基于DS证据理论与多标签算法的区域电网故障诊断方法

Fault diagnosis method of regional power grid based on DS evidence theory and multi-label algorithm

摘要

为提升电网故障诊断的准确性与可靠性,确保区域电网平稳运行,提高电力服务质量,提出基于DS证据理论与多标签算法的区域电网故障诊断方法。针对常规标签增量特征变换算法算法忽略标签之间关联性的问题,标签关联对其作出改进。利用改进后的算法实现对区域电网各类故障数据的分类处理,以此建立多标签故障集合,将其作为电网故障诊断的证据源;利用Yager规则改进常规的德普斯特-谢弗证据理论,在处理证据冲突时提供不同的策略,以此来构建区域电网故障诊断识别框架;在识别框架中,利用基本概率分配对证据源中的证据进行表达,引入电网元件边际谱熵与故障度熵指标作为独立的证据体建立可信度函数,利用该函数完成证据的合成,依据合成后的证据实现对区域电网的故障诊断。实验结果表明,该方法可以有效且精准地诊断出存在于区域电网中的故障,面对不同类型的电网故障可以保持较高的识别灵敏度。

Abstract

To improve the accuracy and reliability of power grid fault diagnosis, ensure the smooth operation of regional power grids, and improve the quality of power services, a regional power grid fault diagnosis method based on DS evidence theory and multi label algorithm is proposed. Aiming at the problem of ignoring the correlation between labels in conventional incremental feature transformation algorithms, label correlation are improved. The improved algorithm is used to classify and process various types of fault data in regional power grids, and a multi label fault set is established as the evidence source for power grid fault diagnosis; Using the Yager rule to improve the conventional Dempster-Shafer theory of evidence and provide different strategies for handling evidence conflicts, in order to construct a regional power grid fault diagnosis and recognition framework; In the recognition framework, basic probability allocation is used to express the evidence in the evidence source, and the marginal spectral entropy and fault degree entropy indicators of power grid components are introduced as independent evidence bodies to establish a credibility function. This function is used to complete the synthesis of evidence, and based on the synthesized evidence, fault diagnosis of regional power grids is achieved. Experiments show that this method can effectively and accurately diagnose faults existing in regional power grids, and maintain high recognition sensitivity in the face of different types of power grid faults.

关键词

德普斯特-谢弗证据理论 / 多标签算法 / 区域电网 / 故障诊断 / 标签增量 / 特征变换算法 / 可信度函数

Key words

Dempster-Shafer theory of evidence / multi-label algorithm / regional power grid / fault diagnosis / label incremental / feature transformation algorithm / confidence function

[1] 陈家超, 张勇军, 黄国权, 等. 计及保护和断路器告警信息可信度的电网故障诊断优化模型[J]. 电力系统保护与控制, 2021, 49(4):28-36.
[2] 王舢姗, 张存山, 刘洋, 等. 基于改进动态主元分析的配电网高阻故障检测[J]. 计算机仿真, 2022, 39(3):104-107, 438.
[3] 祁升龙, 芦翔, 刘海涛, 等. 基于遗传算法优化的BP神经网络在配电网故障诊断中的应用[J]. 电力科学与技术学报, 2023, 38(3):182-187, 196.
[4] 曹源, 高丙朋, 张振海. 一种基于PSO-GWO的电网故障诊断方法[J]. 电测与仪表, 2021, 58(9):35-40.
[5] 高艺文, 苏学能, 张华, 等. 基于数据校核与图卷积神经网络的高容错配电网故障诊断方法[J]. 电工电能新技术, 2024, 43(2):95-104.
[6] 毕鑫印, 何山. 基于PLO-SVMD与CNN-BiGRU-ATT的直流微电网故障诊断方法[J]. 高压电器, 2025, 61(11):162-174.
[7] 高莲, 程宏伟, 于虹, 等. 基于多元优化算法和DS证据理论的电力缺陷等级确定方法[J]. 电子器件, 2021, 44(3):670-676.
[8] 程玉胜, 曹天成, 王一宾, 等. 基于负相关性增强的不平衡多标签学习算法[J]. 计算机工程与科学, 2021, 43(9):1700-1710.
[9] 吴忠强, 卢雪琴. 基于深度迁移学习和LSTM网络的微电网故障诊断[J]. 计量学报, 2023, 44(4):582-590.
[10] 肖飞, 叶康, 邓祥力, 等. 基于最优编码集及智能状态估计的电网故障诊断方法[J]. 电力系统保护与控制, 2021, 49(2):89-97.
[11] 许强, 刘恩涛, 郑天龙, 等. 基于深度学习的配电网故障辨识系统研究[J]. 自动化技术与应用, 2025, 44(9):64-68.
[12] 龚楷伦, 翟婷婷, 唐鸿成. 一种面向多标签分类的在线主动学习算法[J]. 山东大学学报(工学版), 2022, 52(2):80-88.
[13] 梁义珂, 谢小兰, 张迎春, 等. 基于标签相关性的多标签分类算法[J]. 计算机仿真, 2021, 38(12):255-261.
[14] 李青, 李钊阳, 王天钦, 等. 基于DS证据理论融合油液振动多参数的故障诊断方法研究[J]. 机械强度, 2023, 45(3):534-540.
[15] 曹子佳, 张鹏, 冷俊岭, 等. 基于改进粒子群优化算法与小波分析的医疗设备故障信号处理模型[J]. 自动化技术与应用, 2025, 44(9):59-63,83.
[16] 何宁辉, 沙伟燕, 相中华, 等. 基于Dempster-Shafer证据理论和人工智能的变压器故障诊断研究[J]. 南京理工大学学报, 2022, 46(4):467-475.

基金资助

广东电网科技项目(030108GS62220008)