首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电力系统论文 > 基于改进蚁群算法的电力集控系统故障诊断方法

基于改进蚁群算法的电力集控系统故障诊断方法

2024-09-20 0 上传者：管理员

摘要：针对提高供电连续性和可靠性，保证电能质量的目的，采用基于改进蚁群算法，提出了电力集控系统故障诊断方法。通过传感器和数据传输接口形式获取电力集控系统实时运行信息，将其作为输入，建立电力集控系统故障诊断模型。运用改进蚁群算法对电力集控系统故障诊断模型进行求解，通过蚂蚁迭代方式得到电力集控系统故障诊断模型的最优解，实现电力集控系统故障诊断模型求解。实验表明，该方法具备较好的电力集控系统故障特征提取能力和故障诊断能力，同时其故障诊断时的容错率数值较低，数值在0.2%上下波动，求解电力集控系统故障诊断模型的迭代能力较强。

关键词：
优化求解
改进蚁群算法
故障诊断
电力集控系统
神经网络
加入收藏

电力集控系统是现代电力系统的重要组成部分，它集成了监控、控制和保护等多种功能，对保障电力系统的安全稳定运行起着至关重要的作用[1-3]。研究电力集控系统的故障诊断方法，对于提高电力系统的可靠性和安全性具有重要的意义。

文献[4]提出基于多源信息的电力系统故障诊断方法。但该方法输出的电力系统故障结果不够准确。文献[5]提出配电网量测终端故障诊断方法。但该方法运算过程较为复杂，其应用效果不佳。蚁群算法是优化算法的一种，具有分布计算和启发式搜索的特征，在模型求解、路径寻优等方面应用较为广泛。文中在此对蚁群算法改进后，提出基于改进蚁群算法的电力集控系统故障诊断方法。

1、电力集控系统故障诊断方法

1.1电力集控系统故障诊断模型建立

对于大型电力设备实时运行信息，使用相对应的传感器采集，软件端口通过数据传输接口采集[6-7]。利用采集到的电力集控系统实时运行数据建立数据集，将其作为输入，建立电力集控系统故障诊断模型，该模型由卷积层、动态选择层、双向门控循环单元层以及全连接层组成。电力集控系统故障诊断模型详细运行流程如下：

X表示输入的电力集控系统实时运行信息集合，在卷积层内，第j个卷积核对应的输出表达公式如下：

式中，sj电力集控系统实时运行信息对应的第j个卷积核输出；ZL表示卷积核长度；U表示卷积层内卷积核总长度。

电力集控系统实时运行信息集合X在第1个卷积层的输出向量表达公式如下：

式中，S表示电力集控系统实时运行信息集合X在第1个卷积层的输出向量。

将式（2）结果输入到卷积神经网络的池化层，池化层对S进行池化操作后得到其故障特征，该池化操作表达公式如下：

式中，V表示池化层输出的电力集控系统故障特征集合，vj∈V;Np为电力集控系统故障特征总数。

将式（3）结果输入到动态选择层，该层负责选择电力集控系统故障特征向量内的有用通道信息。

将进一步提取的电力集控系统故障特征D输入到两个全连接层内，全连接层会自动生成具有不同权重的信息通道段[8-9]，由κ表示，计算公式如下：

式中，ϖ1、ϖ2表示两个全连接层权重矩阵；b1、b2表示两个全连接层偏置。

将式（5）结果与池化层输出的电力集控系统故障特征集合V进行相乘操作，得到新的电力集控系统故障特征向量集合M，表达公式如下：

式中，⊗表示对应通道相乘。

将新的电力集控系统故障特征向量集合M输入到双向门控循环单元层，该双向门控循环单元层具备两个层，其中第一层为前向传播，第二层为后向传播[10]。令t表示时刻，前向传播隐藏状态由ht表示，后向传播隐藏状态由ht表示，二者表达公式如下：

式中，为双向门控循环单元层不同传播方向的权重矩阵；表示双向门控循环单元层不同传播方向隐藏权重矩阵；mt∈M。

依据式（7）、（8）可得，时刻为t时的电力集控系统故障特征向量集合M在双向门控循环单元层的隐藏状态ht表达公式如下：

式（9）结果即为双向门控循环单元通过正向和反向学习电力集控系统故障特征的隐藏状态后，对隐藏特征信息进行整合和筛选的结果。

将式（9）结果输入到全连接层内，该层使用Softmax函数输出最终的电力集控系统故障诊断结果，其表达公式如下：

式中，ϖr、ϖf均表示全连接层权重矩阵；br、bf表示全连接层偏置。

1.2电力集控系统故障诊断模型求解

电力集控系统故障诊断模型在输出故障诊断结果过程中，需要运用蚁群算法对其进行优化求解。蚁群算法将电力集控系统故障诊断模型每个网络层的输入和输出之间的可能映射关系看作模型可行解空间，而每个映射关系均为一个可行解[11]，将每个可行解看作一个蚂蚁行走的节点，蚂蚁在寻找最优解过程中会释放信息素，依据信息素浓度选择按照可行解节点运动方向，从而获取最短觅食路径，即可得到电力集控系统故障诊断模型最终的输出结果[12]。α表示每只蚂蚁释放的信息素浓度，β表示启发式因子权值，蚂蚁依据当前信息素浓度选择运动方向的概率被称为状态转移概率，其表达公式如下：

式中，Jk(i)表示第k只蚂蚁下一步被允许访问电力集控系统故障诊断模型可行解节点集合，s、i、j均为该集合内的可行解节点；ϑij(t)表示时刻为t时电力集控系统故障诊断模型可行解节点i和j之间路径的信息素的浓度；Ψij(t)表示电力集控系统故障诊断模型可行解节点i和j之间路径的期望程度启发因子。

蚂蚁在上述运行过程中，为避免算法出现过快收敛，动态选择因子g0的取值表达公式如下：

式中，N为蚁群算法迭代次数阈值。

在此依据最优-最差信息素更新策略，对蚁群运动设计奖惩机制，分别设置蚂蚁的最优路径、最差路径和平均路径为Rbest、Rworst、Raverage，按照第k只蚂蚁走过的路径长度，更新电力集控系统故障诊断模型可行解空间内每个节点路径上的局部信息素[13-14]，表达公式如下：

式中，Nmax表示蚁群最大迭代次数；Q为初始信息素浓度；Rk为当前第k只蚂蚁行走路径总和；ζ1-ζ4均表示引入的电力集控系统故障诊断模型可行解空间节点斥力场增益系数[15-16]。

蚂蚁依据式（13）更新后的信息素浓度，在电力集控系统故障诊断模型可行集空间内寻找每层网络输入到输出之间的最佳映射关系，该最佳映射关系即为电力集控系统故障诊断结果。

2、结果与分析

以某市电力集控系统作为实验对象，该电力集控系统采用分层分布式结构，由主站系统、通信网络系统和远方终端组成。使用文中方法对该市电力集控系统故障进行诊断，验证文中方法的应用性能。

提取电力集控系统运行信息的故障特征是诊断其故障的基础，以部分电力集控系统运行故障信息作为实验对象，使用文中方法提取该数据内部的故障特征，提取结果如图1所示。

图1电力集控系统运行故障特征提取结果

从图1中可以看出，通过应用文中所提出的方法，电力集控系统运行故障信息被有效地提取并分类。各类故障信息清晰地聚集在一起，彼此之间的界限明显，没有出现特征提取错误的情况。

为验证文中方法对电力集控系统故障诊断能力，以10天作为电力集控系统故障诊断时间段，在该时间段内人为设置不同类型电力集控系统故障，应用文中方法对该时间段内电力集控系统故障进行诊断，诊断结果如表1所示。从表1中可以看出，使用文中方法可以有效地诊断出10天时间段内电力集控系统不同类型的故障。文中方法在电力集控系统故障诊断方面具有较强的能力，并且应用效果显著。

为验证文中方法对蚁群算法的改进能力，测试蚁群算法在改进前后在不同迭代次数情况下的蚂蚁运行路径长度变化情况，测试结果如图2所示。分析图2可知，应用文中方法对蚁群算法进行改进后，其蚂蚁运行路径长度随着迭代次数的增加呈现迅速收敛状态。同时，改进后的蚁群算法的蚂蚁运行路径长度明显低于改进前，这表明文中方法有效地提高了蚁群算法的性能。

表1电力集控系统故障诊断结果

图2蚁群算法改进测试结果

3、结论

基于改进蚁群算法的电力集控系统故障诊断方法，旨在提高诊断效率和准确性。通过引入精英蚂蚁策略、动态调整信息素挥发系数等策略，改进了蚁群算法的性能，使其在电力集控系统故障诊断中具有更好的应用效果。这种方法能够快速准确地定位故障，为电力系统的稳定运行提供有力保障。在未来的研究中，可以进一步探索更加先进的优化算法，提高故障诊断的效率和准确性，为电力集控系统的安全稳定运行提供更加可靠的保障。

参考文献:

[1]杨为,柯艳国,赵恒阳,等.基于轻量级卷积神经网络的GIS绝缘和机械故障诊断方法[J].高压电器,2023,59(9):201-210.

[2]刘沛霖,刘美容,何怡刚,等.基于改进的VMD和SVM的模拟电路故障诊断方法的研究[J].微电子学与计算机,2022,39(11):85-94.

[3]葛瑜,王晓静,朱光辉,等.基于Petri网基础标识的分散式故障诊断方法研究[J].电力系统保护与控制,2022,50(15):178-186.

[4]吴娜,李文硕,樊淑娴,等.基于多源信息故障度融合的配电网故障诊断方法[J].电力系统及其自动化学报,2023,35(8):52-61.

[5]于海平,吴雪琼,杜天硕.不平衡数据集下海量配电网量测终端故障诊断方法[J].电力系统及其自动化学报,2023,35(4):32-40.

[6]徐海军,李彦斌,王进,等.基于模糊Petri网的有载分接开关故障诊断方法研究[J].中国安全生产科学技术,2022,18(5):222-228.

[7]苌瑶,武建文,马速良,等.基于多特征评估与XGBoost的高压断路器故障诊断[J].高压电器,2023,59(4):1-9.

[8]郭傲,陈颖,肖谭南,等.基于消息传递网络的多变拓扑微电网群故障检测方法[J].高电压技术,2023,49(6):2339-2347.

[9]张彼德,余海宁,罗荣秋,等.光伏并网逆变器参数性故障的VMD-WPE和MPA-LSTM诊断方法研究[J].电力系统及其自动化学报,2023,35(2):140-147.

文章来源:冯钢.基于改进蚁群算法的电力集控系统故障诊断方法[J].电子设计工程,2024,32(18):97-100.