薛衛(wèi)星

?

基于貝葉斯知識庫的牽引變電所故障診斷方法

薛衛(wèi)星

介紹了一種基于貝葉斯知識庫TBKB的牽引變電系統(tǒng)故障診斷方法，運用貝葉斯網(wǎng)絡(luò)在處理不確定性和不完備性問題時的推理能力，處理實際報警信息中繼電保護信息的不確定情況；利用TBKB的表達能力表示保護、斷路器間的約束關(guān)系；利用保護與斷路器的邏輯關(guān)系與約束關(guān)系確定故障元件，并通過算例驗證了方法和模型的可行性。

貝葉斯知識庫；故障診斷；牽引變電所

0 引言

近年來，我國電力行業(yè)不斷發(fā)展，電力系統(tǒng)規(guī)模逐漸擴大，同時牽引變電系統(tǒng)的結(jié)構(gòu)也越來越復(fù)雜，因此對電力系統(tǒng)安全方面的要求逐漸提高。由于電力系統(tǒng)故障的發(fā)生是一種較為客觀的事件，在發(fā)生故障后調(diào)度人員需快速地對發(fā)生故障的元件加以辨別，同時采取相應(yīng)的操作進行快速處理，防止故障范圍進一步擴大，使系統(tǒng)盡快恢復(fù)正常運行。當出現(xiàn)供電故障時，SCADA系統(tǒng)會生成大量的報警信息并且將這些信息上傳至調(diào)度中心。如何正確表達與利用這些信息及其之間的關(guān)系，處理好誤動、拒動、信息缺失等不確定性情況，對于牽引變電系統(tǒng)故障診斷非常重要。貝葉斯網(wǎng)絡(luò)作為當前用于推理及知識表達領(lǐng)域最為有效的模型之一，在最近幾年受到了極大的重視。當前對貝葉斯理論的研究主要是針對其網(wǎng)絡(luò)的構(gòu)建、推理、學(xué)習(xí)與應(yīng)用，而且在這些方面也取得了較好的成果。

貝葉斯網(wǎng)絡(luò)模型方法包括對貝葉斯網(wǎng)絡(luò)故障的檢測以及分布處理的方法[1]。該模型較為清晰、直觀，且容易理解；很容易找出各類數(shù)據(jù)之間的關(guān)聯(lián)性；能夠很好地利用信息的屬性，對于準確診斷非常有利；應(yīng)用于電力系統(tǒng)數(shù)據(jù)結(jié)構(gòu)的診斷時，能夠很好地維護和修正；可以將先驗信息和后驗信息加以綜合，即使在信息不完備和不確定的情況下仍可進行診斷決策。

文獻[2]將該理論成功應(yīng)用于電力系統(tǒng)故障的診斷，有效解決了貝葉斯網(wǎng)絡(luò)參數(shù)難以獲取的難題，以及因缺失信息較多而難以對故障進行診斷的問題，并制定了相關(guān)信息處理規(guī)則提高該方法的計算效率，同時將其與證據(jù)的不確定性理論相結(jié)合，極大的降低了計算量。牽引供電系統(tǒng)的故障診斷是指利用系統(tǒng)的保護和斷路器的狀態(tài)信息，診斷出系統(tǒng)中發(fā)生故障的設(shè)備，其診斷對象為牽引變壓器、母線、供電線路等重要設(shè)備。由于牽引供電系統(tǒng)的故障信息匯集到牽引變電所，并在牽引變電所進行故障診斷，所以牽引供電系統(tǒng)的故障診斷也可理解為牽引變電所的故障診斷[3]。貝葉斯網(wǎng)絡(luò)依照概率計算和因果推理，頻繁應(yīng)用于信息不完備情況下復(fù)雜問題的處理，而且也較符合牽引供電系統(tǒng)故障診斷的實際要求。

本文主要探討采用貝葉斯知識庫TBKB（Temporal Bayesian Knowledge Bases）方法對故障診斷中的一些問題加以處理，從調(diào)度監(jiān)控系統(tǒng)的歷史數(shù)據(jù)庫中收集保護出口跳閘信號、開關(guān)動作等帶時標的報警信息，采用TBKB進行診斷，快速準確定位故障元件，有效識別時標出錯、保護與斷路器誤動、拒動、信息缺失等故障情形。

1 貝葉斯理論及牽引變電所診斷模型

1.1 貝葉斯的基本概念

貝葉斯網(wǎng)絡(luò)又稱信度網(wǎng)絡(luò)，可以通過一個有向無環(huán)圖將變量之間的關(guān)系加以描述[5～7]。貝葉斯網(wǎng)絡(luò)節(jié)點表征牽引變電所內(nèi)的設(shè)備，其狀態(tài)值分為1和0兩種，前者代表設(shè)備動作或者設(shè)備故障，后者表示設(shè)備不動作或設(shè)備正常。在貝葉斯網(wǎng)絡(luò)的每一個節(jié)點上都存在一個概率分布，其中根節(jié)點所賦值和非根節(jié)點所賦值分別滿足邊緣分布()和條件概率分布(X)。

概率的值可以依照聯(lián)合概率分布計算式（1）求得。假設(shè)在貝葉斯網(wǎng)絡(luò)里各變量依次為1，2，3…，X，那么聯(lián)合概率分布即為各個變量的概率分布的乘積。

1.2 牽引變電所繼電保護原理及配置

圖1為全并聯(lián)AT牽引供電系統(tǒng)簡化單線示意圖。

圖1 全并聯(lián)AT牽引供電系統(tǒng)簡化單線示意圖

將全并聯(lián)AT牽引變電所中主變壓器T1、母線Bα和線路L1&L2保護及與保護關(guān)聯(lián)的斷路器信息進行整理，如表1所示，其他相同設(shè)備的保護配置相同。

表1 保護及斷路器配置表

1.3 基于貝葉斯的變電所故障診斷模型構(gòu)建

在牽引變電系統(tǒng)故障過程中，可以通過概率的表示方法表示信息的不確定性，其主要表現(xiàn)在繼電保護的拒動以及元件的誤動概率和先驗概率等方面。依照保護的相關(guān)原理可知，母線和相鄰線路的保護依次作為主保護和后備保護。

主變壓器T1的貝葉斯網(wǎng)絡(luò)模型如圖2所示，模型從變壓器節(jié)點分別指向變壓器瓦斯保護、縱差動保護節(jié)點，還指向高壓側(cè)三相式低壓啟動過電流保護節(jié)點，同時瓦斯保護、縱差動保護節(jié)點指向高壓側(cè)三相式低壓啟動過電流保護節(jié)點，以上保護再指向其分別控制的斷路器節(jié)點。若斷路器拒動，則從斷路器指向主變壓器遠后備保護節(jié)點，再指向其控制的斷路器節(jié)點；若斷路器誤動，同時指向斷路器連接的線路保護或變壓器保護節(jié)點，再指向保護控制斷路器節(jié)點。

圖2 主變壓器T1的貝葉斯網(wǎng)絡(luò)模型

圖3所示為母線Bα的貝葉斯網(wǎng)絡(luò)模型。母線模型從母線的節(jié)點開始出發(fā)到達2個過流保護的節(jié)點，之后從過流節(jié)點向斷路器（受過流保護）節(jié)點轉(zhuǎn)移。如果斷路器發(fā)生拒動，經(jīng)由斷路器轉(zhuǎn)向高壓側(cè)過流保護節(jié)點，再指向其控制的斷路器節(jié)點；若斷路器誤動，指向斷路器連接的線路保護或變壓器保護節(jié)點，再指向保護控制斷路器節(jié)點。

圖3 母線Bα的貝葉斯網(wǎng)絡(luò)模型

圖4所示為線路L1&L2的貝葉斯網(wǎng)絡(luò)模型。模型從節(jié)點向線路I、II段節(jié)點轉(zhuǎn)移，再指向第III段節(jié)點，最終轉(zhuǎn)向其所控制的斷路器。如果斷路器發(fā)生拒動，經(jīng)由斷路器轉(zhuǎn)向變壓器低壓過電流保護節(jié)點，再指向其控制的斷路器節(jié)點；若斷路器誤動，指向斷路器連接的線路保護或變壓器保護節(jié)點，再指向保護控制斷路器節(jié)點。

圖4 線路L1&L2的貝葉斯網(wǎng)絡(luò)模型

2 基于貝葉斯的故障診斷方法及流程

2.1 貝葉斯節(jié)點上概率的賦值

根據(jù)1.1節(jié)所述，貝葉斯網(wǎng)絡(luò)上的節(jié)點所賦的概率值為其概率分布，通過記錄統(tǒng)計和歷史運行數(shù)據(jù)可以獲得條件概率和先驗概率[10～12]。其中元件的先驗概率值與保護和斷路器的條件概率值分別如表2、表3所示。

表2 元件的先驗概率

表3 保護和斷路器裝置誤動拒動概率

2.2 故障區(qū)域識別

實際牽引變電系統(tǒng)發(fā)生故障后，可以通過SCADA系統(tǒng)從數(shù)據(jù)系統(tǒng)里獲得部分相關(guān)信息（如斷路器動作信息等），此時先判斷停電的區(qū)域[13]，然后對該區(qū)域內(nèi)的元件進行判定，同時運用貝葉斯網(wǎng)絡(luò)建模加以診斷，使用該方法能夠有效提升故障的診斷速度和診斷效率。

2.3 貝葉斯故障診斷流程

（1）TBKB故障診斷模型建立。針對系統(tǒng)的一個元件，建立相應(yīng)貝葉斯知識庫TBKB模型。

（2）獲取故障信息，定位疑似故障元件。由斷路器跳閘狀態(tài)判斷出停電區(qū)域，將停電區(qū)域中元件判斷為疑似故障元件。

（3）貝葉斯故障診斷。依照節(jié)點之間的條件概率分布及其相互之間的動作信息，在GENIE軟件中，設(shè)定貝葉斯故障診斷模型中節(jié)點概率與實際狀態(tài)值，反向推理求取貝葉斯網(wǎng)絡(luò)中狀態(tài)未知節(jié)點故障的概率值(F= 1)(∈*)。模型中將引發(fā)故障的閾值設(shè)置為0.6，如果(F= 1)＞0.6，即可判定為故障元件，反之則為正常元件。

（4）在獲知故障元件后，由故障元件出發(fā)，對于假設(shè)狀態(tài)組合集合以外正常動作的保護、斷路器節(jié)點，其實際狀態(tài)即為數(shù)據(jù)采集與SCADA監(jiān)控系統(tǒng)中報警信息的狀態(tài)值。對于假設(shè)狀態(tài)組合集合中的節(jié)點，依據(jù)其相關(guān)保護、斷路器節(jié)點的實際狀態(tài)，利用貝葉斯狀態(tài)概率計算式，獲得該保護、斷路器動作狀態(tài)的實際發(fā)生概率，再通過貝葉斯正向推理式，獲得在TBKB網(wǎng)絡(luò)內(nèi)所有保護、斷路器的期望值。如果此時其處于動作狀態(tài)，而實際是處于不動作狀態(tài)，那么判斷為拒動，反之則稱之為誤動。

假設(shè)1是保護、斷路器從SCADA系統(tǒng)里所讀取的實際動作概率值，其狀態(tài)值分為0和1兩種，其中前者表示保護、斷路器實際情況不動作，后者表示保護、斷路器實際情況動作。

假設(shè)2是保護、斷路器依照正向推理所獲得的動作概率值，且D=1-2，那么通過D的值可以得出保護、斷路器的具體結(jié)果：

D＞0.5，代表保護、斷路器發(fā)生誤動；

-0.5≤D≤0.5，代表保護、斷路器正常；

D＜-0.5，代表保護、斷路器發(fā)生拒動。

通過上述描述可以得出基于貝葉斯知識庫的AT牽引變電所故障診斷流程如圖5所示。

3 算例驗證

假設(shè)變壓器T1發(fā)生了故障，SCADA系統(tǒng)信息表述為：動作T1m = 1、CB3 = 1、CB4 = 1；不動作T1gp = 0、CB1 = 0。

圖5 貝葉斯故障診斷流程

可以通過斷路器動作信息判斷出發(fā)生停電的區(qū)域，此時斷路器CB3、CB4以及CB11會自主地將母線Ba、線路L1&L2以及變壓器T1全都切除，并對這3個可疑元件進行故障判斷。

采用貝葉斯網(wǎng)絡(luò)模型分別對上述3個可疑元件進行判斷，分別設(shè)定T1m = state1，CB3 = state1，CB4 = state1，T1gp = state0，CB1 = state0，進行貝葉斯反向推理，運行軟件得到診斷結(jié)果如下：

母線Ba的故障概率(Ba= 1) = 0.378＜0.6，故確定母線Ba正常；

變壓器T1的故障概率(T1 = 1) = 0.753＞0.6，故確定變壓器T1故障；

線路L1&L2的故障概率(L1&L2 = 1) = 0.575＜0.6，故確定線路L1&L2正常，但故障概率值需要修正，線路L1&L2的故障概率修正為0.378。

將3個元件的故障概率代入各自的根節(jié)點，然后在其之間進行正向推理，可得到相應(yīng)節(jié)點動作概率，然后對斷路器的動作情況進行分析，得到相應(yīng)的結(jié)果，具體如表4—表6所示。

表4 L1&L2模型中正向推理得到保護與斷路器動作概率

表5 Bα模型中正向推理得到保護與斷路器動作概率

表6 T1模型中正向推理得到保護與斷路器動作概率

通過表中的結(jié)果可以對其進行初步診斷。通過對線路L1&L2和母線Bα進行正向推理表明CB3發(fā)生誤動，通過對變壓器T1進行正向推理表明CB1發(fā)生拒動，然后依照貝葉斯網(wǎng)絡(luò)模型再結(jié)合相關(guān)元件的動作狀態(tài)，判斷斷路器CB3動作是因為故障元件的主保護T1m動作以切除故障變壓器，其并不屬于誤動；而斷路器CB1在主保護T1m動作的情況下應(yīng)該動作，實際狀態(tài)未動作，因此屬于拒動；T1s與CB11因動作信息缺失無法判定其動作情況。

表7是最終獲得的診斷結(jié)果，該結(jié)果能夠表明診斷的正確性，且表明其具有更強的容錯能力。

表7 故障診斷結(jié)果

4 結(jié)語

本文提出了基于貝葉斯知識庫的牽引變電所故障診斷方法。針對一個典型全并聯(lián)AT牽引變電所主接線及保護配置進行分析，建立基于貝葉斯知識庫的診斷模型，最后通過算例驗證了該方法的有效性。

[1] 吳欣，郭創(chuàng)新，曹一家. 基于貝葉斯網(wǎng)絡(luò)及信息屬性的電力系統(tǒng)故障診斷方法[J]. 中國電機工程學(xué)報，2005，25（13）：14-18.

[2] 李強，徐建政. 基于主觀貝葉斯方法的電力系統(tǒng)故障診斷[J]. 電力系統(tǒng)自動化，2007，31（15）：46-50.

[3] 胡笑翔. 智能變電所故障診斷軟件設(shè)計[D]. 西南交通大學(xué)，2014.

[4] 紀航，劉新平，朱煒. 基于貝葉斯網(wǎng)絡(luò)和GeNIe軟件的超高壓輸電線路綜合狀態(tài)評估新方法[J]. 上海電力，2011（1）：14-20.

[5] 張連文，郭海鵬. 貝葉斯網(wǎng)引論[M]. 北京：科學(xué)出版社，2006.

[6] E.T.Jaynes. 概率論沉思錄[M]. 北京：人民郵電出版社，2009.

[7] 董立巖. 貝葉斯網(wǎng)絡(luò)應(yīng)用基礎(chǔ)研究[D].吉林大學(xué)，2007.

[8] 顧雪平，劉道兵，孫海新，等. 面向SCADA系統(tǒng)的牽引變電系統(tǒng)故障診斷信息的獲取[J].牽引變電系統(tǒng)技術(shù)，2012，36（6）：64-70.

[9] 張學(xué)軍，劉小冰. 基于正反向推理的電力系統(tǒng)故障診斷專家系統(tǒng)[J]. 山西電力，1998，23（6）：8-12.

[10] 郭永基. 電力系統(tǒng)可靠性原理和應(yīng)用[M]. 北京：清華大學(xué)出版社，1986.

[11] 吳欣，郭創(chuàng)新. 基于貝葉斯網(wǎng)絡(luò)的電力系統(tǒng)故障診斷方法[J]. 電力系統(tǒng)及其自動化學(xué)報，2005，17（4）：11-15.

[12] 周玉蘭，王俊永，舒治淮，等. 2002年全國牽引變電系統(tǒng)繼電保護與安全自動裝置運行情況[J]. 牽引變電系統(tǒng)技術(shù)，2003，27（9）：42-48.

[13] 何小飛. 基于貝葉斯網(wǎng)絡(luò)和D-S證據(jù)理論的電網(wǎng)故障診斷模型研究[D]. 西南交通大學(xué)，2010.

The paper introduces a diagnosis method for traction power supply system on the basis of TBKB. The reasoning ability for dealing with uncertainty and incompleteness by application of Bayesian network is adopted to deal with the uncertainty of relay protection information in the actual alarm information; TBKB’s ability of expression is adopted for indicating the restricted relationship between protection device and circuit breaker; and the logical relationship and restricted relationship of the protection device and circuit breaker are adopted for determination of faulty components. The feasibilities of the method and the model are verified by the account case.

Bayesian Knowledge Base; fault diagnosis; traction substation

U226.5

A

10.19587/j.cnki.1007-936x.2018.01.002

1007-936X(2018)01-0005-04

2017-11-07

薛衛(wèi)星.中國鐵路上海局合肥樞紐工程建設(shè)指揮部，高級工程師。