基于知識庫與規則庫的電力系統暫態故障事件診斷方法

郭偉琪, 張婷, 呂藝, 陳濤

(國網山東省電力公司臨沂供電公司, 山東, 臨沂 276000)

0 引言

電力系統出現暫態故障時,很多報警信息進入控制中心,但保護與斷路器出現誤動(拒動)時[1-4],控制中心接收到的信息會出現信息缺失與畸變等情況,導致工作人員無法精準找到暫態故障原因,延長供電恢復時間[5],擴大暫態故障范圍,為解決這一問題,需研究暫態故障診斷方法,為工作人員精準制定決策提供參考。張朝龍等[6]通過混沌粒子群算法改進受限波爾茲曼機,增強故障特征提取效果,在深度置信網絡內輸入提取的故障特征,輸出故障診斷結果。該方法的故障診斷效果依賴輸入樣本是否完整,但在電力系統很難得到完整樣本,因此故障診斷精度較差。陳哲等[7]通過融合T-S模糊模型與粗糙集挖掘故障知識,利用遺傳算法約簡故障知識,提升故障診斷精度,但該方法塑造模糊模型的難度較高,在電力系統結構發生改變的情況下,和電力系統有關的模糊知識庫也要調整,可維護性不佳,適用范圍小。

為了進一步擴大診斷范圍,提高診斷精度,本文提出基于知識庫與規則庫的電力系統暫態故障事件診斷方法。本文利用小生境遺傳算法簡化電力系統暫態故障事件決策圖,獲取故障規則集,構建暫態故障事件知識庫。本文的創新點在于利用灰色關聯方法,結合證據融合理論分析暫態故障事件的權重,對比分析實際暫態故障事件與暫態故障事件知識庫的匹配結果,實現電力系統暫態故障事件診斷。

1 電力系統暫態故障事件診斷方法

1.1 基于小生境遺傳算法的暫態故障事件知識庫

采用小生境遺傳算法約簡電力系統暫態故障事件決策表圖屬性,獲得暫態故障事件故障規則集,構建暫態故障事件知識庫。

電力系統暫態故障事件的決策表的表達公式如下:

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

(1)

式(1)中,電力系統暫態故障事件樣本空間是X={x1,x2,…,xn};條件屬性集是C={c1,c2,…,cr};決策屬性集是D={1,2,…,k};單一映射的信息函數是f;屬性集合的值域是V。將X內的樣本當成點,隨機兩個xi與xj間均存在|C∪D|條屬性邊,由此建立多重完全圖即電力系統暫態故障事件決策表圖G。

利用小生境遺傳算法約簡G的屬性,獲取暫態故障事件故障規則集,即在啟發信息內加入(M-T)個個體,得到下一代種群Y(t+1),如果T超過M,那么提取Q″(t)內的前M個個體,得到下一代種群Y(t+1);

在相對區分表B1內挑選Y(t)的列,求和全部列,如果具有和是0的列,代表Y(t)內各列不相容,即Y(t)可約簡,在Y(t)內引入新的屬性,并任意挑選一個“零”基因取反,在約簡數量不間斷多代無改變情況下,則繼續;

融合全部約簡個體,獲取電力系統暫態故障事件規則集,如果規則集內存在多條規則結論相同情況,則提取這些規則,建立暫態故障事件知識庫A,如果規則集內多條規則結構不同,則選擇置信度與覆蓋度高度規則,建立A。由此完成暫態故障事件知識庫的構建。

1.2 基于灰色關聯分析的暫態故障事件診斷方法

暫態故障事件知識庫A內,源暫態故障事件案例數據列的表達形式為Aα=[aα(1),aα(2),…,aα(β)],α=1,2,…,θ,目標暫態故障事件案例是A0=[a0(1),a0(2),…,a0(β)],將源暫態故障事件案例改寫成k×α維矩陣形式,公式如下:

(2)

通過在式(3)內引入源暫態故障事件的權重系數ωαk,求解a0(k)與aα(k)的灰色相似度,公式如下:

Z(a0(k),aα(k))=

(3)

利用證據融合理論確定ωαk,具體步驟如下。

步驟1:獲取專家判斷矩陣,邀請u位專家評判θ個源暫態故障事件權重,得到u×θ維專家判斷矩陣R,中的元素是Ri′j′,1≤i′≤u,1≤j′≤θ;

步驟2:去掉離異程度較大的ωαk,通過求解專家獲取ωαk間的相似程度,去掉差異程度較大的ωαk,確保ωαk融合結果的精準性,令相似系數如下:

(4)

(5)

式(5)中,pi′的最大值是pi′max。

步驟3:證據融合,去掉離異ωi′后,通過證據融合理論融合其余專家獲取的ωαk,確保權重獲取的全面性。

在空間上,按照式(8)的Z(a0(k),aα(k))可獲取a0和aα的灰色距離Z′(a0(k),aα(k)),公式如下:

(6)

在β維矩陣中,按照歐式距離確定a0和aα的灰色距離,公式如下:

(7)

依據Z(a0(k),aα(k))與Z″(a0,aα)的轉換公式,能夠獲取目標暫態故障事件案例的改進灰色相似度Z?(a0,aα),公式如下:

(8)

按照電力系統暫態故障事件實際情況,設置一個閾值μ,在Z?(a0,aα)=μ情況下,說明目標源暫態故障事件案例和A內源暫態故障事件案例匹配,完成電力系統暫態故障診斷。

2 實驗分析

利用MATLAB仿真軟件設計一個電力系統模型,并設計單個暫態故障事件、多重暫態故障事件、信息完成時的暫態故障事件與信息不完整時的暫態故障事件,利用本文方法診斷該電力系統的暫態故障事件,驗證本文方法暫態故障事件診斷的有效性,該系統的模型如圖1所示。

圖1 電力系統模型

圖1中,線路是L1,L2,…,L6、母線是A1,A2,…,A8、斷路器是C1,C2,…,C20、變壓器是T1,T2,…,T4。

利用MATLAB仿真設置一系列暫態故障事件,通過本文方法診斷該電力系統暫態故障事件,暫態故障事件設置結果與本文方法暫態故障事件診斷結果如表1所示。

表1 本文方法的暫態故障診斷結果

分析表1可知,針對單一暫態故障事件與多重暫態故障事件本文方法均可有效診斷電力系統暫態故障事件,在信息不完整情況下,本文方法依舊可有效診斷電力系統暫態故障事件,與設置暫態故障對比可知,本文方法的暫態故障事件診斷結果與設置暫態故障完全相同。實驗證明本文方法有效精準診斷電力系統暫態故障事件,且暫態故障診斷精度較高。這是因為本文結合灰色關聯方法和證據融合理論,計算目標案例和知識庫內案例的灰色相似度,依據灰色相似度獲取兩個案例間的匹配結果,保證了診斷的精度。

利用MATLAB仿真為該電力系統設置30個暫態故障事件,本文方法中分辨系數的取值直接影響灰色關聯度的計算結果,間接影響電力系統暫態故障事件診斷效果,為此分析不同分辨系數時本文方法的暫態故障事件診斷效果,將均方根誤差(RMSE)作為衡量本文方法暫態故障事件診斷精度的指標,RMSE的最高值需低于10,才可確保暫態故障事件診斷精度較高,分析結果如圖2所示。

圖2 本文方法的RMSE測試結果

分析圖2可知,分辨系數越大,本文方法的RMSE值越低,當分辨系數達到0.4時,RMSE值已降至0,此時本文方法電力系統暫態故障事件診斷精度最高;隨著暫態故障事件數量的增加,本文方法的RMSE值也隨之提升,RMSE的最高值約為6.5,低于暫態故障事件診斷時RMSE的最高值,說明本文方法診斷暫態故障事件時的RMSE較低,診斷效果較佳。這是因為本文依據暫態故障事件故障規則集建立暫態故障事件知識庫,提供了足夠的故障辨別案例;通過灰色關聯計算暫態故障事件與案例間的匹配度,完成暫態故障事件診斷,提高了故障判別的精度。

本文方法通過約簡電力系統暫態故障事件決策表圖,建立暫態故障事件知識庫,知識庫建立效率高,則暫態故障事件診斷效率也隨之提升,為此分析不同決策表圖大小時,本文方法約簡決策表圖時的約簡效率,分析結果如圖3所示。

圖3 約簡效率分析結果

分析圖3可知,演化代次數逐漸增長,不同決策表圖大小時的約簡耗時均不斷下降,3種決策表圖大小時的約簡耗時均在演化代為10次時,完成收斂,收斂速度較快,最終約簡耗時收斂至5～7 s,約簡耗時較短。實驗證明本文方法約簡決策表圖的約簡效率較快,收斂效果較優。這是因為本文利用小生境遺傳算法約簡電力系統暫態故障事件決策表圖,獲取暫態故障事件故障規則集,依據該規則集建立的暫態故障事件知識庫,保障了約簡的效率。

將文獻[6]基于DBN特征提取的故障診斷方法與文獻[7]基于算法融合的故障診斷方法作為本文方法的對比方法,測試3種方法在不同信息缺失比例時的暫態故障事件診斷效果,將靈敏度作為衡量三種方法暫態故障事件診斷效果的評價指標,靈敏度代表全部暫態故障事件內診斷正確的比例,其值越高,故障事件診斷精度越高,測試結果如圖4所示。

分析圖4可知,信息缺失比例增加,3種方法的靈敏度均隨之下降,在不同信息缺失比例時,本文方法的靈敏度均顯著高于其余2種方法,且下降幅度較小,當信息缺失比例達到25%時,本文方法的靈敏度已趨于穩定,穩定在97%左右,其余2種方法最終靈敏度約為82%與83%。實驗證明:在不同信息缺失比例時,本文方法診斷電力系統暫態故障事件的靈敏度較高,具備較優的暫態故障事件診斷效果。這是因為本文利用了證據融合理論判斷暫態事件與故障案例的相似度。證據融合可以提高缺失信息的價值,補全信息缺失部分之間的聯系,從而提高了故障診斷的靈敏度。

圖4 靈敏度測試結果

3 總結

電力系統出現故障后及時恢復供電的關鍵是暫態故障事件診斷,暫態故障事件診斷可增強電力系統的安全與穩定性。為此研究基于知識庫與規則庫的電力系統暫態故障事件診斷方法,精準診斷暫態故障事件,為維修人員制定維修策略提供參考,加快暫態故障后電力系統恢復供電效率,為增強電力系統安全穩定性打下基礎。