基于模糊推理脉冲神经膜系统的输电线路故障选相方法与流程

本发明属于电网调度与故障分析领域，涉及一种基于模糊推理实数脉冲神经膜系统的输电线路故障选相方法。

背景技术：

随着电网规模的不断扩大，如何高效稳定地输送电能是保证电网安全、稳定运行的重要环节。影响电能输送的因素很多，其中，输电线路故障是其重要因素之一。如何快速、准确地对输电线路进行故障选相是快速恢复电网供电、保证电网安全运行的重要前提。

目前，传统的输电线路故障选相主要分为两个阶段：故障信息特征提取和故障信息特征识别。在第一阶段，故障信息特征提取方法主要分为两类，一类是基于工频稳态量的提取方法，这类方法的性能容易受故障电阻、故障距离、故障初始角等因素影响；另一类是基于故障暂态量的提取方法，由于暂态量包含了丰富的故障特征信息，并且不易受故障电阻、故障距离、故障初始角的影响，因此提取故障信息特征具有很高的识别度和精度。对于第二阶段，故障信息特征识别方法主要集中于推理法和分类器法，如模糊推理、人工神经网络。但是，无论是模糊推理还是人工神经网络，其推理过程都是一个黑箱操作，不容易被人理解。因此，研究快速准确的输电线路故障选相方法对保障电能传输安全性与经济性具有重要的实际意义。

技术实现要素：

本发明的目的在于克服上述现有技术的不足，提供一种基于模糊推理实数脉冲神经膜系统的输电线路故障选相方法。首先利用小波变换具有良好的时频特性，提取电流故障分量的特征信息。在此基础上，利用模糊推理实数脉冲神经膜系统进行故障特征识别。本发明的突出优势是利用模糊推理脉冲神经膜系统解决输电线路故障选相的第二阶段。该方法在选相过程中依据模糊推理实数脉冲神经膜系统的推理算法进行推理，表达清晰，计算简便，且在复杂的故障条件下，本方法都能获得正确选相结果。

为解决上述技术问题，本发明的采用的技术方案为：

基于模糊推理脉冲神经膜系统的输电线路故障选相方法，其特征在于，包括以下步骤：

a.获取电流故障分量信息：

取故障后1/4周期内的三相电流与故障发生前15ms至20ms内的三相电流差值作为三相电流故障分量，并同时计算零序电流故障分量；

b.提取电流故障分量信号小波特征：

采用db3小波对三相电流及零序电流故障分量进行8层分解，对第8层小波系数矩阵进行奇异值分解，得到系数矩阵的奇异值，并计算归一化值，将得到的归一化值作为电流故障分量信号小波特征值；

c.建立故障选相模糊推理实数脉冲神经膜系统：

根据电流故障分量信号小波特征值，建立故障选相模糊产生式规则集；

d.对建立的故障选相模糊推理实数脉冲神经膜系统进行推理：

采用模糊推理实数脉冲神经膜系统的模糊推理算法对故障选相膜系统进行推理，获取故障类型的模糊可信度；模糊推理实数脉冲神经膜系统模糊推理算法的具体步骤为：

(1)设定初始状态：令推理步骤g＝0，设定判定依据0₁＝(0,0,...,0)^T。依据各神经元中包含的脉冲值设定命题神经元和规则神经元向量初始值，两个向量分别表示为θ₀＝(θ₁₀,θ₂₀,...,θ_s0)^T和δ₀＝(δ₁₀,δ₂₀,...,δ_t0)，其中s代表命题神经元个数，n代表规则神经元个数；

(2)令推理步骤g＝g+1；

(3)命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新；

(4)当δ_g≠0₁，规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，并返回到步骤(2)；否则，结束推理并输出结果。

其中，各参数向量(矩阵)含义及其乘法算子的定义如下：

θ＝(θ₁,θ₂,...,θ_s)^T，其中θ_i(1≤i≤s)，表示第i个命题神经元包含的脉冲值，其值由0和1之间的实数表示。若一个命题神经元中没有包含任何脉冲，则该命题神经元的脉冲值表示为0，命题神经元及其脉冲值传递规则如图3所示；

δ＝(δ₁,δ₂,...,δ_t)^T，其中δ_j(1≤j≤t)，表示第j个规则神经元包含的脉冲值，其值同样由0和1之间的实数表示。若一个规则神经元中没有包含任何脉冲，则该规则神经元的脉冲值表示为0；

C＝diag(c₁,c₂,...,c_t)，其中c_j表示第j个规则神经元(第j条模糊产生式规则)的置信度，其值由0和1之间的实数表示；

为突触矩阵，表示命题神经元到“与”规则神经元的有向连接关系。如果从命题神经元δ_i到“与”规则神经元δ_j存在突触，则d_ij＝1，否则d_ij＝0；

为突触矩阵，表示“与”规则神经元到命题神经元的有向连接关系。如果从“与”规则神经元δ_j到命题神经元δ_i存在突触，则e_ji＝1，否则e_ji＝0；

其中j＝1,...,t；

其中j＝1,...,t，算子“∧”为取最小值；

其中j＝1,...,t，算子“∨”为取最大值；

e.确定故障选相结果：

根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应故障类型为最后选相结果。

进一步的，步骤c中所述故障选相模糊产生式规则集包括：

规则1：If零序特征值高，then接地故障；

规则2：If零序特征值低，then相间故障；

规则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故障类型为A相接地故障；

规则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故障类型为B相接地故障；

规则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故障类型为C相接地故障；

规则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故障类型为AB两相接地故障；

规则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故障类型为BC两相接地故障；

规则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故障类型为CA两相接地故障；

规则9：If A相特征值高、B相特征值高、C相特征值低且相间故障，then故障类型为AB相间短路故障；

规则10：If A相特征值低、B相特征值高、C相特征值高且相间故障，then故障类型为BC相间短路故障；

规则11：If A相特征值高、B相特征值低、C相特征值高且相间故障，then故障类型为CA相间短路故障；

规则12：If A相特征值高、B相特征值高、C相特征值高且相间故障，then故障类型为ABC三相短路故障。

本发明的有益效果为：(1)本发明将小波变换与模糊推理实数脉冲神经膜系统进行有机结合，实现准确的输电线路故障选相；(2)故障选相正确性高，本发明依据10种短路故障类型与故障特征值之间的关系建立模糊产生式规则，并赋予其一定可信度，使得推理过程更合理，更符合实际情况；(3)方法实现简单，本发明首先通过小波变换提取电流故障分量的故障特征值，然后把故障特征值作为故障选相模糊推理实数脉冲神经膜系统的输入，采用模糊推理算法进行推理，推理过程中主要进行矩阵运算，具有较好的并行处理能力，选相过程清晰简单，易于维护；(4)对复杂故障情况适应性好，本发明在叠加原理的基础上采用小波变换分析电流故障分量的故障特征，从而在高故障电阻，远故障距离的情况下，本方法都能获得正确的选相结果。

附图说明

图1为本发明方法的流程图；

图2为本发明方法的模糊隶属度函数；

图3为本发明命题神经元：(a)传统形式；(b)简写形式；

图4为本发明规则神经元：(i)“一般”类型：(a)传统形式；(b)简写形式

(ii)“”类型：(a)传统形式；(b)简写形式

图5为本发明基于模糊推理实数脉冲神经膜系统的故障选相模型；

图6为本发明双端供电输电线路示意图。

具体实施方式

下面结合附图和实施例，详细描述本发明的技术方案：

实施例

这里以图6所示的双端供电输电线路短路故障为例对本发明方法进行详细阐述。实施例分为具有代表性的单相接地故障，两相接地故障，两相相间短路故障以及三相短路故障四种情况进行。情况一：输电线路A相接地故障，故障初始角为0°，故障电阻为200Ω，故障距离为200km；情况二：AB两相接地故障，故障初始角为0°，故障电阻为200Ω，故障距离为200km；情况三：AB相间短路故障，故障初始角为30°，故障电阻为200Ω，故障距离为200km；情况四：ABC三相短路故障，故障初始角为30°，故障电阻为200Ω，故障距离为200km；

情况一：输电线路A相接地故障。故障选相的具体过程如下：

步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流差值作为三相电流故障分量，并同时计算零序电流故障分量；

步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为10.5269，2.1463，1.8363和3.7628，并将这些奇异值归一化，结果分别为1，0.2039，0.1744和0.3574；

步骤3：将归一化值模糊化，采用模糊推理实数脉冲神经膜系统的模糊推理算法对故障分类模型进行模糊推理，获取每种故障类型的故障可信度。具体步骤为：

1.设定初始状态。设定推理步骤g＝0。设定判定依据0₁＝(0，0，...，0)^T。模糊推理实数脉冲神经膜系统初始状态为：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.令推理步骤g增加1，即g＝1；

3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新，即δ₁＝[1，0，0，0，0，0，0，0，0，0，0，0]；4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，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.返回执行第2步。推理步骤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.返回执行第2步。推理步骤g＝3。δ₃＝[0，0，0，0，0，0，0，0，0，0，0，0]，满足终止条件，结束推理。

步骤4：确定故障选相结果。

根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：

根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元11是模糊可信度最大的命题神经元，因此判定故障类型为A相接地故障。

情况二：输电线路AB两相接地故障。故障分类的具体过程如下：

步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；

步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为23.6354，19.3165，2.1259和3.2944，并将这些奇异值归一化，结果分别为1，0.8173，0.0899和0.1394；

步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜系统的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：

1.设定初始状态。设定推理步骤g＝0。设定判定依据0₁＝(0，0，...，0)^T。模糊推理实数脉冲神经膜系统初始状态为：

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.令推理步骤g增加1，即g＝1；

3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新，即δ₁＝[1，0，0，0，0，0，0，0，0，0，0，0]；

4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即

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

5.返回执行第2步。推理步骤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.返回执行第2步。推理步骤g＝3。δ₃＝[0,0,0,0,0,0,0,0,0,0,0,0]，满足终止条件，结束推理。

步骤4：确定故障选相结果。

根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：

根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元14是模糊可信度最大的命题神经元，因此判定故障类型为AB两相接地故障。

情况三：输电线路AB相间短路故障。故障分类的具体过程如下：

步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；

步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为15.3014,13.7617,1.5847和4.5792e^-13，并将这些奇异值归一化，结果分别为1,0.8994,0.1036和0.2993e^-13；

步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜系统的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：

1.设定初始状态。设定推理步骤g＝0。设定判定依据0₁＝(0,0,...,0)^T。模糊推理实数脉冲神经膜系统初始状态为：

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.令推理步骤g增加1,即g＝1；

3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新,即δ₁＝[0,1,0,0,0,0,0,0,0,0,0,0]，

4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即θ₁＝[0,0,1,0,1,0,0,1,0,0.95,0,0,0,0,0,0,0,0,0,0]；

5.返回执行第2步。推理步骤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.返回执行第2步。推理步骤g＝3。δ₃＝[0,0,0,0,0,0,0,0,0,0,0,0]，满足终止条件，结束推理。

步骤4：确定故障选相结果。

根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：

根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元17是模糊可信度最大的命题神经元，因此判定故障类型为AB相间短路故障。

情况四：输电线路ABC三相短路故障。故障分类的具体过程如下：

步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；

步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为24.1292,36.7854,48.0947和7.5930e^-13，并将这些奇异值归一化，结果分别为0.5017,0.7649,1和1.5796e^-14；

步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜系统的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：

1.设定初始状态。设定推理步骤g＝0。设定判定依据0₁＝(0,0,...,0)^T。模糊推理实数脉冲神经膜系统初始状态为：

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.令推理步骤g增加1,即g＝1；

3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新,即δ₁＝[0,1,0,0,0,0,0,0,0,0,0,0]，

4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即

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

5.返回执行第2步。推理步骤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.返回执行第2步。推理步骤g＝3。δ₃＝[0，0，0，0，0，0，0，0，0，0，0，0]，满足终止条件，结束推理。

步骤4：确定故障选相结果。

根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：

根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元20是模糊可信度最大的命题神经元，因此判定故障类型为ABC三相短路故障。

通过实施例中四种情况选相结果可知，本发明方法故障选相过程采用模糊推理实数脉冲神经膜系统，过程清晰简单，易于理解，且在不同故障初始角、高故障电阻、远故障距离等情况下，本方法仍然能获得正确的故障选相结果。