基于因果時(shí)序網(wǎng)絡(luò)的FOA-GRNN 電網(wǎng)故障診斷方法

薛毓強(qiáng)，李宗輝

（福州大學(xué)電氣工程與自動(dòng)化學(xué)院，福州350116）

電能是國(guó)民經(jīng)濟(jì)的基礎(chǔ)，隨著社會(huì)經(jīng)濟(jì)的發(fā)展，人們對(duì)于電網(wǎng)的可靠性和安全性有了更高的要求。同時(shí)電子信息技術(shù)的發(fā)展、監(jiān)控和數(shù)據(jù)采集系統(tǒng)以及事件記錄儀等電網(wǎng)自動(dòng)化設(shè)備的應(yīng)用，使得操作人員能夠在監(jiān)控中心監(jiān)控電力系統(tǒng)運(yùn)行狀況，開發(fā)基于開關(guān)量和保護(hù)信息的電網(wǎng)故障診斷系統(tǒng)成為可能。實(shí)際應(yīng)用的故障診斷方法主要包括基于解析模型和基于專家系統(tǒng)的方法[1-4]，人工神經(jīng)網(wǎng)絡(luò)、優(yōu)化算法、Petri 網(wǎng)等智能方法在電網(wǎng)故障診斷中也得到了應(yīng)用[5-10]?？紤]到電網(wǎng)故障診斷過程中存在著不確定因素的干擾（如保護(hù)裝置和斷路器的動(dòng)作可靠性、調(diào)度中心接收到的警報(bào)信息的完整性和正確性），影響了故障診斷的準(zhǔn)確性。因此如何克服電網(wǎng)故障診斷中不確定因素的干擾成為國(guó)內(nèi)外專家學(xué)者的研究熱點(diǎn)。文獻(xiàn)[11]對(duì)計(jì)及警報(bào)信息時(shí)序特性的電力系統(tǒng)故障診斷問題做了一些初步的研究工作，但針對(duì)實(shí)際電網(wǎng)實(shí)現(xiàn)起來有很多技術(shù)問題沒有解決，還不能對(duì)實(shí)際電網(wǎng)進(jìn)行故障診斷；文獻(xiàn)[12]構(gòu)建了計(jì)及警報(bào)信息時(shí)序特性的電力系統(tǒng)故障診斷的解析模型，采用整數(shù)規(guī)劃求解方法進(jìn)行分支定界求得最優(yōu)解，使故障診斷結(jié)果可能多解的問題有了較為明確的診斷結(jié)果。雖然建模時(shí)考慮了警報(bào)信息的時(shí)序特性，但其求解方法不能適用于故障區(qū)域設(shè)備多的場(chǎng)合。

針對(duì)克服電網(wǎng)故障診斷中不確定因素的干擾問題，本文提出了基于因果時(shí)序網(wǎng)絡(luò)的果蠅優(yōu)化算法-廣義回歸神經(jīng)網(wǎng)絡(luò)（FOA-GRNN）電網(wǎng)故障診斷方法。該方法采用面向元件的故障診斷模型，大規(guī)模減少計(jì)算節(jié)點(diǎn)，利用電力系統(tǒng)保護(hù)裝置與斷路器動(dòng)作的時(shí)序邏輯關(guān)系，并通過使用因果網(wǎng)絡(luò)CEN（cause-effect-network）分析計(jì)算排除電網(wǎng)故障過程中錯(cuò)誤的警報(bào)信息，進(jìn)而應(yīng)用FOA-GRNN網(wǎng)絡(luò)對(duì)電網(wǎng)故障進(jìn)行診斷，提高了診斷效率。

1 警報(bào)信息的時(shí)序約束

電網(wǎng)發(fā)生故障時(shí)，盡管保護(hù)裝置和斷路器的動(dòng)作存在時(shí)序邏輯性，但其在整定環(huán)節(jié)、觸發(fā)環(huán)節(jié)、動(dòng)作環(huán)節(jié)中存在著時(shí)間誤差和延時(shí)等情況，而且警報(bào)信息在上送過程中可能發(fā)生的信息畸變、保護(hù)裝置及斷路器本身設(shè)備缺陷導(dǎo)致的誤動(dòng)或拒動(dòng)等情況，都會(huì)對(duì)正確的報(bào)警信息產(chǎn)生干擾導(dǎo)致錯(cuò)誤診斷。為了排除錯(cuò)誤的信息干擾，有必要對(duì)警報(bào)信息在時(shí)序上進(jìn)行約束。

1.1 保護(hù)事件時(shí)序約束

保護(hù)裝置動(dòng)作事件的時(shí)序約束，可從保護(hù)裝置的整定值來估算。若故障發(fā)生于t0時(shí)刻，其相應(yīng)的保護(hù)裝置P 的時(shí)間整定值為tP，考慮實(shí)際運(yùn)行的時(shí)間誤差τP（τP為整定時(shí)間的一定比例），則可以估算該保護(hù)時(shí)間段的時(shí)間點(diǎn)約束為

假設(shè)故障發(fā)生于0 時(shí)刻，后備保護(hù)Pb整定值為800 ms，考慮±5%的時(shí)間誤差（τP=50 ms），則其動(dòng)作區(qū)間段為TC（Pb）=[750 ms，850 ms]。

保護(hù)動(dòng)作事件mj與設(shè)備故障事件mi的時(shí)間區(qū)間約束關(guān)系為

1.2 斷路器動(dòng)作事件時(shí)序約束

斷路器動(dòng)作事件的時(shí)序約束，可以由估算斷路器接收到跳閘信號(hào)到斷路器分閘的過程時(shí)間決定。若保護(hù)裝置向斷路器發(fā)送跳閘信號(hào)的時(shí)刻為t1，其相應(yīng)的斷路器C 的理論分閘時(shí)間為tC，考慮時(shí)間誤差τC，則可以估算斷路器C 的動(dòng)作時(shí)間約束為

保護(hù)動(dòng)作事件mi引發(fā)斷路器動(dòng)作mj的時(shí)間約束為

1.3 時(shí)序特性一致性約束

警報(bào)事件的時(shí)序特性必須滿足一致性約束，即

若事件mi發(fā)生在時(shí)刻TB（mi），警報(bào)事件mj的發(fā)生時(shí)刻需TB（mj）滿足時(shí)間點(diǎn)約束，即TB（mj）不在時(shí)間區(qū)間[TB（mi）+TD（mi，mj）]里，則系統(tǒng)接收到的警報(bào)事件mj的發(fā)生時(shí)刻TB（mj）是正確完整的警報(bào)信息；反之，則是錯(cuò)誤的警報(bào)信息。

2 因果時(shí)序網(wǎng)絡(luò)拓?fù)涞慕?/h2>

2.1 因果時(shí)序網(wǎng)絡(luò)的基本定義

因果網(wǎng)絡(luò)可以直觀地描述保護(hù)、斷路器等的報(bào)警動(dòng)作信息同故障設(shè)備之間的邏輯信息，其模型由各類事件節(jié)點(diǎn)和帶有方向的弧組成，其中事件節(jié)點(diǎn)由4 類節(jié)點(diǎn)組成：保護(hù)裝置節(jié)點(diǎn)、故障設(shè)備節(jié)點(diǎn)、斷路器節(jié)點(diǎn)以及虛擬節(jié)點(diǎn)VN（virtual node）。在因果網(wǎng)絡(luò)中，帶有方向的弧將各個(gè)事件節(jié)點(diǎn)相互連接起來，表示各個(gè)事件節(jié)點(diǎn)間的因果關(guān)系。圖1 給出了各類事件節(jié)點(diǎn)的關(guān)聯(lián)關(guān)系，其中A 為引發(fā)事件的原因，B 為該事件所引發(fā)的結(jié)果，有向弧指向表示事件邏輯的導(dǎo)向過程[13]。圖1 中，VN 表示節(jié)點(diǎn)動(dòng)作不成功（拒動(dòng)）引發(fā)的虛擬節(jié)點(diǎn)。虛擬節(jié)點(diǎn)的作用是為了防止CEN 中出現(xiàn)環(huán)網(wǎng)，環(huán)網(wǎng)的形成影響后續(xù)的基于矩陣運(yùn)算的推理過程。

圖1 CEN 中的關(guān)聯(lián)關(guān)系Fig.1 Association of CEN

2.2 因果時(shí)序網(wǎng)絡(luò)拓?fù)?/h3>

以圖2 所示簡(jiǎn)化的電網(wǎng)線路模型為例說明面向元件的因果時(shí)序網(wǎng)絡(luò)的報(bào)警信息。L1～L3分別為3 段線路；線路L1中的ML1、ML2和BL1、BL2及SL1、SL2分別為斷路器C1、C2的主保護(hù)和近后備保護(hù)及遠(yuǎn)后備保護(hù)。C3、C4和C5、C6分別為線路L2、L3的斷路器。若時(shí)間屬性TB（mi）不滿足時(shí)序一致性約束，則為虛假報(bào)警信息，應(yīng)予以剔除。故障電流由L2和L3流向L1，則對(duì)于C1、C2、C3、C6都是正向的，而對(duì)于C4、C5則是反向的，其模型的因果拓?fù)淙鐖D3 所示，其中SL3、SL6為C3、C6的遠(yuǎn)后備保護(hù)。

圖2 電網(wǎng)線路模型Fig.2 Power system line model

圖3 電網(wǎng)線路模型因果拓?fù)銯ig.3 CEN topology of power system line model

對(duì)故障設(shè)備進(jìn)行時(shí)序邏輯分析，排除電網(wǎng)故障診斷過程中的虛假故障警報(bào)信息，為FOAGRNN 故障診斷提供準(zhǔn)確信息。

3 FOA-GRNN 故障診斷

3.1 廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）在逼近能力和學(xué)習(xí)速度上有著較強(qiáng)的優(yōu)勢(shì)，其結(jié)構(gòu)由輸入層、模式層、求和層和輸出層組成，如圖4 所示。其中輸入層神經(jīng)元的數(shù)目為樣本中輸入向量的維數(shù)，單樣本的每維代表保護(hù)裝置或者是斷路器的動(dòng)作信號(hào)；模式層則包含著與其學(xué)習(xí)樣本數(shù)量相同的神經(jīng)元，即有多少種故障模式就有多少神經(jīng)元。模式層傳遞函數(shù)為徑向基函數(shù)。輸出層的神經(jīng)元數(shù)目對(duì)應(yīng)故障樣本（學(xué)習(xí)樣本）中輸出向量的維數(shù)，輸出值為對(duì)應(yīng)各元件發(fā)生故障的概率。

GRNN 神經(jīng)網(wǎng)絡(luò)構(gòu)建主要通過Matlab 軟件實(shí)現(xiàn)。Matlab 中GRNN 神經(jīng)網(wǎng)絡(luò)的函數(shù)為newgrnn函數(shù)，即net=newgrnn（P，T，SPREAD）。其中，P 和T 分別為輸入向量、目標(biāo)向量；SPREAD 為散步函數(shù)，對(duì)于神經(jīng)網(wǎng)絡(luò)的性能好壞有著重要的影響，GRNN 中網(wǎng)絡(luò)的學(xué)習(xí)全部依賴于樣本，可人為調(diào)節(jié)參數(shù)SPREAD 值，本文采用果蠅優(yōu)化算法來選擇SPREAD 值。

圖4 神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)Fig.4 Basic structure of neural network

3.2 面向元件的GRNN 網(wǎng)絡(luò)診斷模型

隨著電力系統(tǒng)的不斷發(fā)展，電網(wǎng)規(guī)模日益龐大復(fù)雜，若將電網(wǎng)中的每個(gè)元件都看成神經(jīng)網(wǎng)絡(luò)的一個(gè)節(jié)點(diǎn)，不僅網(wǎng)絡(luò)規(guī)模龐大，計(jì)算速度慢，而且當(dāng)電網(wǎng)拓?fù)浒l(fā)生變化時(shí)，容易出現(xiàn)錯(cuò)誤診斷。

電網(wǎng)中變壓器、線路和母線等主要元件本身都帶有繼電保護(hù)裝置，GRNN 網(wǎng)絡(luò)可以利用其狀態(tài)信息（元件狀態(tài)是否正常、繼電保護(hù)裝置是否正常工作、是否因?yàn)楣收咸l）進(jìn)行初步診斷，判斷故障是否存在以及故障方向。因此采用面向主要元件建立故障診斷模型的思想，可以將電網(wǎng)分割為若干個(gè)區(qū)段，有效減少神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)量和計(jì)算規(guī)模，對(duì)故障區(qū)域設(shè)備多的場(chǎng)合也能使用。

線路元件模型如圖5 所示，GRNN 模型如圖6所示。GRNN 線路保護(hù)的輸入為本線路兩側(cè)的主保護(hù)、近后備保護(hù)、遠(yuǎn)后備保護(hù)的動(dòng)作信息和兩側(cè)斷路器的動(dòng)作信息，輸出為本元件發(fā)生故障的故障置信度及在本元件兩側(cè)外部發(fā)生故障的故障置信度，經(jīng)實(shí)驗(yàn)確定線路模型的故障閾值為0.87，該故障閾值作為線路本身是否故障的判定依據(jù)。其中，主保護(hù)是縱聯(lián)保護(hù)和高頻保護(hù)；近后備保護(hù)主要由過電流保護(hù)Ⅰ段（瞬時(shí)電流速斷保護(hù)）和距離保護(hù)；遠(yuǎn)后備由過電流保護(hù)Ⅱ段（限時(shí)電流速斷保護(hù)）、Ⅲ段（定時(shí)限過電流保護(hù)）和距離保護(hù)。線路保護(hù)的特點(diǎn)是兩側(cè)的繼電保護(hù)系統(tǒng)相互配合，當(dāng)故障發(fā)生在線路內(nèi)部時(shí)，兩側(cè)斷路器C1、C2同時(shí)動(dòng)作。當(dāng)故障發(fā)生在線路外時(shí)，由一側(cè)斷路器單獨(dú)動(dòng)作。

圖5 線路元件模型Fig.5 Line model

圖6 GRNN 線路模型Fig.6 GRNN line model

3.3 訓(xùn)練樣本的構(gòu)造

GRNN 神經(jīng)網(wǎng)絡(luò)故障診斷性能主要依賴于訓(xùn)練樣本的選擇，文獻(xiàn)[14]介紹了我國(guó)220 kV 及以上電力系統(tǒng)繼電保護(hù)的配合和運(yùn)行情況并對(duì)電力事故做了大量的分析及詳細(xì)的數(shù)據(jù)統(tǒng)計(jì)。本文以此為據(jù)，生成基于面向元件的GRNN 網(wǎng)絡(luò)的訓(xùn)練樣本。其中線路模型訓(xùn)練樣本34 個(gè)，母線模型訓(xùn)練樣本37 個(gè)，變壓器模型16 個(gè)。線路FOA-GRNN神經(jīng)網(wǎng)絡(luò)模型選用的部分訓(xùn)練樣本如表1 所示。

表1 線路模型的部分訓(xùn)練樣本Tab.1 Part of training sample of line model

表1 保護(hù)類別中A1、B1、A2、B2、A3、B3、C1、C2分別為A、B 側(cè)主保護(hù)、近后備保護(hù)、遠(yuǎn)后備保護(hù)和斷路器，表中“1”表示保護(hù)動(dòng)作，“0”表示保護(hù)無動(dòng)作。故障區(qū)間中AB、A0、B0表示AB 間、A 外側(cè)（進(jìn)線側(cè)）、B 外側(cè)（出線側(cè)）的線路區(qū)間，表中所對(duì)應(yīng)的“1”表示該區(qū)間有故障，“0”表示該區(qū)間無故障。

3.4 果蠅算法優(yōu)化GRNN 網(wǎng)絡(luò)

FOA[15]是一種基于果蠅覓食行為推演的尋優(yōu)新算法，采用距離+位置搜索方法。FOA 優(yōu)化GRNN具體步驟如下。

步驟1 隨機(jī)初始化果蠅種群的位置。本文設(shè)定種群規(guī)模為20 只，最大迭代次數(shù)為30。

步驟2 計(jì)算種群中每個(gè)果蠅個(gè)體與目標(biāo)的距離D（l）其倒數(shù)1/D（l）作為味道判定值S（l），l ＝1，2，…，20，每個(gè)味道判定值S（l）即為GRNN 網(wǎng)絡(luò)的SPREAD 值；輸入訓(xùn)練數(shù)據(jù)得到樣本輸出值ya。

步驟3 計(jì)算RMSE 值。RMSE 為樣本理想輸出值ya與實(shí)際電網(wǎng)絡(luò)故障診斷結(jié)果輸出yb之間的誤差，是誤差評(píng)價(jià)標(biāo)準(zhǔn)。RMSE 越小，則該網(wǎng)絡(luò)故障診斷的效果越好，其計(jì)算公式為

式中：ya（k）為不同模型不同樣本的理想輸出值，n為樣本數(shù)量；k 為迭代次數(shù)。

步驟4 找出果蠅群體中味道濃度最低的果蠅即RMSE 極小值。

步驟5 保留最低味道濃度與果蠅群的位置坐標(biāo)，此時(shí)果蠅利用視覺往該位置飛去。

步驟6 進(jìn)入果蠅迭代尋優(yōu)由上一代最佳位置增加果蠅的飛行距離。

步驟7 重復(fù)執(zhí)行步驟2～步驟6，判斷味道濃度是否優(yōu)于前一次迭代的味道濃度，直至找到令RMSE 最小的SPREAD 值。

訓(xùn)練后得到的訓(xùn)練樣本最優(yōu)SPREAD 值為0.616 9。取表1 前9 組數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，結(jié)果如表2 所示。從表2 中可以看出，F(xiàn)OA-GRNN網(wǎng)絡(luò)的診斷結(jié)果基本滿足要求。面向元件的其他神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練類似。

表2 線路模型診斷測(cè)試結(jié)果Tab.2 Part of the training sample output of line model

4 算例分析

本算例采用IEEE14 節(jié)點(diǎn)系統(tǒng)來對(duì)該模型的有效性與可行性進(jìn)行測(cè)試，IEEE14 母線節(jié)點(diǎn)測(cè)試系統(tǒng)如圖7 所示，該測(cè)試系統(tǒng)由14 個(gè)母線元件、18 個(gè)線路元件和1 個(gè)變壓器元件組成。

圖7 測(cè)試系統(tǒng)Fig.7 Test system

當(dāng)電網(wǎng)發(fā)生故障時(shí)，首先對(duì)監(jiān)控和數(shù)據(jù)采集系統(tǒng)收到的警報(bào)信息進(jìn)行預(yù)處理，再根據(jù)警報(bào)信息的時(shí)標(biāo)信息與時(shí)序一致性約束對(duì)設(shè)備前后關(guān)聯(lián)事件的動(dòng)作事件和期望動(dòng)作事件進(jìn)行判別比較，將錯(cuò)誤的警報(bào)信息甄別出來。

故障過程為：當(dāng)線路L1214發(fā)生故障時(shí)，其相關(guān)的保護(hù)裝置縱聯(lián)保護(hù)ML1214和ML1412動(dòng)作，并向相應(yīng)斷路器CB1214和CB1412發(fā)出跳閘信號(hào)；母線B14發(fā)生故障，母差保護(hù)MB14（main protection for bus）動(dòng)作，并跳開相應(yīng)斷路器CB14T1、CB1409、CB1412和CB1413。CB1409和CB1413跳閘失敗，一定延時(shí)之后，L1314和L0914的第2 后備保護(hù)SL1314和SL0914動(dòng)作，跳開CB1314和CB0914，在警報(bào)信息上傳過程中，L0914的第1 后備保護(hù)BL0914發(fā)生信息畸變，狀態(tài)量誤報(bào)為1。接收到監(jiān)控和數(shù)據(jù)采集系統(tǒng)的故障遙測(cè)報(bào)警信息序列如表3 所示。

將斷路器跳閘時(shí)間設(shè)定為50 ms，考慮±10%的誤差；近后備保護(hù)裝置動(dòng)作時(shí)間整定值設(shè)定為1 s，遠(yuǎn)后備保護(hù)裝置的動(dòng)作事件整定值為3 s，考慮±5%的時(shí)間誤差。則相關(guān)設(shè)備的時(shí)間區(qū)間為：①TD（故障發(fā)生，主保護(hù)動(dòng)作）∈[10 ms，20 ms]；②TD（保護(hù)裝置動(dòng)作，斷路器跳閘）∈[40 ms，60 ms]；③TD（主保護(hù)拒動(dòng)，近后備保護(hù)動(dòng)作）∈[950 ms，1 050 ms]；④TD（主保護(hù)拒動(dòng)，遠(yuǎn)后備保護(hù)動(dòng)作）∈[2 850 ms，3 150 ms]。報(bào)警信息甄別步驟如下。

表3 故障遙測(cè)信息Tab.3 Fault telemetry information

步驟1 接收到報(bào)警信息后，進(jìn)行故障區(qū)域自動(dòng)識(shí)別（電壓等于0 的非檢修狀態(tài)元件）。

步驟2 對(duì)實(shí)際警報(bào)信息進(jìn)行處理，給出每個(gè)設(shè)備相應(yīng)的期望動(dòng)作時(shí)間，甄別錯(cuò)誤故障信息。由于報(bào)警事件C8和C12具有時(shí)序邏輯關(guān)系，需檢查其二者之間是否滿足時(shí)序一致性約束。BL0914動(dòng)作于08:00:01:114，其期望其動(dòng)作對(duì)象CB0914需在[08:00:01:154，08:00:01:174]之間動(dòng)作，而實(shí)際CB0914 動(dòng)作于08:00:03:102，不滿足其時(shí)序約束，可見兩者之間有一個(gè)錯(cuò)誤警報(bào)信息。而其相應(yīng)的SL0914 動(dòng)作于8:00:03:47，與其相差3 047 ms∈[2 850 ms，3 150 ms]區(qū)間內(nèi)，因此報(bào)警事件C10為錯(cuò)誤報(bào)警信息。

步驟3 將甄別后的保護(hù)裝置和斷路器報(bào)警信息輸入FOA-GRNN 網(wǎng)絡(luò)進(jìn)行故障診斷，故障診斷結(jié)果如表4 所示。

表4 故障診斷結(jié)果Tab.4 Fault diagnosis results

仿真結(jié)果表明，該模型能更好地適應(yīng)于存在錯(cuò)誤警報(bào)信息的故障診斷狀況，若對(duì)警報(bào)事件C10進(jìn)行過濾，則可能將L0914錯(cuò)誤判斷為故障元件。發(fā)生故障后，故障可疑元件集合為L(zhǎng)1214、L1314、L0914和母線元件B14，其區(qū)域被保護(hù)裝置隔離為失電區(qū)域，根據(jù)GRNN 神經(jīng)網(wǎng)絡(luò)的故障診斷結(jié)果，L1214、L1314、L0914、B14的故障可信度分別為0.962 5、0.005 5、0.005 5、0.240 8。診斷結(jié)論為L(zhǎng)1214為故障設(shè)備，L1314、L0914和B14為外部故障，因此判斷L1214為故障元件。

5 結(jié)論

經(jīng)算例驗(yàn)證，F(xiàn)OA-GRNN 方法能準(zhǔn)確地識(shí)別故障，相比于其他故障診斷方法，該方法有如下優(yōu)點(diǎn)：

（1）能夠有效排除電網(wǎng)診斷過程中不確定因素的影響；

（2）容錯(cuò)率優(yōu)秀，在監(jiān)控和數(shù)據(jù)采集系統(tǒng)信息發(fā)生畸變時(shí)，仍能夠準(zhǔn)確診斷出故障區(qū)；

（3）采用面向元件的診斷方法能夠彈性地應(yīng)對(duì)電網(wǎng)拓?fù)浣Y(jié)構(gòu)的變化。

[1]劉青松，夏道止（Liu Qingsong，Xia Daozhi）.基于正反向推理的電力系統(tǒng)故障診斷專家系統(tǒng)（Expert system of power system fault diagnosis based on forward and backward reasoning）[J].電網(wǎng)技術(shù)（Power System Technology），1999，23（9）：66-68，71.

[2]劉思華，陳青，黃德斌，等（Liu Sihua，Chen Qing，Huang Debin，et al）.考慮時(shí)空參量和正反向推理的電網(wǎng)故障診斷（Power system fault diagnosis considering spacetime two-dimensional parameter and forward and backward reasoning）[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2010，22（4）：113-117.

[3]Lin Xiangning，Ke Shuohao，Li Zhengtian，et al. A fault diagnosis method of power systems based on improved objective function and genetic algorithm-tabu search[J].IEEE Trans on Power Delivery，2010，25（3）：1268-1274.

[4]王磊，陳青，李天友，等（Wang Lei，Chen Qing，Li Tianyou，et al）.停電區(qū)域邊界斷路器信息缺失時(shí)的電網(wǎng)故障診斷（Power system fault diagnosis considering absence of alarm messages of circuit breakers on the border of outage area）[J].中國(guó)電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2013，33（22）：127-134.

[5]朱俊敏，景利學(xué)，饒克克（Zhu Junmin，Jing Lixue，Rao Keke）.基于小波神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷研究（Research of power network fault diagnosis based on wavelet neural network）[J].電氣開關(guān)（Electric Switchgear），2011，（6）：23-25.

[6]劉超，何正友，楊健維（Liu Chao，He Zhengyou，Yang Jianwei）. 基于量子神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷算法（A quantum neural network based fault diagnosis algorithm for power grid）[J].電網(wǎng)技術(shù)（Power System Technology），2008，32（9）：56-60.

[7]林茂，李孝全，蘇楊（Lin Mao，Li Xiaoquan，Su Yang）.基于改進(jìn)免疫遺傳算法的電網(wǎng)故障診斷研究（Research on faults diagnosis of distribution network based on adaptive immune genetic algorithm）[J].電子技術(shù)應(yīng)用（Power Supply Technology and Its Application），2012，38（8）：66-68，72.

[8]唐利鋒，衛(wèi)志農(nóng)，黃霆，等（Tang Lifeng，Wei Zhinong，Huang Ting，et al）.配電網(wǎng)故障定位的改進(jìn)差分進(jìn)化算法（Improved differential evolution algorithm for fault location of distribution networks）[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)（Proceedings of the CSU-EPSA），2011，23（1）：17-21.

[9]楊健維，何正友，臧天磊（Yang Jianwei，He Zhengyou，Zang Tianlei）.基于方向性加權(quán)模糊Petri 網(wǎng)的電網(wǎng)故障診斷方法（Power system fault-diagnosis method based on directional weighted fuzzy Petri nets）[J]. 中國(guó)電機(jī)工程學(xué)報(bào)（Proceedings of the CSEE），2010，30（34）：42-49.

[10]熊國(guó)江，石東源（Xiong Guojiang，Shi Dongyuan）.容錯(cuò)Petri 網(wǎng)電網(wǎng)故障診斷改進(jìn)模型（Improved fault-tolerant Petri nets for fault-diagnosis power grids）[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版（Journal of Huazhong University of Science and Technology：Natural Science Edition），2013，41（1）：11-15.

[11]文福拴，韓禎祥（Wen Fushuan,Han Zhenxiang）.計(jì)及警報(bào)信息時(shí)間特性的故障診斷模型（A new faults diagnosis model capable of dealing with the temporal information of alarm messages）[J].電力系統(tǒng)自動(dòng)化（Automation of Electric Power Systems），1999，23（17）：6-9，19.

[12]郭文鑫，廖志偉，文福拴，等（Guo Wenxin，Liao Zhiwei，Wen Fushuan，et al）.計(jì)及警報(bào)信息時(shí)序特性的電網(wǎng)故障診斷解析模型（An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account）[J]. 電力系統(tǒng)自動(dòng)化（Automation of Electric Power Systems），2008，32（22）：26-31.

[13]Chen Wenhui，Tsai S H，Lin H I. Fault section estimation for power networks using logic cause-effect models[J].IEEE Trans on Power Delivery，2011，26（2）：963-971.

[14]DLT 559—2007，220～500 電網(wǎng)繼電保護(hù)裝置運(yùn)行整定規(guī)程[S].

[15]Pan Wen-Tsao.A new fruit fly optimization algorithm:taking the financial distress model as example[J].Knowledge-Based Systems，2012，26（7）：69-74.