[发明专利]一种基于免疫RBF神经网络的电网故障诊断方法

说明书

本发明公开了一种基于免疫RBF神经网络的电网故障诊断方法，该方法首先根据免疫算法原理，把输入样本数据作为抗原，RBF中心点作为抗体，在进行克隆、变异等免疫操作后，将得到的样本数据中心作为RBF神经网络隐含层径向基函数的中心。然后基于训练集样本，确定扩展常数，利用最小二乘算法确定连接权值，完成RBF神经网络的训练。最后根据基于免疫算法确定RBF中心的神经网络训练结果建立电网故障诊断模型，将测试集样本输入所述电网故障诊断模型，并由此得到故障诊断结果。本发明能够有效的判断电网发故障的位置，具有较好的容错性。

技术领域

本发明属于电网故障诊断技术领域，具体涉及一种基于免疫RBF神经网络的电网故障诊断方法。

背景技术

随着电网规模的不断扩大，在电网发生故障时，若不能及时准确地定位故障区域，处理故障设备，恢复供电，很可能造成更加严重的大面积停电事故并造成巨大的经济损失。当电网发生故障时，调度监测人员会在短时间内收到大量的故障报警信息，若仅靠人工处理这些故障信息并快速准确地判断故障区域是十分困难的。因此，及时准确诊断出故障元件对于电网恢复供电和稳定运行具有十分重要的意义。

电网故障诊断一般是指通过SCADA采集的保护和断路器动作的开关量变化信息来识别出故障的元件位置、类型等。目前，许多学者已对电网故障诊断领域进行了广泛的研究，并提出了许多智能诊断算法，如专家系统、优化技术、贝叶斯理论、Petri网、神经网络等。RBF神经网络是一种以函数逼近为基础的前馈型神经网络，由于RBF神经网络具有结构简单、学习速度快、泛化能力强等特点，并且具有任意函数逼近能力，使之在电网故障领域获得了广泛的运用。然而RBF中心点的选择一直是RBF神经网络算法的关键之一，目前传统的RBF神经网络通常采用K-means聚类确定RBF中心点，但K-means算法对聚类的初始中心敏感，会造成局部极小值的出现，网络的收敛速度也会变慢，从而直接降低RBF神经网络的性能。因此有必要研究一种方法更好的确定RBF中心点，以此增强RBF神经网络的性能，提高在故障诊断时的容错性，从而更好的辅助调度人员进行事故的分析和处理。

发明内容

发明目的：针对传统的RBF神经网络采用K-means聚类确定RBF中心点时，会造成局部极小值的出现，网络的收敛速度也会变慢，从而直接降低RBF神经网络的性能，降低在故障诊断时的容错性问题，本发明提供一种基于免疫RBF神经网络的电网故障诊断方法。

技术方案：一种基于免疫RBF神经网络的电网故障诊断方法，包括以下步骤：

(1)采集样本数据，并将样本数据划分为训练集和测试集；

(2)构建基于免疫RBF神经网络的电网故障网络结构，包括确定RBF神经网络输入向量、输出向量的维数，确定隐含层节点数；

(3)构建三层前向网络拓扑结构，第一层为输入层，由采集的保护、断路器报警数据构成；第二层为隐含层，采用高斯函数进行非线性变换；第三层为输出层，对隐含层进行加权线性组合完成线性映射，以其输出结果确定电网故障区域；

(4)网络训练，输入训练集，先根据免疫算法原理，对电网故障诊断问题进行可行性分析，提取故障先验知识，构造适应度函数，并制定各种约束条件，把训练样本中的电网报警数据作为抗原，RBF中心点作为抗体，在进行克隆、变异等免疫操作后，将得到的样本数据中心作为RBF神经网络的中心点，再确定扩展常数，并利用最小二乘法确定隐含层到输出层的权值，得到电网故障诊断模型；

(5)电网故障诊断模型，将测试集输入到训练好的电网故障诊断模型中进行故障诊断的效果验证；

(6)通过电网故障诊断模型进行电网故障区域定位。