输电网络故障诊断方法基于强化神经P系统与自更新规则考虑生物细胞凋亡机制

文摘

电力传输网络中扮演重要角色的智能网格。快速和准确的机械故障的识别是至关重要的电力系统故障诊断;然而,由于是相当困难的不确定和不完整的故障报警信息在故障事件。本文提出了一种新的故障诊断方法的传输网络膜计算的框架。我们首先提出一个类强化神经P系统与自更新规则(srSNPS)考虑生物细胞凋亡机制及其自更新矩阵推理算法。srSNPS,第一次有效单元化粗糙集的属性约简能力和生物神经元的凋亡机制在P系统中,在细胞凋亡神经元算法条件设计了故障信息中删除冗余信息。这个简化了的复杂性srSNPS模型和允许我们处理故障的不确定性和不完备信息以客观方式不使用历史数据和专业知识。然后,srSNPS-based提出故障诊断方法。由传输网络分区,snp模型建立,脉冲值校正和计算,和保护装置的行为评价,前两个组件可以在失败之前完成节省诊断时间。最后,案例研究基于IEEE 14 -和IEEE 118总线系统验证了该方法的有效性和优越性。

1。介绍

快速、准确的故障诊断是非常重要的对电力系统恢复后严重停电(1,2]。这首先需要识别错误的设备(3,4]。识别错误的设备,调度员应首先分析故障报警信息收到监控和数据采集(SCADA)系统根据附属设施和运营经验。电力系统故障事件会导致大量的故障报警信息,其中部分可能是冗余的,不重要的错误。此外,保护装置也可能会导致不完整的行动失败的信息。所有这些情况下,可以增加故障报警信息的不确定性和不完备,使得故障诊断更加困难(4- - - - - -7]。因此,提高故障诊断方法的故障信息处理能力有缺陷的设备识别具有重要意义。

在过去的三十年里,一些故障诊断方法已经开发出来,如专家系统(ESs) [8,9),人工神经网络(ann) [10- - - - - -14),贝叶斯网络(bn) [15- - - - - -18),佩特里网(pn) [19- - - - - -24(岑)[],因果网络2,25(OMs)[],优化方法26- - - - - -30.),模糊逻辑(FL) [2,4,10,19- - - - - -21,23),粗糙集(RSs) (31日- - - - - -35P],强化神经系统(snp) (4,36- - - - - -38]。然而,每个上面的方法有其局限性,详细分析了(1,2,4- - - - - -6]。一般来说,这些方法的主要缺点包括(1)强烈依赖大量的历史数据,如bn, pn,人工神经网络,和单核苷酸多态性;(2)强烈依赖专家经验,如ESs、bn, pn,和单核苷酸多态性;(3)诊断结果的可解释性差,如人工神经网络、网络营销峰会,岑;(4)拓扑适应性差,如人工神经网络、网络营销峰会,和bn;(5)低的容错,OMs和人工神经网络等;和(6)不能单独使用,需要结合其他方法,比如FL和RSs。因此,如何改善上述方法或提出新的是在相应的工程领域的主要问题。

在这些故障诊断方法中,单核苷酸多态性是一种新型的仿生分布式并行计算模型、强大的信息处理和并行计算能力(大多数模型被验证是图灵等价的(39,40])。单核苷酸多态性已成为一个热点研究主题在膜计算(41)和自然计算。近年来,它已被用于探索新的故障信息处理机制和SNPS-based故障诊断方法具有丰富的成就。单核苷酸多态性是一种特殊的neural-like P系统(42),受生物神经元存储的机制,由脉冲传输和交换信息(峰值)从突触前神经元突触后神经元轴突在分布式和并行方式4,43,44]。由于相似性的不同神经元之间的传输通过突触和电力系统的故障传播,故障诊断模型基于激增的不同变体神经P系统提出了发现错误的原因故障事件设备(4,36- - - - - -38,45- - - - - -49]。

目前,SNPS-based故障诊断方法可以分为两类(根据故障信息处理方式):模糊推理与实数(FRRN) [36- - - - - -38,45- - - - - -48)和模糊推理与模糊数(FRFN) [4,50- - - - - -52]。FRRN指的是处理不确定和不完整的故障报警消息使用概率数字对应于行动的历史统计信息的保护装置,包括保护继电器(PRs)和断路器(CBs)。因此,FRRN强烈依赖于历史数据。然而,随着电力系统的日益复杂,很难准确获得的历史统计数据,并及时更新。对于第二种方法,FRFN是处理模糊数的不确定性和不完全性。王等人。4),首次介绍了梯形模糊数、故障模糊产生式规则,和错误的信心水平snp的框架提出一种故障诊断方法电力传输网络,神经元,尖刺、射击规则和射击条件重新定义。然后,道et al ., Yu et al .,和彭et al。50- - - - - -52继续探索和引入三角模糊数,区间值模糊数,和直觉模糊集,分别传输网络的故障诊断。FRFN然而,对于上述类型,不同类型的模糊数都是通过专家经验获得。因此,FRFN具有较高的主体性,其nonsubjectivity仍然是一个需要解决的难题。此外,FRRN和FRFN不考虑故障报警信息的预处理,即故障报警信息不能有效地利用建模SNPS-based诊断模型之前删除冗余信息。因此,在规模和复杂性(53- - - - - -56)增加电力系统和故障信息的冗余高,SNPS-based的容错方法将迅速减少。因此,应该更多的关注如何有效地克服上述的缺点。

相反,粗糙集(57,58)是一个典型的数学工具来处理不确定和不精确的信息在一个客观的方法。然而,粗糙集一般应结合其他方法,因为它只能理性和计算故障数据本身弱。为了解决上述问题,本文首先提出了一种强化神经P系统自更新规则(srSNPS)考虑生物细胞凋亡机制,集强大的客观性(即。,不需要任何先验或额外的信息(59])和良好的粗糙集的不确定性处理能力和优秀的并行信息处理能力的snp。然后,一个srSNPS-based输电网故障诊断方法是进一步设计。介绍了本文的主要贡献如下:(1)能够有效地处理不确定和不完整的故障信息以一种客观的方式,一个srSNPS及其凋亡算法(算法1提出了神经元)条件。这是第一次来有效地结合粗糙集的属性约简功能和细胞凋亡机制的生物神经元的膜计算的框架。这种方式使snp处理不确定性和不完全性没有历史统计数据和专家经验。(2)此外,自更新矩阵推理算法(算法2),自更新规则提出了输入神经元。所以,srSNPS能有效地综合利用故障信息包括行动信息,信息开始,overlimit信号的保护装置,以改善其不确定性和不完全基于一个简单的矩阵处理能力与生动的图形推理过程模型的方法。(3)根据拟议中的srSNPS和两个算法,结合深度优先搜索算法(DSA),重量网络分割方法(WNSM)和保护装置事件树(PDET),一个srSNPS-based故障诊断方法。该方法具有良好的诊断结果可解释性,同时保持降低故障宽容和诊断速度快的不确定性和不完全性下故障报警信息。此外,它不需要历史数据和专业知识。这些都不是以前的SNPS-based方法(甚至对所有图形推理诊断方法)。

本文的其余部分组织如下。部分2提出了srSNPS及其算法。提出了部分srSNPS-based故障诊断方法3。节4,该诊断方法应用于IEEE 14 - 118总线系统分析的有效性和优越性。结论终于在部分5。

2。强化神经P系统与自更新规则

本部分首先提出了其SMRA srSNPS然后礼物。

2.1。强化神经P系统与自更新规则

定义1。强化神经P系统自更新规则(srSNPS)是一个元组: 在哪里(1) 是一个单字母(被称为尖峰,是一组峰值)。(2) 被称为微环境,在哪里(一) ,是我th决策神经元(DN)和代表可疑故障设备的有针对性的电力网络,(我) 等于0或1代表的脉冲值我th DN时 。请注意,相对应的可疑故障设备缺点,反之亦然。(2) 是时间序列的峰值,DN在每个单位时间产生一个峰值。因此,形成一个脉冲值序列和记录后的DNT单位时间。(3) 是忘记的统治我th DN的形式 ,在哪里代表了srSNPS推理算法的推理步骤,即。,the self-updating matrix reasoning algorithm proposed in the next subsection. It means that if应用,然后钉在吗清空,计算过程将被重新初始化(即, )。的条件是 代表的脉冲值已经改变了。(b) ,是jth神经元(CN)的条件代表一个保护继电器和断路器的有针对性的电力传输网络,(我) 等于0或1代表的脉冲值jth CN在时间 。请注意,相对应的保护装置作用,反之亦然。(2) 是时间序列的峰值,CN在每个单位时间产生一个峰值。因此,形成一个脉冲值序列和记录后的CNT单位时间。(3) 是忘记的统治jth CN的形式 。它的意思是如果应用,然后钉在吗清空,计算过程将被重新初始化(即, )。的条件是 代表的脉冲值已经改变了。(c) 代表一个细胞凋亡规则与形式 ,这意味着,如果应用,然后执行其凋亡规则来确定它是否生命或死亡。也就是说,中枢神经系统执行算法1输出神经元生存条件(包含重要的信息) 。同时,中枢神经系统包括冗余信息死也不会参与故障推理。的条件是 显示规则可以应用当且仅当在吗初始配置(43)( )与(请参阅定义2)。(3) ,是我th命题神经元(PN)相应的保护装置或设备, 是jth规则神经元(RN)对应于故障产生式规则,和 ,在哪里(一) 和是脉冲值(0或1)命题神经元神经元和规则 ,分别。(b) 代表一个射击规则的与形式 ,在哪里是射击条件下,这意味着一次包含一个尖峰,可以应用。然后,将消耗一个尖峰脉冲值吗 ,产生一个新的峰值相同的脉冲值,然后传递到突触后神经元;代表一个射击规则的与形式 ,在哪里是射击条件下,这意味着一次包含一个尖峰,可以应用。然后,将消耗一个尖峰脉冲值吗 ,产生一个新的峰值脉冲值(等于0或1),然后将其突触后神经元。(c) 代表一个自更新规则的形式 。的条件是 ,这意味着可以应用当且仅当自更新操作符 。然后,将消耗一个尖峰脉冲值吗 ,产生一个新的峰值脉冲值(等于0或1,称为antispike ),然后 。注意,只有输入神经元的命题包含自更新规则。(4) 与对所有 为是一个有向连接神经元之间的突触联系。(5) 表明神经元的输入和输出神经元集合,分别。注意,如果一个PN是一个输入神经元,它对应于一个保护装置,即。、保护继电器、断路器。在这种情况下,脉冲值代表相应的保护装置的动作信息意味着设备作用,意味着它不。如果PN是一个输出神经元,它对应于可疑故障设备。在这种情况下,表明该设备是错误的意味着它不是。

定义2。学位的重要性( )是 在哪里的条件信息熵(CIE)其他条件后神经元决策神经元死亡。

定义3。神经元的CIE条件是 在哪里被称为宇宙,是一个DN,代表的概率在U, 表示事件的概率下发生的事件 。

定义4。 神经元的srSNPS知识库 ,在哪里是一个非空的有限集的属性。集 和 的分区和在 ,分别。的概率分布和在代数子集组成的是 在哪里和 。
算法1规则用于细胞凋亡是细胞凋亡神经元算法的条件,描述如下。它的输出是一组神经元生存条件l。的神经元l将连接根据定义的突触连接规则吗5。

定义5。突触连接规则在这项研究(1)读取的信息序列DNs和生存中枢神经系统形成的最低降低决策表(MRDT);(2)创建一个断层MRDT生产规则集(玻璃钢);和(3)意识到突触连接根据生产玻璃钢的规则。注意,只有活着的神经元(包括DNs和生存的中枢神经系统)可以建立突触。死者神经元无法建立任何有效的条件。
提高清晰度,神经元和微环境的示意图如图所示1,图srSNPS如图的进化过程2,ODT代表原始决策表的故障诊断。srSNPS,神经元有三种类型的规则,例如,一般- - - - - -,和- - - - - -,或规则神经元。他们可以代表故障产生式规则但不同处理方法的峰值,将详细描述部分2。2。

2.2。自更新矩阵推理算法

解释SMRA,首先介绍其向量,矩阵,和运营商如下:(1) 是一个脉冲值向量pn,在哪里 代表的脉冲值我th PN 。如果是一个输入神经元,然后呢意味着相关的保护装置已经采取了行动,意味着它没有采取行动。如果是一个输出神经元,然后意味着相应的可疑设备故障,意味着它不是错误的。(2) 是RNs的脉冲值向量,在哪里( )的脉冲值吗jRN th。(3) 是一个自更新算子向量输入神经元,在哪里 自更新算子的吗我th输入神经元。(4) 是一个突触矩阵代表指示从pn突触连接一般RNs。如果有一个从PN突触来一般RN ,然后d_ij= 1;否则,d_ij= 0。(5) 是一个突触矩阵代表指示从pn突触连接和RNs。如果有一个从PN突触来和RN ,然后d_ij= 1;否则,d_ij= 0。(6) 是一个突触矩阵代表指示从pn突触连接或RNs。如果有一个从pn突触来或RN ,然后d_ij= 1;否则,d_ij= 0。(7) 是一个突触矩阵代表pn的指示从RNs突触连接。如果有一个从RN突触对PN ,然后e_霁= 1;否则,e_霁= 0。(8) ,在哪里 。(9) ,在哪里 。(10) ,在哪里 。同样的, ,在哪里 。

平行的原因并计算故障报警信息,我们设计的SMRA srSNPSs如下。

3所示。提出的方法

本节提出了一种故障诊断方法,基于srSNPS电力传输网络,其流程图如图3和描述如下:步骤1:传输网络分区。(一)生成的深度- - - - - -第一次搜索树(DST)。采用深度优先搜索算法(60,61年)简化生成相应的DST的数字传输网络,节点代表的公交车。(b)把DST。使用重量网络分割方法(60,61年)将DST同时确保每个子网后网络分区的计算负担大约是相同的。第二步:建立一个为每个子网srSNPS-based故障诊断模型。子网执行以下步骤(一)- (d)并行的方式:(一)选择生活的神经元。(我)传输故障的ODT进入微环境,即,feed conditional attributes of the ODT into CNs in米_e和决策属性为DN神经元。(2)中枢神经系统(即细胞凋亡执行规则。、算法1)选择生存的。这一步的目的是选择出重要的故障报警信息(即。,核心属性故障信息)通过删除冗余的。(b)建立MRDT。阅读的信息序列DNs和中枢神经系统形成MRDT生存。(c)创建通过获得MRDT玻璃钢。(d)意识到建立一个srSNPS突触连接- - - - - -为每个子网的基础模型。根据定义建立突触5。注意,每个故障产生式规则对应于一个规则神经元,而每个前提或结论的命题规则与命题神经元。现在,生存CNs变异输入pn和DNs变异输出pn。输入的脉冲值pn代表核心属性故障信息(PRs的相应行动信息或CBs)故障报警信息。第三步:正确输入神经元的脉冲值。综合利用保护装置的启动信息和操作信息基于故障信息矩阵(请参阅分段3所示。1)输入神经元的自更新算子向量,例如, 。然后,每个输入神经元自更新规则修正和更新其适用于脉冲值。因此,错误的动作信息的保护设备是纠正,因为每个输入神经元的脉冲值代表的行动信息保护继电器或断路器。这一步的流程图如图4。第四步:计算输出神经元的脉冲值。每个子网执行SMRA(即。、算法2)其srSNPS-based故障诊断模型的并行推理方式输出神经元的脉冲值。第五步:输出诊断结果。当且仅当一个输出神经元的脉冲值是1,其相应的设备故障。第六步:评估不确定行为的保护设备。搜索保护装置事件树(PDET,请参阅分段3所示。2)发现虚假或失去了保护装置的报警信息。

步骤1的目的包括(a)简化决策样本srSNPS-based诊断模型。典型的基于粗糙集的故障诊断方法建立ODT故障事件通过断层数据的整个传输网络,而我们提出的方法同时建立每个子网的ODT;(b)提高网络的拓扑适应性。当传输网络的拓扑结构发生变化时,只需要修改srSNPS-based诊断模型,相应的子网。此外,完成步骤1和2在故障发生之前,和步骤3 - 6失败后立即执行。因此,该方法可以节省一些时间。

3.1。正确输入神经元的脉冲值srSNPS-Based诊断模型

定义的故障信息矩阵CB(标记) 在哪里PRs的启动信息,PRs的行动信息,代表的主要保护,首先备份保护,第二备份保护,和巴士保护继电器与CB,分别;CB的行动信息。尤其是,如果没有公共汽车公关, 。

定义故障信息识别矩阵作为 在哪里 代表的地位相应的公关和决策价值 是操作。当 ,读overlimit保护装置的信号对应于可疑的设备。

是自更新算子向量输入神经元。定义 作为 的符号“-”不是分数。上面的符号“-”表示自更新运营商的线路保护装置与输入神经元,而那些在“-”代表自更新运营商的公交车。

3.2。事件树搜索的保护装置

根据PRs的消息开始和行动,行动CBs消息,和overlimit信号故障设备的PDET故障事件生成如图5,在那里和的启动和操作信息吗我分别th公关,相应的行动信息CB,的overlimit信号是错误的设备我们已经找到;消息是由开始和行动,overlimit信号表示和保护装置由的行为;上面的粉红色象征代表相应的保护装置已经采取行动,而灰色意味着它不。当有缺陷的设备3一步一步,然后搜索PDET评估不确定行为的保护设备。

4所示。案例研究

该方法应用于IEEE 14-bus和IEEE 118总线系统,证明其有效性和优越性。

4.1。IEEE 14-Bus系统

有14个巴士20行40断路器,40线主要保护继电器、40行第一个备份保护继电器、40行第二备份保护继电器,14-bus保护继电器。

以下4.4.1。对比试验

10例,包括不确定性和不完全性,如误操作和错误信息,用来做对比的方法和三种典型的故障诊断方法,即。因果网络(岑)(2),模糊Petri网(红外系统)(18激增,模糊推理神经P系统(FRSNPS) (36]。选择三种方法的原因是,他们的表现在许多其他方法已被证明。诊断结果如表所示1。

在1和2的情况下,四种方法可以找到合适的有缺陷的设备。因此,它们都是有效的没有不确定或不完整的故障信息。例3,只有方法和FRSNPS成功,而岑和红外系统都失败了。例4 - 7,只有我们的方法可以准确地诊断出故障。例8 - 10三个极端例子,即。,all the action information of protective relays or circuit breakers are lost. The CEN, FPN, and FRSNPS are all failed for cases 8–10, while our method is successful for cases 8 and 9 and failed for the case 10. This is because the lost information in cases 8 and 9 is the redundant information in our method, and the one in case 10 is the core attribute information. Therefore, we can see that if the uncertainty and incompleteness occur in the redundant information, it has no effect on the diagnosis results of the proposed method. However, when it happens in the core attribute information, it will influence the results. Fortunately, due to the stability of the relay protection system, the case of complete loss of all core attribute information is very rare under normal operation of power systems. Therefore, Table1表明,该方法可以获得令人满意的结果的不完整或不确定的情况下为一个或多个故障报警信息。

此外,岑的计算复杂性,红外系统,FRSNPS进行了分析。注意,这四个方法的计算复杂性都以线性顺序。自该方法减少神经元凋亡算法冗余信息的条件,神经元的数量用于建立srSNPS-based故障诊断模型小于岑,红外系统,FRSNPS。冗余信息,该方法的计算复杂度越小。在故障诊断的问题,通常是冗余信息。所以,上限方法的算法计算复杂度远低于其他三种方法。因此,我们可以看到,虽然我们的方法需要更多的信息(如开始信息和overlimit信号)来提高其诊断准确性、时间复杂度不增加。

4.1.2。干扰测试

来验证我们的方法的容错能力,我们采取不同的不确定信息下的干扰测试比率(国关)。测试结果如表所示2。

国关的定义为 在哪里是错的数量从SCADA系统和报警信息的数量是不确定的故障信息,拒绝操作,造成的不必要的操作,和信息损失的保护装置(包括PRs和CBs)。

在表2,每个不同的诊断准确性是通过计算均值低于1000随机测试。注意,标题“不确定性在RAI”和“不确定性CAAI”代表不确定的故障报警信息只出现在冗余报警信息(RAI)和核心属性报警信息(CAAI),分别。RAAI此外,“不确定性”表示不确定的随机故障报警信息出现在RAI CAAI,叫做随机属性(RAAI)报警信息。表2表明,当不确定报警消息中包含都是RAI,诊断精度最高的比其他两种情况。这是因为拉伊在步骤2中删除(a)和故障诊断过程中不使用。当RAI太多,它会干扰的判断应该使用的CAAI诊断过程。因此,当不确定性在RAI,诊断精度小于100%,它将减少与增加RAI的国关。

中包含的不确定的故障信息CAAI RAAI,诊断精度也很高,因为一开始信息和overlimit信号保护装置将保证诊断的准确性。表2表明该方法的诊断准确性非常高时小于5%,诊断结果仍可接受的什么时候在5%和10%之间。诊断精度迅速下降是10%以上。幸运的是,这种情况不会发生,除非有攻击62年,63年]。因此,我们可以从表中2该方法的诊断准确性高的三个案例(不确定性在RAI, CAAI RAAI,分别)小于5%,RAI较小对故障诊断结果的影响。

4.1.3。工作的细节提出的故障诊断方法

本节以IEEE 14-bus系统作为一个例子来说明所提出的故障诊断方法。

(1)网络分区。系统首先是抽象DST的深度优先搜索算法,如图6(一)。然后,重量网络分割方法是用来把DST,如图6 (b)。子网划分后的关系如图7。注意,图中的每一行的信息7将使用其相关子网。最后,我们得到网络分区的结果,如图8。

(2)建立srSNPS-Based模型子网。子网S6被认为是展示如何建立一个子网srSNPS-based故障诊断模型。S6的保护配置图所示9。

首先,ODT S6通过建立保护配置信息和PRs之间的因果关系和哥伦比亚广播公司(CBs)。然后,我们获得生活神经元通过执行步骤2 (a)节3,在那里 。最后,获得MRDT(表所示3创建)和相应的玻璃钢S6,如表所示4。

S6 srSNPS-based诊断模型建立,如图10根据玻璃钢,通过连接突触表所示4和突触连接规则给出定义5。

(3)计算过程。在本节中,在表31被认为是一个例子显示一个srSNPS-based模型是如何工作的。

例3。l_1213年和B₁₂的错。操作保护继电器:高_1213年,高_1213年和单反_0612年。绊倒哥伦比亚广播公司:CB_1206年。失去了信息:CB_1312年和CB_1213年。从SCADA系统获得的故障报警信息如表所示5。

根据表5,我们可以得到CB的故障信息矩阵_1213年,CB_1312年,CB_1206年这是 , ,和 ,分别。根据他们的故障信息,识别矩阵 , ,和得到了。

输入神经元的自更新矢量

命题神经元的脉冲值向量之前修正

命题神经元的脉冲值向量修正后

当SMRA停止,我们得到

现在,两个输出神经元的脉冲值和是1。因此,相对应的设备故障,即。,我_1213年和B₁₂已经失败了。

然后,我们搜索PDET图5故障事件,”B₁₂是错误的”,搜索路径,即,the action information of CB_1213年是输了。保护装置的动作信息的L_1213年可以以类似的方式。最后,我们发现CB的行动信息_1206年,CB_1312年,CB_1213年是输了。计算工作进行了MATLAB运行在一台计算机,计算时间是0.001675秒。电脑配备一个英特尔®™核心i7 - 6700 @ 3.40 GHz CPU、32.0 G RAM和64位的Windows 7操作系统。

4.2。IEEE 118总线系统

IEEE 118总线系统是复杂的,它有118辆公交车,180行,360断路器,360线主要保护继电器、360线的第一备份保护继电器、360线第二备份保护继电器和236总线保护继电器。该系统分为12个子网,如图11。对于这个系统,十个典型案例被认为为该方法做对比测试,岑,红外系统,FRSNPS。结果如表所示6。

在表6,例1 - 4有错误信息丢失较少,例5 - 10有缺点严重信息丢失或许多信息错误。在1和2的情况下,所有的四个方法可以诊断正确的有缺陷的设备。案例3的红外系统是失败的,而其他三种方法是成功的。例4,只有我们的方法能正确的故障诊断和所有的其他三个错过了设备故障的诊断方法。例5,岑和红外系统是失败的,而FRSNPS和该方法是成功的。案例6,theCEN、红外系统和FRSNPS错过了诊断,同时该方法可以诊断正确的故障。当丢失的信息增加,如例7号到9号,岑错过了故障诊断设备,红外系统,和FRSNPS变得更加严重,而该方法仍然是成功的。此外,10例,不仅许多故障报警消息丢失,而且涉及到虚假信息。结果表明,对于这种情况,我们的方法仍然是有效的,而其他三种方法误诊的缺点。

这是因为减少冗余的故障报警信息能力的细胞凋亡算法(算法1)和虚假信息校正能力自更新规则保证高容错的方法。因此,我们可以看到从表6该方法也可以获得令人满意的结果的一个复杂的系统故障信息丢失和信息错误。

此外,进一步证明了该方法的有效性和优越性,IEEE 118总线系统是用来做不同的干扰测试 。干扰测试方法是一样的,IEEE 14-bus系统和测试结果如表所示7。表7表明,当不确定报警消息仅出现在RAI,诊断精度是最高的。另外,当不确定的故障信息中包含CAAI RAAI,诊断精度也很高。比较的数据表2和7我们发现,相同的情况下,IEEE 118总线系统的诊断准确性只有0.01低于平均IEEE 14-bus系统。因此,表7表明该方法仍然是可行的和有效的诊断准确性和高容错为复杂系统不同的缺点。

5。结论

减少错误造成的历史统计数据,专业知识,和冗余故障信息,提出了一种故障诊断方法,基于一个srSNPS输电线路,考虑到生物细胞凋亡机制。粗糙集的属性约简能力和神经元的凋亡机制集成在一个系统框架的膜第一次计算。srSNPS可以处理不确定和不完整的故障报警信息没有历史统计数据和专家经验,而其凋亡CNs算法建模之前可以删除冗余的故障信息。这简化了问题的复杂性。此外,传输网络分区提高了拓扑自适应能力。案例研究表明,该方法具有较高的诊断准确性和容错性好的诊断结果的可解释性和速度快。由于电力系统故障诊断的复杂性,未来的工作将集中在不同的应用程序,如发电厂、变电站、配电网络,综合能源系统,cyber-physical电力系统考虑网络攻击。

命名法

SCADA:	监控和数据采集
ES:	专家系统
安:	人工神经网络
BN:	贝叶斯网络
PN:	佩特里网
岑:	因果网络
OM:	优化方法
FL:	模糊逻辑
拉尔夫-舒马赫:	粗糙集
单核苷酸多态性:	强化神经P系统
FRRN:	模糊推理与实数
FRFN:	模糊推理与模糊数
srSNPS:	强化神经P系统自更新规则
SMRA:	自更新矩阵推理算法
DSA:	深度优先搜索算法
WNSM:	重网络分割方法
PDET:	保护装置事件树
DN:	决策的神经元
CN:	条件下神经元
公关:	保护继电器
CB:	断路器
PN:	命题神经元
RN:	规则神经元
CIE:	条件信息熵
MRDT:	最低降低决策表
玻璃钢:	生产故障规则集
ODT:	原始决策表
红外系统:	模糊Petri网
FRSNPS:	模糊推理神经飙升P系统
UIA:	不确定的信息比
意大利广播电视公司:	冗余报警信息
CAAI:	核心属性报警信息
RAAI:	随机属性报警信息。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

所有作者宣称他们没有利益冲突。

确认

本研究部分资助来自中国的国家自然科学基金(61703345)、四川省教育部门的重点基金项目(18 za0459),中国教育部春晖计划基金会(Z201980),西华大学重点科研基金项目(Z17108),支持重点实验室的开放课题流体和动力机械(西华大学),教育部(szjj2019-27),年轻学者储备人才支持项目的西华大学,西华大学和研究生创新基金(ycjj2019047)。

引用

1. 朱y l·霍,j . Lu”贝叶斯为基础的网络方法对电力系统故障诊断,”IEEE电力交付,21卷,不。2、473 - 477年,2018页。视图:谷歌学术搜索
2. W.-H。陈,“在线故障诊断电力传输网络使用模糊有向图模型,”IEEE电力交付,27卷,不。2、688 - 698年,2012页。视图:出版商的网站|谷歌学术搜索
3. s . Roostaee m . s . Thomas, s . Mehfuz”实验研究基于阻抗长输电线路故障定位,“现代电力系统的保护和控制,卷2,不。1,第177 - 169页,2017。视图:出版商的网站|谷歌学术搜索
4. g . t . Wang, j .赵z, j . Wang和m . j . Perez-Jimenez“基于模糊推理的电力系统故障诊断神经飙升P系统,”IEEE电力系统,30卷,不。3、1182 - 1194年,2015页。视图:出版商的网站|谷歌学术搜索
5. 小王和d .赵”,研究回顾和电网故障诊断的前景,”电力系统的自动化第41卷。。19日,164 - 175年,2017页。视图:谷歌学术搜索
6. 美国林、z .他和d .赵”审查和发展对电网故障诊断,”电力系统保护和控制,38卷,不。4、140 - 150年,2010页。视图:谷歌学术搜索
7. 崔y, j·史和z,“电力系统故障诊断推理和基于改进的时间约束网络,”IEEE电力交付没有,卷。31日。3、946 - 954年,2016页。视图:出版商的网站|谷歌学术搜索
8. z . a .淡水河谷和马沙e莫拉”时态推理的专家系统在电力系统控制中心报警处理,”IEEE电力系统,8卷,不。3、1307 - 1314年,1993页。视图:出版商的网站|谷歌学术搜索
9. d·马梁y、x赵r .关和x史,“powersystem Multi-BP专家故障诊断系统”,人工智能技术的工程应用,26卷,不。3、937 - 944年,2013页。视图:出版商的网站|谷歌学术搜索
10. 周宏儒。李,D.-Y。公园,s。安,Y.-M。公园,j。公园,s . s . Venkata”集成故障诊断模糊专家系统,”IEEE电力交付,15卷,不。2、833 - 838年,2000页。视图:出版商的网站|谷歌学术搜索
11. d . Thukaram惠普Khincha,惠普Vijaynarasimha,“人工神经网络和支持向量机方法查找故障在径向分布的系统中,”IEEE电力交付,20卷,不。2、710 - 721年,2005页。视图:出版商的网站|谷歌学术搜索
12. g . Rigatos、施肥和p•夏诺表示:“级联事件的早期检测的神经网络方法在电力系统中,“专业生成、传输和分配,3卷,不。7,650 - 665年,2009页。视图:出版商的网站|谷歌学术搜索
13. 米兰达诉,a·r·g·卡斯特罗和美国利马”与autoassociative电力变压器故障诊断神经网络和转变,”IEEE电力交付,27卷,不。3、1350 - 1357年,2012页。视图:出版商的网站|谷歌学术搜索
14. a·弗洛雷斯Novelo大肠Quiles Cucarella, e·加西亚·莫雷诺和f . Morant Anglada,“电力输电线路故障诊断使用模块化神经网络,”IEEE拉丁美洲事务,14卷,不。8,3663 - 3668年,2016页。视图:出版商的网站|谷歌学术搜索
15. z永丽,h .正规l .金陵,”贝叶斯为基础的网络方法对电力系统故障诊断,”IEEE电力交付,21卷,不。2、634 - 639年,2006页。视图:出版商的网站|谷歌学术搜索
16. m·m·曼苏尔·m·a·a·瓦哈卜和w·m·苏,”贝叶斯网络故障诊断的一个大型电站输电线路,”电力组件和系统,40卷,不。8,845 - 863年,2012页。视图:出版商的网站|谷歌学术搜索
17. b . Cai、l·黄和m .谢“贝叶斯网络在故障诊断,”IEEE工业信息,13卷,不。5,2227 - 2240年,2017页。视图:出版商的网站|谷歌学术搜索
18. Cai, y,问:风扇et al .,“基于多源信息融合的故障诊断的地源热泵技术利用贝叶斯网络,”应用能源卷,114 - 2014页。视图:出版商的网站|谷歌学术搜索
19. j .太阳S.-Y。秦,黄懿慧歌,“电力系统故障诊断基于模糊Petri网,“IEEE电力系统,19卷,不。4、2053 - 2059年,2004页。视图:出版商的网站|谷歌学术搜索
20. 罗x和m . Kezunovic”,实现模糊推理皮特里网故障部分估计,“IEEE电力交付,23卷,不。2、676 - 685年,2008页。视图:谷歌学术搜索
21. y, y, f .温家宝et al .,“基于模糊Petri网的方法在电力系统故障诊断考虑时间约束,“国际期刊的电力和能源系统和能源系统卷,78年,第224 - 215页,2016年。视图:出版商的网站|谷歌学术搜索
22. x通、h·谢和m .太阳,“基于分层的佩特里网络的电力系统故障诊断模型考虑时间约束检查,”电力系统的自动化,37卷,不。6,63 - 64年,2013页。视图:谷歌学术搜索
23. x张,美国曰,x咋”的电网故障诊断方法利用直觉模糊Petri网,“专业生成、传输和分配,12卷,不。2、295 - 302年,2018页。视图:出版商的网站|谷歌学术搜索
24. 江z z,李、吴n和m .周,”佩特里网电力传输系统的故障诊断和恢复方法避免变电站的输出中断,”IEEE系统杂志,12卷,不。3、2566 - 2576年,2018页。视图:出版商的网站|谷歌学术搜索
25. W.-H。陈,工程学系。蔡,我。林,“断层剖面估计电网使用逻辑因果模型,”IEEE电力交付,26卷,不。2、963 - 971年,2011页。视图:出版商的网站|谷歌学术搜索
26. f .温家宝和z汉”,断层部分估计使用遗传算法在电力系统,”电力系统研究,34卷,不。3、165 - 172年,1995页。视图:出版商的网站|谷歌学术搜索
27. 郭w·f·温z,辽、l . Wei和j .鑫“基于模型的分析方法对电力系统警报处理雇佣时间约束网络,”IEEE电力交付,25卷,不。4、2435 - 2447年,2010页。视图:出版商的网站|谷歌学术搜索
28. 李x, s .柯z h·翁,x汉,“电力系统故障诊断的方法基于改进目标函数和遗传algorithm-tabu搜索,“IEEE电力交付,25卷,不。3、1268 - 1274年,2010页。视图:出版商的网站|谷歌学术搜索
29. y, c . y .涌温,和j .钟”分析模型在电力系统故障诊断利用冗余和时间信息的报警消息,“IEEE电力系统没有,卷。31日。6,4877 - 4886年,2016页。视图:出版商的网站|谷歌学术搜索
30. s . t . Wang曾庆红,g, m . j . Perez-Jimenez和j·王,“断层部分估计电力系统优化强化神经P系统,”罗马尼亚的信息科学和技术杂志》上,18卷,不。3、240 - 255年,2015页。视图:谷歌学术搜索
31. J.-T。彭、c·f·简和t . l . b .曾“粗糙集理论的数据挖掘对配电线路故障诊断,”IEE Proceedings-Generation、传输和分布,卷151,不。6,689 - 697年,2004页。视图:出版商的网站|谷歌学术搜索
32. 赵y, z, j . et al .,”一个电网基于粗糙集理论的故障诊断方法和朴素贝叶斯网络,”电力系统技术没有,卷。31日。1,37-43,2007页。视图:谷歌学术搜索
33. C.-L。和美国j . p . a .克罗斯利何珥华生,”建筑知识substation-based使用粗糙集决策支持,”IEEE电力交付,22卷,不。3、1372 - 1379年,2007页。视图:出版商的网站|谷歌学术搜索
34. 问:太阳,c . Wang和刘x, z . Wang“智能电网的故障诊断方法基于粗糙集与遗传算法和禁忌搜索相结合,“神经计算和应用,23卷,不。7 - 8,2023 - 2029年,2013页。视图:出版商的网站|谷歌学术搜索
35. r . Ghimire c·张,k . r . Pattipati”粗略set-theory-based电动动力转向系统的故障诊断方法,”IEEE / ASME举办,23卷,不。5,2042 - 2053年,2018页。视图:出版商的网站|谷歌学术搜索
36. m·h·彭j . Wang j . Perez-Jimenez h . Wang j .邵和t . Wang”激增模糊推理神经P系统,故障诊断,”信息科学卷,235年,第116 - 106页,2013年。视图:出版商的网站|谷歌学术搜索
37. g .熊d, l·朱,x段,“电力系统故障诊断的新方法使用模糊推理神经飙升P系统,”数学问题在工程,卷2013,不。1,ID 815352条,13页,2013。视图:出版商的网站|谷歌学术搜索
38. h . m .你j . Wang彭et al .,“应用自适应模糊神经飙升P系统在电力系统故障诊断中,“中国电子杂志,23卷,不。1,第92 - 87页,2014。视图:谷歌学术搜索
39. l .锅g . Păun g . Zhang和f .内里,“强化神经P系统与通信请求,”国际期刊的神经系统,27卷,不。8,1750042页,2017年。视图:出版商的网站|谷歌学术搜索
40. t . Wu a . Păun z . Zhang et al .,“强化神经P系统与通信请求,”IEEE神经网络和学习系统卷,29号8,3349 - 3360年,2018页。视图:谷歌学术搜索
41. g . Păun g . Rozenberg, a . Salomaa膜计算的牛津手册英国伦敦,牛津大学出版社,2009年。
42. j·j·t . Wang Wang Ming et al .,“应用neural-like P系统状态值功率协调光伏电池/微型电网,“IEEE访问》第六卷,第46642 - 46630页,2018年。视图:出版商的网站|谷歌学术搜索
43. m . Ionescu g . Păun, t . Yokomori“P强化神经系统,”Fundamenta Informaticae,卷71,不。2 - 3、279 - 308年,2006页。视图:谷歌学术搜索
44. x t . Wang Wei,黄t . et al .,”模型在电力系统故障传播路径:一个新的框架基于事件SNP系统与神经递质浓度,”IEEE访问7卷,第12808 - 12798页,2019年。视图:出版商的网站|谷歌学术搜索
45. j . Wang j . m . Perez-Jimenez h .彭施P、m .涂,“电力系统故障诊断的方法基于一种改进的自适应模糊神经飙升P系统和PSO算法,”中国电子杂志,25卷,不。2、320 - 327年,2016页。视图:出版商的网站|谷歌学术搜索
46. g . t . Wang, m . j . Perez-Jimenez和j . Cheng”加权模糊推理神经飙升P系统:应用程序故障诊断在高速铁路牵引供电系统,”计算和理论纳米科学杂志》上,12卷,不。7,1103 - 1114年,2015页。视图:出版商的网站|谷歌学术搜索
47. 黄y, t . Wang k . et al .,“地铁牵引供电系统的故障诊断使用修改后的模糊推理神经飙升P系统,”罗马尼亚的信息科学和技术杂志》上,18卷,不。3、256 - 272年,2015页。视图:谷歌学术搜索
48. k, t . Wang y, g . Zhang和m . j . Perez-Jimenez”时间模糊推理飙升神经P为电力系统故障诊断系统与实数,”计算和理论纳米科学杂志》上,13卷,不。6,3804 - 3814年,2016页。视图:出版商的网站|谷歌学术搜索
49. 张g . t . Wang, m . j . Perez-Jimenez”模糊膜计算:理论和应用程序”,国际计算机通信与控制杂志》上,10卷,不。6,144 - 175年,2015页。视图:出版商的网站|谷歌学术搜索
50. c . t w . Yu j . Wang h .彭k . Chen和j·明,“电力系统故障诊断基于三角模糊强化神经P系统,”仿生Computing-Theories和应用程序卷,618年,第398 - 385页,2017年。视图:出版商的网站|谷歌学术搜索
51. h . j . w . Yu Wang彭et al .,“电力系统故障诊断使用模糊推理神经飙升P系统与区间值模糊数,“罗马尼亚的信息科学和技术杂志》上,1卷,不。20日,5,2017页。视图:谷歌学术搜索
52. j·h·彭j . Wang Ming et al .,“电力系统故障诊断使用P直觉模糊强化神经系统,”IEEE智能电网,9卷,不。5,4777 - 4784年,2018页。视图:出版商的网站|谷歌学术搜索
53. x t . Wang Wei,黄t . et al .,“级联故障分析考虑极端的病毒传播cyber-physical系统在智能电网中,“复杂性卷,2019篇文章ID 7428458, 15页,2019年。视图:出版商的网站|谷歌学术搜索
54. x,美国高,黄t, t . Wang和w .粉丝,“识别两个漏洞特征:一个新框架为电气网络基于复杂网络的负荷再分配机制,“复杂性ID 3531209条,卷。2019年,14页,2019。视图:出版商的网站|谷歌学术搜索
55. x,美国高,黄t . e . Bompard r .π,t·王,“复杂的基于网络的级联故障图传输网络脆弱性的分析,“IEEE工业信息,15卷,不。3、1265 - 1276年,2019页。视图:出版商的网站|谷歌学术搜索
56. h·荣,k, g . Zhang j .董P .保罗,和黄z”自动实现模糊推理神经飙升P系统故障诊断复杂的电力系统,”复杂性卷,2019篇文章ID 2635714, 16页,2019年。视图:出版商的网站|谷歌学术搜索
57. pswlak z”,粗糙集和智能数据分析,“信息科学,卷147,不。1 - 4、1 - 12,2002页。视图:出版商的网站|谷歌学术搜索
58. r·詹森和沈问:计算智能和功能选择:粗糙的和模糊的方法美国新泽西州霍博肯市Wiley-IEEE出版社,2008年。
59. h·李、周x和h·宾”的方法来确定α在基于联系度的粗糙集模型系统工程与电子技术》杂志上,20卷,不。1,第105 - 98页,2009。视图:谷歌学术搜索
60. 严t Bi焦l . z, et al .,”图分区方法,分布式电网故障部分的评估系统,”电力系统的自动化,25卷,不。16日,16日,2001页。视图:谷歌学术搜索
61. t . Bi y倪,c . m .沈和f·f·吴,“有效的多路图分区故障部分的评估方法在大规模电力网络,”IEE Proceedings-Generation、传输和分布,卷149,不。3、289 - 294年,2002页。视图:出版商的网站|谷歌学术搜索
62. w .风扇和y廖”,基于广域测量输电线路故障检测和定位方法,”现代电力系统的保护和控制,4卷,不。4,53 - 64年,2002页。视图:谷歌学术搜索
63. a·穆罕默c·杨,问:陈,“攻击检测/隔离cyberphysical系统通过一个安全的多传感器融合框架,“复杂性卷,2018篇文章ID 1240149、8页,2018。视图:出版商的网站|谷歌学术搜索