基于FMCN的电力系统输电线路跳闸故障诊断方法
冯健，李典阳，张超
(东北大学 信息科学与工程学院，辽宁 沈阳，110004)
摘要：针对电力系统故障诊断中含有大量的不确定信息和实时性要求高的特点，本文基于模式分类的思想，将电力系统故障诊断视为模式识别问题，提出一种基于FMCN(Fuzzy min-max neural network classifier with compensatory neuron architecture)的电力系统输电线路跳闸故障诊断的新方法。该方法将电力系统保护动作和开关跳闸信息作为神经网络分类器的输入，与训练好的故障样本进行匹配即可得到故障类别，从而达到故障诊断的目的。此算法有利于降低分类的错误率，使复杂拓扑数据的分类更为精确，适合含有多种跳闸信息的输电线路的故障诊断。通过仿真分析验证了此方法的有效性。
关键词：模糊最小最大神经网络；模式识别；故障诊断；电力系统
中图分类号：TM711 文献标志码：A 文章编号：1672-7207(2011)S1-0883-05
Fault diagnosis in tripping transmission lines of power system based on FMCN
FENG Jian, LI Dian-yang, ZHANG Chao
(School of Information Science and Engineering, Northeastern University, Shenyang 110004, China)
Abstract: The fault diagnosis of power system contains a lot of uncertainty information and requests real-time, it is seen as pattern recognition problem based on pattern classification thoughts. A new method of the fault diagnosis in the tripping transmission lines of power system based on the algorithm of FMCN (Fuzzy min-max neural network classifier with compensatory neuron architecture) was proposed. The power system protection movement and switch tripping information is the input of neural network classifier, and the output of the classifier is fault category, so it will achieve the purpose of the fault diagnosis of power system. This algorithm is helpful for reducing the classification error rates, and is capable to approximate the complex topology of data more accurately. So it is suitable for fault diagnosis of a variety of tripping information in transmission lines. Finally, the simulation analysis shows that this method is effective.
Key words: fuzzy min-max neural networks; pattern recognition; fault diagnosis; power system
电力系统故障诊断主要是通过对各级各类保护装置产生的报警信息和断路器的状态变化信息来辨识故障元件的过程，其目的是快速识别引起故障产生的故障源。电力系统在发生故障时会产生大量的警报信号,控制中心的运行人员需要在短时间内对这些信号进行分析判断，并采取措施确保供电的可靠性。目前国内外学者提出了基于专家系统、人工神经网络、模糊理论、粗糙集理论、遗传算法、贝叶斯网络法和Petri网络等[1-2]多种故障诊断方法。由于电网本身的复杂性，影响故障征兆信息的不确定性等因素，以及人工神经网络具有较强的自组织能力、容错能力和泛化能力等特点[3]，目前用人工神经网络及相应数学工具的优势对输电线路以及与之相关的设备进行准确的故障定位和诊断是电力系统技术发展的趋势。
由于电网中不同故障组合会产生不同故障信息，可以将故障诊断视为模式识别问题，而模式识别问题的核心技术即模式分类[4-5]。Simpson[4]在模式分类领域提出了模糊最小最大神经网络分类器(Fuzzy min- max neural network classifier, FMNN)。FMNN的基础理论即为超盒模糊集的概念，属于同一类模式的超盒模糊集的并就构成了该模式的分类空间。FMNN主要的优势是其强大的在线学习能力，而且只需要一次迭代即可完成。但是在超盒的重叠问题上采用的是压缩方法，这样容易产生分类的错误。Nandedkar等在Simpson的研究基础上提出了基于补偿神经元的模糊最小最大神经网络分类器的算法(FMCN)，用补偿的神经元来处理超盒的重叠问题，极大地降低了因超盒压缩而产生的分类错误率。
本文作者将FMCN分类器应用于电力系统输电线路跳闸故障诊断当中，以母线、线路和变压器元件为核心，以元件周围的保护动作和开关跳闸信息作为FMCN分类器的输入，以故障类型及位置作为输出量。通过实际应用证明该方法可以有效地识别故障元件，提高了电力系统故障诊断的准确性。
1 基于FMCN的电力系统故障诊断
1.1 FMCN算法描述
本文提出的是基于神经网络分类器的电力系统输电线路跳闸故障诊断方法，所采用的神经网络分类器模型是基于补偿神经元的模糊最小最大神经网络分类器(FMCN)如图1所示。
该模型为三层神经网络，输入层是关于被诊断元件的保护动作和开关跳闸信息的特征量。中间层和输出层被分成3部分：分类神经元(Classifying neuron, CLN)、重叠补偿神经元(Overlap compensation neuron, OCN)和包含补偿神经元(Containment compensation neuron, CCN)。中间层的每个节点代表一个超盒模糊集，输出层每个节点表示一个模式类别。
(1) CLN部分超盒节点的创建
如果训练样本不属于重叠或包含情况时，在CLN部分中间层创建超盒节点bj，此时CLN部分中间层超盒与模式类别之间的关系用下式来表示：
(1)
式中：pij为CLN中一个中间层超盒节点与模式节点之间的函数关系；bj为CLN部分超盒节点；cj为CLN部分模式类别。超盒bj的隶属度函数为：
(2)
式中：Wj和Vj为超盒的最小和最大点；
为灵敏度参数；Ah为输出节点的向量值；
为两个参数的斜坡阀值函数
(3)
图1 FMCN算法结构
Fig.1 Proposed architecture of FMCN
(2) OCN和CCN部分超盒节点的创建
当训练网络遇到重叠或包含情况时，OCN和CCN部分中间层的超盒节点dj和ej将分别被创建。此时OCN和CCN部分中间层超盒与模式类别之间的关系分别用下式来表示：
(4)
(5)
式中：qij和rij分别为OCN和CCN部分一个中间层超盒节点与模式节点之间的函数关系；dj为OCN部分超盒节点；ej为CCN部分超盒节点；cj为模式类别。超盒dj和ej的隶属度函数分别为：
(6)
(7)
在重叠部分和包含部分为了确保超盒的维数，FMCN算法保留了其最小最大点的位置，而且分别引入了补偿神经元，而不是用压缩的方法，这样有利于降低因压缩带来的分类错误，所以FMCN更加适合像电网信息这样的复杂拓扑数据的分类。
1.2 针对线路类的FMCN故障诊断
从故障诊断问题的角度出发，将输电网看作是由节点与支路联接而成的无向图，这里节点是指各电压等级的母线，支路是指处在这些母线之间的设备如线路与变压器，支路与节点间是否相联取决于支路的断路器是否闭合[6]。本文采用面向对象的分析方法，将电力系统的元件分为3类： 线路类、母线类和变压器类。针对每类元件采用特定的FMCN模型处理其报警信息，通过网络拓扑信息将同一跳闸区域中各个元件FMCN的诊断输出综合，确定故障位置[7]。
图2所示为某地区电网中一个220 kV-66 kV变电站。选取图中Ⅰ和Ⅱ两条线路为例分析线路类保护信息，并确定故障类别及位置。其中每条线路带有保护信息为：过流保护、相间距离保护、过流加速保护、重合闸和开关。FMCN模型的输入即为以上各种保护和开关信息，开关为0和l二进制向量、各保护信息为互感器驱动保护跳的模拟量(其中当互感器检测电流超过23.5 A时Ⅰ和Ⅱ过流保护启动，当互感器检测电阻小于0.85 ?时Ⅰ和Ⅱ相间距离保护启动，当过流加速保护超过23.5 A时Ⅰ和Ⅱ过流加速保护启动)，输出是故障处于特定位置的可能性[8]。基于线路类FMCN的电力系统故障诊断模型共有11个输入量，4个输出量，如图3所示。
可利用同样的方法对母线类和变压器类进行故障诊断，但是由于母线类和变压器类的保护配置原则不同，所以针对母线类和变压器类保护装置的实际情况设置不同的Matlab程序参数。
1.3 基于FMCN的电力系统输电线路跳闸故障诊断系统
基于FMCN的电力系统输电线路跳闸故障诊断系统如图4所示。
本系统将采集的动作信息和开关信息分别与数据库信息进行匹配，确认该故障属于线路类、母线类和变压器类的一种，将匹配结果输入特定的FMCN模型进行运算，输出诊断结果。将所有数据作为原始信息存入数据库进行备份，通过监控界面可随时调用历史记录。
在样本训练过程中，人为设定不同类型的故障，并且记录针对各种类型故障的报警信息以及报警时间，备份数据库中存储以上各种信息。在实际应用过程中，将系统采集的各种报警信息与备份数据库中的训练样本相匹配，从而确定实际故障位置。
图2 变电站网络
Fig.2 Substation network
图3 线路类FMCN框图
Fig.3 Diagram of line based on FMCN
图4 基于FMCN的电力系统输电线路跳闸故障诊断系统结构
Fig.4 Fault diagnosis system structure of power system based on FMCN
2 算法验证
2.1 FMCN训练样本的获取
根据线路保护的配置原则和不同的报警情况即可确定FMCN的训练样本集。如图2所示的部分网络，当两条线路Ⅰ和Ⅱ的各段保护分别动作时，可能出现的故障情况如表1所列。
根据不同的报警信息可确定FMCN的所有训练样本，样本训练后可用于线路的故障诊断。
2.2 仿真分析
在Matlab环境下进行仿真测试，首先进行样本训练，此时将FMCN输出的二进制代码转换为十六进制数字，将输出表示为一维数组。然后用训练好的样本进行测试，输入一组故障信息，自动输出分类结果。测试情况如表2所列。
从表2可以看出：FMCN实际输出和理论输出吻合，可达到电力系统故障诊断的目的。在实际电力系统故障诊断中数据量很大，样本的数量增多，更加有助于FMCN的样本训练，从而诊断结果更加精确。
表1 故障样本数据
Table 1 Data of fault sample
表2 仿真测试结果
Table 2 Simulation test results
3 结论
(1) 提出了一种基于FMCN的电力系统故障诊断方法，该方法利用FMCN算法对电力系统保护信息进行分类从而识别故障位置。
(2) 通过仿真分析证明该方法的有效性，以及强大的容错能力，可用于大规模电力系统故障诊断。
参考文献：
[1] Nandedkar A V, Biswas P K. A fuzzy min-max neural network classifier with compensatory neuron architecture[J]. IEEE Transactions on Neural Networks, 2007, 18(1): 42-54.
[2] 王家林, 夏立, 吴正国, 等. 电力系统故障诊断研究现状与展望[J]. 电力系统保护与控制, 2010, 38(18): 210-216.
WANG Jia-lin, XIA Li, WU Zheng-guo, et al. State of arts of fault diagnosis of power systems[J]. Power System Protection and Control, 2010, 38(18): 210-216.
[3] 蒋宗礼. 人工神经网络导论[M]. 北京: 高等教育出版社, 2001.
JIANG Zong-li. Artificial neural network introduction[M]. Beijing: Higher Education Press, 2001.
[4] Simpson P K. Fuzzy min-max neural network—Part 1: Classification[J]. IEEE Transactions on Neural Networks, 1992, 3(5): 776-786.
[5] Gabrys B, Bargiela A. General fuzzy min-max neural network for clustering and classification[J]. IEEE Transactions on Neural Networks, 2000, 11(3): 769-783.
[6] 周兆庆. 基于SCADA及保护信息系统的输电网故障诊断[D]. 南京: 河海大学, 2005.
ZHOU Zhao-qing. Power net work fault diagnosis base on information of SCADA and RMS[D]. Nanjing: Hehai University, 2005.
[7] 顾雪平, 张文勤, 高曙, 等. 基于神经网络和元件关联分析的电网故障诊断[J]. 华北电力大学学报, 1999, 26(2): 12-17.
GU Xue-ping, ZHANG Wen-qin, GAO Shu, et al. An approach integrating neural networks with topology of electric power networks for fault diagnosis[J]. Journal of North China Electric Power University, 1999, 26(2): 12-17.
[8] 顾雪平, 张文勤, 高曙, 等. 人工神经网络和专家系统结合运用的电力系统故障诊断方法[J]. 华北电力学院学报, 1994， 21(2): 12-17.
GU Xue-ping, ZHANG Wen-qin, GAO Shu, et al. Integrating artificial neural network with expert system for fault diagnosis in power system[J]. Journal of North China Institute of Electric Power, 1994, 21(2): 12-17.
(编辑 何学锋)
收稿日期：2011-04-15；修回日期：2011-06-15
基金项目：国家自然科学基金重点资助项目(61034005)；教育部新世纪优秀人才支持计划项目(NCET-08-0101)；中央高校基本科研业务费项目(N100104102)
通信作者：冯健(1971-)，男，辽宁锦州人，博士，教授，从事模糊控制理论、电力系统自动化、神经网络、故障诊断、数据挖掘、信号处理等研究；电话：024-83671498；E-mail: fjneu@163.com
