基于知识库与规则库的电力系统暂态故障事件诊断方法

郭伟琪, 张婷, 吕艺, 陈涛

(国网山东省电力公司临沂供电公司, 山东, 临沂 276000)

0 引言

电力系统出现暂态故障时,很多报警信息进入控制中心,但保护与断路器出现误动(拒动)时[1-4],控制中心接收到的信息会出现信息缺失与畸变等情况,导致工作人员无法精准找到暂态故障原因,延长供电恢复时间[5],扩大暂态故障范围,为解决这一问题,需研究暂态故障诊断方法,为工作人员精准制定决策提供参考。张朝龙等[6]通过混沌粒子群算法改进受限波尔兹曼机,增强故障特征提取效果,在深度置信网络内输入提取的故障特征,输出故障诊断结果。该方法的故障诊断效果依赖输入样本是否完整,但在电力系统很难得到完整样本,因此故障诊断精度较差。陈哲等[7]通过融合T-S模糊模型与粗糙集挖掘故障知识,利用遗传算法约简故障知识,提升故障诊断精度,但该方法塑造模糊模型的难度较高,在电力系统结构发生改变的情况下,和电力系统有关的模糊知识库也要调整,可维护性不佳,适用范围小。

为了进一步扩大诊断范围,提高诊断精度,本文提出基于知识库与规则库的电力系统暂态故障事件诊断方法。本文利用小生境遗传算法简化电力系统暂态故障事件决策图,获取故障规则集,构建暂态故障事件知识库。本文的创新点在于利用灰色关联方法,结合证据融合理论分析暂态故障事件的权重,对比分析实际暂态故障事件与暂态故障事件知识库的匹配结果,实现电力系统暂态故障事件诊断。

1 电力系统暂态故障事件诊断方法

1.1 基于小生境遗传算法的暂态故障事件知识库

采用小生境遗传算法约简电力系统暂态故障事件决策表图属性,获得暂态故障事件故障规则集,构建暂态故障事件知识库。

电力系统暂态故障事件的决策表的表达公式如下:

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

(1)

式(1)中,电力系统暂态故障事件样本空间是X={x1,x2,…,xn};条件属性集是C={c1,c2,…,cr};决策属性集是D={1,2,…,k};单一映射的信息函数是f;属性集合的值域是V。将X内的样本当成点,随机两个xi与xj间均存在|C∪D|条属性边,由此建立多重完全图即电力系统暂态故障事件决策表图G。

利用小生境遗传算法约简G的属性,获取暂态故障事件故障规则集,即在启发信息内加入(M-T)个个体,得到下一代种群Y(t+1),如果T超过M,那么提取Q″(t)内的前M个个体,得到下一代种群Y(t+1);

在相对区分表B1内挑选Y(t)的列,求和全部列,如果具有和是0的列,代表Y(t)内各列不相容,即Y(t)可约简,在Y(t)内引入新的属性,并任意挑选一个“零”基因取反,在约简数量不间断多代无改变情况下,则继续;

融合全部约简个体,获取电力系统暂态故障事件规则集,如果规则集内存在多条规则结论相同情况,则提取这些规则,建立暂态故障事件知识库A,如果规则集内多条规则结构不同,则选择置信度与覆盖度高度规则,建立A。由此完成暂态故障事件知识库的构建。

1.2 基于灰色关联分析的暂态故障事件诊断方法

暂态故障事件知识库A内,源暂态故障事件案例数据列的表达形式为Aα=[aα(1),aα(2),…,aα(β)],α=1,2,…,θ,目标暂态故障事件案例是A0=[a0(1),a0(2),…,a0(β)],将源暂态故障事件案例改写成k×α维矩阵形式,公式如下:

(2)

通过在式(3)内引入源暂态故障事件的权重系数ωαk,求解a0(k)与aα(k)的灰色相似度,公式如下:

Z(a0(k),aα(k))=

(3)

利用证据融合理论确定ωαk,具体步骤如下。

步骤1:获取专家判断矩阵,邀请u位专家评判θ个源暂态故障事件权重,得到u×θ维专家判断矩阵R,中的元素是Ri′j′,1≤i′≤u,1≤j′≤θ;

步骤2:去掉离异程度较大的ωαk,通过求解专家获取ωαk间的相似程度,去掉差异程度较大的ωαk,确保ωαk融合结果的精准性,令相似系数如下:

(4)

(5)

式(5)中,pi′的最大值是pi′max。

步骤3:证据融合,去掉离异ωi′后,通过证据融合理论融合其余专家获取的ωαk,确保权重获取的全面性。

在空间上,按照式(8)的Z(a0(k),aα(k))可获取a0和aα的灰色距离Z′(a0(k),aα(k)),公式如下:

(6)

在β维矩阵中,按照欧式距离确定a0和aα的灰色距离,公式如下:

(7)

依据Z(a0(k),aα(k))与Z″(a0,aα)的转换公式,能够获取目标暂态故障事件案例的改进灰色相似度Z‴(a0,aα),公式如下:

(8)

按照电力系统暂态故障事件实际情况,设置一个阈值μ,在Z‴(a0,aα)=μ情况下,说明目标源暂态故障事件案例和A内源暂态故障事件案例匹配,完成电力系统暂态故障诊断。

2 实验分析

利用MATLAB仿真软件设计一个电力系统模型,并设计单个暂态故障事件、多重暂态故障事件、信息完成时的暂态故障事件与信息不完整时的暂态故障事件,利用本文方法诊断该电力系统的暂态故障事件,验证本文方法暂态故障事件诊断的有效性,该系统的模型如图1所示。

图1 电力系统模型

图1中,线路是L1,L2,…,L6、母线是A1,A2,…,A8、断路器是C1,C2,…,C20、变压器是T1,T2,…,T4。

利用MATLAB仿真设置一系列暂态故障事件,通过本文方法诊断该电力系统暂态故障事件,暂态故障事件设置结果与本文方法暂态故障事件诊断结果如表1所示。

表1 本文方法的暂态故障诊断结果

分析表1可知,针对单一暂态故障事件与多重暂态故障事件本文方法均可有效诊断电力系统暂态故障事件,在信息不完整情况下,本文方法依旧可有效诊断电力系统暂态故障事件,与设置暂态故障对比可知,本文方法的暂态故障事件诊断结果与设置暂态故障完全相同。实验证明本文方法有效精准诊断电力系统暂态故障事件,且暂态故障诊断精度较高。这是因为本文结合灰色关联方法和证据融合理论,计算目标案例和知识库内案例的灰色相似度,依据灰色相似度获取两个案例间的匹配结果,保证了诊断的精度。

利用MATLAB仿真为该电力系统设置30个暂态故障事件,本文方法中分辨系数的取值直接影响灰色关联度的计算结果,间接影响电力系统暂态故障事件诊断效果,为此分析不同分辨系数时本文方法的暂态故障事件诊断效果,将均方根误差(RMSE)作为衡量本文方法暂态故障事件诊断精度的指标,RMSE的最高值需低于10,才可确保暂态故障事件诊断精度较高,分析结果如图2所示。

图2 本文方法的RMSE测试结果

分析图2可知,分辨系数越大,本文方法的RMSE值越低,当分辨系数达到0.4时,RMSE值已降至0,此时本文方法电力系统暂态故障事件诊断精度最高;随着暂态故障事件数量的增加,本文方法的RMSE值也随之提升,RMSE的最高值约为6.5,低于暂态故障事件诊断时RMSE的最高值,说明本文方法诊断暂态故障事件时的RMSE较低,诊断效果较佳。这是因为本文依据暂态故障事件故障规则集建立暂态故障事件知识库,提供了足够的故障辨别案例;通过灰色关联计算暂态故障事件与案例间的匹配度,完成暂态故障事件诊断,提高了故障判别的精度。

本文方法通过约简电力系统暂态故障事件决策表图,建立暂态故障事件知识库,知识库建立效率高,则暂态故障事件诊断效率也随之提升,为此分析不同决策表图大小时,本文方法约简决策表图时的约简效率,分析结果如图3所示。

图3 约简效率分析结果

分析图3可知,演化代次数逐渐增长,不同决策表图大小时的约简耗时均不断下降,3种决策表图大小时的约简耗时均在演化代为10次时,完成收敛,收敛速度较快,最终约简耗时收敛至5～7 s,约简耗时较短。实验证明本文方法约简决策表图的约简效率较快,收敛效果较优。这是因为本文利用小生境遗传算法约简电力系统暂态故障事件决策表图,获取暂态故障事件故障规则集,依据该规则集建立的暂态故障事件知识库,保障了约简的效率。

将文献[6]基于DBN特征提取的故障诊断方法与文献[7]基于算法融合的故障诊断方法作为本文方法的对比方法,测试3种方法在不同信息缺失比例时的暂态故障事件诊断效果,将灵敏度作为衡量三种方法暂态故障事件诊断效果的评价指标,灵敏度代表全部暂态故障事件内诊断正确的比例,其值越高,故障事件诊断精度越高,测试结果如图4所示。

分析图4可知,信息缺失比例增加,3种方法的灵敏度均随之下降,在不同信息缺失比例时,本文方法的灵敏度均显著高于其余2种方法,且下降幅度较小,当信息缺失比例达到25%时,本文方法的灵敏度已趋于稳定,稳定在97%左右,其余2种方法最终灵敏度约为82%与83%。实验证明:在不同信息缺失比例时,本文方法诊断电力系统暂态故障事件的灵敏度较高,具备较优的暂态故障事件诊断效果。这是因为本文利用了证据融合理论判断暂态事件与故障案例的相似度。证据融合可以提高缺失信息的价值,补全信息缺失部分之间的联系,从而提高了故障诊断的灵敏度。

图4 灵敏度测试结果

3 总结

电力系统出现故障后及时恢复供电的关键是暂态故障事件诊断,暂态故障事件诊断可增强电力系统的安全与稳定性。为此研究基于知识库与规则库的电力系统暂态故障事件诊断方法,精准诊断暂态故障事件,为维修人员制定维修策略提供参考,加快暂态故障后电力系统恢复供电效率,为增强电力系统安全稳定性打下基础。