技术领域
[0001] 本
发明涉及一种基于多算法融合的故障智能诊断方法，将神经网络、灰色理论、
模式识别、故障树分析等技术相结合，实现设备故障的智能诊断，提高故障智能诊断
水平。
背景技术
[0002] 随着国民经济的发展和人民生活水平的不断提高，人们对供电可靠性和服务
质量的要求越来越高。故障
定位的准确、故障抢修的及时已然成为客户评价供电公司服务水平的标准。
[0003] 故障诊断是指在一定工作环境下查明导致系统某种功能失调的原因或性质，判断劣化状态发生的部位或部件，以及预测状态劣化的发展趋势等。由于
电网设备日趋复杂化、智能化，传统的诊断技术已经不能适应了，随着
人工智能技术的迅速发展，特别是神经网络、
遗传算法、
专家系统等技术在诊断领域中的进一步应用，诊断技术也日趋智能化。
[0004] 在中低压配电网中，单相接地故障约占配电网总故障的80％。当发生单相接地故障时，不能形成低阻抗的
短路回路，
故障电流远小于负荷电流，很难高效、准确地进行故障定位。保障配电网系统安全稳定地运行，快速找出故障线路以及确定故障
位置，显得十分重要。目前大量的诊断方法被提出，部分方法已经实现现场应用，但效率和准确性仍需进一步提升。
发明内容
[0005] 本发明采用多算法融合方法进行故障诊断和定位，同时分析出故障停电范围，为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率，提高故障智能诊断水平。
[0006] 本发明的技术方案：
[0007] 一种基于多算法融合的故障智能诊断方法，包括以下步骤：
[0008] (1)基于神经网络的故障定位：神经网络故障定位流程分为两部分，包括网络训练过程和故障定位过程；提取特征量数据，构建好训练样本，然后进行网络训练，得到收敛的神经网络权值，将测试样本数据送入到已经训练好的神经网络中去，进行识别判断，从而得到定位的结果；
[0009] (2)将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统；
[0010] (3)通过集成各类告警信息准确的分析出故障停电区域，进行故障停电信息发布，同时分析出故障停电范围。
[0011] 优选的，所述步骤(1)中利用Matlab神经网络工具箱中newlvq函数构建一个神经网络。
[0012] 优选的，故障特征量选择3个，分别为：小波
能量Ei、有功功率Hi和五次谐波Pi；来表征系统某一故障时
特征向量，记为向量X,则输入向量X＝(Ei,Hi,Pi)。
[0013] 优选的，神经网络算法包括以下步骤：
[0014] 步骤1：初始化惩罚因子0＜B≤1，学习速率0＜a＜1、参数C＝1和竞争层神经元偏置 其中初始化pk(1)＝0，其中t←1,t为
迭代次数，T为最大的迭代次数；t←1,a(i)表示样本序号；初始化所有权值向量，公式如式(1):
[0015]
[0016] 步骤2：随机生成的样本，其提交顺序序列为a(i),i＝1,2,...,n,1≤a(i)≤n；
[0017] 步骤3：查找和第a(i)个样本特征向量最近的神经元所对应的权值wj；
[0018] ||x-wj||＝min{||x-wk||-bk},k＝1,2,...,N (2)
[0019]
[0020] pk(t+1)←pk(t)+B(yk-pk(t)) (4)
[0021]
[0022] 对第a(i)个样本向量的对应分类结果进行计算，若分类结果是正确的，则将获胜神经元的权值向量按照公式(6)更新，反之按公式(7)更改：
[0023] wk(t+1)←wK+a(x-wk(t)) (6)
[0024] wk(t+1)←wK-a(x-wk(t)) (7)
[0025] 之后计算哪一条分类正确的神经元s和输入向量最接近，并更新其权值向量：
[0026] wt(t+1)←wt(t)+a(x-ws(t)) (8)
[0027] 步骤4：若i＜N,则i←i+1，同时转向步骤3；否则转向步骤5；
[0028] 步骤5：t←t+1，若t＞T，结束；否则i←1，转向步骤2，进行下次训练。
[0029] 公式中：惩罚因子B，学习速率a，参数C，竞争层神经元偏置b，迭代次数t，最大的迭代次数T，权值向量w，输入神经元p，输出样本t←1,a(i)。
[0030] 优选的，步骤(2)专家系统在电网故障诊断中的典型应用归结为:
[0031] 首先建立故障信息
知识库，并用自然语言建立产生式规则；
[0032] 然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机
接口储存到知识库中；
[0033] 故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按策略进行推理，从而识别出故障元件。
[0034] 优选的，按策略进行推理中的中的策略是指：依据电
力系统故障信息组建故障信息知识库，并参照经典故障案例建设经典故障模型，发生故障时，推理机参照实时故障信息建立实时故障模型，并运用冲突的消除策略，从这些都可满足的经典模型中挑选出一个执行，反复地进行寻找，直到
数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时才停止。
[0035] 优选的，用遗传算法优化具有全局性的参数和网络结构，用神经网络BP算法调节和优化具有局部性的参数，这样遗传算法作为一种离线训练模糊神经推理
控制器，用神经网络BP算法作为一种在线调节神经网络的局部性参数。
[0036] 优选的，步骤(2)所述系统流程为：
[0037] 首先通过
用户界面录入故障信息特征参数，对特征参数建立诊断系统的数据预处理模
块与数据获取模块，由此得到故障数据库并进行归一化处理，构建遗传算法训练神经网络进行预测；
[0038] 通过专家系统组建的知识库，模糊神经推理控制器会进行动态学习，并由
自学习控
制模块调度模糊神经推理控制器离线学习，与专家知识库实现智能交互；
[0039] 利用专家知识库搭建经典故障模型，故障发生时，故障信息通过数据预处理模块组成实时故障模型，与相似经典故障模型进行匹配，实现故障的智能判断。
[0040] 优选的，步骤(2)所述系统在运行时，模糊神经推理控制器进行动态学习，优化神经网络的权值；系统中的自学习
控制模块用来调度模糊神经推理控制器的离线学习；系统对被处理对象进行全局的分析。
[0041] 优选的，所述步骤(3)故障研判流程为：
[0042] a)首先依据用户报修的结构化地址信息进行模糊定位,自动判断设备故障情况；
[0043] b)然后再依据电网拓扑关系由下往上追溯到所属配变，接着判断是否该配变是否有停电告警，有则报修为配变故障，无则报修为低压单户故障；
[0044] c)最后反馈至专业人员进行信息确认并执行故障处置流程，最终实现了设备状态信息实时监控、故障信息预警预判，实现元器件故障快速定位、反馈及运检人员快速响应。
[0045] 本发明的有益效果：
[0046] 本发明采用多算法融合方法进行故障诊断和定位，同时分析出故障停电范围，为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率，提高故障智能诊断水平。
[0047] 本发明的内容在于对故障
信号进行检测和处理的
基础上，结合领域专家知识和人工智能技术进行诊断推理，具有对给定环境下的诊断对象进行状态识别和状态预测的能力。它适用于模拟人的思维过程。解决需要进行逻辑推理的复杂诊断问题。可以根据诊断过程的需要搜索和利用领域专家的知识及经验来达到故障智能诊断目的，大大提高故障诊断水平。
附图说明
[0048] 图1为本发明基于遗传算法和神经网络的专家诊断系统结构图；
具体实施方式
[0050] 下面将结合本
申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0051] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本
说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0052] 除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0053] 在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0054] 为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0055] 此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行
声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
[0056] 以下结合附图对本发明的技术方案、结构作进一步详细的说明。
[0057] 1、基于神经网络的故障定位：神经网络故障定位流程分为两部分：网络训练过程和故障定位过程。提取特征量数据，构建好训练样本，然后进行网络训练，得到收敛的神经网络权值，将测试样本数据送入到已经训练好的神经网络中去，进行识别判断，从而得到定位的结果。
[0058] 利用Matlab神经网络工具箱中newlvq函数构建一个神经网络。神经网络故障定位模型与神经网络故障选线模型基本类似。故障特征量仍选择以上三个：小波能量、有功功率和五次谐波。则
输入层输入向量仍为3个。传统的神经网络直接用于故障点定位容易出现误差，准确率不高，而且神经网络收敛时间耗时较长，所以我们需要对神经网络进行改进。
[0059] 改进机制的神经网络算法：
[0060] 步骤1：初始化惩罚因子0＜B≤1，学习速率0＜a＜1、参数C＝1和竞争层神经元偏置 其中初始化pk(1)＝0，其中t←1,t为迭代次数，T为最大的迭代次数。t←1,a(i)表示样本序号。初始化所有权值向量，公式如下:
[0061]
[0062] 步骤2：随机生成的样本，其提交顺序序列为a(i),i＝1,2,...,n,1≤a(i)≤n。
[0063] 步骤3：查找和第a(i)个样本特征向量最近的神经元所对应的权值wj。
[0064] ||x-wj||＝min{||x-wk||-bk},k＝1,2,...,N (2)
[0065]
[0066] pk(t+1)←pk(t)+B(yk-pk(t)) (4)
[0067]
[0068] 对第a(i)个样本向量的对应分类结果进行计算，若分类结果是正确的，则将获胜神经元的权值向量按照公式(6)更新，反之按公式(7)更改：
[0069] wk(t+1)←wK+a(x-wk(t)) (6)
[0070] wk(t+1)←wK-a(x-wk(t)) (7)
[0071] 之后计算哪一条分类正确的神经元s和输入向量最接近，并更新其权值向量：
[0072] wt(t+1)←wt(t)+a(x-ws(t)) (8)
[0073] 步骤4：若i＜N,则i←i+1，同时转向步骤3；否则转向步骤5。
[0074] 步骤5：t←t+1，若t＞T，结束；否则i←1，转向步骤2，进行下次训练。
[0075] 2、将遗传算法、神经网络和专家系统相融合，形成基于神经网络和遗传算法的故障诊断专家系统，提高了故障诊断专家系统的透明性和灵活性，增强了对复杂故障实时诊断的推理能力，从而提高了系统的智能性和诊断效率。
[0076] 专家系统(Expert System，ES)是一种基于知识的
计算机程序系统，其内部含有大量的某个领域专家水平的知识和经验，它应用人工智能(Artificial Intelligence，AI)技术，根据专家提供的知识及其推理能力，模拟人类专家做出决策的思维过程，来解决原来只有专家才能解决的复杂问题。
[0077] 专家系统在电网故障诊断中的典型应用可以归结为:首先建立故障信息知识库，并用自然语言建立产生式规则；然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中，；故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按一定的策略进行推理，从而识别出故障元件。
[0078] 按一定的策略进行推理中的策略：依据电力系统故障信息组建故障信息知识库，并参照经典故障案例建设经典故障模型，发生故障时，推理机参照实时故障信息建立实时故障模型，并运用冲突的消除策略，从这些都可满足的经典模型中挑选出一个执行，反复地进行寻找，直到数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时才停止。
[0079] 遗传算法(Genetic Algorithms，GA)是一种基于自然选择和自然遗传的全局
优化算法。采用从自然选择机理中抽象出来的选择，交叉和变异三种遗传算子对参数编码字符串进行操作。由于操作是针对多个可行解构成的群体进行.故在其世代更替中可以并行地对参数空间的不同区域进行搜索。并使搜索朝更有可能找到最优的全局解方向进行。由于GA在寻优过程中只使用评价函数，不要求目标函数的可微性，因此，GA算法具有全局性、并行性、快速性。较好的适应性和鲁棒性的特点是训练神经网络的一种理想算法。
[0080] 一般神经网络BP学习方法是一种建立和调整模糊推理控制系统的良好方法，但这种方法本质上是一种只考虑局部区域的梯度法，缺乏全局性，有可能仅优化到局部极值部分，其调整的收敛性依赖于初始状态的选择。而遗传算法通过交叉和变异大大减少了初始状态的影响，使搜索得到最优化结果而不停留在局部最小处。遗传算法不仅可优化神经推理系统的参数，而且可以优化神经推理系统的结构。使用遗传算法可以修正冗余的隶属函数和网络的
节点数，以优化模糊推理规则。为了发挥GA算法和BP算法的长处.用GA算法优化具有全局性的参数和网络结构.用BP算法调节和优化具有局部性的参数.这样GA算法作为一种离线训练模糊神经推理控制器，用BP算法作为一种在线调节神经网络的局部性参数。这样采用GA算法训练神经网络，可以大大提高神经推理控制系统的自学习性能和鲁棒性。
[0081] 整体流程见图1：
[0082] 本发明首先通过用户界面录入故障信息特征参数，对特征参数建立诊断系统的数据预处理模块与数据获取模块，由此得到故障数据库并进行归一化处理，构建GA算法训练神经网络进行预测。
[0083] 通过专家系统组建的知识库，模糊神经推理控制器会进行动态学习，并由自学习控制模块调度模糊神经推理控制器离线学习，与专家知识库实现智能交互。
[0084] 利用专家知识库搭建经典故障模型，故障发生时，故障信息通过数据预处理模块组成实时故障模型，与相似经典故障模型进行匹配，实现故障的智能判断。
[0085] 本发明系统在运行时，模糊神经推理控制器进行动态学习，优化神经网络的权值。系统中的自学习控制模块用来调度模糊神经推理控制器的离线学习。系统对被处理对象进行全局的分析.从系统
角度识别对象的总体状态，使得神经网络和遗传算法的
数据处理与模式判别能力能够进行总体协调，同时使基于规则的专家系统的启发式推理能力得到充分的发挥，并在用户的积极参与下实现知识和样本的创造，并且使得专家经验融人到系统中，极大地提高了系统的可塑性和扩充性。在系统中.调度及推理模块对被处理对象进行全方位的描述，进行多重分析任务的调度，实现系统水平上的总控。
[0086] 3.通过集成各类告警信息准确的分析出故障停电区域，快速的进行故障停电信息发布，同时分析出故障停电范围，为现场抢修人员提供故障点位置，减小故障排查范围，缩短巡线时间，从而提高抢修效率。具体故障研判流程如图2所示。
[0087] 首先依据用户报修的结构化地址信息进行模糊定位,自动判断设备故障情况。
[0088] 然后再依据电网拓扑关系由下往上追溯到所属配变,接着判断是否该配变是否有停电告警，有则报修为配变故障，无则报修为低压单户故障。
[0089] 最后反馈至专业人员进行信息确认并执行故障处置流程。最终实现了设备状态信息实时监控、故障信息预警预判，实现元器件故障快速定位、反馈及运检人员快速响应。
[0090] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行
修改，或者对其中部分技术特征进行等同替换；作为本领域技术人员对本发明的多个技术方案进行组合是显而易见的。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
