徐 彪, 尹項根, 汪 旸, 張 哲, 郝 洵, 陳鐘鐘

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

0 引言

故障元件判別是電網(wǎng)故障應急處置的首要環(huán)節(jié),高效可靠的故障診斷系統(tǒng)能夠為在線調(diào)控運行人員提供緊急決策支持,對于保障電網(wǎng)安全可靠運行意義重大。對此,國內(nèi)外學者提出了多種故障診斷方法,如分別基于專家系統(tǒng)[1]、人工神經(jīng)網(wǎng)絡[2]、貝葉斯網(wǎng)絡[3-4]、模糊理論[5]、解析模型[6]以及Petri網(wǎng)[7-8]的方法等。這些方法各有其實用范圍及特點,也各有一定缺點。如專家系統(tǒng)在知識庫的建立和維護上存在困難,基于人工神經(jīng)網(wǎng)絡的方法需要經(jīng)過大量訓練,樣本完備性難以保證,基于貝葉斯網(wǎng)絡的方法在先驗概率的獲取上尚未有公認的有效方法,模糊理論中推理規(guī)則的建立易受主觀影響,基于解析模型的方法采用優(yōu)化算法進行尋優(yōu),收斂過程一般較長[9]。

基于Petri網(wǎng)的電網(wǎng)故障診斷方法最早提出于二十世紀九十年代末[10],通過Petri網(wǎng)建立系統(tǒng)元件、保護及斷路器的關聯(lián)關系,并通過變遷點火觸發(fā)、庫所標記轉(zhuǎn)移等過程實現(xiàn)電網(wǎng)故障診斷。其圖形化的建模以及矩陣化的推理模式,體現(xiàn)了較強的理論依據(jù)與數(shù)學基礎,具有診斷速度快、物理意義鮮明等優(yōu)點。

當前,基于Petri網(wǎng)的電網(wǎng)故障診斷研究主要集中于Petri網(wǎng)模型改進以及對時序信息的考慮等方面。在模型改進上,文獻[8]提出模糊Petri網(wǎng)描述電網(wǎng)告警信息的不確定性,有效提高了診斷方法的容錯性。文獻[11]對模糊Petri網(wǎng)結(jié)構(gòu)及推理流程進行了優(yōu)化,提高了故障診斷的效率。文獻[12]針對元件不同方向進行層次化建模,能夠改善模型對網(wǎng)絡拓撲變化的適應性,降低推理矩陣的維數(shù)。文獻[13]進一步提出一種模糊Petri網(wǎng)的分層推理流程,能顯著提高算法的性能及其適應性。而在時序考慮方面,文獻[14]利用保護和斷路器動作時序信息實現(xiàn)告警信息的糾錯。文獻[15]進一步提出一種告警信息時序約束的交叉檢查方法,能夠有效辨識異常的告警信息。文獻[16-17]提出一種容納時序約束的模糊Petri網(wǎng)故障診斷模型,將正反向時序推理引入到Petri網(wǎng)故障診斷流程中,對異常的告警信息進行修正并重置其初始置信度,提高了故障診斷結(jié)果的準確性。

可見現(xiàn)有基于Petri網(wǎng)的電網(wǎng)故障診斷模型與方法對于告警信息的不確定性有了充分的考慮,但對于告警信息的時序?qū)傩?尚停留在通過時序約束推理修正告警信息置信度的層面,且時序檢查過程與Petri網(wǎng)推理過程分開進行,過程繁雜且計算量大,嚴重制約了該方法的在線應用。

為此,本文提出一種基于模糊時間Petri網(wǎng)(FTPN)的電網(wǎng)故障診斷方法。與現(xiàn)有時序模糊Petri網(wǎng)診斷方法不同,FTPN將告警信息的時序?qū)傩砸氲綀D形化建模中,為模型庫所及變遷分別賦予一個時間區(qū)間以表征各庫所事件之間的時序約束關系,采用置信概率與時序約束的關聯(lián)推理方法,在得到元件故障置信概率的同時,推理得到故障發(fā)生的時間約束,從而為調(diào)度決策及進一步故障定位[18]提供輔助支持。

1 FTPN

1.1 時序約束及時序推理

由于時間點約束及時間距離約束均由區(qū)間定義,可以利用區(qū)間的計算規(guī)則定義相關時序推理如下。

1)正向推理:已知事件a的時間點約束以及事件a與事件b之間的時間距離約束,可利用區(qū)間加法運算推理事件b的時間點約束。

(1)

2)逆向推理:已知事件b的時間點約束以及事件a與事件b之間的時間距離約束,可利用區(qū)間減法運算推理事件a的時間點約束。

(2)

(3)

(4)

1.2 FTPN定義

圖1 簡單的FTPN模型Fig.1 A simple FTPN model

在傳統(tǒng)模糊Petri網(wǎng)[12]基礎上,考慮庫所時間點約束以及變遷時間距離約束,可將FTPN定義為一個7元組:

(5)

2 基于FTPN的電網(wǎng)故障診斷模型

2.1 FTPN的圖形化建模

以附錄A圖A2所示局部系統(tǒng)為例說明基于FTPN的電網(wǎng)故障診斷模型。該系統(tǒng)保護配置方案如附錄A圖A3所示。具體保護原理參見文獻[17]。

與傳統(tǒng)模糊Petri網(wǎng)類似,FTPN的圖形化建模需分析元件所有的故障蔓延方向,并綜合各方向保護和斷路器告警信息建立Petri網(wǎng)模型。不同的是FTPN模型特別考慮保護和斷路器之間的時序約束關系,在不同層級為其建模,而不是作為同一層輸入庫所等同看待。以線路L1為例,由于其有兩個故障蔓延方向,故引入兩個元件方向庫所L1S和L1R,并與庫所L1之間通過瞬時變遷相關聯(lián),其FTPN模型如圖2所示。

圖2 線路L1的FTPN模型Fig.2 FTPN model of line L1

圖2上半部分為FTPN模型,下半部分為對FTPN模型的分層描述。因為FTPN模型中的斷路器庫所、保護庫所及元件庫所之間具有明顯的分層特性,彼此之間通過時間變遷相關聯(lián)[13]。因此可以根據(jù)分層關系對模型中的庫所及變遷進行分組:P={PB1,PB2,PB3,PB4},R={RB1,RB2,RB3}。

如對于圖2模型,有PB4={P10,P11,…,P17},RB3={R8,R9,R10,R11}。而對于相應分層的變遷與庫所,其間可以通過子關聯(lián)矩陣相聯(lián)系。圖2所示模型的輸入關聯(lián)矩陣、輸出關聯(lián)矩陣及其子關聯(lián)矩陣如圖3所示。容易看出,子關聯(lián)矩陣僅僅關注關聯(lián)矩陣中非零的矩陣塊,而忽略大量無實際意義的零元素,因此能夠有效降低推理矩陣的維數(shù),減少計算量。

類似地,為母線B1的5個故障蔓延方向引入方向庫所B1-1至B1-5,建立其FTPN模型及其關聯(lián)矩陣如附錄A圖A4至圖A6所示。

2.2 模型參數(shù)設置

1)庫所置信概率賦初值:考慮到保護和斷路器

圖3 線路L1模型的輸入及輸出關聯(lián)矩陣Fig.3 Input and output correlation matrix for line L1

動作的不確定性及其優(yōu)先級,對于收到的告警信息,為其對應庫所分別賦予較高的初始置信概率,而對于未收到的告警信息,為其對應庫所賦予較低的初始置信概率[8],如表1所示。

表1 告警信息初始置信度設置Table 1 Initial confidence setting of alarm information

3)變遷時間區(qū)間賦值:由于時間變遷反映了電網(wǎng)故障事件之間的時間距離約束,需根據(jù)繼電保護系統(tǒng)的整定原則確定。如繼電保護系統(tǒng)要求主保護在故障發(fā)生后在10～20 ms內(nèi)動作出口,則對關聯(lián)元件與主保護的時間變遷,為其時間區(qū)間賦值為[10,20]ms。

2.3 矩陣推理運算定義

為了便于描述FTPN的推理過程,首先定義相關矩陣推理運算如下。

(6)

該運算主要用于庫所時間點約束的正向及逆向推理。

(7)

該運算主要用于將變遷的時間距離約束映射到其輸入庫所,便于進行時序推理計算。

(8)

該運算主要用于計算斷路器庫所與保護庫所的合成置信概率,其中兼顧考慮動作時間的匹配情況。

(9)

該運算主要用于求取保護與斷路器的合成時間點約束。

(10)

(11)

式中:avg(·)為取平均值函數(shù)。

該運算對變遷各輸入庫所的置信概率及時間點約束進行關聯(lián)計算,用于實現(xiàn)各變遷的輸入過程運算。

(12)

(13)

該運算對輸入各變遷的置信概率及時間點約束信息進行關聯(lián)計算,用于實現(xiàn)各變遷的輸出。

2.4 FTPN模型的分層推理過程

1)第3層子模型的輸入及輸出推理:此步驟實現(xiàn)斷路器動作告警信息向保護庫所的推理,包括置信概率與時間區(qū)間的轉(zhuǎn)移。

(14)

(15)

2)第3層保護庫所信息合成:此步驟實現(xiàn)保護庫所與斷路器傳遞信息的融合,在置信度融合時兼顧考慮動作的時序約束匹配關系。

(16)

(17)

3)第2層子模型的輸入及輸出推理:此步驟實現(xiàn)保護庫所合成的故障信息向元件各故障蔓延方向中間庫所的推理。

(18)

(19)

4)第1層子模型的輸入及輸出推理:此步驟完成元件各故障蔓延方向的庫所信息融合。

(20)

(21)

5)元件庫所的置信概率更新:根據(jù)元件不同方向的時序推理結(jié)果,對其置信概率進行更新。

(22)

可見在FTPN模型的推理過程中,時序匹配過程影響了置信概率的大小,而置信概率的大小影響了變遷輸出庫所的時間區(qū)間,兩者的推理是同時關聯(lián)進行,相互影響,最終得到元件故障的置信概率及時間點約束。

2.5 告警信息的動作評價

經(jīng)過前述分層推理,可以得到元件FTPN模型中各庫所的置信概率及時間點約束。結(jié)合仿真經(jīng)驗,若元件的故障置信概率超過0.6,則判定該元件為故障元件。在此條件下,首先可以判定與故障元件FTPN模型無關的所有故障告警信息均為誤動信息。對于裝置拒動或告警信息的漏報及誤報等情況,可以從FTPN模型的元件方向庫所出發(fā)進行反向搜索進行評價。具體過程如下。

1)從各元件方向庫所出發(fā),分別反向搜索到與其直接關聯(lián)的主保護庫所、失靈保護庫所以及遠后備庫所,其中合成置信度θPB3″最高的庫所即為該方向上真實切除故障的保護。在此基礎上結(jié)合主保護、失靈保護、遠后備保護的動作優(yōu)先級,并在不考慮雙重異常的小概率事件條件下,建立保護異常告警的評價規(guī)則如附錄A表A1所示。

2)根據(jù)保護動作信息的評價結(jié)果,對異常告警信息進行修正,補齊漏報的保護告警并消除誤報的保護告警。再根據(jù)修正后的保護動作信息進行反向搜索,評價與保護直接關聯(lián)的斷路器告警信息。建立異常斷路器告警信息的評價規(guī)則如下:①若合成置信度最高的保護對應的斷路器未動作,則判定為斷路器信息漏報;②若非合成置信度最高的保護動作,但對應的斷路器未動作,則判定為斷路器在該保護作用下拒動;③若非合成置信度最高的保護動作,而對應的斷路器動作但不滿足時間距離約束,則判定該斷路器為誤報信息;④若非合成置信度最高的保護未動作,但對應的斷路器動作,則判定為斷路器信息出錯(誤報或誤動),需結(jié)合實際斷路器操動機構(gòu)狀態(tài)進一步判定。

3)對于告警信息的時標錯誤,可以從元件庫所的時間點約束開始,結(jié)合其與相應庫所之間的時間距離約束進行正向推理進行檢查,并根據(jù)推理結(jié)果進行錯誤時標的修正以及漏報信息的時標補齊。

應當注意,對于多重故障的情況,只要告警信息在某個故障元件的FTPN模型中被判定為正常動作,就判定其不是異常告警信息。

3 算例仿真及性能分析

3.1 仿真算例

對于附錄A圖A2所示局部電網(wǎng),首先以文獻[19]中的故障場景為例對FTPN模型的診斷過程進行說明。該文設定主保護動作延時10～40 ms,斷路器動作延時20～40 ms,失靈保護延時310～340 ms,遠后備保護延時510～540 ms,據(jù)此對模型中的時間變遷進行參數(shù)設置。該場景下收到的告警信息集合為:B1m(50),L2Rs(536),L4Rs(575),CB4(85),CB5(87),CB7(83),CB9(84),CB6(120),CB12(585),CB27(600),其中括號內(nèi)為告警時間,單位為毫秒。

根據(jù)告警信息可知,停電區(qū)域內(nèi)的元件包括B1,B2,L2和L4,分別對其FTPN模型進行診斷推理,詳細計算過程參見附錄B。由此可以判定母線B1發(fā)生故障,其置信概率為0.97,且故障發(fā)生的時間點約束區(qū)間為[35,40]ms。根據(jù)2.5節(jié)的告警信息評價規(guī)則,可以判定斷路器CB6在母線保護作用下拒動,為誤報的告警信息;斷路器失靈保護CB6f拒動?？梢姳疚姆椒ǖ脑\斷結(jié)果與文獻[19]中采用時間溯因推理的診斷結(jié)果完全一致,但本文方法通過FTPN的矩陣推理方式避免了繁雜的規(guī)則匹配過程。

此外,采用本文方法對不同的故障場景進行了診斷測試,并與文獻[17]進行了比較,如附錄C表C1所示。其中案例1和案例4分別為告警信息完備情況下的簡單故障和多重故障,案例2和3為存在異常告警情況下的簡單故障診斷,案例5和6為存在異常告警情況下的多重故障診斷。值得注意的是,該文獻中保護及斷路器的動作延時有所不同,其規(guī)定失靈保護延時區(qū)間為[260,340]ms,遠后備保護延時區(qū)間為[950,1 070]ms,因此,需要對相應時間變遷的區(qū)間參數(shù)進行調(diào)整。從算例的診斷情況易知,本文方法的診斷結(jié)果與文獻[17]相同,且由于采用置信概率與時序約束的關聯(lián)推理,故障元件置信度更高,非故障元件置信度更低,有效提高了故障元件的判別能力。

3.2 性能分析

由上述算例仿真結(jié)果可知,FTPN模型采用矩陣算法實現(xiàn)時序及置信度的關聯(lián)推理,能有效避免傳統(tǒng)時序匹配的繁雜過程,適用于單重故障和多重故障情況的診斷,在判定故障元件的同時能夠推理得到元件故障發(fā)生的時間點約束,而且在存在保護及斷路器拒動、誤動或告警信息漏報、誤報等情況下,仍能有效判別故障元件,具有較強的容錯性。將本文方法與其他幾種現(xiàn)有方法的進行比較,其結(jié)果如表2所示。

表2 本文方法與現(xiàn)有幾種方法的比較Table 2 Comparisons between the proposed method and some existing methods

4 結(jié)語

充分且高效利用告警信息的時序?qū)傩詫τ谔岣吖收显\斷系統(tǒng)的性能具有重要意義。本文將時序約束關系融入模糊Petri網(wǎng)模型中,提出了一種基于FTPN的電網(wǎng)故障診斷方法,建立了兼顧時序信息的FTPN矩陣推理算法,能夠有效避免時序推理中繁雜的規(guī)則匹配過程,快速得到元件的故障置信概率及其故障發(fā)生的時間點約束。多組算例仿真結(jié)果表明,所提方法在存在保護及斷路器的拒動、誤動或者告警信息的漏報、誤報等情況均能快速正確的診斷出故障元件,具有較好的靈活性和容錯性。

當然,本文時序匹配與置信概率的融合具有一定主觀性,下一步的研究重點是FTPN的在線自適應建模,提高模型的適應性和工程實用性。

附錄見本刊網(wǎng)絡版(http://www.aeps-info.com/aeps/ch/index.aspx)。

[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(shù)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 Xiaomin, 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] 畢天姝,倪以信,吳復立,等.基于新型神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷方法[J].中國電機工程學報,2002,22(2):74-79.

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): 74-79.

[3] 吳欣,郭創(chuàng)新,曹一家.基于貝葉斯網(wǎng)絡及信息時序?qū)傩缘碾娏ο到y(tǒng)故障診斷方法[J].中國電機工程學報,2005,25(13):14-18.

WU Xin, GUO Chuangxin, CAO Yijia. A new fault diagnosis approach of power system based on Bayesian network and temporal order information[J]. Proceedings of the CSEE, 2005, 25(13): 14-18.

[4] ZHU Yongli, HUO Limin, LU Jinling. Bayesian networks-based approach for power systems fault diagnosis[J]. IEEE Transactions on Power Delivery, 2006, 21(2): 634-639.

[5] 周明,任建文,李庚銀,等.基于模糊推理的分布式電力系統(tǒng)故障診斷專家系統(tǒng)[J].電力系統(tǒng)自動化,2001,25(24):33-36.

ZHOU Ming, REN Jianwen, LI Gengyin, et al. Distributed power system fault diagnosis expert system based on fuzzy inference[J]. Automation of Electric Power Systems, 2001, 25(24): 33-36.

[6] 郭文鑫,廖志偉,文福拴,等.計及警報信息時序特性的電網(wǎng)故障診斷解析模型[J].電力系統(tǒng)自動化,2008,32(22):26-31.

GUO Wenxin, LIAO Zhiwei, WEN Fushuan, et al. An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account[J]. Automation of Electric Power Systems, 2008, 32(22): 26-31.

[7] 鐘錦源,張巖,文福拴,等.利用電氣量和時序信息的改進Petri網(wǎng)故障診斷模型[J].電力系統(tǒng)自動化,2015,39(11):152-159.DOI:10.7500/AEPS20140617002.

ZHONG Jinyuan, ZHANG Yan, WEN Fushuan, et al. An improved Petri net model for power system fault diagnosis employing electrical data and temporal constraints[J]. Automation of Electric Power Systems, 2015, 39(11): 152-159. DOI: 10.7500/AEPS20140617002.

[8] 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.

[9] 王守鵬,趙冬梅.電網(wǎng)故障診斷的研究綜述與前景展望[J].電力系統(tǒng)自動化,2017,41(19):164-175.DOI:10.7500/AEPS20170126001.

WANG Shoupeng, ZHAO Dongmei. Research review and prospects for power grid fault diagnosis[J]. Automation of Electric Power Systems, 2017, 41(19): 164-175. DOI: 10.7500/AEPS20170126001.

[10] LO K L, NG H S, GRANT D M, et al. Extended Petri net models for fault diagnosis for substation automation[J]. IEE Proceedings: Generation, Transmission and Distribution, 1999, 146(3): 229-234.

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

[12] 楊健維,何正友,臧天磊.基于方向性加權(quán)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.

[13] 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(shù)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.

[14] 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.

[15] 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.

[16] 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.DOI:10.7500/AEPS20130323006.

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. DOI: 10.7500/AEPS20130323006.

[17] 白展,苗世洪,孫雁斌,等.計及時間約束的改進模糊Petri網(wǎng)故障診斷模型[J].電工技術(shù)學報,2016,31(23):107-115.

BAI Zhan, MIAO Shihong, SUN Yanbin, et al. Fault diagnosis model based on improved fuzzy Petri net considering time constraints[J]. Transactions of China Electrotechnical Society, 2016, 31(23): 107-115.

[18] LEE J W, KIM W K, HAN J, et al. Fault area estimation using traveling wave for wide area protection[J]. Journal of Modern Power Systems and Clean Energy, 2016, 4(3): 478-486.

[19] 康泰峰,吳文傳,張伯明,等.基于時間溯因推理的電網(wǎng)診斷報警方法[J].中國電機工程學報,2010,30(19):84-90.

KANG Taifeng, WU Wenchuan, ZHANG Boming, et al. Temporal abductive reasoning based diagnosis and alarm for power grid[J]. Proceedings of the CSEE, 2010, 30(19): 84-90.