基于差分进化Takagi-Sugeno模糊神经网络的电网故障诊断模型

吴 杨,姚 刚,徐 胜,杜 江,陈锦龙,李长松,熊国江

(1.贵州电网有限责任公司电力调度控制中心,贵州 贵阳 550002;2.贵州大学电气工程学院,贵州 贵阳 550025)

0 引言

能源互联的发展使得电网规模和网络拓扑结构日趋复杂,对电网故障诊断方法提出了更高要求。目前,关于电网故障诊断智能技术主要有专家系统[1]、图形理论[2-4]、模糊理论[5]、解析模型[6-7]和神经网络[8-9]等。其中,神经网络推理能力强、容错性好,在电网故障诊断中备受关注。

基于神经网络的电网故障诊断策略主要分为集中诊断[10-11]、分区诊断[12-13]以及面向元件诊断[14]。集中诊断是以整个电网为对象进行神经网络模型构建,以实现故障元件识别。该诊断策略原理简单、易于编程,但其模型易陷入“维数灾”,故仅适用于小规模电网。分区诊断是将大规模电网划分为若干个小规模电网,并针对小规模电网进行模型建立,从而解决“维数灾”问题,但却增加了分区间联络线的二次诊断,加大了诊断的复杂度。面向元件诊断则是以电网元件(母线、线路和变压器)为对象分别构建相应的神经网络模型,不仅解决了“维数灾”问题,还能有效降低故障诊断的复杂度。文献[14]构建了面向元件的径向基函数神经网络(BRFNN)故障诊断模型,虽极大地降低了模型的“维数灾”压力,但RBFNN模型在面对复杂故障时,其诊断容错性较低。

在故障诊断中,无论采用哪种诊断策略,均无法规避故障信息中存在的拒动、误动等不确定性信息。实际上,关于故障信息中存在的不确定因素可以利用模糊规则进行很好地分析和描述。而Takagi-Sugeno模糊神经网络(TSFNN)是神经网络和模糊集理论的有效结合体,既具备神经网络的优势,还具备模糊表达的优点[15]。针对该网络,一般使用聚类步骤来确定TSFNN的结构参数,然后使用最小二乘法、回归法或启发式算法等确定其网络参数,这种分阶段参数确定方法会破坏这2类参数之间的相互依存关系,难以保证所获模型具备良好的诊断特性[16]。

为综合神经网络模型和面向元件诊断的优势,本文提出基于改进差分进化TSFNN(IDE-TSFNN)的电网故障诊断模型。

1 Takagi-Sugeno模糊神经网络

一般来说,TSFNN由几个或多个IF-Then规则组成,而规则结果通常是常数或者导入的线性函数。一条典型的模糊规则可以描述如下:

TSFNN模型结构以及第i条规则网络结构如图1所示。其规则由前件参数和后件参数构成,前件参数用以匹配其模糊变量A,而后件参数用于产生模糊规则。

图1 Takagi-Sugeno模糊神经网络模型结构

假设模型输入为x= [x1,x2,…,xn]T,TSFNN的最终输出为y,其计算公式为

(1)

yRulei为第i条规则的最终输出,其由前件网络和后件网络共同作用所得。

yRulei=Ri×ui

(2)

ui为第i条模糊规则的权重,即前件网络最终输出参数,其计算式为

(3)

(4)

cij和bij为隶属度函数的中心和宽度,且同时为TSFNN的前件参数。

2 改进差分进化算法

2.1 基本DE算法

差分进化算法(DE)[17]是一种优化性能较强的进化算法,因其具备强大的稳定性、寻优能力以及开发能力,而被广泛应用于电力系统各领域。基本DE算法具体操作步骤如下:

a.种群初始化。

在D维空间中,含NP个个体的种群可以被编码为NP×D的矩阵。其中,第m个个体可描述为

xm,g=[x1,m,g,x2,m,g,…,xD,m,g]

(5)

g为迭代次数;m=1,2,…,NP。其种群初始化操作为

xd,m,g=xd,min+rand(0,1)×(xd,max-xd,min)

(6)

xd,max和xd,min分别为xd的最大值和最小值,d=1,2,…,D;rand(0,1)为[0,1]之间的随机数。

b.变异操作。

初始化之后,通过变异操作产生变异向量v,其操作为

vm,g=xbest+F×(xr1,g-xr2,g)

(7)

xbest为上一代中的最优个体;F为该算法的缩放因子,通常F∈(0,1);r1和r2为从[1,NP]中随机选择的互斥整数。

c.交叉操作。

在变异操作之后,利用交叉率RC去确定试验向量u,以增加种群的多样性。具体交叉操作为

(8)

drand为在[1,D]中的随机整数。

d.选择操作。

通过将试验向量um,g与目标向量xm,g进行比较,选择并保留较好的向量进行下一次迭代,即

(9)

f(·)为适应度函数。本文采用均方根误差RMSE作为适应度函数,其计算公式为

(10)

2.2 改进DE算法(IDE)

DE算法的寻优能力很大程度上受到参数交叉率RC和缩放因子F的影响。为避免人为主观设置其参数值制约算法的搜索性能,本文对DE算法的这2个参数进行自适应改进,以满足算法在不同迭代阶段的搜索性能。

a.改进缩放因子。

缩放因子的自适应调整策略为

(11)

Fmin和Fmax分别为缩放因子F的最小值和最大值,分别取0.6和0.9;gmax为最大迭代次数。在迭代过程前期,F取值较大,且调整速度较慢,保证有良好的全局搜索性能;随着迭代次数g的增大,F逐步降低,以提高局部搜索性能[18]。

b.改进交叉率。

交叉率的自适应调整策略为

(12)

RCmin和RCmax分别为交叉率RC的最小值和最大值,分别取0.3和0.6。迭代初期,RC较小,全局搜索能力较强;迭代后期,RC逐渐变大,以提高局部搜索收敛性能。

设计好IDE算法后,将其用于优化TSFNN的前件参数和后件参数,以提高诊断模型的准确性。

3 基于IDE-TSFNN的面向元件诊断策略

3.1 面向元件诊断系统结构

假设某电网具有N个电网元件,则本文构建面向元件故障的诊断系统如图2所示。每个电网元件对应一个IDE-TSFNN诊断模型。当电网在出现故障后,首先监控中心对收到的故障告警信息进行预处理(如模块1所示),主要完成对告警信息的聚类、合并和转换等任务。其次,在故障报警信息预处理之后,与各电网元件相关的继电保护和断路器信息将被集中起来(如模块2所示),并将其传入相应的IDE-TSFNN诊断模型中,接收到继电保护或断路器信息的IDE-TSFNN诊断模型,将被选择性地触发并开始诊断工作,并获取相应被诊断元件的故障可信度。最后,各电网元件的诊断结果将由汇总模块整理输出(如模块3所示)。

图2 面向元件的IDE-TSFNN故障诊断系统结构

3.2 面向元件的IDE-TSFNN故障诊断流程

基于IDE-TSFNN的电网故障诊断流程如图3所示。首先,利用电网的静态数据(网络拓扑结构和保护配置信息)将电网分为若干部分(元件)。其次,通过历史故障数据为每个部分提取相应的训练样本集,并通过IDE算法去优化相应的TSFNN的前件参数和后件参数。TSFNN中,每条模糊规则均由前件参数和后件参数组成。当故障发生时,将电力系统的静态数据和监控中心收到的实时数据(包括继电保护和断路器的报警信息)结合起来进行预处理,并有选择性地触发相应的IDE-TSFNN诊断模型,并计算出最终的诊断结果。

图3 面向元件的IDE-TSFNN诊断流程

4 算例分析

为验证本文模型的有效性,采用文献[11]的简单输电系统为例,分别与BP神经网络(BPNN)、RBF神经网络(RBFNN)以及基本TSFNN模型进行对比分析。简单输电系统如图4所示,该系统存在7个电网元件(S1～S7),且均配有相应的断路器以及继电保护装置,其相关配置信息如表1所示。

表1 保护配置信息

针对图4中的简单输电系统,以系统中的继电保护和断路器作为TSFNN的输入量,以母线、线路和变压器的故障情况作为TSFNN的输出量。故障决策样本如表2所示,共有18组样本数据,每个样本对应着相应的故障区域,关于每个样本的目标输出如表3所示。

表2 故障决策

表3 训练样本对应的目标输出

4.1 基于IDE-TSFNN的诊断模型构建

由上述描述所知,该简单输电系统包含7个电网元件(S1～S7),意味着存在7个IDE-TSFNN故障诊断模型,分别对应7个电网元件。将表2与表3中的数据进行集中处理,分别分配给各元件对应的IDE-TSFNN模型并完成模型训练。在IDE算法中,种群规模为50,迭代次数为500。部分元件对应诊断模型50次独立重复训练的平均适应度变化收敛曲线如图5所示。表明基本DE算法容易陷入局部最优,导致模型准确性不高,而IDE算法的寻优能力更强,能够获得更加准确的诊断模型。此外,采用4种神经网络模型对表4所示的测试样本进行诊断,其结果如表5所示,结果大于0.5即判定为故障。

表4 测试故障样本

表5 测试样本诊断结果

图5 部分元件诊断模型适应度曲线

4.2 实验结果分析

在相同的实验条件下,从4种诊断模型的诊断效果对比可知,对于简单故障,即不存在继电保护和断路器的拒动、误动,4种模型均能够准确诊断出故障元件,且在数据上相差不大。由表5可知,面对复杂故障时(如案例5),BPNN和RBFNN的诊断效果明显低于TSFNN和IDE-TSFNN。而由案例3可知,基本TSFNN模型关于元件S5的诊断结果为0.375 1<0.5,则判定为未故障,然而与实际结果相悖。

综上分析BPNN、RBFNN与TSFNN的结果可知,在面对故障信息中存在拒动、误动等不确定性因素的情况下,采用结合模糊知识表达的神经网络比传统BPNN和RBFNN更加适合。此外,从各模型的诊断结果可知,基于IDE算法优化TSFNN前件参数和后件参数的诊断模型优于基本TSFNN模型,即本文所提模型的精度更高。

5 结束语

为提高神经网络模型处理电网含不确定性故障信息的诊断能力,引入结合模糊理论的TSFNN神经网络,并采用改进差分进化算法IDE去提高模型的精度。通过实验仿真可知,基于IDE-TSFNN的最优诊断模型规模小,诊断过程只根据报警信息有选择地触发相应的诊断模型,然后独立、并行进行诊断,提高了故障诊断效率。同时,面对含不确定性故障信息的辅助情况,基于IDE-TSFNN的诊断模型不仅精度高,而且还提高了电网故障诊断的容错性。

本文所提故障诊断模型有效提高了电网故障诊断的容错性,但研究中发现诊断模型受网络拓扑结构的限制,当拓扑结构改变后,模型需要重新构建,可移植性较差。对此,下一步将着重研究模型应对拓扑结构发生变化所面临的可移植性问题。