本發(fā)明屬于電網(wǎng)調(diào)度與故障分析領(lǐng)域，涉及一種基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法。

背景技術(shù)：

隨著電網(wǎng)規(guī)模的不斷擴(kuò)大，如何高效穩(wěn)定地輸送電能是保證電網(wǎng)安全、穩(wěn)定運(yùn)行的重要環(huán)節(jié)。影響電能輸送的因素很多，其中，輸電線路故障是其重要因素之一。如何快速、準(zhǔn)確地對(duì)輸電線路進(jìn)行故障選相是快速恢復(fù)電網(wǎng)供電、保證電網(wǎng)安全運(yùn)行的重要前提。

目前，傳統(tǒng)的輸電線路故障選相主要分為兩個(gè)階段：故障信息特征提取和故障信息特征識(shí)別。在第一階段，故障信息特征提取方法主要分為兩類(lèi)，一類(lèi)是基于工頻穩(wěn)態(tài)量的提取方法，這類(lèi)方法的性能容易受故障電阻、故障距離、故障初始角等因素影響；另一類(lèi)是基于故障暫態(tài)量的提取方法，由于暫態(tài)量包含了豐富的故障特征信息，并且不易受故障電阻、故障距離、故障初始角的影響，因此提取故障信息特征具有很高的識(shí)別度和精度。對(duì)于第二階段，故障信息特征識(shí)別方法主要集中于推理法和分類(lèi)器法，如模糊推理、人工神經(jīng)網(wǎng)絡(luò)。但是，無(wú)論是模糊推理還是人工神經(jīng)網(wǎng)絡(luò)，其推理過(guò)程都是一個(gè)黑箱操作，不容易被人理解。因此，研究快速準(zhǔn)確的輸電線路故障選相方法對(duì)保障電能傳輸安全性與經(jīng)濟(jì)性具有重要的實(shí)際意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提供一種基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法。首先利用小波變換具有良好的時(shí)頻特性，提取電流故障分量的特征信息。在此基礎(chǔ)上，利用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行故障特征識(shí)別。本發(fā)明的突出優(yōu)勢(shì)是利用模糊推理脈沖神經(jīng)膜系統(tǒng)解決輸電線路故障選相的第二階段。該方法在選相過(guò)程中依據(jù)模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的推理算法進(jìn)行推理，表達(dá)清晰，計(jì)算簡(jiǎn)便，且在復(fù)雜的故障條件下，本方法都能獲得正確選相結(jié)果。

為解決上述技術(shù)問(wèn)題，本發(fā)明的采用的技術(shù)方案為：

基于模糊推理脈沖神經(jīng)膜系統(tǒng)的輸電線路故障選相方法，其特征在于，包括以下步驟：

a.獲取電流故障分量信息：

取故障后1/4周期內(nèi)的三相電流與故障發(fā)生前15ms至20ms內(nèi)的三相電流差值作為三相電流故障分量，并同時(shí)計(jì)算零序電流故障分量；

b.提取電流故障分量信號(hào)小波特征：

采用db3小波對(duì)三相電流及零序電流故障分量進(jìn)行8層分解，對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解，得到系數(shù)矩陣的奇異值，并計(jì)算歸一化值，將得到的歸一化值作為電流故障分量信號(hào)小波特征值；

c.建立故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)：

根據(jù)電流故障分量信號(hào)小波特征值，建立故障選相模糊產(chǎn)生式規(guī)則集；

d.對(duì)建立的故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行推理：

采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障選相膜系統(tǒng)進(jìn)行推理，獲取故障類(lèi)型的模糊可信度；模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)模糊推理算法的具體步驟為：

(1)設(shè)定初始狀態(tài)：令推理步驟g＝0，設(shè)定判定依據(jù)0₁＝(0,0,...,0)^T。依據(jù)各神經(jīng)元中包含的脈沖值設(shè)定命題神經(jīng)元和規(guī)則神經(jīng)元向量初始值，兩個(gè)向量分別表示為θ₀＝(θ₁₀,θ₂₀,...,θ_s0)^T和δ₀＝(δ₁₀,δ₂₀,...,δ_t0)，其中s代表命題神經(jīng)元個(gè)數(shù)，n代表規(guī)則神經(jīng)元個(gè)數(shù)；

(2)令推理步驟g＝g+1；

(3)命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后，規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新；

(4)當(dāng)δ_g≠0₁，規(guī)則神經(jīng)元點(diǎn)火，命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，并返回到步驟(2)；否則，結(jié)束推理并輸出結(jié)果。

其中，各參數(shù)向量(矩陣)含義及其乘法算子的定義如下：

θ＝(θ₁,θ₂,...,θ_s)^T，其中θ_i(1≤i≤s)，表示第i個(gè)命題神經(jīng)元包含的脈沖值，其值由0和1之間的實(shí)數(shù)表示。若一個(gè)命題神經(jīng)元中沒(méi)有包含任何脈沖，則該命題神經(jīng)元的脈沖值表示為0，命題神經(jīng)元及其脈沖值傳遞規(guī)則如圖3所示；

δ＝(δ₁,δ₂,...,δ_t)^T，其中δ_j(1≤j≤t)，表示第j個(gè)規(guī)則神經(jīng)元包含的脈沖值，其值同樣由0和1之間的實(shí)數(shù)表示。若一個(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)元的脈沖值表示為0；

C＝diag(c₁,c₂,...,c_t)，其中c_j表示第j個(gè)規(guī)則神經(jīng)元(第j條模糊產(chǎn)生式規(guī)則)的置信度，其值由0和1之間的實(shí)數(shù)表示；

為突觸矩陣，表示命題神經(jīng)元到“與”規(guī)則神經(jīng)元的有向連接關(guān)系。如果從命題神經(jīng)元δ_i到“與”規(guī)則神經(jīng)元δ_j存在突觸，則d_ij＝1，否則d_ij＝0；

為突觸矩陣，表示“與”規(guī)則神經(jīng)元到命題神經(jīng)元的有向連接關(guān)系。如果從“與”規(guī)則神經(jīng)元δ_j到命題神經(jīng)元δ_i存在突觸，則e_ji＝1，否則e_ji＝0；

其中j＝1,...,t；

其中j＝1,...,t，算子“∧”為取最小值；

其中j＝1,...,t，算子“∨”為取最大值；

e.確定故障選相結(jié)果：

根據(jù)模糊推理得到的各疑似故障類(lèi)型的模糊可信度進(jìn)行判定，選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)故障類(lèi)型為最后選相結(jié)果。

進(jìn)一步的，步驟c中所述故障選相模糊產(chǎn)生式規(guī)則集包括：

規(guī)則1：If零序特征值高，then接地故障；

規(guī)則2：If零序特征值低，then相間故障；

規(guī)則3：If A相特征值高、B相特征值低、C相特征值低且接地故障，then故障類(lèi)型為A相接地故障；

規(guī)則4：If A相特征值低、B相特征值高、C相特征值低且接地故障，then故障類(lèi)型為B相接地故障；

規(guī)則5：If A相特征值低、B相特征值低、C相特征值高且接地故障，then故障類(lèi)型為C相接地故障；

規(guī)則6：If A相特征值高、B相特征值高、C相特征值低且接地故障，then故障類(lèi)型為AB兩相接地故障；

規(guī)則7：If A相特征值低、B相特征值高、C相特征值高且接地故障，then故障類(lèi)型為BC兩相接地故障；

規(guī)則8：If A相特征值高、B相特征值低、C相特征值高且接地故障，then故障類(lèi)型為CA兩相接地故障；

規(guī)則9：If A相特征值高、B相特征值高、C相特征值低且相間故障，then故障類(lèi)型為AB相間短路故障；

規(guī)則10：If A相特征值低、B相特征值高、C相特征值高且相間故障，then故障類(lèi)型為BC相間短路故障；

規(guī)則11：If A相特征值高、B相特征值低、C相特征值高且相間故障，then故障類(lèi)型為CA相間短路故障；

規(guī)則12：If A相特征值高、B相特征值高、C相特征值高且相間故障，then故障類(lèi)型為ABC三相短路故障。

本發(fā)明的有益效果為：(1)本發(fā)明將小波變換與模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)進(jìn)行有機(jī)結(jié)合，實(shí)現(xiàn)準(zhǔn)確的輸電線路故障選相；(2)故障選相正確性高，本發(fā)明依據(jù)10種短路故障類(lèi)型與故障特征值之間的關(guān)系建立模糊產(chǎn)生式規(guī)則，并賦予其一定可信度，使得推理過(guò)程更合理，更符合實(shí)際情況；(3)方法實(shí)現(xiàn)簡(jiǎn)單，本發(fā)明首先通過(guò)小波變換提取電流故障分量的故障特征值，然后把故障特征值作為故障選相模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的輸入，采用模糊推理算法進(jìn)行推理，推理過(guò)程中主要進(jìn)行矩陣運(yùn)算，具有較好的并行處理能力，選相過(guò)程清晰簡(jiǎn)單，易于維護(hù)；(4)對(duì)復(fù)雜故障情況適應(yīng)性好，本發(fā)明在疊加原理的基礎(chǔ)上采用小波變換分析電流故障分量的故障特征，從而在高故障電阻，遠(yuǎn)故障距離的情況下，本方法都能獲得正確的選相結(jié)果。

附圖說(shuō)明

圖1為本發(fā)明方法的流程圖；

圖2為本發(fā)明方法的模糊隸屬度函數(shù)；

圖3為本發(fā)明命題神經(jīng)元：(a)傳統(tǒng)形式；(b)簡(jiǎn)寫(xiě)形式；

圖4為本發(fā)明規(guī)則神經(jīng)元：(i)“一般”類(lèi)型：(a)傳統(tǒng)形式；(b)簡(jiǎn)寫(xiě)形式

(ii)“”類(lèi)型：(a)傳統(tǒng)形式；(b)簡(jiǎn)寫(xiě)形式

圖5為本發(fā)明基于模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的故障選相模型；

圖6為本發(fā)明雙端供電輸電線路示意圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，詳細(xì)描述本發(fā)明的技術(shù)方案：

實(shí)施例

這里以圖6所示的雙端供電輸電線路短路故障為例對(duì)本發(fā)明方法進(jìn)行詳細(xì)闡述。實(shí)施例分為具有代表性的單相接地故障，兩相接地故障，兩相相間短路故障以及三相短路故障四種情況進(jìn)行。情況一：輸電線路A相接地故障，故障初始角為0°，故障電阻為200Ω，故障距離為200km；情況二：AB兩相接地故障，故障初始角為0°，故障電阻為200Ω，故障距離為200km；情況三：AB相間短路故障，故障初始角為30°，故障電阻為200Ω，故障距離為200km；情況四：ABC三相短路故障，故障初始角為30°，故障電阻為200Ω，故障距離為200km；

情況一：輸電線路A相接地故障。故障選相的具體過(guò)程如下：

步驟1：取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流差值作為三相電流故障分量，并同時(shí)計(jì)算零序電流故障分量；

步驟2：利用db3小波對(duì)故障分量進(jìn)行分析，尺度為8，對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解，得到三相及零序電流故障分量奇異值分別為10.5269，2.1463，1.8363和3.7628，并將這些奇異值歸一化，結(jié)果分別為1，0.2039，0.1744和0.3574；

步驟3：將歸一化值模糊化，采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類(lèi)模型進(jìn)行模糊推理，獲取每種故障類(lèi)型的故障可信度。具體步驟為：

1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g＝0。設(shè)定判定依據(jù)0₁＝(0，0，...，0)^T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為：θ₀＝[1，0，1，0，0.013，0.987，0，1，0，0，0，0，0，0，0，0，0，0，0，0]，δ₀＝[0，0，0，0，0，0，0，0，0，0，0，0]，C＝[0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95]；

2.令推理步驟g增加1，即g＝1；

3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后，規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即δ₁＝[1，0，0，0，0，0，0，0，0，0，0，0]；4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火，命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即

θ₁＝[0，0，1，0，0.013，0.987，0，1，0.95，0，0，0，0，0，0，0，0，0，0，0]；

5.返回執(zhí)行第2步。推理步驟g＝2。δ₂＝[0，0，0.95，0，0，0，0，0，0，0，0，0]，θ₁＝[0，0，0，0，0，0，0，0，0，0，0.9025，0，0，0，0，0，0，0，0，0]；

6.返回執(zhí)行第2步。推理步驟g＝3。δ₃＝[0，0，0，0，0，0，0，0，0，0，0，0]，滿(mǎn)足終止條件，結(jié)束推理。

步驟4：確定故障選相結(jié)果。

根據(jù)疑似故障類(lèi)型的模糊可信度確定故障類(lèi)型，并輸出選相結(jié)果，具體過(guò)程為：

根據(jù)模糊推理得到的各疑似故障類(lèi)型的模糊可信度進(jìn)行判定，選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類(lèi)型為最后選相結(jié)果。由于命題神經(jīng)元11是模糊可信度最大的命題神經(jīng)元，因此判定故障類(lèi)型為A相接地故障。

情況二：輸電線路AB兩相接地故障。故障分類(lèi)的具體過(guò)程如下：

步驟1：取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量；

步驟2：利用db3小波對(duì)故障分量進(jìn)行分析，尺度為8，對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解，得到三相及零序電流故障分量奇異值分別為23.6354，19.3165，2.1259和3.2944，并將這些奇異值歸一化，結(jié)果分別為1，0.8173，0.0899和0.1394；

步驟3：將歸一化值模糊化，采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類(lèi)模型進(jìn)行反向模糊推理，獲取每種故障類(lèi)型的故障可信度。具體步驟為：

1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g＝0。設(shè)定判定依據(jù)0₁＝(0，0，...，0)^T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為：

θ₀＝[1，0，1，0，1，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0]

δ₀＝[0，0，0，0，0，0，0，0，0，0，0，0]

C＝[0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95]；

2.令推理步驟g增加1，即g＝1；

3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后，規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即δ₁＝[1，0，0，0，0，0，0，0，0，0，0，0]；

4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火，命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即

θ₁＝[0，0，1，0，1，0，0，1，0.95，0，0，0，0，0，0，0，0，0，0，0]；

5.返回執(zhí)行第2步。推理步驟g＝2。δ₂＝[0，0，0，0，0，0.95，0，0，0，0，0，0]，θ₂＝[0，，0，0，0，0，0，0，0，0，0，0，0，0，0.9025，0，0，0，0，0，0]；

6.返回執(zhí)行第2步。推理步驟g＝3。δ₃＝[0,0,0,0,0,0,0,0,0,0,0,0]，滿(mǎn)足終止條件，結(jié)束推理。

步驟4：確定故障選相結(jié)果。

根據(jù)疑似故障類(lèi)型的模糊可信度確定故障類(lèi)型，并輸出選相結(jié)果，具體過(guò)程為：

根據(jù)模糊推理得到的各疑似故障類(lèi)型的模糊可信度進(jìn)行判定，選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類(lèi)型為最后選相結(jié)果。由于命題神經(jīng)元14是模糊可信度最大的命題神經(jīng)元，因此判定故障類(lèi)型為AB兩相接地故障。

情況三：輸電線路AB相間短路故障。故障分類(lèi)的具體過(guò)程如下：

步驟1：取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量；

步驟2：利用db3小波對(duì)故障分量進(jìn)行分析，尺度為8，對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解，得到三相及零序電流故障分量奇異值分別為15.3014,13.7617,1.5847和4.5792e^-13，并將這些奇異值歸一化，結(jié)果分別為1,0.8994,0.1036和0.2993e^-13；

步驟3：將歸一化值模糊化，采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類(lèi)模型進(jìn)行反向模糊推理，獲取每種故障類(lèi)型的故障可信度。具體步驟為：

1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g＝0。設(shè)定判定依據(jù)0₁＝(0,0,...,0)^T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為：

θ₀＝[0,1,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]，

δ₀＝[0,0,0,0,0,0,0,0,0,0,0,0],

C＝[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95]；

2.令推理步驟g增加1,即g＝1；

3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后，規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ₁＝[0,1,0,0,0,0,0,0,0,0,0,0]，

4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火，命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即θ₁＝[0,0,1,0,1,0,0,1,0,0.95,0,0,0,0,0,0,0,0,0,0]；

5.返回執(zhí)行第2步。推理步驟g＝2。δ₂＝[0，0，0，0，0，0，0，0，0，0，0，0.95]，θ₂＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0]；

6.返回執(zhí)行第2步。推理步驟g＝3。δ₃＝[0,0,0,0,0,0,0,0,0,0,0,0]，滿(mǎn)足終止條件，結(jié)束推理。

步驟4：確定故障選相結(jié)果。

根據(jù)疑似故障類(lèi)型的模糊可信度確定故障類(lèi)型，并輸出選相結(jié)果，具體過(guò)程為：

根據(jù)模糊推理得到的各疑似故障類(lèi)型的模糊可信度進(jìn)行判定，選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類(lèi)型為最后選相結(jié)果。由于命題神經(jīng)元17是模糊可信度最大的命題神經(jīng)元，因此判定故障類(lèi)型為AB相間短路故障。

情況四：輸電線路ABC三相短路故障。故障分類(lèi)的具體過(guò)程如下：

步驟1：取故障后1/4周期內(nèi)的三相電流與故障前15ms至20ms內(nèi)的三相電流采樣值數(shù)列差作為故障分量；

步驟2：利用db3小波對(duì)故障分量進(jìn)行分析，尺度為8，對(duì)第8層小波系數(shù)矩陣進(jìn)行奇異值分解，得到三相及零序電流故障分量奇異值分別為24.1292,36.7854,48.0947和7.5930e^-13，并將這些奇異值歸一化，結(jié)果分別為0.5017,0.7649,1和1.5796e^-14；

步驟3：將歸一化值模糊化，采用模糊推理脈沖神經(jīng)膜系統(tǒng)的模糊推理算法對(duì)故障分類(lèi)模型進(jìn)行反向模糊推理，獲取每種故障類(lèi)型的故障可信度。具體步驟為：

1.設(shè)定初始狀態(tài)。設(shè)定推理步驟g＝0。設(shè)定判定依據(jù)0₁＝(0,0,...,0)^T。模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)初始狀態(tài)為：

θ₀＝[0，1，1，0，1，0，1，0，0，0，0，0，0，0，0，0_，0，0，0，0]，

δ₀＝[0,0,0,0,0,0,0,0,0,0,0,0],

C＝[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95]；

2.令推理步驟g增加1,即g＝1；

3.命題神經(jīng)元點(diǎn)火。命題神經(jīng)元點(diǎn)火后，規(guī)則神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新,即δ₁＝[0,1,0,0,0,0,0,0,0,0,0,0]，

4.規(guī)則神經(jīng)元點(diǎn)火。規(guī)則神經(jīng)元點(diǎn)火，命題神經(jīng)元矩陣中各元素的值將依據(jù)公式進(jìn)行更新，即

θ₁＝[0，0，1，0，1，0，1，0，0，0.95，0，0，0，0，0，0，0，0，0，0]；

5.返回執(zhí)行第2步。推理步驟g＝2。δ₂＝[0，0，0，0，0，0，0，0，0.95，0，0，0]，θ₂＝[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0.9025]；

6.返回執(zhí)行第2步。推理步驟g＝3。δ₃＝[0，0，0，0，0，0，0，0，0，0，0，0]，滿(mǎn)足終止條件，結(jié)束推理。

步驟4：確定故障選相結(jié)果。

根據(jù)疑似故障類(lèi)型的模糊可信度確定故障類(lèi)型，并輸出選相結(jié)果，具體過(guò)程為：

根據(jù)模糊推理得到的各疑似故障類(lèi)型的模糊可信度進(jìn)行判定，選擇模糊可信度最大的命題神經(jīng)元所對(duì)應(yīng)的故障類(lèi)型為最后選相結(jié)果。由于命題神經(jīng)元20是模糊可信度最大的命題神經(jīng)元，因此判定故障類(lèi)型為ABC三相短路故障。

通過(guò)實(shí)施例中四種情況選相結(jié)果可知，本發(fā)明方法故障選相過(guò)程采用模糊推理實(shí)數(shù)脈沖神經(jīng)膜系統(tǒng)，過(guò)程清晰簡(jiǎn)單，易于理解，且在不同故障初始角、高故障電阻、遠(yuǎn)故障距離等情況下，本方法仍然能獲得正確的故障選相結(jié)果。