本發(fā)明涉及電網(wǎng)調(diào)度與故障分析技術(shù)領(lǐng)域，特別是涉及一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法及裝置。

背景技術(shù)：

隨著經(jīng)濟(jì)社會(huì)的逐步發(fā)展，電壓等級(jí)的不斷提高，用戶(hù)對(duì)電能越來(lái)越依賴(lài)，因此，提高供電可靠性和改善供電電能質(zhì)量也越來(lái)越重要。對(duì)于220kV及其以上的電壓等級(jí)，傳統(tǒng)的電流保護(hù)不再適用，而縱聯(lián)差動(dòng)保護(hù)能夠快速切除高壓網(wǎng)絡(luò)故障，所以它得到了廣泛的應(yīng)用。但是在具體實(shí)施中，當(dāng)故障發(fā)生時(shí)，為了減少故障帶來(lái)的損失，需要快速、準(zhǔn)確地檢測(cè)出故障元件并且實(shí)現(xiàn)故障區(qū)域和非故障區(qū)域的隔離。但是在實(shí)際情況中，從SCADA系統(tǒng)采集的信息包含了不完整信息，錯(cuò)誤信息，重復(fù)信息等，在這種情況下要準(zhǔn)確地檢測(cè)出故障元件也越來(lái)越困難。

由此可見(jiàn)，如何根據(jù)SCADA系統(tǒng)采集的信息來(lái)確定故障元件是本領(lǐng)域技術(shù)人員亟待解決地問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法及裝置，用于根據(jù)SCADA系統(tǒng)采集的信息來(lái)確定故障元件。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法，包括：

S10：根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；

S11：分別對(duì)所述可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；

S12：利用模糊推理算法對(duì)所述故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各所述可疑故障元件的故障置信度；

S13：依照預(yù)定判斷依據(jù)在所述故障置信度中篩選出目標(biāo)故障置信度，并確定所述目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。

優(yōu)選地，所述步驟S11具體包括：

對(duì)所述可疑故障元件對(duì)應(yīng)的所述動(dòng)作信息和所述跳閘信息設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元；

根據(jù)故障模糊產(chǎn)生式規(guī)則建立所述故障診斷模型；

根據(jù)可疑元件的種類(lèi)和保護(hù)類(lèi)型分別建立相應(yīng)的線(xiàn)路，母線(xiàn)，變壓器故障模糊產(chǎn)生式規(guī)則集合，并作為相應(yīng)的三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型建立的依據(jù)；

獲取電壓等級(jí)220kV及其以上的元件和斷路器主保護(hù)動(dòng)作的故障置信度，并將所述故障置信度和輸入的所述命題神經(jīng)元對(duì)應(yīng)；

所述故障模糊產(chǎn)生式規(guī)則具體包括：

類(lèi)型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝β)；

類(lèi)型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝β)；

其中，p₁,p₂,...,p_k-1是規(guī)則神經(jīng)元前件的k-1個(gè)命題神經(jīng)元，而p_k是規(guī)則神經(jīng)元后件的命題神經(jīng)元，β是一個(gè)實(shí)數(shù)且表示這個(gè)模糊產(chǎn)生式規(guī)則的置信因子CF。

優(yōu)選地，所述故障模糊產(chǎn)生式規(guī)則集合具體為：

如果線(xiàn)路、母線(xiàn)、變壓器主保護(hù)動(dòng)作且對(duì)應(yīng)的斷路器全部或者部分跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度極高；

如果線(xiàn)路、母線(xiàn)、變壓器后備保護(hù)動(dòng)作并且對(duì)應(yīng)的斷路器均跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度非常非常高。

優(yōu)選地，所述步驟S12具體包括：

根據(jù)賦予初值的輸入命題神經(jīng)元，運(yùn)用模糊推理算法得出所述故障診斷模型的輸出命題神經(jīng)元的值；

其中，所述輸出神經(jīng)元的值為所述可疑故障元件的故障置信度。

優(yōu)選地，所述預(yù)定判斷依據(jù)為：

如果所述故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為確定故障元件；

如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為非故障元件。

為解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷裝置，包括：

推導(dǎo)單元，用于根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；

故障診斷模型建立單元，用于分別對(duì)所述可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；

計(jì)算單元，用于利用模糊推理算法對(duì)所述故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各所述可疑故障元件的故障置信度；

篩選單元，用于依照預(yù)定判斷依據(jù)在所述故障置信度中篩選出目標(biāo)故障置信度，并確定所述目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。

優(yōu)選地，所述故障診斷模型建立單元具體用于對(duì)所述可疑故障元件對(duì)應(yīng)的所述動(dòng)作信息和所述跳閘信息設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元；根據(jù)故障模糊產(chǎn)生式規(guī)則建立所述故障診斷模型；

根據(jù)可疑元件的種類(lèi)和保護(hù)類(lèi)型分別建立相應(yīng)的線(xiàn)路，母線(xiàn)，變壓器故障模糊產(chǎn)生式規(guī)則集合，并作為相應(yīng)的三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型建立的依據(jù)；

獲取電壓等級(jí)220kV及其以上的元件和斷路器主保護(hù)動(dòng)作的故障置信度，并將所述故障置信度和輸入的所述命題神經(jīng)元對(duì)應(yīng)；

所述故障模糊產(chǎn)生式規(guī)則具體包括：

類(lèi)型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝β)；

類(lèi)型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝β)；

其中，p₁,p₂,...,p_k-1是規(guī)則神經(jīng)元前件的k-1個(gè)命題神經(jīng)元，而p_k是規(guī)則神經(jīng)元后件的命題神經(jīng)元，β是一個(gè)實(shí)數(shù)且表示這個(gè)模糊產(chǎn)生式規(guī)則的置信因子CF。

優(yōu)選地，所述故障模糊產(chǎn)生式規(guī)則集合具體為：

如果線(xiàn)路、母線(xiàn)、變壓器主保護(hù)動(dòng)作且對(duì)應(yīng)的斷路器全部或者部分跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度極高；

如果線(xiàn)路、母線(xiàn)、變壓器后備保護(hù)動(dòng)作并且對(duì)應(yīng)的斷路器均跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度非常非常高。

優(yōu)選地，所述計(jì)算單元具體用于根據(jù)賦予初值的輸入命題神經(jīng)元，運(yùn)用模糊推理算法得出所述故障診斷模型的輸出命題神經(jīng)元的值；

其中，所述輸出神經(jīng)元的值為所述可疑故障元件的故障置信度。

優(yōu)選地，所述預(yù)定判斷依據(jù)為：

如果所述故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為確定故障元件；

如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為非故障元件。

本發(fā)明所提供的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法及裝置，包括：根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；分別對(duì)所述可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；利用模糊推理算法對(duì)所述故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各所述可疑故障元件的故障置信度；依照預(yù)定判斷依據(jù)在所述故障置信度中篩選出目標(biāo)故障置信度，并確定所述目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。由此可見(jiàn)，本方法結(jié)合繼電器、斷路器開(kāi)關(guān)信息，結(jié)合模糊產(chǎn)生規(guī)則庫(kù)、語(yǔ)言值和相關(guān)的三角模糊數(shù)實(shí)現(xiàn)對(duì)可疑故障元件的診斷，診斷準(zhǔn)確高；另外本方法根據(jù)縱聯(lián)差動(dòng)保護(hù)使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結(jié)果更加準(zhǔn)確。從SCADA系統(tǒng)采集完整信息或者不完整信息(繼電器和斷路器拒動(dòng)，誤動(dòng)，信息丟失)的情況下也能準(zhǔn)確地診斷出確定故障元件，因此具有更好的容錯(cuò)能力。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例，下面將對(duì)實(shí)施例中所需要使用的附圖做簡(jiǎn)單的介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法的流程圖；

圖2為本發(fā)明實(shí)施例提供的一種電力系統(tǒng)環(huán)網(wǎng)示意圖；

圖3為本發(fā)明實(shí)施例提供的一種線(xiàn)路L2387的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型的示意圖；

圖4為本發(fā)明實(shí)施例提供的一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷裝置的結(jié)構(gòu)圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下，所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)范圍。

本發(fā)明的核心是提供一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法及裝置。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

圖1為本發(fā)明實(shí)施例提供的一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法的流程圖。如圖1所示，基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法包括：

S10：根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件。

S11：分別對(duì)可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型。

作為優(yōu)選地實(shí)施方式，步驟S11具體包括：

(1)對(duì)可疑故障元件對(duì)應(yīng)的動(dòng)作信息和跳閘信息設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元；

(2)根據(jù)故障模糊產(chǎn)生式規(guī)則建立所述故障診斷模型；

所述故障模糊產(chǎn)生式規(guī)則具體包括：

類(lèi)型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝β)；

類(lèi)型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝β)；

其中，p₁,p₂,...,p_k-1是規(guī)則神經(jīng)元前件的k-1個(gè)命題神經(jīng)元，而p_k是規(guī)則神經(jīng)元后件的命題神經(jīng)元，β是一個(gè)實(shí)數(shù)且表示這個(gè)模糊產(chǎn)生式規(guī)則的置信因子CF。

(3)根據(jù)可疑元件的種類(lèi)和保護(hù)類(lèi)型分別建立相應(yīng)的線(xiàn)路，母線(xiàn)，變壓器故障模糊產(chǎn)生式規(guī)則集合，并作為相應(yīng)的三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型建立的依據(jù)。

所述故障模糊產(chǎn)生式規(guī)則集合具體為：

如果線(xiàn)路、母線(xiàn)、變壓器主保護(hù)動(dòng)作且對(duì)應(yīng)的斷路器全部或者部分跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度極高；

如果線(xiàn)路、母線(xiàn)、變壓器后備保護(hù)動(dòng)作并且對(duì)應(yīng)的斷路器均跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度非常非常高。

(4)獲取電壓等級(jí)220kV及其以上的元件和斷路器主保護(hù)動(dòng)作的故障置信度，并將故障置信度和輸入的命題神經(jīng)元對(duì)應(yīng)。

S12：利用模糊推理算法對(duì)故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各可疑故障元件的故障置信度。

步驟S12具體包括：

根據(jù)賦予初值的輸入命題神經(jīng)元，運(yùn)用模糊推理算法得出故障診斷模型的輸出命題神經(jīng)元的值；

其中，輸出神經(jīng)元的值為可疑故障元件的故障置信度。

S13：依照預(yù)定判斷依據(jù)在故障置信度中篩選出目標(biāo)故障置信度，并確定目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。

其中，預(yù)定判斷依據(jù)為：

如果故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為確定故障元件；

如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為非故障元件。

其中，三角模糊數(shù)由三元組表示，即A＝(a1，a2，a3)，隸屬度函數(shù)μA(x)被定義如下：

其中，a1和a3分別表示三角模糊數(shù)A的最低值和最高值，a2表示中間值。

從繼電保護(hù)與安全動(dòng)作裝置(斷路器)運(yùn)行情況獲取電壓等級(jí)220kV及其以上的元件和斷路器主保護(hù)動(dòng)作和未動(dòng)作的故障置信度分別如表1、表2所示。語(yǔ)言值和相關(guān)的三角模糊數(shù)如表3所示。

表1

表2

表3

對(duì)于步驟S12，利用模糊推理算法對(duì)故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各可疑故障元件的故障置信度的具體步驟如下：

(1)推理步驟g＝0；

(2)設(shè)置C、D1、D2、E初始值，結(jié)束條件0₁＝((0,0,0)，(0,0,0)，…，(0,0,0))^T_s和0₂＝((0,0,0)，(0,0,0)，…，(0,0,0))^T_t。α和δg的初始值被分別設(shè)定α_g＝(α_1g，α_2g，…,α_sg)和δ_g＝(δ_1g，δ_2g，…,δ_tg)，其中s代表命題神經(jīng)元的個(gè)數(shù)，t代表規(guī)則神經(jīng)元的個(gè)數(shù)；

(3)g增加1；

(4)每個(gè)輸入神經(jīng)元和每個(gè)命題神經(jīng)元的點(diǎn)火狀態(tài)被評(píng)估，如果狀態(tài)滿(mǎn)足，規(guī)則神經(jīng)元觸發(fā)同時(shí)傳輸脈沖到下一規(guī)則神經(jīng)元；

(5)計(jì)算模糊真值

(6)如果δg滿(mǎn)足終止條件，計(jì)算結(jié)束，輸出推理結(jié)果，否則，進(jìn)入步驟(7)；

(7)評(píng)估每個(gè)規(guī)則神經(jīng)元的點(diǎn)火狀態(tài)，如果狀態(tài)滿(mǎn)足，規(guī)則神經(jīng)元點(diǎn)火同時(shí)傳輸一個(gè)脈沖到下一個(gè)命題神經(jīng)元；

(8)計(jì)算模糊真值矢量α_g，返回到步驟3，得到

其中，各參數(shù)的向量含義及相應(yīng)的算子解釋如下：

(1)向量α＝(α₁,α₂,…α_s)^T是s個(gè)命題神經(jīng)元的模糊值，其中，α_i是三角模糊數(shù)，它代表第i個(gè)命題神經(jīng)元的脈沖值，如果一個(gè)命題神經(jīng)元中沒(méi)有包含任何脈沖，則該命題神經(jīng)元的脈沖值為(0,0,0)；

(2)向量δ＝(δ₁,δ₂,…_t)^T是t個(gè)規(guī)則神經(jīng)元的模糊值，其中，δ_j是三角模糊數(shù)，代表第j個(gè)規(guī)則神經(jīng)元的脈沖值，如果一個(gè)規(guī)則神經(jīng)元中沒(méi)有包含任何脈沖，則該規(guī)則神經(jīng)元的脈沖值為(0,0,0)；

(3)β＝diag(β₁,β₂,…β_t)是一個(gè)對(duì)角矩陣，其中β_j是[0,1]中的一個(gè)實(shí)數(shù)，表示j個(gè)規(guī)則神經(jīng)元的置信度；

(4)D₁＝(d_ij)_s×t是一個(gè)二維矩陣，表示命題神經(jīng)元到型規(guī)則神經(jīng)元之間是否有突觸連接。如果d_ij＝1則表示命題神經(jīng)元i與型規(guī)則神經(jīng)元j有突觸連接，否則，d_ij＝0，s,t表示神經(jīng)元之間的連接關(guān)系的最大值；

(5)D₂＝(d_ij)_s×t是一個(gè)二維矩陣，表示命題神經(jīng)元到型規(guī)則神經(jīng)元之間是否有突觸連接。如果d_ij＝1則表示命題神經(jīng)元i與型規(guī)則神經(jīng)元j有突觸連接，否則，d_ij＝0，s,t表示神經(jīng)元之間的連接關(guān)系的最大值；

(6)E＝(e_ij)_t×st是一個(gè)二維矩陣，表示規(guī)則神經(jīng)元到命題神經(jīng)元之間是否有突觸連接。如果e_ij＝1則表示規(guī)則神經(jīng)元到命題神經(jīng)元有突觸連接，否則，e_ij＝0，s,t表示神經(jīng)元之間的連接關(guān)系的最大值；

同時(shí)，引入如下三種運(yùn)算：

(1)◎：同樣地，D◎α＝(d1,d2,…,dt)^T,where d_j＝d_1jα₁⊕d_2jα₂⊕…⊕d_sjα_s，j＝1,2,…,t；

(2)⊙：D^T⊙α＝(d₁,d₂,…,d_t)^T，其中

(3)其中

假設(shè)A、B是兩個(gè)三角模糊數(shù)，A＝(a1，a2，a3)，B＝(b1，b2，b3)，

則定義如下三種運(yùn)算如下所示：

(1)λA＝λ(a1，a2，a3)＝(λa1，λa2，λa3)；

(2)

(3)

本發(fā)明實(shí)施例提供的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法，包括：根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；分別對(duì)所述可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；利用模糊推理算法對(duì)所述故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各所述可疑故障元件的故障置信度；依照預(yù)定判斷依據(jù)在所述故障置信度中篩選出目標(biāo)故障置信度，并確定所述目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。由此可見(jiàn)，本方法結(jié)合繼電器、斷路器開(kāi)關(guān)信息，結(jié)合模糊產(chǎn)生規(guī)則庫(kù)、語(yǔ)言值和相關(guān)的三角模糊數(shù)實(shí)現(xiàn)對(duì)可疑故障元件的診斷，診斷準(zhǔn)確高；另外本方法根據(jù)縱聯(lián)差動(dòng)保護(hù)使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結(jié)果更加準(zhǔn)確。從SCADA系統(tǒng)采集完整信息或者不完整信息(繼電器和斷路器拒動(dòng)，誤動(dòng)，信息丟失)的情況下也能準(zhǔn)確地診斷出確定故障元件，因此具有更好的容錯(cuò)能力。

需要說(shuō)明的是，上述是實(shí)施例中的方法可以在FPGA上實(shí)施，例如步驟S11中建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型。后文將詳細(xì)說(shuō)明。

為了讓本領(lǐng)域技術(shù)人員更加清楚本發(fā)明提供的方法，以下給出具體的應(yīng)用場(chǎng)景，結(jié)合該應(yīng)用場(chǎng)景進(jìn)一步說(shuō)明。

圖2為本發(fā)明實(shí)施例提供的一種電力系統(tǒng)環(huán)網(wǎng)示意圖。通過(guò)圖2說(shuō)明保護(hù)繼電器和斷路器的動(dòng)作規(guī)則。該電力系統(tǒng)環(huán)網(wǎng)由25個(gè)變電站，57臺(tái)變壓器，73條電壓等級(jí)500kV的傳輸線(xiàn)路511個(gè)變電站，511臺(tái)變壓器和594條電壓等級(jí)220kV的傳輸線(xiàn)路組成。為了方便描述，一些符號(hào)被描述如下。符號(hào)A，B，T，L，CB和G分別表示單母線(xiàn)，雙母線(xiàn)，變壓器，線(xiàn)路，斷路器和發(fā)電機(jī)。m和s分別表示主保護(hù)和后備保護(hù)，在圖2中包含了斷路器CB2201，CB2202，CB501，CB2387-1，CB2387-2，CB2012-QY,CB2289-1，CB2289-2，CB2722-1，CB2722-2，CB2012-KL,CB2855-1，CB2855-2，CB2012-HL,CB2715-1，CB2715-2，CB2290-1，CB2290-2,CB2012-LY；母線(xiàn)B1，B2，B3，B4，B5，B6，B7，B8，B9；線(xiàn)路L2387，L2289，L2722，L2855，L2715，L2715，L2290；發(fā)電機(jī)G1，G2，G3；變壓器T1，T2。

上述例子分以下兩種情況：

情況一，從SCADA系統(tǒng)獲取完整的繼電器和斷路器信息。

情況二，從SCADA系統(tǒng)獲得不完整的繼電器和斷路器信息。

情況一：從SCADA系統(tǒng)獲取完整的繼電器和斷路器信息，具體的診斷過(guò)程如下所示：

1、可疑故障元件的確定。動(dòng)作的繼電器L2387m，B3S，L2722S，L2855S，跳閘斷路器：CB2837-1，CB2012-QY，CB2855-1，CB2202，CB2722-1，CB2722-2，CB2855-2。從斷路器和繼電器動(dòng)作的情況，由電力系統(tǒng)的基礎(chǔ)知識(shí)，可以推導(dǎo)出故障元件最有可能是L2387。

2、L2387為例建立故障診斷模型，如圖3所示。圖3為本發(fā)明實(shí)施例提供的一種線(xiàn)路L2387的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型的示意圖。

模型中有28個(gè)命題神經(jīng)元和14個(gè)規(guī)則神經(jīng)元。具體步驟描述如下：

(1)設(shè)定判斷依據(jù)0₁＝((0,0,0)，(0,0,0)，…，(0,0,0))^T₂₈和0₂＝((0,0,0)，(0,0,0)，…，(0,0,0))^T₁₄，命題神經(jīng)元和規(guī)則神經(jīng)元的初始值α₀和δ₀表示如下：

δ₀＝[0]

(2)設(shè)置g＝0；

(3)初始命題神經(jīng)元和規(guī)則神經(jīng)元點(diǎn)火，由推理公式和計(jì)算得到α₁和δ₁。

(4)根據(jù)以上模糊推理算法步驟，由于δ₁和α₁不滿(mǎn)足結(jié)束條件，則返回重新計(jì)算δ₂和α₂，具體為：

(5)根據(jù)以上模糊推理算法步驟，由于δ₂和α₂也不滿(mǎn)足結(jié)束條件，則返回重新計(jì)算δ₃和α₃具體為：

(6)根據(jù)以上模糊推理算法步驟，由于δ₃和α₃也不滿(mǎn)足結(jié)束條件，則返回重新計(jì)算δ₄和α₄，具體為：

α₄＝[0]δ₄＝[0]

由以上δ₄和α₄判斷滿(mǎn)足結(jié)束條件，則推理結(jié)束，命題神經(jīng)元σ₂₈輸出模糊真值為(0.875,1,1)。從表3可知，L2387發(fā)生故障且故障發(fā)生置信水平非常非常高。

情況二：從SCADA系統(tǒng)獲取不完整的繼電器和斷路器信息，具體的診斷過(guò)程如下所示：

1、可能故障元件的確定。動(dòng)作的繼電器B3S，L2722S，L2855S，跳閘斷路器：CB2837-1，CB2012-QY，CB2855-1，CB2202，CB2722-1，CB2722-2，CB2855-2。另外，在這個(gè)案例中L2387m繼電器信息丟失。從斷路器和繼電器動(dòng)作的情況，由電力系統(tǒng)的基礎(chǔ)知識(shí)，可以推導(dǎo)出故障元件最有可能是L2387。

2、和情況一相同對(duì)元件L2387建立故障診斷模型。

3、模糊推理的過(guò)程與情況一大致相同。

(1命題神經(jīng)元和規(guī)則神經(jīng)元的初始值α₀和δ₀表示如下：

δ₀＝[0]

此后推導(dǎo)步驟和情況一相同，不再贅述。最終得到命題神經(jīng)元σ₂₈輸出模糊真值為(0.765625,0.875,0.875)。從表3可知L2387發(fā)生故障且故障發(fā)生置信水平非常高。

通過(guò)實(shí)例中的情況一和情況二的診斷結(jié)果可以看出，本發(fā)明提出的方法不僅能夠準(zhǔn)確地診斷出故障位置，而且對(duì)于信息缺失的情況也能正確地診斷出故障發(fā)生的位置。

為了讓本領(lǐng)域技術(shù)人員更加清楚如何采用FPGA進(jìn)行步驟S11模型的建立，以下給出具體說(shuō)明。

以上文中的例子進(jìn)行說(shuō)明，在應(yīng)用FPGA處理器過(guò)程中，分為頂層模塊以及模塊1-模塊14：

頂層模塊：是對(duì)整個(gè)程序的總控制，采用自頂向下的設(shè)計(jì)方式，實(shí)現(xiàn)各個(gè)子模塊的調(diào)用和數(shù)據(jù)的初始化。

模塊1：給命題神經(jīng)元σ1-σ14賦初始值。其中，根據(jù)繼電器動(dòng)作信息和斷路器的跳閘信息，結(jié)合表1和表2確定命題神經(jīng)元初始值。

模塊2-模塊6分別為L(zhǎng)2387模塊，B3模塊，L2722模塊，L2855模塊，T模塊。以上模塊同時(shí)由并行計(jì)算出規(guī)則神經(jīng)元σ₂₈-σ₃₆的模糊真值。

模塊7：通過(guò)計(jì)算得到相應(yīng)的命題神經(jīng)元模糊真值σ₁₅-σ₂₃。以上σ₂₈-σ₃₆模糊真值由并行計(jì)算得到命題神經(jīng)元σ₁₅-σ₂₃模糊真值。其中σ15-σ23中由主保護(hù)和后備保護(hù)相關(guān)的命題神經(jīng)元組成。σ₁₅和σ₁₆與主保護(hù)相關(guān)，分別為主保護(hù)1和主保護(hù)2。σ₁₇-σ₂₃與后備保護(hù)相關(guān)，σ₁₇-σ₂₂和后備保護(hù)1、后備保護(hù)2相關(guān)。

模塊8-模塊11分別為主保護(hù)1和主保護(hù)2模塊，主保護(hù)1和后備保護(hù)1模塊，主保護(hù)2和后備保護(hù)2模塊，后備保護(hù)1和后備保護(hù)2模塊。在模塊7中并行取主保護(hù)相關(guān)的σ₁₅和σ₁₆中模糊真值存儲(chǔ)到模塊8；并行取σ₁₅和σ₁₇-σ₂₂中模糊真值存儲(chǔ)到模塊9；并行取σ₁₆和σ₂₃中模糊真值存儲(chǔ)到模塊10；并行取σ₁₇-σ₂₃中模糊真值存儲(chǔ)到模塊11。以上模塊8-模塊11存儲(chǔ)的值由并行計(jì)算分別同時(shí)輸出規(guī)則神經(jīng)元σ₃₇、σ₃₈、σ₃₉、σ₄₀。

模塊12：通過(guò)計(jì)算得到相應(yīng)的命題神經(jīng)元模糊真值σ₂₄-σ₂₇。以上σ₃₇-σ₄₀模糊真值由并行計(jì)算得到命題神經(jīng)元σ₂₄-σ₂₇模糊真值。

模塊13：通過(guò)計(jì)算得到規(guī)則神經(jīng)元σ₄₁的模糊真值。由以上輸出的σ₂₄-σ₂₇的模糊真值通過(guò)通行計(jì)算出規(guī)則神經(jīng)元σ₄₁的模糊真值。

模塊14：通過(guò)計(jì)算得到命題神經(jīng)元σ₂₈的模糊真值。由以上輸出σ₄₁的模糊真值通過(guò)計(jì)算得到σ₂₈的模糊真值。

需要說(shuō)明的是，上述是實(shí)施例中的方法在FPGA上實(shí)施至少是一種具體的實(shí)施方式，并不代表只能在FPGA上實(shí)現(xiàn)，在其它處理器上實(shí)現(xiàn)也可。由于FPGA能夠并行，因此在進(jìn)行模型建立時(shí)可以提高模型建立的效率，進(jìn)而提高診斷效率。

圖4為本發(fā)明實(shí)施例提供的一種基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷裝置的結(jié)構(gòu)圖。基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷裝置，包括：

推導(dǎo)單元10，用于根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；

故障診斷模型建立單元11，用于分別對(duì)可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；

計(jì)算單元12，用于利用模糊推理算法對(duì)故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各可疑故障元件的故障置信度；

篩選單元13，用于依照預(yù)定判斷依據(jù)在故障置信度中篩選出目標(biāo)故障置信度，并確定目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。

作為優(yōu)選地實(shí)施方式，故障診斷模型建立單元11具體用于對(duì)所述可疑故障元件對(duì)應(yīng)的所述動(dòng)作信息和所述跳閘信息設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元；根據(jù)故障模糊產(chǎn)生式規(guī)則建立所述故障診斷模型；根據(jù)可疑元件的種類(lèi)和保護(hù)類(lèi)型分別建立相應(yīng)的線(xiàn)路，母線(xiàn)，變壓器故障模糊產(chǎn)生式規(guī)則集合，并作為相應(yīng)的三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型建立的依據(jù)；獲取電壓等級(jí)220kV及其以上的元件和斷路器主保護(hù)動(dòng)作的故障置信度，并將所述故障置信度和輸入的所述命題神經(jīng)元對(duì)應(yīng)；

所述故障模糊產(chǎn)生式規(guī)則具體包括：

類(lèi)型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝β)；

類(lèi)型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝β)；

其中，p₁,p₂,...,p_k-1是規(guī)則神經(jīng)元前件的k-1個(gè)命題神經(jīng)元，而p_k是規(guī)則神經(jīng)元后件的命題神經(jīng)元，β是一個(gè)實(shí)數(shù)且表示這個(gè)模糊產(chǎn)生式規(guī)則的置信因子CF。

作為優(yōu)選地實(shí)施方式，所述故障模糊產(chǎn)生式規(guī)則集合具體為：

如果線(xiàn)路、母線(xiàn)、變壓器主保護(hù)動(dòng)作且對(duì)應(yīng)的斷路器全部或者部分跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度極高；

如果線(xiàn)路、母線(xiàn)、變壓器后備保護(hù)動(dòng)作并且對(duì)應(yīng)的斷路器均跳閘，則線(xiàn)路、母線(xiàn)、變壓器故障，規(guī)則置信度非常非常高。

作為優(yōu)選地實(shí)施方式，計(jì)算單元具體用于根據(jù)賦予初值的輸入命題神經(jīng)元，運(yùn)用模糊推理算法得出故障診斷模型的輸出命題神經(jīng)元的值；

其中，輸出神經(jīng)元的值為可疑故障元件的故障置信度。

作為優(yōu)選地實(shí)施方式，預(yù)定判斷依據(jù)為：

如果故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為確定故障元件；

如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標(biāo)故障置信度，對(duì)應(yīng)的可疑故障元件為非故障元件。

本發(fā)明實(shí)施例提供的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷裝置，包括：推導(dǎo)單元，用于根據(jù)從SCADA系統(tǒng)得到的繼電器動(dòng)作信息和斷路器的跳閘信息推導(dǎo)出停電區(qū)域中的可疑故障元件；故障診斷模型建立單元，用于分別對(duì)可疑故障元件建立基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷模型；計(jì)算單元，用于利用模糊推理算法對(duì)故障診斷模型進(jìn)行逆向模糊推理，計(jì)算各可疑故障元件的故障置信度；篩選單元，用于依照預(yù)定判斷依據(jù)在故障置信度中篩選出目標(biāo)故障置信度，并確定目標(biāo)故障置信度對(duì)應(yīng)的可疑故障元件為確定故障元件。由此可見(jiàn)，本裝置結(jié)合繼電器、斷路器開(kāi)關(guān)信息，結(jié)合模糊產(chǎn)生規(guī)則庫(kù)、語(yǔ)言值和相關(guān)的三角模糊數(shù)實(shí)現(xiàn)對(duì)可疑故障元件的診斷，診斷準(zhǔn)確高；另外本方法根據(jù)縱聯(lián)差動(dòng)保護(hù)使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結(jié)果更加準(zhǔn)確。從SCADA系統(tǒng)采集完整信息或者不完整信息(繼電器和斷路器拒動(dòng)，誤動(dòng)，信息丟失)的情況下也能準(zhǔn)確地診斷出確定故障元件，因此具有更好的容錯(cuò)能力。

由于裝置部分的實(shí)施例與方法部分的實(shí)施例相互對(duì)應(yīng)，因此裝置部分的實(shí)施例請(qǐng)參見(jiàn)方法部分的實(shí)施例的描述，這里暫不贅述。

以上對(duì)本發(fā)明所提供的基于三角模糊數(shù)的脈沖神經(jīng)膜系統(tǒng)的故障診斷方法及裝置進(jìn)行了詳細(xì)介紹。說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)于實(shí)施例公開(kāi)的裝置而言，由于其與實(shí)施例公開(kāi)的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法部分說(shuō)明即可。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。

專(zhuān)業(yè)人員還可以進(jìn)一步意識(shí)到，結(jié)合本文中所公開(kāi)的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來(lái)實(shí)現(xiàn)，為了清楚地說(shuō)明硬件和軟件的可互換性，在上述說(shuō)明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來(lái)執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專(zhuān)業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來(lái)使用不同方法來(lái)實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開(kāi)的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來(lái)實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤(pán)、可移動(dòng)磁盤(pán)、CD-ROM、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。