一种基于神经网络和模糊积分的电力系统故障诊断方法

摘要

本发明公开了一种基于神经网络和模糊积分的电力系统故障诊断方法，本发明采用面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，有效解决了获取训练样本和适应拓扑变化两个问题。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，有效提高了系统诊断的准确性。

主权项

1.一种基于神经网络和模糊积分的电力系统故障诊断方法，其特征在于，包括以下步骤：(1)对电网的三类主要元件线路、母线、变压器分别建立保护模型和神经网络模型；(2)选取训练样本和RBF网络对元件神经网络进行训练；(3)采用实时结线分析方法来识别故障前与故障后的系统拓扑结构差异，确定故障区域，将故障区域内的元件作为候选故障元件；(4)基于面向元件的神经网络模型进行初级故障诊断；(5)利用模糊技术对初级故障诊断结论进行预处理；(6)根据电网拓扑信息形成候选故障元件集D＝{d₁，d₂…d_N}，其中，d为候选故障元件；(7)根据电网拓扑信息形成各个候选故障元件的直接关联元件集合D_i-direct＝{d_m…d_n}与隔一级关联元件集合D_i-indirect＝{d_k…d_i}；(8)确定模糊密度，即gⁱ＝g({x_i})，i＝1，2，…n，其中，gⁱ就是第i个信息的模糊密度，亦即为第i个信息的权重；(9)根据拓扑信息及各元件的诊断结论，形成直接关联元件对候选故障元件的故障的支持程度的集合F_i-direct＝{f_m…f_n}与隔一级关联元件对该候选故障元件的故障的支持程度的集合F_i-indirect＝{f_k…f_i}；(10)根据式计算模糊积分值e_i，e_i即为综合诊断给出的故障可能性指标，形成候选故障元件的故障可能性指标集E＝{e₁，e₂…e_N}；根据故障可能性指标集，确定故障元件。