基于面向元件神經網絡與模糊積分融合技術的電網故障智能診斷

郭創新游家訓,2彭明偉唐躍中,2劉 毅陳 濟

（1. 浙江大學電氣工程學院 杭州 310027 2. 上海市電力公司 上海 200122）

基于面向元件神經網絡與模糊積分融合技術的電網故障智能診斷

郭創新1游家訓1,2彭明偉1唐躍中1,2劉 毅1陳 濟1

（1. 浙江大學電氣工程學院 杭州 310027 2. 上海市電力公司 上海 200122）

該文提出了基于面向元件神經網絡與模糊積分信息融合技術的電網故障診斷方法，首先針對單個線路、母線、變壓器設備分別建立面向元件的神經網絡模型，以面向元件神經網絡作初步診斷，在初級診斷的基礎上，結合電網拓撲關系，應用模糊積分信息融合技術進行綜合診斷。最后通過算例測試驗證了其有效性。該方法克服了獲取訓練樣本和適應拓撲變化的問題，提高了診斷準確率，對電網復雜故障有較好的診斷能力。

電力系統 故障診斷 面向元件神經網絡 綜合診斷 模糊積分 信息融合

1 引言

電力系統發生故障的情況下，快速、準確的故障診斷對減少電能中斷時間和增強供電可靠性意義重大。SCADA/EMS的等信息系統的廣泛應用為獲取故障信息提供了技術條件，但故障時大量報警信息短時間內涌入調度中心，遠遠超出了運行人員的處理能力。在電力系統發生復雜故障（多重故障、越級故障、擴大性故障）以及保護、開關不正常動作或存在錯誤信息的情況下，診斷更加困難。隨著系統規模的擴大和實時性要求的提高，這些問題將更加突出。

近幾十年來，國內外學者提出了一系列故障診斷的方法和思路。其中，人工神經網絡因為良好的自學習能力、泛化和容錯等突出優點引起了研究者的興趣[1-3,6-7]，其實質是以神經元之間的連接權重來逼近高維、相關性復雜的故障函數[8]。文獻[1-3]將神經網絡應用于故障診斷，將所有的信號作為輸入，以所有的故障情況作為輸出。但樣本存在組合爆炸的問題，且拓撲變化時需重新訓練。文獻[4-5]進行了改進，分區域進行診斷，但也存在獲取樣本和適應拓撲變化的問題。近幾年，一些研究者提出面向元件的診斷思路[8-10]，對線路、母線和變壓器三類主要設備分別建立神經網絡診斷模型，以單個元件的相關故障信息作為輸入。

但面向元件的診斷結論是根據局部信息得出的局部結論，要精準地在全網范圍內確定故障還需對這些局部結論進行融合。文獻[9]提出了根據元件關聯關系推斷全網故障的構想，但沒有區別元件故障信息對相關元件故障支持程度的強弱，且該方法采用的是將支持程度指標直接相加的方法，而實際上，多分類器的度量信息在本質上是不可加的[11-15]，因此該方法極容易出現誤判或漏判的情況。

模糊積分是一種基于模糊密度的非線性決策融合方法。它通過模糊積分處理不具獨立性的各因子間所具備的交互影響特性，積分過程不僅綜合各分類器的分類結果，還考慮各分類器的重要程度[14-16]。將模糊積分應用于故障診斷，充分考慮了初級診斷結論的可靠性差異，且避免了對先驗信息的討論，也無需作各元件初級診斷結論獨立性假設，可以更好地表達和處理系統中的不確定性問題。

基于以上考慮，本文以面向元件神經網絡作初步診斷，在初級診斷的基礎上，結合電網拓撲關系，得出各元件的故障信息對相關元件故障的支持程度，最后應用模糊積分的信息融合技術進行綜合診斷。該方法克服了獲取訓練樣本和適應拓撲變化的問題，提高了診斷準確率；計算速度快，且適合并行運算；可得到全網范圍的一致性解釋，從機制上保證了診斷出多重故障的可能性，有利于實現快速、準確的電網故障診斷。

2 診斷系統結構及原理

本文診斷系統的框圖圖1所示。故障信息首先進行預處理，然后經由面向元件的神經網絡并發地進行初級診斷，最后在初級診斷的基礎上，結合電網的拓撲關系，應用模糊積分進行綜合診斷。

故障信息預處理模塊主要負責確定故障候選元件并對故障信息進行分類和歸并。電力系統的元件發生故障后, 自動裝置會切除故障，從而形成停電區域(或故障區域)。故障元件肯定在這些停電區域中。因此故障診斷只針對這些區域內的元件進行診斷，可以大大減小工作量。在診斷前采用實時接線分析方法來識別故障前與故障后的系統拓撲結構的差異，確定故障區域，將故障區域內的元件作為候選故障元件。

本文的診斷模型是抽象化后的模型，因此輸入的故障信息還需要進行分類和合并。

圖1 故障診斷系統框圖Fig. 1 The structure of fault diagnosis system

3 面向元件的神經網絡模型

神經網絡方法是典型的數據驅動方法，其實質是通過樣本訓練尋找一個高維空間中的超曲面[17]，來擬合高維、相關性復雜的故障函數。人工神經網絡在電網故障診斷中的研究主要分為以下三類：

（1）以電網所有信號作為輸入，以所有的故障情況作為輸出[1-3]。目前的研究多采用這種思路。但這類方法有兩個致命的問題：①難以獲得全面的樣本，在稍大的系統中，各元件的故障會出現組合爆炸的情況。②在系統拓撲出現變化時需要重新訓練。這兩個致命的問題嚴重地限制了該方法的應用。

（2）為加快診斷速度，將系統劃分為多個區域，分區進行診斷和協調[4-5]。但是同樣也存在獲取訓練樣本和適應拓撲變化的問題，同時如何分區及其協調都有待進一步的研究。

（3）就是面向各個元件，以各個元件為對象進行獨立診斷[8-10]。

理論上講，只有面向元件的思路有可能應用于實際的電網故障診斷。鑒于此，本文的初級診斷采用面向對象的神經網絡。首先，本文對電網的三類主要元件分別建立線路（LINE_ANN）、母線（BUS_ANN）、變壓器（TRANSFOMER_ANN）三類模型。

3.1 線路模型

圖2中，主保護主要指差動保護和高頻保護；第一后備保護主要指阻抗、過電流 I段保護，第二后備保護指阻抗、過電流II、III段保護（IV段也歸為第二后備保護）。其模型如圖3所示。

圖2 線路保護模型Fig. 2 The protection model of line

圖3 線路的神經網絡模型Fig.3 The neural network model of line

3.2 變壓器模型

圖4為變壓器的保護模型，圖中的變壓器主保護指氣體、差動保護，后備保護主要指過變壓器兩側的過電流和零序電流保護。圖5為變壓器的神經網絡模型。

圖4 變壓器的保護模型Fig.4 The protection model of transformer

圖5 變壓器的神經網絡模型Fig.5 The neural network model of transformer

3.3 母線模型

母線保護僅僅反映了母線自身的故障，所以母線的保護動作只能反映母線自身的故障情況。其模型也相對比較簡單。圖6即為其保護模型，圖7為母線的神經網絡模型。

圖6 母線的保護模型Fig. 6 The protection model of bus

圖7 母線的神經網絡模型Fig. 7 The neural network model of bus

母線連接的斷路器中若有一個斷路器失靈保護動作，則斷路器失靈動作輸入為 1；母線所連接未跳閘的線路對側的開關跳閘率為 N1/N2；N1表示母線所連接未跳閘線路對側的線路跳閘的數目，N2表示母線所連接未跳閘線路總數。

3.4 神經網絡構造

RBF神經網絡又稱局部網絡，與BP神經網絡相比，它具有更好的逼近、分類能力和更快的學習速度，且能在訓練過程中自動確定網絡結構[1,5,18]。本文故障診斷神經網絡訓練采用RBF網絡。

4 基于模糊積分融合診斷策略

本文的綜合診斷是一個典型的決策級別的信息融合問題。這類融合算法主要有貝葉斯方法、D-S證據理論和模糊積分法[14,18]。貝葉斯方法需要先驗信息，這種先驗信息在實際應用中往往難以獲得；且要求決策集合的元素相互獨立，該條件太苛刻。D-S證據理論要求所使用的證據必須相互獨立，一般難以滿足，且會出現組合爆炸的情況[14,18]。模糊集理論可以很好地描述不確定現象，因此基于模糊集理論的融合方法是應用最為廣泛的一類融合工具[11-16]。模糊積分法以模糊集理論為理論基礎，考慮到了分類器的可靠性問題，避免了對先驗信息的討論，也無需做各元件初級診斷結論獨立性假設，可以更好地表達和處理系統中的不確定性問題。

4.1 模糊積分的數學描述

從數學的角度來看，模糊積分是建立在模糊測度上的非線性運算。模糊測度的概念由 Sugeno在1972年提出，其基本精神就是用模糊積分來處理不具有獨立性的各因子所存在的交互影響特性。

設X是一個非空集合，Y是由X的子集組成的非空類，定義在Y上的非負廣義實值集函數 u : Y →[ 0,∞]為一個模糊測度，且滿足正則性、單調和連續性條件。實際應用中，X一般為有限集合，因此連續性條件可略去。如果模糊測度還滿足：?A ,B ? X,A ∩B =? , ? λ＞?1， 都 有 u(A ∪B)= u(A )+ u(B )+ λu(A)u(B)，則該模糊測度 u稱為一個λ-模糊測度，通常用gλ表示一個λ-模糊測度。

定義單點集上： gi=g({xi}), i= 1,2,… ,n ，gi就是第 i個信息的模糊密度，亦為其權重。確定各診斷方法的模糊密度后，則可知

由式（1）可以唯一確定一個λ＞?1且λ≠0。

對有限集合 X元素，根據函數值 f（x）（即為各個信息的客觀數值）進行單調性的重新排列，如果按照降序排列，即為定義模糊測度為g(xi)，按下列運算求解：

模糊積分方法主要有四種：Sugeno積分、Choquet積分、Weber積分、Wang積分等。目前用得最多的是前兩種方法。由于Sugeno積分的前提條件比較嚴格，限制了在實際中的應用[11,15]，故本文采用Choquet積分。

在有限集合X中，確定模糊測度g后，則可知f關于g的Choquet積分為

式中

式（4）中，積分值 E即為綜合診斷得出的故障可能性指標。

4.2 初級診斷結論的預處理

當某元件診斷出該處無故障或者關聯元件也無故障時，理論上講，其診斷結論中，自身故障可能性和對關聯元件故障的支持程度應為 0，但神經網絡診斷的實際輸出往往是一個較小的數值。對關聯元件較多的元件來講，往往會使該處的故障指標偏大，從而導致該元件被錯診為故障元件；即Choquet積分的單調特性一樣會對診斷結論產生影響[11-15]。另外，當支持程度比較小的時候，主觀上也往往希望減少其影響，因此有必要對初級診斷的結論進行預處理。本文選取利用模糊技術進行預處理，選用的隸屬度如下：

式中，x為待處理的輸入數據；y為處理后的數值。

4.3 確定模糊密度

電網中自動裝置的動作受到時間、空間因素的影響，元件的故障信息對關聯強度不同的元件的支持程度也不同，其結論的可靠性或者說權重也不一樣，換言之，其模糊密度不一樣。模糊密度的確定是該方向的研究熱點，一般可以通過對樣本測試，比較其準確性這類動態方法得到，也可以結合專家經驗，以靜態方式選定[14-15]。

由于自動化裝置的不確定性和保護系統的復雜性，要精確地描述各元件診斷與綜合診斷的相互關系是非常困難的；而在綜合診斷中，初級診斷結論還需要與拓撲關系結合。考慮到本文測試的樣本不夠廣，通過動態方法也很難得出一個具有普適性的結論，因此本文中模糊密度主要結合專家經驗與統計數據選定[14-15]。

根據電網中繼電保護和斷路器等自動化裝置的動作可靠性與可能性數據[19-21]，結合主觀判斷，確定各類元件診斷結論的模糊密度見表1。

表1 各類元件診斷的模糊密度Tab. 1 The fuzzy density of elements

表中，F1為自身故障，F2為直接關聯元件故障，F3為隔一級關聯元件故障。目前的高壓網一般都有兩套獨立的保護裝置，也有防拒動的措施，某處故障擴散到其上三級元件（越三級跳閘）的情況是非常罕見的，因此本文不予考慮。

元件關聯根據故障情況下拓撲狀況進行分析，如果某條線路跳閘，則應以跳閘后的關聯情況計算。如果兩個元件間有多條關聯路徑，則取關聯最強的路徑計算。

4.4 綜合診斷流程

在初級診斷基礎上完成預處理后，即可融合初級診斷結論進行綜合診斷，診斷具體過程如下：

（1）提取電網拓撲信息（故障情況下的拓撲信息），并形成故障元件候選集

（2）根據電網拓撲信息，形成各個故障候選元件的直接關聯元件集合與隔一級關聯元件集合

（3）對故障候選元件di及其關聯元件的情況由式（1）確定λi，并由式（2）和式（3）求取模糊測度g。

（4）對故障候選元件di，根據拓撲信息及各元件的診斷結論，形成直接關聯元件對該元件故障的支持程度的集合及隔一級關聯元件對該元件故障的支持程度的集合

（5）根據Choquet積分式（4）計算各元件的模糊積分值 ei，ei即為綜合診斷給出故障可能性指標，并形成故障候選元件的故障可能性指標集

（6）根據故障可能性指標集E確定故障元件。

5 算例分析

5.1 神經網絡訓練及初級診斷

本文對收集整理的數據精選修正后提取線路模型訓練樣本為37個，母線模型訓練樣本39個，變壓器模型訓練樣本16個。神經網絡基函數選為高斯函數，以正交最小二乘法（Orthogonal Least Squares, OLS）確定基函數中心[17]，徑向基函數的誤差指標選為 0.02，分布常數設為 1，神經網絡的訓練利用Matlab的神經網絡工具箱。

初級診斷結論通過比較各類神經網絡輸出數值與設定的閾值得到。通過對多個電網的診斷仿真和調試，本文選取線路元件故障的閾值為0.80，母線模型的閾值在 0.85～0.90時辨識能力都比較理想，本文取為0.85，變壓器模型取閾值也取為0.85。閾值的選取與電網規模有一定關系，但不是本文主要討論的問題。

5.2 綜合診斷

本文通過多個系統的測試并結合主觀判據認為，線路元件故障可能性高于0.85時，判定線路故障；母線模型故障可能性高于0.90時，則判定母線故障；變壓器的故障可能性高于0.90時判定變壓器故障。如故障可能性指標在閾值附近（本文設定不低于0.75），則表示為可疑故障，交由專家系統進一步診斷。

綜合診斷的隸屬度函數中，x1、x2分別取為0.1、0.4，并設定f（x1）=0.01，根據x=x2處的連續性，得c、a數值分別為0.4290、0.0716。

以下采用圖 8、圖 9兩個測試系統進行仿真測試。圖中L表示線路，T表示變壓器，B表示母線，CB為斷路器；系統的繼電保護配置按照上文簡化的方式，考慮主保護、第一后備、第二后備保護。

5.3 案例1

圖8的測試系統包括線路、母線、變壓器元件共28個，斷路器40個，各元件主保護共36個，線路第一后備保護16個、第二后備保護16個；變壓器后備保護16個。

圖8 測試系統電網結構圖Fig. 8 The structure of the test system

圖8所示系統在一次故障中，檢測到L2兩側的保護動作，CB2跳閘，L2左側失靈啟動，母線 B2母差動作，CB6、CB10跳閘，之后L3右側第一后備動作，CB28跳閘。

初級診斷結論為：L2故障，故障可能性0.9404；B2故障，故障可能性0.9531；L3左側外部故障，故障可能性0.8745。

綜合診斷中，對于母線B2，故障候選區域內共有4個關聯元件（B1、L2、L3、L4），可求得λ=?0.9938，由此可求得模糊測度為：g（B2）=0.9，g（L3）=0.9391，g（L2）=0.9858，g（L4）=1；由此可得E（B2）=0.8241，診斷結論為：B2是可疑故障；同理，判斷L2為故障元件。

對該系統精選17個假想的簡單故障（無誤動、拒動）和30個假想的復雜故障（一個故障點，存在誤動、拒動和越一級跳閘的情況）進行診斷測試。診斷結果見表2。

表2 故障測試結果Tab. 2 The results of simulations

仿真表明，系統在出現簡單故障時，對故障辨識能力相當，基本都能準確地辨識故障。但當系統出現多發故障或存在誤動等復雜情況時，綜合診斷方法的故障辨識能力特別是線路故障的辨識能力相對于初級診斷方法有明顯提高。

5.4 案例2

圖 9選取我國南方電網某處的故障案例[4]簡化后進行診斷。該系統比較大，包括母線27條，變壓器6臺。此次事故原發故障發生在線路L1上，由于誤動、拒動和人為失誤（保護接線錯誤等）等原因造成了事故擴大，事故最終造成10條線路跳閘。事故的大致過程如下：

（1）線路 L1遭雷擊，A、C兩線接地短路，L1線路B2側零序I段、高頻距離保護動作，CB1跳閘。

（2）L1線路B13側保護未動，CB2未跳，造成L5線路B17側零序IV段保護動作，跳開CB8；

（3）L7、L8線路保護未動，造成1～4號變壓器的低壓側過電流保護動作，跳開CB25～CB32；也使L9線路B15側零序IV段動作，跳開CB16，同時L10線路B20側零序IV段動作，跳開CB14。

（4）L6線路保護未動，造成L12線路B19側保護動作，跳開 CB21、CB22，L13L13線路 B19側保護動作，跳開CB20。

（5）L3線路兩側零序 IV段保護誤動，跳開CB5；L11線路B23側高頻保護誤動，跳開CB18。

（6）線路L14的B26側零序IV段保護動作，跳開CB24。

（7）L2線路B4側相差高頻誤動，跳開CB3。

根據本文的診斷方法，對該故障案例的綜合診斷結果見表3。

表3 案例診斷結果Tab. 3 The results of case study

圖9 電網接線圖Fig. 9 The structure of power grid

綜合診斷的診斷結論為線路L1故障，線路L12、L3存在可疑故障，該診斷方法識別了原發故障，與實際相符；并給出了 L12、L3的故障可能性。對于這一類難以判定的故障，則交由專家系統綜合其他信息進一步推斷以去偽存真。

綜合上述兩例仿真可見，面向元件的神經網絡模型在診斷過程中診斷對復雜故障缺乏辨識能力，而利用模糊積分進行綜合診斷的方法可明顯地提高診斷的準確性。在大系統中發生復雜的連鎖故障情況下，也能夠較好地識別故障，并以故障可能性指標給出可疑的故障元件。

6 結論

本文提出了采用面向元件神經網絡與模糊積分信息融合技術的電網故障診斷方法，根據面向元件的診斷思路，分別針對單個線路、母線、變壓器設備分別建立面向元件的神經網絡模型，有效解決了獲取訓練樣本和適應拓撲變化兩個問題。

在診斷中首先以面向元件神經網絡作初步診斷，在初級診斷的基礎上，結合電網拓撲關系，應用模糊積分信息融合技術進行綜合診斷。綜合診斷中充分考慮到了初級診斷結論的可靠性差異，而且避免了對先驗信息的討論，也無需做各元件初級診斷結論獨立性假設。通過模糊積分融合，有效提高了系統診斷的準確性。算例分析也表明了該方法的有效性。該方法適合并行計算，有利于實現大系統的快速、準確的診斷，具有很好應用前景，并值得進一步的研究。

[1] 畢天姝, 倪以信, 吳復立, 等. 基于新型神經網絡的電網故障診斷方法[J]. 中國電機工程學報, 2002, 22(2): 73-78. Bi Tianshu, Ni Yixin, Wu Fuli, et al. A novel neural network approach for fault section estimation[J]. Proceedings of the CSEE, 2002, 22(2): 73-78.

[2] 劉應梅, 楊宛輝, 等. 基于ANN的變電站故障診斷系統及其容錯性[J]. 繼電器, 2000, 28(9): 19-22. Liu Yingmei, Yang Wanhui, et al. Fault diagnosis system for substation based on artificial neural network and its robustness[J]. Relay, 2000, 28(9): 19-22.

[3] 廖志偉, 葉青華, 王鋼, 等. 基于 GRNN的多故障自適應電力系統故障診斷[J]. 華南理工大學學報(自然科學版), 2005, 33(9): 6-9. Liao Zhiwei, Ye Qinghua, Wang Gang, et al. Adaptive multi-fault diagnosis of power system based on GRNN)[J]. Journal of South China University of Technology(Natural Science), 2005, 33(9): 6-9.

[4] 趙偉, 白曉民, 丁劍. 基于協同式專家系統及多智能體技術的電網故障診斷方法[J]. 中國電機工程學報, 2006, 26(20): 1-7. Zhao Wei, Bai Xiaomin, Ding Jian. A new fault diagnosis approach of power grid based on cooperative expert system and multi-agent technology [J]. Proceedings of the CSEE, 2006, 26(20): 1-7.

[5] 畢天姝, 嚴正, 等. 基于徑向基函數神經網絡的在線分布式故障診斷系統[J]. 電網技術， 2001，25(11): 27-32. Bi Tianshu, Yan Zheng, et al. On-line distributed fault section estimation system with radial basis function neural network[J]. Power System Technology， 2001，25(11): 27-32.

[6] 郭創新, 朱傳柏, 曹一家, 等. 電力系統故障診斷的研究現狀與發展趨勢[J]. 電力系統自動化, 2006, 30(8): 102-107. Guo Chuangxin, Zhu Chuanbai, Cao Yijia, et al. State of arts of fault diagnosis of power systems[J]. Automation of Electric Power Systems, 2006, 30(8): 102-107.

[7] 廖志偉, 孫雅明, 葉青華. 人工智能技術在電力系統故障診斷中應用[J]. 電力系統及其自動化學報, 2003, 15(6): 71-79. Liao Zhiwei, Sun Yaming, Ye Qinghua．Artificial intelligent technologies for fault diagnosis in power system[J]. Proceedings of Electric Power System and Automation, 2003, 15(6): 71-79.

[8] Cardoso G Jr, Rolim J G. Applications of neuralnetwork modules to electric power system fault section estimation[J]. IEEE Transactions on Power Delivery, 2004, 19(3): 1034-1041.

[9] 顧雪平, 張文勤, 高曙, 等. 基于神經網絡和元件關聯分析的電網故障診斷[J]. 華北電力大學學報, 1999, 26（2）: 12-17. Gu Xueping, Zhang Wenqin, Gao Shu, et al. An approach integrating neural networks with topology analysis of electric power networks for fault diagnosis [J]. Journal of North China Electric Power University, 1999, 26(2): 12-17.

[10] 顧雪平, 張文勤, 高曙, 等. 人工神經網絡和專家系統結合運用的電力系統故障診斷方法[J]. 華北電力大學學報, 1994, 21(2): 12-17. Gu Xueping, Zhang Wenqin, Gao Shu, et al. An approach integrating neural networks with topology analysis of electric power networks for fault diagnosis[J]．Journal of North China Electric PowerUniversity, 1994, 21(2): 12-17.

[11] 李安華, 吳達. 模糊數學基礎及其應用[M]. 烏魯木齊: 新疆人民出版社, 1987.

[12] Sugeno M. Theory of fuzzy integrals and its applications[D]. Tokyo: Tokyo Institute of Technology, 1974.

[13] Dymitr Ruta, Bogdan Gabrys. An overview of classifier fusion methods[J]. Computing and Information Systems, 2000, 7(1): 1-10.

[14] 李素文. 模糊積分在多分類融合中的應用[D]. 保定:河北大學, 2006.

[15] 張德利, 郭彩梅, 吳從炘. 模糊積分論進展[J]. 模糊系統與數學, 2003, 17(4): 1-7. Zhang Deli, Guo Caimei, Wu Congxin. The development of the theory of fuzzy integrals[J]. Fuzzy Systems and Mathematics, 2003, 17(4): 1-7.

[16] 張永, 李旭宏, 毛海軍. 基于 Choquet模糊積分的物流網絡二階段設計方法[J]. 公路交通科技, 2006, 23(10): 142-145, 158. Zhang Yong, Li Xuhong, Mao Haijun. Two-phase mathematical approach for logistics network design based on choquet integral[J].Journal of Highway and Transportation Research and Development, 2006, 23 (10): 142-145, 158.

[17] 徐秉錚, 張百靈, 韋崗. 神經網絡理論與應用[M].廣州: 華南理工大學出版社, 1994.

[18] 何友, 王國宏, 彭應宇, 等. 多傳感器信息融合及應用[M]. 北京: 電子工業出版社, 1999.

[19] Cardoso G Jr, Rolim J G. Interpretation of remote backup protection operation for fault section estimation by a fuzzy expert system[C]. IEEE Power Tech. Conference, Bologua, Italy, 2003: 23-26.

[20] Hong Chan Chin. Fault section diagnosis of power system using fuzzy logic[J]. IEEE Transactions on Power Delivery, 2003, 18(1): 245-250.

[21] Wen Fushuan, Chang C S. Probabilistic approach for fault-section estimation in power systems based upon a refined genetic algorithm[J]. IEE Proceedings of Generation, Transmission and Distribution, 1997, 144 (2): 160-168.

A Fault Intelligent Diagnosis Approach Based on Element-Oriented Artificial Neural Networks and Fuzzy Integral Fusion

Guo Chuangxin1You Jiaxun1,2Peng Mingwei1Tang Yuezhong1,2Liu Yi1Chen Ji1
（1. Zhejiang University Hangzhou 310027 China 2. Shanghai Municipal Electrical Power Company Shanghai 200122 China）

This paper presents a novel diagnosis method combining element-oriented artificial neural networks and fuzzy integral fusion. The proposed method models the transmission line, bus and transformer using element-oriented ANNs. When a fault occurs, a primary diagnosis is made by element-oriented ANNs, and then the synthetic diagnosis fuses the primary diagnosis results employing fuzzy integral. The proposed method overcomes the Achilles heel of ANNs at getting training patterns and handling topology changes. And the simulation shows that by the use of synthetic diagnosis, the accuracy of diagnosis system is effectively improved. This method is promising for application in large scale real-time fault diagnosis.

Power systems, fault diagnosis, element-oriented artificial neural networks, synthetic diagnosis, fuzzy integral, information fusion

TM734

郭創新 男，1969年生，教授，博士生導師，研究方向為智能電網和分布式能源并網、智能信息處理技術及其在電力系統中的應用。

國家自然科學基金（50677062），新世紀優秀人才支持計劃（NCET-07-0745），浙江省自然科學基金（R107062）和國家 863計劃（2008AA05Z210）資助項目。

2008-08-04 改稿日期 2009-05-06

游家訓 男，1983年生，碩士研究生，研究方向為電力系運行與控制。