自适应信息容错保护方法
【专利摘要】一种自适应信息容错保护方法，首先利用粗糙集对原始数据进行约简，形成精简的规则集，然后利用人工神经网络对精简的规则集学习训练，并正确判断系统的运行方式及故障类型，从而发出控制信号使故障限流器限制分布式电源DG的助增电流。本发明采用粗糙集理论和人工神经网络网络相融合的方法，构建粗糙集-人工神经网络智能混合系统，充分利用粗糙集理论对知识的约简能力和人工神经网络的容错学习能力，解决大量DG接入配电网后出现的传统电流保护不协调、信息获取不确定等问题。
【专利说明】自适应信息容错保护方法
【技术领域】
[0001]本发明涉及一种自适应信息容错保护方法，尤其涉及一种基于粗糙集和人工神经网络的自适应信息容错保护方法。
【背景技术】
[0002]分布式发电是21世纪的电力工业发展方向。但是分布式电源DG接入配电网以后，改变了电网的辐射性。分布式电源DG改变了配电网中潮流的分布，故障电流的大小和方向也发生了相应的变化，原先的配电网继电保护的整定、配合将不再适用。
[0003]要想在分布式电源DG接入的情况下继续保持配电网继电保护的选择性、灵敏性，使电网运行灵活、稳定，必须在分析上述影响的基础上，设计全新的配电网保护模式。由于分布式发电系统分布广泛，线路路线复杂，信息网络数据的获取受到很多的客观条件和相同运行条件的限制，面对如此错综复杂的电力网络和很高的供电质量要求，基于传统原理的继电保护系统己经远远不能满足要求，因此迫切需要进一步研究继电保护原理，提出新的继电保护技术来满足日益发展的电力系统的要求，在信息缺失、信息延迟、信息不准确和信息错误的情况下最大可能地保证电力系统的运行安全。
[0004]当今电气工程学科的发展已经大大超出了其原有的范畴和传统的研究领域。工程学科和物理学、生物学、经济学、计算数学的最新研究成果己经密不可分、相互借鉴、取长补短。各个学科的最新思想和方法的融合必定会给其各自的学科发展带来不可估量的影响。
[0005]人工神经网络(Artificial Neural Network)是目前最热门的技术,在电力系统中应用研究中得到了广泛的关注。这是因为它具有自学习、非线性模式识别、联想能力，以及很强的泛函逼近能力，最重要的是人工神经网络具有很好的容错性和自适应性。一旦训练成功后，人工神经网络可以正确的处理与训练样本集数据相似的数据。
[0006]但是，人工神经网络也存在一些不足之处，如在使用之前需要大量有代表性的样本供其学习，且学习算法收敛的速度比较慢，通常只能给出一个介于O?I之间的数值作为输出，对诊断结果缺乏解释能力，从而影响了人工神经网络的实用化。
[0007]近几年，为了提高电力系统故障诊断的容错性，一些处理不确定信息能力更好的方法，如“粗糙集”理论(Rough Set)被引入，大大提高了电力系统综合诊断的性能。用粗糙集理论进行电网故障诊断，当丢失或出错的故障信息不是关键信息时不会影响诊断结果，但当丢失或出错的故障信息是关键信息时诊断结果会受到影响。粗糙集理论为研究对不完整数据进行分析、推理，发现数据间的关系，提取有用属性，简化信息处理，研究不精确、不确定知识的表达、学习、归纳方法等提供了一个有力的工具。电网发生故障时，由于保护、断路器等的误动、拒动及通信传输的原因，使得送入系统的故障信息存在不确定性，难以实现准确快速的故障诊断和保护控制。而粗糙集理论不需要提供待求解问题所需处理的数据集合之外的任何先验信息，且能够在保留关键信息的前提下对数据进行化简并求得知识的最小表达，揭示出信息集合的简单模式，故适用于分布式发电系统故障诊断。但是，粗糙集理论也存在容错能力不够理想、推广能力相对软弱、且只能处理量化数据等缺陷，当核心属性受到噪声污染时有可能会出现误判的情况。
【发明内容】
[0008]本发明提供一种自适应信息容错保护方法，采用粗糙集理论和人工神经网络网络相融合的方法，构建粗糙集-人工神经网络智能混合系统(RSNN)，充分利用粗糙集理论对知识的约简能力和人工神经网络的容错学习能力，解决大量DG接入配电网后出现的传统电流保护不协调、信息获取不确定等问题。
[0009]为了达到上述目的，本发明提供一种自适应信息容错保护方法，其特征在于，该方法包含以下步骤:
步骤S1、利用粗糙集对原始数据进行约简，形成精简的规则集；
所述的原始数据包含三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和频率变化量；
步骤S2、利用人工神经网络对精简的规则集学习训练，并正确判断系统的运行方式及故障类型，从而发出控制信号使与 分布式电源DG串联的故障限流器来限制分布式电源DG的助增电流。
[0010]所述的步骤SI包含以下步骤:
步骤S11、提取特征参数，建立故障诊断决策表；
以三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量作为条件属性，以故障诊断结果作为决策属性，建立决策表S ；
步骤S12、对决策表进行知识约简，去掉冗余信息，得到最简规则集。
[0011]所述的步骤S12包含以下步骤:
步骤S121、对决策表进行条件属性约简，得到最佳属性约简决策表；
去掉决策表中的某一属性后，考察决策表的相容性，如果去掉该属性后的决策表是相容的，说明此属性是冗余的，可以去除该属性，依次考察各条件属性，直至决策表最简为止;
步骤S122、对决策表进行决策规则约简；
在条件属性约简化后的决策表中，去掉样本集中的重复信息，考察剩下的训练集中哪些属性值是冗余的，去掉冗余信息和重复信息后，就得到了最小决策集。
[0012]所述的步骤121包含如下具体步骤:
步骤S1211、建立决策表的可辨识矩阵Md =,其中％代表可辨识矩阵Md
中第I行第J列对应的元素，可辨识矩阵是《 矩阵；
步骤S1212、如果可辨识矩阵= (m^)sxn存在单属性元素，则将其放入集合，成为核属性集合，转入步骤S1213;否则，建立可辨识矩阵中各个非零元素的析取表达式hi = ，其中，为非零元素中的属性项，转入步骤S1214 ；
步骤S1213、对任意的Ki e K, ι = 1,2...?，如果馬e,则令Ms中与巧对应的元素％ = O,得到新矩阵At,对于矩阵Mz;中的所有非零元素，建立相应的析取表达式= ,其中，内为非零元素Ws中的属性项，转入步骤S1214 ；
步骤S1214、将所有的析取表达式&进行合取运算，得到一个合取范式:L = AZjj-； 步骤S1215、将合取范式一转换为析取范式的形式i' = ViLi ；
步骤S1216、将步骤S0212中的核属性集合中的元素加入中的每个合取项，则每个合取项就对应一个属性约简的结果，得到属性约简集合式;
步骤S1217、选取属性约简集合中项数最少的式为最终属性约简集合，则= ^ ,
^是最佳属性约简规则集。
[0013]所述的步骤S2包含以下步骤:
步骤S21、人工神经网络对精简的规则集进行学习训练，生成收敛的三层神经网络；步骤S22、将实时故障信息1(%?...,?)输入训练好的神经网络，确定故障相，并合理地选择故障限流器FCL的脉冲触发角，使其限流阻抗达到最优。
[0014]所述的人 工神经网络包含故障检测和判别子网络RSNNl和故障限流子网络RSNN2，故障检测和判别子网络确定出故障相后，故障限流子网络根据故障电流的大小，合理地选择故障限流器FCL和调节它的脉冲触发角，使其限流阻抗达到最优；
所述的故障检测和判别子网络RSNNl包含输入层、隐含层和输出层；
三层神经网络中，输入层节点个数η和隐含层节点个数m之间的关系为:m=2n+l ；
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和电网的频率突变量；
输出层输出保护启动、a相接地、b相接地、c相接地和相间短路；
所述的故障限流子网络RSNN2包含输入层、隐含层和输出层；
输入层输入三相电流的瞬时值，输出层输出故障限流器FCL的三相脉冲触发角标幺值。
[0015]所述的步骤S22包含以下步骤:
步骤S221、故障检测和判别子网络RSNNl确定故障相和故障点范围；
输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值和电网频率的突变量，经过隐含层后，输出层输出保护启动、a相接地、b相接地、c相接地和相间短路；
步骤S222、故障限流子网络RSNN2根据故障电流的大小围，合理地选择故障限流器FCL和调节它的脉冲触发角，使其限流阻抗达到最优；
输入层输入短路故障三相电流的瞬时值，经过隐含层后，输出层输出故障限流器FCL的a相、b相、c相的脉冲触发角标么值，控制故障限流器的限流阻抗达到最优，实现对限流的最佳整定值，更好地与继电保护系统配合工作。
[0016]所述的步骤S221中，选取出现最严重的故障电流值为基准，取其15%作为相电流差瞬时值突变量的定值，当突变量大于此值时，取相应的输入层节点的值为I，否则取为O ;对于负序电流瞬时值及零序电流瞬时值，其定值取为基准的10%，当瞬时值大于该定值时，相应的输入层节点值取为1，否则取为O ;选取我国电网工频50Hz为基准，取其1%作为配电网频率突变量的定值，当突变量大于此值时，取相应的输入层节点的值为1，否则取为O。
[0017]在进行步骤SOl之前先进行步骤SI数据预处理:
根据分布式发电系统的三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值(连续三个采样点数据)和频率变化量进行数据预处理，对数据预先加以分类，减少所需的数据量。
[0018]本发明具有以下优点:
1、通过粗糙集方法减少了信息表达的特征向量，减少了人工神经网络构成的复杂性，也减少了后续使用过程中信息作为网络输入时的特征值计算时间。
[0019]2、通过粗糙集方法去掉冗余信息后，使训练集简化，也减少了人工神经网络的训练时间，提闻了系统预测精度。
[0020]3、由于粗糙集理论在简化知识的同时，很容易推理出决策规则，因而它也同时可以作为后续使用中的信息识别规则。
[0021]4、使用人工神经网络作为后置的信息识别和诊断系统，大大地增强了保护系统的容错性能及抗干扰能力。可用于复杂多模式的故障诊断，也能适应实时监测的要求。
[0022]5、使用故障限流器FCL限制故障时分布式电源DG所提供的短路电流的大小，从DG源头上消除其对配电网保护的影响，保证在不改变原有配电网保护装置的前提下保护可靠动作。避免短路故障对电力系统带来的巨大危险，并且故障限流器可多次限制短路电流。
【专利附图】
【附图说明】
[0023]图1是故障检测和判别子网络RSNNl的结构图。
[0024]图2是故障限流子网络RSNN2的结构图。
[0025]图3是设置了故障限流器FCL的分布式电网系统的电路图。
[0026]图4是故障发生前、故障发生期间保护1、3处检测到的电流波形图。
[0027]图5是接入DG未安装FCL时，保护I处检测到的故障电流波形图。
[0028]图6是接入DG且安装FCL时，保护I处检测到的故障电流波形图。
[0029]图7是接入DG但未安装FCL时，保护3处检测到的故障电流波形图。
[0030]图8是接入DG且安装FCL时，保护3处检测到的故障电流波形图。
[0031]图9是未安装FCL时，流过DG的电流波形图。
[0032]图10是安装FCL时，流过DG的电流波形图。
[0033]图11是未安装FCL时，流过M点的电压波形图。
[0034]图12是安装FCL时，流过M点的电压波形图。
【具体实施方式】
[0036]以下根据图1?图12具体说明本发明的较佳实施例。
[0037]本发明提供一种自适应信息容错保护方法，该方法包含以下步骤:
步骤S1、利用粗糙集对原始数据进行约简，形成精简的规则集；
所述的原始数据包含系统故障前后的电流量(包括三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值一连续三个采样点数据)和频率变化量(我国电网正常运行时在50HZ上下稍微波动)。[0038]步骤S2、利用人工神经网络对精简的规则集学习训练，并正确判断系统的运行方式及故障类型，从而发出控制信号使与分布式电源DG串联的故障限流器(Fault CurrentLimiter)来限制分布式电源DG的助增电流。
[0039]所述的步骤SI包含以下步骤:
步骤S11、提取特征参数，建立故障诊断决策表；
针对一个具体的分布式发电系统电网模型，以系统故障前后的电流量(包括三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值)和频率变化量作为条件属性，以故障元件(即诊断结果)作为决策属性，建立决策表S ；
实例说明:
在RS粗糙集理论框架中，关于对象的知识是通过对象的属性及其值来描述的。一个知识表达系统可以用一张二维表格来表不，每一行描述一个对象，每一列表不对象的一种属性。根据条件属性的不同，可以将对象划分到具有不同决策属性的类。表1描述了一个电网故障样本集合，条件属性是保护动作情况(CB1，CB2, CB3, C01, RRl, C02, C03等)，决策属性是诊断结果(故障区域)。这种表格称为决策表，是RS理论中常用的工具。对决策表来说，一个属性对应一个等价关系。
[0040]表1电网故障的诊断决策表
【权利要求】
1.一种自适应信息容错保护方法，其特征在于，该方法包含以下步骤: 步骤S1、利用粗糙集对原始数据进行约简，形成精简的规则集； 所述的原始数据包含三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量； 步骤S2、利用人工神经网络对精简的规则集学习训练，并正确判断系统的运行方式及故障类型，从而发出控制信号使与分布式电源DG串联的故障限流器来限制分布式电源DG的助增电流。
2.如权利要求1所述的自适应信息容错保护方法，其特征在于，所述的步骤SI包含以下步骤: 步骤S11、提取特征参数，建立故障诊断决策表； 以三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化量作为条件属性，以故障诊断结果作为决策属性，建立决策表S ； 步骤S12、对决策表进行知识约简，去掉冗余信息，得到最简规则集。
3.如权利要求2所述的自适 应信息容错保护方法，其特征在于，所述的步骤S12包含以下步骤: 步骤S121、对决策表进行条件属性约简，得到最佳属性约简决策表； 去掉决策表中的某一属性后，考察决策表的相容性，如果去掉该属性后的决策表是相容的，说明此属性是冗余的，可以去除该属性，依次考察各条件属性，直至决策表最简为止; 步骤S122、对决策表进行决策规则约简； 在条件属性约简化后的决策表中，去掉样本集中的重复信息，考察剩下的训练集中哪些属性值是冗余的，去掉冗余信息和重复信息后，就得到了最小决策集。
4.如权利要求3所述的自适应信息容错保护方法，其特征在于，所述的步骤121包含如下具体步骤: 步骤S1211、建立决策表的可辨识矩阵Iii = K)M ,其中代表可辨识矩阵如&中第?行第J列对应的元素，可辨识矩阵是《\?矩阵； 步骤S1212、如果可辨识矩阵M11 = (%)axs存在单属性元素，则将其放入集合，成为核属性集合，转入步骤S1213;否则，建立可辨识矩阵中各个非零元素的析取表达式~ = ，其中，内为非零元素％中的属性项，转入步骤S1214 ； 步骤S1213、对任意的Ki eK, J = 1,2.^.?，如果Ti eM3 ,则令Md中与高对应的元素.、_ = O,得到新矩阵Ais,对于矩阵M1;中的所有非零元素，建立相应的析取表达式& = 其中，巧为非零元素飞中的属性项，转入步骤S1214 ； 步骤S1214、将所有的析取表达式&进行合取运算，得到一个合取范式:L = ； 步骤S1215、将合取范式“转换为析取范式的形式I: = ViLi ； 步骤S1216、将步骤S0212中的核属性集合中的元素加入I'中的每个合取项，则每个合取项就对应一个属性约简的结果，得到属性约简集合式; 步骤S1217、选取属性约简集合中项数最少的式为最终属性约简集合，则Aiai =民，^是最佳属性约简规则集。
5.如权利要求4中任意一个所述的自适应信息容错保护方法，其特征在于，所述的步骤S2包含以下步骤: 步骤S21、人工神经网络对精简的规则集进行学习训练，生成收敛的三层神经网络； 步骤S22、将实时故障信息1(--...，xK)输入训练好的神经网络，确定故障相，并合理地选择故障限流器FCL的脉冲触发角，使其限流阻抗达到最优。
6.如权利要求5所述的自适应信息容错保护方法，其特征在于，所述的人工神经网络包含故障检测和判别子网络RSNNl和故障限流子网络RSNN2，故障检测和判别子网络确定出故障相后，故障限流子网络根据故障电流的大小，合理地选择故障限流器FCL和调节它的脉冲触发角，使其限流阻抗达到最优； 所述的故障检测和判别子网络RSNNl包含输入层、隐含层和输出层； 三层神经网络中，输入层节点个数η和隐含层节点个数m之间的关系为:m=2n+l ； 输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和电网的频率突变量； 输出层输出保护启动、a相接地、b相接地、c相接地和相间短路； 所述的故障限流子网络RSN`N2包含输入层、隐含层和输出层； 输入层输入三相电流的瞬时值，输出层输出故障限流器FCL的三相脉冲触发角标幺值。
7.如权利要求6所述的自适应信息容错保护方法，其特征在于，所述的步骤S22包含以下步骤: 步骤S221、故障检测和判别子网络RSNNl确定故障相； 输入层输入三相电流差瞬时值突变量、负序电流分量瞬时值及零序电流分量瞬时值和电网频率的突变量，经过隐含层后，输出层输出保护启动、a相接地、b相接地、c相接地和相间短路； 步骤S222、故障限流子网络RSNN2根据故障电流的大小，合理地选择故障限流器FCL和调节它的脉冲触发角，使其限流阻抗达到最优； 输入层输入短路故障三相电流的瞬时值，经过隐含层后，输出层输出故障限流器FCL的a相、b相、c相的脉冲触发角标么值，控制故障限流器的限流阻抗达到最优，实现对限流的最佳整定值，更好地与继电保护系统配合工作。
8.如权利要求7所述的自适应信息容错保护方法，其特征在于，所述的步骤S221中，选取出现最严重的故障电流值为基准，取其15%作为相电流差瞬时值突变量的定值，当突变量大于此值时，取相应的输入层节点的值为1，否则取为O ;对于负序电流瞬时值及零序电流瞬时值，其定值取为基准的10%，当瞬时值大于该定值时，相应的输入层节点值取为1，否则取为O ;选取我国电网工频50Hz为基准，取其1%作为配电网频率突变量的定值，当突变量大于此值时，取相应的输入层节点的值为1，否则取为O。
9.如权利要求8所述的自适应信息容错保护方法，其特征在于，在进行步骤SOl之前先进行步骤Si数据预处理: 根据分布式发电系统的三相电流差瞬时值突变量、负序电流分量瞬时值、零序电流分量瞬时值和频率变化 量进行数据预处理，对数据预先加以分类，减少所需的数据量。
【文档编号】G06Q10/04GK103778479SQ201410010933
【公开日】2014年5月7日 申请日期:2014年1月10日 优先权日:2014年1月10日
【发明者】彭勇, 郝琳娜, 王丽芳, 丁雷青 申请人:国网上海市电力公司