一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置与流程

本发明涉及电网调度与故障分析技术领域，特别是涉及一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置。

背景技术：

现今，电力系统的规模逐渐扩大，结构也越来越复杂，而组成电力系统的元件(比如发电机，变压器，母线，输电线路等)数目也就也来越庞大。这些元件的保护主要由保护继电器，电流断路器和通讯设备组成。一旦出现故障，就要求调度员快速而准确地隔离受影响的支路，并采取必要的措施来尽可能快地恢复电力的正常供应。当某一故障发生时，大量来自监控与数据采集系统的报警信息就会被立即传送到系统的调度中心，为故障诊断提供数据源。但是，这些报警信息通常是不完整和不确定的，特别是在多重故障的时候，无法准确地确定出具体的故障元件。

由此可见，如何在多重故障的情况下，准确地确定出具体的故障元件是本领域技术人员亟待解决地问题。

技术实现要素：

本发明的目的是提供一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置，用于在多重故障的情况下，准确地确定出具体的故障元件。

为解决上述技术问题，本发明提供一种基于区间值模糊脉冲神经膜系统的故障诊断方法，包括：

S10：从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；

S11：根据所述动作信息和所述跳闸信息确定所述电力系统中的停电区域的可疑故障元件；

S12：分别对所述可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；

S13：利用模糊推理算法对所述故障诊断模型进行逆向模糊推理，计算各所述可疑故障元件的置信度；

S14：依照预定判断依据在所述置信度中筛选出目标置信度，并确定所述目标置信度对应的可疑故障元件为确定故障元件。

优选地，所述步骤S12具体包括：

根据所述可疑故障元件的主保护、第一后备保护和第二后备保护之间的合作关系来设置命题神经元、and型规则神经元和or型规则神经元之间的突触关系；

根据所述可疑故障元件的类型，分别确定对应的线路、母线和变压器的故障模糊产生式规则类型；

根据所述动作信息和所述跳闸信息，获得所述可疑故障元件的主保护、第一后备保护和第二后备保护以及相对应的断路器的置信度，并将所述保护继电器和所述断路器的置信度与输入的各神经元中包含的脉冲值一一对应。

优选地，所述线路、母线和变压器的故障模糊产生式规则类型具体包括：

类型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝c)

类型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝c)

其中，p₁,p₂,...,p_k-1是规则神经元前件的k-1个命题神经元，而p_k是规则神经元后件的命题神经元，c是一个区间值模糊数且表示这个模糊产生式规则的置信因子CF。

优选地，所述步骤S13具体包括：

S131：输入命题神经元和输入规则神经元矢量初始值，分别为θ_g＝(θ_1g,θ_2g,...,θ_sg)和δ_g＝(δ_1g,δ_2g,...,δ_tg)，其中s代表所述命题神经元的个数，t代表所述规则神经元的个数；

S132：令推理因子g＝g+1；

S133：依次触发所述命题神经元和所述规则神经元；

其中，所述命题神经元被触发后，所述规则神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

所述规则神经元被触发后，所述命题神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

S134：当δ_g不满足终止条件时，返回执行步骤S132，重新计算并更新θ_g和δ_g；

其中，D₁为突触矩阵，表示从所述命题神经元到所述and型规则神经元的有向连接，D₂为突触矩阵，表示从所述命题神经元到所述or型规则神经元的有向连接，所述可疑故障元件的置信度为δ_g满足所述终止条件时上一周期对应的θ_g，所述终止条件为：

优选地，所述依照预定判断依据在所述置信度中筛选出目标置信度，并确定所述目标置信度对应的可疑故障元件为确定故障元件具体为：

如果所述可疑故障元件的置信度满足条件θ_g≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该可疑故障元件的模糊值为所述目标置信度，该可疑元件为所述确定故障元件；

如果所述可疑故障元件的置信度满足条件θ_g≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该可疑故障元件的模糊值不为所述目标置信度，该可疑故障元件为非故障元件。

为解决上述技术问题，本发明提供一种基于区间值模糊脉冲神经膜系统的故障诊断装置，包括：

获取单元，用于从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；

确定单元，用于根据所述动作信息和所述跳闸信息确定所述电力系统中的停电区域的可疑故障元件；

诊断模型建立单元，用于分别对所述可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；

计算单元，用于利用模糊推理算法对所述故障诊断模型进行逆向模糊推理，计算各所述可疑故障元件的置信度；

筛选单元，用于依照预定判断依据在所述置信度中筛选出目标置信度，并确定所述目标置信度对应的可疑故障元件为确定故障元件。

优选地，所述诊断模型建立单元具体用于根据所述可疑故障元件的主保护、第一后备保护和第二后备保护之间的合作关系来设置命题神经元、and型规则神经元和or型规则神经元之间的突触关系；

根据所述可疑故障元件的类型，分别确定对应的线路、母线和变压器的故障模糊产生式规则类型；

根据所述动作信息和所述跳闸信息，获得所述可疑故障元件的主保护、第一后备保护和第二后备保护以及相对应的断路器的置信度，并将所述保护继电器和所述断路器的置信度与输入的各神经元中包含的脉冲值一一对应。

优选地，所述线路、母线和变压器的故障模糊产生式规则类型具体包括：

类型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝c)

类型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝c)

其中，p₁,p₂,...,p_k-1是规则神经元前件的k-1个命题神经元，而p_k是规则神经元后件的命题神经元，c是一个区间值模糊数且表示这个模糊产生式规则的置信因子CF。

优选地，所述计算单元具体用于输入命题神经元和输入规则神经元矢量初始值，分别为θ_g＝(θ_1g,θ_2g,...,θ_sg)和δ_g＝(δ_1g,δ_2g,...,δ_tg)，其中s代表所述命题神经元的个数，t代表所述规则神经元的个数；

依次触发所述命题神经元和所述规则神经元；

其中，所述命题神经元被触发后，所述规则神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

所述规则神经元被触发后，所述命题神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

当δ_g不满足终止条件时，另令推理因子g＝g+1，重新计算并更新θ_g和δ_g；

其中，D₁为突触矩阵，表示从所述命题神经元到所述and型规则神经元的有向连接，D₂为突触矩阵，表示从所述命题神经元到所述or型规则神经元的有向连接，所述可疑故障元件的置信度为δ_g满足所述终止条件时上一周期对应的θ_g，所述终止条件为：

优选地，所述筛选单元的筛选规则为：

如果所述可疑故障元件的置信度满足条件θ_g≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该可疑故障元件的模糊值为所述目标置信度，该可疑元件为所述确定故障元件；

如果所述可疑故障元件的置信度满足条件θ_g≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该可疑故障元件的模糊值不为所述目标置信度，该可疑故障元件为非故障元件。

本发明所提供的基于区间值模糊脉冲神经膜系统的故障诊断方法及装置，包括从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；根据动作信息和跳闸信息确定电力系统中的停电区域的可疑故障元件；分别对可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；利用模糊推理算法对故障诊断模型进行逆向模糊推理，计算各可疑故障元件的置信度；依照预定判断依据在置信度中筛选出目标置信度，并确定目标置信度对应的可疑故障元件为确定故障元件。由此可见，本发明所提供的方法具有如下优点：

(1)故障诊断的正确性高。依据电力系统中元件的各保护的合作关系来建立区间值模糊脉冲神经膜系统的故障诊断模型以及三种情况的故障模糊产生式规则，并依据各种情况的重要性来设定规则的置信度，使推理过程更加合理化，由于区间值模糊数及语言模糊量描述的置信度比单个数值的概率值更具准确性，最终以区间值模糊数的形式给出各个元件可能发生故障的置信度，在一定程度上显示了其客观性，保证了诊断结果的准确性。

(2)诊断过程直观说明性及易理解性。本发明所提供的方法采用脉冲神经膜系统图形建模，使诊断过程具有直观说明性。同时，通过语言模糊量的使用和基于矩阵计算的推理过程，给电网调度人员提供了更直观且简单的方式来理解故障诊断的过程。

(3)容错性能好。本发明将区间值模糊数与传统的脉冲神经膜系统相结合，提出改进的模糊脉冲神经膜系统，由于区间值模糊数比普通模糊数包含了更多的不确定性以及其容易反映主观判断的模糊性的能力，因此，通过使用区间值模糊数，使得本发明所提供的故障诊断方法能够更加灵活有效地处理来自监控与数据采集系统的设备失败、不正确和不确定信息，使诊断结果更为可靠。

附图说明

为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于区间值模糊脉冲神经膜系统的故障诊断方法的流程图；

图2为本发明实施例提供的一种区间值模糊数示意图；

图3a本发明实施例提供的一种命题神经元示意图；

图3b本发明实施例提供的一种and型规则神经元示意图；

图3c本发明实施例提供的一种or型规则神经元示意图；

图4a为本发明实施例提供的类型1对应的模糊产生式规则的示意图；

图4b为本发明实施例提供的类型2对应的模糊产生式规则的示意图；

图5为本发明实施例体提供的一种例1对应的6母线69kV配电系统的局部继电保护示意图；

图6为本发明实施例提供的一种例1母线A1的区间值模糊脉冲神经膜系统故障诊断模型；

图7为本发明实施例提供的一种例2对应的345kV输电系统的局部继电保护示意图；

图8为本发明实施例提供的一种例2线路L30的区间值模糊脉冲神经膜系统故障诊断模型；

图9为本发明实施例提供的一种例2线路L29的区间值模糊脉冲神经膜系统故障诊断模型；

图10为本发明实施例提供的一种例2线路L24的区间值模糊脉冲神经膜系统故障诊断模型；

图11为本发明实施例提供的一种例2母线B22的区间值模糊脉冲神经膜系统故障诊断模型；

图12为本发明实施例提供的一种区间值模糊脉冲神经膜系统的故障诊断装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下，所获得的所有其他实施例，都属于本发明保护范围。

本发明的核心是提供一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明提供的一种基于区间值模糊脉冲神经膜系统的故障诊断方法的流程图。如图1所示，基于区间值模糊脉冲神经膜系统的故障诊断方法包括：

S10：从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息。

S11：根据动作信息和跳闸信息确定电力系统中的停电区域的可疑故障元件。

S12：分别对可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型。

步骤S12具体包括：

根据可疑故障元件的主保护、第一后备保护和第二后备保护之间的合作关系来设置命题神经元、and型规则神经元和or型规则神经元之间的突触关系。

根据可疑故障元件的类型，分别确定对应的线路、母线和变压器的故障模糊产生式规则类型。

其中，线路、母线和变压器的故障模糊产生式规则类型具体包括：

类型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝c)

类型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝c)

其中，p₁,p₂,...,p_k-1是规则神经元前件的k-1个命题神经元，而p_k是规则神经元后件的命题神经元，c是一个区间值模糊数且表示这个模糊产生式规则的置信因子CF。

根据动作信息和跳闸信息，获得可疑故障元件的主保护、第一后备保护和第二后备保护以及相对应的断路器的置信度，并将保护继电器和断路器的置信度与输入的各神经元中包含的脉冲值一一对应。

S13：利用模糊推理算法对故障诊断模型进行逆向模糊推理，计算各可疑故障元件的置信度。

步骤S13具体包括：

S131：输入命题神经元和输入规则神经元矢量初始值，分别为θ_g＝(θ_1g,θ_2g,...,θ_sg)和δ_g＝(δ_1g,δ_2g,...,δ_tg)，其中s代表命题神经元的个数，t代表规则神经元的个数；

S132：令推理因子g＝g+1；

S133：依次触发命题神经元和规则神经元；

其中，命题神经元被触发后，规则神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

规则神经元被触发后，命题神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

S134：当δ_g不满足终止条件时，返回执行步骤S132，重新计算并更新θ_g和δ_g；

其中，D₁为突触矩阵，表示从命题神经元到and型规则神经元的有向连接，D₂为突触矩阵，表示从命题神经元到or型规则神经元的有向连接，可疑故障元件的置信度为δ_g满足终止条件时上一周期对应的θ_g，终止条件为：

S14：依照预定判断依据在置信度中筛选出目标置信度，并确定目标置信度对应的可疑故障元件为确定故障元件。

其中预定判断依据具体为：

如果所述可疑故障元件的置信度满足条件θ_g≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该可疑故障元件的模糊值为所述目标置信度，该可疑元件为所述确定故障元件；

如果所述可疑故障元件的置信度满足条件θ_g≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该可疑故障元件的模糊值不为所述目标置信度，该可疑故障元件为非故障元件。

本实施例提供的基于区间值模糊脉冲神经膜系统的故障诊断方法，包括从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；根据动作信息和跳闸信息确定电力系统中的停电区域的可疑故障元件；分别对可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；利用模糊推理算法对故障诊断模型进行逆向模糊推理，计算各可疑故障元件的置信度；依照预定判断依据在置信度中筛选出目标置信度，并确定目标置信度对应的可疑故障元件为确定故障元件。由此可见，本发明所提供的方法具有如下优点：

(1)故障诊断的正确性高。依据电力系统中元件的各保护的合作关系来建立区间值模糊脉冲神经膜系统的故障诊断模型以及三种情况的故障模糊产生式规则，并依据各种情况的重要性来设定规则的置信度，使推理过程更加合理化，由于区间值模糊数及语言模糊量描述的置信度比单个数值的概率值更具准确性，最终以区间值模糊数的形式给出各个元件可能发生故障的置信度，在一定程度上显示了其客观性，保证了诊断结果的准确性。

(2)诊断过程直观说明性及易理解性。本发明所提供的方法采用脉冲神经膜系统图形建模，使诊断过程具有直观说明性。同时，通过语言模糊量的使用和基于矩阵计算的推理过程，给电网调度人员提供了更直观且简单的方式来理解故障诊断的过程。

(3)容错性能好。本发明将区间值模糊数与传统的脉冲神经膜系统相结合，提出改进的模糊脉冲神经膜系统，由于区间值模糊数比普通模糊数包含了更多的不确定性以及其容易反映主观判断的模糊性的能力，因此，通过使用区间值模糊数，使得本发明所提供的故障诊断方法能够更加灵活有效地处理来自监控与数据采集系统的设备失败、不正确和不确定信息，使诊断结果更为可靠。

需要说明的是，本文中可疑故障元件的置信度也可以称为可疑故障元件的模糊值。为了让本领域技术人员更加清楚本发明提供的技术方案，以下以具体例子对上述步骤进行说明。

图2为本发明实施例提供的一种区间值模糊数示意图。参见图2，其示出了所述区间值模糊数的示意图，其中，一个区间值模糊数表示为A^L称为较低模糊数(下模糊数)，A^U称为较高模糊数(上模糊数)；且a₁,a₂,a₃,a₄,均为[0,1]的实数。

本发明涉及到区间值模糊数的四种运算，故引入其定义，假设和是两个区间值模糊数，四种运算操作如下：

(1)

(2)

(3)

(4)

由于专家知识和高级调度的不确定性，本发明采用语言模糊量来描述用区间值模糊数表示的置信度，各语言模糊量与区间值模糊数的对应关系如表1所示。另外，由于从监控与数据采集系统获取的信息可能包含设备失败、不正确以及不确定信息，因此有必要使用置信度去描述每个元件的动作准确度。本发明根据以往电力系统故障诊断经验给每个保护设备分配置信度，其中包括每个线路、母线和变压器保护继电器以及每个它们相应的断路器。表2和表3分别展示了用语言模糊量描述的各保护设备动作和未动作置信度。在具体实施中，线路、母线和变压器的故障模糊产生式规则包括：

规则1：If有线路、母线和变压器的主保护和第一后备保护参与，then相关的规则神经元的置信度设置为“非常高”；

规则2：If有线路、母线和变压器的远后备保护参与，then相关的规则置信度的置信度设置为“高”；

规则3：If涉及到线路、母线和变压器多个等级的保护，then则规则神经元的置信度设置为最高级保护所对应的值。

表1

表2

表3

图3a本发明实施例提供的一种命题神经元示意图。图3b本发明实施例提供的一种and型规则神经元示意图。图3c本发明实施例提供的一种or型规则神经元示意图。图3a为一个命题神经元，如果它从其它规则神经元接收到多个脉冲，其值分别为θ₁,θ₂,...,θ_n，则该命题神经元的脉冲值为θ＝θ₁∨θ₂∨...∨θ_n。若这个命题神经元被点火，则激发出一个脉冲，其值为θ；图3b中，如果它从其它命题神经元接收到的脉冲值分别为θ₁,θ₂,...,θ_n，则该神经元被点火，且激发出一个脉冲，其值为图3c中，如果命题神经元接收到的脉冲值分别为θ₁,θ₂,...,θ_n，则该神经元被点火，且激发出一个脉冲，其值为

图4a为本发明实施例提供的类型1对应的模糊产生式规则的示意图。图4b为本发明实施例提供的类型2对应的模糊产生式规则的示意图。如图4a所示，此系统由k个命题神经元和一个and型规则神经元构成。推理过程如下：初始时为命题神经元σ_i(i＝1,2,...,k-1)指定一个脉冲，其值为θ_i(i＝1,2,...,k-1)。于是，这些命题神经元点火，都激发出一个脉冲，其值分别为θ₁,θ₂,...,θ_k-1。然后and型规则神经元σ_k+1收到k-1个脉冲，其值由计算。接着，规则神经元σ_k+1点火，它发出一个脉冲(其值为)到后继命题神经元σ_k。最后，σ_k收到这个脉冲。因此，最终计算结果为图4(b)为类型2的模糊产生式规则。它包括k个命题神经元和一个or型规则神经元。推理过程如下：初始时为命题神经元σ_i(i＝1,2,...,k-1)指定一个脉冲，其值为θ_i(i＝1,2,...,k-1)。于是，这些命题神经元点火，都激发出一个脉冲，其值分别为θ₁,θ₂,...,θ_k-1。然后or型规则神经元σ_k+1收到k-1个脉冲，其值由计算。接着，规则神经元σ_k+1点火，它发出一个脉冲(其值为)到后继命题神经元σ_k。最后，σ_k收到这个脉冲。因此，此系统的最终计算结果为

其中，各参数矢量(矩阵)含义及其乘法算子定义如下：

(1)θ＝(θ₁,θ₂,...,θ_s)^T是一个矢量，由s个命题神经元的区间模糊数构成，其中θ_i是一个区间值模糊数，它表示第i个命题神经元的脉冲值。若一个命题神经元中没有包含任何脉冲，那么它的脉冲值为“unknown”或者[(0.0,0.0,0.0,0.0；0.8),(0.0,0.0,0.0,0.0；1.0)]。

(2)δ＝(δ₁,δ₂,...,δ_t)^T是一个矢量，由t个规则神经元的区间模糊数构成，其中δ_j是一个区间值模糊数，表示第j个规则神经元的脉冲值。若一个规则神经元中没有包含任何脉冲，那么它的脉冲值为“unknown”或者[(0.0,0.0,0.0,0.0；0.8),(0.0,0.0,0.0,0.0；1.0)]。

(3)C＝diag(c₁,c₂,...,c_t)是一个对角矩阵，其中c_j(1≤j≤t)是一个区间模糊数，表示第j个模糊规则产生式的置信度。

(4)D₁＝(d_ij)_s×t是一个突触矩阵，表示从命题神经元到and型规则神经元的有向连接。若从命题神经元σ_i到规则神经元σ_j存在一个有向弧(即突触)，则d_ij＝1，否则，d_ij＝0。

(5)D₂＝(d_ij)_s×t是一个突触矩阵，表示从命题神经元到or型规则神经元的有向连接。若从命题神经元σ_i到规则神经元σ_j存在有一个有向弧(即突触)，则d_ij＝1，否则，d_ij＝0。

(6)E＝(e_ji)_t×s是一个突触矩阵，表示从规则神经元到命题神经元的有向连接。若从规则神经元σ_j到命题神经元σ_i存在有一个有向弧(即突触)，则e_ji＝1，否则，e_ji＝0。

接下来，引入3种乘法运算，如下：

(1)

(2)其中，并且，j＝1,2,...,t。

(3)其中，并且，i＝1,2,...,s。

图5为本发明实施例体提供的一种例1对应的6母线69kV配电系统的局部继电保护示意图。其中，共有10个元件，10个断路器，26个保护继电器。符号约定如下：A/B/C、L、CB和T分别表示母线、输电线路、断路器和变压器。10个元件依次为：母线A₁,A₂,B₁,B₂,C₁,C₂；线路L₁,L₂；变压器T₁,T₂。10个断路器依次为：CB₁,CB₂,...,CB₉,CB₁₀。26个保护中有12个主保护依次为：A_1m,A_2m,B_1m,B_2m,C_1m,C_2m,T_1m,T_2m,L_1Bm,L_2Bm,L_1Cm,L_2Cm。8个近后备保护依次为：T_1p,T_1s,T_2p,T_2s,L_1Bp,L_2Bp,L_1Cp,L_2Cp。6个远后备保护依次为：T_1t,T_2t,L_1Bs,L_2Bs,L_1Cs,L_2Cs。

读取来自监控与数据采集系统的保护动作信息和断路器跳闸信息，有：保护A_1m、T_1t动作，断路器CB₁、CB₂、CB₄跳闸。通过分析可确定可疑故障元件为A1和T1。

图6为本发明实施例提供的一种母线A1的区间值模糊脉冲神经膜系统故障诊断模型。参见图6，其中，有20个命题神经元和11个规则神经元。在此图中，有4个用空心顶端标记的辅助弧(突触)，即(σ₁,r₅)，(σ₁,r₆)，(σ₂,r₃)和(σ₂,r₄)。在此，以(σ₁,r₅)为例解释这些辅助弧的含义，辅助弧(σ₁,r₅)表示为：若CB₁成功断开，则T_2t、CB₃、CB₅的动作就是无效的，然后T_2t、CB₃、CB₅的值就会被设置为[(0.0,0.0,0.0,0.0；0.8),(0.0,0.0,0.0,0.0；1.0)]；否则，它们的动作就是有效的。采用区间值模糊脉冲神经膜系统的模糊推理算法来获取可疑故障元件的故障置信度。这里以A1为例进行详细阐述，其余可疑故障元件的诊断模型的模糊推理过程一致。具体步骤为：

(1)令推理因子g＝0。设置终止条件为依据各神经元中包含的脉冲值设定θ₀和δ₀如下：

(2)令推理因子g＝1；

(3)命题神经元和规则神经元依次点火。命题神经元点火后，规则神经元矢量中各元素的区间值模糊数值依据公式进行更新，即

规则神经元被触发后，命题神经元矩阵中各元素的区间值模糊数值根据公式进行更新，即

(4)当δ_g≠0₁时，令g＝g+1，重新计算并更新δ_g和θ_g；否则，结束推理并输出结果，具体为：

判断得出δ₁≠0₁，则令g＝2，重新计算得到δ₂和θ₂如下：

判断得出δ₂≠0₁，则令g＝3，重新计算得到δ₃和θ₃如下：

判断得出δ₃≠0₁，则令g＝4，重新计算得到：

判断得出δ₄＝0₁，满足终止条件，结束推理并输出结果，即g＝3时输出神经元包含的脉冲值[(0.9475,0.985,0.9925,0.9925；0.8),(0.93,0.98,1.0,1.0；1.0)]。

对模糊推理得到的各可疑故障元件的置信度进行判定，如果可疑故障元件的置信度θ≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该元件可被确定为确定故障元件；如果可疑故障元件的置信度θ≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该元件可被确定为非故障元件。因此，判定母线A1为故障元件。

同理，对停电区域内其它可疑元件即T1进行建模及上述模糊推理，可得该可疑元件故障置信度[(0.0875,0.12,0.16,0.1825；0.8),(0.04,0.10,0.18,0.23；1.0)]，根据判断依据可得出T1为非故障元件。由于母线A1的主保护动作而断路器CB2拒动，导致故障扩散。

图7为本发明实施例提供的一种例2对应的345kV输电系统的局部继电保护示意图。如图7所示，此系统用来测试复杂故障，包含设备失灵、不正确以及不确定信息。此实例共有18个元件，17个断路器，60个保护。符号约定如下：BUS、L和CB分别表示母线、输电线路和断路器。10个元件依次为：母线BUS18,BUS19,...,BUS25,BUS27；线路L23,...,L311。17个断路器依次为：CB45,...,CB60,CB62。60个保护中有26个主保护依次为：BUS18m,...,BUS25m,BUS27m,L23-xm,...,L31-xm(其中x表示线路相邻的元件，比如：L23-18m)。17个近后备保护依次为：L23-xb,...,L31-xb。17个远后备保护依次为：L23-xs,...,L31-xs。

本实例下有两个例子如下：

例1(复杂故障且包含设备失败及不正确信息)：读取来自监控与数据采集系统的保护动作信息和断路器跳闸信息，有：保护L30-23m、L30-24m、L29-27m、L29-23m、L29-27b、L29-23b、L25-20s动作，断路器CB50、CB57、CB58、CB59、CB60跳闸。根据上述信息分析可确定可疑故障元件有L29、L30和L25。

例2(多元故障且包含不确定信息)：读取来自监控与数据采集系统的保护动作信息和断路器跳闸信息有：保护L24-18m、L24-18s、L24-20m、L24-20b、L25-23m、L26-22s、L27-21s和B22m动作，断路器CB47、CB48、CB49、CB51和CB54跳闸。根据上述信息分析可确定可疑故障元件有L24、L25和B22。

图8为本发明实施例提供的一种例2线路L30的区间值模糊脉冲神经膜系统故障诊断模型。如图8所示，其中，有25个命题神经元和13个规则神经元。采用区间值模糊脉冲神经膜系统的模糊推理算法来获取可疑故障元件的故障置信度。这里以L30为例进行详细阐述，其余可疑故障元件的诊断模型的模糊推理过程一致。具体步骤为：

(1)令推理因子g＝0。设置终止条件为依据各神经元中包含的脉冲值设定θ₀和δ₀如下：

(2)令推理因子g＝1；

(3)命题神经元和规则神经元依次点火。命题神经元点火后，规则神经元矢量中各元素的区间值模糊数值依据公式进行更新，即

规则神经元被触发后，命题神经元矩阵中各元素的区间值模糊数值根据公式进行更新，即

(4)当δ_g≠0₁时，令g＝g+1，重新计算并更新δ_g和θ_g；否则，结束推理并输出结果，具体为：

判断得出δ₁≠0₁，则令g＝2，重新计算得到δ₂和θ₂如下：

判断得出δ₂≠0₁，则令g＝3，重新计算得到δ₃和θ₃如下：

判断得出δ₃≠0₁，则令g＝4，返回执行步骤3，重新计算得到：

判断得出δ₄＝0₁，满足终止条件，结束推理并输出结果，即g＝3时输出神经元包含的脉冲值为：[(0.9475,0.985,0.9925,0.9925；0.8),(0.93,0.98,1.0,1.0；1.0)]。

因此，根据可疑元件的置信度确定故障元件，并输出诊断结果，具体为：对模糊推理得到的各可疑故障元件的置信度进行判定，如果可疑故障元件的故障置信度θ≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该元件可被确定为故障元件；如果可疑故障元件的故障置信度θ≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该元件可被确定为非故障元件。因此根据判断依据可确定L30为故障元件。

图9为本发明实施例提供的一种例2线路L29的区间值模糊脉冲神经膜系统故障诊断模型。如图9所示，其中，有25个命题神经元和13个规则神经元。类似L30的模糊推理，对可疑故障元件L29执行上述步骤，可得到L29的置信度(目标置信度)为[(0.7825,0.815,0.885,0.9075；0.8),(0.72,0.78,0.92,0.97；1.0)]，根据判断依据可确定L29为故障元件，由于线路L29的主保护动作而相应的断路器拒动，导致故障扩散。

同理，对停电区域内其它可疑元件即L25进行建模及上述模糊推理，可得该可疑元件置信度[(0.0875,0.12,0.16,0.1825；0.8),(0.04,0.10,0.18,0.23；1.0)]，根据判断依据可得出L25为非故障元件，可知L25-20s为不正确跳闸信号。

图10为本发明实施例提供的一种例2线路L24的区间值模糊脉冲神经膜系统故障诊断模型。如图10所示，其中，有34个命题神经元和18个规则神经元。类似L30的模糊推理，对可疑故障元件L24执行上述步骤，可得到L24的置信度为[(0.9475,0.985,0.9925,0.9925；0.8),(0.93,0.98,1.0,1.0；1.0)]，根据判断依据可确定L24为故障元件。

由于L25的故障诊断模型与推理过程同L24类似，同理可得到L25的置信度也为[(0.9475,0.985,0.9925,0.9925；0.8),(0.93,0.98,1.0,1.0；1.0)]，根据判断依据可确定L25也为故障元件。

图11为本发明实施例提供的一种例2母线B22的区间值模糊脉冲神经膜系统故障诊断模型。如图11所示，其中，有3个命题神经元和1个规则神经元。类似L30的模糊推理，对可疑故障元件B22执行上述步骤，可得到B22的故障置信度为[(0.9475,0.985,0.9925,0.9925；0.8),(0.93,0.98,1.0,1.0；1.0)]，根据判断依据可确定B22为故障元件。

通过实施例1和2中三个例子的诊断结果可知，本发明方法诊断过程采用矩阵形式依据区间值模糊脉冲神经膜系统的模糊推理算法进行逆向推理，推理过程主要进行矩阵计算。在具体实施中可以通过基于区间值模糊脉冲神经膜系统的故障诊断装置来进行上述步骤的执行过程，使得诊断过程更加简单快速，且当来自监控与数据采集系统的信息存在设备失败、不正确和不确定信息的时候，本方法仍能获得正确的诊断结果。需要说明的是，在具体实施中，可以采用GPU处理器来实现基于区间值模糊脉冲神经膜系统的故障诊断方法。由于GPU处理器的并行处理能力较强，可以很好地模拟我们所提出的这个方法，提高诊断效率。可以理解的是，GPU处理器只是一种具体的实施方式，并不代表只有这一种实施方式，还可以是采用其它处理器来实现。

图12为本发明实施例提供的一种基于区间值模糊脉冲神经膜系统的故障诊断装置的结构图。如图12所示，基于区间值模糊脉冲神经膜系统的故障诊断装置，包括：

获取单元10，用于从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；

确定单元11，用于根据动作信息和跳闸信息确定电力系统中的停电区域的可疑故障元件；

诊断模型建立单元12，用于分别对可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；

计算单元13，用于利用模糊推理算法对故障诊断模型进行逆向模糊推理，计算各可疑故障元件的置信度；

筛选单元14，用于依照预定判断依据在置信度中筛选出目标置信度，并确定目标置信度对应的可疑故障元件为确定故障元件。

作为优选的实施方式，诊断模型建立单元具体用于根据可疑故障元件的主保护、第一后备保护和第二后备保护之间的合作关系来设置命题神经元、and型规则神经元和or型规则神经元之间的突触关系；

根据可疑故障元件的类型，分别确定对应的线路、母线和变压器的故障模糊产生式规则类型；

根据动作信息和跳闸信息，获得可疑故障元件的主保护、第一后备保护和第二后备保护以及相对应的断路器的置信度，并将保护继电器和断路器的置信度与输入的各神经元中包含的脉冲值一一对应。

作为优选的实施方式，线路、母线和变压器的故障模糊产生式规则类型具体包括：

类型1：IF p₁ AND p₂ AND...AND p_k-1 THEN p_k(CF＝c)

类型2：IF p₁ OR p₂ OR...OR p_k-1 THEN p_k(CF＝c)

其中，p₁,p₂,...,p_k-1是规则神经元前件的k-1个命题神经元，而p_k是规则神经元后件的命题神经元，c是一个区间值模糊数且表示这个模糊产生式规则的置信因子CF。

作为优选的实施方式，计算单元具体用于输入命题神经元和输入规则神经元矢量初始值，分别为θ_g＝(θ_1g,θ_2g,...,θ_sg)和δ_g＝(δ_1g,δ_2g,...,δ_tg)，其中s代表命题神经元的个数，t代表规则神经元的个数；

依次触发命题神经元和规则神经元；

其中，命题神经元被触发后，规则神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

规则神经元被触发后，命题神经元对应的矩阵中各元素的区间值模糊数值根据公式进行更新；

当δ_g不满足终止条件时，另令推理因子g＝g+1，重新计算并更新θ_g和δ_g；

其中，D₁为突触矩阵，表示从命题神经元到and型规则神经元的有向连接，D₂为突触矩阵，表示从命题神经元到or型规则神经元的有向连接，可疑故障元件的置信度为δ_g满足终止条件时上一周期对应的θ_g，终止条件为：

作为优选的实施方式，筛选单元的筛选规则为：

如果所述可疑故障元件的置信度满足条件θ_g≥[(0.65,0.6725,0.7575,0.79；0.8),(0.58,0.63,0.80,0.86；1.0)]，则该可疑故障元件的模糊值为所述目标置信度，该可疑元件为所述确定故障元件；

如果所述可疑故障元件的置信度满足条件θ_g≤[(0.2325,0.255,0.325,0.3575；0.8),(0.17,0.22,0.36,0.42；1.0)]，则该可疑故障元件的模糊值不为所述目标置信度，该可疑故障元件为非故障元件。

由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

本实施例提供的基于区间值模糊脉冲神经膜系统的故障诊断装置，包括：获取单元，用于从监控与数据采集系统中获取保护继电器的动作信息和断路器的跳闸信息；确定单元，用于根据动作信息和跳闸信息确定电力系统中的停电区域的可疑故障元件；诊断模型建立单元，用于分别对可疑故障元件建立基于区间值模糊脉冲神经膜系统的故障诊断模型；计算单元，用于利用模糊推理算法对故障诊断模型进行逆向模糊推理，计算各可疑故障元件的置信度；筛选单元，用于依照预定判断依据在置信度中筛选出目标置信度，并确定目标置信度对应的可疑故障元件为确定故障元件。由此可见，本发明所提供的方法具有如下优点：

(1)故障诊断的正确性高。依据电力系统中元件的各保护的合作关系来建立区间值模糊脉冲神经膜系统的故障诊断模型以及三种情况的故障模糊产生式规则，并依据各种情况的重要性来设定规则的置信度，使推理过程更加合理化，由于区间值模糊数及语言模糊量描述的置信度比单个数值的概率值更具准确性，最终以区间值模糊数的形式给出各个元件可能发生故障的置信度，在一定程度上显示了其客观性，保证了诊断结果的准确性。

(2)诊断过程直观说明性及易理解性。本发明所提供的方法采用脉冲神经膜系统图形建模，使诊断过程具有直观说明性。同时，通过语言模糊量的使用和基于矩阵计算的推理过程，给电网调度人员提供了更直观且简单的方式来理解故障诊断的过程。

(3)容错性能好。本发明将区间值模糊数与传统的脉冲神经膜系统相结合，提出改进的模糊脉冲神经膜系统，由于区间值模糊数比普通模糊数包含了更多的不确定性以及其容易反映主观判断的模糊性的能力，因此，通过使用区间值模糊数，使得本发明所提供的故障诊断方法能够更加灵活有效地处理来自监控与数据采集系统的设备失败、不正确和不确定信息，使诊断结果更为可靠。

需要说明的是，上述实施例可以通过GPU处理器来实现，由于GPU处理器的并行处理能力较强，可以很好地模拟我们所提出的这个方法，提高诊断效率。

以上对本发明所提供的基于区间值模糊脉冲神经膜系统的故障诊断方法及装置进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。