CN104318485A - 一种基于神经网络和模糊逻辑的输电线路故障判别方法 - Google Patents

Abstract

本发明涉及一种基于神经网络和模糊逻辑的输电线路故障判别方法，方法包括以下步骤：一种基于神经网络和模糊逻辑的输电线路故障判别方法，方法包括以下步骤：1)连续采集导线温度、导线倾角和导线拉力数据，并计算对应的导线温度偏差值、导线倾角偏差值和导线拉力偏差值；2)根据三个偏差值计算出对应的故障隶属度值，若三个故障隶属度值至少有一个为1，则执行步骤3)；3)对三个故障隶属度值进行数据融合，分别计算出线路无故障概率、线路潜在故障概率和线路故障概率；4)根据线路潜在故障概率、线路故障概率和故障持续时间输出评价结果。与现有技术相比，本发明具有可成长性、预测精准等优点。

Description

一种基于神经网络和模糊逻辑的输电线路故障判别方法

技术领域

本发明涉及一种架空输电线路状态在线监测技术，尤其是涉及一种基于神经网络和模糊逻辑的输电线路故障判别方法。

背景技术

电力系统由大量发、送、输、配、用电等设备连接构成，这些设备的可靠性及运行情况直接决定着整个系统的稳定和安全，也决定着供电的质量和可靠性。高压输配电线路是电能实现远距离输送的一个重要环节，是整个电网的命脉，气象灾害、人为破坏、线路长期运行老化等因素严重威胁着电网的长期安全稳定运行。2008年1月，祖国南方十几个省份及地区遭遇到严重的冰雪天气，绝大部分线路呈现大面积覆冰，输电导线荷载和输电杆塔荷载因严重超标而导致断线及杆塔倒塌事故，电力设施破坏惨重，造成空前的损失。因此，我们应该加强对输电线路状态的监测，提前预警以保证电网的安全稳定运行。现阶段主要通过人工对线路的巡逻方式对线路状态进行监测，人力资源有限，远不能满足实际要求，更别说达到对输电线路状况实时全线监控的目的。随着计算机通信网络技术和传感器网络技术的进步，我们有能力对输电线路状态监测实现远程监控。现阶段的监测系统能够通过各类传感器信息及摄像机拍到输电线路信息和线路周边环境信息，由相应的通信网络把信息传送到设定的监控中心，因而工作人员通过采集到的信息判断输配电线路即时的状况，提前预警和发现状况并及时解决故障，确保线路的安全稳定运行。

输电导线在线监测系统在整个电力系统运行状态监测系统中起到重要作用。通过导线的温度、倾角、弧垂、张力、荷载等信息能够得出线路的运行状态。线路负荷超重时，导线的温度升高、倾角增大，从而导致导线和金具的损坏及快速老化，导线的弧垂过大会使得短路和闪络现象容易成为可能。而当导线覆冰过量时，导线的倾角、弧垂、张力和荷载都会变大，相应地会导致断线和杆塔变形倒塌。输电线路导线监测系统能够及时的得出线路的状态信息，在故障发生前及时预警，给工作人员更多的时间去处理线路问题，能够有效地降低线路故障的发生率，提高设备的利用率，值得深入研究。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种判断准确的基于神经网络和模糊逻辑的输电线路故障判别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于神经网络和模糊逻辑的输电线路故障判别方法，该方法包括以下步骤：

1)连续采集导线温度、导线倾角和导线拉力数据，并计算对应的导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)；

2)根据导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)计算出对应的故障隶属度值，并判断三个故障隶属度值是否均为0，若为否，则执行步骤3)，若为是，则返回步骤1)；

3)采用BP神经网络对三个故障隶属度值进行数据融合，分别计算出线路无故障概率、线路潜在故障概率和线路故障概率；

4)根据线路潜在故障概率、线路故障概率和故障持续时间输出评价结果。

所述导线温度的故障隶属度值为：

μ(V₁)＝u[v₁(k)-D₁]

其中：u(x)为单位阶跃函数，D₁为导线温度的判决阈值；

所述导线倾角的故障隶属度值为：

μ(V₂)＝u[v₂(l)-D₂]

其中：D₂为导线倾角的判决阈值；

所述导线拉力的故障隶属度值为：

μ(V₃)＝u[v₃(m)-D₃]

其中：D₃为导线拉力的判决阈值。

所述BP神经网络为三输入三输出模式，包括一个输入层、两个隐层和一个输出层，传递函数用Sigmoid型函数：

$O=1/[1+\exp (-\mathrm{\Σ}{x}_p{w_{\mathrm{ij}}}^n-\mathrm{\θ})]$

其中：O表示神经元输出，x_p为输入；w_ij ⁿ为第n层第i个节点与第(n+1)层第j个节点的连接权值；θ为假定的初始值，如刚开始设为0。

所述两个隐层的节点数均为7个。

所述步骤4)具体包括步骤：

401)导入线路潜在故障概率y₂和线路故障概率y₃，若y₂和y₃均大于0.7，则输出线路发生故障，若y₂和y₃均小于0.2，则输出线路无故障，否则，执行步骤402)；

402)计算线路潜在故障概率、线路故障概率和故障持续时间的模糊隶属度值；

403)利用潜在故障概率、线路故障概率和故障持续时间的模糊隶属度值结合模糊规则库进行模糊推理输出模糊推理结果U，并输出评价结果。

所述线路潜在故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_2\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_2-{\mathrm{\μ}}_1)}^2/2{\mathrm{\σ}}^2]$

其中：y₂为线路潜在故障概率，σ为线路潜在故障概率的标准差，取值为0.4，μ₁为线路潜在故障概率的平均值，取值为0、0.5和1；

所述线路故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_3\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_3-{\mathrm{\μ}}_2)}^2/2{\mathrm{\σ}}^2]$

其中：y₃为线路故障概率，σ为线路故障概率的标准差，取值为0.4，μ₂为线路故障概率的平均值，取值为0、0.5和1；

所述故障持续时间的模糊隶属度值为：

$\mathrm{\μ}\left(T\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(T-{\mathrm{\μ}}_3)}^2/2{\mathrm{\σ}}^2]$

其中：T为故障持续时间，σ为故障持续时间的标准差，取值为0.4，μ₃为故障持续时间的阈值，取值为T₁和T₂。

与现有技术相比，本发明具有以下优点：

1)当输电线路发生故障时，往往导线的倾角、弧垂、张力和荷载都会变大，因此通过导线的温度、倾角、弧垂、张力、荷载等信息能够得出线路的运行状态，从未避免断线和杆塔变形倒塌。

2)基于神经网络和模糊逻辑决策的输电线路状态评估方法可以提高预测的准确性。

附图说明

图1为本发明基于神经网络和模糊逻辑决策的输电线路状态评估模型框图；

图2为本发明评估设计流程；

图3为本发明BP神经网络设计框图；

图4为本发明模糊逻辑决策系统设计框图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，输电线路状态评估模型采用BP神经网络融合线路局部故障隶属度值，模糊逻辑决策推理出线路故障的最终状态。监测数据进入神经网络之前先经过数据预处理得出局部线路故障隶属度值，线路故障隶属度值作为神经网络的输入融合后输出线路无故障、潜在故障和有故障等状态的概率，根据故障概率对线路状态做初步估计，对仍无法判断线路故障状态的概率值输入到模糊逻辑决策系统，根据专家经验和历史数据设计模糊规则库，综合决策计算出最终评估结果。

一种基于神经网络和模糊逻辑的输电线路故障判别方法，如图2所示，方法包括以下步骤：

1)连续采集导线温度、导线倾角和导线拉力数据，并计算对应的导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)，偏差值为检测值与标准值的差；

2)根据导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)计算出对应的故障隶属度值，并判断三个故障隶属度值是否均为0，若为否，则执行步骤3)，若为是，则返回步骤1)；

导线温度的故障隶属度值为：

μ(V₁)＝u[v₁(k)-D₁]

其中：u(x)为单位阶跃函数，D₁为导线温度的判决阈值；

导线倾角的故障隶属度值为：

μ(V₂)＝u[v₂(l)-D₂]

其中：D₂为导线倾角的判决阈值；

导线拉力的故障隶属度值为：

μ(V₃)＝u[v₃(m)-D₃]

其中：D₃为导线拉力的判决阈值。

上述3个判决阈值根据导线的规格确定。

3)采用BP神经网络对三个故障隶属度值进行数据融合，分别计算出线路无故障概率、线路潜在故障概率和线路故障概率；

如图3所示，神经网络模型设计采用BP神经网络融合线路故障隶属度值，计算并输出线路故障概率值。输入信号x₁，x₂，x₃分别为经数据预处理过后的温度引起的故障隶属度值、倾角引起的故障隶属度值和拉力引起的故障隶属度值，经BP神经网络融合后的输出信号R₁，R₂R₃分别表示线路无故障、潜在故障、线路故障等状态，y₁，y₂，y₃分别表示其出现该状态的概率。

BP神经网络是有导师学习神经网络，一般是先进行离线学习(数据训练和性能验证)，然后在线应用进行故障诊断(训练好的神经网络投入实际应用)，其学习过程和使用过程是分开的，故障诊断结果准确性高。由于是三输入三输出模式，文中选择一个较大的隐层节点数进行训练，一般按如下经验公式选取：

$n_H=\sqrt{n_i+n_O}+l$

式中，n_H为隐层节点数目；n_i为输入节点数目；n_o为输出节点数目；l为1-10之间的整数。根据实际问题分析测试，神经网络隐藏层最终确定为2层，隐层节点个数为7个。

BP神经网络模型设计第一层为神经网络的输入层，第二层和第三层为隐层，第四层为输出层。

传递函数用Sigmoid型函数。

O＝1/[1+exp(-∑x_pw_ij ⁿ-θ)]

其中：O表示输出，x_p为输入；w_ij ⁿ为第n层第i个节点与第(n+1)层第j个节点的连接权值；θ为阈值。

根据实际检测和专家经验选择若干输入数据值，并把它们分为训练数据集和验证数据集。训练数据集用来训练BP神经网络。这里选择14个数据点，期望输出R₁，R₂R₃。利用选择的数据点严格训练神经网络权值，设计出由任一数据点能确定故障状态的BP神经网络。表1表示故障状态对应输出值，100表示无故障状态，010表示线路潜在故障状态，001表示线路有故障状态。每个数据点的坐标值x₁，x₂，x₃用作输入值，输出值为R₁，R₂R₃，根据输出值计算分析线路无故障状态概率、潜在故障概率、有故障概率，结果以y₁，y₂，y₃输出。网络训练使用Sigmoid函数作为传递函数。

4)根据线路潜在故障概率、线路故障概率和故障持续时间(故障持续时间以步骤1)中任意一个故障隶属度值为1时开始计算，直至本次判定的时间间隔)输出评价结果，具体包括步骤：

表1

401)导入线路潜在故障概率y₂和线路故障概率y₃，若y₂和y₃均大于0.7，则输出线路发生故障，若y₂和y₃均小于0.2，则输出线路无故障，否则，执行步骤402)；

402)计算线路潜在故障概率、线路故障概率和故障持续时间的模糊隶属度值；

模糊推理结果的反模糊化采用重心法计算线路故障概率，根据计算所得概率U分析若大于0.6则决策为线路故障状态(PB)，小于等于0.6决策为无故障状态(PS)。

如图4所示模糊逻辑决策系统设计框图，y₂(潜在故障概率)、y₃(故障概率)、T(故障持续时间)对应模糊逻辑系统中模糊产生器的输入量，U对应模糊逻辑控制系统的输出量。给定y₂的论域为A，[0，1]；y₃的论域B，[0，1]；T的论域为C，[0，1]；U的论域为D，[0，1]，划分的模糊语言值为{有故障，无故障}。由经验和对线路故障的严重程度的历史经验概率可将y₂、y₃模糊化成3级，正大(PB)、正中(PM)、正小(PS)，将T和U模糊化成2级，正大(PB)和正小(PS)。用正态分布函数μ(x)表示这些模糊集合的隶属度函数。

线路潜在故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_2\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_2-{\mathrm{\μ}}_1)}^2/2{\mathrm{\σ}}^2]$

其中：y₂为线路潜在故障概率，σ为线路潜在故障概率的标准差，取值为0.4，μ₁为线路潜在故障概率的平均值，取值为0、0.5和1；

线路故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_3\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_3-{\mathrm{\μ}}_2)}^2/2{\mathrm{\σ}}^2]$

其中：y₃为线路故障概率，σ为线路故障概率的标准差，取值为0.4，μ₂为线路故障概率的平均值，取值为0、0.5和1；

故障持续时间的模糊隶属度值为：

$\mathrm{\μ}\left(T\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(T-{\mathrm{\μ}}_3)}^2/2{\mathrm{\σ}}^2]$

其中：T为故障持续时间，σ为故障持续时间的标准差，取值为0.4，μ₃为故障持续时间的阈值，取值为T₁和T₂，T₁和T₂视情况而定，可以分别为0和1。

线路潜在故障概率、线路故障概率被模糊化成3级：正大(PB)、正中(PM)、正小(PS)；

故障持续时间和模糊推理结果模糊化成2级：正大(PB)和正小(PS)。

例如，将y₂代入下式：

$\mathrm{\μ}\left(y_2\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_2-{\mathrm{\μ}}_1)}^2/2{\mathrm{\σ}}^2]$

若当μ₁为0.5时，μ(y₂)最大，则线路潜在故障概率被模糊化为PS，若μ₁为0.5时，μ(y₂)最大，则模糊化为PM，若μ₁为1时，μ(y₂)最大，则模糊化为PB。

将y₃代入下式：

$\mathrm{\μ}\left(y_3\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_3-{\mathrm{\μ}}_2)}^2/2{\mathrm{\σ}}^2]$

若当μ₂为0.5时，μ(y₃)最大，则线路故障概率被模糊化为PS，若μ₂为0.5时，μ(y₃)最大，则模糊化为PM，若μ₂为1时，μ(y₃)最大，则模糊化为PB。

将T代入下式：

$\mathrm{\μ}\left(T\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(T-{\mathrm{\μ}}_3)}^2/2{\mathrm{\σ}}^2]$

若当μ₃为0.5时，μ(T)最大，则故障持续时间被模糊化为PS，若μ₃为1时，μ(T)最大，则模糊化为PB。

表2

y2	y3	T	U
				PS	PS	PS	PS
PS	PM	PS	PS
				PS	PB	PS	PS
PS	PS	PB	PS
				PS	PM	PB	PB
PS	PB	PB	PB
				PM	PS	PS	PS
PM	PM	PS	PB
				PM	PS	PB	PB
PM	PB	PS	PB
				PB	PS	PS	PS
PB	PS	PB	PB

利用“If-Then”规则(R规则)，结合实际输配电线路在线监测系统，排除矛盾的模糊规则，共12条规则，如表2所示。基于模糊规则库采用Mamdani最小运算规则计算模糊关系，模糊推理结果的反模糊化采用重心法计算线路故障概率，根据计算所得概率分析若大于0.6则决策为线路故障状态，小于等于0.6决策为无故障状态，即如表2中，查表得到U为PB则输出线路存在故障，若U为PS则输出线路没有故障。

由于线路故障受多种因素影响，难以建立影响因素与故障之间特定的解析模型。单一因素评估准确率不高，为了提高电网线路故障状态评估的准确率，本发明以输电线路在线监测系统为基础，综合考虑温度信号、倾角信号、拉力信号等多传感器监测参数，提出了基于神经网络和模糊逻辑决策的输电线路状态评估模型。首先对监测数据进行预处理计算出局部故障隶属度值，接着隶属度值输入训练好的BP神经网络计算得出线路故障状态的概率值，最后模糊不确定的概率值作为推理系统的输入变量，根据专家经验建立模糊规则库，综合推理出线路精确的故障状态。本方法可以实现智能化输电线路状态评估，评估结果准确率大大提高。

Claims (6)

1.一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，该方法包括以下步骤：

1)连续采集导线温度、导线倾角和导线拉力数据，并计算对应的导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)；

2)根据导线温度偏差值v₁(k)、导线倾角偏差值v₂(l)和导线拉力偏差值v₃(m)计算出对应的故障隶属度值，并判断三个故障隶属度值是否均为0，若为否，则执行步骤3)，若为是，则返回步骤1)；

3)采用BP神经网络对三个故障隶属度值进行数据融合，分别计算出线路无故障概率、线路潜在故障概率和线路故障概率；

4)根据线路潜在故障概率、线路故障概率和故障持续时间输出评价结果。

2.根据权利要求1所述的一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，所述导线温度的故障隶属度值为：

μ(V₁)＝u[v₁(k)-D₁]

其中：u(x)为单位阶跃函数，D₁为导线温度的判决阈值；

所述导线倾角的故障隶属度值为：

μ(V₂)＝u[v₂(l)-D₂]

其中：D₂为导线倾角的判决阈值；

所述导线拉力的故障隶属度值为：

μ(V₃)＝u[v₃(m)-D₃]

其中：D₃为导线拉力的判决阈值。

3.根据权利要求1所述的一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，所述BP神经网络为三输入三输出模式，包括一个输入层、两个隐层和一个输出层，传递函数用Sigmoid型函数：

O＝1/[1+exp(-∑x_pw_ij ⁿ-θ)]

其中：O表示神经元输出，x_p为输入；w_ij ⁿ为第n层第i个节点与第(n+1)层第j个节点的连接权值；θ为假定的初始值，如刚开始设为0。

4.根据权利要求3所述的一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，所述两个隐层的节点数均为7个。

5.根据权利要求1所述的一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，所述步骤4)具体包括步骤：

401)导入线路潜在故障概率y₂和线路故障概率y₃，若y₂和y₃均大于0.7，则输出线路发生故障，若y₂和y₃均小于0.2，则输出线路无故障，甭则，执行步骤402)；

402)计算线路潜在故障概率、线路故障概率和故障持续时间的模糊隶属度值；

403)利用潜在故障概率、线路故障概率和故障持续时间的模糊隶属度值结合模糊规则库进行模糊推理输出模糊推理结果U，并输出评价结果。

6.根据权利要求5所述的一种基于神经网络和模糊逻辑的输电线路故障判别方法，其特征在于，所述线路潜在故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_2\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_2-{\mathrm{\μ}}_1)}^2/{2\mathrm{\σ}}^2]$

其中：y₂为线路潜在故障概率，σ为线路潜在故障概率的标准差，取值为0.4，μ₁为线路潜在故障概率的平均值，取值为0、0.5和1；

所述线路故障概率的模糊隶属度值为：

$\mathrm{\μ}\left(y_3\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(y_3-{\mathrm{\μ}}_2)}^2/{2\mathrm{\σ}}^2]$

其中：y₃为线路故障概率，σ为线路故障概率的标准差，取值为0.4，μ₂为线路故障概率的平均值，取值为0、0.5和1；

所述故障持续时间的模糊隶属度值为：

$\mathrm{\μ}\left(T\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}\exp [-{(T-{\mathrm{\μ}}_3)}^3/{2\mathrm{\σ}}^2]$

其中：T为故障持续时间，σ为故障持续时间的标准差，取值为0.4，μ₃为故障持续时间的阈值，取值为T₁和T₂。