本发明属于电网故障诊断方法，具体涉及一种致灾天气下基于随机自调节脉冲神经p系统(randomself-regulationspikingneuralpsystem，rssnps)的电网故障诊断方法。
背景技术：
：到目前为止，国内外众多学者对电力系统故障诊断方法开展了广泛地研究并取得了显著的成果。这些方法主要包括专家系统、优化技术、人工神经网络、petri网、粗糙集理论、贝叶斯理论、基于故障录波器信息等方法。其中基于优化技术的电力系统故障诊断方法具有严密的数学逻辑和较强的容错能力，利用优化算法可有效地实现对电网故障的准确诊断。天气因素与输电网的故障原因有着密不可分的关系，特别是在灾害天气这种极端环境条件之下，与天气有关的诸如雷击、台风等致灾因子更是输电网故障的主要原因。所以在实际的工程环境中，因为其他外界客观因素的干扰，故障警报信息的准确性将会被降低，保护装置也会做出异常反应。以优化技术对输电网做故障诊断，在面对输电网的故障诊断模型时，往往会面对高维数学模型，这将对算法的收敛效果，收敛速度提出较高的要求。因而面对具体问题时，若是算法遭遇收敛效果差、收敛速度慢的问题，那么对算法的改进必不可少。技术实现要素：针对现有技术中的上述不足，本发明提供的基于随机自调节脉冲神经p系统的电网故障诊断方法解决了现有电网故障诊断方法中没有考虑天气因素的影响，以致故障诊断结果不准确的问题。为了达到上述发明目的，本发明采用的技术方案为：基于随机自调节脉冲神经p系统的电网故障诊断方法，包括以下步骤：s1、读取scada数据；s2、基于读取的scada数据，确定待诊断电力系统中的停电区域；s3、基于确定的停电区域，建立对应的故障诊断目标函数；s4、基于scada数据，利用随机自调节脉冲神经p系统对建立的故障诊断目标函数进行寻优求解，获得最优解；s5、根据最优解的编码确定电网故障诊断结果。进一步地，所述步骤s2中确定停电区域的方法具体为：基于scada数据，利用结线分析法对待诊断电力系统进行迭代搜索，并在迭代搜索过程中找出待诊断电力系统中的所有无源网络，即确定停电区域；具体包括以下分步骤：s21、设置搜索迭代次数c的初始值为1；s22、基于scada数据，依次对待诊断电力系统中的每个元件进行编号，所有的元件编号构成qc；s23、从元件编号集合qc中任意取一个元件编号放入元件编号子集合mc中；s24、判断最新加入到元件编号子集合mc中的元件编号对应的元件是否存在与之相连的闭合断路器；若是，则进入步骤s24；若否，则进入步骤s25；s24、将元件编号集合qc中与当前确定的闭合断路器连接所有元件对应的元件编号均加入到元件编号子集合mc中，返回步骤a3；s25、使搜索迭代次数c增加1；s26、从元件编号集合qc-1中移除元件编号子集合mc-1中的所有元件编号，得到新的元件编号集合qc；s27、判断当前元件编号集合qc是否为空；若是，则进入步骤s28；若否，则返回步骤s23；s28、列出元件编号子集合m1,...sc,...,mn中的所有无源网络，即确定停电区域；其中，下标n为迭代搜索过程中所获得的元件编号子集合的个数。进一步地，所述步骤s3具体为：s31、根据停电区域的拓扑结构，建立由停电区域内的可疑故障元件、保护装置和断路器组成的故障假说h；s32、基于故障假说，构建故障诊断目标函数。进一步地，所述步骤s31中建立故障假说h的方法具体为：设停电区域内包含nd个可疑故障元件、nr个保护装置和nc个断路器，则建立的故障假说的表达式为：x＝[d、r、c]式中，1≤i≤nd，di为停电区域内第i个可疑元件的实际状态，当di为1时，对应可疑故障元件已故障，di为0时，对应可疑元件正常且未故障；1≤j≤nr，rj为停电区域内第j个保护装置的实际状态，当rj为1时，对应保护装置已动作，rj为0时，对应保护装置未动作；1≤k≤nc，ck为停电区域内第k个断路器的实际状态，当ck为1时，对应断路器已跳闸，ck为0，对应断路器未跳闸；所述步骤s32中，故障诊断目标函数mine(x)的表达式为：mine(x)＝δexeex(x) γaleal(x) tpetl(x)式中，δex为自调节期望信任因子，包括保护装置的自调节期望信任因子和断路器的自调节期望信任因子γal为自调节警报信任因子，包括保护装置的自调节警报信任因子γral和断路器的自调节警报信任因子γcal；tp为自调节天气信任因子；eex(x)为反映保护装置、断路器的误动与拒动情况的函数，其计算公式为：其中，为第j个保护装置对应的自调节期望信任因子，为第k个断路器对应的自调节期望信任因子，为第j个保护装置的期望状态，为第k个断路器的期望状态；eal(x)为反映保护装置、断路器的警报信息漏报与误报情况的函数，其计算公式为：其中，为第j个保护装置对应的自调节警报信任因子，第k个断路器对应的自调节警报信任因子，为第j个保护装置的观测状态，为第k个断路器的观测状态；etl(x)为反映线路的故障概率与真实状态匹配情况的函数，其计算公式为：其中，为第z条输电线，为对应线路的故障概率，为对应线路的自调节天气信任因子。进一步地，所述自调节期望信任因子和自调节警报信任因子的计算方法包括以下分步骤：a1、构建期望状态、真实状态及观测状态之间的逻辑状态组合及其对应的评价；a2、基于构建的逻辑状态组合及其对应的评价，当保护装置动作不可靠或者保护警报信息不准确时，构建保护装置的期望状态和观测状态之间的逻辑关系：同理，当断路器动作不可靠或警报信息不准确时，构建断路器的期望状态和观测状态之间的逻辑关系：式中，αr为保护装置的不确定指标，当αr＝1时，保护装置动作不可靠或者保护警报信息不准确，当αr＝0时，保护装置动作可靠或者保护警报信息准确；αc为断路器的不确定指标，当αc＝1时，断路器动作不可靠或者断路器警报信息不准确，当αc＝0时，断路器动作可靠或者断路器保护警报信息准确；a3、引入自检信息对不确定指标进行区分，得到保护装置的自检警报指标sr和断路器的自检警报指标sc；其中，当保护装置发出自检警告时，sr＝1，否则sr＝0；当断路器发出自检警报时，sc＝1，否则sc＝0；a4、将不确定指标与自检警报指标相结合，建立保护装置的自调节期望信任因子δrex和自调节警报信任因子δrex；δrex＝1-μαr(1-sr)γral＝1-αrsr同理，得到断路器的自调节期望信任因子δcex和自调节警报信任因子γcal；δcex＝1-μαc(1-sc)γcal＝1-αcsc式中，μ为期望调节系数；所述自调节天气信任因子的计算方法包括以下分步骤：b1、按照外部环境情况将线路故障风险划分成四个等级；b2、利用三角隶属度函数将各等级的线路故障风险与各类灾害天气下各气象因素之间的模糊关系进行表达，建立灰色模糊判别矩阵和各气象因素权重矩阵并对线路故障风险进行综合评判，得到线路故障风险度b3、将线路故障概率范围平均分为4个区间，并与各线路故障风险等级一一对应，取各个区间的中点作为线路故障风险度对应的故障概率dp；b4、根据scada中的警报信息，计算函数etl(x)的选定指标tcp：式中，和分别为线路首端和末端的主保护、一级后备保护和二级后备保护的警报信息连或的逻辑结果，和分别为线路首端和末端的断路器警报信息，β为警报信息最小系数；b5、基于故障概率dp和选定指标tcp，计算自调节天气信任因子tp；tp＝2tcpdp。进一步地，所述保护装置的期望状态包括主保护的动作期望、一级后备保护的动作期望、二级后备保护的动作期望和断路器失灵保护的动作期望；对于主保护的动作期望：设rkm为可疑故障元件di的主保护，若di发生故障，则rkm应响应，主保护rkm动作期望为：对于一级后备保护的动作期望：设rkp为可疑故障元件di的一级后备保护，若di发生故障且其主保护rkm拒动，则rkp应响应，此时一级后备保护rkp的动作期望为：对于二级后备保护的动作期望：设rks为可疑故障元件di的二级后备保护，当di故障时，其主保护和一级后备保护均拒动，则rks应响应；同时，当dx∈d(rks)故障时，若rks到dx关联路径上的断路器均未动作，则rks应响应，此时二级后备保护rks的动作期望为：式中，d(rks)为保护范围内除可疑故障元件以外的电网元件集合，二级后备保护rks直接保护的元件为di，p(rks,dx)是rks到dx的关联路径上的所有断路器集合，dx∈d；对于断路器失灵保护的动作期望：设rf为断路器失灵保护，当保护装置rh∈r(ch)动作驱动断路器rh∈r(ch)跳闸时，ch拒动，则断路器失灵保护rf应响应，此时断路器失灵保护rf的动作期望为：式中，r(ch)为可驱动断路器ch的所有保护装置集合；所述断路器的期望状态为断路器的动作期望；设r(ck)为能驱动断路器ck跳闸的保护装置集合，当任何一可驱动ck跳闸的保护装置ri动作时，则断路器ck应响应，此时断路器ck的动作期望为：进一步地，所述步骤s4中的随机自调节脉冲神经p系统π中的基本单元为扩展脉冲神经p系统，所述扩展脉冲神经p系统π的表达式为：π＝(o,σ1,...,σm 2,syn,out)式中，扩展脉冲神经p系统π简称为esnps；o＝{a}为单字母集合，a为一个神经脉冲，o为神经脉冲a的集合；σ1,...,σm 2为随机自调节脉冲神经p系统中的m 2个神经元，下标1≤m≤m，m为神经元序数，神经元σm 1和σm 2为系统提供脉冲，其形式与功能相同，表现形式为σm 1＝σm 2＝(1,{a→a})，神经元σm的表现形式为σm＝(1,rm,pm)，其中，为规则集合，作为脉冲量变化时的点火规则，为作用相反的遗忘规则，其表现形式分别为和λ为执行遗忘规则后产生的空字符；为规则选择概率有限集合，其作用为在寻优过程中以不同选择概率和分别对应规则和且满足syn＝{(m,n)((1≤m≤m 1)∧(n＝m 2))∨((m＝m 2)∧(n＝m 1))}为神经元σm之间的连接关系；out＝{σ1,…,σm}为输出神经元集合，系统π在经过计算之后，通过神经元σm以脉冲串的形式将计算结果输出出来；所述随机自调节脉冲神经p系统包括两个板块，分别为脉冲供给器和二进制脉冲发生器，在脉冲供给器中，神经元σm 1和σm 2互相生成并传递脉冲，每次迭代运行时将脉冲供给二进制脉冲发生器，使得每个神经元σm都能够接收到一个脉冲；所述二进制脉冲发生器由神经元σ1,...,σm组成，其运行规则如下：(1)在系统π运行时，各神经元σm之间以并行的方式进行动作；(2)当神经元σm通过点火规则动作时，对应神经元σm输出二进制编码1，否则，执行遗忘规则，对应神经元σm输出二进制编码0；随机自调节脉冲神经p系统运行时，将每个esnps中的每个神经元σm的点火规则激发概率集合至一个点火规则激发概率矩阵pr中，通过控制矩阵pr中的元素的变化，实现对所有esnps的集中控制；所述点火规则激发概率矩阵pr为：式中，为随机自调节脉冲神经p系统中第i个扩展脉冲神经p系统中的第i个神经元的点火规则概率，下标h为扩展脉冲神经p系统的个数，m为扩展脉冲神经p系统的长度。进一步地，所述步骤s4中，利用随机自调节脉冲神经p系统进行寻优求解时包括以下分步骤：s41、将scada数据作为系统π的输入数据，设置系统中esnps的个数为h，每个esnps的长度为m，最大迭代次数为nmaxgen及二进制脉冲串ts；s42、设置初始迭代次数t＝1；s43、根据输入数据初始化适应度函数fitfunction；s44、重新排列二进制脉冲串ts，并将其转换成点火规则激发概率矩阵pr；其中，点火规则激发概率矩阵pr中每一行对应一个esnps，依次为神经元σ1,...,σm的点火规则激发概率；s45、判断当前迭代次数是否小于等于最大迭代次数；若是，则进入步骤s414；若否，则进入步骤s46；s46、根据点火规则激发概率矩阵pr生成解矩阵b，使其满足下列条件；bh×m＝frand<pr式中，bh×m为大小为h×m的解矩阵，frand为rand函数生成的随机数；s47、对于每个esnps，根据适应度函数fitfunction计算其对应的适应度函数值；s48、将所有esnps对应的适应度函数值中的最小值作为当前迭代次数下的最优解bbest对应的适应度函数值fbbest；同时，将最大值作为当前迭代次数下的最差解bbad对应的适应度函数值s49、基于当前迭代次数下第i个个体的适应度函数值更新个体历史最优解其中，为第i个esnps的历史最优解；s410、基于当前迭代次数下的最优解bbest，更新全局最优解gbest及其对应适应度函数值同时，基于当前迭代次数下的最差解bbad，更新全局最差解gbad及其对应适应度函数值其中，gbest即为前t次迭代次数中的最优个体，gbad为前t次迭代次数中的最差个体；s411、利用rand函数随机生成学习概率值并将frand与进行大小比较；s412、根据frand与的比较结果，选择对应的学习率计算方式进行点火规则概率矩阵pr的学习更新；s413、使迭代次数t的值增加1，并返回步骤s45；s414、将当前适应度函数值对应的全局个体最优解gbest作为随机自调节脉冲神经p系统寻优求解时的最优解。进一步地，所述步骤s412中，当frand小于时，对点火规则概率矩阵pr进行学习更新的方法包括以下步骤：r1、从h个esnps生成的h个解中随机选取不同于当前个体i的两个个体k1和k2，判断个体k1和k2对应的适应度函数值是否满足若是，则进入步骤r2；若否，则进入步骤r3；r2、使当前个体i向个体k1学习，即进入步骤r4；r3、使当前个体i向个体k2学习，即进入步骤r4；其中，和为染色体，为中间变量，和分别为第k1、k2条染色体的第j位二进制码；r4、判断当前是否成立；若是，则当前概率点火规则激发概率值的值增加为实现点火规则概率矩阵pr的学习更新；若否，则当前概率点火规则激发概率值的值减少为实现点火规则概率矩阵pr的学习更新；其中，点火规则激发概率值的增加量δ1的计算公式为：点火规则激发概率值的减少量δ0的计算公式为：当frand大于时，对点火规则概率矩阵pr进行学习更新的方法为：判断当前迭代次数下的gbestj＝1是否成立；若是，则当前点火规则激发概率值增加为实现点火规则概率矩阵pr的学习更新；若否，则当前点火规则激发概率值减少为实现点火规则概率矩阵pr的学习更新；其中，点火规则激发概率值的增加量δ'1的计算公式为：点火规则激发概率值的减少量δ'0的计算公式为：式中，gbestj为当前迭代次数下搜索到的全局最优解的第j位二进制编码。进一步地，所述步骤s5中，当最优解的编码为0时，其对应的可疑故障元件未发生故障；当最优解的编码为1中，其对应的可疑故障元件发生故障。本发明的有益效果为：(1)因为致灾天气会导致故障报警信息不准确、保护装置动作可靠性降低的情况出现，所以故障诊断目标函数中的信任因子就需要根据实际情况进行调整，本发明将天气因素、自检信息和三类自条件信任因子引入到故障诊断目标函数，提高了目标函数在面对复杂环境条件时的故障诊断能力；(2)本发明提出了利用rssnps来提高故障诊断过程的全局收敛效果，以确保准确搜索到最优解，有效地处理了由于灾害天气引发的故障警报信息畸变及保护装置和断路器异常下的故障诊断问题。附图说明图1为本发明提供的基于随机自调节脉冲神经p系统的电网故障诊断方法流程图。图2为本发明提供的扩展脉冲神经p系统结构示意图。图3为本发明提供的随机自调节脉冲神经p结构图。图4为本发明提供的算例1中的网络拓扑图。图5为本发明提供的算例2中的网络拓扑图。具体实施方式下面对本发明的具体实施方式进行描述，以便于本
技术领域：
的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。实施例1：如图1所示，基于随机自调节脉冲神经p系统的电网故障诊断方法，包括以下步骤：s1、读取scada数据；s2、基于读取的scada数据，确定待诊断电力系统中的停电区域；s3、基于确定的停电区域，建立对应的故障诊断目标函数；s4、基于scada数据，利用随机自调节脉冲神经p系统对建立的故障诊断目标函数进行寻优求解，获得最优解；s5、根据最优解的编码确定电网故障诊断结果。本实施例中步骤s1中的scada数据为记录了电网警报报文及保护装置开关量的数据。本实施例中步骤s2中确定停电区域的方法具体为：基于scada数据，利用结线分析法对待诊断电力系统进行迭代搜索，并在迭代搜索过程中找出待诊断电力系统中的所有无源网络，即确定停电区域；具体包括以下分步骤：s21、设置搜索迭代次数c的初始值为1；s22、基于scada数据，依次对待诊断电力系统中的每个元件进行编号，所有的元件编号构成qc；s23、从元件编号集合qc中任意取一个元件编号放入元件编号子集合mc中；s24、判断最新加入到元件编号子集合mc中的元件编号对应的元件是否存在与之相连的闭合断路器；若是，则进入步骤s24；若否，则进入步骤s25；s24、将元件编号集合qc中与当前确定的闭合断路器连接所有元件对应的元件编号均加入到元件编号子集合mc中，返回步骤a3；s25、使搜索迭代次数c增加1；s26、从元件编号集合qc-1中移除元件编号子集合mc-1中的所有元件编号，得到新的元件编号集合qc；s27、判断当前元件编号集合qc是否为空；若是，则进入步骤s28；若否，则返回步骤s23；s28、列出元件编号子集合m1,...sc,...,mn中的所有无源网络，即确定停电区域；其中，下标n为迭代搜索过程中所获得的元件编号子集合的个数。本实施例的步骤s3具体为：s31、根据停电区域的拓扑结构，建立由停电区域内的可疑故障元件、保护装置和断路器组成的故障假说h；s32、基于故障假说，构建故障诊断目标函数。上述步骤s31中建立故障假说h的方法具体为：设停电区域内包含nd个可疑故障元件、nr个保护装置和nc个断路器，则建立的故障假说的表达式为：x＝[d、r、c]式中，1≤i≤nd，di为停电区域内第i个可疑元件的实际状态，当di为1时，对应可疑故障元件已故障，di为0时，对应可疑元件正常且未故障；1≤j≤nr，rj为停电区域内第j个保护装置(主保护、一级后备保护和二级后备保护)的实际状态，当rj为1时，对应保护装置已动作，rj为0时，对应保护装置未动作；1≤k≤nc，ck为停电区域内第k个断路器的实际状态，当ck为1时，对应断路器已跳闸，ck为0，对应断路器未跳闸。上述步骤s32中，在致灾天气下，某些保护装置的动作可靠性和通信系统传递信息的可靠性会有所影响，因此，相关保护装置、断路器更容易发生拒动、误动现象，也更容易引发警报信息的漏报、误报；因此，建立故障诊断目标函数，完整地描述电网故障诊断中各类不确定因素的情况，反映故障假说的可信度，本实施例中的故障诊断目标函数mine(x)的表达式为：mine(x)＝δexeex(x) γaleal(x) tpetl(x)式中，δex为自调节期望信任因子，包括保护装置的自调节期望信任因子和断路器的自调节期望信任因子γal为自调节警报信任因子，包括保护装置的自调节警报信任因子γral和断路器的自调节警报信任因子γcal；tp为自调节天气信任因子；eex(x)为反映保护装置、断路器的误动与拒动情况的函数，其函数值越小表示拒动、误动保护装置的数量，数值越小，表面数量越少，其计算公式为：其中，为第j个保护装置对应的自调节期望信任因子，为第k个断路器对应的自调节期望信任因子，为第j个保护装置的期望状态，为第k个断路器的期望状态；eal(x)为反映保护装置、断路器的警报信息漏报与误报情况的函数，其函数值大小表示漏报、误报保护装置信息的数量，数值越小、表明数量越少，其计算公式为：其中，为第j个保护装置对应的自调节警报信任因子，第k个断路器对应的自调节警报信任因子，为第j个保护装置的观测状态，为第k个断路器的观测状态；etl(x)为反映线路的故障概率与真实状态匹配情况的函数，其利用天气信息对极端天气引发的故障进行判断，避免因外部环境影响导致误诊，其值越小，说明线路的故障概率与真实状态约匹配，其计算公式为：其中，为第z条输电线，为对应线路的故障概率，为对应线路的自调节天气信任因子。具体地，由于在实际应用中，对于同一个保护装置或断路器，下述两种情况均为小概率事件，即发生误动同时其警报信息漏报，或者发生拒动时警报信息误报，所以为了降低计算复杂度，对上述自调节期望信任因子和自调节警报信任因子的计算时，包括以下分步骤：a1、构建期望状态、真实状态及观测状态之间的逻辑状态组合及其对应的评价；(表1)表1逻辑状态组合及其对应的评价rexrral判断000准确001误报010小概率011误动100拒动101小概率110漏报111准确a2、基于构建的逻辑状态组合及其对应的评价(表1)，当保护装置动作不可靠或者保护警报信息不准确时，构建保护装置的期望状态和观测状态之间的逻辑关系：同理，当断路器动作不可靠或警报信息不准确时，构建断路器的期望状态和观测状态之间的逻辑关系：式中，αr为保护装置的不确定指标，当αr＝1时，保护装置动作不可靠或者保护警报信息不准确，当αr＝0时，保护装置动作可靠或者保护警报信息准确；当αc为断路器的不确定指标，当αc＝1时，断路器动作不可靠或者断路器警报信息不准确，当αc＝0时，断路器动作可靠或者断路器保护警报信息准确；a3、引入自检信息对不确定指标进行区分，得到保护装置的自检警报指标sr和断路器的自检警报指标sc；其中，当保护装置发出自检警告时，sr＝1，否则sr＝0；当断路器发出自检警报时，sc＝1，否则sc＝0；具体地，引入自检信息对不确定指标进行判断，将保护装置不可靠或者警报信息不准确这两类情况进行区分，运行表明，当保护装置的状态异常时，通过自检技术，保护装置发出警报，假设警报信息出现漏报、误报的情况时自检信息告警，但出现自检告警时，不一定发生漏报、误报；a4、将不确定指标与自检警报指标相结合，建立保护装置的自调节期望信任因子δrex和自调节警报信任因子δrex；δrex＝1-μαr(1-sr)γral＝1-αrsr同理，得到断路器的自调节期望信任因子δcex和自调节警报信任因子γcal；δcex＝1-μαc(1-sc)γcal＝1-αcsc式中，μ为期望调节系数，根据情况由用户设定，本实施例中设定为0.3.具体地，自调节天气信任因子的计算方法包括以下分步骤：b1、按照外部环境情况将线路故障风险划分成四个等级；、其中，四个等级分别为高风险、较高风险、较低风险和低风险；b2、利用三角隶属度函数将各等级的线路故障风险与各类灾害天气下各气象因素之间的模糊关系进行表达，建立灰色模糊判别矩阵和各气象因素权重矩阵并对线路故障风险进行综合评判，得到线路故障风险度b3、将线路故障概率范围平均分为4个区间，并与各线路故障风险等级一一对应，取各个区间的中点作为线路故障风险度对应的故障概率dp；其中，线路故障风险度对应的故障概率如表2所示：表2线路故障风险度对应的故障概率线路故障风险度对应的故障概率范围对应的故障概率高0.75～1.000.875较高0.50～0.750.625较低0.25～0.500.375低0.00～0.250.125b4、根据scada中的警报信息，计算函数etl(x)的选定指标tcp：式中，和分别为线路首端和末端的主保护、一级后备保护和二级后备保护的警报信息连或的逻辑结果。和分别为线路首端和末端的断路器警报信息。β为警报信息最小系数，是指在故障情况下，每条输电线警报信息数量最大值的倒数，本实施例中设置为0.25。当tcp的数值大于等于0.5时，则其取1；tcp小于0.5时，则其取0；b5、基于故障概率dp和选定指标tcp，计算自调节天气信任因子tp；tp＝2tcpdp其中，自调节天气信任因子主要条件天气信息对故障诊断目标函数的影响程度，防止目标函数对线路高风险未故障、低风险已故障的情况产生误判。上述保护装置的期望状态包括主保护的动作期望、一级后备保护的动作期望、二级后备保护的动作期望断路器失灵保护的动作期望；对于主保护的动作期望：设rkm为可疑故障元件di的主保护，若di发生故障，则rkm应响应，主保护rkm动作期望为：对于一级后备保护的动作期望：设rkp为可疑故障元件di的一级后备保护，若di发生故障且其主保护rkm拒动，则rkp应响应，此时一级后备保护rkp的动作期望为：对于二级后备保护的动作期望：设rks为可疑故障元件di的二级后备保护，当di故障时，其主保护和一级后备保护均拒动，则rks应响应；同时，当dx∈d(rks)故障时，若rks到dx关联路径上的断路器均未动作，则rks应响应，此时二级后备保护rks的动作期望为：式中，d(rks)为保护范围内除可疑故障元件以外的电网元件集合，二级后备保护rks直接保护的元件为di，p(rks,dx)是rks到dx的关联路径上的所有断路器集合，dx∈d；对于断路器失灵保护的动作期望：设rf为断路器失灵保护，当保护装置rh∈r(ch)动作驱动断路器rh∈r(ch)跳闸时，ch拒动，则断路器失灵保护rf应响应，此时断路器失灵保护rf的动作期望为：式中，r(ch)为可驱动断路器ch的所有保护装置集合；断路器的期望状态为断路器的动作期望；设r(ck)为能驱动断路器ck跳闸的保护装置集合，当任何一可驱动ck跳闸的保护装置ri动作时，则断路器ck应响应，此时断路器ck的动作期望为：本实施例的步骤s4中的随机自调节脉冲神经p系统(rssnps)中的基本单元为扩展脉冲神经p系统(extendspikingneuralpsystems，esnps)，所述扩展脉冲神经p系统π的表达式为：π＝(o,σ1,...,σm 2,syn,out)式中，o＝{a}为单字母集合，a为一个神经脉冲，o为神经脉冲a的集合；σ1,...,σm 2为随机自调节脉冲神经p系统中的m 2个神经元，下标1≤m≤m，m为神经元序数，神经元σm 1和σm 2为系统提供脉冲，其形式与功能相同，表现形式为σm 1＝σm 2＝(1,{a→a})，神经元σm的表现形式为σm＝(1,rm,pm)，其中，为规则集合，作为脉冲量变化时的点火规则，为作用相反的遗忘规则，其表现形式分别为和λ为执行遗忘规则后产生的空字符；为规则选择概率有限集合，其作用为在寻优过程中以不同选择概率和分别对应规则和且满足syn＝{(m,n)((1≤m≤m 1)∧(n＝m 2))∨((m＝m 2)∧(n＝m 1))}为神经元σm之间的连接关系(突触)；out＝{σ1,…,σm}为输出神经元集合，系统π在经过计算之后，通过神经元σm以脉冲串的形式将计算结果输出出来；由图2可知，扩展脉冲神经p系统包括两个板块，分别为脉冲供给器和二进制脉冲发生器，在脉冲供给器中，神经元σm 1和σm 2互相生成并传递脉冲，每次迭代运行时将脉冲供给二进制脉冲发生器，使得每个神经元σm都能够接收到一个脉冲；二进制脉冲发生器由神经元σ1,...,σm组成，其运行规则如下：(1)在系统π运行时，各神经元σm之间以并行的方式进行动作；(2)当神经元σm通过点火规则动作时，对应神经元σm输出二进制编码1，否则，执行遗忘规则，对应神经元σm输出二进制编码0。由系统π的结构可知，系统的输出是一个由“1”和“0”构成的二进制脉冲串，每个神经元的输出结果与概率和有关，概率控制“1”的输出，概率控制“0”的输出。因为和之间又存在的数学关系，所以整个系统的控制调节的关键就是对的控制调节。通过将h个esnps(extendedspikingneuralpsystems，扩展脉冲神经p系统)并行排列，再加上概率矩阵pr控制管理，就可使每个esnps中的每个神经元σm(m＝1,2,…m)的规则激发概率受到集中控制，其结构如图3所示：具体地，为了使随机自调节脉冲神经p系统能够有效地控制所有的esnps，将每个esnps中的每个神经元σm的规则激发概率集合至一个点火规则激发概率矩阵pr，通过控制矩阵pr中的元素的变化，以达到对所有esnps进行并行的集中控制的目的；概率矩阵pr如下所示：式中，为随机自调节脉冲神经p系统中第i个扩展脉冲神经p系统中的第j个神经元的点火规则概率，下标h为扩展脉冲神经p系统的个数，m为扩展脉冲神经p系统的长度。因此，由h个并行esnps和一个点火规则激发概率概率矩阵pr共同组成，具有随机选择学习和学习率变化量自调节的系统，即是随机自调节脉冲神经p系统。基于上述系统结构，上述步骤s4中，利用随机自调节脉冲神经p系统进行寻优求解时包括以下分步骤：s41、将scada数据作为系统π的输入数据，设置系统中esnps的个数为h，每个esnps的长度为m，最大迭代次数为nmaxgen及二进制脉冲串ts；s42、设置初始迭代次数t＝1；s43、根据输入数据初始化适应度函数fitfunction；s44、重新排列二进制脉冲串ts，并将其转换成点火规则激发概率矩阵pr；其中，点火规则激发概率矩阵pr中每一行对应一个esnps，依次为神经元σ1,...,σm的点火规则激发概率；s45、判断当前迭代次数是否小于等于最大迭代次数；若是，则进入步骤s414；若否，则进入步骤s46；s46、根据点火规则激发概率矩阵pr生成解矩阵b，使其满足下列条件；bh×m＝frand<pr式中，bh×m为大小为h×m的解矩阵，frand为rand函数生成的随机数；s47、对于每个esnps，根据适应度函数fitfunction计算其对应的适应度函数值；s48、将所有esnps对应的适应度函数值中的最小值作为当前迭代次数下的最优解bbest对应的适应度函数值fbbest；同时，将最大值作为当前迭代次数下的最差解bbad对应的适应度函数值s49、基于当前迭代次数下第i个个体的适应度函数值更新个体历史最优解其中，为第i个esnps的历史最优解；s410、基于当前迭代次数下的最优解bbest，更新全局最优解gbest及其对应适应度函数值同时，基于当前迭代次数下的最差解bbad，更新全局最差解gbad及其对应适应度函数值其中，gbest即为前t次迭代次数中的最优个体，gbad为前t次迭代次数中的最差个体；s411、利用rand函数随机生成学习概率值并将frand与进行大小比较；s412、根据frand与的比较结果，选择对应的学习率计算方式进行点火规则概率矩阵pr的学习更新；s413、使迭代次数t的值增加1，并返回步骤s45；s414、将当前适应度函数值对应的全局个体最优解gbest作为随机自调节脉冲神经p系统寻优求解时的最优解。具体地，上述步骤s412中，当frand小于时，对点火规则概率矩阵pr进行学习更新的方法包括以下步骤：r1、从h个esnps生成的h个解中随机选取不同于当前个体i的两个个体k1和k2，判断个体k1和k2对应的适应度函数值是否满足若是，则进入步骤r2；若否，则进入步骤r3；r2、使当前个体i向个体k1学习，即进入步骤r4；r3、使当前个体i向个体k2学习，即进入步骤r4；其中，和为染色体，为中间变量，和分别为第k1、k2条染色体的第j位二进制码；r4、判断当前是否成立；若是，则当前概率点火规则激发概率值的值增加为实现点火规则概率矩阵pr的学习更新；若否，则当前概率点火规则激发概率值的值减少为实现点火规则概率矩阵pr的学习更新；其中，点火规则激发概率值的增加量δ1的计算公式为：点火规则激发概率值的减少量δ0的计算公式为：当frand大于时，对点火规则概率矩阵pr进行学习更新的方法为：判断当前迭代次数下的gbestj＝1是否成立；若是，则当前点火规则激发概率值增加为实现点火规则概率矩阵pr的学习更新；若否，则当前点火规则激发概率值减少为实现点火规则概率矩阵pr的学习更新；其中，点火规则激发概率值的增加量δ'1的计算公式为：点火规则激发概率值的减少量δ'0的计算公式为：式中，gbestj为当前迭代次数下搜索到的全局最优解的第j位二进制编码。本实施例的述步骤s5中，当最优解的编码为0时，其对应的可疑故障元件未发生故障；当最优解的编码为1中，其对应的可疑故障元件发生故障。实施例2：本实施例中以下面两个算例为例，给出基于本方法的具体电网故障诊断过程。算例1的故障情景如下：系统中有28个元件、40个断路器、124个保护和40个断路器失灵保护。此处，a、b表示母线，t表示变压器，l表示线路，s、r分别表示线路的首、末端(从上到下，从左到右来定义线路首、末端)，km表示主保护，kp表示第一后备保护，ks表示第二后备保护，f表示断路器失灵保护。变压器t3、母线b2同时故障，保护和断路器的动作过程如下：变压器主保护t3m动作，跳开qf16，qf14拒动，其失灵保护qf14f动作，跳开qf12、qf13、qf19；母线b2主保护b2m动作，跳开qf4、qf6、qf8、qf10，线路保护l3rks误动，qf27跳闸，收到t3m、t3p、l3rs、qf14f、qf4、qf6、qf8、qf10、qf12、qf16、qf19、qf27动作的警报信息。故障停电区域在图4中用暗影标出，在诊断算例1时，设线路l2和线路l3未受灾，处于较低风险，皆取0.375，构建故障假说，具体形式为：x＝[d1,...,d5,r1,...,r23,c1,...,c10]故障停电区域在图4中用暗影标出，在诊断算例1时，设线路l2和线路l3未受灾，处于较低风险，皆取0.375。根据自检信息可知，b2m自检告警。构建故障假说，具体形式为：x＝[d1,...,d5,r1,...,r23,c1,...,c10]涉及的相关设备集合如下：可疑故障元件集合：停电区域内有5个元件：b2、b4、t3、l2、l3，均作为可疑故障元件，于是d＝{d1,d2,d3,d4,d5}。相关断路器集合：共涉及10个断路器，即qf4、qf6、qf8、qf10、qf12、qf13、qf14、qf16、qf19、qf27，于是c＝{c1,c2,...,c10}。相关保护设备：共有保护23个：t3km、t3kp、t3ks、b4m、b2m、l2skm、l2rkm、l2skp、l2rkp、l2sks、l2rks、l3skm、l3rkm、l3skp、l3rkp、l3sks、l3rks、qf4f、qf8f、qf10f、qf12f、qf14f、qf19f，于是r＝{r1,r2,...,r23}。根据收到的警报信息可以确定：根据收到的自检信息可以确定，自检警报指标sr5为1，其余为0。算例2的故障情景如下：该系统中b表示母线，l表示线路，s、r分别表示线路的首、末端(按线路序列依次连接的顺序定义线路首、末端)，km表示主保护，kp表示第一后备保护，ks表示第二后备保护，f表示断路器失灵保护。故障背景条件：大风导致l1、l3故障，线路l1，l3主保护动作，断路器c1、c2、c4、c6跳闸；母线b1保护动作，跳开断路器c4、c7。在故障过程中，因雷电干扰，导致故障告警信息在传递过程中出现信息畸变现象。产生结果为线路l3靠近瑞宝变的保护和线路l1靠近广a出线的保护信息漏报，断路器c1、c6的动作信息漏报，断路器c3的动作信息误报。故障停电区域在图5中用暗影标出，假设灾害期间，线路l1、l3处于高风险，取0.875，l2处于较低风险，取为0.375。根据自检信息可知，l1skm、l3rkm、qf1、qf3、qf6自检告警。因为未出现1例断路器失灵保护警报，所以假说中未涉及断路器失灵保护。构建故障假说，具体形式为：x＝[d1,...,d5,r1,...,r20,c1,...,c7]涉及的相关设备集合如下：可疑故障元件集合：停电区域内有5个元件：l1、l2、l3、b1、b3，均作为可疑故障元件，于是d＝{d1,d2,d3,d4,d5}。相关断路器集合：共涉及7个断路器，即qf1、qf2、qf3、qf4、qf5、qf6、qf7、，于是c＝{c1,c2,…,c7}。相关保护设备：共有保护20个：l1skm、l1skp、l1sks、l1rkm、l1rkp、l1rks、l2skm、l2skp、l2sks、l2rkm、l2rkp、l2rks、l3skm、l3skp、l3sks、l3rkm、l3rkp、l3rks、b1m、b3m，于是r＝{r1,r2,…,r20}。根据收到的警报信息可以确定：根据收到的自检信息可以确定，自检警报指标sr1、sr16、sc1、sc3、sc6为1，其余为0。将算例1、2的故障场景信息分别代入故障诊断模型中，按照诊断流程进行诊断，采用rssnps来对两个故障系统建立的故障诊断模型进行求解，以假说x＝(d,r,c)为种群个体，编码长度分别为38，32位。种群规模都为50，最大迭代数设为150。算例1约用时3秒，算例2约用时2.4秒。诊断结果如下：表3算例1的诊断结果表4算例2的诊断结果通过诊断结果可以发现，在面对保护装置误动、拒动以及警报信息畸变时，使用该发明能准确诊断出故障元件。用rssnps对建立的目标函数进行计算时，其全局寻优能力强，收敛速度快，收敛效果很好。当前第1页1 2 3
技术特征：1.基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，包括以下步骤：
s1、读取scada数据；
s2、基于读取的scada数据，确定待诊断电力系统中的停电区域；
s3、基于确定的停电区域，建立对应的故障诊断目标函数；
s4、基于scada数据，利用随机自调节脉冲神经p系统对建立的故障诊断目标函数进行寻优求解，获得最优解；
s5、根据最优解的编码确定电网故障诊断结果。
2.根据权利要求1所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s2中确定停电区域的方法具体为：
基于scada数据，利用结线分析法对待诊断电力系统进行迭代搜索，并在迭代搜索过程中找出待诊断电力系统中的所有无源网络，即确定停电区域；
具体包括以下分步骤：
s21、设置搜索迭代次数c的初始值为1；
s22、基于scada数据，依次对待诊断电力系统中的每个元件进行编号，所有的元件编号构成qc；
s23、从元件编号集合qc中任意取一个元件编号放入元件编号子集合mc中；
s24、判断最新加入到元件编号子集合mc中的元件编号对应的元件是否存在与之相连的闭合断路器；
若是，则进入步骤s24；
若否，则进入步骤s25；
s24、将元件编号集合qc中与当前确定的闭合断路器连接所有元件对应的元件编号均加入到元件编号子集合mc中，返回步骤a3；
s25、使搜索迭代次数c增加1；
s26、从元件编号集合qc-1中移除元件编号子集合mc-1中的所有元件编号，得到新的元件编号集合qc；
s27、判断当前元件编号集合qc是否为空；
若是，则进入步骤s28；
若否，则返回步骤s23；
s28、列出元件编号子集合m1,...sc,...,mn中的所有无源网络，即确定停电区域；
其中，下标n为迭代搜索过程中所获得的元件编号子集合的个数。
3.根据权利要求1所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s3具体为：
s31、根据停电区域的拓扑结构，建立由停电区域内的可疑故障元件、保护装置和断路器组成的故障假说h；
s32、基于故障假说，构建故障诊断目标函数。
4.根据权利要求3所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s31中建立故障假说h的方法具体为：
设停电区域内包含nd个可疑故障元件、nr个保护装置和nc个断路器，则建立的故障假说的表达式为：
x＝[d、r、c]
式中，di为停电区域内第i个可疑元件的实际状态，当di为1时，对应可疑故障元件已故障，di为0时，对应可疑元件正常且未故障；
rj为停电区域内第j个保护装置的实际状态，当rj为1时，对应保护装置已动作，rj为0时，对应保护装置未动作；
ck为停电区域内第k个断路器的实际状态，当ck为1时，对应断路器已跳闸，ck为0，对应断路器未跳闸；
所述步骤s32中，故障诊断目标函数mine(x)的表达式为：
mine(x)＝δexeex(x) γaleal(x) tpetl(x)
式中，δex为自调节期望信任因子，包括保护装置的自调节期望信任因子和断路器的自调节期望信任因子
γal为自调节警报信任因子，包括保护装置的自调节警报信任因子γral和断路器的自调节警报信任因子γcal；
tp为自调节天气信任因子；
eex(x)为反映保护装置、断路器的误动与拒动情况的函数，其计算公式为：
其中，为第j个保护装置对应的自调节期望信任因子，为第k个断路器对应的自调节期望信任因子，为第j个保护装置的期望状态，为第k个断路器的期望状态；
eal(x)为反映保护装置、断路器的警报信息漏报与误报情况的函数，其计算公式为：
其中，为第j个保护装置对应的自调节警报信任因子，第k个断路器对应的自调节警报信任因子，为第j个保护装置的观测状态，为第k个断路器的观测状态；
etl(x)为反映线路的故障概率与真实状态匹配情况的函数，其计算公式为：
其中，为第z条输电线，为对应线路的故障概率，为对应线路的自调节天气信任因子。
5.根据权利要求4所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述自调节期望信任因子和自调节警报信任因子的计算方法包括以下分步骤：
a1、构建期望状态、真实状态及观测状态之间的逻辑状态组合及其对应的评价；
a2、基于构建的逻辑状态组合及其对应的评价，当保护装置动作不可靠或者保护警报信息不准确时，构建保护装置的期望状态和观测状态之间的逻辑关系：
同理，当断路器动作不可靠或警报信息不准确时，构建断路器的期望状态和观测状态之间的逻辑关系：
式中，αr为保护装置的不确定指标，当αr＝1时，保护装置动作不可靠或者保护警报信息不准确，当αr＝0时，保护装置动作可靠或者保护警报信息准确；αc为断路器的不确定指标，当αc＝1时，断路器动作不可靠或者断路器警报信息不准确，当αc＝0时，断路器动作可靠或者断路器保护警报信息准确；
a3、引入自检信息对不确定指标进行区分，得到保护装置的自检警报指标sr和断路器的自检警报指标sc；
其中，当保护装置发出自检警告时，sr＝1，否则sr＝0；当断路器发出自检警报时，sc＝1，否则sc＝0；
a4、将不确定指标与自检警报指标相结合，建立保护装置的自调节期望信任因子δrex和自调节警报信任因子δrex；
δrex＝1-μαr(1-sr)
γral＝1-αrsr
同理，得到断路器的自调节期望信任因子δcex和自调节警报信任因子γcal；
δcex＝1-μαc(1-sc)
γcal＝1-αcsc
式中，μ为期望调节系数；
所述自调节天气信任因子的计算方法包括以下分步骤：
b1、按照外部环境情况将线路故障风险划分成四个等级；
b2、利用三角隶属度函数将各等级的线路故障风险与各类灾害天气下各气象因素之间的模糊关系进行表达，建立灰色模糊判别矩阵和各气象因素权重矩阵并对线路故障风险进行综合评判，得到线路故障风险度
b3、将线路故障概率范围平均分为4个区间，并与各线路故障风险等级一一对应，取各个区间的中点作为线路故障风险度对应的故障概率dp；
b4、根据scada中的警报信息，计算函数etl(x)的选定指标tcp：
式中，和分别为线路首端和末端的主保护、一级后备保护和二级后备保护的警报信息连或的逻辑结果，和分别为线路首端和末端的断路器警报信息，β为警报信息最小系数；
b5、基于故障概率dp和选定指标tcp，计算自调节天气信任因子tp；
tp＝2tcpdp。
6.根据权利要求4所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述保护装置的期望状态包括主保护的动作期望、一级后备保护的动作期望、二级后备保护的动作期望和断路器失灵保护的动作期望；
对于主保护的动作期望：
设rkm为可疑故障元件di的主保护，若di发生故障，则rkm应响应，主保护rkm动作期望为：
对于一级后备保护的动作期望：
设rkp为可疑故障元件di的一级后备保护，若di发生故障且其主保护rkm拒动，则rkp应响应，此时一级后备保护rkp的动作期望为：
对于二级后备保护的动作期望：
设rks为可疑故障元件di的二级后备保护，当di故障时，其主保护和一级后备保护均拒动，则rks应响应；同时，当dx∈d(rks)故障时，若rks到dx关联路径上的断路器均未动作，则rks应响应，此时二级后备保护rks的动作期望为：
式中，d(rks)为保护范围内除可疑故障元件以外的电网元件集合，二级后备保护rks直接保护的元件为di，p(rks,dx)是rks到dx的关联路径上的所有断路器集合，dx∈d；
对于断路器失灵保护的动作期望：
设rf为断路器失灵保护，当保护装置rh∈r(ch)动作驱动断路器rh∈r(ch)跳闸时，ch拒动，则断路器失灵保护rf应响应，此时断路器失灵保护rf的动作期望为：
式中，r(ch)为可驱动断路器ch的所有保护装置集合；
所述断路器的期望状态为断路器的动作期望；
设r(ck)为能驱动断路器ck跳闸的保护装置集合，当任何一可驱动ck跳闸的保护装置ri动作时，则断路器ck应响应，此时断路器ck的动作期望为：
7.根据权利要求4所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s4中的随机自调节脉冲神经p系统中的基本单元为扩展脉冲神经p系统，所述扩展脉冲神经p系统π的表达式为：
π＝(o,σ1,...,σm 2,syn,out)
式中，扩展脉冲神经p系统π简称为esnps；
o＝{a}为单字母集合，a为一个神经脉冲，o为神经脉冲a的集合；
σ1,...,σm 2为随机自调节脉冲神经p系统中的m 2个神经元，下标1≤m≤m，m为神经元序数，神经元σm 1和σm 2为系统提供脉冲，其形式与功能相同，表现形式为σm 1＝σm 2＝(1,{a→a})，神经元σm的表现形式为σm＝(1,rm,pm)，其中，为规则集合，作为脉冲量变化时的点火规则，为作用相反的遗忘规则，其表现形式分别为和λ为执行遗忘规则后产生的空字符；为规则选择概率有限集合，其作用为在寻优过程中以不同选择概率和分别对应规则和且满足
syn＝{(m,n)((1≤m≤m 1)∧(n＝m 2))∨((m＝m 2)∧(n＝m 1))}为神经元σm之间的连接关系；
out＝{σ1,…,σm}为输出神经元集合，系统π在经过计算之后，通过神经元σm以脉冲串的形式将计算结果输出出来；
所述扩展脉冲神经p系统包括两个板块，分别为脉冲供给器和二进制脉冲发生器，在脉冲供给器中，神经元σm 1和σm 2互相生成并传递脉冲，每次迭代运行时将脉冲供给二进制脉冲发生器，使得每个神经元σm都能够接收到一个脉冲；
所述二进制脉冲发生器由神经元σ1,...,σm组成，其运行规则如下：
(1)在系统π运行时，各神经元σm之间以并行的方式进行动作；
(2)当神经元σm通过点火规则动作时，对应神经元σm输出二进制编码1，否则，执行遗忘规则，对应神经元σm输出二进制编码0；
所述随机自调节脉冲神经p系统运行时，将每个esnps中的每个神经元σm的点火规则激发概率集合至一个点火规则激发概率矩阵pr中，通过控制矩阵pr中的元素的变化，实现对所有esnps的集中控制；
所述点火规则激发概率矩阵pr为：
式中，为随机自调节脉冲神经p系统中第i个扩展脉冲神经p系统中的第j个神经元的点火规则概率，下标h为扩展脉冲神经p系统的个数，m为扩展脉冲神经p系统的长度。
8.根据权利要求7所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s4中，利用随机自调节脉冲神经p系统进行寻优求解时包括以下分步骤：
s41、将scada数据作为系统π的输入数据，设置系统中esnps的个数为h，每个esnps的长度为m，最大迭代次数为nmaxgen及二进制脉冲串ts；
s42、设置初始迭代次数t＝1；
s43、根据输入数据初始化适应度函数fitfunction；
s44、重新排列二进制脉冲串ts，并将其转换成点火规则激发概率矩阵pr；
其中，点火规则激发概率矩阵pr中每一行对应一个esnps，依次为神经元σ1,...,σm的点火规则激发概率；
s45、判断当前迭代次数是否小于等于最大迭代次数；
若是，则进入步骤s414；
若否，则进入步骤s46；
s46、根据点火规则激发概率矩阵pr生成解矩阵b，使其满足下列条件；
bh×m＝frand<pr
式中，bh×m为大小为h×m的解矩阵，frand为rand函数生成的随机数；
s47、对于每个esnps，根据适应度函数fitfunction计算其对应的适应度函数值；
s48、将所有esnps对应的适应度函数值中的最小值作为当前迭代次数下的最优解bbest对应的适应度函数值fbbest；
同时，将最大值作为当前迭代次数下的最差解bbad对应的适应度函数值
s49、基于当前迭代次数下第i个个体的适应度函数值更新个体历史最优解
其中，为第i个esnps的历史最优解；
s410、基于当前迭代次数下的最优解bbest，更新全局最优解gbest及其对应适应度函数值
同时，基于当前迭代次数下的最差解bbad，更新全局最差解gbad及其对应适应度函数值
其中，gbest即为前t次迭代次数中的最优个体，gbad为前t次迭代次数中的最差个体；
s411、利用rand函数随机生成学习概率值并将frand与进行大小比较；
s412、根据frand与的比较结果，选择对应的学习率计算方式进行点火规则概率矩阵pr的学习更新；
s413、使迭代次数t的值增加1，并返回步骤s45；
s414、将当前适应度函数值对应的全局个体最优解gbest作为随机自调节脉冲神经p系统寻优求解时的最优解。
9.根据权利要求8所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s412中，当frand小于时，对点火规则概率矩阵pr进行学习更新的方法包括以下步骤：
r1、从h个esnps生成的h个解中随机选取不同于当前个体i的两个个体k1和k2，判断个体k1和k2对应的适应度函数值是否满足
若是，则进入步骤r2；
若否，则进入步骤r3；
r2、使当前个体i向个体k1学习，即进入步骤r4；
r3、使当前个体i向个体k2学习，即进入步骤r4；
其中，和为染色体，为中间变量，和分别为第k1、k2条染色体的第j位二进制码；
r4、判断当前是否成立；
若是，则当前概率点火规则激发概率值的值增加为实现点火规则概率矩阵pr的学习更新；
若否，则当前概率点火规则激发概率值的值减少为实现点火规则概率矩阵pr的学习更新；
其中，点火规则激发概率值的增加量δ1的计算公式为：
点火规则激发概率值的减少量δ0的计算公式为：
当frand大于时，对点火规则概率矩阵pr进行学习更新的方法为：
判断当前迭代次数下的gbestj＝1是否成立；
若是，则当前点火规则激发概率值增加为实现点火规则概率矩阵pr的学习更新；
若否，则当前点火规则激发概率值减少为实现点火规则概率矩阵pr的学习更新；
其中，点火规则激发概率值的增加量δ'1的计算公式为：
点火规则激发概率值的减少量δ'0的计算公式为：
式中，gbestj为当前迭代次数下搜索到的全局最优解的第j位二进制编码。
10.根据权利要求1所述的基于随机自调节脉冲神经p系统的电网故障诊断方法，其特征在于，所述步骤s5中，当最优解的编码为0时，其对应的可疑故障元件未发生故障；当最优解的编码为1中，其对应的可疑故障元件发生故障。
技术总结本发明公开了基于RSSNPS的电网故障诊断方法，包括S1、读取SCADA数据；S2、确定待诊断电力系统中的停电区域；S3、基于确定的停电区域，建立对应的故障诊断目标函数；S4、基于SCADA数据，利用随机自调节脉冲神经P系统对建立的故障诊断目标函数进行寻优求解，获得最优解；S5、根据最优解的编码确定电网故障诊断结果。本发明提出了利用RSSNPS来提高故障诊断过程的全局收敛效果，以确保准确搜索到最优解，并将天气因素、自检信息和三类自条件信任因子引入到故障诊断目标函数，提高了目标函数在面对复杂环境条件时的故障诊断能力；有效地处理了由于灾害天气引发的故障警报信息畸变及保护装置和断路器异常下的故障诊断问题。
技术研发人员：王涛;刘力源;应瑞轩;陈孝天;周纯羽
受保护的技术使用者：西华大学
技术研发日：2021.04.29
技术公布日：2021.08.03
