一種基于體液免疫原理的電網(wǎng)故障診斷模型設(shè)計(jì)方法

王守鵬，趙冬梅

(華北電力大學(xué)電氣與電子工程學(xué)院,北京市 102206)

一種基于體液免疫原理的電網(wǎng)故障診斷模型設(shè)計(jì)方法

王守鵬，趙冬梅

(華北電力大學(xué)電氣與電子工程學(xué)院,北京市 102206)

該文借鑒體液免疫應(yīng)答原理解決當(dāng)前電網(wǎng)故障診斷所面臨的故障信息不確定性問題。首先，構(gòu)建了體液免疫應(yīng)答過程與電網(wǎng)故障診斷過程所涉及的基本量的對(duì)應(yīng)關(guān)系。其次，模擬體液免疫抵御抗原入侵的免疫機(jī)制和結(jié)構(gòu)，構(gòu)建了基于體液免疫應(yīng)答機(jī)制的電網(wǎng)故障診斷模型，該診斷模型具有較強(qiáng)的容錯(cuò)能力，不僅可以根據(jù)先驗(yàn)知識(shí)診斷出已知的故障，而且能夠通過系統(tǒng)的連續(xù)學(xué)習(xí)功能診斷未知的故障。最后，通過診斷算例驗(yàn)證了所構(gòu)建診斷模型的有效性與可行性。

故障診斷; 警報(bào)信息; 體液免疫; 學(xué)習(xí)進(jìn)化

0 引 言

電網(wǎng)故障診斷是實(shí)現(xiàn)智能電網(wǎng)自愈功能的重要應(yīng)用[1]，其通過對(duì)調(diào)度中心獲取的保護(hù)動(dòng)作、斷路器跳閘等故障警報(bào)信息的分析判斷，發(fā)現(xiàn)故障原因，確定故障設(shè)備，從而輔助調(diào)度運(yùn)行人員及時(shí)進(jìn)行事故分析與處理，快速恢復(fù)供電，保證電網(wǎng)安全、可靠運(yùn)行[2]。

自20世紀(jì)70年代面向系統(tǒng)層面的電網(wǎng)故障診斷研究開展以來[3]，對(duì)電網(wǎng)故障診斷相關(guān)技術(shù)的研究成為國內(nèi)外眾多專家學(xué)者所關(guān)注的焦點(diǎn)，目前，已有多種人工智能技術(shù)應(yīng)用于電網(wǎng)故障診斷領(lǐng)域，如神經(jīng)網(wǎng)絡(luò)[4]、專家系統(tǒng)[5]、Petri網(wǎng)[6]、貝葉斯網(wǎng)絡(luò)[7]、粗糙集理論[8]、優(yōu)化技術(shù)[9-10]等。這些診斷技術(shù)在故障警報(bào)信息準(zhǔn)確且樣本集完備的情況下能夠取得很好的診斷效果，并且在故障信息不確定性方面亦取得了一些進(jìn)展。然而準(zhǔn)確的在線電網(wǎng)故障診斷仍是一個(gè)懸而未決的難題，尤其在保護(hù)/斷路器異常動(dòng)作及信息畸變、丟失等情況下，對(duì)故障元件的準(zhǔn)確辨識(shí)更為困難，需要進(jìn)一步完善。

鑒于當(dāng)前電網(wǎng)故障診斷所面臨的故障警報(bào)信息不確定性問題，設(shè)計(jì)具有一定的噪聲耐受能力和連續(xù)學(xué)習(xí)能力，能夠在故障樣本缺乏情況下不斷完善和補(bǔ)充診斷知識(shí)，逐步使診斷能力達(dá)到最優(yōu)的故障診斷模型尤為重要。體液免疫[11]是生物免疫系統(tǒng)的一個(gè)非常重要的生理功能，能使機(jī)體在動(dòng)態(tài)變化的環(huán)境中維持自身的穩(wěn)定[12]，具有較強(qiáng)的處理各種干擾和不確定因素的能力，并具有連續(xù)學(xué)習(xí)、聯(lián)想記憶等特性，這些能力和特性均是電網(wǎng)故障診斷期望得到的。為此本文將體液免疫系統(tǒng)的相關(guān)概念與電網(wǎng)故障診斷問題所涉及的概念對(duì)應(yīng)起來，建立二者的對(duì)應(yīng)關(guān)系，并在此基礎(chǔ)上，模擬人體免疫系統(tǒng)的自體耐受、克隆選擇、記憶細(xì)胞獲取、抗體濃度調(diào)節(jié)等免疫機(jī)制，構(gòu)建基于體液免疫應(yīng)答機(jī)制的電網(wǎng)故障診斷模型，該模型具有較強(qiáng)的容錯(cuò)能力，不僅可以根據(jù)先驗(yàn)知識(shí)診斷出已知的故障，還能通過系統(tǒng)的連續(xù)學(xué)習(xí)功能診斷未知的故障。最后通過算例仿真驗(yàn)證所構(gòu)建診斷模型的有效性與可行性。

1 體液免疫系統(tǒng)與電網(wǎng)故障診斷系統(tǒng)的對(duì)應(yīng)關(guān)系

1.1 體液免疫應(yīng)答機(jī)制

體液免疫的發(fā)生具有重要的生物學(xué)意義，是由B細(xì)胞通過對(duì)抗原的識(shí)別、活化、增殖，最后分化成漿細(xì)胞并分泌抗體來實(shí)現(xiàn)的[11]。

圖1為B細(xì)胞介導(dǎo)的體液免疫應(yīng)答過程示意圖，其中Ag表示抗原，B表示B細(xì)胞，P表示漿細(xì)胞，Bm表示記憶細(xì)胞。當(dāng)抗原侵入機(jī)體時(shí)，B細(xì)胞被激活以識(shí)別特異性抗原，此時(shí)具有高親和力的B細(xì)胞開始大量活化增殖，其中一部分B細(xì)胞迅速分化成漿細(xì)胞，漿細(xì)胞分泌大量與抗原相對(duì)應(yīng)的抗體，抗體具有識(shí)別功能，與抗原結(jié)合使之失去活性或滅亡；另一部分B細(xì)胞返回靜止?fàn)顟B(tài)轉(zhuǎn)化為記憶細(xì)胞，以備當(dāng)再次遇到相同抗原時(shí)，能夠快速產(chǎn)生免疫效應(yīng)。在活化增殖過程中，會(huì)發(fā)生高頻變異，高頻變異使得子代所附著的抗體與父代有所不同，從而有利于加強(qiáng)抗體對(duì)抗原的親和力。經(jīng)過多次的克隆增殖、變異，識(shí)別該抗原的免疫細(xì)胞會(huì)達(dá)至一定濃度，從而使抗原被免疫系統(tǒng)識(shí)別。

圖1 B細(xì)胞介導(dǎo)的體液免疫應(yīng)答過程Fig.1 Humoral immune response mediated by B cells

1.2 對(duì)應(yīng)關(guān)系

體液免疫能夠?qū)乖M(jìn)行特異性識(shí)別，并有效清除抗原，使機(jī)體免受病原體的侵襲；電網(wǎng)故障診斷能夠監(jiān)測故障征兆信息，并辨識(shí)故障設(shè)備，以盡快恢復(fù)供電確保電網(wǎng)穩(wěn)定運(yùn)行。因此，本文借鑒體液免疫系統(tǒng)抵御抗原入侵的免疫機(jī)制，將免疫系統(tǒng)的一些基本量與電網(wǎng)故障診斷的基本量對(duì)應(yīng)起來，構(gòu)建體液免疫與電網(wǎng)故障診斷的對(duì)應(yīng)關(guān)系，如表1所示。

表1 體液免疫系統(tǒng)與電網(wǎng)故障診斷系統(tǒng)的對(duì)應(yīng)關(guān)系
Table 1 Relationship between humoral immune system and power grid fault diagnosis system

2 基于體液免疫應(yīng)答機(jī)制的電網(wǎng)故障診斷模型

2.1 問題定義

本文以電網(wǎng)開關(guān)量數(shù)據(jù)進(jìn)行診斷，為便于人工免疫進(jìn)化計(jì)算，故采用二進(jìn)制編碼方式。應(yīng)用體液免疫原理構(gòu)建的電網(wǎng)故障診斷模型中所涉及的一些相關(guān)定義如下詳述。

定義1 自體。當(dāng)電網(wǎng)處于正常運(yùn)行狀態(tài)時(shí)，所提取的狀態(tài)數(shù)據(jù)構(gòu)成的特征向量即為自體，用S來表示。S= (s1,s2,…,si,…,sl)，其中si為第i位自體編碼基因(若采用二進(jìn)制編碼，si∈{0,1})。

定義2 抗原。電網(wǎng)處于異常和故障時(shí)所采集的故障征兆數(shù)據(jù)映射為抗原。設(shè)待診斷的故障警報(bào)數(shù)據(jù)特征向量為抗原，定義抗原為Ag。Ag= (g1,g2,…,gi,…,gl)，其中g(shù)i為第i位抗原編碼基因，gi∈{0,1}表示第i個(gè)保護(hù)或斷路器的狀態(tài)，gi= 0、gi= 1分別表示保護(hù)或斷路器未動(dòng)作和動(dòng)作。

定義3 故障診斷檢測器。故障診斷檢測器可以根據(jù)收集的故障征兆數(shù)據(jù)檢測某一故障區(qū)域內(nèi)發(fā)生故障的元件。故障診斷檢測器由B細(xì)胞及其抗體組成，B細(xì)胞映射為故障元件，抗體映射為故障元件所對(duì)應(yīng)的故障警報(bào)信息。因此，一個(gè)故障診斷檢測器，可以表示為D= (Ab,Bc)，其中，Bc為表征故障設(shè)備的B細(xì)胞；Ab= (b1,b2,…,bi,…,bl)為由故障征兆構(gòu)成的抗體，bi為第i位抗體編碼基因，bi∈{0,1}表示第i個(gè)保護(hù)或斷路器的狀態(tài)，bi= 0、bi= 1分別表示保護(hù)或斷路器未動(dòng)作和動(dòng)作。

定義4 親和力。親和力是指抗體與抗原的結(jié)合能力，即抗體編碼基因與抗原編碼基因之間的匹配程度。設(shè)抗體與抗原之間的距離為d(Ab,Ag)，本文采用基于平均信息熵的距離計(jì)算公式[13]:

(1)

式中：l為Ab與Ag的編碼基因長度；X為等位基因數(shù)(若采用二進(jìn)制編碼，等位基因取值為{0,1}，則X= 2)；pij為Ab與Ag中第j位編碼基因取值為第i個(gè)等位基因的概率。則Ab與Ag的親和力為

(2)

設(shè)Ab與Ag匹配的閾值為ε，若親和力f(Ab,Ag)≥ε，則提呈的抗原能被抗體所識(shí)別。

(3)

其中：

(4))

式中：bji、bki為第j和第k個(gè)抗體的第i位編碼基因；l為抗體編碼基因的長度。則定義的相似度計(jì)算公式為

(5)

定義6 抗體濃度。抗體的濃度為種群中相似抗體所占的比重，即

(6)

其中：

(7)

2.2 電網(wǎng)故障診斷模型的構(gòu)造

體液免疫學(xué)習(xí)機(jī)制是基于生物免疫系統(tǒng)的體液免疫機(jī)理，由圖1可知，B細(xì)胞并不能直接與抗原作用，發(fā)揮免疫響應(yīng)，而是在受到抗原刺激后，發(fā)生一系列變化，轉(zhuǎn)化成漿細(xì)胞，并通過其分泌的抗體消滅抗原。模擬體液免疫應(yīng)答過程建立的電網(wǎng)故障診斷模型如圖2所示，其包括故障診斷和體液免疫學(xué)習(xí)2個(gè)操作環(huán)節(jié)。體液免疫學(xué)習(xí)用于對(duì)故障樣本進(jìn)行離線訓(xùn)練以生成故障診斷檢測器；故障診斷環(huán)節(jié)用于對(duì)目標(biāo)系統(tǒng)的實(shí)時(shí)故障告警進(jìn)行在線診斷，不能確診的故障警報(bào)信息則進(jìn)入體液免疫學(xué)習(xí)環(huán)節(jié)進(jìn)行連續(xù)學(xué)習(xí)。

圖2 基于體液免疫應(yīng)答機(jī)制的電網(wǎng)故障診斷模型Fig.2 Power grid fault diagnosis model based on humoral immune response

整個(gè)電網(wǎng)故障診斷涉及的過程可分為3個(gè)階段：故障診斷檢測器生成階段、故障診斷階段和連續(xù)學(xué)習(xí)階段。

故障診斷檢測器生成階段。這一階段主要是調(diào)用體液免疫學(xué)習(xí)模塊對(duì)故障樣本數(shù)據(jù)進(jìn)行離線訓(xùn)練。首先隨機(jī)生成初始的未成熟檢測器，進(jìn)而將其與給定的抗原集進(jìn)行自體耐受，與自體抗原匹配的未成熟檢測器被刪除，并補(bǔ)入新的未成熟檢測器，直至所有未成熟檢測器滿足耐受要求并轉(zhuǎn)入成熟檢測器集合。成熟檢測器根據(jù)檢測到的非自體抗原，通過克隆選擇達(dá)到成熟，轉(zhuǎn)化為記憶檢測器和候選檢測器。其中，記憶檢測器用于二次免疫應(yīng)答；候選檢測器用于分泌特異性抗體以識(shí)別抗原。抗體經(jīng)歷評(píng)估后，在人工協(xié)同刺激下，即可形成新的故障診斷檢測器，新生成的檢測器存入故障知識(shí)庫，用于故障診斷階段對(duì)抗原的診斷識(shí)別。

故障診斷階段。這一階段讀取故障診斷模塊中訓(xùn)練生成的故障診斷檢測器對(duì)目標(biāo)系統(tǒng)的實(shí)時(shí)故障警報(bào)信息進(jìn)行診斷識(shí)別，故障確診則輸出診斷結(jié)果，否則進(jìn)入連續(xù)學(xué)習(xí)階段。

連續(xù)學(xué)習(xí)階段。對(duì)故障診斷階段不能確診的故障警報(bào)信息進(jìn)行體液免疫連續(xù)學(xué)習(xí)。

具有連續(xù)學(xué)習(xí)功能的電網(wǎng)故障診斷模型不僅能根據(jù)先驗(yàn)知識(shí)診斷出已知的故障，還能借助連續(xù)學(xué)習(xí)機(jī)制診斷未知的故障。

2.3 體液免疫學(xué)習(xí)過程的關(guān)鍵環(huán)節(jié)

2.3.1 未成熟檢測器的自體耐受

自體耐受是指生物體對(duì)自體抗原不予應(yīng)答的免疫耐受，免疫系統(tǒng)正是通過自體耐受對(duì)自體和非自體加以區(qū)分的。否定選擇算法[15]就是對(duì)免疫細(xì)胞成熟過程的模擬，通過自體耐受，刪除對(duì)自體產(chǎn)生應(yīng)答的未成熟檢測器，并將經(jīng)歷耐受滿足要求的未成熟檢測器轉(zhuǎn)化為成熟檢測器。

根據(jù)生物免疫系統(tǒng)的否定選擇原則，將每個(gè)未成熟檢測器與自體數(shù)據(jù)進(jìn)行匹配。本文采用式(3)海明距離對(duì)自體抗原進(jìn)行匹配，設(shè)d′(Ab,Ag)為未成熟檢測器與自體抗原的匹配度，若d′(Ab,Ag)大于閾值ξ，則將該檢測器刪除，并補(bǔ)入新的未成熟檢測器。未成熟檢測器的自體耐受過程如圖3所示。

圖3 未成熟檢測器的自體耐受過程Fig.3 Self-tolerance process of immature detectors

2.3.2 成熟檢測器的增殖分化

免疫學(xué)認(rèn)為，當(dāng)抗原性異物入侵機(jī)體時(shí)，克隆選擇機(jī)制能在機(jī)體內(nèi)選擇出能夠識(shí)別特異性抗原的免疫細(xì)胞，使之激活、增殖和分化，進(jìn)行免疫應(yīng)答，這就是克隆選擇[16]。通過克隆選擇，能夠識(shí)別抗原的免疫細(xì)胞被保留下來，并進(jìn)行分裂擴(kuò)增，而不能識(shí)別抗原的免疫細(xì)胞不被選擇，也不進(jìn)行擴(kuò)增。因此，本文借鑒克隆選擇免疫機(jī)理，對(duì)成熟檢測器進(jìn)行學(xué)習(xí)進(jìn)化。

成熟檢測器學(xué)習(xí)進(jìn)化的過程主要包括選擇算子、克隆算子、變異算子、親和力成熟、受體編輯。

(1)選擇算子。采用輪盤賭[10]的選擇方法來進(jìn)行成熟檢測器的選擇。這種方法能保證克隆的多樣性，為產(chǎn)生最優(yōu)解保留更多的信息。每個(gè)個(gè)體期望被選擇的概率由抗體與抗原的親和力和抗體濃度共同決定，即

(8)

式中：Pi為第i個(gè)個(gè)體期望被選擇的概率；α為多樣性常數(shù)調(diào)節(jié)因子，0.5<α<1。由式(8)可見，個(gè)體親和力越高，則被選擇的概率越大；個(gè)體濃度越大，則被選擇的概率越小。這樣既可以激勵(lì)親和力高的個(gè)體，又能夠抑制濃度高的個(gè)體，從而確保群體的多樣性。

(2)克隆算子。在學(xué)習(xí)進(jìn)化過程中，克隆算子能使部分最佳個(gè)體得以保留并產(chǎn)生更多的后代，從而使系統(tǒng)更為有效地對(duì)抗原作出反應(yīng)。對(duì)選擇出來的個(gè)體進(jìn)行克隆增殖，克隆公式如下：

Nci=round(β×N)

(9)

式中：Nci為被選出的第i個(gè)個(gè)體的克隆規(guī)模；β為繁殖系數(shù)；N為種群規(guī)模；round()為取整函數(shù)。則經(jīng)克隆操作后所得的種群集合為

(10)

(11)

(4)親和力成熟。通過變異進(jìn)行學(xué)習(xí)的結(jié)果使免疫系統(tǒng)能夠更好地指向抗原。此過程中，子代個(gè)體和父代個(gè)體在與抗原的競爭中，具有較高親和力的個(gè)體具有更好的適應(yīng)性，從而更容易被復(fù)制到下一代。重新計(jì)算變異后個(gè)體的親和力。若變異后的個(gè)體親和力高于父代，就用該個(gè)體代替原個(gè)體。具體操作如下：

(12)

(5)受體編輯。在生物克隆選擇中，一小部分B細(xì)胞會(huì)自然凋亡，模擬該過程，二次應(yīng)答中進(jìn)行小比例的群體更新，用隨機(jī)生成的滿足耐受要求的M個(gè)個(gè)體替換記憶檢測器群體中親和力較低的個(gè)體，從而保持群體的多樣性。

2.3.3 故障檢測器的產(chǎn)生

抗體與抗原的特異性結(jié)合反應(yīng)具有一定的量比關(guān)系，即抗體抗原反應(yīng)的比例性。只有當(dāng)抗體抗原二者的比例適合時(shí)，才會(huì)產(chǎn)生最強(qiáng)的特異性結(jié)合反應(yīng)。因此，本文利用抗體評(píng)估策略對(duì)抗體抗原反應(yīng)的量比關(guān)系進(jìn)行調(diào)節(jié)，以形成滿足最適比要求的故障診斷檢測器。具體操作步驟如下詳述。

步驟1 用候選檢測器分泌的抗體去識(shí)別抗原，計(jì)算抗原識(shí)別率，即

(13)

其中：

(14)

(15)

(16)

步驟3 重新計(jì)算比例調(diào)節(jié)后的P(Ag)，若γ1

3 故障診斷例證

3.1 測試系統(tǒng)及其樣本構(gòu)成

本文以圖4所示的輸電系統(tǒng)[4]為仿真測試系統(tǒng)。系統(tǒng)中有9個(gè)元件(T1、B1、B2、B3、B4、L1、 L2、L3、L4)；10個(gè)斷路器(QF1,…,QF10)；31個(gè)保護(hù)裝置，包括13個(gè)主保護(hù)裝置(B1m,…,B4m；T1m；L1Sm, L1Rm,…, L4Sm, L4Rm)和18個(gè)后備保護(hù)裝置(T1p, T1s；L1Sp, LlRp,…, L4Sp, L4Rp；LlSs, LlRs,…, L4Ss, L4Rs)。其中，T表示變壓器，B表示母線，L表示線路，下標(biāo)S、R分別表示線路的首、末端，下標(biāo)m表示主保護(hù)，下標(biāo)p表示近后備保護(hù)，下標(biāo)s表示遠(yuǎn)后備保護(hù)。

圖4 輸電系統(tǒng)結(jié)構(gòu)圖Fig.4 Structure of power transmission system

本文采用二進(jìn)制編碼方式，診斷實(shí)驗(yàn)中，設(shè)定檢測器的編碼基因長度為41，每個(gè)基因位表示保護(hù)裝置和斷路器的動(dòng)作情況，對(duì)于每種故障情況，1表示保護(hù)裝置或斷路器動(dòng)作，0表示保護(hù)裝置或斷路器未動(dòng)作。為檢驗(yàn)本文故障診斷方法的有效性，本文做了大量仿真實(shí)驗(yàn)，表2給出了用于診斷分析的部分故障樣本數(shù)據(jù)。

表2 算例系統(tǒng)的部分診斷樣本
Table 2 Test samples for fault diagnosis

注：本表中“()”內(nèi)表示不確定性故障信息，其中有“__”表示信息丟失，否則表示誤動(dòng)(或信息畸變)。

樣本1—6為保護(hù)裝置、斷路器動(dòng)作告警正確的情況，其中樣本1—4為單重故障，樣本5—6為多重故障，選取這6個(gè)樣本的故障情況作為訓(xùn)練算法的樣本數(shù)據(jù)，訓(xùn)練結(jié)果保存于知識(shí)庫中，并利用故障知識(shí)庫中檢測器對(duì)其進(jìn)行已知故障的檢測識(shí)別。樣本7為模擬樣本1保護(hù)裝置/斷路器存在誤動(dòng)(信息由0畸變?yōu)?可歸為此類)的情況，樣本8為模擬樣本4保護(hù)裝置/斷路器同時(shí)存在動(dòng)作警報(bào)信息丟失、畸變或誤動(dòng)的情況。樣本9模擬樣本6在多重故障情況下存在多重保護(hù)裝置/斷路器動(dòng)作警報(bào)信息丟失、畸變或誤動(dòng)的情況。在此將不確定性故障警報(bào)信息在括號(hào)中列出，選取樣本7—9模擬目前實(shí)際應(yīng)用中普遍存在的故障樣本不完整、不精確的情況對(duì)系統(tǒng)的抗干擾能力進(jìn)行測試。此外選取樣本10(不存在于訓(xùn)練樣本中的故障情況)作為未知故障進(jìn)行連續(xù)學(xué)習(xí)。

3.2 測試結(jié)果與分析

通過實(shí)驗(yàn)分析，本文診斷模型學(xué)習(xí)進(jìn)化過程涉及的相關(guān)參數(shù)設(shè)置見表3。

表3 算法相關(guān)參數(shù)設(shè)置
Table 3 Parameter settings of algorithm

表3中序號(hào)1—5所示參數(shù)為算法本身學(xué)習(xí)進(jìn)化過程所涉及的免疫學(xué)習(xí)參數(shù)；序號(hào)6—9所示參數(shù)為結(jié)合實(shí)際問題所設(shè)置的參數(shù)，其中自體耐受閾值考慮了電網(wǎng)正常運(yùn)行情況下由于自動(dòng)控制裝置本身原因?qū)е碌木瘓?bào)信息畸變的影響；基于海明距的相似度閾值與基于信息熵的抗體與抗原匹配閾值均兼顧了電網(wǎng)故障信息的不確定性的影響；抗體抗原反應(yīng)的最適比則同時(shí)兼顧了診斷結(jié)果的準(zhǔn)確性和系統(tǒng)的抗干擾能力。

調(diào)用體液免疫學(xué)習(xí)模塊對(duì)表2中樣本1—6分別進(jìn)行訓(xùn)練學(xué)習(xí)。隨機(jī)產(chǎn)生未成熟檢測器群體，經(jīng)過50代進(jìn)化后，形成故障診斷檢測器并保存于故障知識(shí)庫中，進(jìn)而調(diào)用故障診斷模塊用新生成的故障診斷檢測器對(duì)樣本1—6進(jìn)行診斷測試以檢驗(yàn)所生成檢測器的性能。表4列出了重復(fù)計(jì)算10次的平均診斷測試結(jié)果及用生成的最優(yōu)檢測器進(jìn)行診斷測試的結(jié)果。由表4可知，在故障警報(bào)信息正確的情況下，對(duì)于單重故障和多重復(fù)雜故障，本文故障診斷方法能夠有效診斷出故障元件，并且診斷結(jié)果可信度高。

對(duì)故障樣本7—9保護(hù)裝置/斷路器異常動(dòng)作或信息畸變、丟失的情況進(jìn)行診斷測試，診斷測試結(jié)果如表5所示。由樣本7和8的診斷結(jié)果可知，單重故障情形下，因量測設(shè)備采樣錯(cuò)誤、自動(dòng)控制裝置本身故障等原因?qū)е卤Ｗo(hù)裝置/斷路器動(dòng)作信息丟失、信息畸變或誤動(dòng)時(shí)，本文診斷方法仍能有效診斷故障元件；由樣本9的診斷結(jié)果可知，在多重故障伴隨多重保護(hù)裝置/斷路器動(dòng)作信息丟失、畸變或異常動(dòng)作的情況下，本文所提方法仍具有很好的診斷效果，具有較強(qiáng)的容錯(cuò)性。

讀取故障知識(shí)庫中訓(xùn)練生成的檢測器對(duì)故障樣本10進(jìn)行診斷，已知的檢測器均未能識(shí)別該故障，系統(tǒng)出現(xiàn)未知的故障情況，需要對(duì)其進(jìn)行體液免疫學(xué)習(xí)，將該故障提呈至學(xué)習(xí)模塊進(jìn)行連續(xù)學(xué)習(xí)，并將學(xué)習(xí)結(jié)果保存于故障知識(shí)庫，學(xué)習(xí)前和學(xué)習(xí)后調(diào)用診斷模塊進(jìn)行故障診斷的結(jié)果如表6所示。

表4 故障診斷結(jié)果
Table 4 Results of fault diagnosis

表5 故障警報(bào)信息不正確情況下的診斷結(jié)果Table 5 Results of fault diagnosis under incorrect alarm information

表6 學(xué)習(xí)前后診斷結(jié)果Table 6 Diagnosis results before and after learning

注：本表中“*”表示學(xué)習(xí)前知識(shí)庫中不存在該故障診斷檢測器。

由表4和6可見，本文構(gòu)建的診斷模型不僅能夠根據(jù)先驗(yàn)知識(shí)對(duì)已知故障進(jìn)行診斷，而且能夠結(jié)合專家經(jīng)驗(yàn)對(duì)未知故障進(jìn)行連續(xù)學(xué)習(xí)。雖然本文所提的這種半人工的在線學(xué)習(xí)模式需輔以領(lǐng)域?qū)＜业慕?jīng)驗(yàn)對(duì)未知故障進(jìn)行分析，但是電網(wǎng)故障診斷系統(tǒng)屬于事后事故分析系統(tǒng)，其最終目的就是找出故障元件，因此這也不會(huì)影響到有關(guān)工作人員辨識(shí)故障的時(shí)間，并且當(dāng)相同故障再次出現(xiàn)時(shí)，診斷模型可以快速有效地識(shí)別響應(yīng)，通過學(xué)習(xí)模塊不斷補(bǔ)充和完善故障知識(shí)庫，一定程度上改善了診斷知識(shí)不完備的問題，逐步使故障診斷系統(tǒng)的診斷能力達(dá)至最優(yōu)。

針對(duì)上述案例，將本文故障診斷模型的診斷結(jié)果與文獻(xiàn)[5]采用的診斷模型的診斷結(jié)果進(jìn)行對(duì)比，見表7。

由表7可知，采用文獻(xiàn)[5]無法診斷存在多重保護(hù)裝置/斷路器動(dòng)作信息丟失、信息畸變或誤動(dòng)的情況，并且在診斷知識(shí)缺失的情況下，亦無法通過連續(xù)學(xué)習(xí)補(bǔ)充診斷知識(shí)以致無法實(shí)現(xiàn)故障診斷；采用本文模型能夠在存在多重不確定性故障信息的情況下有效地診斷出故障元件，亦可通過連續(xù)學(xué)習(xí)對(duì)診斷知識(shí)進(jìn)行不斷補(bǔ)充，可以較好地適應(yīng)在線故障診斷的需求。

表7 故障診斷結(jié)果對(duì)比
Table 7 Comparison of fault diagnosis results

注：本表中“—”表示無法診斷的情況。

4 結(jié) 論

文本針對(duì)當(dāng)前電網(wǎng)故障診斷所面臨的故障警報(bào)信息不確定性問題，借鑒生物體液免疫機(jī)理，構(gòu)建了基于體液免疫應(yīng)答機(jī)制的電網(wǎng)故障診斷模型。該診斷模型既能夠準(zhǔn)確、有效地實(shí)現(xiàn)已知故障的診斷，又可以實(shí)現(xiàn)未知故障的連續(xù)學(xué)習(xí)，故障診斷知識(shí)的不斷完善和補(bǔ)充，一定程度上克服了故障知識(shí)不完備的問題，逐步使系統(tǒng)的故障診斷能力達(dá)至最優(yōu)。所提出的克隆選擇進(jìn)化策略，在故障診斷檢測器生成過程中就兼顧了保護(hù)裝置、斷路器動(dòng)作告警的不確定性對(duì)故障診斷的影響，并且基于抗體抗原反應(yīng)比例性的檢測器評(píng)估策略，又兼顧了診斷結(jié)果的準(zhǔn)確性，從而提高了診斷模型的抗干擾能力和魯棒性。算例診斷結(jié)果表明，本文所提的故障診斷模型具有較好的適應(yīng)性和容錯(cuò)能力，具有一定的實(shí)用價(jià)值。

本文采用保護(hù)裝置/斷路器動(dòng)作信息進(jìn)行電網(wǎng)故障診斷，能夠有效檢測保護(hù)裝置/斷路器異常動(dòng)作及信息畸變、丟失的情況；但對(duì)于極端多重信息丟失、畸變致使與已有故障事件相同的情況，依然無法診斷出唯一的故障元件。在下一階段工作中，將充分挖掘與融合與故障過程相關(guān)的電氣量信息及非關(guān)鍵故障信息，在前期對(duì)保護(hù)裝置、斷路器動(dòng)作信息進(jìn)行不確定信息檢驗(yàn)與修正，進(jìn)一步提升診斷模型在面臨極端不確定信息時(shí)的有效性。

[1]廖志偉, 岳苓, 文福拴, 等. 基于規(guī)則網(wǎng)的高壓輸電線路故障診斷與保護(hù)動(dòng)作性能評(píng)價(jià)[J]. 電力建設(shè), 2016, 37(2): 34-41. LIAO Zhiwei, YUE Ling, WEN Fushuan, et al. A rule-network based approach for fault diagnosis of HV transmission lines and protection action performance evaluation[J]. Electric Power Construction, 2016, 37(2): 34-41.

[2]朱添益, 蔣鐵錚, 羅杰, 等. 一種基于電氣量數(shù)據(jù)的輸電線路故障診斷方法[J]. 電力建設(shè), 2014, 35(10): 74-78. ZHU Tianyi, JIANG Tiezheng, LUO Jie, et al. Fault diagnosis method of transmission lines based on electric quantity data[J]. Electric Power Construction, 2014, 35(10): 74-78.

[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, 1(4): 83-90.

[4]熊國江, 石東源, 朱林. 基于多輸出衰減徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2013, 41(21): 38-45. XIONG Guojiang, SHI Dongyuan, ZHU Lin. Fault diagnosis of power grids based on multi-output decay radial basis function neural network[J]. Power System Protection and Control, 2013, 41(21): 38-45.

[5]趙冬梅, 張旭, 張東英, 等. 基于模式匹配的地區(qū)電網(wǎng)故障診斷[J]. 電網(wǎng)技術(shù), 2012, 36(12): 124-129. ZHAO Dongmei, ZHANG Xu, ZHANG Dongying, et al. Pattern matching based fault diagnosis for regional power grid[J]. Power System Technology, 2012, 36(12): 124-129.

[6]程學(xué)珍, 陳強(qiáng), 于永進(jìn), 等. 基于最大似然譯碼字的Petri網(wǎng)電網(wǎng)故障診斷方法[J]. 電工技術(shù)學(xué)報(bào), 2015, 30(15): 46-52. CHENG Xuezhen, CHEN Qiang, YU Yongjin, et al. A fault diagnosis approach of power networks based on maximum likelihood decoding Petri net models[J]. Transactions of China Electrotechnical Society, 2015, 30(15): 46-52.

[7]羅孝輝, 童曉陽. 計(jì)及可信度的變結(jié)構(gòu)貝葉斯網(wǎng)絡(luò)電網(wǎng)故障診斷[J]. 電網(wǎng)技術(shù), 2015, 39(9): 2658-2664. LUO Xiaohui, TONG Xiaoyang. Structure-variable Bayesian network for power system fault diagnosis considering credibility[J]. Power System Technology, 2015, 39(9): 2658-2664.

[8]張志毅, 袁榮湘, 楊同忠, 等. 基于粗糙集和小生境遺傳算法的電網(wǎng)故障診斷規(guī)則提取[J]. 電工技術(shù)學(xué)報(bào), 2009, 24(1): 158-163. ZHANG Zhiyi, YUAN Rongxiang, YANG Tongzhong, et al. Rule extraction for power system fault diagnosis based on the combination of rough sets and niche genetic algorithm[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 158-163.

[9]GUO W X, WEN F S, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfuctions of protective relays and circuit breakers[J]. IEEE Transactions on Power Delivery, 2010, 25(3): 1393-1401.

[10]趙冬梅, 張旭, 魏娟, 等. 以重現(xiàn)故障過程為目的的電網(wǎng)故障診斷[J]. 中國電機(jī)工程學(xué)報(bào), 2014, 34(13): 2116-2123. ZHAO Dongmei, ZHANG Xu, WEI Juan, et al. Power grid fault diagnosis aiming at reproducing the fault process[J]. Proceedings of the CSEE, 2014, 34(13): 2116-2123.

[11]TIAN Y L. Application of fuzzy immune algorithm in fault diagnosis for circuits[J]. Journal of Information and Computational Science, 2013, 10(14): 4359-4366.

[12]張凡, 張?jiān)较? 顧沈卉, 等. 基于分布式發(fā)電的油田配電網(wǎng)重構(gòu)[J]. 電力建設(shè), 2012, 33(1): 22-26. ZHANG Fan, ZHANG Yuexi, GU Shenhui, et al. Oilfield distribution network reconfiguration based on distribution generation[J]. Electric Power Construction, 2012, 33(1): 22-26.

[13]郝曉弘, 田江博, 陳偉, 等. 基于信息熵和數(shù)學(xué)形態(tài)學(xué)的電壓跌落持續(xù)時(shí)間檢測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(11): 30-35. HAO Xiaohong, TIAN Jiangbo, CHEN Wei, et al. Detection method of voltage sag duration based on information-entropy and mathematical morphology[J]. Power System Protection and Control, 2012, 40(11): 30-35.

[14]李惠玲, 盛萬興, 張學(xué)仁, 等. 改進(jìn)小生境遺傳算法在電力系統(tǒng)無功優(yōu)化中的應(yīng)用[J]. 電網(wǎng)技術(shù), 2008, 32(17): 29-34. LI Huiling, SHENG Wanxing, ZHANG Xueren, et al. Application of improved niche genetic algorithm in reactive power optimization[J]. Power System Technology, 2008, 32(17): 29-34.

[15]LI D, LIU S L, ZHANG H L. A boundary-fixed negative selection algorithm with online adaptive learning under small samples for anomaly detection[J]. Engineering Applications of Artificial Intelligence, 2016(50): 93-105.

[16]羅毅, 多靖赟. 基于免疫記憶克隆選擇算法的多目標(biāo)無功優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2012, 40(24): 65-70. LUO Yi, DUO Jingyun. Multi-objective reactive power optimization based on immune memory colonial selection algorithm[J]. Power System Protection and Control, 2012, 40(24): 65-70.

(編輯 張小飛)

A Design Method for Power Grid Fault Diagnosis Model Based on Humoral Immunity Principle

WANG Shoupeng, ZHAO Dongmei

(School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)

According to the uncertainty of fault information in the power grid fault diagnosis, this paper draws lessons from the humoral immune response mechanism addressing the problem. Firstly, we establish the relationship between the process of the humoral immune response and the basic amount of the power grid fault diagnosis. Secondly, we construct a fault diagnosis model based on humoral immune response mechanism via simulating the mechanism and structure of humoral immunity resisting the invasion of antigens. The proposed model has a higher fault-tolerant ability, which can not only detect known faults according to the prior knowledge, but also judge unknown faults through the continuous learning function of the fault diagnosis system. Finally, the results of the test cases of the fault diagnosis show that the proposed model is feasible and efficient.

fault diagnosis; alarm information; humoral immunity; learning evolution

國家自然科學(xué)基金項(xiàng)目(51377054)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2017XS019)

TM 73

A

1000-7229(2017)07-0131-08

10.3969/j.issn.1000-7229.2017.07.016

2017-03-21

王守鵬(1987), 男, 博士研究生，本文通信作者, 研究方向?yàn)殡娏ο到y(tǒng)分析、控制與保護(hù)，電網(wǎng)故障診斷；

趙冬梅(1965), 女, 博士, 教授, 博士生導(dǎo)師, 研究方向?yàn)橹悄芗夹g(shù)在電力系統(tǒng)中的應(yīng)用、電網(wǎng)故障診斷。

Project supported by National Natural Science Foundation of China (51377054); The Fundamental Research Funds for the Central Universities (2017XS019)