[发明专利]一种基于GA优化RS-BP神经网络电网故障定位方法

说明书

本发明公开了一种基于GA优化RS‑BP神经网络电网故障定位方法。针对电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，提高电网故障定位的快速性和准确性，本发明采用的技术方案：利用遗传算法（Genetic Algorithm,GA）优化粗糙集(Rough Set,RS)，对故障决策表进行约简，得到最小约简属性，简化BP神经网络结构，并且用改进的GA优化BP神经网络的初始权值阈值，再使用BP算法局部搜索细化，避免陷入局部极小值，形成基于GA优化RS‑BP神经网络模型。本发明能够准确有效地进行故障定位，提高故障诊断速度和准确率。

技术领域

本发明属于电力系统故障领域，具体为一种基于GA优化RS-BP神经网络电网故障定位方法。

背景技术

电网的故障给人民和国家带来巨大的损失，所以故障诊断是电网安全运行必不可少的一部分。实际上，在电网发生故障的时候，SCADA系统信息丢失、出错以及保护器与断路器动作的误动、拒动等都是经常出现的。在这种信息畸变、不完整情况下对电网故障进行准确诊断，至今还没有得到很好的解决。这也是近些年来电力系统故障诊断领域专家们极力要解决的难题之一。

传统的诊断方法进行电网故障位置定位基本上依靠专家经验，精确率和诊断速度都不足。随着故障诊断技术的不断发展，专家系统、神经网络、Petri网以及模糊集等诊断方法都已经应用于实际工程中。但是，这些方法存在着局限性，比如专家系统容错性差，学习能力不强；神经网络易陷入局部极小值等等；这些方法在处理不确定信息时，能力较弱。因此对于故障诊断特征信息量大、信息不完备情况时，寻求一种更为优越的故障定位方法势在必行。

发明内容

为解决上述现有技术存在的问题，本发明提供一种基于GA优化RS-BP神经网络电网故障定位方法。

本发明根据遗传算法全局寻优的特点，将遗传算法(Genetic Algorithm,GA)和粗糙集理论(Rough Set,RS)结合对数据进行预处理，利用粗糙集理论对特征信息量大、信息不完备情况时，对数据决策表进行约简，得到最小约简属性，并且再次用改进的遗传算法优化BP神经网络的初始权值和阈值，有效避免BP神经网络陷入局部极小值，提高电网故障诊断的容错性，实现故障位置的有效定位。

本发明包括步骤：

步骤一：根据电网故障数据采集系统中的不确定、错误以及冗余信息，甚至部分重要信息的丢失，设计基于GA的粗糙集样本数据约简方法。

根据开关及继电保护装置的信息，定义故障决策表S＝(U,A,V,F)，其中A＝C∪D，U表示论域，A表示属性集，C表示条件属性集(l表示保护动作，0表示保护未动作)，保护D表示决策属性集(故障区域)；V_a表示属性a的值域；F是一个函数，是属性赋予的信息值，映射可表示为F:U×A→V。

输入：故障决策表S＝(U,A,V,F)

输出：最小约简属性。

(1)计算出决策属性d(某一故障区域)对于条件属性C(某个开关和继电保护是否动作)的依赖度r_c(d)；

(2)计算属性核Core(C)，令依次去掉条件属性c_i∈C，若则Core(C)＝Core(C)∪{C_i}；若则Core(C)表示最小约简属性；

(3)初始化随机产生m个长度为|C|(条件属性个数)的种群，个体均采用二进制编码；1表示保留该属性，0表示删除该属性；选取适应度函数计算个体适应度，L表示染色体长度，即属性的个数，L_x为染色体中为1的个数；

(4)个体的选择采用轮盘赌法，交叉概率和变异概率分别取P_c、P_m，产生新一代种群；