基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法
【專利摘要】本發(fā)明涉及一種基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法。該方法是基于自適應神經(jīng)模糊推理系統(tǒng)的一種改進方法。對于配電網(wǎng)常出現(xiàn)的幾種短路故障類型，該方法構造了一個基于遞階自適應神經(jīng)模糊推理系統(tǒng)，基于仿真軟件仿真各種短路故障并采集故障相電流作為訓練樣本數(shù)據(jù)，使用混合學習算法對構造的遞階自適應神經(jīng)模糊推理系統(tǒng)進行訓練，確定系統(tǒng)中的參數(shù)；確定了參數(shù)的遞階自適應神經(jīng)模糊系統(tǒng)就可以用于甄別配電網(wǎng)的故障類型了。通過大量的仿真數(shù)據(jù)驗證表明，本發(fā)明提出的分類方法具有較高的分類識別準確性、并且對故障點的變化具有較好的魯棒性以及對網(wǎng)絡拓撲結構的變化具有較強的適應性。
【專利說明】基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法

【技術領域】
[0001] 本發(fā)明涉及電力系統(tǒng)【技術領域】，尤其是涉及一種基于自適應神經(jīng)模糊推理系統(tǒng)的 配電網(wǎng)故障分類方法。

【背景技術】
[0002] 隨著現(xiàn)代電力用戶對供電連續(xù)性和可靠性要求的不斷提高以及電網(wǎng)企業(yè)對用戶 滿意度的日益重視，如何在電網(wǎng)發(fā)生故障后，分析故障原因、選出故障饋線、隔離故障區(qū)段 并快速恢復供電變得日益重要。因此，對用于故障后分析和為運行人員提供輔助決策的故 障診斷的研究越來越成為研究這關注的熱點。而故障分類的研究作為選線、定位、保護動作 評價等配電網(wǎng)故障后分析的基礎，對運行人員分析故障起著非常重要的作用。隨著用戶對 供電可靠性的要求不斷提高、配電網(wǎng)自動化的不斷推進甚至將來智能配電網(wǎng)的建設、運營 單位將更加需要準確的故障分類結果。
[0003] 自適應神經(jīng)-模糊推理系統(tǒng)（Adaptive Neuro-Fuzzy Inference System，ANFIS) 是1991年由Jangles Roger等人提出的，現(xiàn)有技術中的模糊模型的一個最大弱點是它本身 不具備學習和自適應的能力，具體表現(xiàn)在規(guī)則及相應隸屬度函數(shù)的調(diào)整很困難。而神經(jīng)網(wǎng) 絡可以根據(jù)訓練樣本集通過學習生成對應的映射規(guī)則，但這些映射規(guī)則通常以連接權的形 式隱含在網(wǎng)絡中，要具體分析特定的權值和這種映射規(guī)則的關系有比較困難。而自適應神 經(jīng)-模糊推理系統(tǒng)的出現(xiàn)完美地結合了模糊推理系統(tǒng)在評估模糊（不精確、定性）復雜對 象時的廣泛適用能力和人工神經(jīng)網(wǎng)絡在處理問題時的自主學習能力，并且有克服了各自的 不足。并且現(xiàn)在越來越得到了廣泛的研究和應用。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明主要是解決現(xiàn)有技術所存在的技術問題；提供了一種具有較高的分類識別 準確性、并且對故障點的變化具有較好的魯棒性以及對網(wǎng)絡拓撲結構的變化具有較強的適 應性的基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法。
[0005] 本發(fā)明的上述技術問題主要是通過下述技術方案得以解決的：
[0006] 一種基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法，其特征在于，包括以 下步驟：
[0007] 步驟1 :基于仿真軟件，搭建典型配電網(wǎng)結構，仿真出各種類型的配電網(wǎng)故障，建 立包括各種配電網(wǎng)故障類型的多個訓練樣本的訓練樣本集；構造一個遞階自適應神經(jīng)模糊 推理系統(tǒng)；在使用該推理系統(tǒng)對故障進行分類前，使用混合學習算法對構建的遞階模糊推 理系統(tǒng)進行訓練，確定系統(tǒng)中的前件參數(shù)和結論參數(shù)，所述故障類型包括：單相接地短路故 障的三種A相接地故障、B相接地故障以及C相接地故障，兩相接地故障中的三種AB兩相 接地短路故障、AC兩相接地短路故障以及BC兩相接地短路故障，三相短路故障，兩相不接 地短路故障中三種AB兩相不接地故障、AC兩相不接地故障以及BC兩相不接地故障；定義 Μ的分別代表10種配電網(wǎng)故障，其中，Μ = 1，2，…，10 ;具體包括以下子步驟：
[0008] 步驟1. 1 :基于PSCAD-EMTDC仿真，搭建典型配電網(wǎng)結構，在其上對配電網(wǎng)的10種 故障類型進行仿真，分別仿真出各類故障的三相電流，以此建立包括各配電網(wǎng)故障類型的 多個訓練樣本的訓練樣本集；
[0009] 步驟1. 2 :對訓練樣本集中所有訓練樣本進行特征提取，得到每個訓練樣本的特 征向量，本步驟利用統(tǒng)計參數(shù)來構造特征量，對訓練樣本構造特征量<，<，<，p a,b，pa, 。和Pb,。為：
[0010] --

【權利要求】
1. 一種基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法，其特征在于，包括以下 步驟： 步驟1 :基于仿真軟件，搭建典型配電網(wǎng)結構，仿真出各種類型的配電網(wǎng)故障，建立包 括各種配電網(wǎng)故障類型的多個訓練樣本的訓練樣本集；構造一個遞階自適應神經(jīng)模糊推理 系統(tǒng)；在使用該推理系統(tǒng)對故障進行分類前，使用混合學習算法對構建的遞階模糊推理系 統(tǒng)進行訓練，確定系統(tǒng)中的前件參數(shù)和結論參數(shù)，所述故障類型包括：單相接地短路故障的 三種A相接地故障、B相接地故障以及C相接地故障，兩相接地故障中的三種AB兩相接地 短路故障、AC兩相接地短路故障以及BC兩相接地短路故障，三相短路故障，兩相不接地短 路故障中三種AB兩相不接地故障、AC兩相不接地故障以及BC兩相不接地故障；定義Μ的 分別代表10種配電網(wǎng)故障，其中，Μ = 1，2，…，10 ;具體包括以下子步驟： 步驟1. 1 :基于PSCAD-EMTDC仿真，搭建典型配電網(wǎng)結構，在其上對配電網(wǎng)的10種故障 類型進行仿真，分別仿真出各類故障的三相電流，以此建立包括各配電網(wǎng)故障類型的多個 訓練樣本的訓練樣本集； 步驟1. 2 :對訓練樣本集中所有訓練樣本進行特征提取，得到每個訓練樣本的特征向 量，本步驟利用統(tǒng)計參數(shù)來構造特征量，對訓練樣本構造特征量<，4，<，Pa,b，P a,cjP
其中，，:，《分別表示表示a、b、c三相電流的標么值；（(0表示為第t個樣本的p相電 流；:r為樣本數(shù)；E(x)為求變量X的數(shù)學期望；sp(p = a, b，c)為p相電流的標準差；p a,b、 P a,b及P a,b分別表示a相與b相電流的相關系數(shù)、a相與c相電流的相關系數(shù)以及b相與 c相電流的相關系數(shù)； 則構造的特征向量可以表示為1^1，1;^3，14，巧，?]，其中，；('1=<， ；('2=<，七=<，14 = P a, b，X5 - P a, c，X6 - P b, c ; 步驟1. 3 :將步驟1. 2中構造的訓練樣本數(shù)據(jù)的特征向量基于matlab模糊系統(tǒng)工具箱 中的ANFIS函數(shù)用于建立包括全部輸入變量的TS型單級模糊模型；基于所建立的TS型單 級模糊模型可以分別計算出每種故障的各特征量相對于輸出變量的靈敏度，根據(jù)靈敏度分 別對所有訓練樣本的各故障的特征量進行重要性進行排序；對建立的基于TS單級型模糊 系統(tǒng)的ANFIS是一個典型的多輸入單輸出的系統(tǒng)，其模糊推理規(guī)則為：
式七 式中4為規(guī)則紀對應的第j個輸入變量的模糊集合，*：為規(guī)則R1對應的第j個輸入變 量的結論參數(shù)，fi(X)為系統(tǒng)根據(jù)規(guī)則R1所得到的輸出，i = 1，2，···，]!;」=1，2， m表示為輸入變量數(shù)，η為模糊規(guī)則數(shù)； 由模糊規(guī)則公式，定義系統(tǒng)有m個輸入量Xl，χ2，…，χη，建立TS單級型模糊系統(tǒng)，單輸 出量由η條模糊If-Then規(guī)則組成的集合來表示；所述ANFIS的網(wǎng)絡結構共分為5層：隸屬 度函數(shù)生成層、規(guī)則推理層、模糊化層、去模糊化層和輸出層，由各層得到系統(tǒng)的多輸入單 輸出模型為如下的函數(shù)表達形式：
式十四 其中，fi表示為第i個規(guī)則對應的系統(tǒng)輸出，為第i個規(guī)則對應的第j個輸入變 量的隸屬度，4、勺分別為第i個規(guī)則下第j個輸入變量的隸屬度函數(shù)的中心和寬度，m表 示為輸入變量數(shù)，η為模糊規(guī)則數(shù)； 所述對每一種故障的特征量的重要性進行排序的具體方法是：標號為Μ(Μ= 1，2,…， 10)的配電網(wǎng)故障，其訓練樣本樣本數(shù)據(jù)表示為[xjt)，x2(t)，x3(t)，x 4(t)，x5(t)，x6(t); y(t)]，t = 1,2，···，r，其中 r 為訓練樣本數(shù)，xjt), x2(t)，x3(t)，x4(t)，x5(t)，x 6(t)表示 為由訓練樣本根據(jù)步驟1. 2提取的特征量，y(t)表示為模糊系統(tǒng)的希望輸出量，對于標號 為Μ的配電網(wǎng)故障其希望輸出量為y(t) = M，執(zhí)行以下步驟： 步驟1. 3. 1，將步驟1. 2中構造的訓練樣本數(shù)據(jù)的特征向量基于matlab模糊系統(tǒng)工具 箱中的ANFIS函數(shù)用于建立包括全部輸入變量的TS型單級模糊模型；設該單級模糊模型由 η條T-S模糊規(guī)則進行描述，根據(jù)步驟1. 3中的式七可得第i條模糊規(guī)則的形式為： R1 :如果Xi為4'，且…，且x6為4，貝1J·^ =私+···+%χ<5 +片=M，式由4為第i個規(guī) 則對應的第j個輸入變量的模糊集合，*：為第i個規(guī)則對應的第j個輸入變量的結論參數(shù)； 根據(jù)步驟1. 3中的式十四可知有η條T-S模糊規(guī)則組成的模糊模型的輸出為
式十五 其中，fi表示為第i個規(guī)則對應的系統(tǒng)輸出，/4 (5)為第i個規(guī)則對應的第j個輸入變 量的隸屬度，η為模糊規(guī)則數(shù)，m表示為輸入變量數(shù)，由步驟1. 2可得m = 6 ; 步驟1. 3. 2,基于所建立的TS單級模糊模型可以計算出每一個輸入變量相對于輸出變 量的靈敏度；即第j個輸入變量\相對于輸出變量f的靈敏度為：
式十六 其中
? = 1，2，···，γ ·沖)為第t個樣本的模糊模型輸出，Xj⑴為第t個樣本的第j個輸入變量， fi⑴ 表示為第t個樣本的第i個規(guī)則對應的系統(tǒng)輸出，c)、σ)分別為第i個規(guī)則對應的第j個 輸入變量的中心和寬度，％為第i個規(guī)則對應的第j個輸入變量的結論參數(shù)，r為訓練樣本 數(shù)，η為模糊規(guī)則數(shù)； 步驟1.3.3，將輸入變量\根據(jù)靈敏度51由大到小依次排序，得到乂(〇 =匕1(〇#(〇 x3(t)x4(t)x5(t)x6(t)], t = 1，2，…，r，r 為訓練樣本數(shù)； 步驟1. 4 :構建遞階模糊推理系統(tǒng)，采用模糊C均值聚類方法確定遞階模糊推理系統(tǒng)的 規(guī)則和初始前件參數(shù)；采用遞階模糊推理系統(tǒng)，其是一種雙輸入二層遞階模糊系統(tǒng)，每個子 模糊系統(tǒng)都只有兩個輸入與一個輸出，輸出與另一個輸入變量共同輸入到下一個字模糊系 統(tǒng)中，直到最后一個輸入變量，根據(jù)步驟1. 3. 3得到的關于輸入變量相對于輸出變量的靈 敏度排序結果對輸入變量進行配置，得到新的訓練樣本數(shù)據(jù)對，由模糊C均值的聚類方法 計算出每一種故障類型的聚類中心，執(zhí)行以下步驟： 步驟1.4. 1，初始化；給定聚類類別數(shù)10,設定誤差值ε和循環(huán)次數(shù)M，分別任取各類 中的某個樣本的特征向量作為初始聚類中心，設置初始循環(huán)次數(shù)t = 1 ; 步驟1.4. 2,如果t>M或者直到|| < ε轉向步驟1.4. 6,否則轉向步驟 1. 4. 3,其中V(t)表示為第t次循環(huán)的聚類中心； 步驟1.4.3，更新隸屬度矩陣以^:
其中，dq為第j個訓練樣本與第i個聚類中心的歐式距離，p為模糊指數(shù)，一般p = 2, Uy為第j個訓練樣本對第i個聚類中心的隸屬度值； 步驟1. 4. 4,更新聚類中心矩陣V(t+1): 式十八 其中，V(t)表示為第
t次循環(huán)的聚類中心，p為模糊指數(shù)，一般p = 2，uM為第j個訓練 樣本對第i個聚類中心的隸屬度值，r為訓練樣本數(shù)； 步驟1. 4. 5,令t = t+1，返回步驟1. 4. 2 ; 步驟1. 4. 6,輸出（U，V)其中，| | · | |表示矩陣范數(shù) 從而得到10條最優(yōu)模糊規(guī)則和初始模型前件參數(shù)4和勺； 最優(yōu)模糊規(guī)則為： R1 :如果Xi為為1，且…，且xm為41，則V ==1，式中41為模糊集合； R2 :如果Xi為<，且…，且χη為42，則/ =A2xi+... + yWB2+i =2，式中42為模糊集合； R1CI:如果Xi為4°，且…，且χη為4°，則/1 = A'+...+/^°wi°+i =10，式中41°為模糊集合； 初始模型前件參數(shù)4和4為：
式十九 其中，4是子系統(tǒng)第j個輸入變量對應的第i個隸屬度函數(shù)的中心；<是子系統(tǒng)的第j 個輸入變量對應的第i個隸屬度函數(shù)的寬度；是第i類聚類中心的第j個元素；Θ i是第 i個聚類所包含全部訓練樣本組成的集合；ki是第i類集合中的元素的個數(shù)； 步驟1. 5 :使用混合學習算法對構建的遞階模糊推理系統(tǒng)進行訓練，確定各子系統(tǒng)最 終的前件參數(shù)和結論參數(shù)； 訓練遞階模糊系統(tǒng)各級子系統(tǒng)規(guī)則前件參數(shù)和結論參數(shù)，從第一級開始逐級進行參數(shù) 優(yōu)化；本發(fā)明采用徑向基神經(jīng)網(wǎng)絡模型和算法實現(xiàn)前件參數(shù)的訓練，后件參數(shù)用最小二乘 法穿插在其中進行，這時是對所有的子模糊系統(tǒng)逐級進行的； 步驟2,當步驟1中構建的遞階模糊推理系統(tǒng)訓練完畢后，即開始對測試樣本進行分類 了，具體包括以下子步驟： 步驟2. 1 :采集故障三相電流，得到測試樣本； 在仿真軟件上，對典型配電網(wǎng)上設置某一種故障類型，采集其故障三相電流，得到測試 樣本； 步驟2. 2 :對測試樣本進行特征提取，得到測試樣本的特征向量； 采用步驟一中的步驟1. 2中的統(tǒng)計參數(shù)的方法對測試樣本進行處理，得到測試樣本的 牛寸征向里[Xl，X2，X3，叉4，叉5，叉6]; 步驟2. 3 :按照步驟一中的步驟1. 3中的步驟1. 3. 3中的訓練樣本的特征量的重要性 排序結果，對測試樣本的特征量進行排序，得到排序后的特征向量[X1，X2, X3, X4, X5, X6]; 步驟2. 4 :將排序后的測試樣本的特征向量作為步驟一中的步驟1. 5訓練后的遞階模 糊推理系統(tǒng)的輸入量，得到分類結果。
2.根據(jù)權利要求1所述一種基于自適應神經(jīng)模糊推理系統(tǒng)的配電網(wǎng)故障分類方法，其 特征在于，所述步驟1. 5中，對每一個訓練樣本有6個特征量，因此需要建立5級子系統(tǒng)； 對第j(j = 1，2，-·，5)級子模糊系統(tǒng)的訓練為例作相應說明，相應的訓練數(shù)據(jù)[d(t)， xJ+1(t) ；g(t)], j = 1 ；i = 1,2, ···, r ^ [xJ+1(t), yJ_1(t) ；g(t)], j = 2,3,4,5 ；t = 1, 2,…，r輸入，其中r為訓練樣本數(shù)；我們設置每一級子系統(tǒng)的希望輸出為系統(tǒng)最終的希望 輸出量，更新上一次的該級子模糊系統(tǒng)模型，同時用最小二乘法更新該自己系統(tǒng)的結論參 數(shù)，采用梯度下降的誤差反傳算法訓練前提參數(shù)，具體步驟如下： 步驟1. 5. 1，對步驟1. 3中的公式十四作等價變化，將結論參數(shù)分離出來： ^ = /(X) = ΨΙ {X)b\ + ψ? (X)b\ +... + φΙ(χ^Ι+... + φ^ [x)b; +φ^ [x)b·; +... + φ：(χ)Κ 式二十 式中，！
為第i個規(guī)則對應的第j個輸入變量 的隸屬度，&為第e個訓練樣本，η為模糊規(guī)則數(shù)，m為輸入變量數(shù)，X(l = 1 ;進而公式二十 簡化為：
其中φ〇=[4㈧別習…?(冷⑷…初習]， ΖΜΦΗ㈧…㈧年㈧…圮⑶]; 步驟1. 5. 2,設置誤差值ε i和ε 2和循環(huán)次數(shù)M，設置初始循環(huán)次數(shù)p = 1 ; 步驟1. 5. 3,如果ρ > Μ或者
且
2，其4
表示為第Ρ次循環(huán)下第j個輸入量對應的第i個隸屬度函數(shù)的中心，表示為第ρ次循 環(huán)下第j個輸入量對應的第i個隸屬度函數(shù)的寬度，轉向步驟1. 5. 7,否則轉向步驟1. 5. 4 ; 步驟1. 5. 4,將r個樣本點[P+1 (?)，>^ (〇> = U，…，r輸入本級子系統(tǒng)，系統(tǒng)輸出為： ? = φ? 式二 i 其中Φ為NX (n+l)m，由步驟1. 5. 1的式20得到的矩陣； 另誤差指標函數(shù)為J(d) =1/21 |τ-Φ?| |2,其中γ為本級系統(tǒng)的希望輸出矩陣；根據(jù)最 小二乘法原理，使J(D)達到最小，則可得該級系統(tǒng)的結論參數(shù)D= [φΤφΓφΤγ; 步驟1. 5. 5,參數(shù)優(yōu)化的第二步，固定結論參數(shù)D，采用梯度下降的誤差反傳算法訓練 前提參數(shù)；取誤差函數(shù)為E(c, σ ) = 1/2| |Υ_Φ?| |2,其中Y為本級系統(tǒng)的希望輸出,D為固 定結論參數(shù)，Φ是關于變量（c, 〇)的函數(shù)；則訓練的前提參數(shù)表示為
式二十二 步驟1. 5. 6,令ρ = ρ+1,返回步驟1. 5. 3. 步驟1. 5. 7,本子系統(tǒng)訓練結束，此時的前提參數(shù)和結論參數(shù)為本子系統(tǒng)最終的的前提 參數(shù)和結論參數(shù)。
【文檔編號】G06F17/50GK104155574SQ201410373242
【公開日】2014年11月19日 申請日期:2014年7月31日 優(yōu)先權日:2014年7月31日
【發(fā)明者】張磊琪, 石一輝, 張超, 張鐘毓, 楊軍, 龔凌云, 陳曉玲 申請人:國網(wǎng)湖北省電力公司武漢供電公司, 武漢大學