一種基于體液免疫原理的電網故障診斷模型設計方法

王守鵬，趙冬梅

(華北電力大學電氣與電子工程學院,北京市 102206)

一種基于體液免疫原理的電網故障診斷模型設計方法

王守鵬，趙冬梅

(華北電力大學電氣與電子工程學院,北京市 102206)

該文借鑒體液免疫應答原理解決當前電網故障診斷所面臨的故障信息不確定性問題。首先，構建了體液免疫應答過程與電網故障診斷過程所涉及的基本量的對應關系。其次，模擬體液免疫抵御抗原入侵的免疫機制和結構，構建了基于體液免疫應答機制的電網故障診斷模型，該診斷模型具有較強的容錯能力，不僅可以根據先驗知識診斷出已知的故障，而且能夠通過系統(tǒng)的連續(xù)學習功能診斷未知的故障。最后，通過診斷算例驗證了所構建診斷模型的有效性與可行性。

故障診斷; 警報信息; 體液免疫; 學習進化

0 引 言

電網故障診斷是實現智能電網自愈功能的重要應用[1]，其通過對調度中心獲取的保護動作、斷路器跳閘等故障警報信息的分析判斷，發(fā)現故障原因，確定故障設備，從而輔助調度運行人員及時進行事故分析與處理，快速恢復供電，保證電網安全、可靠運行[2]。

自20世紀70年代面向系統(tǒng)層面的電網故障診斷研究開展以來[3]，對電網故障診斷相關技術的研究成為國內外眾多專家學者所關注的焦點，目前，已有多種人工智能技術應用于電網故障診斷領域，如神經網絡[4]、專家系統(tǒng)[5]、Petri網[6]、貝葉斯網絡[7]、粗糙集理論[8]、優(yōu)化技術[9-10]等。這些診斷技術在故障警報信息準確且樣本集完備的情況下能夠取得很好的診斷效果，并且在故障信息不確定性方面亦取得了一些進展。然而準確的在線電網故障診斷仍是一個懸而未決的難題，尤其在保護/斷路器異常動作及信息畸變、丟失等情況下，對故障元件的準確辨識更為困難，需要進一步完善。

鑒于當前電網故障診斷所面臨的故障警報信息不確定性問題，設計具有一定的噪聲耐受能力和連續(xù)學習能力，能夠在故障樣本缺乏情況下不斷完善和補充診斷知識，逐步使診斷能力達到最優(yōu)的故障診斷模型尤為重要。體液免疫[11]是生物免疫系統(tǒng)的一個非常重要的生理功能，能使機體在動態(tài)變化的環(huán)境中維持自身的穩(wěn)定[12]，具有較強的處理各種干擾和不確定因素的能力，并具有連續(xù)學習、聯(lián)想記憶等特性，這些能力和特性均是電網故障診斷期望得到的。為此本文將體液免疫系統(tǒng)的相關概念與電網故障診斷問題所涉及的概念對應起來，建立二者的對應關系，并在此基礎上，模擬人體免疫系統(tǒng)的自體耐受、克隆選擇、記憶細胞獲取、抗體濃度調節(jié)等免疫機制，構建基于體液免疫應答機制的電網故障診斷模型，該模型具有較強的容錯能力，不僅可以根據先驗知識診斷出已知的故障，還能通過系統(tǒng)的連續(xù)學習功能診斷未知的故障。最后通過算例仿真驗證所構建診斷模型的有效性與可行性。

1 體液免疫系統(tǒng)與電網故障診斷系統(tǒng)的對應關系

1.1 體液免疫應答機制

體液免疫的發(fā)生具有重要的生物學意義，是由B細胞通過對抗原的識別、活化、增殖，最后分化成漿細胞并分泌抗體來實現的[11]。

圖1為B細胞介導的體液免疫應答過程示意圖，其中Ag表示抗原，B表示B細胞，P表示漿細胞，Bm表示記憶細胞。當抗原侵入機體時，B細胞被激活以識別特異性抗原，此時具有高親和力的B細胞開始大量活化增殖，其中一部分B細胞迅速分化成漿細胞，漿細胞分泌大量與抗原相對應的抗體，抗體具有識別功能，與抗原結合使之失去活性或滅亡；另一部分B細胞返回靜止狀態(tài)轉化為記憶細胞，以備當再次遇到相同抗原時，能夠快速產生免疫效應。在活化增殖過程中，會發(fā)生高頻變異，高頻變異使得子代所附著的抗體與父代有所不同，從而有利于加強抗體對抗原的親和力。經過多次的克隆增殖、變異，識別該抗原的免疫細胞會達至一定濃度，從而使抗原被免疫系統(tǒng)識別。

圖1 B細胞介導的體液免疫應答過程Fig.1 Humoral immune response mediated by B cells

1.2 對應關系

體液免疫能夠對抗原進行特異性識別，并有效清除抗原，使機體免受病原體的侵襲；電網故障診斷能夠監(jiān)測故障征兆信息，并辨識故障設備，以盡快恢復供電確保電網穩(wěn)定運行。因此，本文借鑒體液免疫系統(tǒng)抵御抗原入侵的免疫機制，將免疫系統(tǒng)的一些基本量與電網故障診斷的基本量對應起來，構建體液免疫與電網故障診斷的對應關系，如表1所示。

表1 體液免疫系統(tǒng)與電網故障診斷系統(tǒng)的對應關系
Table 1 Relationship between humoral immune system and power grid fault diagnosis system

2 基于體液免疫應答機制的電網故障診斷模型

2.1 問題定義

本文以電網開關量數據進行診斷，為便于人工免疫進化計算，故采用二進制編碼方式。應用體液免疫原理構建的電網故障診斷模型中所涉及的一些相關定義如下詳述。

定義1 自體。當電網處于正常運行狀態(tài)時，所提取的狀態(tài)數據構成的特征向量即為自體，用S來表示。S= (s1,s2,…,si,…,sl)，其中si為第i位自體編碼基因(若采用二進制編碼，si∈{0,1})。

定義2 抗原。電網處于異常和故障時所采集的故障征兆數據映射為抗原。設待診斷的故障警報數據特征向量為抗原，定義抗原為Ag。Ag= (g1,g2,…,gi,…,gl)，其中gi為第i位抗原編碼基因，gi∈{0,1}表示第i個保護或斷路器的狀態(tài)，gi= 0、gi= 1分別表示保護或斷路器未動作和動作。

定義3 故障診斷檢測器。故障診斷檢測器可以根據收集的故障征兆數據檢測某一故障區(qū)域內發(fā)生故障的元件。故障診斷檢測器由B細胞及其抗體組成，B細胞映射為故障元件，抗體映射為故障元件所對應的故障警報信息。因此，一個故障診斷檢測器，可以表示為D= (Ab,Bc)，其中，Bc為表征故障設備的B細胞；Ab= (b1,b2,…,bi,…,bl)為由故障征兆構成的抗體，bi為第i位抗體編碼基因，bi∈{0,1}表示第i個保護或斷路器的狀態(tài)，bi= 0、bi= 1分別表示保護或斷路器未動作和動作。

定義4 親和力。親和力是指抗體與抗原的結合能力，即抗體編碼基因與抗原編碼基因之間的匹配程度。設抗體與抗原之間的距離為d(Ab,Ag)，本文采用基于平均信息熵的距離計算公式[13]:

(1)

式中：l為Ab與Ag的編碼基因長度；X為等位基因數(若采用二進制編碼，等位基因取值為{0,1}，則X= 2)；pij為Ab與Ag中第j位編碼基因取值為第i個等位基因的概率。則Ab與Ag的親和力為

(2)

設Ab與Ag匹配的閾值為ε，若親和力f(Ab,Ag)≥ε，則提呈的抗原能被抗體所識別。

(3)

其中：

(4))

式中：bji、bki為第j和第k個抗體的第i位編碼基因；l為抗體編碼基因的長度。則定義的相似度計算公式為

(5)

定義6 抗體濃度。抗體的濃度為種群中相似抗體所占的比重，即

(6)

其中：

(7)

2.2 電網故障診斷模型的構造

體液免疫學習機制是基于生物免疫系統(tǒng)的體液免疫機理，由圖1可知，B細胞并不能直接與抗原作用，發(fā)揮免疫響應，而是在受到抗原刺激后，發(fā)生一系列變化，轉化成漿細胞，并通過其分泌的抗體消滅抗原。模擬體液免疫應答過程建立的電網故障診斷模型如圖2所示，其包括故障診斷和體液免疫學習2個操作環(huán)節(jié)。體液免疫學習用于對故障樣本進行離線訓練以生成故障診斷檢測器；故障診斷環(huán)節(jié)用于對目標系統(tǒng)的實時故障告警進行在線診斷，不能確診的故障警報信息則進入體液免疫學習環(huán)節(jié)進行連續(xù)學習。

圖2 基于體液免疫應答機制的電網故障診斷模型Fig.2 Power grid fault diagnosis model based on humoral immune response

整個電網故障診斷涉及的過程可分為3個階段：故障診斷檢測器生成階段、故障診斷階段和連續(xù)學習階段。

故障診斷檢測器生成階段。這一階段主要是調用體液免疫學習模塊對故障樣本數據進行離線訓練。首先隨機生成初始的未成熟檢測器，進而將其與給定的抗原集進行自體耐受，與自體抗原匹配的未成熟檢測器被刪除，并補入新的未成熟檢測器，直至所有未成熟檢測器滿足耐受要求并轉入成熟檢測器集合。成熟檢測器根據檢測到的非自體抗原，通過克隆選擇達到成熟，轉化為記憶檢測器和候選檢測器。其中，記憶檢測器用于二次免疫應答；候選檢測器用于分泌特異性抗體以識別抗原?？贵w經歷評估后，在人工協(xié)同刺激下，即可形成新的故障診斷檢測器，新生成的檢測器存入故障知識庫，用于故障診斷階段對抗原的診斷識別。

故障診斷階段。這一階段讀取故障診斷模塊中訓練生成的故障診斷檢測器對目標系統(tǒng)的實時故障警報信息進行診斷識別，故障確診則輸出診斷結果，否則進入連續(xù)學習階段。

連續(xù)學習階段。對故障診斷階段不能確診的故障警報信息進行體液免疫連續(xù)學習。

具有連續(xù)學習功能的電網故障診斷模型不僅能根據先驗知識診斷出已知的故障，還能借助連續(xù)學習機制診斷未知的故障。

2.3 體液免疫學習過程的關鍵環(huán)節(jié)

2.3.1 未成熟檢測器的自體耐受

自體耐受是指生物體對自體抗原不予應答的免疫耐受，免疫系統(tǒng)正是通過自體耐受對自體和非自體加以區(qū)分的。否定選擇算法[15]就是對免疫細胞成熟過程的模擬，通過自體耐受，刪除對自體產生應答的未成熟檢測器，并將經歷耐受滿足要求的未成熟檢測器轉化為成熟檢測器。

根據生物免疫系統(tǒng)的否定選擇原則，將每個未成熟檢測器與自體數據進行匹配。本文采用式(3)海明距離對自體抗原進行匹配，設d′(Ab,Ag)為未成熟檢測器與自體抗原的匹配度，若d′(Ab,Ag)大于閾值ξ，則將該檢測器刪除，并補入新的未成熟檢測器。未成熟檢測器的自體耐受過程如圖3所示。

圖3 未成熟檢測器的自體耐受過程Fig.3 Self-tolerance process of immature detectors

2.3.2 成熟檢測器的增殖分化

免疫學認為，當抗原性異物入侵機體時，克隆選擇機制能在機體內選擇出能夠識別特異性抗原的免疫細胞，使之激活、增殖和分化，進行免疫應答，這就是克隆選擇[16]。通過克隆選擇，能夠識別抗原的免疫細胞被保留下來，并進行分裂擴增，而不能識別抗原的免疫細胞不被選擇，也不進行擴增。因此，本文借鑒克隆選擇免疫機理，對成熟檢測器進行學習進化。

成熟檢測器學習進化的過程主要包括選擇算子、克隆算子、變異算子、親和力成熟、受體編輯。

(1)選擇算子。采用輪盤賭[10]的選擇方法來進行成熟檢測器的選擇。這種方法能保證克隆的多樣性，為產生最優(yōu)解保留更多的信息。每個個體期望被選擇的概率由抗體與抗原的親和力和抗體濃度共同決定，即

(8)

式中：Pi為第i個個體期望被選擇的概率；α為多樣性常數調節(jié)因子，0.5<α<1。由式(8)可見，個體親和力越高，則被選擇的概率越大；個體濃度越大，則被選擇的概率越小。這樣既可以激勵親和力高的個體，又能夠抑制濃度高的個體，從而確保群體的多樣性。

(2)克隆算子。在學習進化過程中，克隆算子能使部分最佳個體得以保留并產生更多的后代，從而使系統(tǒng)更為有效地對抗原作出反應。對選擇出來的個體進行克隆增殖，克隆公式如下：

Nci=round(β×N)

(9)

式中：Nci為被選出的第i個個體的克隆規(guī)模；β為繁殖系數；N為種群規(guī)模；round()為取整函數。則經克隆操作后所得的種群集合為

(10)

(11)

(4)親和力成熟。通過變異進行學習的結果使免疫系統(tǒng)能夠更好地指向抗原。此過程中，子代個體和父代個體在與抗原的競爭中，具有較高親和力的個體具有更好的適應性，從而更容易被復制到下一代。重新計算變異后個體的親和力。若變異后的個體親和力高于父代，就用該個體代替原個體。具體操作如下：

(12)

(5)受體編輯。在生物克隆選擇中，一小部分B細胞會自然凋亡，模擬該過程，二次應答中進行小比例的群體更新，用隨機生成的滿足耐受要求的M個個體替換記憶檢測器群體中親和力較低的個體，從而保持群體的多樣性。

2.3.3 故障檢測器的產生

抗體與抗原的特異性結合反應具有一定的量比關系，即抗體抗原反應的比例性。只有當抗體抗原二者的比例適合時，才會產生最強的特異性結合反應。因此，本文利用抗體評估策略對抗體抗原反應的量比關系進行調節(jié)，以形成滿足最適比要求的故障診斷檢測器。具體操作步驟如下詳述。

步驟1 用候選檢測器分泌的抗體去識別抗原，計算抗原識別率，即

(13)

其中：

(14)

(15)

(16)

步驟3 重新計算比例調節(jié)后的P(Ag)，若γ1

3 故障診斷例證

3.1 測試系統(tǒng)及其樣本構成

本文以圖4所示的輸電系統(tǒng)[4]為仿真測試系統(tǒng)。系統(tǒng)中有9個元件(T1、B1、B2、B3、B4、L1、 L2、L3、L4)；10個斷路器(QF1,…,QF10)；31個保護裝置，包括13個主保護裝置(B1m,…,B4m；T1m；L1Sm, L1Rm,…, L4Sm, L4Rm)和18個后備保護裝置(T1p, T1s；L1Sp, LlRp,…, L4Sp, L4Rp；LlSs, LlRs,…, L4Ss, L4Rs)。其中，T表示變壓器，B表示母線，L表示線路，下標S、R分別表示線路的首、末端，下標m表示主保護，下標p表示近后備保護，下標s表示遠后備保護。

圖4 輸電系統(tǒng)結構圖Fig.4 Structure of power transmission system

本文采用二進制編碼方式，診斷實驗中，設定檢測器的編碼基因長度為41，每個基因位表示保護裝置和斷路器的動作情況，對于每種故障情況，1表示保護裝置或斷路器動作，0表示保護裝置或斷路器未動作。為檢驗本文故障診斷方法的有效性，本文做了大量仿真實驗，表2給出了用于診斷分析的部分故障樣本數據。

表2 算例系統(tǒng)的部分診斷樣本
Table 2 Test samples for fault diagnosis

注：本表中“()”內表示不確定性故障信息，其中有“__”表示信息丟失，否則表示誤動(或信息畸變)。

樣本1—6為保護裝置、斷路器動作告警正確的情況，其中樣本1—4為單重故障，樣本5—6為多重故障，選取這6個樣本的故障情況作為訓練算法的樣本數據，訓練結果保存于知識庫中，并利用故障知識庫中檢測器對其進行已知故障的檢測識別。樣本7為模擬樣本1保護裝置/斷路器存在誤動(信息由0畸變?yōu)?可歸為此類)的情況，樣本8為模擬樣本4保護裝置/斷路器同時存在動作警報信息丟失、畸變或誤動的情況。樣本9模擬樣本6在多重故障情況下存在多重保護裝置/斷路器動作警報信息丟失、畸變或誤動的情況。在此將不確定性故障警報信息在括號中列出，選取樣本7—9模擬目前實際應用中普遍存在的故障樣本不完整、不精確的情況對系統(tǒng)的抗干擾能力進行測試。此外選取樣本10(不存在于訓練樣本中的故障情況)作為未知故障進行連續(xù)學習。

3.2 測試結果與分析

通過實驗分析，本文診斷模型學習進化過程涉及的相關參數設置見表3。

表3 算法相關參數設置
Table 3 Parameter settings of algorithm

表3中序號1—5所示參數為算法本身學習進化過程所涉及的免疫學習參數；序號6—9所示參數為結合實際問題所設置的參數，其中自體耐受閾值考慮了電網正常運行情況下由于自動控制裝置本身原因導致的警報信息畸變的影響；基于海明距的相似度閾值與基于信息熵的抗體與抗原匹配閾值均兼顧了電網故障信息的不確定性的影響；抗體抗原反應的最適比則同時兼顧了診斷結果的準確性和系統(tǒng)的抗干擾能力。

調用體液免疫學習模塊對表2中樣本1—6分別進行訓練學習。隨機產生未成熟檢測器群體，經過50代進化后，形成故障診斷檢測器并保存于故障知識庫中，進而調用故障診斷模塊用新生成的故障診斷檢測器對樣本1—6進行診斷測試以檢驗所生成檢測器的性能。表4列出了重復計算10次的平均診斷測試結果及用生成的最優(yōu)檢測器進行診斷測試的結果。由表4可知，在故障警報信息正確的情況下，對于單重故障和多重復雜故障，本文故障診斷方法能夠有效診斷出故障元件，并且診斷結果可信度高。

對故障樣本7—9保護裝置/斷路器異常動作或信息畸變、丟失的情況進行診斷測試，診斷測試結果如表5所示。由樣本7和8的診斷結果可知，單重故障情形下，因量測設備采樣錯誤、自動控制裝置本身故障等原因導致保護裝置/斷路器動作信息丟失、信息畸變或誤動時，本文診斷方法仍能有效診斷故障元件；由樣本9的診斷結果可知，在多重故障伴隨多重保護裝置/斷路器動作信息丟失、畸變或異常動作的情況下，本文所提方法仍具有很好的診斷效果，具有較強的容錯性。

讀取故障知識庫中訓練生成的檢測器對故障樣本10進行診斷，已知的檢測器均未能識別該故障，系統(tǒng)出現未知的故障情況，需要對其進行體液免疫學習，將該故障提呈至學習模塊進行連續(xù)學習，并將學習結果保存于故障知識庫，學習前和學習后調用診斷模塊進行故障診斷的結果如表6所示。

表4 故障診斷結果
Table 4 Results of fault diagnosis

表5 故障警報信息不正確情況下的診斷結果Table 5 Results of fault diagnosis under incorrect alarm information

表6 學習前后診斷結果Table 6 Diagnosis results before and after learning

注：本表中“*”表示學習前知識庫中不存在該故障診斷檢測器。

由表4和6可見，本文構建的診斷模型不僅能夠根據先驗知識對已知故障進行診斷，而且能夠結合專家經驗對未知故障進行連續(xù)學習。雖然本文所提的這種半人工的在線學習模式需輔以領域專家的經驗對未知故障進行分析，但是電網故障診斷系統(tǒng)屬于事后事故分析系統(tǒng)，其最終目的就是找出故障元件，因此這也不會影響到有關工作人員辨識故障的時間，并且當相同故障再次出現時，診斷模型可以快速有效地識別響應，通過學習模塊不斷補充和完善故障知識庫，一定程度上改善了診斷知識不完備的問題，逐步使故障診斷系統(tǒng)的診斷能力達至最優(yōu)。

針對上述案例，將本文故障診斷模型的診斷結果與文獻[5]采用的診斷模型的診斷結果進行對比，見表7。

由表7可知，采用文獻[5]無法診斷存在多重保護裝置/斷路器動作信息丟失、信息畸變或誤動的情況，并且在診斷知識缺失的情況下，亦無法通過連續(xù)學習補充診斷知識以致無法實現故障診斷；采用本文模型能夠在存在多重不確定性故障信息的情況下有效地診斷出故障元件，亦可通過連續(xù)學習對診斷知識進行不斷補充，可以較好地適應在線故障診斷的需求。

表7 故障診斷結果對比
Table 7 Comparison of fault diagnosis results

注：本表中“—”表示無法診斷的情況。

4 結 論

文本針對當前電網故障診斷所面臨的故障警報信息不確定性問題，借鑒生物體液免疫機理，構建了基于體液免疫應答機制的電網故障診斷模型。該診斷模型既能夠準確、有效地實現已知故障的診斷，又可以實現未知故障的連續(xù)學習，故障診斷知識的不斷完善和補充，一定程度上克服了故障知識不完備的問題，逐步使系統(tǒng)的故障診斷能力達至最優(yōu)。所提出的克隆選擇進化策略，在故障診斷檢測器生成過程中就兼顧了保護裝置、斷路器動作告警的不確定性對故障診斷的影響，并且基于抗體抗原反應比例性的檢測器評估策略，又兼顧了診斷結果的準確性，從而提高了診斷模型的抗干擾能力和魯棒性。算例診斷結果表明，本文所提的故障診斷模型具有較好的適應性和容錯能力，具有一定的實用價值。

本文采用保護裝置/斷路器動作信息進行電網故障診斷，能夠有效檢測保護裝置/斷路器異常動作及信息畸變、丟失的情況；但對于極端多重信息丟失、畸變致使與已有故障事件相同的情況，依然無法診斷出唯一的故障元件。在下一階段工作中，將充分挖掘與融合與故障過程相關的電氣量信息及非關鍵故障信息，在前期對保護裝置、斷路器動作信息進行不確定信息檢驗與修正，進一步提升診斷模型在面臨極端不確定信息時的有效性。

[1]廖志偉, 岳苓, 文福拴, 等. 基于規(guī)則網的高壓輸電線路故障診斷與保護動作性能評價[J]. 電力建設, 2016, 37(2): 34-41. LIAO Zhiwei, YUE Ling, WEN Fushuan, et al. A rule-network based approach for fault diagnosis of HV transmission lines and protection action performance evaluation[J]. Electric Power Construction, 2016, 37(2): 34-41.

[2]朱添益, 蔣鐵錚, 羅杰, 等. 一種基于電氣量數據的輸電線路故障診斷方法[J]. 電力建設, 2014, 35(10): 74-78. ZHU Tianyi, JIANG Tiezheng, LUO Jie, et al. Fault diagnosis method of transmission lines based on electric quantity data[J]. Electric Power Construction, 2014, 35(10): 74-78.

[3]FUKUI C, KAWAKAMI J. An expert system for fault section estimation using information from protective relays and circuit breakers[J]. IEEE Transactions on Power Delivery, 1986, 1(4): 83-90.

[4]熊國江, 石東源, 朱林. 基于多輸出衰減徑向基函數神經網絡的電網故障診斷[J]. 電力系統(tǒng)保護與控制, 2013, 41(21): 38-45. XIONG Guojiang, SHI Dongyuan, ZHU Lin. Fault diagnosis of power grids based on multi-output decay radial basis function neural network[J]. Power System Protection and Control, 2013, 41(21): 38-45.

[5]趙冬梅, 張旭, 張東英, 等. 基于模式匹配的地區(qū)電網故障診斷[J]. 電網技術, 2012, 36(12): 124-129. ZHAO Dongmei, ZHANG Xu, ZHANG Dongying, et al. Pattern matching based fault diagnosis for regional power grid[J]. Power System Technology, 2012, 36(12): 124-129.

[6]程學珍, 陳強, 于永進, 等. 基于最大似然譯碼字的Petri網電網故障診斷方法[J]. 電工技術學報, 2015, 30(15): 46-52. CHENG Xuezhen, CHEN Qiang, YU Yongjin, et al. A fault diagnosis approach of power networks based on maximum likelihood decoding Petri net models[J]. Transactions of China Electrotechnical Society, 2015, 30(15): 46-52.

[7]羅孝輝, 童曉陽. 計及可信度的變結構貝葉斯網絡電網故障診斷[J]. 電網技術, 2015, 39(9): 2658-2664. LUO Xiaohui, TONG Xiaoyang. Structure-variable Bayesian network for power system fault diagnosis considering credibility[J]. Power System Technology, 2015, 39(9): 2658-2664.

[8]張志毅, 袁榮湘, 楊同忠, 等. 基于粗糙集和小生境遺傳算法的電網故障診斷規(guī)則提取[J]. 電工技術學報, 2009, 24(1): 158-163. ZHANG Zhiyi, YUAN Rongxiang, YANG Tongzhong, et al. Rule extraction for power system fault diagnosis based on the combination of rough sets and niche genetic algorithm[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 158-163.

[9]GUO W X, WEN F S, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfuctions of protective relays and circuit breakers[J]. IEEE Transactions on Power Delivery, 2010, 25(3): 1393-1401.

[10]趙冬梅, 張旭, 魏娟, 等. 以重現故障過程為目的的電網故障診斷[J]. 中國電機工程學報, 2014, 34(13): 2116-2123. ZHAO Dongmei, ZHANG Xu, WEI Juan, et al. Power grid fault diagnosis aiming at reproducing the fault process[J]. Proceedings of the CSEE, 2014, 34(13): 2116-2123.

[11]TIAN Y L. Application of fuzzy immune algorithm in fault diagnosis for circuits[J]. Journal of Information and Computational Science, 2013, 10(14): 4359-4366.

[12]張凡, 張越喜, 顧沈卉, 等. 基于分布式發(fā)電的油田配電網重構[J]. 電力建設, 2012, 33(1): 22-26. ZHANG Fan, ZHANG Yuexi, GU Shenhui, et al. Oilfield distribution network reconfiguration based on distribution generation[J]. Electric Power Construction, 2012, 33(1): 22-26.

[13]郝曉弘, 田江博, 陳偉, 等. 基于信息熵和數學形態(tài)學的電壓跌落持續(xù)時間檢測方法[J]. 電力系統(tǒng)保護與控制, 2012, 40(11): 30-35. HAO Xiaohong, TIAN Jiangbo, CHEN Wei, et al. Detection method of voltage sag duration based on information-entropy and mathematical morphology[J]. Power System Protection and Control, 2012, 40(11): 30-35.

[14]李惠玲, 盛萬興, 張學仁, 等. 改進小生境遺傳算法在電力系統(tǒng)無功優(yōu)化中的應用[J]. 電網技術, 2008, 32(17): 29-34. LI Huiling, SHENG Wanxing, ZHANG Xueren, et al. Application of improved niche genetic algorithm in reactive power optimization[J]. Power System Technology, 2008, 32(17): 29-34.

[15]LI D, LIU S L, ZHANG H L. A boundary-fixed negative selection algorithm with online adaptive learning under small samples for anomaly detection[J]. Engineering Applications of Artificial Intelligence, 2016(50): 93-105.

[16]羅毅, 多靖赟. 基于免疫記憶克隆選擇算法的多目標無功優(yōu)化[J]. 電力系統(tǒng)保護與控制, 2012, 40(24): 65-70. LUO Yi, DUO Jingyun. Multi-objective reactive power optimization based on immune memory colonial selection algorithm[J]. Power System Protection and Control, 2012, 40(24): 65-70.

(編輯 張小飛)

A Design Method for Power Grid Fault Diagnosis Model Based on Humoral Immunity Principle

WANG Shoupeng, ZHAO Dongmei

(School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)

According to the uncertainty of fault information in the power grid fault diagnosis, this paper draws lessons from the humoral immune response mechanism addressing the problem. Firstly, we establish the relationship between the process of the humoral immune response and the basic amount of the power grid fault diagnosis. Secondly, we construct a fault diagnosis model based on humoral immune response mechanism via simulating the mechanism and structure of humoral immunity resisting the invasion of antigens. The proposed model has a higher fault-tolerant ability, which can not only detect known faults according to the prior knowledge, but also judge unknown faults through the continuous learning function of the fault diagnosis system. Finally, the results of the test cases of the fault diagnosis show that the proposed model is feasible and efficient.

fault diagnosis; alarm information; humoral immunity; learning evolution

國家自然科學基金項目(51377054)；中央高?；究蒲袠I(yè)務費專項資金資助項目(2017XS019)

TM 73

A

1000-7229(2017)07-0131-08

10.3969/j.issn.1000-7229.2017.07.016

2017-03-21

王守鵬(1987), 男, 博士研究生，本文通信作者, 研究方向為電力系統(tǒng)分析、控制與保護，電網故障診斷；

趙冬梅(1965), 女, 博士, 教授, 博士生導師, 研究方向為智能技術在電力系統(tǒng)中的應用、電網故障診斷。

Project supported by National Natural Science Foundation of China (51377054); The Fundamental Research Funds for the Central Universities (2017XS019)