊断模型有一个隐含层。另 外,相邻层之间使用部分连接以取代全连接结构。3.3.3隐含层神经元的激活函数激活函数是用于确保NN的非线性的驱动原因。其坐落于神经元内,管理着神 经元行为,决定了该神经元是不是需要处置某个输入数据与数据处置规则。从数 学上讲,是输入向量与输出向量的映射关系:28Rp p Rq 其中,输入是p维向量x,输出是q维向量y。而激活函数记为:7 = 依据万能逼近定理[75]:当激活函数选择适合且隐含层神经元的个数充足时, NN可以完成对任何一个从输入层到输出层连续映射函数的逼近。在所提出的模型中,告警信息的传输与神经脉冲的传输是同步的。脉冲通过 激活目前层神经元,将告警信息从目前层神经元传输到下一层神经元。在神经网 络的内部,借助激活函数来模拟神经脉冲的传递过程。s形函数是最常见的激活 函数之一。传统的NN内部,不同隐含层神经元的激活函数是一致的。在本工作 中,大家期望得到一组具备相似特点的激活函数来模拟问题移除过程中的元件- 保护-断路器三者动作逻辑关系。为此,概念一个修改后的双参数sigmoid函数: tn-signoid=石急茹 其中, a 用于控制激活函数的最大值, b 用于控制变化速率。该函数通过调整参 数a和b可以达成不一样的映射成效,从而满足不同隐含层神经元的传输需要。3.4诊断模型中的模糊表示和输入数据的预处置3.4.1诊断模型中的模糊表示在实质电网中, SCADA 系统有时接收到的告警信息并不完全正确。一些信 息可能在传输过程中畸变或丢失。除此之外,保护设施还存在拒动作或误动作的可能 性。为了模拟不确定性,降低样本误差对电网问题诊断结果的影响,使用模糊数 表示保护设施的初始值。以国家用电器网公司统计的2015年220kV及以上保护装置正确动作率[76]作为主 保护设施的动作可信度。通常情况下, PBPRs 及相应的 CBs 的动作可信度低于 MPRs及相应的CBs,但高于SBPRs及相应的CBs的。对于未测试到的信息, 动作可信度设置为0.2。不同PRs和对应CBs的模糊初值具体如表3-1所示。表 3-1 各级保护设施的动作可信度保护设施 输电线路 母线 变压器主保护设施 保护继电器 0.9999 a 0.9785 0.9847 断路器 0.9833 0.9833 0.9833 近后备保护设施 保护继电器 0.8 - 0.8 断路器 0.85 - 0.85 远后备保护设施 保护继电器 0.7 0.7 0.7 断路器 0.75 0.75 0.75 注:括号中的数字表示未测试到的信息的动作可信度。293.4.2数据预处置如上一节所述,为了减少诊断模型的复杂性,提升模型的通用性,对于输电 线路、变压器和母线的相邻元件,大家将它们视为一个整体,仅为 SBPRs 和相 应CBs架构一个输入神经元。对于与母线MPR相对应的CBs,大家也只用一 个输入神经元来表示它们。对于这类涉及到的输入神经元,使用加权平均的办法 计算它们的值。对于输电线路和变压器, SBPRs 和 CBs 对应的输入神经元的初 始值计算如下:nCBs,o X aCBs,o + nCBs,c X aCBs,cnCBs,o + nCBs,c其中,下标X表示线路和变压器等部分;下标s表示送侧;nxso 和 ncBS,o 表示已动作的SBPRs和CBs数;aXs,o和 acBs,。表示已动作的SBPRs和CBs的初始模糊值,如表 3-1 所示。对于母线的SBPRs及其对应的CBs,输入神经元的初始值计算如下:nBs,o X aBs,o + nBs,c X aBs,cnBs,o + 呱/CBs = S X E + 叽 SnCBs,o + nCBs,c式中,gs,o 和ncBso 表示已动作的SBPRs和CBs 数; aBso 和acBso 表示已动作的SBPRs和CBs的 初始模糊值,如表 3-1 所示。对于MPR对应的CBs,输入神经元的初始值计算如下:, _ nCBm,o X aCBm,o + nCBm,c X aCBm,c^CBm —nCBm,o +nCBm,c式中,ncBm,o 表示已动作的的CBS个数;ClcBmo 表 示已动作的CBs的初始模糊值,如表3-1所示。3.5基于DE算法的诊断模型的练习3.5.1DE 算法在诊断模型练习中的应用较强的学习力是NN的突出优点之一,也是基于NN的电网问题诊断办法 在处置复杂问题场景时具备较高容错能力的重要原因。然而,传统的基于反向传 播的练习办法容易陷入局部最佳,致使练习失败。鉴于DE算法好的性能,为了找到模型所涉及的互联网参数包含权值和s形 函数参数等参数的最佳值,大家在基于透明神经互联网的电网问题通用诊断模型的 结构基础上,将互联网参数的练习任务转化为优化问题转化为基于DE算法的优化 问题一一将诊断模型中的连接权值和sigmoid函数参数练习转化为以练习样本的 实质输出与理想输出之间的偏差为目的函数的最小化优化问题。DE算法的具体 操作已在 2.3.1 中详细介绍,此处不再赘述。使用均方误差作为偏差评价函数:1NMSE =-工2N i =1叫晌三叫三叫max SX ”j,mm三叫 < 勺層bk ,min < bk < bk ,max其中,N是练习样本数;AO和/O分别为实质输出和理想输出。3.5.2诊断模型的练习与验证诊断模型的练习结果大家以输电线路的问题通用诊断模型的练习为例。在练习过程中,总共用 60 个样本进行练习。经练习,整个样本的实质输出与理想输出吻合较好,练习 误差MSE仅为7.87E-04,说明基于DE的练习办法是有效的。输电线路的诊断 模型练习样本的偏差如图3.8所示,练习记录如图 3.9所示。图3.9练习过程中MSE的变化曲线(2)诊断模型的验证结果经练习后,大家使用了共20个样本对其诊断模型进行验证,验证误差MSE 仅为&07E-04。线诊断模型验证样本的偏差如图3.10所示。图 3.10 输电线路诊断模型验证样本的偏差 经过本文办法的练习,所涉及的互联网参数值如表3-2所示。对于变压器和母 线,其诊断模型的互联网参数优化值如表3-2和表3-3所示。表 3-2 输电线路问题诊断模型的互联网参数参数 优化值 参数 优化值w1 0.3542 a1 2.6416w2 0.2953 a2 2.2062w3 0.8107 a3 2.8350w4 0.2270 a4 0.3266w5 0.4671 a5 1.0714w6 0.7313 b1 25.0000w7 0.2776 b2 24.0762w8 0.4514 b3 24.5498w9 0.3002 b4 5.0000w10 0.2329 b5 13.941132表 3-3 变压器问题诊断模型的互联网参数参数 优化值 参数 优化值w1 0.3922 a1 0.8890w2 0.5343 a2 0.4790w3 0.4320 a3 1.9727w4 0.2018 a4 0.3386w5 0.2023 a5 1.0742w6 0.6318 b1 22.4791w7 0.8435 b2 29.4561w8 0.9485 b3 29.9863w9 0.4322 b4 6.5478W10 0.2037 b5 11.0528表 3-4 母线问题诊断模型的互联网参数参数 优化值 参数 优化值w1 0.2024 a1 2.3983w2 0.6302 a2 0.9892w3 0.3691 a3 0.9470w4 0.5708 b1 11.5021w5 0.1281 b2 11.4733w6 0.4839 b3 7.3726w7 0.8034 - -3.6 诊断模型的算例剖析为了验证该模型的容错性和可行性,在含2.1-GHz Intel Core 处 理器和8.0-GB RAM计算机上的MATLAB 2016a软件中进行了实验。分别在IEEE 30 节点测试系统[37]和吉林四平实质电网[10]中进行了问题测试剖析。并且,将 所提出的模型与Petri网[22、SNP系统[77]和RBFNN[37]进行了比较。3.6.1案例1 IEEE 30 节点测试系统IEEE 30 节点测试系统[37]如图 3.11 所示。因为篇幅限制,图 3.11 中未给出 CBs 的设施编号。33图 3.11 IEEE 30节点测试系统该测试系统考虑了具备多个问题元件的复杂问题状况。SCADA系统测试到 的告警信息如表3-5所示:表 3-5 算例 1 的告警信息序号 告警信息 序号 告警信息1 MPR B12m 8 CB12142 MPR T0412m 9 CB12153 MPR L1216m 10 CB12164 SBPR L1312s 11 CB13125 SBPR L1716s 12 CB15126 CB0412 13 CB17167 CB1204 - -从告警信息中可以看出,问题事件中存在多个候选问题元件。大家以输电线 路L1216行为例来讲明诊断过程。经过对该系统拓扑结构的剖析,大家明确的了 解到在输电线路L1216送侧有四个相邻元件,在受侧有一个相邻元件。问题排除 过程中,送侧MPR L1216m动作成功触发CB1216跳开。在受侧,MPR L1612m 和PBPR L1612s均没办法正常工作。在这样的情况下,SBPR L1617s动作触发CB1617 跳开,从而移除问题。在用所提出的诊断模型对该候选问题元件进行诊断时, 第一确定元件种类,即输电线路,然后调用相应的问题诊断模型。进入诊断互联网 之前,使用加权平均法对输入神经元的初始值进行预处置。虽然 MPR L1216m34已经在送侧移除去该问题元件,但复杂的问题事件也会会触发其他的远后备保 护及断路器动作,如SBPR L1312s和CB0412。因此,计算远后备保护/断路器的 输入神经元的初始值如下:氐=/ = 0.325 仏=/ = 0.6125 ^s= /1 = 0.7 YcBrs =/1 = 0.75 从而, 诊断模型的输入神经元的值为[0.9999,0.9833,0.2,0.325,0.6125, 0.2,0.2,0.2,0.7,0.75]。将输入值代入由表3-2中的参数构建神经互联网问题诊断模型 中,可以迅速计算出模型输出gP19的值为0.87。因此,因为输出大于阈值0.5[37], 可以判断这条线路状况为问题。对于其他涉及的候选问题元件,使用同样的办法可以迅速获得其诊断输出。 各问题诊断模型的诊断输出及计算时间比较如表3-6所示。表 3-6 案例 1 的各问题诊断模型的诊断输出及计算时间比较电网元件 B12 T0412 L1216 [0.9785, [0.2, 0.2, 0.9833, [0.9999, 0.9833, 0.2,模型输入 0.8266, 0.3, 0.9847, 0.2, 0.9833, 0.325, 0.6125, 0.2, 0.2,0.58] 0.3250, 0.4750] 0.2, 0.7, 0.75] 所提出的 诊断输岀 0.9458 0.9371 0.8700 模型 耗时 4.20E-02 1.65E-01 2.87E-01 诊断输出 0.9050 0.7375 0.8750 Petri 网[22] 耗时 2.39E+01 4.34E+01 3.86E-00 诊断输出 0.81 0.81 0.81 SNP 系统[77] 耗时 5.94E+01 6.08E+01 5.44E+01 诊断输出 0.9293 0.9336 0.8738 RBFNN[37] 耗时 - - - 诊断结果与文献[37]的结果一致,表明该办法是有效的。与其他办法相比, 虽然该办法的诊断输出不是最高的,但其诊断输出足以支持诊断结果。除此之外,在 不考虑其他模型重构时间的状况下,所提模型的诊断速度远高于其他模型。以输 电线路 L1216 为例, L1215 投入运行时,本文输电线路诊断模型中的神经元:激 活函数=19:9, Petri 网模型中的命题:规则=19:14, SNP 系统模型中的命题神经元: 规则神经元=35:19。353.6.2案例 2 拓扑变化的自适应能力 在实质电网中,系统拓扑结构常常发生变化,因此诊断办法需要具备适应变化的能力。基于案例1的L1215因修理而停用的另一个案例验证了所提办法的自 适应能力。告警信息如表3-7所示。表 3-7 案例 2 涉及的告警信息序号 告警信息 序号 告警信息1 MPR B12m 7 CB12042 MPR T0412m 8 CB12143 MPR L1216m 9 CB12164 SBPR L1312s 10 CB13125 SBPR Ll716s 11 CB17166 CB0412 - -大家仍然以L1216行为例。因为L1215的修理停用,送侧相邻元件由4个 变为 3 个。远后备保护/断路器的初始输入如下:^s= / = 0.3667 丘=/ = 0.5667 yUs= /1 = 0.7 =/1 = 0.75 因此, 所有输入神经元的值为[0.9999,0.9833,0.2,0.3667,0.5667,0.2, 0.2,0.2,0.7,0.75]。通过对模型输出gP7的计算,得出了 0.8699的诊断结论。针对电网拓扑变化时的问题状况,各问题诊断模型的诊断输出及计算时间比 较如表 3-8 所示。该案例验证了当拓扑结构发生变化时,所提出的办法无需对诊断模型进行 重构和再练习。在L1215维护退出后,对于输电线路L1216,提出的模型神经元: 激活函数=19:9, Petri网的命题:规则=17:13, SNP系统的命题神经元:规则神经元 =32:18。该问题诊断办法仅需用加权平均法重新计算输入神经元的值,表明该 诊断办法具备好的自适应能力。36表 3-8 电网拓扑变化的各问题诊断模型的诊断输出和计算时间比较电网元件 B12 T0412 L1216[0.2, 0.2, 0.9833, [0.9999, 0.9833, 0.2,[0.9785, 0.7875, 模型输入 0.3, 0.53] 0.9847, 0.2, 0.9833, 0.3667, 0.5667, 0.2,0.3667, 0.3833] 0.2, 0.2, 0.7, 0.75]所提岀的 诊断输岀 0.9447 0.9368 0.8699模型 耗时 5.18E-02 8.65E-02 2.63E-01诊断输岀 0.9000 0.7375 0.8750Petri 网[22] 耗时 3.58E+01 2.24E+01 2.24E+01诊断输岀 0.81 0.81 0.81SNP 系统[77] 耗时 5.99E+01 8.00E+01 5.37E+01诊断输岀 0.884 0.9215 0.9152RBFNN[37] 耗时 - - -3.6.3案例 3 实质电网的问题诊断为了进一步验证所提办法的可行性,对吉林四平电网[6]实质问题事件进行了测试。有关电网和问题发生时的告警信息分别如图3.12和表3-9所示。表 3-9 案例 3 的告警信息序号 告警信息 序号 告警信息1 MPR B7m 8 CB31042 MPR L11Sm 9 CB82043 SBPR L1Rs 10 CB48024 SBPR L3Rs 11 CB48035 SBPR L4Rs 12 CB48116 SBPR L10Rs 13 CB31067 CB1504 14 CB3107依据告警信息可以获得候选问题元件。当问题发生时,MPR B2m拒动作, 因此 SBPRs 动作触发相应的 CBs 跳开。那样大家就能比较容易地得到母线 B2 诊断模型的输入神经元的值,如表3-10所示。表 3-10 案例 3 中各问题诊断模型的诊断输出与计算时间比较电网元件 B2 B7模型输入 [0.2, 0.2,0.7,0.75] [0.9785,0.7875,0.325,0.3375]文献[11]的结果 诊断输岀 问题 问题耗时 - -所提出的模型 诊断输出 0.8481 0.9397耗时 7.04E-05 7.67E-05Petri 网[22] 诊断输出 0.825 0.9耗时 3.76E-02 3.78E-02SNP 系统[77] 诊断输出 0.441 0.81耗时 5.48E-02 6.59E-02同时,对于母线B7, MPR B7m飞速动作, 触发除CB4801外的CB4811、CB4802和CB4803正确跳开。因此,在输电线路L10上有SBPR L10Ss动作触 发CB3107跳开。而对于L11s和CB3106的动作,是误动作。因此,母线B7 的问题诊断模型输入值如下:仏=/4=0.7875 你=/4 = 0.325 血= / 4 = 0.3375 在生成输入值之后,大家可以迅速达成如表3-9所示的模型输出。母线B2 和母线 B7 均存在问题。与文献[11]的结果进行比较,结果表明,即便实质电网 中出现了多个紧急问题,该办法也能准确诊断问题。383.6.4性能比较从上述案例的结果可以看岀,所提岀的办法可以适用于各种电网问题诊断案 例。该办法可以在问题诊断时进行直观的逻辑推理。本办法与部分一流的办法进 行了定性比较,如表 3-11 所示。通过对比剖析,该办法是有效的,具备较强的 竞争优势。表 3-11 与其他办法的定性比较问题诊断办法 模型规模 模型讲解性 问题诊断结果 容错率 对大规模电网的适应能力 对系统拓扑变化的适应能力Petri 网[22] 好:为每一个 出色:模型能表 通常:用模糊数 出色:模 好:诊断模型需要特 定的 部 达元件,PRs, 来模拟 PRs 和 型独立于 依据新的电网拓分构建模 CBs 之间的逻 CBs的不确定性 系统规模 扑结构进行重构型 辑关系 贝叶斯网 好:像 非常不错:像 好:模型经过训 非常不错:类 通常:需要采集新络[23] Petri 网[22] Petri 网[22] 练, 但不考虑 似于 Petri 的练习样本来训PRs和CBs的不 网[22] 练对应的诊断模确定性 型SNP 系统 好:像 非常不错:像 通常:用模糊数 非常不错:类 非常不错:像 Petri[77] Petri 网[22] Petri 网[22] 模拟PRs和CBs 似于 Petri 网[22]动作状况 网[22] 改进的 差:为整个 差模型内部像 好:像贝叶 差:模型 差:需要采集新的RBFNN[35] 系统构建 个“黑箱” 斯互联网[23] 规模非常大 练习样本来练习模型 整个系统的模型RBFNN[36] 通常:为多 差:像改进 好:像贝叶 好:大电 差:需要采集新的个电网小 的 RBFNN [35] 斯互联网[23] 网可分割 练习样本来练习电网 为多个小 有关子系统的模电网 型所提岀的 出色:为每 好:像 Petri 出色:练习并模 好:类似 出色:不需要重构模办法 类型型的 网[22] 拟了 PRs 和 CBs 于 Petri 网 型电网元件 都打造了 模型 的不确定性 [22] 3.7 本章小结本章提岀了一种基于透明神经互联网的电网问题诊断通用模型办法。使用面向 元件的问题诊断代替上章的分区诊断,进一步提升诊断模型对大规模电网的适应 能力。通过打造问题移除过程中的元件-保护-断路器三者动作逻辑和隐含层之间 的映射关系,使得NN的内部结构不再“黑箱”为了提升诊断模型的诊断容错39率,提出将互联网参数练习转化为了优化问题,使用性能好的差分进化算法对基 于透明神经互联网的电网问题诊断通用模型进行练习,并以输电线路的问题诊断模 型练习与验证进行剖析。然后,将练习后的问题诊断模型分别在IEEE 30节点测 试系统和吉林四平实质电网中测试,并与几种常见问题诊断办法进行定性比较。 诊断仿真结果表明,该办法具备较高的讲解性,能为调度职员决策提供可讲解的 结果,且对系统拓扑变化具备较强的自适应能力。40第四章 基于模糊推理脉冲神经膜系统的电网问题通用诊断模型4.1引言面向电网元件构建了基于透明神经互联网的电网问题通用诊断模型,在削弱电 网规模对神经互联网维数带来影响的同时,通过构建问题移除过程中的元件与保护 系统的动作逻辑与隐含层连接之间的映射关系弱化了“黑箱”问题,提升了该方 法诊断效率的同时加大了诊断过程中的讲解能力。然而,基于神经互联网的电网故 障诊断办法依靠于应用前期对诊断模型互联网参数的充分练习,通过隐含层的各参 数协同达成诊断互联网模型的正确诊断。但在实质应用时,练习样本或许会岀现 不充足、不全方位、不正确的状况,练习成效不理想的状况下诊断模型会岀现错误 诊断,最后影响后续的电力恢复。基于脉冲神经膜系统的问题诊断办法,与神经互联网结 构相似,是神经互联网的一种衍生模型。该系统通过具备分布式的并行计算结构, 使用命题神经元表征问题移除过程中的继电保护配置节点,规则神经元表征问题 移除过程中的保护逻辑运算,突触表征问题移除过程中的保护设施动作逻辑关 系。基于 SNP 系统的诊断过程使用逻辑运算,因此模型不需要练习、诊断过程直 观易懂有益于调度职员迅速知道问题状况。但基于SNP系统诊断模型的结构 对大规模电网和拓扑结构常常变化的电网的适应能力不足:一是伴随电网的不断 扩张,用于电网问题诊断的模型呈现岀结构过于复杂且计算量庞大的难点;二是 当电网拓扑结构发生变化后发生问题,问题诊断办法需要耗费肯定时间用于诊断 模型的更新健全,致使诊断效率减少。传统的基于SNP系统的问题诊断办法诊断[30]以电网中的所有元件的保护设 备作为模型输入,所以面向大型电网时问题时,模型输入量大,矩阵推理涉及的 变量矩阵稀疏且维数大,诊断效率低;当岀现拓扑结构变化时,因为部分元件退岀/加入,诊断模型通过局部调整或重新建模以适应新 的拓扑结构。因此,适应大电网和电网拓扑结构变化的能力较弱,致使问题诊断 效率低下,紧急时会干扰调度职员后续电网恢复的有关操作。为了达成电网问题迅速诊断,大家尝试使用一样的SNP系统代替神经互联网 问题诊断。并且针对电网拓扑结构变化时电网问题诊断模型适应问题,本章节介 绍了基于模糊推理脉冲神经膜系统的诊断模型结构不随拓扑结构变化的通用诊断模型。为了达成基于 FRSNPS 的诊断模型的通用性,第一通过“归一化”预处置,达成诊断模型的结 构对规模大和拓扑结构变化电网的适应性;然后通过对规则神经元的改进,提高 41诊断模型的容错能力。最后,对IEEE30节点测试系统中的各类型型的问题算例 进行仿真测试,并与具备相似结构的原基于 FRSNPS 问题诊断[30]与模糊 Petri 网问题诊判定性定量比较。4.2模糊推理脉冲神经膜系统FRSNPS 概念为:n = 其中: A = {可为尖峰脉冲集合,a表示单个传递信息的脉冲。 Np = {bp1Qp2,...Qpn}为命题神经元集合。其中,第i个神经元 ,表示第i个模糊命题。Nr ={br1,br2,...Qrm}为规则神经元集合。其中,b.表 示第j条模糊规则。文中涉及三类规则神经元:“AVG”均值神经元、“AND”与 类神经元和“OR”或类神经元。syn匚UuV ,为各类神经元间的有向连接集合。其中,类比神经元中 的突触,U = {NpX NrMUij}xn表示命题神经元Np传递至各类规则神经元Nr的 有向弧,而V = {Nr x Np } = {Vji }nxm表示Nr传递至Np的有向连接。若神经元之 间存在有向连接,则Uij = 1,不然Uj = 0。I = {bp1,bp2,...,bpx }为输入命题神经元真值集合;O = {<7py }为输出命 题神经元真值集合。4.3电网问题通用诊断模型在电网中,电网问题诊断元件含线路、母线和变压器三类。依据问题地区的 拓扑结构、保护及对应断路器动作状况,借助输入的“归一化”预处置,分别建 立面向电网元件的问题通用诊断模型。4.3.1线路通用诊断模型依据运行经验,线路通常配置送受两侧的主保护Lsm、近后备保护 Lsp和远后备保护Lss与对应断路器CBsx,如图4.1所示。42图 4.1 线路关联保护示意图遵循上述原理,诊断模型借助动作告警信息反向推理,通过AND规则分别 判断各保护动作状况,再用OR规则判断送(受)侧是不是有保护切除问题,最后 用 AVG 规则得出元件问题置信度,该值越高,元件问题可能性越高。线路通用诊 断模型如图 4.2 所示。图 4.2 FRSNPS 线路问题通用诊断模型考虑到相邻支路远后备保护对构建诊断模型的适应性影响,不再用一个命 题神经元[30-31]表征一个保护设施动作状况。在基于 FRSNPS 电网问题诊断[30]的 基础上,借助加权平均法,用一个命题神经元表征待测元件送(受)侧所有远后 备保护(相应断路器)的动作状况。具体“归一化”预处置,如下式所示:nLs,o X ^Ls,o + nLs,c X ^Ls,c ^Lss 0Lrs 丿—nLs,o + nLs,cnCBs,o X 0CBs,o + nCBs,c X 0CBs,c °CBss—Fcb61-—ICB3ICB4I—图 4.3 母线保护示意图依据母线问题时保护装置动作关系,作如下预处置:_ nCB%o x 化Bm^o + nCB m,c ^CBm nCBm,o +nCB m,c_ nBs,o x ^Bs,o + nBs,c x ^Bs,c ^Bs =—nBs,o + nBs,cnCBs,o x 0CBs,o + nCBs,c x 0CBs,c °CBs =nCBs,o + nCBs,c其中,ncBm,o(ncBm,o)代表动作(未动作)的MPRs对应的断路器数目,nBs,o(nBs,c) 和"cBs,c("cBs,c)同理。沟S.o(叽)和0CBs.o( 0CBS.C)分别代表母线相邻支路SBPRs和相 应CBs动作(未动作)的命题神经元真值的初值。通用诊断模型,如图4.4所示。图 4.4 FRSNPS 母线问题通用诊断模型444.3.3变压器通用诊断模型变压器的关联保护,包含主保护Tsm、近后备保护Tsp和远后备保 护Tss与相应断路器CBsx,如图4.5所示。Tp |-图 4.5 变压器保护示意图其中,BPRs和相应CBs的处置与线路问题通用诊断模型类似。变压器问题 通用诊断模型,如图 4.6 所示。图 4.6 FRSNPS 变压器问题通用诊断模型4.4 模糊参数设置4.4.1命题神经元在实质运行中,数据采集 系统接收到的保护装置动作告警信息可能出现畸变、缺失的现象。诊断模型使用 模糊数表征不精确和不完备的告警信息,马上各保护装置的动作可信度作为输入 命题神经元初值,表征设施动作与否。并以国家用电器网公司统计的各类保护装置正 确动作率作为各类主保护动作可信度[76]。各保护装置动作可信度,如表 4-1 所示。45表 4-l 保护、断路器动作(未动作)可信度设置表保护类别 装置 线路 母线 变压器主保护 继电器 0.9999 0.9785 0.9847断路器 0.9833 0.9833 0.9833近后备保护 继电器 0.8 - 0.75断路器 0.85 - 0.8远后备保护 继电器 0.7 0.7 0.7断路器 0.75 0.75 0.75注:括号内为未动作时的动作可信度,“-”表示该元件未设置相应保护。4.4.2规则神经元在规则神经元的多个参数中包括两个模糊参数:置信因子tm与激起阈值 入m。前者用来描述该神经元对应的模糊规则对于最后诊断结果的贡献度,后者 用来辨别规则神经元激起与否。依据运行经验可知,主保护是动作最快、灵敏性最高的保护。与表征主保护 命题神经元直接相连的规则神经元的tm设为0.997,后备保护因为其后备属性灵 敏度较低,因此-递减,根据机电保护系统中的动作顺序分别设为0.95和0.9[叭 为保证模型的容错性,设置入m时,对于远后备保护的规则神经元的入m设置为 0.5,其他规则神经元的Arm根据前向连接的命题神经元个数设置。4.5 通用诊断步骤4.5.1通用诊断框架以 FRSNPS 为基本建模工具,依据保护动作的基本原理,诊断步骤如图 4.7所示。电网发生问题时,第一迅速剖析电网的拓扑结构,确定可疑问题地区,减小 诊断工作量。在辨别出可疑待测元件种类后,根据元件类别进行相应输入命题神 经元的“归一化”预处置计算。实行相应的模型矩阵推理,最后若待测元件问题 置信度高于 0.5[31],判断为问题;反之则元件无问题。4.5.2矩阵推理规则为了达成FRSNPS的高效计算,在实质应用中使用矩阵推理对FRSNPS描 述。参考传统的FRSNPS[30],对应各类规则神经元激起规则,概念以下运算算子 和规则函数:最大算子㊉:Crxs = Arxs㊉B”xs,cjj = max [air, br\或算子。:Crxt = Arx^) Bsxt,C = max^air -bj 与算子◎: Crxt = Arxs ©Bsxt,cij = min^air -brj} 均值算子述:Crxt = Arx^> Bsxt,Cj = ^{a,r -brj} /n有关规则:1)激起规则,0 = fire :伙={幣;:) 2)传递规则, 0= update :其中,0=0;02;…,0p], a = [0;;...吗],0 = [0;02;…;0p], X = [X;X;…Xp]。4.5.3矩阵生成办法电网拓扑结构发生变化时,基于 FRSNPS 的电网问题通用诊断因为模型结构 固定,在实质操作中,电网调度职员仅需对输入数据进行容易“归一”处置后即可 用于诊断问题元件。依据给定模糊参数,以线路通用模型为例,线路通用诊断模 型的固定结构参数矩阵包含:Omxn为零矩阵。上式中Wra、Wr。和Wrg分别为命题神经元与“AND”神经元、 “OR”神经元与“AVG”神经元的关联矩阵,Tr为规则神经元置信因子矩阵,V 为规则神经元传递至命题神经元的关联矩阵。线路诊断通用模型中其他固定输入参数为:X = [1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1;1;1] , X = [2; 2; 0.5; 2; 2; 0.5; 2; 3; 3]0po = [1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 0; 0; 0; 0; 0; 0; 0; 0; 0] , aro = [0; 0; 0; 0; 0; 0; 0; 0; 0]0r0=[0;0;0;0;0;0;0;0;0]上式中,X(X)分别为命题(规则)神经元激起所需要的脉冲数矩阵;0卩0和 0r0分别为初始状况下的命题神经元激起数矩阵和规则神经元同意数矩阵。对于 线路通用模型的矩阵输入而言,实质为完成“归一”处置后的输入神经元真值矩 阵 ap0 。4.6 算例剖析为了验证该模型的可行性,在处置器为2.10GHz、内存为8GB的计算机中 MATLAB R2016a 环境下仿真。本节对如图 4.8 所示 IEEE30 节点测试系统[37]中,的问题进行很多测试,并 把所提出的模型同FRSNPS[30 ]诊断模型和FRPN诊断模型的部分紧急问题样本的 仿真结果对比,剖析得出所提出的模型的优势。48图 4.8 IEEE30 节点测试系统问题后 SCADA 系统采集到的存在保护装置拒动、误动信息的部分紧急问题 样本,如表 4-2 所示。表 4-2 部分紧急问题样本集序号 测试中心采集到的告警数据 问题元件1 L0204m,L0304p,CB0204,CB0402,CB0304 L02042 T0609p,L1009s,L1109s,CB0609,CB1009,CB1109 T06093 B06m,CB0602,CB0607,CB0608,CB0609,CB0610,CB0628 B064 B06m,L3106s,CB3106,CB0602,CB0607,CB0608,CB0609,CB0610,CB0628 B06B10B10m,T1006m,L1020m,L1710s,L1920s,CB1006,CB0610,CB1009,CB1021,CB2210,CB10 5 22,CB1710,CB1020,CB1920 T1006L1020B10B10m,T1006m,L1020m,L1710s,L1920s,CB1006,CB0610,CB1009,CB1021,CB2210, 6 CB1710,CB1020,CB1920 T1006L10204.6.1 算例 1 单重问题情形 样本 1、 2、 3 存在保护/断路器拒动、误动或告警数据缺失、畸变的状况, 所提出的模型、FRSNPS[30]和FRPN模型对含多种情形的单重问题样本诊断输出49即问题置信度对比,如表4-3所示。表 4-3 含多种情形的单重问题样本的诊断输出对比序号 待诊断元件 所提岀的模型 FRSNPS[30] FRPN1 L0204 0.5899 0.0998 0.68402 T0609 0.6712 0.7200 0.57103 B06 0.8688 0.0947 0.7817注:本表只列出问题元件及相应问题置信度,下划线数字表示该元件诊断结果为问题,下同。以样本3中母线B06为例,对所提出的模型诊断过程进行讲解:问题发生时, 母线主保护B06m动作,相邻线路断路器CB0602, CB0607, CB0608, CB0609, CB0610, CB0628,跳闸切除问题,但CB0406数据缺失。母线B06作为可疑待测元件触发母 线问题诊断模型。依据告警数据进行问题数据预处置,由表1可知,B06m动作, 故主保护对应的输入神经元真值aBm=0.9785 ,其他保护及断路器对应的输入神经 元真值计算根据公式-计算得出:aCBm=/7=0.8714 aBs =/ 7=0.4 aCBs = /7=0.2 输入神经元真值导入母线诊断模型,实行图4.7中的矩阵推理算法。当 i=0 时,0p0 =[1;1;1;1;0;0;0], ap0 = [0.9785;0.8714;0.4;0.2;0;0;0];循环i次的结果:当 i=1 时,0p1 = [0;0;0;0;1;1;0], ap\ = [0;0;0;0;0.8688;0.18;0];当 i=2 时,0p2 = [0;0;0;0;0;0;1], ap2 = [0;0;0;0;0;0;0.8688],即母线 b°6 的问题置信度对应输出神经元巧7=0.8688〉0.5,判断为问题;当 i=3 时,〃”3 =[0;0;0;0;0;0;0], ap3 = [0;0;0;0;0;0;0],母线 B06 的推理完成, 生成问题结果表;同理,可以推理出样本1、 2中待测元件的问题置信度。4.6.2算例 2 多重问题情形样本 5 是存在出现保护装置拒动/误动和 SCADA 系统告警数据缺失状况的 多重问题。诊断输出对譬如表4-4所示。50表 4-4 含多重问题的样本 5 的诊断输出对比序号 待诊断元件 所提岀的模型 FRSNPS[30] FRPNB10 0.8502 0.7200 0.84435 T1006 0.9804 0.8519 0.8550L1020 0.8052 0.7200 0.82304.6.3算例 3 互联网拓扑结构变化样本4为因为电网扩建,母线B31和线路L3106加入系统后出现的类似样 本3的问题。样本6为因线路L1022需要检修而退出运行后出现的类似样本5 的问题。进行相应诊断输出对比,即便互联网拓扑结构变化,如表4-5所示诊断结 论一致。表 4-5 拓扑结构变化样本的诊断输出对比序号 待诊断元件 所提岀的模型 FRSNPS[30] FRPN4 B06 0.7851 0.0947 0.7401B10 0.8241 0.7200 0.84226 T1006 0.9804 0.8519 0.8550L1020 0.8052 0.7200 0.8230经统计,所提出的模型得出的问题元件平均问题置信度为0.8161,高于FRPN 问题诊断模型的0.7819和FRSNPS[30]问题诊断模型的0.5593,在保护系统不正 常动作的状况下仍能100%有效诊断出问题元件,具备较高问题容错率。上述比较表明,所提出的模型和FRPN问题诊断均能诊断出正确结果,但 所提出的模型得出的平均问题置信度高于FRPN问题诊断,且所提出的模型规模 远小于另外两种问题诊断模型(以样本3为例,本文母线问题诊断模型输入神经 元矩阵的维度7X3,FRSNPS[30]和FRPN输入矩阵维数为44X22),而FRSNPS[30] 问题诊断,因为模型表达相邻支路的保护动作状况的能力较弱,没办法诊断SCADA 系统告警数据缺失下的问题;在电网拓扑结构常常变化的电网中,所提出的模型 即便存在SCADA系统告警数据出现畸变、缺失的状况下仍能对问题进行有效诊 断,且诊断模型规模不变(样本4输入神经元矩阵维数与样本3相同,均为7X 3;另外两种模型需要重新建模,输入矩阵维数变化为 50x25)。4.6.4性能比较最后,将所提出的模型与FRSNPS和FRPN问题诊断模型的性能进行了对比 概要,如表 4-6 所示。51表 4-6 所提出的模型与 FRSNPS 和 FRPN 问题诊断模型的对比办法种类 所提出的模型 FRSNPS[30] FRPN大规模电 诊断 网的适应 模型 能力 强:以元件构建诊断模型,只涉 差:模型受电网 差:类似 FRSNPS及问题地区内局部电网拓扑结构 规模影响 [30]通用 电网拓扑性 变化的适应能力 强:即便线路出现检修/投入状况,不需要改变模型结构 差:需要依据电 网拓扑结构重构 诊断模型 差:类似 FRSNPS[30]诊断过程中 强:使用反向推理,引入逻辑类 强:同所提出的 较强:库所的表 现形式不及FRSNPS[30]直观的讲解能力 规则神经元 模型 建模的难易程度 容易:诊断模型输入矩阵维数固 复杂:受电网规 复杂:类似定 模影响 FRSNPS[30]诊断结果的 较强:用模糊数模拟保护和断路 通常:信息缺失 通常:类似容错率 器拒动、误动,并引入AGV规则 时,容错率较低 FRSNPS[30]面向大规模电网和电网拓扑变化的电网,所提出的模型继承了原frsnps[30] 的强讲解诊断过程,不再受电网规模和电网拓扑结构影响,体现出了相较于其他 两类模型更好的适应能力和容错率。4.7 本章小结对基于透明神经互联网的电网问题通用诊断模型进行了延伸,使用不需要练习的 FRSNPS 办法,并且针对 FRSNPS 问题诊断模型对拓扑结构常常变化的电网适应 不足的问题,提出了提升电网问题诊断模型的通用性新思路。第一,依据元件、 保护继电器和断路器之间动作逻辑关系打造通用诊断模型;结合问题时保护和断 路器的动作状况,通过对远后备保护与断路器在诊断模型中的输入命题神经元进 行“归一化”预处置,减小诊断模型输入矩阵维数,从而减轻诊断过程的复杂程 度。同时,考虑到SCADA系统的告警数据出现畸变、缺失等不确定的情形可能 会干扰诊断结果,使用历史统计数据对这类不确定情形模糊处置,并引入不一样的 规则神经元,提升模型的容错率。最后,对IEEE30节点测试系统中的不相同种类型 算例仿真,并与具备相似结构的原基于 FRSNPS 问题诊断[30]与 FRPN 问题诊 判定性定量比较。结果证明在告警数据不完备、不确定的状况,该通用诊断模型 对于拓扑结构常常变化的电网问题不需要重新构建诊断模型也能有效诊断。52第五章 概要与展望5.1 概要“能源网络”的不断进步对电网问题诊断办法提出了新的挑战。性能健全 的电网问题诊断模型对辅助问题后的紧急调度,控制问题停电时间、迅速恢复电 力提供、杜绝事故恶化有着必不可少有哪些用途。现有些问题诊断办法在诊断容错率, 诊断讲解能力、适用范围、诊断效率等方面均面临着更高应用需要。鉴于目前基 于AI算法的如火如荼与其处置在复杂工程 问题的能力,本文以输电互联网问题为研究对象,着重研究知道决基于神经互联网 电网问题诊断模型的“黑箱"问题,在赋予诊断互联网内 部结构肯定讲解性的同时,使用优化算法完成互联网参数的练习,使得诊断模型在 具备肯定讲解能力的同时满足大多数问题状况的正确诊断。除此之外,针对已具备一 定讲解能力的基于模糊脉冲神经膜系统问题诊断办法,现在存在的适应性问题, 着重研究了面向元件的通用性诊断模型,使用“归一”预处置对诊断模型输入神 经元进行处置,同时改进了规则神经元,以提升诊断模型的容错率。所做的主要工作和贡献总结如下:针对大规模电网问题诊断存在的维数灾难问题,提出了基于结构自适 应的层次极限学习机分区电网 问题诊断模型。在基于 NN 的电网分区诊断的基础上,做了如下改进: 1)使用 了诊断速度快、控制参数少的 HELM 练习办法构建分区诊断子模块,以适应当 前不断扩张的电网;2)在HELM互联网练习过程中,使用差分进化算法对HELM 的正则化因子和隐含层神经元个数进行结构参数自适应调整,以达成各分区诊断 模型互联网结构的自适应构建; 3)在分割为3分区的14节点系统上进行仿真实验, 分别为 3 个分区打造了独立的诊断模型用于问题诊断。实验结果表明,该模型对 大规模电网问题诊断适应能力较强;对于告警信息有误、缺失的状况,具备较高 容错率。针对基于 NN 的电网问题诊断存在的不可讲解“黑箱”问题,提出了 一种基于透明NN的电网问题诊断通用模型。在以往基于NN的诊断办法基础上, 该诊断模型: 1)该诊断模型的内部结构可以明确直观地表达问题移除过程中的 元件-保护-断路器三者动作逻辑,为调度职员决策提供可讲解的诊断输出; 2) 同时,该模型规模不随系统变化而变化,具备好的自适应能力,不仅能够适用 于大规模电网,并且电网拓扑结构发生变化,也无需重新架构和第三练习; 3) 将诊断模型的互联网参数练习转化为优化问题,使用差分进化算法求解,具备较高的容错率;4)在IEEE 30节点测试系统上 对该办法进行了验证,然后将该办法应用到吉林电网的实质问题案例中。实验结 果表明,该办法具备较高的讲解性的互联网结构和自适应能力。提出了一种提升基于模糊脉冲神经膜系统的电网问题诊断模型的通用性新思路。拓展了基于透 明NN的电网问题通用诊断模型,使用不需要练习过程的算法,针对FRSNPS电网 问题诊断模型对拓扑结构常常变化的电网适应不足的问题,在传统FRSNPS算法 的基础上,做了如下改进:1)对远后备保护和母线主保护断路器进行“归一” 处置,使用一个命题神经元表征相邻支路上的一类保护/断路器,推理过程容易 直观,易于调度职员理解;2)在反向推理过程中,用“AND-OR”规则神经元 表征各保护/断路器动作状况,并引入的“AVG”均值神经元表征线路/变压器送 两侧的问题切除状况,防止出现部分问题信息缺失、畸变时没办法正确处置剖析故 障元件的状况。 3)在 IEEE30 节点系统中进行仿真实验,实验结果表明,该模 型结构容易、输入矩阵维度小;拓扑结构常常变化时,以修改输入神经元矩阵代 替重新建模;对于保护/断路器拒动、误动或告警数据缺失、畸变的状况,具备 较高容错率。5.2 展望为了使基于NN电网问题诊断算法愈加适应目前电网调控需要,确保供电系 统的稳定靠谱,论文提出了具备讲解性的NN电网问题诊断模型,并获得了肯定 的成就,然而在实质应用时,仍需进一步深入研究。将来的研究工作将从以下方 向进行展开:继续改进诊断模型的互联网结构,继续提升模型的讲解性。论文在构建 NN 电网问题诊断模型时,仅通过打造与问题移除过程中的元件-保护-断路器三 者动作逻辑成映射关系的诊断互联网内部结构以构建讲解能力更强的 NN 电网故 障诊断模型,诊断模型的输出是表征元件问题概率的模糊值。鉴于数据采集系统可能出现错误告警信息 与保护设施的错误动作的状况,在后续的研究中将考虑在诊断模型中增加对保 护设施的动作状况的剖析评价,即改进诊断互联网结构,将用于判断保护设施动作 状况的输出纳入神经互联网的输出层,从而进一步提升诊断模型的讲解能力,辅助 调度职员迅速获得问题状况。继续优化诊断互联网的练习办法。论文在对NN问题诊断互联网参数进行 练习时,使用的是最基本的差分进化算法,算法中的控制参数使用的是常用经验 值,练习得到的诊断互联网参数,从而影响诊断模型的诊断容错率。后续将对差分 进化算法进行自适应改进,以减小使用的算法对诊断模型带来的影响。54集百家之长,成一家之言。现在各种人工智能算法在电网问题诊断研究方向 上的应用追根溯源都是为了打造最符合实质应用、最高效的、最全方位的问题诊断, 为构建坚强的智能的“能源网络”添砖加瓦。因此,将来不应该拘泥于某种算 法的应用,而是结合多种办法的优势,研究出基于融合式算法的电网问题诊断方 法,保证诊断模型的多方面性能优良,可以适应多种电网问题突发状况。55致谢曾无数次的在心中构思过,到毕业论文完结的那一刻我会拥有哪些样的心 情。行文至此,是释然和感恩。所有的历程皆是收成。三载春秋,或欢喜,或酸涩,所有些历程于我皆是华 衮;所有些相遇于我皆是宝藏。从不知怎么样动笔的迷茫,到课题陷入瓶颈的焦灼, 从无数次被拒稿的疲惫,到小论文发表的喜悦,再到敲到此处字间的平静。我学 到的不仅仅是做学术,更多的是平心态。从初入贵大的满心期待,到搬入电工楼的 斗志昂扬,从呼朋唤友的肆意潇洒,到搬回寝室的挑灯夜战,我想我认识的不仅 是朋友,更多的处事原则。求学路漫,幸遇良师。感谢我的导师,熊国江教授。非常庆幸,进入熊国江老 师课题组,让我本科想搞科研的心愿得以达成。这篇毕业论文中的种种思路皆源 于熊国江老师的指导。熊国江老师对学术的追求和对工作的热情,是三年来鞭策 大家不断前进的动力。即便在 2020 年新冠肺炎疫情忽然爆发,全国隔离期间,居家 的熊老师也丝毫未曾懈怠,一直通过线上会议的方法指导我的论文修改。因此每 每懈怠时,想到隔壁402尚未熄灭的灯,也就求学之心坚定下来了。奈何力有所 不逮,技术有所不及,未能达到导师一直期望的高度,是我的遗憾。但,导师 对我的谆谆教诲,我将铭记于心。期望老师学术长青,桃李天下。溪山如黛,蒙与君行。贵大非常美,微风拂过阅湖水,春日绽放是三年来治愈 我的一大良药。当然,最治愈我的是在贵大认识的小伙伴,正由于有了他们,在 外求学的道路好像也不那样枯燥乏味:感谢LEI和yoki,监督我变美变瘦;感谢 614的三位美女,让我爱上了腊肉豆米和鲍师傅;感谢实验室的小伙伴们,让我 学到人情冷暖;感谢党支部和团支部支委们,让我了解有一群志同道合的朋友非常 快乐;还要感谢说好要承包我一辈子纸巾的郑佳丽,说是写进我的致谢里,会给 我安排毕业旅游,恍恍惚惚,十年的友谊,感谢有你。期望友谊长存,天涯比邻。哪个言寸草心,报得三春晖。贵阳不远,但也不近。我能感觉到我在这边遇 事时,爸爸妈妈的无奈;我同样也能感觉到我在这边报喜时,爸爸妈妈的骄傲。没离开家 之前,我总感觉自己有满腔的抱负要去达成,但离开家后,才了解未来的路要 自己走的真的含义。幸运的是,爸爸妈妈的每一通电话都成为我前行的最大动力,感 谢父母的支持和包容,你们是我最喜欢的人。期望爸爸妈妈安康常健,万事顺遂。知遇之恩,伯乐难遇。除此之外,还要谢谢学生科的夏菲老师和郭翠翠老师与 梁远腾师兄,正是他们对我的信赖和大力支持,我才能在学院党支部和团总支挂 职训练,参与学院的各项活动,拓展眼界的同时让我各方面能力得到提高。期望 你们工作顺利,喜乐安宁。最后,感谢国家自然科学基金资助项目“拥有强讲解性的深度 神经互联网透明化智能电网问题诊断模型”对本论文提供的资助。56夜色难免黑凉,但前行必有希望!新冠肺炎疫情总会过去,俄乌冲突定会过去, 不快乐的事更能过去,要紧的是要迈开步子大步向前!愿世界和平!国泰民安! 家和万事兴!57参考文献[1]RIFKIN J. The Third Industrial Revolution: How Lateral Power is Transforming Energy, the Economy, and the World[M]. Palgrave Macmillan Trade, 2012: 201-233.[2]统一思想 凝聚力量 建设具备中国特点国际领先的能源网络企业J].国家 电网, 2020: 38-41.[3]FUKUI C, KAWAKAMI J. An Expert System for Fault Section Estimation Using Information from Protective Relays and Circuit Breakers[J]. IEEE Transactions on Power Delivery, 1986, PER-6: 83-90.[4]梁俊晖, 廖志伟, 黄志元, 等. 广东电网事故处置智能辅助决策专家系统开 发[J].南方电网技术,2008, 02: 26-30.[5]张学军,刘小冰,阎彩萍,等.基于正反向推理的电力系统问题诊断J].电力 系统智能化, 1998, 01: 30-32+55.[6]张海波,贾凯,施蔚锦,等.信息论与专家系统相结合的电网问题诊断J].电 力系统及其智能化学报, 2017, 29: 111-118.[7]KALUDER S, FEKETE K, JOZSA L, et al. Fault pagnosis and identification in the pstribution network using the fuzzy expert system[J]. Eksploatacja i Niezawodnosc - Maintenance and Reliability, 2018, 20: 621-627.[8]MA D, LIANG Y, ZHAO X, et al. Multi-BP expert system for fault pagnosis of power system[J]. Engineering Applications of Artificial Intelligence, 2013, 26: 937-944.[9]OLIVEIRA A, ARAUJO O,JR G, et al. A mixed integer programming model for optimal fault section estimation in power systems[J] International Journal of Electrical Power & Energy Systems, 2016, 77: 372-384.58[10]SOBHY M, ABDELAZIZ A, EZZAT M, et al. Artificial Bee colony Optimization Algorithm for Fault Section Estimation[J]. Artificial Intelligence and Evolutionary Computations in Engineering Systems, 2017, : 127-139.[11]XIONG G J, SHI D Y, ZHANG J, et al. A binary coded brain storm optimization for fault section pagnosis of power systems[J]. Electric Power Systems Research, 2018, 163: 441-451.[12]ALROAYAEE R. Fault section estimation in electric power systems using Teaching-Learning-based-Optimization algorithm[J]. International Research Journal of Engineering and Technology, 2019, 05: 2689-2696.[13]郭文鑫, 文福拴, 廖志伟, 等. 计及保护和断路器误动与拒动的电力系统故 障诊断分析模型[J].电力系统智能化,2009, 33: 6-10+42.[14]刘道兵,顾雪平,李海鹏.电网问题诊断的一种完全分析模型J].中国电机 工程学报, 2011, 31: 85-92.[15]赵冬梅,张旭,魏娟,等.以重现问题过程为目的的电网问题诊断[J].中国电 机工程学报, 2014, 34: 2116-2123.[16]LCFCBVRE D. On-line F ault Diagnosis with Partially Observed Petri Ncts[J]. IEEE Transaction on Automatic Control, 2014, 59: 1919-1924.[17]谢红涛,童晓阳.基于分层模糊Petri网的电网问题综合诊断办法[J].电网技 术, 2012, 36: 246-252.[18]谢敏,吴亚雄,黄庶,等.基于有色自控Petri网的电网问题地区辨别[J].电 力系统保护与控制, 2016, 44: 56-64.[19]陈强,程学珍,刘建航,等.基于分层变迁的WFPN电网问题剖析J].电工技 术学报, 2016, 31: 125-135.[20]徐彪,尹项根,汪旸,等.基于模糊时间Petri网的电网问题诊断办法J].电 力系统智能化, 2018, 42: 70-76.59[21]KIAEI I,LOTFIFARD S. A Two-Stage Fault Location Identification Method in Multiarea Power Grids Using Heterogeneous Types of Data[J]. IEEE Transactions on Industrial Informatics, 2019, 15: 4010-4020.[22]XU B, YIN X, YIN X G, et al. Fault pagnosis of power systems based on Temporal Constrained Fuzzy Petri Nets[J]. IEEE Access, 2019, 07: 276-285.[23]MANSOUR M, WAHAB M, SOLIMAN W. Bayesian networks for fault pagnosis of a large power station and its transmission lines[J]. Electric Power Components and Systems, 2012, 40: 845-863.[24]孙明蔚, 童晓阳, 刘新宇, 等. 运用时序贝叶斯常识库的电网问题诊断办法 [J]. 电网技术, 2014, 38:715-722.[25]罗孝辉,童晓阳•计及可信度的变结构贝叶斯互联网电网问题诊断[J].电网技 术, 2015, 39: 2658-2664.[26]韩迎春,童晓阳.基于动态推理链的电网问题诊断办法[J].电网技术,2017, 41: 1315-1324.[27]李一泉, 焦邵麟, 曾耿晖, 等. 基于贝叶斯互联网的电网复杂问题推演新办法 [J]. 电力系统保护与控制, 2020, 48: 57-63.[28]IonESCU M,PAUN G, YOKOMORI T. Spiking Neural P Systems[J]. Fundamenta Informaticae, 2006, 71: 279-308.[29]WANG J, ZHOU L, PENG H, et al. An extended spiking neural P system for fuzzy knowledge representation[J].International Journal of Innovative Computing, Information and Control, 2011, 7: 3709-3724.[30]XIONG G J, SHI D Y, CHEN J F. A new approach to fault pagnosis of power systems using fuzzy reasoning piking neural P systems[J]. Mathematical Problems in Engineering, 2013: 815352.60[3 1 ] WANG T, ZHANG G X, ZHAO J B, et al. Fault Diagnosis of Electric Power Systems based on Fuzzy Reasoning Spiking Neural P Systems[J]. IEEE Transactions on Power Systems, 2015, 30: 1182-1194.[32]WANG T, WEI X G, HUANG T, et al. Modeling fault propagation paths in power systems: a new framework based on event SNP systems with neurotransmitter concentration[J]. IEEE Access, 2019, 07: 12798-12808.[33]毕天姝,倪以信,吴复立,等.基于新型神经互联网的电网问题诊断办法[J].中 国电机工程学报, 2002: 74-79.[34]BEDEKAR P P, BHIDE S R, KALE V S. Fault section estimation in power system using Hebb's rule and continuous genetic algorithm[J]. Electrical Power and Energy Systems, 2011, 33: 457 — 465,.[35]LUO Y,LING S,CAO Y. Fault pagnosis of Electric Power Grid based on Improved RBF Neural Network[J]. TELKOMNIKA Indonesian Journal of Electrical Engineering, 2014, 12: 4777-4784.[36]石东源, 熊国江, 陈金富, 等. 基于径向基函数神经互联网和模糊积分融合的 电网分区问题诊断[J].中国电机工程学报,2014, 34: 562-569.[37]熊国江, 石东源, 朱林, 等. 基于径向基函数神经互联网的电网模糊元胞问题 诊断[J].电力系统智能化,2014, 38: 59-65.[38]谢民, 邵庆祝, 王同文, 等. 基于 销售成本O-PNN 及灰色关联度剖析的电网分区 问题诊断J/OL].安徽大学学报,2022: 1-8.[39]王同文,邵庆祝,谢民,等基于Elman神经互联网的电网问题诊断J].电气自 动化, 2020, 42: 52-54+78.[40]夏威,张麟,袁秋实,等.改进极限学习机应用于电网问题诊断J].电网与清 洁能源, 2015, 31: 15-19+24.[41]边莉,边晨源.使用交叉熵支持向量机和模糊积分的电网问题诊断J].电机 与控制学报, 2016, 20: 112-120.61[42]WOLPERT D H,MACREADY W G. No free lunch theorems for optimization[J]. IEEE Transactions on Evolutionary Computation, 1997, 01: 67 - 82.[43]王守鹏,赵冬梅.电网问题诊断的研究综述与前景展望J].电力系统智能化, 2017, 41: 164-175.[44]HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70: 489-501.[45]HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: A new learning scheme of feedforward neural networks[C]. 2004 IEEE International Joint Conference on Neural Networks, 2004, 02:985-990.[46]LUO J, VONG C M, WONG P K. Sparse Bayesian Extreme Learning Machine for Multiclassification[J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 25: 836-843.[47]LIU X, GAO C, LI P. A comparative analysis of supportvector machines and extreme learning machines[J]. NeuralNetworks, 2012, 33: 58-66[48]DENG W, ZHENG Q, LIN C. Regularized Extreme Learning Machine[C]. 2009 IEEE Symposium on Computational Intelligence and Data Mining, 2009: 389-395.[49]邓万宇,郑庆华,陈琳,等.神经互联网极速学习技巧研究J].计算机学报, 2010, 33: 279-287[50]KASUN L, ZHOU H, HUANG G B, et al. Representational learning with extreme learning machine for big data[J]. IEEE Intelligent Systems, 2013, 28: 31 -34.[51]TANG J, DENG C, HUANG G B. Extreme Learning Machine for Multilayer Perceptron[J]. IEEE Transactions on Neural Networks & Learning Systems, 2017, 01: 809-821.62[52]VINCENT P, LAROCHELLE H, BENGIO Y, et al. Extracting and composing robust features with denoising autoencoders[C]. Machine Learning, Proceepngs of the Twenty-Fifth International Conference, 2008: 1096 - 1103.[53]STORN R, PRICE K. Differential Evolution-A simple and efficient heuristic for global optimization over continuous Spaces[J]. Journal of Global Optimization, 1997, 11: 341 - 359.[54]DAS S, SUGANTHAN P. Differential Evolution: A Survey of the State-of-the-Art[J]. IEEE Transactions on Evolutionary Computation, 2011, 15: 4-31.[55]DAS S, KonAR A, CHAKRABORTY U. K. Annealed pfferential evolution[C]. 2007 IEEE Congress on Evolutionary Computation, 2007: 1926- 1933.[56]DAS S, ABRAHAM A, KonAR A. Automatic clustering using an improved pfferential evolution algorithm[J]. IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans, 2008, 38: 218- 236.[57]STORN R, PRICE K. Minimizing the real functions of the ICEC 1996 contest by pfferential evolution[C]. Proceepngs of 1996 IEEE International Conference on Evolutionary Computation, 1996: 842- 844.[58]PRICE K. Differential evolution vs. the functions of the 2nd ICEO[C]. Proceepngs of 1997 IEEE International Conference on Evolutionary Computation, 1997: 153- 157.[59]STORN R, PRICE K. Differential evolution: A simple evolution strategy for fast optimization[J]. Dr. Dobb's journal, 1997, 22:18-24.[60]STORN R, PRICE K. Differential evolution: A simple and efficient heuristic for global optimization over continuous spaces[J]. Journal of Global Optimization, 1997, 11: 341-359.63[61]MALLIPEDDI R, SUGANTHAN P N. Differential evolution algorithm with en百度竞价推广ble of populations for global numerical optimization[J]. Opsearch, 2009, 46: 184- 213.[62]MALLIPEDDI R, SUGANTHAN P N. En百度竞价推广ble of constraint handling techniques[J]. IEEE Transactions on Evolutionary Computation, 2010, 14: 561- 579.[63]WANG Y, C人工智能 Z, ZHANG Q. Enhancing the search ability of pfferential evolution through orthogonal crossover[M]. Springer Berlin Heidelberg, 2012.[64]GONG W Y, C人工智能 Z H. Differential Evolution With Ranking-based Mutation Operators[J].IEEE Transactions on Cybernetics, 2013, 43: 2066-2081.[65]YANG Q, LIU P, ZHANG J, et al. Combined heat and power economic pspatch using an adaptive cuckoo search with pfferential evolution mutation[J]. Applied Energy, 2022, 307: 118057.[66]肖鹏,邹德旋,夏正龙,等.改进差分进化算法在动态经济调度中的应用J]. 控制工程, 2021, 28: 275-283.[67]Li S, Gong W, Wang L, et al. Optimal power flow by means of improved adaptive pfferential evolution[J]. Energy, 2020, 05: 117314.[68]Li S, Gong W, Hu C, et al. Adaptive constraint pfferential evolution for optimal power flow[J]. Energy, 2021, 235:121362.[69]黄俊辉, 李琥, 衣涛, 等. 改进小生境差分进化算法在配网无功优化中的应 用[J].电网与清洗能源,2015, 31:75-79.[70]baseTTI V, CHANDEL A K. Hybrid power system state estimation using Taguchi pfferential evolution algorithm[J]. Science Measurement & Technology Iet, 2015, 09: 449-466.[71]陈锦龙, 杜江, 伍仕红, 等. 基于余弦自适应差分进化算法的输电网问题诊 断[J].智能化与仪器仪表,2021, 01: 65-68.64[72]HIGGINS I, MATTHEY L, GLOROT X, et al. Early Visual Concept Learning with Unsupervised Deep Learning[J]. arXivpreprint, 2016, arXiv: 1606.05579.[73]KARPATHY A, JOHNSON J, LI FF. Visualizing and understanpng recurrent networks[J]. arXivpreprint, 2015, arXiv: 1506.02078.[74]RITTER S, BARRETT D G T, SANTORO A, et al. Cognitive Psychology for Deep Neural Networks: A Shape Bias Case Study[J]. arXivpreprint, 2017, arXiv: 1706.08606.[75]HORNIK K. Approximation capabilities of multilayer feedforward networks[J]. Neural Networks, 1991, 04: 251-257.[76]张烈, 王德林, 刘亚东, 等. 国家用电器网 220 kV 及以上交流保护十年运行剖析 [J]. 电网技术, 2017, 41: 1654-1659.[77]PENG H, WANG J, MING J, et al. Fault pagnosis of power systems using Intuitionistic Fuzzy Spiking Neural P Systems[J]. IEEE Transactions on Smart Grid, 2018, 09: 4777-4784.
 
打赏
 
更多>相关资讯
推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用协议  |  版权隐私  |  网站地图  |  排名推广  |  广告服务  |  积分换礼  |  网站留言  |  RSS订阅  |  违规举报