本發(fā)明屬于電力系統(tǒng)數(shù)據(jù)處理技術(shù)領(lǐng)域，特別涉及一種基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法。

背景技術(shù)：

隨著現(xiàn)代電力的迅猛發(fā)展，電力系統(tǒng)規(guī)模不斷增大，因此其一旦發(fā)生故障，對(duì)電力系統(tǒng)本身、工農(nóng)業(yè)生產(chǎn)和日常生活產(chǎn)生的影響也會(huì)隨之增大。然而，電力系統(tǒng)故障又是不可避免的。在發(fā)生故障時(shí)，往往會(huì)產(chǎn)生大量的數(shù)據(jù)信號(hào)，從而給調(diào)度人員快速準(zhǔn)確地人工識(shí)別故障信號(hào)造成一定的困難。因此，尋找一種高效的故障診斷方法對(duì)維持整個(gè)電力系統(tǒng)的安全運(yùn)行和提高供電可靠性有著非常重要的意義。

粗糙集理論對(duì)于處理復(fù)雜系統(tǒng)有明顯的優(yōu)勢(shì)，研究粗糙集在電力系統(tǒng)故障診斷中的應(yīng)用，可以更加充分地利用電力系統(tǒng)數(shù)據(jù),揭示數(shù)據(jù)背后蘊(yùn)含的原理、規(guī)則,為解決電力系統(tǒng)故障診斷找到更加合理的方法。

屬性約簡(jiǎn)算法是粗糙集理論的核心內(nèi)容?；谶z傳算法的屬性約簡(jiǎn)算法是啟發(fā)式約簡(jiǎn)算法的一種。遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法，具有很強(qiáng)的全局搜索能力，能夠在最短時(shí)間內(nèi)找到全局最優(yōu)解。由于遺傳算法本身具有全局優(yōu)化和隱含并行性等優(yōu)點(diǎn)，用遺傳算法求解屬性約簡(jiǎn)通常會(huì)減小計(jì)算的復(fù)雜性并得到最小約簡(jiǎn)或最小相對(duì)約簡(jiǎn)。但是現(xiàn)有的屬性約簡(jiǎn)方法存在著計(jì)算、搜索時(shí)間過長(zhǎng)和約簡(jiǎn)結(jié)果不準(zhǔn)確的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有的粗糙集屬性約簡(jiǎn)方法的不足，提供一種基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法，能夠提高運(yùn)算速度，更快獲取得到約簡(jiǎn)信息。

為了解決上述技術(shù)問題，本發(fā)明提供一種基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法，其特征在于，首先建立電力系統(tǒng)故障診斷屬性決策表，然后使用遺傳算法對(duì)故障診斷屬性決策表進(jìn)行屬性約簡(jiǎn)。

進(jìn)一步，建立電力系統(tǒng)故障診斷屬性決策表時(shí)，把保護(hù)和斷路器的信號(hào)作為對(duì)故障分類的條件屬性集，以故障區(qū)間或故障設(shè)備作為故障診斷的決策屬性集，考慮各種可能 發(fā)生的故障情況建立決策表。

進(jìn)一步，使用遺傳算法對(duì)故障診斷屬性決策表進(jìn)行屬性約簡(jiǎn)的具體過程為：

步驟1，設(shè)故障診斷屬性決策表的條件屬性個(gè)數(shù)為m，隨機(jī)產(chǎn)生n個(gè)長(zhǎng)度為m的二進(jìn)制串組成初始種群t，初始種群中每個(gè)個(gè)體的染色體對(duì)應(yīng)位隨機(jī)取“0”或“1”；若對(duì)應(yīng)位取值為1，則表示選擇其對(duì)應(yīng)的條件屬性；若對(duì)應(yīng)位取值為0，則表示不選擇其對(duì)應(yīng)的條件屬性；

步驟2，對(duì)于種群t中的每一個(gè)個(gè)體的染色體，分別計(jì)算出決策屬性對(duì)每個(gè)個(gè)體所含的條件屬性的依賴度，然后根據(jù)設(shè)定的適應(yīng)度函數(shù)計(jì)算出每個(gè)個(gè)體的適應(yīng)度函數(shù)值；

步驟3，判斷遺傳算法是否滿足終止條件，若滿足終止條件，則遺傳算法停止；否則，轉(zhuǎn)步驟4；

步驟4，在遺傳算法中對(duì)種群的個(gè)體進(jìn)行選擇、交叉、變異操作，產(chǎn)生新一代的種群個(gè)體；返回步驟2。

進(jìn)一步，所述計(jì)算條件屬性的依賴度r(P,Q)的方法如下式所示：

r(P,Q)＝|POS_P(Q)|/|U|；

其中，其中U是論域，即全體對(duì)象的有限集合；P和Q為定義在U上的兩個(gè)等價(jià)關(guān)系簇，||表示集合的個(gè)數(shù)；為論域U在Q的P正域， 其中，X是論域U的子集，Y是U上等價(jià)關(guān)系P對(duì)U的劃分；

所述適應(yīng)度函數(shù)的計(jì)算方法如下式所示，

其中，m為染色體的長(zhǎng)度，即條件屬性總數(shù)；L_v為染色體中1的個(gè)數(shù)，即條件屬性中1的個(gè)數(shù)；r(P,Q)為決策屬性對(duì)該染色體所表示的條件屬性的依賴度，0≤r(P,Q)≤1；

進(jìn)一步，遺傳算法的終止條件有如下兩個(gè)，只要符合其中一個(gè)則遺傳算法停止：

1)設(shè)定遺傳算法的最大迭代次數(shù)d，當(dāng)遺傳算法迭代次數(shù)達(dá)到最大值時(shí)，遺傳算法終止，輸出第d代中適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體；

2)判斷是否連續(xù)r代的最優(yōu)個(gè)體適應(yīng)度函數(shù)值不再提高，如果是則終止計(jì)算，并輸出最優(yōu)個(gè)體。

進(jìn)一步，所述選擇操作的過程為：

(1)計(jì)算出群體中所有個(gè)體的適應(yīng)度總和；

(2)計(jì)算每個(gè)個(gè)體的相對(duì)適應(yīng)度的大小，即每個(gè)個(gè)體的適應(yīng)度值與該群體的適應(yīng)度值總和的比值，將該比值作為各個(gè)個(gè)體被遺傳到下一代群體中的選擇概率；

(3)計(jì)算累計(jì)概率，即選擇概率依次疊加即可得到累計(jì)概率；

(4)采用模擬賭盤操作，生成0到1之間的隨機(jī)數(shù)與每個(gè)個(gè)體遺傳到下一代群體的概率進(jìn)行匹配，確定各個(gè)個(gè)體被選中的次數(shù)，進(jìn)而得到選擇后的種群。

進(jìn)一步，所述交叉操作采用單點(diǎn)交叉。

進(jìn)一步，所述變異操作的過程為：隨機(jī)設(shè)置一個(gè)變異概率，以該變異概率隨機(jī)地選擇參與變異的個(gè)體的基因位，對(duì)于選擇的該基因位取反，完成了變異操作

本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)在于：(1)從遺傳約簡(jiǎn)方法的性能來看，適應(yīng)度的計(jì)算方面，屬性依賴度要比基于可辨識(shí)矩陣傳統(tǒng)方法的計(jì)算復(fù)雜度小，因此在時(shí)間復(fù)雜度和空間復(fù)雜度上基于屬性依賴度的遺傳約簡(jiǎn)方法比其他約簡(jiǎn)方法有一定的優(yōu)勢(shì)，縮短了遺傳方法的搜索時(shí)間，提高了遺傳約簡(jiǎn)方法的效率，相對(duì)于其他遺傳約簡(jiǎn)方法，本方法有很好的時(shí)間復(fù)雜度和空間復(fù)雜度。本發(fā)明方法比傳統(tǒng)的遺傳約簡(jiǎn)方法有更快速、高效的約簡(jiǎn)效果；(2)本發(fā)明采用了一種基于屬性依賴度的粗糙集電力系統(tǒng)故障診斷方法，由于在目標(biāo)函數(shù)中加入了屬性依賴度這一限制條件，因此能夠獲得相對(duì)更優(yōu)的約簡(jiǎn)結(jié)果。本發(fā)明得到的約簡(jiǎn)為屬性約簡(jiǎn)問題的相對(duì)最優(yōu)解，即信息系統(tǒng)的最小約簡(jiǎn)，獲得最小約簡(jiǎn)，從而為本發(fā)明中進(jìn)行電力系統(tǒng)故障診斷獲得更準(zhǔn)確、更簡(jiǎn)約的診斷規(guī)則。

附圖說明

圖1是本發(fā)明基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法流程圖。

圖2是本發(fā)明實(shí)驗(yàn)中實(shí)際配電網(wǎng)簡(jiǎn)化后的網(wǎng)絡(luò)圖。

圖3是本發(fā)明實(shí)驗(yàn)中使用MATLAB軟件獲得的仿真結(jié)果圖。

具體實(shí)施方式

容易理解，依據(jù)本發(fā)明的技術(shù)方案，在不變更本發(fā)明的實(shí)質(zhì)精神的情況下，本領(lǐng)域的一般技術(shù)人員可以想象出本發(fā)明基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法的多種實(shí)施方式。因此，以下具體實(shí)施方式和附圖僅是對(duì)本發(fā)明的技術(shù)方案的示例性說明，而不應(yīng)當(dāng)視為本發(fā)明的全部或者視為對(duì)本發(fā)明技術(shù)方案的限制或限定。

結(jié)合圖1，本發(fā)明基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法，首先建立電力 系統(tǒng)故障診斷屬性決策表，然后使用遺傳算法對(duì)故障診斷屬性決策表進(jìn)行屬性約簡(jiǎn)。

建立電力系統(tǒng)故障診斷屬性決策表時(shí)，把保護(hù)和斷路器的信號(hào)作為對(duì)故障分類的條件屬性集，以故障區(qū)間或故障設(shè)備作為故障診斷的決策屬性集，考慮各種可能發(fā)生的故障情況建立決策表。

使用遺傳算法對(duì)故障診斷屬性決策表進(jìn)行屬性約簡(jiǎn)的具體過程為：

步驟1，初始化隨機(jī)產(chǎn)生初始種群。設(shè)故障診斷屬性決策表的條件屬性個(gè)數(shù)為m，隨機(jī)產(chǎn)生n個(gè)長(zhǎng)度為m的二進(jìn)制串組成初始種群t，初始種群中每個(gè)個(gè)體的染色體對(duì)應(yīng)位隨機(jī)取“0”或“1”；若對(duì)應(yīng)位取值為1，則表示選擇其對(duì)應(yīng)的條件屬性；若對(duì)應(yīng)位取值為0，則表示不選擇其對(duì)應(yīng)的條件屬性；

步驟2，計(jì)算適應(yīng)度函數(shù)值。對(duì)于種群t中的每一個(gè)個(gè)體的染色體，分別計(jì)算出決策屬性對(duì)每個(gè)個(gè)體所含的條件屬性的依賴度，然后根據(jù)設(shè)定的適應(yīng)度函數(shù)計(jì)算出每個(gè)個(gè)體的適應(yīng)度函數(shù)值；

所述計(jì)算條件屬性的依賴度r(P,Q)的方法如下式所示：

r(P,Q)＝|POS_P(Q)|/|U|；

其中，其中U是論域，即全體對(duì)象的有限集合；P和Q為定義在U上的兩個(gè)等價(jià)關(guān)系簇，||表示集合的個(gè)數(shù)；為論域U在Q的P正域， 其中，X是論域U的子集，Y是U上等價(jià)關(guān)系P對(duì)U的劃分；

所述適應(yīng)度函數(shù)的計(jì)算方法如下式所示，

其中，m為染色體的長(zhǎng)度，即條件屬性總數(shù)；L_v為染色體中1的個(gè)數(shù)，即條件屬性中1的個(gè)數(shù)；r(P,Q)為決策屬性對(duì)該染色體所表示的條件屬性的依賴度，0≤r(P,Q)≤1；

步驟4，判斷是否滿足終止條件，若滿足終止條件，則遺傳算法停止；否則，轉(zhuǎn)步驟5。本發(fā)明中遺傳算法的終止條件有兩個(gè)，只要符合其中一個(gè)則遺傳算法停止：

1)設(shè)定遺傳算法的最大迭代次數(shù)d，當(dāng)遺傳算法迭代次數(shù)達(dá)到最大值時(shí)，遺傳算法終止，輸出第d代中適應(yīng)度函數(shù)值最高的最優(yōu)個(gè)體，本實(shí)施例中最大迭代次數(shù)設(shè)置為d＝200；

2)判斷是否連續(xù)r代的最優(yōu)個(gè)體適應(yīng)度函數(shù)值不再提高，如果是則終止計(jì)算, 并輸出最優(yōu)個(gè)體，否則轉(zhuǎn)步驟5。

步驟5，在遺傳算法中對(duì)種群的個(gè)體進(jìn)行選擇、交叉、變異操作，產(chǎn)生新一代的種群個(gè)體；

1)選擇算子

選用輪盤賭選擇的方法，具體執(zhí)行過程為：

(1)先計(jì)算出群體中所有個(gè)體的適應(yīng)度總和；

(2)其次計(jì)算每個(gè)個(gè)體的相對(duì)適應(yīng)度的大小，即每個(gè)個(gè)體的適應(yīng)度值與該群體的適應(yīng)度值總和的比值，將該比值作為各個(gè)個(gè)體被遺傳到下一代群體中的選擇概率；

(3)計(jì)算累計(jì)概率，即選擇概率依次疊加即可得到累計(jì)概率；

例如選擇概率分別為x1、x2、x3、x4，則累計(jì)概率分別為x1、x1+x2、x1+x2+x3、x1+x2+x3+x4；

(4)采用模擬賭盤操作(即生成0到1之間的隨機(jī)數(shù)與每個(gè)個(gè)體遺傳到下一代群體的概率進(jìn)行匹配)，來確定各個(gè)個(gè)體被選中的次數(shù)。進(jìn)而得到選擇后的種群，然后進(jìn)行交叉操作；

2)交叉算子

交叉操作采用單點(diǎn)交叉，它是指在個(gè)體染色體中隨機(jī)設(shè)置一個(gè)交叉點(diǎn)，然后選擇個(gè)體參與交叉，對(duì)于參與交叉的兩個(gè)父輩個(gè)體，對(duì)于交叉點(diǎn)后的基因位全部進(jìn)行交叉，產(chǎn)生新一代的個(gè)體。即該代種群完成了交叉操作，繼續(xù)進(jìn)行變異操作；

3)變異算子

隨機(jī)設(shè)置一個(gè)變異概率k，一般為0.001-0.1，以變異概率k隨機(jī)地選擇參與變異的個(gè)體的基因位，對(duì)于選擇的該基因位取反，“1”變“0”或者“0”變“1”，即完成了變異操作，從而得到新一代的種群；

步驟6，返回步驟3。

為了進(jìn)一步說明本發(fā)明方法，下面以一個(gè)簡(jiǎn)單的電力系統(tǒng)的一部分網(wǎng)絡(luò)具體說明本發(fā)明。圖2是實(shí)際配電網(wǎng)簡(jiǎn)化后網(wǎng)絡(luò)圖，在圖2中，BYQ表示變壓器，MXB表示母線保護(hù)，DLQ表示的是斷路器，TB表示的是變壓器保護(hù)，GLB表示的是過流保護(hù)，JLB表示的是距離保護(hù)，KG表示的是低壓開關(guān)，QU表示的是區(qū)間，MX表示的是母線，DY表示的是供電電源。

配電網(wǎng)一次系統(tǒng)接線圖的運(yùn)行方式如下：正常情況下，DY₁(電源1)帶區(qū)間1上所有的負(fù)荷，DY₂(電源2)帶區(qū)間2上所有的負(fù)荷，母聯(lián)開關(guān)DLQ₀處于熱備用狀態(tài)， 當(dāng)電源1發(fā)生故障時(shí)，母聯(lián)開關(guān)DLQ₀將會(huì)自動(dòng)合上，電源開關(guān)DLQ₅將會(huì)斷開，電源2帶區(qū)間1、區(qū)間2上的所有負(fù)荷，同理，當(dāng)DY₂故障時(shí)，DY₁(電源1)帶區(qū)間1、區(qū)間2上的所有負(fù)荷。配電網(wǎng)一次系統(tǒng)接線圖的保護(hù)配備情況，圖中配備有變壓器保護(hù)(包括速斷保護(hù)，差動(dòng)保護(hù)，間隙零序保護(hù)，變壓器高壓側(cè)開關(guān)帶斷路器失靈保護(hù))、母線保護(hù)、距離保護(hù)和過流保護(hù)。

根據(jù)此配電網(wǎng)絡(luò)的歷史故障信息的收集以及理論推理，可把故障類型分成：①電源故障；②電力變壓器故障；③斷路器或者開關(guān)故障；④母線、線路故障；⑤配電區(qū)間故障。其中，電源故障分為電源1故障和電源2故障。當(dāng)電源1故障時(shí)，母聯(lián)開關(guān)DLQ₀自動(dòng)合上，電源開關(guān)DLQ₅斷開，電源2帶區(qū)間1、區(qū)間2上的所有負(fù)荷。同理，當(dāng)電源2故障時(shí)，電源1帶區(qū)間1、區(qū)間2上的所有負(fù)荷。當(dāng)母線故障，并且母線保護(hù)正確動(dòng)作時(shí)，該母線上全部斷路器都將跳開；而當(dāng)母線發(fā)生故障，并且母線保護(hù)失靈時(shí)，變壓器的零序保護(hù)作為母線保護(hù)的后備保護(hù)，跳開變壓器高、低壓側(cè)開關(guān)，以及變壓器所在母線上的其他斷路器。

當(dāng)變壓器發(fā)生故障時(shí)，若變壓器保護(hù)與兩側(cè)斷路器均可以正確動(dòng)作，則變壓器兩側(cè)開關(guān)跳開。如果變壓器保護(hù)可以正確動(dòng)作，但是斷路器失靈時(shí)，斷路器失靈保護(hù)動(dòng)作跳開該母線上除變壓器高壓側(cè)斷路器以外的所有斷路器。當(dāng)線路發(fā)生故障時(shí)，如果距離保護(hù)正確動(dòng)作，則跳開變壓器低壓側(cè)斷路器；如果距離保護(hù)拒動(dòng)，則變壓器的相關(guān)保護(hù)將變壓器高、低壓側(cè)斷路器跳開。當(dāng)負(fù)荷區(qū)間發(fā)生故障時(shí)，如果過流保護(hù)和相應(yīng)的開關(guān)都正常動(dòng)作，則跳開相應(yīng)區(qū)間的開關(guān)；如果過流保護(hù)正確動(dòng)作而開關(guān)拒動(dòng)或者過流保護(hù)拒動(dòng)時(shí)，則相應(yīng)段的距離保護(hù)動(dòng)作跳開變壓器低壓側(cè)斷路器。

通過上述分析可以得出結(jié)論，以配電網(wǎng)的斷路器或者開關(guān)的動(dòng)作信號(hào)，以及配電網(wǎng)的相關(guān)保護(hù)作為對(duì)配電網(wǎng)分類的條件屬性，以故障區(qū)間和故障設(shè)備作為配電網(wǎng)故障診斷的決策屬性，根據(jù)相關(guān)數(shù)據(jù)建立配電網(wǎng)故障診斷的原始屬性決策表，原始屬性決策表如下表1所示。

表1

1)根據(jù)傳統(tǒng)的可辨識(shí)矩陣的屬性約簡(jiǎn)方法，對(duì)上面的故障診斷屬性決策表進(jìn)行屬性約簡(jiǎn)：最終得到如下四個(gè)屬性約簡(jiǎn)組合：

①DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₄，DLQ₅，TB₂，GLB₁，GLB₂

②DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₆，TB₁，GLB₁，GLB₂，JLB₂

③DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₅，DLQ₆，GLB₁，GLB₂，JLB₂

④DLQ₀，DLQ₁，DLQ₃，DLQ₄，DLQ₅，DLQ₆，GLB₁，GLB₂，JLB₁

2)使用本發(fā)明基于啟發(fā)式信息的粗糙集電力系統(tǒng)故障診斷方法，解決本電力系統(tǒng)問題，應(yīng)用MATLAB編程，最終得到的約簡(jiǎn)結(jié)果如下：

約簡(jiǎn)結(jié)果r＝[1 1 1 1 0 0 1 0 0 1 0 1 1 0 1]

即DLQ₀，DLQ₁，DLQ₂，DLQ₃，DLQ₆，TB₁，GLB₁，GLB₂，JLB₂，該結(jié)果為應(yīng)用傳統(tǒng)方法所得出的結(jié)果中第②項(xiàng)。

目標(biāo)函數(shù)最優(yōu)值targetValue＝-5.7543

約簡(jiǎn)后條件屬性為

初始決時(shí)，決策屬性D對(duì)條件屬性C的依賴度為gama＝1

決策屬性D對(duì)條件屬性C_reduct的依賴度為gama＝1

MATLAB計(jì)算的圖表如圖3所示。圖3中上部的曲線圖表示適應(yīng)度函數(shù)值隨遺傳代數(shù)的變化趨勢(shì)，其中上部曲線代表平均適應(yīng)度函數(shù)，下部曲線代表最優(yōu)適應(yīng)度函數(shù)。圖3中下部的柱狀圖中，Stall(G)表示連續(xù)數(shù)次沒有進(jìn)化出更好的個(gè)體作為停止條件，Generation表示適應(yīng)度函數(shù)在連續(xù)若干代沒有發(fā)生變化的時(shí)刻作為終止條件。

兩種方法的約簡(jiǎn)結(jié)果分析：

可辨識(shí)矩陣方法和本發(fā)明方法中得到的最終約簡(jiǎn)結(jié)果均有9個(gè)條件屬性，但是可辨識(shí)矩陣算法中得到了4個(gè)約簡(jiǎn)結(jié)果，而本發(fā)明方法得到的約簡(jiǎn)問題的最優(yōu)解，即信息系統(tǒng)的最小約簡(jiǎn)。本發(fā)明從一個(gè)初始群體出發(fā)，不斷重復(fù)執(zhí)行選擇、交叉、變異和修正操作的過程，使群體進(jìn)化越來越接近最優(yōu)化的目標(biāo)，采用的適應(yīng)度函數(shù)可以控制染色體朝著最小約簡(jiǎn)的方向進(jìn)化，最終得到信息系統(tǒng)的最小約簡(jiǎn)，并且適應(yīng)度函數(shù)中引入屬性依賴度，使得最終得到的約簡(jiǎn)結(jié)果屬性依賴度可以無限的靠近1，即得到的約簡(jiǎn)結(jié)果為最優(yōu)約簡(jiǎn)結(jié)果。

兩種方法的時(shí)間復(fù)雜度和空間復(fù)雜度的比較：

可辨識(shí)矩陣算法的時(shí)間復(fù)雜度和空間復(fù)雜度均為O(m*n²)，如果研究的對(duì)象個(gè)數(shù)較多的話，將會(huì)占用大量的計(jì)算機(jī)資源，計(jì)算效率也受到影響。本發(fā)明方法求解最小約簡(jiǎn)的時(shí)間復(fù)雜度為O(m*n*logn)，空間復(fù)雜度為O(n)，計(jì)算效率和資源利用率隨之提高。其中：m為屬性集的個(gè)數(shù)，n為條件屬性的個(gè)數(shù)。