基于自适应神经模糊推理系统的配电网故障分类方法

摘要

本发明涉及一种基于自适应神经模糊推理系统的配电网故障分类方法。该方法是基于自适应神经模糊推理系统的一种改进方法。对于配电网常出现的几种短路故障类型，该方法构造了一个基于递阶自适应神经模糊推理系统，基于仿真软件仿真各种短路故障并采集故障相电流作为训练样本数据，使用混合学算法对构造的递阶自适应神经模糊推理系统进行训练，确定系统中的参数；确定了参数的递阶自适应神经模糊系统就可以用于甄别配电网的故障类型了。通过大量的仿真数据验证表明，本发明提出的分类方法具有较高的分类识别准确性、并且对故障点的变化具有较好的鲁棒性以及对网络拓扑结构的变化具有较强的适应性。

主权项

一种基于自适应神经模糊推理系统的配电网故障分类方法，其特征在于，包括以下步骤：步骤1：基于仿真软件，搭建典型配电网结构，仿真出各种类型的配电网故障，建立包括各种配电网故障类型的多个训练样本的训练样本集；构造一个递阶自适应神经模糊推理系统；在使用该推理系统对故障进行分类前，使用混合学习算法对构建的递阶模糊推理系统进行训练，确定系统中的前件参数和结论参数，所述故障类型包括：单相接地短路故障的三种A相接地故障、B相接地故障以及C相接地故障，两相接地故障中的三种AB两相接地短路故障、AC两相接地短路故障以及BC两相接地短路故障，三相短路故障，两相不接地短路故障中三种AB两相不接地故障、AC两相不接地故障以及BC两相不接地故障；定义M的分别代表10种配电网故障，其中，M＝1，2，…，10；具体包括以下子步骤：步骤1.1：基于PSCAD‑EMTDC仿真，搭建典型配电网结构，在其上对配电网的10种故障类型进行仿真，分别仿真出各类故障的三相电流，以此建立包括各配电网故障类型的多个训练样本的训练样本集；步骤1.2：对训练样本集中所有训练样本进行特征提取，得到每个训练样本的特征向量，本步骤利用统计参数来构造特征量，对训练样本构造特征量ρ_a，b，ρ_a，c和ρ_b，c为：$s_p^{*}=s_p/s_{\max }$                式一其中，$s_p={\left\{\frac{1}{n-1}\underset{t=1}{\overset{r}{\Sigma }}\right[i_p^{*}\left(t\right)-E\left(i_p^{*}\right)\left]\right\}}^{\frac{1}{2}},p=a,b,c$         式二s_max＝max(s_p)，p＝a，b，c                 式三${\rho }_{a,b}=\left|\frac{E\left(i_a^{*}{i}_b^{*}\right)-E\left(i_a^{*}\right)E\left(i_b^{*}\right)}{\sqrt{E{\left(i_a^{*}\right)}^2-E^2\left(i_a^{*}\right)}\sqrt{{E\left(i_b^{*}\right)}^2-E^2\left(i_b^{*}\right)}}\right|$            式四${\rho }_{a,c}=\left|\frac{E\left(i_a^{*}{i}_c^{*}\right)-E\left(i_a^{*}\right)E\left(i_c^{*}\right)}{\sqrt{E{\left(i_a^{*}\right)}^2-E^2\left(i_a^{*}\right)}\sqrt{{E\left(i_c^{*}\right)}^2-E^2\left(i_c^{*}\right)}}\right|$             式五${\rho }_{b,c}=\left|\frac{E\left(i_b^{*}{i}_c^{*}\right)-E\left(i_b^{*}\right)E\left(i_c^{*}\right)}{\sqrt{E{\left(i_b^{*}\right)}^2-E^2\left(i_b^{*}\right)}\sqrt{{E\left(i_c^{*}\right)}^2-E^2\left(i_c^{*}\right)}}\right|$             式六其中，分别表示表示a、b、c三相电流的标幺值；表示为第t个样本的p相电流；r为样本数；E(x)为求变量x的数学期望；s_p(p＝a，b，c)为p相电流的标准差；ρ_a，b、ρ_a，b及ρ_a，b分别表示a相与b相电流的相关系数、a相与c相电流的相关系数以及b相与c相电流的相关系数；则构造的特征向量可以表示为[x₁，x₂，x₃，x₄，x₅，x₆]，其中，x₄＝ρ_a，b，x₅＝ρ_a，c，x₆＝ρ_b，c；步骤1.3：将步骤1.2中构造的训练样本数据的特征向量基于matlab模糊系统工具箱中的ANFIS函数用于建立包括全部输入变量的TS型单级模糊模型；基于所建立的TS型单级模糊模型可以分别计算出每种故障的各特征量相对于输出变量的灵敏度，根据灵敏度分别对所有训练样本的各故障的特征量进行重要性进行排序；对建立的基于TS单级型模糊系统的ANFIS是一个典型的多输入单输出的系统，其模糊推理规则为：$R^i:\mathrm{IF}{x}_1\mathrm{is}{A}_1^i\mathrm{and}{x}_2\mathrm{is}{A}_2^i\mathrm{and}...\mathrm{and}{x}_m\mathrm{is}{A}_m^i,\mathrm{THEN}{y}^i=f_i\left(X\right)=b_0^i+b_1^i{x}_1+...+b_m^i{x}_m$      式七式中为规则Rⁱ对应的第j个输入变量的模糊集合，为规则Rⁱ对应的第j个输入变量的结论参数，f_i(X)为系统根据规则Rⁱ所得到的输出，i＝1，2，…，n；j＝1，2，…，m，m表示为输入变量数，n为模糊规则数；由模糊规则公式，定义系统有m个输入量x₁，x₂，…，x_n，建立TS单级型模糊系统，单输出量由n条模糊If‑Then规则组成的集合来表示；所述ANFIS的网络结构共分为5层：隶属度函数生成层、规则推理层、模糊化层、去模糊化层和输出层，由各层得到系统的多输入单输出模型为如下的函数表达形式：$\begin{array}{c}y=\left[\underset{i=1}{\overset{n}{\Sigma }}{f}_i\left(x\right)\underset{j=1}{\overset{m}{\Pi }}{\mu }_{\mathrm{Aj}}^i\left(x_j\right)\right]/\left[\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m}{\Pi }}{\mu }_{\mathrm{Aj}}^i\left(x_j\right)\right]\\ =\left[\underset{i-1}{\overset{n}{\Sigma }}{f}_i\left(x\right)\exp \right[-\underset{j-1}{\overset{m}{\Sigma }}\frac{{(x_j-c_j^i)}^2}{2{\left({\sigma }_j^i\right)}^2}\left]\right]/\left[\underset{i-1}{\overset{n}{\Sigma }}\exp \right[-\underset{j-1}{\overset{m}{\Sigma }}\frac{{(x_j-c_j^i)}^2}{2{\left({\sigma }_j^i\right)}^2}\left]\right]\end{array}$            式十四其中，f_i表示为第i个规则对应的系统输出，为第i个规则对应的第j个输入变量的隶属度，分别为第i个规则下第j个输入变量的隶属度函数的中心和宽度，m表示为输入变量数，n为模糊规则数；所述对每一种故障的特征量的重要性进行排序的具体方法是：标号为M(M＝1，2，…，10)的配电网故障，其训练样本样本数据表示为[x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)；y(t)]，t＝1，2，…，r，其中r为训练样本数，x₁(t)，x₂(t)，x₃(t)，x₄(t)，x₅(t)，x₆(t)表示为由训练样本根据步骤1.2提取的特征量，y(t)表示为模糊系统的希望输出量，对于标号为M的配电网故障其希望输出量为y(t)＝M，执行以下步骤：步骤1.3.1，将步骤1.2中构造的训练样本数据的特征向量基于matlab模糊系统工具箱中的ANFIS函数用于建立包括全部输入变量的TS型单级模糊模型；设该单级模糊模型由n条T‑S模糊规则进行描述，根据步骤1.3中的式七可得第i条模糊规则的形式为：Rⁱ：如果x₁为且…，且x₆为则$y^i=b_1^i{x}_1+...+b_j^i{x}_j+...+b_6^i{x}_6+p_7^i=M,$式由为第i个规则对应的第j个输入变量的模糊集合，为第i个规则对应的第j个输入变量的结论参数；根据步骤1.3中的式十四可知有n条T‑S模糊规则组成的模糊模型的输出为$\hat{y}=\left[\underset{i=1}{\overset{n}{\Sigma }}{f}_i\left(x\right)\underset{j=1}{\overset{m}{\Pi }}{\mu }_{\mathrm{Aj}}^i\left(x_j\right)\right]/\left[\underset{i=1}{\overset{n}{\Sigma }}\underset{j=1}{\overset{m}{\Pi }}{\mu }_{\mathrm{Aj}}^i\left(x_j\right)\right]$         式十五其中，f_i表示为第i个规则对应的系统输出，为第i个规则对应的第j个输入变量的隶属度，n为模糊规则数，m表示为输入变量数，由步骤1.2可得m＝6；步骤1.3.2，基于所建立的TS单级模糊模型可以计算出每一个输入变量相对于输出变量的灵敏度；即第j个输入变量x_j相对于输出变量的灵敏度为：$S_j=\frac{1}{t}\underset{t=1}{\overset{r}{\Sigma }}\left|\frac{\partial \hat{y}\left(t\right)}{\partial x_j\left(t\right)}\right|,j=\mathrm{1,2},...,6$             式十六其中$\frac{\partial \hat{y}\left(t\right)}{\partial x_j\left(t\right)}=f_i\left(t\right)+\underset{v=1}{\overset{n}{\Sigma }}{x}_j\left(t\right)\frac{\partial f_v\left(t\right)}{\partial x_j\left(t\right)},\frac{\partial f_v\left(t\right)}{\partial x_j\left(t\right)}=\frac{1}{b}\underset{i=1}{\overset{n}{\Sigma }}\frac{{\omega }_i(b_j^i-f_i\left(t\right))(c_j^i-x_j\left(t\right))}{{\left({\sigma }_j^i\right)}^2},b=\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i,$为第t个样本的模糊模型输出，x_j(t)为第t个样本的第j个输入变量，f_i(t)表示为第t个样本的第i个规则对应的系统输出，分别为第i个规则对应的第j个输入变量的中心和宽度，为第i个规则对应的第j个输入变量的结论参数，r为训练样本数，n为模糊规则数；步骤1.3.3，将输入变量x_i根据灵敏度S_i由大到小依次排序，得到X(t)＝[x¹(t)x²(t)x³(t)x⁴(t)x⁵(t)x⁶(t)]，t＝1，2，…，r，r为训练样本数；步骤1.4：构建递阶模糊推理系统，采用模糊C均值聚类方法确定递阶模糊推理系统的规则和初始前件参数；采用递阶模糊推理系统，其是一种双输入二层递阶模糊系统，每个子模糊系统都只有两个输入与一个输出，输出与另一个输入变量共同输入到下一个字模糊系统中，直到最后一个输入变量，根据步骤1.3.3得到的关于输入变量相对于输出变量的灵敏度排序结果对输入变量进行配置，得到新的训练样本数据对，由模糊C均值的聚类方法计算出每一种故障类型的聚类中心，执行以下步骤：步骤1.4.1，初始化；给定聚类类别数10，设定误差值ε和循环次数M，分别任取各类中的某个样本的特征向量作为初始聚类中心，设置初始循环次数t＝1；步骤1.4.2，如果t＞M或者直到||V^(t)‑V^(t‑1)||＜ε转向步骤1.4.6，否则转向步骤1.4.3，其中V^(t)表示为第t次循环的聚类中心；步骤1.4.3，更新隶属度矩阵U^(t)：$u_{i,j}=\left\{\begin{array}{cc}{\left[\underset{k=1}{\overset{10}{\Sigma }}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{kj}}}\right)}^{\frac{2}{p-1}}\right]}^{-1}& d_{i,j}>0\mathrm{and}\forall 1\le t\le 10,d_{t,j}>0\\ 1& d_{i,j}=0\\ 0& (d_{i,j}>0)\mathrm{and}(\exists t\ne i,d_{t,j}=0)\end{array}\right.$     式十七其中，d_i，j为第j个训练样本与第i个聚类中心的欧式距离，p为模糊指数，一般p＝2，u_i，j为第j个训练样本对第i个聚类中心的隶属度值；步骤1.4.4，更新聚类中心矩阵V^(t+1)：$V^{\left(t\right)}=\left[\underset{j=1}{\overset{r}{\Sigma }}\left(u_{\mathrm{ij}}^p{x}_j\right)\right]/\left(\underset{j=1}{\overset{r}{\Sigma }}{u}_{\mathrm{ij}}^p\right),i=\mathrm{1,2},...,10$       式十八其中，V^(t)表示为第t次循环的聚类中心，p为模糊指数，一般p＝2，u_i，j为第j个训练样本对第i个聚类中心的隶属度值，r为训练样本数；步骤1.4.5，令t＝t+1，返回步骤1.4.2；步骤1.4.6，输出(U，V)其中，||·||表示矩阵范数从而得到10条最优模糊规则和初始模型前件参数和最优模糊规则为：R¹：如果x₁为且…，且x_m为则$y^1=p_1^1{x}_1+...+p_n^1{x}_n+p_{n+1}^1=1,$式中为模糊集合；R²：如果x₁为且…，且x_n为则$y^2=p_1^2{x}_1+...+p_n^2{x}_n+p_{n+1}^2=2,$式中为模糊集合；R¹⁰：如果x₁为且…，且x_n为则$y^{10}=p_1^{10}{x}_1+...+p_n^{10}{x}_n+p_{n+1}^{10}=10,$式中为模糊集合；初始模型前件参数和为：$c_j^i=V_{\mathrm{ij}}$${\sigma }_j^i=\sqrt{\frac{1}{k_i}\underset{x\in {\theta }_i}{\Sigma }{(x_i-c_j^i)}^T(x_i-x_j^i)}$          式十九其中，是子系统第j个输入变量对应的第i个隶属度函数的中心；是子系统的第j个输入变量对应的第i个隶属度函数的宽度；V_ij是第i类聚类中心的第j个元素；θ_i是第i个聚类所包含全部训练样本组成的集合；k_i是第i类集合中的元素的个数；步骤1.5：使用混合学习算法对构建的递阶模糊推理系统进行训练，确定各子系统最终的前件参数和结论参数；训练递阶模糊系统各级子系统规则前件参数和结论参数，从第一级开始逐级进行参数优化；本发明采用径向基神经网络模型和算法实现前件参数的训练，后件参数用最小二乘法穿插在其中进行，这时是对所有的子模糊系统逐级进行的；步骤2，当步骤1中构建的递阶模糊推理系统训练完毕后，即开始对测试样本进行分类了，具体包括以下子步骤：步骤2.1：采集故障三相电流，得到测试样本；在仿真软件上，对典型配电网上设置某一种故障类型，采集其故障三相电流，得到测试样本；步骤2.2：对测试样本进行特征提取，得到测试样本的特征向量；采用步骤一中的步骤1.2中的统计参数的方法对测试样本进行处理，得到测试样本的特征向量[x₁，x₂，x₃，x₄，x₅，x₆]；步骤2.3：按照步骤一中的步骤1.3中的步骤1.3.3中的训练样本的特征量的重要性排序结果，对测试样本的特征量进行排序，得到排序后的特征向量[x¹，x²，x³，x⁴，x⁵，x⁶]；步骤2.4：将排序后的测试样本的特征向量作为步骤一中的步骤1.5训练后的递阶模糊推理系统的输入量，得到分类结果。