[0057] 下面结合说明书附图和具体实施例对本发明的技术方案进行清楚、完整地描述。
[0058] 如图1和图2所示,本实施例中,所示的配电网共分为5个区域(Sec1‑Sec5),保护装置有断路器保护开关(CB1‑CB5)、电流保护(OR1‑OR5),Sec1和Sec3分别配有后备距离保护(DR1、DR3)。根据主保护以及后备保护动作原理,以(CB1‑CB5)、(OR1‑OR5)以及(DR1、DR3)作为决策表的条件属性,以故障区域(Sec1‑Sec5)作为决策属性,建立故障决策表,如表1所示,共有14组训练样本。
[0059] 表1故障决策表
[0060] Tab.1 Fault Decision Table
[0061]
[0062] 注:l表示保护动作;0表示保护未动作。
[0063] 步骤一:根据电网故障数据采集系统中的不确定、错误以及冗余信息,甚至部分重要信息的丢失,提出基于GA的粗糙集样本数据约简方法。
[0064] 根据开关及继电保护装置的信息,定义故障决策表S=(U,A,V,F),其中A=C∪D,U表示论域,A表示属性集,C表示条件属性集(l表示保护动作,0表示保护未动作),保护D表示决策属性集(故障区域); Va表示属性a的值域;F是一个函数,是属性赋予的信息值,映射可表示为F:U×A→V。
[0065] 输入:故障决策表S=(U,A,V,F);
[0066] 输出:最小约简属性。
[0067] (1)计算出决策属性d(某一故障区域)对于条件属性C(某个开关和继电保护是否动作)的依赖度rc(d);
[0068] (2)计算属性核Core(C),令 依次去掉条件属性ci∈C,若则Core(C)=Core(C)∪{Ci};若 则Core(C)表示最小约简
属性;
[0069] (3)初始化随机产生m个长度为|C|(条件属性个数)的种群,个体均采用二进制编码;1表示保留该属性,0表示删除该属性;选取适应度函数 计算个体适应度,L表示染色体长度,即属性的个数,Lx为染色体体中为1的个数;
[0070] (4)个体的选择采用轮盘赌法,交叉概率和变异概率分别取Pc(本例为0.7)、Pm(本例为0.01),产生新一代种群;
[0071] (5)计算新一代中个体的适应度值,将最优个体直接遗传到下一代;
[0072] (6)判断个体的适应度值是否趋于稳定,如果是,则终止计算并输出最优个体,得到最小约简属性,否则转(4)。
[0073] 对表1数据进行属性约简,遗传后得到最小约简属性,即Core(C)=[CB1,OR2,OR3,DR3,OR4,OR5],最优约简故障决策表如表2所示。
[0074] 表2属性约简后决策表
[0075] Tab.2 Decision table after attribute reduction
[0076]
[0077] 步骤二:采用保护精英个体的方法对经典遗传算法进行改进,优化BP神经网络算法,通过神经网络训练得到电网故障定位模型,神经网络见图3。
[0078] (1)根据步骤一的最小约简属性,定义神经网络的输入向量x=[x1,x2,…,xn],输入向量即条件属性,xi取l表示保护动作,取0表示保护未动作,n表示输入层的层数;定义神经网络的输出向量y=[y1,y2,…,ym],输出即决策属性(故障区域),yi取l表示故障发生在此区域,取0表示未发生在此区域,m表示输出层的层数。
[0079] (2)Sigmoid函数作为神经网络的激活函数,隐含层激活函数采用tansig函数:
[0080] f(x)=2./(1+e‑2x)‑1
[0081] 其中x表示输入
[0082] 计算得到隐含层节点输出:
[0083] 其中wij为输入层神经元节点与隐含层神经元节点之间的连接权值,θj为隐含层节点阈值;xi表示输入,p表示隐含层的层数;
[0084] 隐含层节点数根据以下3个经典经验公式计算:
[0085]
[0086] m=log2n
[0087]
[0088] 根据上述经验公式确定一个范围,通过试凑法取误差平方和最小的节点为隐含层节点数;
[0089] 输出层的激活函数选择logsig函数:f(x)=1/(1+e‑x)
[0090] 输出节点输出:
[0091] 其中vjl为隐含层神经元节点与输出层神经元节点之间的连接权值, 为输出层节点阈值,q表示输出层的层数;
[0092] BP学习算法梯度下降法对误差进行修正,输出层权值修正量为Δvjl(t),那么[0093]
[0094] 其中 为误差函数,O′l(t)为期望输出。
[0095] 因此修正后的输出层权值:
[0096] vjl(t+1)=vjl(t)‑ηΔvjl(t)
[0097] 其中η为步长或学习修正率。
[0098] 同理,隐含层的权值修正量Δwij(t)
[0099]
[0100] 修正后的隐含层权值:
[0101] wij(t+1)=wij(t)‑ηΔwij(t)
[0102] (3)GA种群初始化,参数的选择、染色体长度以及适应度函数的确定;
[0103] (4)染色体个体的选择采用保护精英策略和轮盘赌法,产生新一代种群作为父本;
[0104] (5)将每代最优个体替代父本经过交叉与变异产生下一代种群中适应度最差的个体;
[0105] (6)重复(5)和(6),直到满足适应度值的收敛条件,找出了最佳的染色体;
[0106] (7)将染色体解码成BP神经网络需要的权值和阈值,训练网络,得到电网故障定位模型。
[0107] 个体编码采用实数编码。在BP神经网络中待训练样本根据监督学习进行训练,个体适应度值取实际输出与期望输出的误差绝对值和
[0108]
[0109] 式中:xi是种群中第i个染色体;q为种群中染色体个数;n为训练样本数;m为输出神经元节点数; 和 分别是第p个训练样本第j个输出神经元节点的期望和实际输出值。
[0110] 遗传算法中取种群数目为50,交叉概率为0.4,变异概率为0.1。图4是GA优化BP神经网络的适应度曲线,大约通过100次迭代以后适应度逐渐趋于稳定,其中左侧一条为最佳适应度曲线,右侧一条为平均适应度曲线。
[0111] 步骤三:根据图2中的配电系统获取的电网故障数据,输入所述的电网故障定位模型中,得到电网故障的定位结果。
[0112] 表3是含有错误信息的故障测试样本,跟表1对照可知,样本1和6是CB2误动,样本2是OR1误动,样本3~5分别是CB3、CB4和CB3拒动。表4是经过约简后的故障测试样本。本发明分别使用BP神经网络、GA优化BP神经网络以及GA优化RS‑BP神经网络3种方法对故障样本进行训练,再用测试样本进行对比验证,诊断结果如表5和表6所示。本发明故障定位诊断原则:达到80%以上,诊断结果是可信的;80%以下,诊断结果是不定的。
[0113] 表3故障集测试样本
[0114] Tab.3 fault set test samples
[0115]
[0116] 注:括号外数据为真实状态,括号内数据为无故障状态。
[0117] 表4约简后的故障测试样本
[0118] Tab.4 Test samples after reduction
[0119]
[0120] 表5故障样本诊断结果
[0121] Tab.5 Fault sample diagnosis result
[0122]
[0123] 表6诊断结果汇总表
[0124] Tab.6 Summary of diagnosis results
[0125]
[0126]
[0127] 分析表4和表5的结果可知,直接采用传统BP神经网络对故障样本数据进行训练,维数过多易出现过拟合现象,并且训练后的神经网络通过测试样本,诊断正确率只有50%,而采用GA优化BP神经网络初始权值和阈值的算法,尽管训练误差略微增大,但诊断效果大大提高;经过粗糙集约简后,除去冗余属性,样本数也减少,BP网络结构也被简化,训练时间大大减少,虽然训练误差略微变大,但是测试精度大大增大,诊断正确率也达到了100%。
[0128] 最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。