基于知識(shí)庫(kù)與規(guī)則庫(kù)的電力系統(tǒng)暫態(tài)故障事件診斷方法

郭偉琪, 張婷, 呂藝, 陳濤

(國(guó)網(wǎng)山東省電力公司臨沂供電公司, 山東, 臨沂 276000)

0 引言

電力系統(tǒng)出現(xiàn)暫態(tài)故障時(shí),很多報(bào)警信息進(jìn)入控制中心,但保護(hù)與斷路器出現(xiàn)誤動(dòng)(拒動(dòng))時(shí)[1-4],控制中心接收到的信息會(huì)出現(xiàn)信息缺失與畸變等情況,導(dǎo)致工作人員無法精準(zhǔn)找到暫態(tài)故障原因,延長(zhǎng)供電恢復(fù)時(shí)間[5],擴(kuò)大暫態(tài)故障范圍,為解決這一問題,需研究暫態(tài)故障診斷方法,為工作人員精準(zhǔn)制定決策提供參考。張朝龍等[6]通過混沌粒子群算法改進(jìn)受限波爾茲曼機(jī),增強(qiáng)故障特征提取效果,在深度置信網(wǎng)絡(luò)內(nèi)輸入提取的故障特征,輸出故障診斷結(jié)果。該方法的故障診斷效果依賴輸入樣本是否完整,但在電力系統(tǒng)很難得到完整樣本,因此故障診斷精度較差。陳哲等[7]通過融合T-S模糊模型與粗糙集挖掘故障知識(shí),利用遺傳算法約簡(jiǎn)故障知識(shí),提升故障診斷精度,但該方法塑造模糊模型的難度較高,在電力系統(tǒng)結(jié)構(gòu)發(fā)生改變的情況下,和電力系統(tǒng)有關(guān)的模糊知識(shí)庫(kù)也要調(diào)整,可維護(hù)性不佳,適用范圍小。

為了進(jìn)一步擴(kuò)大診斷范圍,提高診斷精度,本文提出基于知識(shí)庫(kù)與規(guī)則庫(kù)的電力系統(tǒng)暫態(tài)故障事件診斷方法。本文利用小生境遺傳算法簡(jiǎn)化電力系統(tǒng)暫態(tài)故障事件決策圖,獲取故障規(guī)則集,構(gòu)建暫態(tài)故障事件知識(shí)庫(kù)。本文的創(chuàng)新點(diǎn)在于利用灰色關(guān)聯(lián)方法,結(jié)合證據(jù)融合理論分析暫態(tài)故障事件的權(quán)重,對(duì)比分析實(shí)際暫態(tài)故障事件與暫態(tài)故障事件知識(shí)庫(kù)的匹配結(jié)果,實(shí)現(xiàn)電力系統(tǒng)暫態(tài)故障事件診斷。

1 電力系統(tǒng)暫態(tài)故障事件診斷方法

1.1 基于小生境遺傳算法的暫態(tài)故障事件知識(shí)庫(kù)

采用小生境遺傳算法約簡(jiǎn)電力系統(tǒng)暫態(tài)故障事件決策表圖屬性,獲得暫態(tài)故障事件故障規(guī)則集,構(gòu)建暫態(tài)故障事件知識(shí)庫(kù)。

電力系統(tǒng)暫態(tài)故障事件的決策表的表達(dá)公式如下:

S=(X,C,D,V,f)

(1)

式(1)中,電力系統(tǒng)暫態(tài)故障事件樣本空間是X={x1,x2,…,xn};條件屬性集是C={c1,c2,…,cr};決策屬性集是D={1,2,…,k};單一映射的信息函數(shù)是f;屬性集合的值域是V。將X內(nèi)的樣本當(dāng)成點(diǎn),隨機(jī)兩個(gè)xi與xj間均存在|C∪D|條屬性邊,由此建立多重完全圖即電力系統(tǒng)暫態(tài)故障事件決策表圖G。

利用小生境遺傳算法約簡(jiǎn)G的屬性,獲取暫態(tài)故障事件故障規(guī)則集,即在啟發(fā)信息內(nèi)加入(M-T)個(gè)個(gè)體,得到下一代種群Y(t+1),如果T超過M,那么提取Q″(t)內(nèi)的前M個(gè)個(gè)體,得到下一代種群Y(t+1);

在相對(duì)區(qū)分表B1內(nèi)挑選Y(t)的列,求和全部列,如果具有和是0的列,代表Y(t)內(nèi)各列不相容,即Y(t)可約簡(jiǎn),在Y(t)內(nèi)引入新的屬性,并任意挑選一個(gè)“零”基因取反,在約簡(jiǎn)數(shù)量不間斷多代無改變情況下,則繼續(xù);

融合全部約簡(jiǎn)個(gè)體,獲取電力系統(tǒng)暫態(tài)故障事件規(guī)則集,如果規(guī)則集內(nèi)存在多條規(guī)則結(jié)論相同情況,則提取這些規(guī)則,建立暫態(tài)故障事件知識(shí)庫(kù)A,如果規(guī)則集內(nèi)多條規(guī)則結(jié)構(gòu)不同,則選擇置信度與覆蓋度高度規(guī)則,建立A。由此完成暫態(tài)故障事件知識(shí)庫(kù)的構(gòu)建。

1.2 基于灰色關(guān)聯(lián)分析的暫態(tài)故障事件診斷方法

暫態(tài)故障事件知識(shí)庫(kù)A內(nèi),源暫態(tài)故障事件案例數(shù)據(jù)列的表達(dá)形式為Aα=[aα(1),aα(2),…,aα(β)],α=1,2,…,θ,目標(biāo)暫態(tài)故障事件案例是A0=[a0(1),a0(2),…,a0(β)],將源暫態(tài)故障事件案例改寫成k×α維矩陣形式,公式如下:

(2)

通過在式(3)內(nèi)引入源暫態(tài)故障事件的權(quán)重系數(shù)ωαk,求解a0(k)與aα(k)的灰色相似度,公式如下:

Z(a0(k),aα(k))=

(3)

利用證據(jù)融合理論確定ωαk,具體步驟如下。

步驟1:獲取專家判斷矩陣,邀請(qǐng)u位專家評(píng)判θ個(gè)源暫態(tài)故障事件權(quán)重,得到u×θ維專家判斷矩陣R,中的元素是Ri′j′,1≤i′≤u,1≤j′≤θ;

步驟2:去掉離異程度較大的ωαk,通過求解專家獲取ωαk間的相似程度,去掉差異程度較大的ωαk,確保ωαk融合結(jié)果的精準(zhǔn)性,令相似系數(shù)如下:

(4)

(5)

式(5)中,pi′的最大值是pi′max。

步驟3:證據(jù)融合,去掉離異ωi′后,通過證據(jù)融合理論融合其余專家獲取的ωαk,確保權(quán)重獲取的全面性。

在空間上,按照式(8)的Z(a0(k),aα(k))可獲取a0和aα的灰色距離Z′(a0(k),aα(k)),公式如下:

(6)

在β維矩陣中,按照歐式距離確定a0和aα的灰色距離,公式如下:

(7)

依據(jù)Z(a0(k),aα(k))與Z″(a0,aα)的轉(zhuǎn)換公式,能夠獲取目標(biāo)暫態(tài)故障事件案例的改進(jìn)灰色相似度Z?(a0,aα),公式如下:

(8)

按照電力系統(tǒng)暫態(tài)故障事件實(shí)際情況,設(shè)置一個(gè)閾值μ,在Z?(a0,aα)=μ情況下,說明目標(biāo)源暫態(tài)故障事件案例和A內(nèi)源暫態(tài)故障事件案例匹配,完成電力系統(tǒng)暫態(tài)故障診斷。

2 實(shí)驗(yàn)分析

利用MATLAB仿真軟件設(shè)計(jì)一個(gè)電力系統(tǒng)模型,并設(shè)計(jì)單個(gè)暫態(tài)故障事件、多重暫態(tài)故障事件、信息完成時(shí)的暫態(tài)故障事件與信息不完整時(shí)的暫態(tài)故障事件,利用本文方法診斷該電力系統(tǒng)的暫態(tài)故障事件,驗(yàn)證本文方法暫態(tài)故障事件診斷的有效性,該系統(tǒng)的模型如圖1所示。

圖1 電力系統(tǒng)模型

圖1中,線路是L1,L2,…,L6、母線是A1,A2,…,A8、斷路器是C1,C2,…,C20、變壓器是T1,T2,…,T4。

利用MATLAB仿真設(shè)置一系列暫態(tài)故障事件,通過本文方法診斷該電力系統(tǒng)暫態(tài)故障事件,暫態(tài)故障事件設(shè)置結(jié)果與本文方法暫態(tài)故障事件診斷結(jié)果如表1所示。

表1 本文方法的暫態(tài)故障診斷結(jié)果

分析表1可知,針對(duì)單一暫態(tài)故障事件與多重暫態(tài)故障事件本文方法均可有效診斷電力系統(tǒng)暫態(tài)故障事件,在信息不完整情況下,本文方法依舊可有效診斷電力系統(tǒng)暫態(tài)故障事件,與設(shè)置暫態(tài)故障對(duì)比可知,本文方法的暫態(tài)故障事件診斷結(jié)果與設(shè)置暫態(tài)故障完全相同。實(shí)驗(yàn)證明本文方法有效精準(zhǔn)診斷電力系統(tǒng)暫態(tài)故障事件,且暫態(tài)故障診斷精度較高。這是因?yàn)楸疚慕Y(jié)合灰色關(guān)聯(lián)方法和證據(jù)融合理論,計(jì)算目標(biāo)案例和知識(shí)庫(kù)內(nèi)案例的灰色相似度,依據(jù)灰色相似度獲取兩個(gè)案例間的匹配結(jié)果,保證了診斷的精度。

利用MATLAB仿真為該電力系統(tǒng)設(shè)置30個(gè)暫態(tài)故障事件,本文方法中分辨系數(shù)的取值直接影響灰色關(guān)聯(lián)度的計(jì)算結(jié)果,間接影響電力系統(tǒng)暫態(tài)故障事件診斷效果,為此分析不同分辨系數(shù)時(shí)本文方法的暫態(tài)故障事件診斷效果,將均方根誤差(RMSE)作為衡量本文方法暫態(tài)故障事件診斷精度的指標(biāo),RMSE的最高值需低于10,才可確保暫態(tài)故障事件診斷精度較高,分析結(jié)果如圖2所示。

圖2 本文方法的RMSE測(cè)試結(jié)果

分析圖2可知,分辨系數(shù)越大,本文方法的RMSE值越低,當(dāng)分辨系數(shù)達(dá)到0.4時(shí),RMSE值已降至0,此時(shí)本文方法電力系統(tǒng)暫態(tài)故障事件診斷精度最高;隨著暫態(tài)故障事件數(shù)量的增加,本文方法的RMSE值也隨之提升,RMSE的最高值約為6.5,低于暫態(tài)故障事件診斷時(shí)RMSE的最高值,說明本文方法診斷暫態(tài)故障事件時(shí)的RMSE較低,診斷效果較佳。這是因?yàn)楸疚囊罁?jù)暫態(tài)故障事件故障規(guī)則集建立暫態(tài)故障事件知識(shí)庫(kù),提供了足夠的故障辨別案例;通過灰色關(guān)聯(lián)計(jì)算暫態(tài)故障事件與案例間的匹配度,完成暫態(tài)故障事件診斷,提高了故障判別的精度。

本文方法通過約簡(jiǎn)電力系統(tǒng)暫態(tài)故障事件決策表圖,建立暫態(tài)故障事件知識(shí)庫(kù),知識(shí)庫(kù)建立效率高,則暫態(tài)故障事件診斷效率也隨之提升,為此分析不同決策表圖大小時(shí),本文方法約簡(jiǎn)決策表圖時(shí)的約簡(jiǎn)效率,分析結(jié)果如圖3所示。

圖3 約簡(jiǎn)效率分析結(jié)果

分析圖3可知,演化代次數(shù)逐漸增長(zhǎng),不同決策表圖大小時(shí)的約簡(jiǎn)耗時(shí)均不斷下降,3種決策表圖大小時(shí)的約簡(jiǎn)耗時(shí)均在演化代為10次時(shí),完成收斂,收斂速度較快,最終約簡(jiǎn)耗時(shí)收斂至5～7 s,約簡(jiǎn)耗時(shí)較短。實(shí)驗(yàn)證明本文方法約簡(jiǎn)決策表圖的約簡(jiǎn)效率較快,收斂效果較優(yōu)。這是因?yàn)楸疚睦眯∩尺z傳算法約簡(jiǎn)電力系統(tǒng)暫態(tài)故障事件決策表圖,獲取暫態(tài)故障事件故障規(guī)則集,依據(jù)該規(guī)則集建立的暫態(tài)故障事件知識(shí)庫(kù),保障了約簡(jiǎn)的效率。

將文獻(xiàn)[6]基于DBN特征提取的故障診斷方法與文獻(xiàn)[7]基于算法融合的故障診斷方法作為本文方法的對(duì)比方法,測(cè)試3種方法在不同信息缺失比例時(shí)的暫態(tài)故障事件診斷效果,將靈敏度作為衡量三種方法暫態(tài)故障事件診斷效果的評(píng)價(jià)指標(biāo),靈敏度代表全部暫態(tài)故障事件內(nèi)診斷正確的比例,其值越高,故障事件診斷精度越高,測(cè)試結(jié)果如圖4所示。

分析圖4可知,信息缺失比例增加,3種方法的靈敏度均隨之下降,在不同信息缺失比例時(shí),本文方法的靈敏度均顯著高于其余2種方法,且下降幅度較小,當(dāng)信息缺失比例達(dá)到25%時(shí),本文方法的靈敏度已趨于穩(wěn)定,穩(wěn)定在97%左右,其余2種方法最終靈敏度約為82%與83%。實(shí)驗(yàn)證明:在不同信息缺失比例時(shí),本文方法診斷電力系統(tǒng)暫態(tài)故障事件的靈敏度較高,具備較優(yōu)的暫態(tài)故障事件診斷效果。這是因?yàn)楸疚睦昧俗C據(jù)融合理論判斷暫態(tài)事件與故障案例的相似度。證據(jù)融合可以提高缺失信息的價(jià)值,補(bǔ)全信息缺失部分之間的聯(lián)系,從而提高了故障診斷的靈敏度。

圖4 靈敏度測(cè)試結(jié)果

3 總結(jié)

電力系統(tǒng)出現(xiàn)故障后及時(shí)恢復(fù)供電的關(guān)鍵是暫態(tài)故障事件診斷,暫態(tài)故障事件診斷可增強(qiáng)電力系統(tǒng)的安全與穩(wěn)定性。為此研究基于知識(shí)庫(kù)與規(guī)則庫(kù)的電力系統(tǒng)暫態(tài)故障事件診斷方法,精準(zhǔn)診斷暫態(tài)故障事件,為維修人員制定維修策略提供參考,加快暫態(tài)故障后電力系統(tǒng)恢復(fù)供電效率,為增強(qiáng)電力系統(tǒng)安全穩(wěn)定性打下基礎(chǔ)。