賴宏毅,汪 旸,楊 雯,周超凡,徐 彪,尹項根,簡 程

(1. 國家電網(wǎng)華中電力調(diào)控分中心,湖北 武漢 430077;2. 華中科技大學 強電磁工程與新技術國家重點實驗室,湖北 武漢 430074)

0 引言

當電網(wǎng)發(fā)生故障時,快速準確的故障診斷對加快事故處理和系統(tǒng)恢復進程、保證電力系統(tǒng)的安全可靠運行至關重要。然而隨著電網(wǎng)的不斷發(fā)展和互聯(lián),在故障發(fā)生后的短時間內(nèi),保護及斷路器動作等大量告警信息涌向調(diào)度中心,且可能伴隨信息缺失、畸變等不確定性,利用告警信息快速準確地識別故障元件能為電網(wǎng)實時調(diào)控運行提供重要的決策支持。

目前較為實用的電力系統(tǒng)故障診斷方法主要包括基于專家系統(tǒng)[1]和基于解析模型[2-4]的方法。此外,人工神經(jīng)網(wǎng)絡[5]、貝葉斯網(wǎng)絡[6]、支持向量機[7]、Petri網(wǎng)[8]等理論方法也逐步應用于電力系統(tǒng)故障診斷研究。其中,Petri網(wǎng)因推理過程簡單、物理意義清晰、推理邏輯嚴密一直是電網(wǎng)故障診斷研究領域的熱點,模糊Petri網(wǎng)的提出有效彌補了傳統(tǒng)Petri網(wǎng)在處理不確定性問題上的缺陷。文獻[9]提出了基于加權模糊推理Petri網(wǎng)的電網(wǎng)故障診斷模型,通過優(yōu)化模型結構來降低模型矩陣的規(guī)模,提高了診斷的準確性和速度;文獻[10]提出基于方向性加權模糊Petri網(wǎng)的診斷方法,通過分別在各故障蔓延方向上建立診斷模型,以改善模型的容錯性和對網(wǎng)絡拓撲變化的適應性。為消除時序不一致和錯誤告警信息的影響,文獻[11]利用保護和斷路器的動作時序關系,建立與某元件相關的多個庫所時序關聯(lián)矩陣,對比典型時序關聯(lián)模型對保護和斷路器的告警信息進行糾錯;文獻[12]對線路兩側不同保護、斷路器之間的時序進行交叉檢查,得到保護與斷路器之間時序配合的一致性并修正診斷模型;文獻[13]考慮元件故障、保護動作和斷路器跳閘之間的延時約束,通過將時序約束網(wǎng)絡和模糊Petri網(wǎng)進行融合實現(xiàn)錯誤警報的自動過濾。

上述方法應用于電網(wǎng)故障診斷有一定的容錯性和適應性,但存在以下局限:①對于告警信息時序特性的利用主要局限于告警信息的篩選和驗證階段,難以制定完善的告警信息時序比較規(guī)則,且說服力不強;②時序信息計算量大,難以滿足電力系統(tǒng)在線診斷的需求;③在保護和斷路器誤動/拒動、告警信息缺失/錯誤的情況下,模型的容錯性不強,處理復雜故障時可能得不到明確的診斷結果。

在上述背景下,本文提出一種基于事件起點的層次化加權模糊時序Petri網(wǎng)TWFPN(Temporal Weighted Fuzzy Petri Net)故障診斷方法,以故障發(fā)生時刻作為事件起點,提出基于事件起點的保護和斷路器時序約束檢查方法,針對可疑故障元件的TWFPN模型,通過逆向時序推理獲得該元件的故障時間點約束,再通過正向時序推理對告警信息的初始置信度予以修正,IEEE 39節(jié)點系統(tǒng)仿真算例和電網(wǎng)實際故障算例表明該方法能夠在保護和斷路器誤動/拒動、告警信息缺失/錯誤等復雜狀態(tài)下識別真實故障元件,提高了故障診斷的準確度和容錯性。通過與現(xiàn)有應用時序信息的故障診斷方法相比,本文提出的故障診斷方法充分利用了報警信息的時序信息與約束關系,時序推理過程簡明清晰,對網(wǎng)絡拓撲的變化適應性強,運算速度快,滿足在線診斷需求。

1 TWFPN

1.1 TWFPN的定義

傳統(tǒng)的模糊Petri網(wǎng)(FPN)[14]考慮了保護和斷路器動作的不確定性以及誤動/拒動的可能性,采用加權方式描述不同保護和斷路器動作對診斷結果的影響,通常定義為一個8元組:SFPN={P,R,I,H,O,W,M,U}。其中，P=[p1,p2,p3,…,pm](m≥0)為m維庫所向量,用于表示命題,m為庫所數(shù)量;R=[r1,r2,r3,…,rn](n≥0)為n維變遷向量,用于表示推理規(guī)則,n為變遷數(shù)量;I=(δij)m×n為直接輸入矩陣,表示庫所P到變遷R的映射關系,δij∈{0,1},當庫所pi存在到變遷rj的直接有向弧,即pi是rj的直接輸入時,δij=1,否則δij=0;H=(γij)m×n為抑制輸入矩陣,γij∈{0,1},當庫所pi存在到變遷rj的抑制輸入弧,即pi是rj的抑制輸入時,γij=1,否則γij=0;O=(ζij)n×m為輸出矩陣,ζij∈{0,1},表示變遷R到庫所P的映射關系,當變遷ri存在到庫所pj的有向弧,即pj是ri的輸出時,ζij=1,否則ζij=0;W=(ωij)m×n為輸入弧的權值矩陣,ωij∈{0,1},表示命題對相應規(guī)則的影響程度;M=[M1,M2,M3,…,Mm]T為m維庫所置信度向量,Mi表示庫所pi對應的命題為真的置信度,庫所的初始置信度向量用M0表示;U=diag(μ1,μ2,μ3,…,μn)為規(guī)則的置信度矩陣,μi為變遷ri的置信度。

鑒于篇幅限制,TWFPN的運算規(guī)則及推理過程此處不詳述,具體可參考文獻[10-11]。

為了充分利用保護和斷路器的動作時序信息和約束關系,本文研究一種基于事件起點的層次化TWFPN,f為可疑故障元件,將元件f故障發(fā)生的時刻tf定義為事件起點,引入保護動作時限約束以及保護動作和對應斷路器跳閘之間的時間約束,通過時序約束檢查來修正其對應的初始置信度向量M0,將TWFPN定義為一個11元組:STWFPN={P,R,I,H,O,W,M,U,t,T,D}。

其中，P、R、I、H、O、W、M、U與前述定義一致；t=[tp1,tp2,tp3,…,tpm](m維)為系統(tǒng)獲取的庫所初始狀態(tài)信息發(fā)生時間,tpi對應庫所pi的告警信息獲取時間點;T={T(tpi)|pi∈P}為時間點約束集合,與t中元素相對應,T(tpi)表示庫所pi對應的告警信息應該出現(xiàn)的時間區(qū)間;D={D(tf,tpi)|pi∈P}為時間距離約束集合,D(tf,tpi)表示庫所pi所對應的告警信息的獲取時間與事件起點tf之間的時間距離約束。

1.2 TWFPN中的時序約束

定義TWFPN模型中各初始庫所的時序屬性為{pi,tpi,T(tpi),D(tf,tpi)},過渡庫所無實際物理意義,不具備時序屬性。時序屬性描述了庫所pi告警信息的獲取時間、時間點約束及與事件起點間的時間距離約束。其中,tpi可直接獲取,若沒有則此項為空;T(tpi)需根據(jù)后文2.3節(jié)中基于事件起點的保護和斷路器的時序約束檢查方法來確定;D(tf,tpi)根據(jù)保護和斷路器的動作規(guī)則確定。

電網(wǎng)故障后的告警信息主要包含各保護和斷路器動作信息及其發(fā)生時刻,可將其表達為保護出口動作時刻(R,tR)和斷路器跳閘時刻(CB,tCB)。為保證保護動作的選擇性,不同保護設定了不同的動作延時,保護動作時刻和其對應斷路器的跳閘時刻之間也存在著時間約束。定義D(tf,tm)、D(tf,tmf)、D(tf,ts)分別為元件故障到主保護、斷路器失靈保護、遠后備保護動作的時間距離約束,D(tR,tCB)為保護動作到其對應的斷路器跳閘的時間距離約束。給定各時間距離約束[16]為:

D(tf,tm)=[10,40] ms,D(tf,ts)=[600,1 100] ms

D(tf,tmf)=[300,500] ms,D(tR,tCB)=[40,60] ms

TWFPN模型中所有告警信息都可轉換到以事件起點為基準的時間距離約束下,保護動作告警信息相對于事件起點的時間距離約束為D(tf,tR),斷路器跳閘告警信息相對于事件起點的時間距離約束為D(tf,tCB)=D(tf,tR)+D(tR,tCB)。

2 基于事件起點的層次化TWFPN電網(wǎng)故障診斷模型

以圖1所示的IEEE 10機39節(jié)點系統(tǒng)為例,說明基于事件起點的層次化TWFPN模型的構建方法。

圖1 IEEE 10機39節(jié)點系統(tǒng)Fig.1 IEEE 10-generator 39-bus system

Petri網(wǎng)運用圖形化的表示方法對于描述具有一定邏輯關系的離散事件具有很大的優(yōu)勢,且可以應用矩陣分析方法進行推理,但當對大規(guī)模復雜電網(wǎng)運用Petri網(wǎng)進行建模時,可能出現(xiàn)矩陣維數(shù)太大、組合爆炸以及模型的適應能力差等問題,本文采用層次化建模的方法,通過分析故障發(fā)生后的保護和斷路器動作過程,反向建立母線和線路層次化的TWFPN模型。本文在建模時對元件的保護配置考慮如下:每條線路的兩端都配置了主保護、斷路器失靈保護以及遠后備保護;每條母線配置了主保護和相鄰線路上的遠后備保護。其他保護配置情況則可以根據(jù)實際的保護配置對模型作相應調(diào)整即可。對下文中的Petri網(wǎng)符號備注如下:B表示母線,L表示線路,CB表示斷路器,R表示保護,并用m、mf和s分別表示主保護、斷路器失靈保護和遠后備保護,R0318m表示線路L0318靠近母線B03一側的主保護,R1803m表示線路L0318靠近母線B18一側的主保護,其他依此類推。

2.1 母線和線路的層次化TWFPN模型

當線路發(fā)生故障時,首先由線路兩端各自的主保護動作于相應斷路器跳閘,當某個斷路器拒動時啟動該斷路器的失靈保護跳開該線路母線背側斷路器,當主保護和斷路器失靈保護動作失敗后,由遠后備保護動作隔離故障。根據(jù)線路故障后的保護和斷路器動作過程,反向建立其層次化TWFPN模型,即先對線路兩端分別建立主保護、斷路器失靈保護、遠后備保護診斷子網(wǎng),再聯(lián)合3個保護診斷子網(wǎng)形成各端的診斷虛擬庫所,最后聯(lián)合兩端的各自虛擬庫所得到最后的綜合診斷結果。以圖1中的線路L0318為例建立的層次化TWFPN模型,如圖2所示。圖中，p1、p2、…、p19為初始庫所；p20、p21、…、p27為過渡庫所；p28為原因庫所；r1、r2、…、r6為保護動作變遷；r7、r8、…、r13為過渡變遷。

圖2 L0318的層次化TWFPN模型Fig.2 Hierarchical TWFPN model of L0318

類似地,可以構造母線的層次化TWFPN模型,先對每個母線出線方向建立主保護和遠后備保護診斷子網(wǎng),再聯(lián)合2個保護診斷子網(wǎng)形成各出線方向的診斷虛擬庫所,最后聯(lián)合各出線方向的虛擬庫所得到最后的綜合診斷結果。針對圖1中的母線B18,建立的層次化TWFPN模型如圖3所示。圖中，p1、p2、…、p8為初始庫所；p9、p10、…、p14為過渡庫所；p15為原因庫所；r1、r2、r3、r4為保護動作變遷；r5、r6、…、r9為過渡變遷。

圖3 B18的層次化TWFPN模型Fig.3 Hierarchical TWFPN model of B18

2.2 TWFPN模型參數(shù)設置

a. 輸入弧權值。

在元件的TWFPN模型中,保護和斷路器對應的輸入弧權值代表了其對診斷結果的影響差別,目前相關文獻中輸入弧權值大多根據(jù)經(jīng)驗人為設定[10,12,17],本文認為一方面保護動作是斷路器動作的前提,元件故障后通常是由保護動作引發(fā)斷路器跳閘,另一方面保護動作與元件故障的關聯(lián)性更大,一種保護通常與相應元件故障直接關聯(lián),而一個斷路器可由多種保護觸發(fā)使其跳閘,斷路器跳閘與故障元件之間指向性不明顯,需通過相關保護來加強其判斷,因此保護相較于斷路器,對故障診斷結果的影響更大。對于某一具體變遷,將輸入庫所中保護部分和斷路器部分對應的輸入弧的權值分別設定為0.6和0.4;對線路綜合診斷模型中兩端診斷虛擬庫所對應的輸入弧權值分別設定為0.5和0.5;對母線綜合診斷模型中各出線方向的診斷虛擬庫所對應的輸入弧權值設為1/α,α表示這條母線的出線數(shù)。

b. 庫所初始置信度。

電網(wǎng)故障后保護和斷路器存在誤動、拒動的風險,上傳到調(diào)度中心的告警信息也可能伴隨信息缺失、畸變等不確定性。對保護和斷路器對應的庫所,應根據(jù)不同的保護和斷路器警報信息對故障診斷的作用差別給定庫所的初始置信度,初始置信度的設置基于全國電網(wǎng)繼電保護與安全自動裝置動作情況統(tǒng)計,具體賦值如表1所示[12]。

表1 已動作的保護和斷路器對應庫所的初始置信度Table 1 Initial confidence level of corresponding library to operated protection and circuit breaker

考慮到保護和斷路器警報信息中可能夾雜著拒動信息以及信息存在丟失的情況,對未收到告警信息的保護和斷路器對應的庫所給定一個較小的置信度,如表2所示。

表2 未動作的保護和斷路器對應庫所的初始置信度Table 2 Initial confidence level of corresponding library to non-operated protection and circuit breaker

過渡庫所和原因庫所的初始置信度設為0。

c. 變遷置信度。

考慮到不同類型的保護其原理、性能及可靠性都不一樣,故在反向的診斷推理過程中對診斷結果的影響程度也不一樣,據(jù)此賦予變遷不同的置信度[17],規(guī)定主保護、斷路器失靈保護、遠后備保護的變遷置信度分別為1、0.95和0.85,過渡變遷無物理意義,將其置信度設為1。

2.3 基于事件起點的保護和斷路器時序約束檢查

在1.2節(jié)TWFPN的時序約束介紹的基礎上,根據(jù)各告警信息的獲取時間與事件起點之間的時間距離約束進行保護和斷路器的時序約束檢查,包括2個過程:通過逆向時序推理獲取故障發(fā)生的時間區(qū)間;再通過正向時序推理對保護動作信息和斷路器跳閘信息進行檢查,并修正其對應庫所的置信度。

對下文中的時序約束檢查過程中的符號備注如下:T(f)表示可疑故障元件f事件起點的時間點約束,表示事件起點tf應該出現(xiàn)的時間區(qū)間,特殊地,T(fs)表示由各個保護及斷路器告警信息逆向推理直接得到的事件起點的第一推算時間點約束,T(f)r表示在T(fs)的基礎上經(jīng)過時序約束合并得到的事件起點的第二推算時間點約束。

a. 逆向時序推理。

結合可疑故障元件f的TWFPN模型,利用其相關告警信息獲取時間tpi和時間距離約束D(tf,tpi)進行逆向時序推理來獲取事件起點的時間點約束,即:

T(f)=tpi-D(tf,tpi)

由各個保護及斷路器告警信息得到的事件起點的第一推算時間點約束分別為T(f1)、T(f2)、…、T(fs)。

若T(f1)∩T(f2)∩…∩T(fs)≠?,即當?shù)谝煌扑銜r間點約束有區(qū)間重疊時,說明f是這些保護和斷路器告警信息共同的原因事件,即元件f的故障導致了相關保護和斷路器的動作。將第一推算時間點約束直接求交集,得到事件起點唯一的第二推算時間點約束T(f)1=T(f1)∩T(f2)∩…∩T(fs)。

若T(f1)∩T(f2)∩…∩T(fs)=?,即當?shù)谝煌扑銜r間點約束沒有共同的重疊區(qū)間時,說明這些保護和斷路器告警信息中存在一部分不是以故障元件f作為原因事件的,而是由其他故障導致的告警信息或者是錯誤的告警信息,需對其進行篩選和置信度修正。分別將有重疊區(qū)間的第一推算時間點約束合并,得到可疑故障元件f的可能的多個第二推算時間點約束T(f)1、T(f)2、…、T(f)r。

b. 正向時序推理。

針對可疑故障元件f的每個第二推算時間點約束,分別進行正向時序推理,得到TWFPN中各初始庫所的時間點約束，即：

T(tpi)=T(f)r-D(tf,tpi)

將各初始庫所告警信息獲取時間點tpi與基于事件起點進行正向推理得到的各初始庫所的時間點約束T(tpi)進行對比分析。如果各初始庫所的告警獲取時間滿足時間點約束條件,則認為該庫所的狀態(tài)信息是支持可疑故障元件f在該事件起點下的TWFPN的診斷推理的,將該庫所的置信度提高。由于線路主保護及其對應的斷路器、母線主保護對應的斷路器初始置信度值已經(jīng)很高,接近于1,不必進行修正。其余保護及斷路器在初始置信度值的基礎上增加0.1;如果不滿足時間點約束條件,將該庫所的置信度降低,設為0.1;沒有收到告警信息的庫所置信度仍設為0.2;過渡庫所和原因庫所的置信度仍為0。

3 基于事件起點的層次化TWFPN電網(wǎng)故障診斷流程

基于事件起點的層次化TWFPN的電網(wǎng)故障診斷流程如下：

a. 根據(jù)收到的保護和斷路器告警信息,利用結線分析法進行搜索,得到故障區(qū)域,確定可疑故障元件集(f1,f2,…,fk);

b. 針對各個可疑故障元件fk建立層次化的TWFPN模型,獲取各初始庫所的時序屬性;

c. 結合fk的TWFPN模型,根據(jù)該模型中各個初始庫所告警信息獲取時間和時間距離約束進行逆向時序推理,并將有重疊區(qū)間的時序約束合并,得到fk基于事件起點的可能的多個第二推算時間點約束T(f)1、T(f)2、…、T(f)r;

d. 針對得到的可疑故障元件fk的事件起點的第二推算時間點約束,進行正向時序推理,可以得到TWFPN中事件起點為T(f)r下各初始庫所的時間點約束T(tpi),將其與各初始庫所告警獲取時間點tpi進行對比分析,修正初始庫所的置信度;

e. 結合fk的TWFPN的診斷模型,進行矩陣推理計算,得到fk在時間點約束T(f)r下的故障置信度;

f. 針對可疑故障元件fk的事件起點的可能的多個第二推算時間點約束,重復步驟d、e得到可疑故障元件不同時間點約束下的多個可能的故障置信度,通過對比取最大值為fk的最終故障置信度,對應的時間點約束即為故障發(fā)生的時間區(qū)間;

g. 針對故障元件集中每個可疑元件,重復步驟b—f，綜合得到診斷結果；

h. 根據(jù)診斷結果,將故障元件TWFPN模型中各初始庫所告警獲取時間點tpi與其在事件起點下的時間點約束T(tpi)進行對比分析,以判斷保護與斷路器的拒動、誤動及漏報、誤報情況。

故障置信度閾值的設定十分重要,是判斷元件故障與否的重要依據(jù),必須保證在故障后保護和斷路器的極端動作情況下,也能準確地判別出故障?？紤]存在一個告警信息出錯的情況,當線路兩端或母線各出線方向均由遠后備保護動作切除故障時,元件的故障置信度最小,為0.518 5,因此本文取故障置信度的閾值為0.518 5,判定大于0.518 5的元件發(fā)生故障,否則認為無故障。

4 算例仿真分析與比較

以圖1所示IEEE 39節(jié)點系統(tǒng)為例,故障后調(diào)度中心收到的告警信息為(R1803m,0)、(R0318m,2)、(RB03m,5)、(CB0302,58)、(CB0304,63)、(R1803mf,320)、(CB1817,368),時標以收到的第一個告警信息時間點為基準,單位為ms。用層次化TWFPN模型對該案例進行故障診斷,完整診斷流程如下。

首先利用結線分析法搜索故障區(qū)域,得到可疑故障元件為線路L0318、母線B03和母線B18,分別建立其層次化TWFPN模型。

根據(jù)圖2所示L0318的層次化TWFPN模型,收集與L0318相關的告警信息,可得(R1803m,0)、(R0318m,2)、(CB0302,58)、(CB0304,63)、(R1803mf,320)、(CB1817,368)。根據(jù)各初始庫所報警信息獲取時間點和時間距離約束進行逆向時序推理,得到L0318事件起點的第一推算時間點約束為:

T(L03181)=tR1803m-D(tf,tm)=[-40，10] ms

T(L03182)=tR0318m-D(tf,tm)=[-38，-8] ms

T(L03183)=tCB0302-D(tf,tm)-D(tR，tCB)=

[-502，-282] ms

T(L03184)=tCB0304-D(tf,tm)-D(tR，tCB)=

[-497，-277] ms

T(L03185)=tR1803mf-D(tf,tmf)=[-180,-20] ms

T(L03186)=tCB1817-D(tf,tmf)-D(tR，tCB)=

[-192，-28] ms

T(L03181)∩T(L03182)∩T(L03183)∩T(L03184)∩T(L03185)∩T(L03186)=?,分別將有重疊區(qū)間的時間點約束合并,得到L0318事件起點的第二推算時間點約束T(L0318)1=[-38,-10] ms和T(L0318)2=[-497,-282] ms。

針對T(L0318)1=[-38,-10] ms進行正向時序推理,得到各初始庫所的時間點約束為:

T(R1803m)=T(L0318)1+D(tf,tm)=[-28,30] ms

T(CB0302)=T(CB0304)=T(CB1817)=

T(L0318)1+D(tf,tmf)+D(tR,tCB)=

[302,550] ms

T(R1803mf)=T(L0318)1+D(tf,tmf)=[262,490] ms

將各報警信息獲取時間與其時間點約束進行對比分析,R1803m、R0318m、R1803mf、CB1817告警獲取時間滿足其時間點約束,RB03m、CB0302、CB0304不滿足其時間點約束,修正庫所的置信度向量為M0=[0.991 3,0.2,0.991 3,0.2,0.2,0.85,0.85,0.2,0.2,0.2,0.2,0.991 3,0.2,0.991 3,0.2,0.9,0.95,0.2,0.2,0,0,0,0,0,0,0,0,0]T,根據(jù)L0318的層次化TWFPN模型列出其余網(wǎng)絡矩陣參數(shù),通過矩陣推理計算得到最終的庫所置信度向量為M=[0.991 3,0.2,0.991 3,0.2,0.2,0.1,0.1,0.2,0.2,0.2,0.2,0.991 3,0.2,0.991 3,0.2,0.9,0.95,0.2,0.2,0.674 78,0.349 02,0.17,0.674 78,0.907 89,0.17,0.674 78,0.907 89,0.7913 35]T,庫所L0318的置信度為0.791 335,即該時間點約束下L0318的故障置信度為0.791 335。

類似地,針對T(L0318)2=[-497,-282] ms進行正向時序推理并修正庫所的置信度向量為M0=[0.1,0.2,0.1,0.2,0.2,0.95,0.95,0.2,0.2,0.2,0.2,0.1,0.2,0.1,0.2,0.1,0.1,0.2,0.2,0,0,0,0,0,0,0,0,0]T,通過矩陣推理計算得到庫所L0318的置信度為0.327 75。

通過對比在T(L0318)1=[-38,-10] ms和T(L0318)2=[-497,-282] ms下的故障置信度,取較大值0.791 335為L0318的最終故障置信度,對應的時間點約束[-38,-10] ms即為故障發(fā)生的時間區(qū)間。

類似地,構建B03和B18的TWFPN模型,利用其相關報警信息進行故障診斷,診斷結果如表3所示。

綜合以上診斷結果,判定L0318和B03分別在[-38,-10] ms和[-35,-5] ms發(fā)生故障,B18無故障,根據(jù)故障元件TWFPN模型中各初始庫所的時間點約束,對比實際告警信息的獲取時間,分析得到如下結論:L0318故障后,線路兩端主保護正確動作,跳開線路兩端斷路器,CB0318正確動作但其報警信息丟失,CB1803拒動,由CB1803的斷路器失靈保護動作跳開CB1817以隔離故障；B03故障后,母線主保護正確動作跳開與母線相連的斷路器CB0318、CB0302和CB0304,CB0318告警信息丟失。

用本文所提出的故障診斷方法對測試系統(tǒng)中的多種故障場景進行測試,并且將其與文獻[12]、[15]的診斷結果進行對比,部分測試結果如表4所示。

表中,案例1—3為信息完備情況下的診斷,雖然保護和斷路器的誤動、拒動導致了故障區(qū)域的擴大,但利用本文提出的基于事件起點的層次化TWFPN方法可以識別出誤動或拒動信息而得出正確的診斷結果；案例4—7模擬存在保護和斷路器誤動、拒動以及告警信息缺失/錯誤等復雜狀況下的故障診斷,本文提出的方法均能準確地得到診斷結果,提高了故障診斷的準確度和容錯性。

表3 故障案例診斷結果Table 3 Diagnosis results of fault case

對廣州地區(qū)電力系統(tǒng)實際故障案例[15]進行測試,鑒于篇幅限制,層次化TWFPN的建立及故障診斷的步驟和過程不詳細給出,可疑故障元件的故障置信度及時間點約束分別為(L2943,0.890 32,[-38,-21] ms)和(B4,0.434 99,[232,278] ms)。綜合診斷結論如下:線路L2943在-38～-21 ms期間發(fā)生故障線路兩端主保護正確動作并作用于相應斷路器跳閘,由于C12拒動,其斷路器失靈保護動作跳開母線B4背側斷路器以隔離故障。故障診斷結果和實際發(fā)生的故障情況相符。

本文所提的電網(wǎng)故障診斷方法采用MATLAB工具實現(xiàn),以上述算例為例,在主頻為2.6 GHz雙核處理器、內(nèi)存容量為2 GB的PC機上,故障診斷過程所耗時間均在18 ms以內(nèi),能夠滿足電網(wǎng)故障診斷的在線要求。

此外,將本文方法與近年提出的2種利用時序信息的電網(wǎng)故障診斷方法進行了詳細的性能對比分析,結果如表5所示。表中,β為收到的報警信息的數(shù)目;γ為可疑故障元件的數(shù)目。

通過表4中診斷結果的對比和表5中性能的對比可以發(fā)現(xiàn),本文提出的方法充分利用了報警信息的時序信息與約束關系,通過將告警信息全部轉換到以故障發(fā)生時刻為基準的時序約束關系下,對保護、斷路器告警信息進行時序約束檢查,不僅可以得到設備的故障時間點約束,在保護和斷路器誤動/拒動、告警信息缺失/錯誤等復雜狀況下具有較好的容錯性,而且對網(wǎng)絡拓撲的變化適應性強,時序推理過程簡明清晰,運算速度快,滿足在線診斷需求。

表4 基于事件起點的層次化TWFPN方法的故障案例診斷結果Table 4 Diagnosis results of fault cases for hierarchical TWFPN model based on event-starting point

表5 本文方法與現(xiàn)有方法的對比Table 5 Comparison between proposed method and existing methods

5 結語

本文研究一種基于事件起點的層次化TWFPN故障診斷方法,以故障發(fā)生時刻作為事件起點,提出基于事件起點的保護和斷路器時序約束檢查方法,通過逆向和正向時序推理對保護和斷路器動作信息置信度予以修正,提高了故障診斷的準確度和容錯性。IEEE 39節(jié)點系統(tǒng)仿真算例和電網(wǎng)實際故障算例表明該方法能夠在保護和斷路器誤動/拒動、告警信息缺失/錯誤等復雜狀態(tài)下識別真實故障元件,還可以得到設備故障的時間點約束,有利于進一步分析故障原因和故障事態(tài)發(fā)展。該方法充分利用了報警信息的時序信息與約束關系,時序推理過程簡明清晰,對網(wǎng)絡拓撲的變化適應性強,運算速度快,滿足在線診斷需求,具有良好的應用前景。

參考文獻：

[ 1 ] 趙偉,白曉民,丁劍,等. 基于協(xié)同式專家系統(tǒng)及多智能體技術的電網(wǎng)故障診斷方法[J]. 中國電機工程學報,2006,26(20):1-8.

ZHAO Wei,BAI Xiaoming,DING Jian,et al. 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):1-8.

[ 2 ] 張巖,張勇,文福拴,等. 融合信息理論的電力系統(tǒng)故障診斷解析模型[J]. 電力自動化設備,2014,34(2):158-164,174.

ZHANG Yan,ZHANG Yong,WEN Fushuan,et al. Analytical model for power system fault diagnosis integrated with information theory[J]. Electric Power Automation Equipment,2014,34(2):158-164,174.

[ 3 ] 梁辰,邰能靈,胡炎,等. 基于保護信號的隱性故障檢測[J]. 電力自動化設備,2016,36(5):154-159.

LIANG Chen,TAI Nengling,HU Yan,et al. Detection of hidden fai-lure based on protection signals[J]. Electric Power Automation Equipment,2016,36(5):154-159.

[ 4 ] 田方媛,張巖,徐兵,等. 多代理系統(tǒng)框架下的主動配電系統(tǒng)故障診斷[J]. 電力自動化設備,2016,36(6):19-26.

TIAN Fangyuan,ZHANG Yan,XU Bing,et al. Fault diagnosis based on multi agent system for active distribution system[J]. Electric Power Automation Equipment,2016,36(6):19-26.

[ 5 ] 熊國江,石東源,朱林,等. 基于徑向基函數(shù)神經(jīng)網(wǎng)絡的電網(wǎng)模糊元胞故障診斷[J]. 電力系統(tǒng)自動化,2014,38(5):59-65.

XIONG Guojiang,SHI Dongyuan,ZHU Lin,et al. Fuzzy cellular fault diagnosis of power grids based on radial basis function neural network[J]. Automation of Electric Power Systems,2014,38(5):59-65.

[ 6 ] 孫明蔚,童曉陽,劉新宇,等. 運用時序貝葉斯知識庫的電網(wǎng)故障診斷方法[J]. 電網(wǎng)技術,2014,38(3):715-722.

SUN Mingwei,TONG Xiaoyang,LIU Xinyu,et al. A power system fault diagnosis method using temporal Bayesian knowledge bases[J]. Power System Technology,2014,38(3):715-722.

[ 7 ] 胡偉,李勇,曹一家,等. 基于LOF和SVM的智能配電網(wǎng)故障辨識方法[J]. 電力自動化設備,2016,36(6):7-12.

HU Wei,LI Yong,CAO Yijia,et al. Fault identification based on LOF and SVM for smart distribution network[J]. Electric Power Automation Equipment,2016,36(6):7-12.

[ 8 ] CALDERARO V,HADJICOSTIS C N,PIICCOLO A. Failure identification in smart grids based on Petri net modeling[J]. IEEE Tran-sactions on Industrial Electronics,2011,58(10):4613-4623.

[ 9 ] LUO Xu,KEZUNOVIC M. Implementing fuzzy reasoning Petri nets for fault section estimation[J]. IEEE Transactions on Power Deli-very,2008,23(2):676-685.

[10] 楊健維,何正友,臧天磊. 基于方向性加權模糊Petri網(wǎng)的電網(wǎng)故障診斷方法[J]. 中國電機工程學報,2010,30(34):42-49.

YANG Jianwei,HE Zhengyou,ZANG Tianlei. Power system fault-diagnosis method based on directional weighted fuzzy Petri nets[J]. Proceedings of the CSEE,2010,30(34):42-49.

[11] 楊健維,何正友. 基于時序模糊Petri網(wǎng)的電力系統(tǒng)故障診斷[J]. 電力系統(tǒng)自動化,2011,35(15):46-51.

YANG Jianwei,HE Zhengyou. Power system fault diagnosis approach based on time sequence fuzzy Petri net[J]. Automation of Electric Power Systems,2011,35(15):46-51.

[12] 童曉陽,謝紅濤,孫明蔚. 計及時序信息檢查的分層模糊Petri網(wǎng)電網(wǎng)故障診斷模型[J]. 電力系統(tǒng)自動化,2013,37(6):63-68.

TONG Xiaoyang,XIE Hongtao,SUN Mingwei. Power system fault diagnosis model based on layered fuzzy Petri net considering temporal constraint checking[J]. Automation of Electric Power Systems,2013,37(6):63-68.

[13] 張巖,張勇,文福拴,等. 容納時序約束的改進模糊Petri網(wǎng)故障診斷模型[J]. 電力系統(tǒng)自動化,2014,38(5):66-72.

ZHANG Yan,ZHANG Yong,WEN Fushuan,et al. Power system fault diagnosis with an enhanced fuzzy Petri net accommodating temporal constraints[J]. Automation of Electric Power Systems,2014,38(5):66-72.

[14] LI Xiaoou,LARA-ROSANO F. Dynamic knowledge inference and learning under adaptive fuzzy net framework[J]. IEEE Transactions on Systems,Man,and Cybernetics:Part C Applications and Reviews,2008,30(4):442-450.

[15] 郭文鑫,文福拴,廖志偉,等. 基于時序約束網(wǎng)絡的電力系統(tǒng)在線警報處理解析模型[J]. 電力系統(tǒng)自動化,2009,33(21):36-42,65.

GUO Wenxin,WEN Fushuan,LIAO Zhiwei,et al. An analytic model for power system online alarm processing based on temporal constraint network[J]. Automation of Electric Power Systems,2009,33(21):36-42,65.

[16] 樂全明. 電網(wǎng)高級智能故障診斷系統(tǒng)中關鍵技術的研究[D].上海：上海交通大學,2006.

LE Quanming. Research on key techniques of advanced intelligent fault diagnosis system for power grid[D]. Shanghai:Shanghai Jiao Tong University,2006.

[17] 陳強,程學珍,劉建航,等. 基于分層變遷的WFPN電網(wǎng)故障分析[J]. 電工技術學報,2016,31(15):125-135.

CHEN Qiang,CHENG Xuezhen,LIU Jianhang,et al. The analysis method of power grid fault based on hierarchical transition weighted fuzzy Petri net[J]. Transactions of China Electrotechnical Society,2016,31(15):125-135.