郭创新游家训,2彭明伟唐跃中,2刘 毅陈 济

（1. 浙江大学电气工程学院 杭州 310027 2. 上海市电力公司 上海 200122）

基于面向元件神经网络与模糊积分融合技术的电网故障智能诊断

郭创新1游家训1,2彭明伟1唐跃中1,2刘 毅1陈 济1

（1. 浙江大学电气工程学院 杭州 310027 2. 上海市电力公司 上海 200122）

该文提出了基于面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，首先针对单个线路、母线、变压器设备分别建立面向元件的神经网络模型，以面向元件神经网络作初步诊断，在初级诊断的基础上，结合电网拓扑关系，应用模糊积分信息融合技术进行综合诊断。最后通过算例测试验证了其有效性。该方法克服了获取训练样本和适应拓扑变化的问题，提高了诊断准确率，对电网复杂故障有较好的诊断能力。

电力系统 故障诊断 面向元件神经网络 综合诊断 模糊积分 信息融合

1 引言

电力系统发生故障的情况下，快速、准确的故障诊断对减少电能中断时间和增强供电可靠性意义重大。SCADA/EMS的等信息系统的广泛应用为获取故障信息提供了技术条件，但故障时大量报警信息短时间内涌入调度中心，远远超出了运行人员的处理能力。在电力系统发生复杂故障（多重故障、越级故障、扩大性故障）以及保护、开关不正常动作或存在错误信息的情况下，诊断更加困难。随着系统规模的扩大和实时性要求的提高，这些问题将更加突出。

近几十年来，国内外学者提出了一系列故障诊断的方法和思路。其中，人工神经网络因为良好的自学习能力、泛化和容错等突出优点引起了研究者的兴趣[1-3,6-7]，其实质是以神经元之间的连接权重来逼近高维、相关性复杂的故障函数[8]。文献[1-3]将神经网络应用于故障诊断，将所有的信号作为输入，以所有的故障情况作为输出。但样本存在组合爆炸的问题，且拓扑变化时需重新训练。文献[4-5]进行了改进，分区域进行诊断，但也存在获取样本和适应拓扑变化的问题。近几年，一些研究者提出面向元件的诊断思路[8-10]，对线路、母线和变压器三类主要设备分别建立神经网络诊断模型，以单个元件的相关故障信息作为输入。

但面向元件的诊断结论是根据局部信息得出的局部结论，要精准地在全网范围内确定故障还需对这些局部结论进行融合。文献[9]提出了根据元件关联关系推断全网故障的构想，但没有区别元件故障信息对相关元件故障支持程度的强弱，且该方法采用的是将支持程度指标直接相加的方法，而实际上，多分类器的度量信息在本质上是不可加的[11-15]，因此该方法极容易出现误判或漏判的情况。

模糊积分是一种基于模糊密度的非线性决策融合方法。它通过模糊积分处理不具独立性的各因子间所具备的交互影响特性，积分过程不仅综合各分类器的分类结果，还考虑各分类器的重要程度[14-16]。将模糊积分应用于故障诊断，充分考虑了初级诊断结论的可靠性差异，且避免了对先验信息的讨论，也无需作各元件初级诊断结论独立性假设，可以更好地表达和处理系统中的不确定性问题。

基于以上考虑，本文以面向元件神经网络作初步诊断，在初级诊断的基础上，结合电网拓扑关系，得出各元件的故障信息对相关元件故障的支持程度，最后应用模糊积分的信息融合技术进行综合诊断。该方法克服了获取训练样本和适应拓扑变化的问题，提高了诊断准确率；计算速度快，且适合并行运算；可得到全网范围的一致性解释，从机制上保证了诊断出多重故障的可能性，有利于实现快速、准确的电网故障诊断。

2 诊断系统结构及原理

本文诊断系统的框图图1所示。故障信息首先进行预处理，然后经由面向元件的神经网络并发地进行初级诊断，最后在初级诊断的基础上，结合电网的拓扑关系，应用模糊积分进行综合诊断。

故障信息预处理模块主要负责确定故障候选元件并对故障信息进行分类和归并。电力系统的元件发生故障后, 自动装置会切除故障，从而形成停电区域(或故障区域)。故障元件肯定在这些停电区域中。因此故障诊断只针对这些区域内的元件进行诊断，可以大大减小工作量。在诊断前采用实时接线分析方法来识别故障前与故障后的系统拓扑结构的差异，确定故障区域，将故障区域内的元件作为候选故障元件。

本文的诊断模型是抽象化后的模型，因此输入的故障信息还需要进行分类和合并。

图1 故障诊断系统框图Fig. 1 The structure of fault diagnosis system

3 面向元件的神经网络模型

神经网络方法是典型的数据驱动方法，其实质是通过样本训练寻找一个高维空间中的超曲面[17]，来拟合高维、相关性复杂的故障函数。人工神经网络在电网故障诊断中的研究主要分为以下三类：

（1）以电网所有信号作为输入，以所有的故障情况作为输出[1-3]。目前的研究多采用这种思路。但这类方法有两个致命的问题：①难以获得全面的样本，在稍大的系统中，各元件的故障会出现组合爆炸的情况。②在系统拓扑出现变化时需要重新训练。这两个致命的问题严重地限制了该方法的应用。

（2）为加快诊断速度，将系统划分为多个区域，分区进行诊断和协调[4-5]。但是同样也存在获取训练样本和适应拓扑变化的问题，同时如何分区及其协调都有待进一步的研究。

（3）就是面向各个元件，以各个元件为对象进行独立诊断[8-10]。

理论上讲，只有面向元件的思路有可能应用于实际的电网故障诊断。鉴于此，本文的初级诊断采用面向对象的神经网络。首先，本文对电网的三类主要元件分别建立线路（LINE_ANN）、母线（BUS_ANN）、变压器（TRANSFOMER_ANN）三类模型。

3.1 线路模型

图2中，主保护主要指差动保护和高频保护；第一后备保护主要指阻抗、过电流 I段保护，第二后备保护指阻抗、过电流II、III段保护（IV段也归为第二后备保护）。其模型如图3所示。

图2 线路保护模型Fig. 2 The protection model of line

图3 线路的神经网络模型Fig.3 The neural network model of line

3.2 变压器模型

图4为变压器的保护模型，图中的变压器主保护指气体、差动保护，后备保护主要指过变压器两侧的过电流和零序电流保护。图5为变压器的神经网络模型。

图4 变压器的保护模型Fig.4 The protection model of transformer

图5 变压器的神经网络模型Fig.5 The neural network model of transformer

3.3 母线模型

母线保护仅仅反映了母线自身的故障，所以母线的保护动作只能反映母线自身的故障情况。其模型也相对比较简单。图6即为其保护模型，图7为母线的神经网络模型。

图6 母线的保护模型Fig. 6 The protection model of bus

图7 母线的神经网络模型Fig. 7 The neural network model of bus

母线连接的断路器中若有一个断路器失灵保护动作，则断路器失灵动作输入为 1；母线所连接未跳闸的线路对侧的开关跳闸率为 N1/N2；N1表示母线所连接未跳闸线路对侧的线路跳闸的数目，N2表示母线所连接未跳闸线路总数。

3.4 神经网络构造

RBF神经网络又称局部网络，与BP神经网络相比，它具有更好的逼近、分类能力和更快的学习速度，且能在训练过程中自动确定网络结构[1,5,18]。本文故障诊断神经网络训练采用RBF网络。

4 基于模糊积分融合诊断策略

本文的综合诊断是一个典型的决策级别的信息融合问题。这类融合算法主要有贝叶斯方法、D-S证据理论和模糊积分法[14,18]。贝叶斯方法需要先验信息，这种先验信息在实际应用中往往难以获得；且要求决策集合的元素相互独立，该条件太苛刻。D-S证据理论要求所使用的证据必须相互独立，一般难以满足，且会出现组合爆炸的情况[14,18]。模糊集理论可以很好地描述不确定现象，因此基于模糊集理论的融合方法是应用最为广泛的一类融合工具[11-16]。模糊积分法以模糊集理论为理论基础，考虑到了分类器的可靠性问题，避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设，可以更好地表达和处理系统中的不确定性问题。

4.1 模糊积分的数学描述

从数学的角度来看，模糊积分是建立在模糊测度上的非线性运算。模糊测度的概念由 Sugeno在1972年提出，其基本精神就是用模糊积分来处理不具有独立性的各因子所存在的交互影响特性。

设X是一个非空集合，Y是由X的子集组成的非空类，定义在Y上的非负广义实值集函数 u : Y →[ 0,∞]为一个模糊测度，且满足正则性、单调和连续性条件。实际应用中，X一般为有限集合，因此连续性条件可略去。如果模糊测度还满足：∀A ,B ⊂ X,A ∩B =∅ , ∃ λ＞−1， 都 有 u(A ∪B)= u(A )+ u(B )+ λu(A)u(B)，则该模糊测度 u称为一个λ-模糊测度，通常用gλ表示一个λ-模糊测度。

定义单点集上： gi=g({xi}), i= 1,2,… ,n ，gi就是第 i个信息的模糊密度，亦为其权重。确定各诊断方法的模糊密度后，则可知

由式（1）可以唯一确定一个λ＞−1且λ≠0。

对有限集合 X元素，根据函数值 f（x）（即为各个信息的客观数值）进行单调性的重新排列，如果按照降序排列，即为定义模糊测度为g(xi)，按下列运算求解：

模糊积分方法主要有四种：Sugeno积分、Choquet积分、Weber积分、Wang积分等。目前用得最多的是前两种方法。由于Sugeno积分的前提条件比较严格，限制了在实际中的应用[11,15]，故本文采用Choquet积分。

在有限集合X中，确定模糊测度g后，则可知f关于g的Choquet积分为

式中

式（4）中，积分值 E即为综合诊断得出的故障可能性指标。

4.2 初级诊断结论的预处理

当某元件诊断出该处无故障或者关联元件也无故障时，理论上讲，其诊断结论中，自身故障可能性和对关联元件故障的支持程度应为 0，但神经网络诊断的实际输出往往是一个较小的数值。对关联元件较多的元件来讲，往往会使该处的故障指标偏大，从而导致该元件被错诊为故障元件；即Choquet积分的单调特性一样会对诊断结论产生影响[11-15]。另外，当支持程度比较小的时候，主观上也往往希望减少其影响，因此有必要对初级诊断的结论进行预处理。本文选取利用模糊技术进行预处理，选用的隶属度如下：

式中，x为待处理的输入数据；y为处理后的数值。

4.3 确定模糊密度

电网中自动装置的动作受到时间、空间因素的影响，元件的故障信息对关联强度不同的元件的支持程度也不同，其结论的可靠性或者说权重也不一样，换言之，其模糊密度不一样。模糊密度的确定是该方向的研究热点，一般可以通过对样本测试，比较其准确性这类动态方法得到，也可以结合专家经验，以静态方式选定[14-15]。

由于自动化装置的不确定性和保护系统的复杂性，要精确地描述各元件诊断与综合诊断的相互关系是非常困难的；而在综合诊断中，初级诊断结论还需要与拓扑关系结合。考虑到本文测试的样本不够广，通过动态方法也很难得出一个具有普适性的结论，因此本文中模糊密度主要结合专家经验与统计数据选定[14-15]。

根据电网中继电保护和断路器等自动化装置的动作可靠性与可能性数据[19-21]，结合主观判断，确定各类元件诊断结论的模糊密度见表1。

表1 各类元件诊断的模糊密度Tab. 1 The fuzzy density of elements

表中，F1为自身故障，F2为直接关联元件故障，F3为隔一级关联元件故障。目前的高压网一般都有两套独立的保护装置，也有防拒动的措施，某处故障扩散到其上三级元件（越三级跳闸）的情况是非常罕见的，因此本文不予考虑。

元件关联根据故障情况下拓扑状况进行分析，如果某条线路跳闸，则应以跳闸后的关联情况计算。如果两个元件间有多条关联路径，则取关联最强的路径计算。

4.4 综合诊断流程

在初级诊断基础上完成预处理后，即可融合初级诊断结论进行综合诊断，诊断具体过程如下：

（1）提取电网拓扑信息（故障情况下的拓扑信息），并形成故障元件候选集

（2）根据电网拓扑信息，形成各个故障候选元件的直接关联元件集合与隔一级关联元件集合

（3）对故障候选元件di及其关联元件的情况由式（1）确定λi，并由式（2）和式（3）求取模糊测度g。

（4）对故障候选元件di，根据拓扑信息及各元件的诊断结论，形成直接关联元件对该元件故障的支持程度的集合及隔一级关联元件对该元件故障的支持程度的集合

（5）根据Choquet积分式（4）计算各元件的模糊积分值 ei，ei即为综合诊断给出故障可能性指标，并形成故障候选元件的故障可能性指标集

（6）根据故障可能性指标集E确定故障元件。

5 算例分析

5.1 神经网络训练及初级诊断

本文对收集整理的数据精选修正后提取线路模型训练样本为37个，母线模型训练样本39个，变压器模型训练样本16个。神经网络基函数选为高斯函数，以正交最小二乘法（Orthogonal Least Squares, OLS）确定基函数中心[17]，径向基函数的误差指标选为 0.02，分布常数设为 1，神经网络的训练利用Matlab的神经网络工具箱。

初级诊断结论通过比较各类神经网络输出数值与设定的阈值得到。通过对多个电网的诊断仿真和调试，本文选取线路元件故障的阈值为0.80，母线模型的阈值在 0.85～0.90时辨识能力都比较理想，本文取为0.85，变压器模型取阈值也取为0.85。阈值的选取与电网规模有一定关系，但不是本文主要讨论的问题。

5.2 综合诊断

本文通过多个系统的测试并结合主观判据认为，线路元件故障可能性高于0.85时，判定线路故障；母线模型故障可能性高于0.90时，则判定母线故障；变压器的故障可能性高于0.90时判定变压器故障。如故障可能性指标在阈值附近（本文设定不低于0.75），则表示为可疑故障，交由专家系统进一步诊断。

综合诊断的隶属度函数中，x1、x2分别取为0.1、0.4，并设定f（x1）=0.01，根据x=x2处的连续性，得c、a数值分别为0.4290、0.0716。

以下采用图 8、图 9两个测试系统进行仿真测试。图中L表示线路，T表示变压器，B表示母线，CB为断路器；系统的继电保护配置按照上文简化的方式，考虑主保护、第一后备、第二后备保护。

5.3 案例1

图8的测试系统包括线路、母线、变压器元件共28个，断路器40个，各元件主保护共36个，线路第一后备保护16个、第二后备保护16个；变压器后备保护16个。

图8 测试系统电网结构图Fig. 8 The structure of the test system

图8所示系统在一次故障中，检测到L2两侧的保护动作，CB2跳闸，L2左侧失灵启动，母线 B2母差动作，CB6、CB10跳闸，之后L3右侧第一后备动作，CB28跳闸。

初级诊断结论为：L2故障，故障可能性0.9404；B2故障，故障可能性0.9531；L3左侧外部故障，故障可能性0.8745。

综合诊断中，对于母线B2，故障候选区域内共有4个关联元件（B1、L2、L3、L4），可求得λ=−0.9938，由此可求得模糊测度为：g（B2）=0.9，g（L3）=0.9391，g（L2）=0.9858，g（L4）=1；由此可得E（B2）=0.8241，诊断结论为：B2是可疑故障；同理，判断L2为故障元件。

对该系统精选17个假想的简单故障（无误动、拒动）和30个假想的复杂故障（一个故障点，存在误动、拒动和越一级跳闸的情况）进行诊断测试。诊断结果见表2。

表2 故障测试结果Tab. 2 The results of simulations

仿真表明，系统在出现简单故障时，对故障辨识能力相当，基本都能准确地辨识故障。但当系统出现多发故障或存在误动等复杂情况时，综合诊断方法的故障辨识能力特别是线路故障的辨识能力相对于初级诊断方法有明显提高。

5.4 案例2

图 9选取我国南方电网某处的故障案例[4]简化后进行诊断。该系统比较大，包括母线27条，变压器6台。此次事故原发故障发生在线路L1上，由于误动、拒动和人为失误（保护接线错误等）等原因造成了事故扩大，事故最终造成10条线路跳闸。事故的大致过程如下：

（1）线路 L1遭雷击，A、C两线接地短路，L1线路B2侧零序I段、高频距离保护动作，CB1跳闸。

（2）L1线路B13侧保护未动，CB2未跳，造成L5线路B17侧零序IV段保护动作，跳开CB8；

（3）L7、L8线路保护未动，造成1～4号变压器的低压侧过电流保护动作，跳开CB25～CB32；也使L9线路B15侧零序IV段动作，跳开CB16，同时L10线路B20侧零序IV段动作，跳开CB14。

（4）L6线路保护未动，造成L12线路B19侧保护动作，跳开 CB21、CB22，L13L13线路 B19侧保护动作，跳开CB20。

（5）L3线路两侧零序 IV段保护误动，跳开CB5；L11线路B23侧高频保护误动，跳开CB18。

（6）线路L14的B26侧零序IV段保护动作，跳开CB24。

（7）L2线路B4侧相差高频误动，跳开CB3。

根据本文的诊断方法，对该故障案例的综合诊断结果见表3。

表3 案例诊断结果Tab. 3 The results of case study

图9 电网接线图Fig. 9 The structure of power grid

综合诊断的诊断结论为线路L1故障，线路L12、L3存在可疑故障，该诊断方法识别了原发故障，与实际相符；并给出了 L12、L3的故障可能性。对于这一类难以判定的故障，则交由专家系统综合其他信息进一步推断以去伪存真。

综合上述两例仿真可见，面向元件的神经网络模型在诊断过程中诊断对复杂故障缺乏辨识能力，而利用模糊积分进行综合诊断的方法可明显地提高诊断的准确性。在大系统中发生复杂的连锁故障情况下，也能够较好地识别故障，并以故障可能性指标给出可疑的故障元件。

6 结论

本文提出了采用面向元件神经网络与模糊积分信息融合技术的电网故障诊断方法，根据面向元件的诊断思路，分别针对单个线路、母线、变压器设备分别建立面向元件的神经网络模型，有效解决了获取训练样本和适应拓扑变化两个问题。

在诊断中首先以面向元件神经网络作初步诊断，在初级诊断的基础上，结合电网拓扑关系，应用模糊积分信息融合技术进行综合诊断。综合诊断中充分考虑到了初级诊断结论的可靠性差异，而且避免了对先验信息的讨论，也无需做各元件初级诊断结论独立性假设。通过模糊积分融合，有效提高了系统诊断的准确性。算例分析也表明了该方法的有效性。该方法适合并行计算，有利于实现大系统的快速、准确的诊断，具有很好应用前景，并值得进一步的研究。

[1] 毕天姝, 倪以信, 吴复立, 等. 基于新型神经网络的电网故障诊断方法[J]. 中国电机工程学报, 2002, 22(2): 73-78. Bi Tianshu, Ni Yixin, Wu Fuli, et al. A novel neural network approach for fault section estimation[J]. Proceedings of the CSEE, 2002, 22(2): 73-78.

[2] 刘应梅, 杨宛辉, 等. 基于ANN的变电站故障诊断系统及其容错性[J]. 继电器, 2000, 28(9): 19-22. Liu Yingmei, Yang Wanhui, et al. Fault diagnosis system for substation based on artificial neural network and its robustness[J]. Relay, 2000, 28(9): 19-22.

[3] 廖志伟, 叶青华, 王钢, 等. 基于 GRNN的多故障自适应电力系统故障诊断[J]. 华南理工大学学报(自然科学版), 2005, 33(9): 6-9. Liao Zhiwei, Ye Qinghua, Wang Gang, et al. Adaptive multi-fault diagnosis of power system based on GRNN)[J]. Journal of South China University of Technology(Natural Science), 2005, 33(9): 6-9.

[4] 赵伟, 白晓民, 丁剑. 基于协同式专家系统及多智能体技术的电网故障诊断方法[J]. 中国电机工程学报, 2006, 26(20): 1-7. Zhao Wei, Bai Xiaomin, Ding Jian. A new fault diagnosis approach of power grid based on cooperative expert system and multi-agent technology [J]. Proceedings of the CSEE, 2006, 26(20): 1-7.

[5] 毕天姝, 严正, 等. 基于径向基函数神经网络的在线分布式故障诊断系统[J]. 电网技术， 2001，25(11): 27-32. Bi Tianshu, Yan Zheng, et al. On-line distributed fault section estimation system with radial basis function neural network[J]. Power System Technology， 2001，25(11): 27-32.

[6] 郭创新, 朱传柏, 曹一家, 等. 电力系统故障诊断的研究现状与发展趋势[J]. 电力系统自动化, 2006, 30(8): 102-107. Guo Chuangxin, Zhu Chuanbai, Cao Yijia, et al. State of arts of fault diagnosis of power systems[J]. Automation of Electric Power Systems, 2006, 30(8): 102-107.

[7] 廖志伟, 孙雅明, 叶青华. 人工智能技术在电力系统故障诊断中应用[J]. 电力系统及其自动化学报, 2003, 15(6): 71-79. Liao Zhiwei, Sun Yaming, Ye Qinghua．Artificial intelligent technologies for fault diagnosis in power system[J]. Proceedings of Electric Power System and Automation, 2003, 15(6): 71-79.

[8] Cardoso G Jr, Rolim J G. Applications of neuralnetwork modules to electric power system fault section estimation[J]. IEEE Transactions on Power Delivery, 2004, 19(3): 1034-1041.

[9] 顾雪平, 张文勤, 高曙, 等. 基于神经网络和元件关联分析的电网故障诊断[J]. 华北电力大学学报, 1999, 26（2）: 12-17. Gu Xueping, Zhang Wenqin, Gao Shu, et al. An approach integrating neural networks with topology analysis of electric power networks for fault diagnosis [J]. Journal of North China Electric Power University, 1999, 26(2): 12-17.

[10] 顾雪平, 张文勤, 高曙, 等. 人工神经网络和专家系统结合运用的电力系统故障诊断方法[J]. 华北电力大学学报, 1994, 21(2): 12-17. Gu Xueping, Zhang Wenqin, Gao Shu, et al. An approach integrating neural networks with topology analysis of electric power networks for fault diagnosis[J]．Journal of North China Electric PowerUniversity, 1994, 21(2): 12-17.

[11] 李安华, 吴达. 模糊数学基础及其应用[M]. 乌鲁木齐: 新疆人民出版社, 1987.

[12] Sugeno M. Theory of fuzzy integrals and its applications[D]. Tokyo: Tokyo Institute of Technology, 1974.

[13] Dymitr Ruta, Bogdan Gabrys. An overview of classifier fusion methods[J]. Computing and Information Systems, 2000, 7(1): 1-10.

[14] 李素文. 模糊积分在多分类融合中的应用[D]. 保定:河北大学, 2006.

[15] 张德利, 郭彩梅, 吴从炘. 模糊积分论进展[J]. 模糊系统与数学, 2003, 17(4): 1-7. Zhang Deli, Guo Caimei, Wu Congxin. The development of the theory of fuzzy integrals[J]. Fuzzy Systems and Mathematics, 2003, 17(4): 1-7.

[16] 张永, 李旭宏, 毛海军. 基于 Choquet模糊积分的物流网络二阶段设计方法[J]. 公路交通科技, 2006, 23(10): 142-145, 158. Zhang Yong, Li Xuhong, Mao Haijun. Two-phase mathematical approach for logistics network design based on choquet integral[J].Journal of Highway and Transportation Research and Development, 2006, 23 (10): 142-145, 158.

[17] 徐秉铮, 张百灵, 韦岗. 神经网络理论与应用[M].广州: 华南理工大学出版社, 1994.

[18] 何友, 王国宏, 彭应宇, 等. 多传感器信息融合及应用[M]. 北京: 电子工业出版社, 1999.

[19] Cardoso G Jr, Rolim J G. Interpretation of remote backup protection operation for fault section estimation by a fuzzy expert system[C]. IEEE Power Tech. Conference, Bologua, Italy, 2003: 23-26.

[20] Hong Chan Chin. Fault section diagnosis of power system using fuzzy logic[J]. IEEE Transactions on Power Delivery, 2003, 18(1): 245-250.

[21] Wen Fushuan, Chang C S. Probabilistic approach for fault-section estimation in power systems based upon a refined genetic algorithm[J]. IEE Proceedings of Generation, Transmission and Distribution, 1997, 144 (2): 160-168.

A Fault Intelligent Diagnosis Approach Based on Element-Oriented Artificial Neural Networks and Fuzzy Integral Fusion

Guo Chuangxin1You Jiaxun1,2Peng Mingwei1Tang Yuezhong1,2Liu Yi1Chen Ji1
（1. Zhejiang University Hangzhou 310027 China 2. Shanghai Municipal Electrical Power Company Shanghai 200122 China）

This paper presents a novel diagnosis method combining element-oriented artificial neural networks and fuzzy integral fusion. The proposed method models the transmission line, bus and transformer using element-oriented ANNs. When a fault occurs, a primary diagnosis is made by element-oriented ANNs, and then the synthetic diagnosis fuses the primary diagnosis results employing fuzzy integral. The proposed method overcomes the Achilles heel of ANNs at getting training patterns and handling topology changes. And the simulation shows that by the use of synthetic diagnosis, the accuracy of diagnosis system is effectively improved. This method is promising for application in large scale real-time fault diagnosis.

Power systems, fault diagnosis, element-oriented artificial neural networks, synthetic diagnosis, fuzzy integral, information fusion

TM734

郭创新 男，1969年生，教授，博士生导师，研究方向为智能电网和分布式能源并网、智能信息处理技术及其在电力系统中的应用。

国家自然科学基金（50677062），新世纪优秀人才支持计划（NCET-07-0745），浙江省自然科学基金（R107062）和国家 863计划（2008AA05Z210）资助项目。

2008-08-04 改稿日期 2009-05-06

游家训 男，1983年生，硕士研究生，研究方向为电力系运行与控制。