李郁俠　張凱華　譚雅嵐,　李　石　何小軍　陳　波

(1.西安理工大學　西安　710048)(2.國家電網(wǎng)陜西省漢中局　漢中　723099)

?

多源信息融合的故障元件診斷*

李郁俠1張凱華1譚雅嵐1,2李石2何小軍2陳波2

(1.西安理工大學西安710048)(2.國家電網(wǎng)陜西省漢中局漢中723099)

摘要分析了故障診斷信息的主要來源,對比了各個信息的相同點和不同點,建立了面向元件的故障診斷模型,該模型簡化了以往的故障診斷計算的復雜度,使得故障診斷的效率可以顯著提高,提出了新的故障診斷方法。該方法首先通過計算各個元件的貝葉斯疑似度獲得可疑故障元件,并結(jié)合了基于綜合阻抗的故障線路識別方法,能夠?qū)收暇€路具體相別進行識別,然后提出保護動作的時序約束,對保護動作信息進行識別,從而提高故障診斷的準備性。通過SIMULINK驗證了模型的有效性及正確性。

關(guān)鍵詞故障診斷; 綜合阻抗; 時序約束; 貝葉斯疑似度

Class NumberTM41

1引言

作為經(jīng)濟持續(xù)發(fā)展的支柱型行業(yè),電力工業(yè)對于國計民生的重要性日漸凸顯。電力系統(tǒng)的安全性與穩(wěn)定性在我國的發(fā)展歷程中將會一直占據(jù)極高的戰(zhàn)略地位。因此電網(wǎng)在發(fā)生事故后,快速診斷并隔離故障,及時恢復對用戶的可靠安全供電,成為智能電網(wǎng)的一個研究方向,電網(wǎng)故障診斷方法的研究一直是國內(nèi)外研究的重點課題。

多類型故障數(shù)據(jù)的應用促進了信息融合技術(shù)在電網(wǎng)故障診斷問題中的研究。在當前研究中,根據(jù)所用基本原理的不同主要采用WAMS采集電氣量信息結(jié)合小波變換的多源信息融合電網(wǎng)故障診斷方法[1～5]。然而在系統(tǒng)運行總存在很多不確定因素導致元件發(fā)生故障的異常情況,按照基于結(jié)合繼電保護信息優(yōu)化模型[6～7]。對于線路部分存在很大問題,不能精確的診斷故障元件。為了解決這一問題,本文在結(jié)合了基于綜合阻抗的故障線路識別方法下,提出了改進的優(yōu)化模型,利用有向二分圖法降低了故障診斷過程運算的復雜度,提高了診斷速度。

2基于面向的有向二分圖壓

有向二分圖法是對貝葉斯網(wǎng)絡(luò)的簡化,可以簡單明了地表達出故障與征兆之間的關(guān)系[8]。有向二分圖法具有一定的建模能力,降低了運算的復雜度,能夠彌補貝葉斯網(wǎng)絡(luò)在故障診斷過程中的一些不足。

有向二分圖由三部分組成： 1) 故障節(jié)點和征兆節(jié)點組成的集合V,V=F∪S,其中S為征兆集,F為故障集； 2) 有向邊集合E,E=F×S,由故障指向征兆； 3) 權(quán)重p(s|f)組成的集合PF×S,PF×S={p(s|f)|f∈F,s∈S},其中p(s|f)指在故障f發(fā)生的條件下,征兆s發(fā)生的概率值,0≤p(s|f)≤1。

圖1　有向二分圖

圖1是由三個故障節(jié)點、四個征兆節(jié)點組成的概率加權(quán)二分圖,其中故障集F={f1,f2,f3},征兆集S={s1,s2,s3,s4}。征兆s1可能由故障f1引起,記為Domain(s1)={f1},類似的有Domain(s2)={f1,f2},同理有Domain(s3)={f1,f3},Domain(s4)={f2,f3}。故障f1可能引起征兆s1,s2,s3,記為Symptom(f1)={s1,s2,s3},同理有Symptom(f2)={s2,s4},Symptom(f3)={s3,s4}。圖中Pf=(0.004,0.007,0.003)為各故障發(fā)生的先驗概率,而故障f發(fā)生的條件下,征兆s發(fā)生的概率值

3貝葉斯疑似度

在上述模型中定義貝葉斯疑似度[9],記作Bsd(f,SN),其代表的意義為觀察到的征兆SN導致某故障f發(fā)生的概率與信息完備條件下該故障發(fā)生的絕對概率的比值,其值越大,該故障發(fā)生的可能性越大。可由下式計算[10]：

(1)

其中,

(2)

在診斷過程中應對Domain(SN)中的每個故障進行貝葉斯疑似度計算,其中SN對于為診斷模型中的征兆。以故障元件為對象,按照從大到小的順序?qū)ζ湄惾~斯疑似度排序,直到Symptom(f)覆蓋了所有觀察到的征兆SN。則可知在該觀察征兆下,按照故障發(fā)生的可能性大小,即可得到最優(yōu)故障假設(shè)集F。

4診斷流程

4.1故障診斷流程

由于故障診斷系統(tǒng)是基于調(diào)度端開發(fā)的,因此輸入故障診斷模型的調(diào)度信息均來自于調(diào)度系統(tǒng)。故障發(fā)生后,上傳至調(diào)度系統(tǒng)的信息具有以下特點： 1) 冗余信息太多,有效信息獲取困難； 2) 關(guān)鍵信息的不確定性即存在的漏報,對于故障診斷的結(jié)果影響非常大。因此,為了得到快速、可信的診斷結(jié)果,必須對冗余信息及丟失信息進行處理,故障診斷系統(tǒng)才能輸出正確的診斷結(jié)果。本文采用如圖2所示的征兆信息識別過程對來自調(diào)度端的數(shù)據(jù)進行處理。

圖2　信息識別流程

在圖2的故障信息識別流程中,首先從電網(wǎng)調(diào)度端獲取調(diào)度數(shù)據(jù),通過對電氣量進行小波分析,從小波熵的變化判斷得到故障發(fā)生時刻,從該時刻開始在固定的時間窗內(nèi)獲取調(diào)度信息。其中通過開關(guān)量獲取停電區(qū)域,通過電氣量獲取綜合阻抗判斷故障發(fā)生在那個區(qū)域,對保護動作信息進行判斷,剔除掉保護信息中的冗余信息。然后進行征兆信息識別,現(xiàn)對征兆信息的識別步驟進行說明。

步驟1固定時間窗內(nèi)接收警報信息,包括開關(guān)量和保護量

步驟2動作信息識別

輸入步驟1中接收到的警報信息,按照保護動作的時序約束識別警報信息。

步驟3診斷模型識別故障

將步驟2中識別的警報信息輸入診斷模型,得到診斷結(jié)果

步驟4故障選相

輸入診斷結(jié)果,若其中含有線路,則通過基于綜合阻抗原理的線路選相識別具體故障相別,若不含有線路,則直接輸出步驟3中的診斷結(jié)果。

現(xiàn)以圖所示系統(tǒng)發(fā)生故障后征兆信息識別過程為例,說明上述征兆信息的識別過程。以在固定“時間窗口”中電力系統(tǒng)中SOE(Sequence Of Event)記錄的具有時序邏輯的信息作為故障診斷系統(tǒng)的數(shù)據(jù)處理依據(jù),可提高故障診斷的準確性?！皶r間窗口”設(shè)置太短易漏掉關(guān)聯(lián)信息,設(shè)置太長會影響診斷效率,一般根據(jù)運行人員的經(jīng)驗值整定為3s～10s[11],在實際的診斷系統(tǒng)中該時間窗口值可以靈活設(shè)定。在本文中時間窗口設(shè)定為5s。

4.2診斷模型初始化

1) 故障發(fā)生的概率p(f)

通過國網(wǎng)公司對繼電保護與安全自動裝置運行情況分析,可知各個元件故障發(fā)生的統(tǒng)計概率,即統(tǒng)計周期內(nèi)發(fā)生故障的次數(shù)Nf與運行的設(shè)備數(shù)量N之間的比值即為故障發(fā)生的概率,可作為故障發(fā)生的先驗概率。不同電壓等級的變壓器發(fā)生故障的概率一般情況下不相等,如對于某地區(qū)電網(wǎng)統(tǒng)計數(shù)據(jù),如表1所示。

表1　變壓器運行情況分析

根據(jù)診斷對象的不同,選取具體的先驗概率初始化。

2) 故障f發(fā)生條件下,征兆s出現(xiàn)的概率p(s|f)

以變壓器保護動作的條件概率為例,根據(jù)統(tǒng)計概率可得表2[12]。

表2　變壓器保護動作情況統(tǒng)計

由表中數(shù)據(jù)可知,變壓器保護故障時正確動作的概率p(s|f)=79.05%。

4.3實例驗證

以圖3所示的三機九節(jié)點電力系統(tǒng)為例,說明本文提出的故障診斷系統(tǒng)的診斷過程。

圖3　三機九節(jié)點系統(tǒng)圖

步驟1固定時間窗內(nèi)進行接收警報信息。

如圖3所示系統(tǒng)故障后,在固定時間窗口內(nèi)遙信信息如表3所示。

表3　遙信信息

由表2即可得到征兆SN={L5lm(t1)=1,CB15(t2)=1,B7S(t3)=1,L5lb(t4)=1},現(xiàn)根據(jù)本文中所述方法進行故障診斷。

步驟2保護動作信息識別

由于L5的主保護和后備保護均指向L5,因此合并為一個保護,可得S0={L5lm(t1)=1,CB15(t2)=1,B7S(t3)=1}

1) 全局完備化

根據(jù)網(wǎng)絡(luò)拓撲關(guān)系和繼電保護關(guān)聯(lián)結(jié)點對信息進行完備化處理,若某一結(jié)點的關(guān)聯(lián)結(jié)點出現(xiàn)在征兆信息中,則對其狀態(tài)進行修正。

在S0中存在兩個保護,通過網(wǎng)絡(luò)拓撲查詢得到與這兩個保護有關(guān)聯(lián)的斷路器分別為：L5lm(CB14,CB15),B7S=(CB7,CB14,CB13),但其狀態(tài)并沒有上傳,故對斷路器CB14,CB7,CB13的狀態(tài)進行再次讀取,讀取結(jié)果為動作,則將其修正為CB13=1,CB7=1。則有S1={L5lm(t1)=1,CB15(t2)=1,B7S(t3)=1,CB13=1,CB7=1}。

如與B7相關(guān)的斷路器失靈保護CB14S相關(guān)聯(lián)的結(jié)點斷路器CB14未動作,CB13動作,CB5動作,但是未上傳CB14的狀態(tài),則應選擇將其作為征兆信息之一,但狀態(tài)未知。故將S1修正為S2,S2={L5lm(t1)=1,CB15(t2)=1,B7S(t3)=1,CB13=1,CB7=1,CB14=[0]}。其中狀態(tài)[0]表示該信息缺失,即斷路器CB14的動作狀態(tài)未知。

2) 局部完備化

信息上傳過程中的缺失信息有可能是故障診斷的關(guān)鍵信息,必須對這類信息進行修正,即征兆信息的局部完備化。貝葉斯網(wǎng)絡(luò)則是一種概率意義上的估計,能夠根據(jù)已有的先驗知識和信息,計算出缺失信息結(jié)點在不同狀態(tài)下發(fā)生的概率,推斷缺失信息的狀態(tài)。

如對于征兆集為S2,斷路器CB14的動作信號缺失,則假設(shè)與其相關(guān)聯(lián)結(jié)點在已觀察到狀態(tài)下,CB14不同狀態(tài)的概率,將其概率最大時的狀態(tài)作為修正的狀態(tài)。如p(CB14=1|CB14s=1,L5lm=1)=0.2055,p(CB14=0|L5lm=1,CB14s=1)=0.7955,故將CB14修正為0,則最終得到的征兆集為S3={L5lm(t1)=1,CB15(t2)=1,B7S(t3)=1,CB13=1,CB7=1,CB14=0}。

步驟3貝葉斯疑似度的故障診斷模型

1) 征兆信息完備化

根據(jù)已知的先驗概率初始化故障診斷模型如圖4所示。

2) 貝葉斯疑似度計算

由式(1)得：Bsd(fL5,SN)=0.9764,Bsd(fCB14,SN)=1。

3) 得到最優(yōu)故障假設(shè)集

由于Symptom(fT1),Symptom(fCB2)覆蓋征兆集S2,因此故障集F={fCB14,fL5}。

圖4　故障診斷模型

4) 輸出故障診斷結(jié)果

由于最優(yōu)故障假設(shè)集中,斷路器拒動與線路故障形成助判的關(guān)系,因此,診斷結(jié)果為變壓器故障,斷路器拒動。該診斷結(jié)果與實際運行相符。

步驟4判斷故障元件中是否含有線路

根據(jù)步驟3的結(jié)果,其中含有L5,因此采用基于綜合阻抗的故障線路選相技術(shù)對線路的故障相別進行識別[13]。

三機九節(jié)點系統(tǒng),在線路Line5,Line6兩端都配備IED裝置,可以對電壓、電流進行采集。對于線路Line5,Line6作以下區(qū)域劃分。

圖5　區(qū)域劃分

圖6　L5接地短路故障的綜合阻抗

區(qū)域ⅠABCIm(Zcd)-310.8546.99-310.85Ph(Zcd)-69.1876.05-69.18區(qū)域ⅡABCIm(Zcd)-636.6123.46-636.61Ph(Zcd)-89.9872.26-89.98區(qū)域ⅢABCIm(Zcd)-636.61-637.67-636.61Ph(Zcd)-90.00-90.83-90.00

由圖6的仿真結(jié)果可知,通過區(qū)域劃分后,利用Matlab仿真得出Ⅰ區(qū)B相阻抗角為76.05度,阻抗虛部為46.99,Ⅱ區(qū)B相阻抗角為72.26,阻抗虛部為23.46,最后判斷為L5發(fā)生B相接地短路。

5結(jié)語

本文對故障元件診斷模型進行了實例驗證,結(jié)果正確可信,相較于以往的故障診斷方法具體優(yōu)點有以下突出優(yōu)點：

1) 采用有向二分圖法可有效降低故障診斷過程運算的復雜程度,提高診斷速度；

2) 根據(jù)保護動作時序及貝葉斯概率對征兆信息進行完備化處理,解決了征兆信息中存在的不確定性問題；

3) 模型初始化概率來源于歷史統(tǒng)計資料,數(shù)據(jù)真實可靠；

4) 對于故障線路能夠進行故障相別診斷。

隨著智能電網(wǎng)建設(shè)的不斷展開以及新能源在電網(wǎng)中的接入,電力系統(tǒng)運行的不穩(wěn)定因素也在逐步上升,使得越來越多新問題不斷涌現(xiàn)并成為故障診斷領(lǐng)域亟待解決的新問題。本文提出的故障診斷方法是對提升電網(wǎng)故障診斷能力的有益嘗試,雖然對故障診斷方法進行了改進,仍需在工程應用中不斷改善。

參 考 文 獻

[1] 文清豐.基于多信息融合的電網(wǎng)診斷技術(shù)研究[D].北京:華北大力大學,2014.

WEN Qingfeng. Grid diagnosis based on information fusion technology research[D]. Beijing: University of North China Vigorously,2014.

[2] 趙冬梅.基于多信息源的電網(wǎng)故障診斷方法研究[D].北京:華北電力大學,2005.

ZHAO Dongmei. Research on power grid fault diagnosis method based on multi information source[J]. North China Electric Power University,2005.

[3] 蘇廣寧,張沛超,胡炎,等.基于多源信息的電網(wǎng)故障診斷新方法[J].電力系統(tǒng)自動化,2012,36(1):61-65.

SU Guangning, ZHANG Peichao, HU Yan, et al. A new method of power network fault diagnosis based on multi-source information[J]. The Automation of Power System,2012,36(1):61-65.

[4] 朱傳柏,郭創(chuàng)新,曹一家.基于調(diào)度綜合數(shù)據(jù)平臺的大規(guī)模電網(wǎng)分層故障診斷[J].電力系統(tǒng)自動化,2009,33(1):51-55.

ZHU Chuanbai, GUO Chuangxin, CAO Yijia. Hierarchical fault diagnosis of large-scale power grid based on scheduling integrated data platform[J]. Automation of Electric Power Systems,2009,33(1):51-55.

[5] 楊勝春,姚建國,高宗和,等.基于調(diào)度大二次系統(tǒng)的智能化電網(wǎng)調(diào)度輔助決策的研究[J].電網(wǎng)技術(shù),2006,30(增刊):176-180.

YANG Shengchun, YAO Jianguo, GAO Zonghe, et al. Based on power dispatching automation system of intelligent grid scheduling decision[J]. Power System Technology,2006,30(Suppl):176-180.

[6] Ramsay F R F, Nethercot W. Engine ignition faults, and a new method of diagnosis and location running[J]. Power Engineering, Journal of the Institution of Electrical Engineers,1946,93(36):629-635.

[7] SUN J, QIN S Y, SONG Y H. Fault diagnosis of electric power systems based on fuzzy Petri nets[J]. IEEE Transactions on Power Systems,2004,19(4):2053-2059.

[8] 周曙,王曉茹,錢清泉.基于貝葉斯網(wǎng)絡(luò)的分布式電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù),2010,34(9):76-81.ZHOU Shu, WANG Xiaoru, QIAN Qingquan. Based on Bayesian network distributed power grid fault diagnosis method[J]. Power System Technology,2010,34(9):76-81.

[9] 徐大可,汲勝昌,李彥明.變壓器繞組變形在線監(jiān)測的理論研究[J].高電壓技術(shù),2000,26(3):38-43.XU Dake, JI Shengchang, LI Yanming. Theoretical study on the online monitoring of transformer winding deformation[J]. High Voltage Technology,2000,26(3):38-43.

[10] 索南加樂,劉凱,粟小華,等.輸電線路綜合阻抗縱聯(lián)保護新原理[J].電力系統(tǒng)自動化,2008,3:36-41.

SUONAN Jiale, LIU Kai, SU Xiaohua, et al. Transmission line impedance longitudinal link protection principle[J]. Automation of Electric Power Systems,2008,3:36-41.

[11] 王汝言,吳晴,熊余,等.基于貝葉斯征兆解釋度的鏈路故障定位算法[J].計算機應用研究,2013,30(3):712-719.

WANG Ruyan, WU Qing, XIONG Yu, et al. A link fault location algorithm based on Bayesian sign interpretation degree[J]. Computer Application Research,2013,30(3):712-719.

收稿日期:2016年1月7日,修回日期:2016年2月13日

作者簡介:李郁俠,男,博士,研究方向:電力系統(tǒng)狀態(tài)監(jiān)測與故障診斷。張凱華,男,碩士,研究方向:電力系統(tǒng)分析與優(yōu)化運行。

中圖分類號TM41

DOI:10.3969/j.issn.1672-9722.2016.07.013

Fault Diagnosis of Multi-source Information Fusion

LI Yuxia1ZHANG Kaihua1TAN Yalan1,2LI Shi2HE Xiaojun2CHEN Bo2

(1. Xi’an University of Technology, Xi’an710048)(2. Gird State of Han Zhong, Hanzhong723099)

AbstractThe main source of fault diagnosis information is analyzed, and the fault diagnosis model based on different information is established. The fault diagnosis model is simplified. The efficiency of fault diagnosis can be significantly improved. In this method, the suspicious fault components are obtained by calculating the Bayesian suspected degree of various components and the fault line identification method based on the integrated impedance can be identified, and the timing constraint of the protection action is put forward. The validity and correctness of the model are verified by SIMULINK.

Key Wordsfault diagnosis, synthetic impedance, timing constraint