基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置與流程
2023-10-08 16:17:04 5
本發明涉及電網調度與故障分析技術領域，特別是涉及一種基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置。
背景技術：
隨著經濟社會的逐步發展，電壓等級的不斷提高，用戶對電能越來越依賴，因此，提高供電可靠性和改善供電電能質量也越來越重要。對於220kV及其以上的電壓等級，傳統的電流保護不再適用，而縱聯差動保護能夠快速切除高壓網絡故障，所以它得到了廣泛的應用。但是在具體實施中，當故障發生時，為了減少故障帶來的損失，需要快速、準確地檢測出故障元件並且實現故障區域和非故障區域的隔離。但是在實際情況中，從SCADA系統採集的信息包含了不完整信息，錯誤信息，重複信息等，在這種情況下要準確地檢測出故障元件也越來越困難。
由此可見，如何根據SCADA系統採集的信息來確定故障元件是本領域技術人員亟待解決地問題。
技術實現要素：
本發明的目的是提供一種基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置，用於根據SCADA系統採集的信息來確定故障元件。
為解決上述技術問題，本發明提供一種基於三角模糊數的脈衝神經膜系統的故障診斷方法，包括：
S10：根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；
S11：分別對所述可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；
S12：利用模糊推理算法對所述故障診斷模型進行逆向模糊推理，計算各所述可疑故障元件的故障置信度；
S13：依照預定判斷依據在所述故障置信度中篩選出目標故障置信度，並確定所述目標故障置信度對應的可疑故障元件為確定故障元件。
優選地，所述步驟S11具體包括：
對所述可疑故障元件對應的所述動作信息和所述跳閘信息設定命題神經元和規則神經元；
根據故障模糊產生式規則建立所述故障診斷模型；
根據可疑元件的種類和保護類型分別建立相應的線路，母線，變壓器故障模糊產生式規則集合，並作為相應的三角模糊數的脈衝神經膜系統的故障診斷模型建立的依據；
獲取電壓等級220kV及其以上的元件和斷路器主保護動作的故障置信度，並將所述故障置信度和輸入的所述命題神經元對應；
所述故障模糊產生式規則具體包括：
類型1：IF p1 AND p2 AND...AND pk-1 THEN pk(CF＝β)；
類型2：IF p1 OR p2 OR...OR pk-1 THEN pk(CF＝β)；
其中，p1,p2,...,pk-1是規則神經元前件的k-1個命題神經元，而pk是規則神經元後件的命題神經元，β是一個實數且表示這個模糊產生式規則的置信因子CF。
優選地，所述故障模糊產生式規則集合具體為：
如果線路、母線、變壓器主保護動作且對應的斷路器全部或者部分跳閘，則線路、母線、變壓器故障，規則置信度極高；
如果線路、母線、變壓器後備保護動作並且對應的斷路器均跳閘，則線路、母線、變壓器故障，規則置信度非常非常高。
優選地，所述步驟S12具體包括：
根據賦予初值的輸入命題神經元，運用模糊推理算法得出所述故障診斷模型的輸出命題神經元的值；
其中，所述輸出神經元的值為所述可疑故障元件的故障置信度。
優選地，所述預定判斷依據為：
如果所述故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標故障置信度，對應的可疑故障元件為確定故障元件；
如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標故障置信度，對應的可疑故障元件為非故障元件。
為解決上述技術問題，本發明提供一種基於三角模糊數的脈衝神經膜系統的故障診斷裝置，包括：
推導單元，用於根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；
故障診斷模型建立單元，用於分別對所述可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；
計算單元，用於利用模糊推理算法對所述故障診斷模型進行逆向模糊推理，計算各所述可疑故障元件的故障置信度；
篩選單元，用於依照預定判斷依據在所述故障置信度中篩選出目標故障置信度，並確定所述目標故障置信度對應的可疑故障元件為確定故障元件。
優選地，所述故障診斷模型建立單元具體用於對所述可疑故障元件對應的所述動作信息和所述跳閘信息設定命題神經元和規則神經元；根據故障模糊產生式規則建立所述故障診斷模型；
根據可疑元件的種類和保護類型分別建立相應的線路，母線，變壓器故障模糊產生式規則集合，並作為相應的三角模糊數的脈衝神經膜系統的故障診斷模型建立的依據；
獲取電壓等級220kV及其以上的元件和斷路器主保護動作的故障置信度，並將所述故障置信度和輸入的所述命題神經元對應；
所述故障模糊產生式規則具體包括：
類型1：IF p1 AND p2 AND...AND pk-1 THEN pk(CF＝β)；
類型2：IF p1 OR p2 OR...OR pk-1 THEN pk(CF＝β)；
其中，p1,p2,...,pk-1是規則神經元前件的k-1個命題神經元，而pk是規則神經元後件的命題神經元，β是一個實數且表示這個模糊產生式規則的置信因子CF。
優選地，所述故障模糊產生式規則集合具體為：
如果線路、母線、變壓器主保護動作且對應的斷路器全部或者部分跳閘，則線路、母線、變壓器故障，規則置信度極高；
如果線路、母線、變壓器後備保護動作並且對應的斷路器均跳閘，則線路、母線、變壓器故障，規則置信度非常非常高。
優選地，所述計算單元具體用於根據賦予初值的輸入命題神經元，運用模糊推理算法得出所述故障診斷模型的輸出命題神經元的值；
其中，所述輸出神經元的值為所述可疑故障元件的故障置信度。
優選地，所述預定判斷依據為：
如果所述故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標故障置信度，對應的可疑故障元件為確定故障元件；
如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標故障置信度，對應的可疑故障元件為非故障元件。
本發明所提供的基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置，包括：根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；分別對所述可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；利用模糊推理算法對所述故障診斷模型進行逆向模糊推理，計算各所述可疑故障元件的故障置信度；依照預定判斷依據在所述故障置信度中篩選出目標故障置信度，並確定所述目標故障置信度對應的可疑故障元件為確定故障元件。由此可見，本方法結合繼電器、斷路器開關信息，結合模糊產生規則庫、語言值和相關的三角模糊數實現對可疑故障元件的診斷，診斷準確高；另外本方法根據縱聯差動保護使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結果更加準確。從SCADA系統採集完整信息或者不完整信息(繼電器和斷路器拒動，誤動，信息丟失)的情況下也能準確地診斷出確定故障元件，因此具有更好的容錯能力。
附圖說明
為了更清楚地說明本發明實施例，下面將對實施例中所需要使用的附圖做簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對於本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發明實施例提供的一種基於三角模糊數的脈衝神經膜系統的故障診斷方法的流程圖；
圖2為本發明實施例提供的一種電力系統環網示意圖；
圖3為本發明實施例提供的一種線路L2387的基於三角模糊數的脈衝神經膜系統的故障診斷模型的示意圖；
圖4為本發明實施例提供的一種基於三角模糊數的脈衝神經膜系統的故障診斷裝置的結構圖。
具體實施方式
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下，所獲得的所有其他實施例，都屬於本發明保護範圍。
本發明的核心是提供一種基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置。
為了使本技術領域的人員更好地理解本發明方案，下面結合附圖和具體實施方式對本發明作進一步的詳細說明。
圖1為本發明實施例提供的一種基於三角模糊數的脈衝神經膜系統的故障診斷方法的流程圖。如圖1所示，基於三角模糊數的脈衝神經膜系統的故障診斷方法包括：
S10：根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件。
S11：分別對可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型。
作為優選地實施方式，步驟S11具體包括：
(1)對可疑故障元件對應的動作信息和跳閘信息設定命題神經元和規則神經元；
(2)根據故障模糊產生式規則建立所述故障診斷模型；
所述故障模糊產生式規則具體包括：
類型1：IF p1 AND p2 AND...AND pk-1 THEN pk(CF＝β)；
類型2：IF p1 OR p2 OR...OR pk-1 THEN pk(CF＝β)；
其中，p1,p2,...,pk-1是規則神經元前件的k-1個命題神經元，而pk是規則神經元後件的命題神經元，β是一個實數且表示這個模糊產生式規則的置信因子CF。
(3)根據可疑元件的種類和保護類型分別建立相應的線路，母線，變壓器故障模糊產生式規則集合，並作為相應的三角模糊數的脈衝神經膜系統的故障診斷模型建立的依據。
所述故障模糊產生式規則集合具體為：
如果線路、母線、變壓器主保護動作且對應的斷路器全部或者部分跳閘，則線路、母線、變壓器故障，規則置信度極高；
如果線路、母線、變壓器後備保護動作並且對應的斷路器均跳閘，則線路、母線、變壓器故障，規則置信度非常非常高。
(4)獲取電壓等級220kV及其以上的元件和斷路器主保護動作的故障置信度，並將故障置信度和輸入的命題神經元對應。
S12：利用模糊推理算法對故障診斷模型進行逆向模糊推理，計算各可疑故障元件的故障置信度。
步驟S12具體包括：
根據賦予初值的輸入命題神經元，運用模糊推理算法得出故障診斷模型的輸出命題神經元的值；
其中，輸出神經元的值為可疑故障元件的故障置信度。
S13：依照預定判斷依據在故障置信度中篩選出目標故障置信度，並確定目標故障置信度對應的可疑故障元件為確定故障元件。
其中，預定判斷依據為：
如果故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標故障置信度，對應的可疑故障元件為確定故障元件；
如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標故障置信度，對應的可疑故障元件為非故障元件。
其中，三角模糊數由三元組表示，即A＝(a1，a2，a3)，隸屬度函數μA(x)被定義如下：
其中，a1和a3分別表示三角模糊數A的最低值和最高值，a2表示中間值。
從繼電保護與安全動作裝置(斷路器)運行情況獲取電壓等級220kV及其以上的元件和斷路器主保護動作和未動作的故障置信度分別如表1、表2所示。語言值和相關的三角模糊數如表3所示。
表1
表2
表3
對於步驟S12，利用模糊推理算法對故障診斷模型進行逆向模糊推理，計算各可疑故障元件的故障置信度的具體步驟如下：
(1)推理步驟g＝0；
(2)設置C、D1、D2、E初始值，結束條件01＝((0,0,0)，(0,0,0)，…，(0,0,0))Ts和02＝((0,0,0)，(0,0,0)，…，(0,0,0))Tt。α和δg的初始值被分別設定αg＝(α1g，α2g，…,αsg)和δg＝(δ1g，δ2g，…,δtg)，其中s代表命題神經元的個數，t代表規則神經元的個數；
(3)g增加1；
(4)每個輸入神經元和每個命題神經元的點火狀態被評估，如果狀態滿足，規則神經元觸發同時傳輸脈衝到下一規則神經元；
(5)計算模糊真值
(6)如果δg滿足終止條件，計算結束，輸出推理結果，否則，進入步驟(7)；
(7)評估每個規則神經元的點火狀態，如果狀態滿足，規則神經元點火同時傳輸一個脈衝到下一個命題神經元；
(8)計算模糊真值矢量αg，返回到步驟3，得到
其中，各參數的向量含義及相應的算子解釋如下：
(1)向量α＝(α1,α2,…αs)T是s個命題神經元的模糊值，其中，αi是三角模糊數，它代表第i個命題神經元的脈衝值，如果一個命題神經元中沒有包含任何脈衝，則該命題神經元的脈衝值為(0,0,0)；
(2)向量δ＝(δ1,δ2,…t)T是t個規則神經元的模糊值，其中，δj是三角模糊數，代表第j個規則神經元的脈衝值，如果一個規則神經元中沒有包含任何脈衝，則該規則神經元的脈衝值為(0,0,0)；
(3)β＝diag(β1,β2,…βt)是一個對角矩陣，其中βj是[0,1]中的一個實數，表示j個規則神經元的置信度；
(4)D1＝(dij)s×t是一個二維矩陣，表示命題神經元到型規則神經元之間是否有突觸連接。如果dij＝1則表示命題神經元i與型規則神經元j有突觸連接，否則，dij＝0，s,t表示神經元之間的連接關係的最大值；
(5)D2＝(dij)s×t是一個二維矩陣，表示命題神經元到型規則神經元之間是否有突觸連接。如果dij＝1則表示命題神經元i與型規則神經元j有突觸連接，否則，dij＝0，s,t表示神經元之間的連接關係的最大值；
(6)E＝(eij)t×st是一個二維矩陣，表示規則神經元到命題神經元之間是否有突觸連接。如果eij＝1則表示規則神經元到命題神經元有突觸連接，否則，eij＝0，s,t表示神經元之間的連接關係的最大值；
同時，引入如下三種運算：
(1)◎：同樣地，D◎α＝(d1,d2,…,dt)T,where dj＝d1jα1⊕d2jα2⊕…⊕dsjαs，j＝1,2,…,t；
(2)⊙：DT⊙α＝(d1,d2,…,dt)T，其中
(3)其中
假設A、B是兩個三角模糊數，A＝(a1，a2，a3)，B＝(b1，b2，b3)，
則定義如下三種運算如下所示：
(1)λA＝λ(a1，a2，a3)＝(λa1，λa2，λa3)；
(2)
(3)
本發明實施例提供的基於三角模糊數的脈衝神經膜系統的故障診斷方法，包括：根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；分別對所述可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；利用模糊推理算法對所述故障診斷模型進行逆向模糊推理，計算各所述可疑故障元件的故障置信度；依照預定判斷依據在所述故障置信度中篩選出目標故障置信度，並確定所述目標故障置信度對應的可疑故障元件為確定故障元件。由此可見，本方法結合繼電器、斷路器開關信息，結合模糊產生規則庫、語言值和相關的三角模糊數實現對可疑故障元件的診斷，診斷準確高；另外本方法根據縱聯差動保護使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結果更加準確。從SCADA系統採集完整信息或者不完整信息(繼電器和斷路器拒動，誤動，信息丟失)的情況下也能準確地診斷出確定故障元件，因此具有更好的容錯能力。
需要說明的是，上述是實施例中的方法可以在FPGA上實施，例如步驟S11中建立基於三角模糊數的脈衝神經膜系統的故障診斷模型。後文將詳細說明。
為了讓本領域技術人員更加清楚本發明提供的方法，以下給出具體的應用場景，結合該應用場景進一步說明。
圖2為本發明實施例提供的一種電力系統環網示意圖。通過圖2說明保護繼電器和斷路器的動作規則。該電力系統環網由25個變電站，57臺變壓器，73條電壓等級500kV的傳輸線路511個變電站，511臺變壓器和594條電壓等級220kV的傳輸線路組成。為了方便描述，一些符號被描述如下。符號A，B，T，L，CB和G分別表示單母線，雙母線，變壓器，線路，斷路器和發電機。m和s分別表示主保護和後備保護，在圖2中包含了斷路器CB2201，CB2202，CB501，CB2387-1，CB2387-2，CB2012-QY,CB2289-1，CB2289-2，CB2722-1，CB2722-2，CB2012-KL,CB2855-1，CB2855-2，CB2012-HL,CB2715-1，CB2715-2，CB2290-1，CB2290-2,CB2012-LY；母線B1，B2，B3，B4，B5，B6，B7，B8，B9；線路L2387，L2289，L2722，L2855，L2715，L2715，L2290；發電機G1，G2，G3；變壓器T1，T2。
上述例子分以下兩種情況：
情況一，從SCADA系統獲取完整的繼電器和斷路器信息。
情況二，從SCADA系統獲得不完整的繼電器和斷路器信息。
情況一：從SCADA系統獲取完整的繼電器和斷路器信息，具體的診斷過程如下所示：
1、可疑故障元件的確定。動作的繼電器L2387m，B3S，L2722S，L2855S，跳閘斷路器：CB2837-1，CB2012-QY，CB2855-1，CB2202，CB2722-1，CB2722-2，CB2855-2。從斷路器和繼電器動作的情況，由電力系統的基礎知識，可以推導出故障元件最有可能是L2387。
2、L2387為例建立故障診斷模型，如圖3所示。圖3為本發明實施例提供的一種線路L2387的基於三角模糊數的脈衝神經膜系統的故障診斷模型的示意圖。
模型中有28個命題神經元和14個規則神經元。具體步驟描述如下：
(1)設定判斷依據01＝((0,0,0)，(0,0,0)，…，(0,0,0))T28和02＝((0,0,0)，(0,0,0)，…，(0,0,0))T14，命題神經元和規則神經元的初始值α0和δ0表示如下：
δ0＝[0]
(2)設置g＝0；
(3)初始命題神經元和規則神經元點火，由推理公式和計算得到α1和δ1。
(4)根據以上模糊推理算法步驟，由於δ1和α1不滿足結束條件，則返回重新計算δ2和α2，具體為：
(5)根據以上模糊推理算法步驟，由於δ2和α2也不滿足結束條件，則返回重新計算δ3和α3具體為：
(6)根據以上模糊推理算法步驟，由於δ3和α3也不滿足結束條件，則返回重新計算δ4和α4，具體為：
α4＝[0]δ4＝[0]
由以上δ4和α4判斷滿足結束條件，則推理結束，命題神經元σ28輸出模糊真值為(0.875,1,1)。從表3可知，L2387發生故障且故障發生置信水平非常非常高。
情況二：從SCADA系統獲取不完整的繼電器和斷路器信息，具體的診斷過程如下所示：
1、可能故障元件的確定。動作的繼電器B3S，L2722S，L2855S，跳閘斷路器：CB2837-1，CB2012-QY，CB2855-1，CB2202，CB2722-1，CB2722-2，CB2855-2。另外，在這個案例中L2387m繼電器信息丟失。從斷路器和繼電器動作的情況，由電力系統的基礎知識，可以推導出故障元件最有可能是L2387。
2、和情況一相同對元件L2387建立故障診斷模型。
3、模糊推理的過程與情況一大致相同。
(1命題神經元和規則神經元的初始值α0和δ0表示如下：
δ0＝[0]
此後推導步驟和情況一相同，不再贅述。最終得到命題神經元σ28輸出模糊真值為(0.765625,0.875,0.875)。從表3可知L2387發生故障且故障發生置信水平非常高。
通過實例中的情況一和情況二的診斷結果可以看出，本發明提出的方法不僅能夠準確地診斷出故障位置，而且對於信息缺失的情況也能正確地診斷出故障發生的位置。
為了讓本領域技術人員更加清楚如何採用FPGA進行步驟S11模型的建立，以下給出具體說明。
以上文中的例子進行說明，在應用FPGA處理器過程中，分為頂層模塊以及模塊1-模塊14：
頂層模塊：是對整個程序的總控制，採用自頂向下的設計方式，實現各個子模塊的調用和數據的初始化。
模塊1：給命題神經元σ1-σ14賦初始值。其中，根據繼電器動作信息和斷路器的跳閘信息，結合表1和表2確定命題神經元初始值。
模塊2-模塊6分別為L2387模塊，B3模塊，L2722模塊，L2855模塊，T模塊。以上模塊同時由並行計算出規則神經元σ28-σ36的模糊真值。
模塊7：通過計算得到相應的命題神經元模糊真值σ15-σ23。以上σ28-σ36模糊真值由並行計算得到命題神經元σ15-σ23模糊真值。其中σ15-σ23中由主保護和後備保護相關的命題神經元組成。σ15和σ16與主保護相關，分別為主保護1和主保護2。σ17-σ23與後備保護相關，σ17-σ22和後備保護1、後備保護2相關。
模塊8-模塊11分別為主保護1和主保護2模塊，主保護1和後備保護1模塊，主保護2和後備保護2模塊，後備保護1和後備保護2模塊。在模塊7中並行取主保護相關的σ15和σ16中模糊真值存儲到模塊8；並行取σ15和σ17-σ22中模糊真值存儲到模塊9；並行取σ16和σ23中模糊真值存儲到模塊10；並行取σ17-σ23中模糊真值存儲到模塊11。以上模塊8-模塊11存儲的值由並行計算分別同時輸出規則神經元σ37、σ38、σ39、σ40。
模塊12：通過計算得到相應的命題神經元模糊真值σ24-σ27。以上σ37-σ40模糊真值由並行計算得到命題神經元σ24-σ27模糊真值。
模塊13：通過計算得到規則神經元σ41的模糊真值。由以上輸出的σ24-σ27的模糊真值通過通行計算出規則神經元σ41的模糊真值。
模塊14：通過計算得到命題神經元σ28的模糊真值。由以上輸出σ41的模糊真值通過計算得到σ28的模糊真值。
需要說明的是，上述是實施例中的方法在FPGA上實施至少是一種具體的實施方式，並不代表只能在FPGA上實現，在其它處理器上實現也可。由於FPGA能夠並行，因此在進行模型建立時可以提高模型建立的效率，進而提高診斷效率。
圖4為本發明實施例提供的一種基於三角模糊數的脈衝神經膜系統的故障診斷裝置的結構圖。基於三角模糊數的脈衝神經膜系統的故障診斷裝置，包括：
推導單元10，用於根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；
故障診斷模型建立單元11，用於分別對可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；
計算單元12，用於利用模糊推理算法對故障診斷模型進行逆向模糊推理，計算各可疑故障元件的故障置信度；
篩選單元13，用於依照預定判斷依據在故障置信度中篩選出目標故障置信度，並確定目標故障置信度對應的可疑故障元件為確定故障元件。
作為優選地實施方式，故障診斷模型建立單元11具體用於對所述可疑故障元件對應的所述動作信息和所述跳閘信息設定命題神經元和規則神經元；根據故障模糊產生式規則建立所述故障診斷模型；根據可疑元件的種類和保護類型分別建立相應的線路，母線，變壓器故障模糊產生式規則集合，並作為相應的三角模糊數的脈衝神經膜系統的故障診斷模型建立的依據；獲取電壓等級220kV及其以上的元件和斷路器主保護動作的故障置信度，並將所述故障置信度和輸入的所述命題神經元對應；
所述故障模糊產生式規則具體包括：
類型1：IF p1 AND p2 AND...AND pk-1 THEN pk(CF＝β)；
類型2：IF p1 OR p2 OR...OR pk-1 THEN pk(CF＝β)；
其中，p1,p2,...,pk-1是規則神經元前件的k-1個命題神經元，而pk是規則神經元後件的命題神經元，β是一個實數且表示這個模糊產生式規則的置信因子CF。
作為優選地實施方式，所述故障模糊產生式規則集合具體為：
如果線路、母線、變壓器主保護動作且對應的斷路器全部或者部分跳閘，則線路、母線、變壓器故障，規則置信度極高；
如果線路、母線、變壓器後備保護動作並且對應的斷路器均跳閘，則線路、母線、變壓器故障，規則置信度非常非常高。
作為優選地實施方式，計算單元具體用於根據賦予初值的輸入命題神經元，運用模糊推理算法得出故障診斷模型的輸出命題神經元的值；
其中，輸出神經元的值為可疑故障元件的故障置信度。
作為優選地實施方式，預定判斷依據為：
如果故障置信度α≥(0.65,0.75,0.875)，則該故障置信度為目標故障置信度，對應的可疑故障元件為確定故障元件；
如果故障置信度α≤(0.25,0.375,0.5)，則該故障置信度為非目標故障置信度，對應的可疑故障元件為非故障元件。
本發明實施例提供的基於三角模糊數的脈衝神經膜系統的故障診斷裝置，包括：推導單元，用於根據從SCADA系統得到的繼電器動作信息和斷路器的跳閘信息推導出停電區域中的可疑故障元件；故障診斷模型建立單元，用於分別對可疑故障元件建立基於三角模糊數的脈衝神經膜系統的故障診斷模型；計算單元，用於利用模糊推理算法對故障診斷模型進行逆向模糊推理，計算各可疑故障元件的故障置信度；篩選單元，用於依照預定判斷依據在故障置信度中篩選出目標故障置信度，並確定目標故障置信度對應的可疑故障元件為確定故障元件。由此可見，本裝置結合繼電器、斷路器開關信息，結合模糊產生規則庫、語言值和相關的三角模糊數實現對可疑故障元件的診斷，診斷準確高；另外本方法根據縱聯差動保護使得最終輸出模糊真值表示該可疑故障元件的故障置信度，在一定程度上使診斷結果更加準確。從SCADA系統採集完整信息或者不完整信息(繼電器和斷路器拒動，誤動，信息丟失)的情況下也能準確地診斷出確定故障元件，因此具有更好的容錯能力。
由於裝置部分的實施例與方法部分的實施例相互對應，因此裝置部分的實施例請參見方法部分的實施例的描述，這裡暫不贅述。
以上對本發明所提供的基於三角模糊數的脈衝神經膜系統的故障診斷方法及裝置進行了詳細介紹。說明書中各個實施例採用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對於實施例公開的裝置而言，由於其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護範圍內。
專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬體、計算機軟體或者二者的結合來實現，為了清楚地說明硬體和軟體的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬體還是軟體方式來執行，取決於技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的範圍。
結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬體、處理器執行的軟體模塊，或者二者的結合來實施。軟體模塊可以置於隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬碟、可移動磁碟、CD-ROM、或技術領域內所公知的任意其它形式的存儲介質中。