本發(fā)明涉及電力設(shè)備故障診斷領(lǐng)域，具體屬于配電網(wǎng)線路故障定位方法。
背景技術(shù)：
：配電網(wǎng)故障定位是配電自動(dòng)化的重要功能之一。當(dāng)配網(wǎng)實(shí)際出現(xiàn)故障后，通過(guò)故障定位功能可快速找出故障發(fā)生的區(qū)域，為隔離故障和盡快恢復(fù)對(duì)用戶的供電提供有效指導(dǎo)，對(duì)改善供電可靠性具有重要意義。目前，基于饋線終端單元(FTU)上報(bào)故障信息進(jìn)行配電網(wǎng)故障定位的分析方法主要有兩類:一類是配電網(wǎng)故障區(qū)段判斷和隔離的統(tǒng)一矩陣算法，這種診斷方式基于健全信息進(jìn)行故障定位，較為傳統(tǒng)，可靠性高，但對(duì)內(nèi)存要求較高且診斷有限；另一類是近些年興起的人工智能化故障診斷方法，相關(guān)理論有專家系統(tǒng)、人工神經(jīng)、模糊理論、遺傳算法和免疫算法等。人工智能化故障診斷方法能夠基于非健全的故障信息進(jìn)行診斷定位，具有更強(qiáng)的實(shí)用性和更為廣闊的應(yīng)用前景，其在技術(shù)上還有很多需要進(jìn)一步研究的地方。目前我國(guó)關(guān)于配電網(wǎng)人工智能化故障診斷的研究還處于初級(jí)階段，現(xiàn)有方法的容錯(cuò)性、精確性、快速性仍需進(jìn)一步提高和改進(jìn)。近年來(lái)發(fā)展迅猛的數(shù)據(jù)挖掘技術(shù)能為發(fā)現(xiàn)問(wèn)題規(guī)律尋找解決方案較好地提供參考信息。廖志偉等發(fā)表的《基于數(shù)據(jù)挖掘模型的配電網(wǎng)故障定位診斷》應(yīng)用基于粗糙集(RoughSets,RS)理論和遺傳算法相結(jié)合的數(shù)據(jù)挖掘(DataMining,DM)模型來(lái)進(jìn)行獲取信息發(fā)生丟失或畸變情況下的配電網(wǎng)故障定位分析。比較發(fā)現(xiàn)，該方案定位診斷的正確率遠(yuǎn)高于常規(guī)人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)模型。但遺傳算法容易更陷入局部最優(yōu)的情況,過(guò)早地收斂于局部最優(yōu)，具有“早熟”的缺點(diǎn)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是，克服現(xiàn)有技術(shù)的上述缺陷，提供一種更簡(jiǎn)單快速有效，具有更好的容錯(cuò)性能的配電網(wǎng)故障定位方法。技術(shù)方案如下：一種基于RS-IA數(shù)據(jù)挖掘的配電網(wǎng)故障定位方法，包括下列步驟：1)構(gòu)造配電網(wǎng)故障挖掘數(shù)據(jù)庫(kù)：按獲取信息中出現(xiàn)一位畸變信息來(lái)構(gòu)造故障模式集，預(yù)先構(gòu)建好線路元件數(shù)目不等的單畸變信息樹(shù)干網(wǎng)故障定位模型，作為決策規(guī)則數(shù)據(jù)庫(kù)；故障模式信息組成為：輸入矢量為各開(kāi)關(guān)的電流越限信息序列，將各開(kāi)關(guān)從進(jìn)線開(kāi)關(guān)開(kāi)始依次排列，在故障元件線路之前的開(kāi)關(guān)有故障電流流過(guò)，“1”表示有電流越限信號(hào)；之后的開(kāi)關(guān)無(wú)電流越限信號(hào)以“0”表示；輸出矢量為線路元件的狀態(tài)序列，線路處故障狀態(tài)用“1”表示；正常狀態(tài)用“0”表示；2)提取故障特征，確定相應(yīng)對(duì)象的條件屬性和決策屬性，其中輸入矢量集合為條件屬性集合，而輸出矢量集合形成決策屬性集合；3)依據(jù)已定的條件屬性與決策屬性，將故障模式集轉(zhuǎn)換成RS決策表；4)把從RS決策表中求取約簡(jiǎn)的問(wèn)題轉(zhuǎn)化為在區(qū)分矩陣中求取組合數(shù)最小的約簡(jiǎn)；5)計(jì)算決策屬性對(duì)條件屬性的依賴程度；6)產(chǎn)生免疫算法的初始抗體群并采用二進(jìn)制進(jìn)行編碼；7)計(jì)算抗原與抗體之間的親和度，取親和度的倒數(shù)作為抗體的適應(yīng)度函數(shù)；計(jì)算抗體在種群中的濃度；8)根據(jù)親和度和濃度，對(duì)抗體進(jìn)行相應(yīng)的促進(jìn)和抑制；9)將各抗體群中高親和度、低濃度的抗體存儲(chǔ)在記憶庫(kù)中保留并不斷更新；10)進(jìn)行選擇、交叉和變異操作，形成下一代父代抗體群；11)重復(fù)操作7)到10)至滿足終止條件，得到組合數(shù)最小的約簡(jiǎn)，即利用免疫算法得到的最佳約簡(jiǎn)；12)從最佳屬性約簡(jiǎn)集中提取故障定位規(guī)則；13)依照生成的故障定位規(guī)則進(jìn)行配網(wǎng)故障區(qū)段定位。本發(fā)明在現(xiàn)有研究基礎(chǔ)上，克服現(xiàn)有方法的不足，提出一種基于RS-IA數(shù)據(jù)挖掘的配電網(wǎng)故障定位方法，該方法實(shí)現(xiàn)了在FTU運(yùn)行環(huán)境較惡劣、元器件受損或信息丟失等所導(dǎo)致故障信息變異情況下的配電網(wǎng)故障定位，很好地解決了因配網(wǎng)獲取信息的畸變而造成的故障定位誤判問(wèn)題。與遺傳算法相比，免疫算法對(duì)粗糙集的約簡(jiǎn)性能更優(yōu)，基于RS-IA數(shù)據(jù)挖掘的配電網(wǎng)故障定位方法比基于RS-GA的方法相比更簡(jiǎn)單快速有效，具有更好的容錯(cuò)性能。附圖說(shuō)明圖1為本發(fā)明實(shí)施例中三電源環(huán)網(wǎng)開(kāi)環(huán)運(yùn)行配電網(wǎng)。圖2為本發(fā)明實(shí)施例中單一樹(shù)干網(wǎng)。圖3為本發(fā)明實(shí)施例中的免疫算法收斂曲線。圖4為本發(fā)明的簡(jiǎn)化流程圖。具體實(shí)施方式為了更清楚地說(shuō)明本發(fā)明，下面結(jié)合實(shí)施例和附圖對(duì)本發(fā)明作進(jìn)一步的說(shuō)明。本發(fā)明以假定的單一故障來(lái)進(jìn)行仿真，以一個(gè)典型的3電源環(huán)網(wǎng)開(kāi)環(huán)運(yùn)行配電網(wǎng)為例，如圖1所示。圖中有3個(gè)斷路器、2個(gè)聯(lián)絡(luò)開(kāi)關(guān)、16個(gè)分段開(kāi)關(guān)，19條饋線對(duì)應(yīng)19個(gè)定位區(qū)段。以斷路器為標(biāo)志，以聯(lián)絡(luò)開(kāi)關(guān)為界限可以分為3個(gè)獨(dú)立配電區(qū)域?；赗S-IA數(shù)據(jù)挖掘的配電故障定位方法對(duì)配網(wǎng)進(jìn)行全面仿真。根據(jù)DM故障模式的構(gòu)造原則，該線路的基本故障樣本模式應(yīng)為11個(gè)(10條線路故障和無(wú)線路故障模式)，故障樣本輸入矢量由10個(gè)元素構(gòu)成?？紤]可能出現(xiàn)一位元素畸變的原則，每個(gè)基本故障模式可衍生出10個(gè)變異模式，共有110個(gè)模式。利用用IA在廣義故障模式集中進(jìn)行全局優(yōu)化搜索，求取RS的最佳屬性約簡(jiǎn)，其具體算法流程如下。其中，N為抗體群規(guī)模，m為免疫記憶庫(kù)大小，n為抗體長(zhǎng)度，Tac1為免疫選擇設(shè)定閾值，MAX為最大迭代次數(shù)，即算法結(jié)束的終止條件。1)計(jì)算決策屬性D對(duì)條件屬性C的依賴程度KC。令依次去掉某單個(gè)屬性a∈C，若Kc-a≠Kc，則Core(C)＝Core(C)∪a，即核為Core(C)。若KCore＝KC，則Core為最佳屬性約簡(jiǎn)，否則實(shí)行步驟2)。2)產(chǎn)生初始抗體群及其編碼。本發(fā)明采用二進(jìn)制編碼方式，抗體的長(zhǎng)度即條件屬性C的個(gè)數(shù)，抗體的每一位基因代表對(duì)應(yīng)條件屬性的取舍狀態(tài)，1表示約簡(jiǎn)時(shí)選擇該條件屬性，0表示舍去該條件屬性。初始化時(shí)，核中的條件屬性對(duì)應(yīng)位取1，其余位隨機(jī)取0或1?？贵w的表現(xiàn)形式為[011…01]，由此產(chǎn)生規(guī)模為N的初始抗體群。3)計(jì)算親和力?？乖c抗體之間的親和力表示可行解對(duì)問(wèn)題的滿足程度，親和力越高，說(shuō)明解越好。本發(fā)明選取的親和力函數(shù)為適應(yīng)度函數(shù)的倒數(shù)，適應(yīng)度函數(shù)如下式：axv=α×n-lvn+(1-α)×K---(1)]]>式中，n為條件屬性的個(gè)數(shù)；lv是抗體中“1”的個(gè)數(shù)，也就是約簡(jiǎn)后的條件屬性個(gè)數(shù)；α為調(diào)節(jié)因子；K為決策屬性對(duì)條件屬性的依賴程度。4)計(jì)算抗體濃度。首先計(jì)算兩個(gè)抗體間的親和力，公式如下：ayvw=11+differvw---(2)]]>其中，differvw為兩個(gè)抗體間的結(jié)合強(qiáng)度，即相同位置基因編碼值不同的個(gè)數(shù)。則抗體V在種群中的濃度為：Rv=1NΣw=1nacvw,acvw=1avw>Tac10otherwise---(3)]]>5)抗體的促進(jìn)與抑制。為保證抗體的多樣性，親和力大的抗體濃度提高，但過(guò)高就會(huì)被抑制，反之相應(yīng)提高低濃度抗體的產(chǎn)生和選擇概率。6)更新記憶庫(kù)。將各抗體群中高親和度、低濃度的s個(gè)抗體存儲(chǔ)在記憶庫(kù)中保留并不斷更新。7)進(jìn)行選擇、交叉和變異操作，形成下一代父代抗體群。8)滿足終止條件則結(jié)束，輸出結(jié)果；否則轉(zhuǎn)3)。本實(shí)施例記憶庫(kù)容量取30，種群規(guī)模為60，交叉概率pc＝0.5，變異概率pm＝0.05，濃度閾值取0.7。算法迭代次數(shù)的最大值設(shè)為150。挖掘所得到的故障定位最佳屬性約簡(jiǎn)如表1。表1故障定位相關(guān)性分析最佳屬性約簡(jiǎn)為了能清晰地說(shuō)明研究問(wèn)題的實(shí)質(zhì)，從全部仿真中提取一個(gè)具有10條線路、9個(gè)分段開(kāi)關(guān)的樹(shù)干網(wǎng)，其中有一條線路發(fā)生故障時(shí)的具體實(shí)例來(lái)描述。如圖2所示，其中a、b……j為線路，S1、S2……S9為分段開(kāi)關(guān)。以線路b發(fā)生故障為例，利用IA方法求取RS最佳約簡(jiǎn)的收斂曲線如圖3所示?；赗S-IA數(shù)據(jù)挖掘故障定位方法得到的配電網(wǎng)故障模式及形成的診斷結(jié)果如表2所示。其中，輸入元素中標(biāo)注*的為畸變信息位，輸出元素中標(biāo)注#的為錯(cuò)判的元件。表2線路故障模式由表2可知，常規(guī)的電流越限信號(hào)判別法對(duì)信息的畸變非常敏感，無(wú)容錯(cuò)能力，極易導(dǎo)致故障的誤判、錯(cuò)判。本發(fā)明提出的基于RS-IA數(shù)據(jù)挖掘的配電故障定位方法具有較高的容錯(cuò)能力，在絕大多數(shù)情況下能夠準(zhǔn)確實(shí)現(xiàn)配電網(wǎng)的故障定位。為了驗(yàn)證本發(fā)明所提模型的優(yōu)越性，將RS-IA模型與基于RS與GA結(jié)合的DA模型的方法進(jìn)行對(duì)比，用MATLAB編制了基于兩種模型的配電故障定位程序，對(duì)圖2所示樹(shù)干網(wǎng)進(jìn)行仿真實(shí)現(xiàn)其故障定位。兩種算法基本設(shè)置相同，算法的最大迭代次數(shù)均取150次，測(cè)試結(jié)果如表3所示。表3屬性約簡(jiǎn)實(shí)驗(yàn)結(jié)果由表3可知，在相同設(shè)置的情況下，RS-IA模型能較好地求得最佳屬性約簡(jiǎn)，而且收斂速度較快。且IA算法在引入濃度機(jī)制后，能夠抑制算法中較高濃度的解的產(chǎn)生，防止算法過(guò)早地收斂于局部最優(yōu)，有效地克服了遺傳算法“早熟”的缺點(diǎn)，既提高了效率，又使準(zhǔn)確率有所提升。此實(shí)施例證明通過(guò)本發(fā)明所述方法能夠?qū)崿F(xiàn)故障信息錯(cuò)誤或畸變狀態(tài)下的配電網(wǎng)故障定位。圖4為本發(fā)明的簡(jiǎn)化流程圖。下面對(duì)本發(fā)明的技術(shù)方案做一下總結(jié)：1)根據(jù)以往經(jīng)驗(yàn)和故障相關(guān)信息，構(gòu)造配電網(wǎng)故障挖掘數(shù)據(jù)庫(kù)?？紤]到來(lái)自FTU的故障信息極易丟失或變異，本發(fā)明按獲取信息中出現(xiàn)一位畸變信息來(lái)構(gòu)造故障模式集，預(yù)先構(gòu)建好線路元件數(shù)目不等的單畸變信息樹(shù)干網(wǎng)故障定位模型，作為決策規(guī)則數(shù)據(jù)庫(kù)。故障模式信息組成為：輸入為各開(kāi)關(guān)(包括斷路器、分段開(kāi)關(guān)、聯(lián)絡(luò)開(kāi)關(guān)等)的電流越限信息序列。將各開(kāi)關(guān)從進(jìn)線開(kāi)關(guān)(電源)開(kāi)始依次排列，在故障元件線路之前的開(kāi)關(guān)有故障電流流過(guò)，“1”表示有電流越限信號(hào)；之后的開(kāi)關(guān)無(wú)電流越限信號(hào)以“0”表示。輸出為線路元件的狀態(tài)序列，線路處故障狀態(tài)用“1”表示；正常狀態(tài)用“0”表示。2)提取故障特征，確定相應(yīng)對(duì)象的條件屬性和決策屬性。其中輸入矢量集合為條件屬性集合，而輸出矢量集合形成決策屬性集合。3)依據(jù)已定的條件屬性與決策屬性，將故障模式集合轉(zhuǎn)換成RS決策表。4)把從決策表中求取約簡(jiǎn)的問(wèn)題轉(zhuǎn)化為在區(qū)分矩陣中求取組合數(shù)最小的約簡(jiǎn)。5)計(jì)算決策屬性D對(duì)條件屬性C的依賴程度。6)產(chǎn)生免疫算法的初始抗體群并采用二進(jìn)制進(jìn)行編碼。7)計(jì)算抗原與抗體之間的親和度，取親和度的倒數(shù)作為抗體的適應(yīng)度函數(shù)；計(jì)算抗體在種群中的濃度。8)根據(jù)親和度和濃度，對(duì)抗體進(jìn)行相應(yīng)的促進(jìn)和抑制。9)將各抗體群中高親和度、低濃度的抗體存儲(chǔ)在記憶庫(kù)中保留并不斷更新。10)進(jìn)行選擇、交叉和變異操作，形成下一代父代抗體群。11)重復(fù)操作7)到10)至滿足終止條件，得到組合數(shù)最小的約簡(jiǎn)，即利用免疫算法得到的最佳約簡(jiǎn)。12)從最佳屬性約簡(jiǎn)集中提取故障規(guī)則。13)依照生成的故障定位規(guī)則進(jìn)行配網(wǎng)故障區(qū)段定位。配網(wǎng)出現(xiàn)故障后，安裝于各開(kāi)關(guān)處的FTU檢測(cè)到故障電流，與預(yù)定的故障電流定值比較后形成離散的故障信息。當(dāng)FTU收集到的故障報(bào)警信息被上傳到控制主站后，可根據(jù)RS-IA數(shù)據(jù)挖掘模型得到的決策規(guī)則，分析分段開(kāi)關(guān)電流越限信息與故障線路位置間的關(guān)系，找出該分段開(kāi)關(guān)電流越限信息所對(duì)應(yīng)的線路故障狀態(tài)，從而對(duì)配電網(wǎng)故障線路進(jìn)行正確定位。以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3