具备强解释性的深度神经网络透明化智能电网故障诊断模型

Fault diagnosis is the precondition for the rapid self-healing of smart grid. The neural network based diagnosis method has attracted significant attention due to its good fault-tolerance. However, the existing diagnosis models, mainly aiming at estimating the fault sections accurately, fail to interpret the diagnosis process and diagnosis result. The fundamental reason is that their three-layer structures limit the neurotransmission to causally describe the fault evolution logic, and the simple fault hypothesis to thoroughly express the behavior of relay protection system. In this context, this research starts with studying the activation mechanism of neurons and exploring the mapping relationship between the fault evolution and the neurotransmission. On this basis, a deep transparent diagnosis model (DTDM) which can interpret the diagnosis process clearly is built to break through the shackles of the three-layer structure to reappear the fault logic and reveal the decision-making behavior itself. On the other hand, a modified fault hypothesis (MFH) considering the behavior of relay protection system is established and the mapping relationship between the MFH and the neurons’ multi-logic structural knowledge expression is studied. Thereafter, a DTDM which can evaluate the behavior of relay protection system thoroughly and interpret the diagnosis result clearly is built. Finally, in order to train the DTDM effectively and quickly to enhance its generalization, an improved intelligent optimization algorithm, which is, according to the structure characteristic of DTDM, designed by combining coevolution, ensemble strategy + orthogonal learning, and cloud computing.

故障诊断是实现智能电网快速自愈的前提。基于神经网络的诊断方法凭借其优异的容错能力而广受关注。然而，现有的神经网络诊断模型主要以准确辨识故障元件为目的，缺乏对诊断过程和诊断结果进行解释的能力，根本原因是三层式网络结构限制了神经元信息传递对故障演化逻辑的因果描述以及单一故障假说对继电保护系统动作行为的全面表征。对此，本项目一方面将研究神经元的激活机理，探索故障演化与神经元信息传递之间的映射关系，突破三层式结构的束缚，建立可反演故障逻辑的诊断过程透明化模型，揭示其内部的决策机理；另一方面，研究计及保护和断路器动作行为的故障假说的建模方法，探索故障假说与神经元多重强逻辑结构化知识表征之间的映射关系，建立可全面评价动作行为的诊断结果透明化模型；在上述基础上，根据深度神经网络透明化诊断模型的结构特征设计基于协同进化、多算法集成+正交学习、云计算的改进智能优化算法，实现模型的高效快速训练，提高其泛化性。

神经网络是目前大数据分析中最成功的方法，其突出的数据处理能力可满足复杂电网故障对于诊断准确性的需求。然而，神经网络缺乏对决策行为和输出结果的显式解释，导致诊断结果不易被调度运行人员理解，已成为阻碍该方法研究和应用的关键。本课题对具备强解释性的深度神经网络透明化智能电网故障诊断模型的关键理论和方法展开了深入研究，取得的主要成果如下：.（1）在反演故障逻辑的诊断过程透明化模型建模方面，分析了电网元件、保护、断路器之间的动作逻辑关系，针对不同类型元件建立了具有解释性的透明化故障通用诊断模型；利用归一化处理方法有效减小了模型的复杂度，并确保了模型的通用性；同时，基于实际运行数据对各类保护和断路器的动作可信度进行了模糊化处理，准确度量了动作不确定性。.（2）在评价动作行为的诊断结果透明化模型建模方面，提出了结合元件故障状态与继电保护系统原始动作信息完成保护和断路器动作行为的准确辨识方法；设计了保护和断路器多种动作行为的神经元表征方法；建立了可实现元件故障状态准确诊断与继电保护动作行为准确辨识的双重神经网络电网故障诊断模型，有效提升了神经网络对故障诊断结果的解释性。.（3）在深度透明化诊断模型训练方法方面，提出了基于改进智能优化算法的神经网络训练方法。一方面，提出了一种双种群协同进化策略，通过多种算法的自适应筛选实现了神经网络训练的全局快速收敛；另一方面，提出了基于单CPU→多CPU→单GPU→多GPU的渐进式训练效率提升路径，实现了深度透明化诊断模型的快速构建。.（4）在面向大规模电网的故障诊断模型建模与维护方法方面，建立了基于结构自适应搜索的深度极限学习机分区故障诊断模型，利用Choquet模糊积分和D-S证据理论实现了联络线的融合诊断；建立了基于T-S模糊神经网络的元件级故障诊断模型，增强了继电保护系统动作不确定性的模糊规则表征；提出了告警信息纠错方法，设计了基于正交试验设计的无迭代搜索技术，有效提高了诊断结果的准确性。

内容获取失败，请点击重试