游昊，石恒初，楊遠航，顏麗，廖曉春

(1.云南電網(wǎng)有限責任公司，云南 昆明 650011；2. 武漢華電順承科技有限公司，湖北 武漢 430071)

隨著社會經(jīng)濟的快速發(fā)展，社會對電力供應的依賴程度增強，對穩(wěn)定、可靠的供電服務質量要求越來越高，調度管理的智能化水平和電網(wǎng)事故的快速處理得到越來越多的關注。繼電保護領域的保信、錄波和行波3個主站為調度機構提供決策支持，3個主站分別在故障診斷、故障分析和測距定位方面各擅勝場，但存在保信主站調取信息不及時、錄波主站測距不理想、行波主站自動化程度低等弊端。同時，各主站獨立運行，缺乏有效的信息共享機制，存在多頭管理、信息孤島、依賴人工干預等問題，影響繼電保護輔助決策支持水平。

近年來，國內外開展了一些利用保信、錄波和行波故障信息提高繼電保護輔助決策支持水平的相關研究。在信息融合效果方面，文獻[1-3]采用時序貝葉斯網(wǎng)絡、小波技術、覆蓋集理論等方法進行故障特征提取，綜合保護動作、錄波電氣數(shù)據(jù)進行故障綜合判定。上述文獻融合的對象主要是廠站側保信和錄波的開關量和電氣量信息，但保護故障數(shù)據(jù)點多，在時間約束下的融合效果并不理想。文獻[4-5]提出了主站監(jiān)控系統(tǒng)一體化的構想，考慮了多數(shù)據(jù)源分析進程阻塞、信息無法同步獲取的情況，但未給出信息同步正向解決方法，停留于被動接收層面的信息融合，融合效果不佳。

在故障定位方面，文獻[6-7]中行波雙端測距原理簡單，理論精度高，但存在兼容性差、智能化程度低、波頭識別難等弱點，自身缺陷短時間難以攻克。而錄波和保信阻抗測距法在高阻接地時存在較大偏差，其他多數(shù)情況下的測距結果準確性較高，行波初始波頭搜索范圍未有效利用錄波和保信的測距結果作為參考，是當前主站各自為政的弊端。

在融合診斷方法方面，文獻[8-12]提出基于人工神經(jīng)網(wǎng)絡的信息融合、基于貝葉斯網(wǎng)絡的信息融合、基于模糊推理的信息融合、基于專家系統(tǒng)的信息融合、基于小波變換的多尺度信息融合、加權系數(shù)信息融合等方法。這些方法在電網(wǎng)故障診斷中已有廣泛應用，但也存在各自缺點，例如：人工神經(jīng)網(wǎng)絡需要大量樣本訓練，訓練樣本數(shù)量和完整性難以保證；模糊推理的規(guī)則建立受主觀因素影響；專家系統(tǒng)的知識庫維護不及時。

面對電網(wǎng)規(guī)模擴大、設備數(shù)量增多、擾動數(shù)據(jù)驟增的壓力，局限于廠站側故障數(shù)據(jù)融合，需要花費大量時間從海量數(shù)據(jù)中提取故障特征，工作繁瑣且低效。為解決以上問題，迫切需要：①故障信息同步，保證廠站側上傳至主站的數(shù)據(jù)在限定時間內分析完成，加速3個主站故障信息同步的速度，提高融合前故障信息的可靠性；②同源故障信息融合，利用3個主站的故障分析結果，選用合適的智能融合診斷方法進行同源故障判定并完成信息融合，提高故障診斷的可靠性。

本文結合錄波、保信和行波3個主站自身優(yōu)勢，建立多源信息融合診斷模型，提出一種基于改進Dempster-Shafer(D-S)證據(jù)理論的多源信息智能融合診斷方法。該方法可以在免人工干預的前提下，利用主動激勵召喚和任務動態(tài)調整，加速故障信息的同步速度；基于改進D-S證據(jù)理論，根據(jù)融合診斷規(guī)則、流程，完成故障診斷、同源故障識別和信息融合，最終實現(xiàn)故障數(shù)據(jù)快速反應、多源信息融合診斷和故障信息全景反映，發(fā)布故障報告供調度機構直接決策。

1 融合診斷模型

融合診斷模型無需改變原有3個主站的網(wǎng)絡拓撲結構，通過外圍通信接口和數(shù)據(jù)交換總線進行錄波、保信和行波主站之間的信息交互，數(shù)據(jù)接入設計靈活，作業(yè)流程標準化，適應外部數(shù)據(jù)規(guī)范。該診斷模型主要包含信息集成層、信息支撐層、融合診斷層和全景反映層4個部分，完成故障信息同步、集成、分類、診斷、融合、發(fā)布等工作，如圖1所示。

圖1 多源信息融合診斷模型Fig.1 Multi-source information fusion diagnosis model

1.1 信息集成層

信息收集：當電網(wǎng)產生大擾動或故障發(fā)生時，各主站完成故障數(shù)據(jù)分析，生成故障分析報告。數(shù)據(jù)交換總線通過短周期輪詢方式訪問各分布式主站本地存儲的故障列表，一旦檢測到有新的文件生成，集中到信息集成層。

信息同步：錄波分析報告生成時，同步進行保信和行波報告的檢查工作，發(fā)現(xiàn)保信和行波故障報告缺失的情況，召喚與錄波提供的故障信息時間序列相似的保護和行波故障數(shù)據(jù)。在啟動主動激勵召喚這種干預模式時，進行任務優(yōu)先級的動態(tài)調整，將時間序列相似的保信和行波數(shù)據(jù)優(yōu)先摘取、分析，提高計算資源的利用率和故障信息的同步速度。

1.2 信息支撐層

預處理：將信息集成層匯集的數(shù)據(jù)進行規(guī)范化處理，異構數(shù)據(jù)自動檢查、容錯，并轉換成標準格式。篩選故障特征，統(tǒng)一描述相同類型特征，避免不規(guī)范的信息在機器查詢過程中無法識別的問題。

信息分類：按照調度機構所需要的輔助決策內容，利用一對一支持向量機多分類算法(以下簡稱“一對一法”)完成故障信息分類工作，對融合診斷層進行信息及時響應和支撐，這是故障信息融合的基礎。

1.3 融合診斷層

信息處理：根據(jù)時間序列相似性原則，若每個主站提供的決策類信息都只有1組且信息一致，同源故障可快速確認。若故障信息有多組且決策類信息不一致，則要從源端評價類和證據(jù)類信息進行融合分析。

融合分析：從評價類保護動作角度進行故障再確認，若確實有保護元件動作發(fā)生，結合證據(jù)類信息進行故障融合分析。利用改進D-S證據(jù)理論融合診斷故障，指向同一故障的證據(jù)體，即為同源故障信息。

1.4 全景反映層

決策報告：錄波主站是3個主站中具備自主分析能力并能提供故障分析報告的系統(tǒng)，在錄波分析報告的基礎上，消納保信的保護動作和行波的測距結果，發(fā)布完整的故障報告供調度機構直接決策[13-17]。

2 融合診斷方法

2.1 融合診斷思路

保信、錄波和行波主站所反映的故障信息是同源、不同角度的，利用3個主站故障信息之間的冗余性，進行同源故障判斷；利用3個主站信息的不同角度，進行信息融合，反映故障全景。首先，根據(jù)故障反應迅速的錄波分析結果，通過主動激勵召喚與錄波已識別故障時間序列相似的保信和行波數(shù)據(jù)，利用任務優(yōu)先級的動態(tài)調整快速完成保信和行波數(shù)據(jù)分析，形成保信和行波故障報告；其次，進行多源異構故障信息預處理，利用一對一法按照調度機構所需的決策內容對故障信息進行分類；再次，根據(jù)時間序列相似性原則，在決策類信息只有1組且信息一致的情況下，直接認定為同源故障；在決策類信息不一致的情況下，利用改進D-S證據(jù)理論對源端評價類故障度和證據(jù)類故障度進行融合，診斷故障并確定故障同源性；最后，綜合錄波分析結果、保信保護動作情況和行波測距結果，實現(xiàn)同源故障信息的融合。

2.2 多源異構故障信息預處理

a)智能容錯處理：依據(jù)暫態(tài)數(shù)據(jù)交換通用格式(common format for transient data exchange，COMTRADE)標準的釋義與常見錯誤匯編對故障波形制訂容錯方案。對于信息不全或冗余的情況，調取補償列表進行信息補全或刪減。對于補償列表之外不能識別的問題，主站端調取一次定值模型重新生成標準配置參數(shù)，再次進行修正并自動判斷波形文件智能容錯處理是否成功。

b)無損轉換技術：讀取3個主站故障報告，對不同參數(shù)信息進行細粒度處理，利用參數(shù)差異度指標衡量不同系統(tǒng)模型參數(shù)之間差異的大小，匹配校驗后的參數(shù)映射到統(tǒng)一描述的參數(shù)通道；對于時間序列相似的故障波形采用線性重采樣及故障起始點擬合以實現(xiàn)采樣頻率歸一化和時標同步，便于程序裝載運用。

c)模型參數(shù)統(tǒng)一：模型參數(shù)無損轉換后，以公共模板作為中間件進行多源異構模型參數(shù)的一致性關聯(lián)和參數(shù)信息的映射，形成格式統(tǒng)一的故障報告，完成不同系統(tǒng)模型參數(shù)的無偏差一致化處理，降低后續(xù)故障信息分類協(xié)同處理的復雜度。

2.3 故障信息分類

利用一對一法進行故障信息分類工作，對于1個m類的分類，設計成m(m-1)/2個分類器，每個分類器單獨對樣本信息進行分類，通過投票法累加票數(shù)，獲得票數(shù)多的類型即為該樣本信息所屬的類別。故障信息按照調度機構所需輔助決策內容分為證據(jù)類、評價類和決策類，如圖2所示。

圖2 信息分類Fig.2 Information classification

a)證據(jù)類信息：主要是錄波、保信和行波原始波形圖，記錄故障發(fā)生時的暫態(tài)和故障前后的穩(wěn)態(tài)過程信息，包含故障電壓、電流、功率等電氣量信息。

b)評價類信息：包含保護動作元件的動作時序、邏輯等信息。保護動作信息具有可靠性高、覆蓋全面的優(yōu)點，可以實現(xiàn)對故障區(qū)域的準確診斷。

c)決策類信息：故障分析報告，包括故障時刻、線路名稱、故障類型、跳閘時刻、重合時刻、故障測距等，為調度機構提供復電依據(jù)，也為巡線班組提供故障位置的指導。

故障信息分類是從3個不同角度快速判定故障、識別故障同源的基礎，其作用是為后續(xù)根據(jù)融合規(guī)則和流程完成故障信息融合診斷做準備。

2.4 融合診斷方法

將錄波分析所得故障時間作為輸入特征，以編輯距離來搜索與之時間序列相似的保信和行波故障數(shù)據(jù)，編輯距離越小，2個時間序列的相似度越高。限定保信和行波時間序列相似匹配裕度范圍為30 min和15 s，時間序列相似性匹配到的保信和行波主站提供的信息都只有1組且信息一致，即確認為同源故障。實際情況是每個主站提供的故障信息可能有多組，需要根據(jù)以下融合規(guī)則和流程判斷：

a)決策類信息：在決策類信息一致情況下可直接融合后發(fā)送報告；不一致的情況下利用評價類和證據(jù)類信息從源端對故障進行診斷。

b)評價類信息：有保護動作實施的擾動數(shù)據(jù)排除誤動基本上就可以確認為故障，可以對錄波分析結果從保護動作角度再確認，避免錄波主站對擾動數(shù)據(jù)的誤判。評價類信息存在保護動作元件情況和出口時序信息，說明確實有故障發(fā)生，需要結合證據(jù)類信息進行確認。

c)證據(jù)類信息：對來源不同、采樣點各異的波形進行采樣率歸一化處理，將來源不同的證據(jù)類信息作為證據(jù)體的一部分，利用改進D-S證據(jù)理論對證據(jù)類和評價類故障度進行權重調整后融合診斷，指向同一故障的證據(jù)體，即為同源故障信息。

融合診斷流程如圖3所示。

圖3 融合診斷流程Fig.3 Fusion diagnosis flow

3 融合診斷關鍵技術及算法

電網(wǎng)故障診斷對時效性要求較高，為了在限定時間內提高故障數(shù)據(jù)自動上送和同源故障信息決策的可靠性，需解決以下2個關鍵技術：

a)故障信息同步：錄波主站自主分析能力強，3 min可以獲得故障分析報告，但存在保信數(shù)據(jù)點多，整理信息時間跨度大，行波數(shù)據(jù)碎片化、海量化，無自動上傳能力的缺點，依靠現(xiàn)有機制，故障報告獲取時效性低。通過主動激勵召喚和任務動態(tài)調整，合理利用資源來提升與錄波時間序列相似的保信和行波報告同步速度，從而獲取融合所需要的故障信息，保證3個主站故障信息的可靠性。

b)同源故障信息融合：傳統(tǒng)故障診斷的模式是依賴3個主站信息加人工干預的方式進行故障分析判定，故障診斷的可靠性難以保證。在現(xiàn)有智能融合分析方法中，選取基于改進D-S證據(jù)理論的多源信息智能融合診斷方法，將源端證據(jù)類和評價類信息故障度進行權重調整后融合診斷，判定同源故障，從而完成同源故障信息融合。

3.1 故障信息同步

3.1.1 主動激勵召喚

利用錄波故障特征，在錄波主站發(fā)出故障預警信號后，保信和行波開始自動召喚數(shù)據(jù)3 min。如果檢測召喚失敗，從第3 min開始，啟動主動激勵機制，強制召喚與錄波已識別故障時間序列相似的保護和行波故障數(shù)據(jù)。如果召喚成功，交給主站計算、整理并生成保信和行波故障報告；如果召喚失敗，以3 min為間隔，再進行3次主動激勵召喚；若3次主動激勵都召喚不上來故障數(shù)據(jù)，即為召喚失敗，總時長控制在15 min時間內收斂與之相匹配的故障數(shù)據(jù)。此主動激勵機制可有效解決保信和行波主站難以快速獲取故障數(shù)據(jù)的問題。

3.1.2 任務動態(tài)調整

由于故障數(shù)據(jù)具有多點驟發(fā)和集中上傳的特性，為了合理分配主站計算資源，需要對主站計算任務進行優(yōu)先級排序，設T={T1，T2，…，Tz，…}為主站計算任務集合，每個任務表示為Tz={Tid,z，Tlen,z，TDL,z，Tval,z}，其中：下標z指代第z個任務，下同；Tid,z為故障編號；Tlen,z為故障數(shù)據(jù)長度；TDL,z為數(shù)據(jù)計算任務的截止時間；Tval,z為數(shù)據(jù)價值。

利用以下3個參數(shù)來體現(xiàn)任務優(yōu)先級指標：

故障數(shù)據(jù)的價值密度

Tvd,z=Tval,z/Tlen,z，

(1)

數(shù)據(jù)處理的緊迫性

Tres,z=TDL,z-tz，

(2)

數(shù)據(jù)處理的優(yōu)先級

Pz=Tvd,z/Tres,z，

(3)

式中tz為任務執(zhí)行時間。

Tvd,z體現(xiàn)該任務處理數(shù)據(jù)符合故障數(shù)據(jù)特征的程度；Tres,z表示剩余執(zhí)行時間；Pz表示任務Tz在剩余執(zhí)行時間內的價值密度，Pz越大，任務處理優(yōu)先級越高。在主動激勵召喚到匹配的保信和行波故障數(shù)據(jù)后，可以縮短TDL,z截止時間，加快對可疑故障任務的緊急處理。這樣做的意義在于合理分配資源，使時間序列相似的各主站故障分析結果在限定時間內計算、整理完成，加速3個主站故障信息的同步，提高融合前故障信息的可靠性[18-20]。

3.2 同源故障信息融合

3.2.1 評價類故障度提取

根據(jù)保護動作情況可形成可疑故障區(qū)域和可疑故障元件集合，結合故障元件和主保護、后備保護和斷路器之間的動作關系，將故障診斷的問題轉化為最優(yōu)問題求解。

設定可疑故障元件集合中保護和斷路器動作取值為1，沒有動作則取值為0，形成可疑元件集合的實際動作集合Y。為了規(guī)避直接取用0和1作為動作期望值帶來的局限性，假設斷路器、主保護、近后備保護和遠后備保護的取值系數(shù)分別為0.95、0.9、0.85、0.8，形成期望狀態(tài)動作集合Y*。利用粒子群優(yōu)化算法對目標函數(shù)

y(x)=min(Y-Y*)

(4)

求最優(yōu)解。

通過迭代尋優(yōu)獲取最優(yōu)解X={x1，x2，…，xn}，xn為第n個可疑元件的故障可能性。

若可疑元件集合中有且僅有1個故障元件，則故障元件可直接鎖定；如可疑故障元件個數(shù)大于1，需要結合源端證據(jù)類故障度進一步融合診斷。為了和證據(jù)類信息進行融合診斷，提出評價類故障度Jn，并表示為

(5)

3.2.2 證據(jù)類故障度提取

利用源端證據(jù)類信息可以得到故障前后電流、電壓信號的變化情況，故障元件的電氣量變化程度遠遠大于非故障元件。利用多分辨率分析的小波變換計算各可疑故障元件在故障前后電流的幅值變化程度。

設故障信號為Xn(t)，經(jīng)過小波變換技術提取故障時刻t0，得到t0時刻前、后信號對應的小波變換結果Tnf1,Tnf2,…,Tnfm和Tnb1,Tnb2,…,Tnbm，其中m為采樣點個數(shù)。利用式(6)—(8)求得第n個元件的故障電流信號幅值變化程度En。

Enf=max{Tnf1,Tnf2,…,Tnfm}，

(6)

Enb=max{Tnb1,Tnb2,…,Tnbm}，

(7)

(8)

En并不能全面表征元件的故障支持度，利用式(9)進行處理，突出故障情況下各元件小波故障度之間的距離，更好地反映故障發(fā)生后第n個元件證據(jù)類故障度In。

(9)

3.2.3 基于改進D-S證據(jù)理論融合診斷

D-S證據(jù)理論是一種處理不確定性問題的方法，廣泛應用于信息融合、目標模式識別等領域。在應用中發(fā)現(xiàn)此理論存在一票否決、Zadeh悖論和公平等問題，通過修改證據(jù)體權重進行改進，提高改進后D-S證據(jù)理論的魯棒性。

設識別框架Θ={A1，A2，…，An}，x個證據(jù)在識別框架下的基本概率分別為m1，m2，…，mx，證據(jù)權重w反映證據(jù)的相對可靠程度，將w作為修正系數(shù)，修改原證據(jù)體M={mj(A1),mj(A2),…,mj(An)},得到修正后的證據(jù)體概率分配函數(shù)，利用式(10)—(16)進行計算，操作步驟如下：

a)計算證據(jù)平均概率

(10)

b)計算單個證據(jù)與證據(jù)平均概率的距離

(11)

c)d′j越小，證據(jù)權重越大，計算各證據(jù)概率權重和新的證據(jù)平均概率mave(Ai)：

(12)

(13)

d)利用mave(Ai)計算每個證據(jù)與新的證據(jù)平均概率的距離

(14)

e)重新定義各證據(jù)在每個命題下的權重并求出加權平均證據(jù)概率：

(15)

(16)

式中

最后，將wj修正后的證據(jù)類和評價類證據(jù)體故障度代入式(17)，獲得每個命題下的融合結果m(Ai)：

(17)

式中k為沖突因子，

(18)

k越接近0，表明證據(jù)之間的沖突越小且融合結果越準確；k越接近1，表明證據(jù)之間的沖突越大且融合結果越不準確。當證據(jù)間的沖突因子k增大時，證據(jù)權重w降低，形成沖突因子和證據(jù)權重之間的動態(tài)調整[21-24]。

4 應用案例

采用云南電網(wǎng)數(shù)據(jù)庫中的原始故障數(shù)據(jù)作為樣本集，包含單線路故障、多線路故障、母線故障，試驗模擬共600個故障原始數(shù)據(jù)，兩側故障數(shù)據(jù)合計為1 200個。設主站服務器計算能力為109～7×109bit/s，任務密度Tvd和任務剩余時間Tres分別為106～107bit和1～900 s，每種故障樣本數(shù)據(jù)分批輸入。

為了體現(xiàn)主動激勵和任務動態(tài)調整加速故障數(shù)據(jù)同步的效果，以3個主站在15 min內的匹配數(shù)據(jù)分析完成率來度量。以131個單線路短路故障樣本為例，每10 min輸入13個故障數(shù)據(jù)，限定總分析時間15 min，設計為只要錄波召喚到匹配的保護和行波故障數(shù)據(jù)，縮短Tres為5 min，動態(tài)調整任務到高優(yōu)先級。比對主動激勵召喚和任務動態(tài)調整后的3個主站故障數(shù)據(jù)分析完成率與主站自動召喚和隨機排序后的故障分析完成率，如圖4所示，發(fā)現(xiàn)3個主站在2次主動激勵召喚和任務動態(tài)調整后的故障分析完成率提升42%，表明在相同時間內任務動態(tài)調整能較多地分析故障數(shù)據(jù)，反之也說明3個主站同步分析故障時效性提高了。在擾動數(shù)據(jù)驟增的情況下，主動激勵召喚和任務動態(tài)調整這種主動干預的方式對在限定時間內完成故障數(shù)據(jù)同步來說有較強的優(yōu)勢，能加快3個主站故障信息同步的速度。

圖4 任務動態(tài)調整和隨機排序分析完成率比較Fig.4 Completion rate comparison of task dynamic adjustment and random sorting analysis

在3個主站故障信息能快速同步獲取的基礎上，若發(fā)現(xiàn)3個主站提供的決策類故障信息不統(tǒng)一，檢查評價類存在保護動作元件信息，此時需要結合源端證據(jù)類信息診斷故障。

設評價類信息鎖定的故障區(qū)域中可疑故障元件集合為{L1，L2，L3，L4，L5，L6，L7，L8}，構造融合決策識別框架Θ；保信評價類、錄波證據(jù)類、保信證據(jù)類和行波證據(jù)類4類證據(jù)記為{E1，E2，E3，E4}。根據(jù)評價類和證據(jù)類故障度，求得各類證據(jù)對各故障元件的基本概率分配函數(shù)值mj(Li)；利用證據(jù)權重wj修改規(guī)則，求得4類證據(jù)的權重依次為0.366 2、0.304 2、0.185 3、0.144 3，進行評價類和證據(jù)類證據(jù)體調整；利用改進D-S證據(jù)理論合成規(guī)則，求取8條可疑故障線路發(fā)生單相短路融合概率分配函數(shù)m(Li)，融合前后的概率分配函數(shù)值如圖5所示。

圖5 D-S證據(jù)理論信息融合結果Fig.5 Information fusion results based on D-S evidence theory

制訂判定規(guī)則：故障元件的融合概率分配函數(shù)值至少為其他可疑故障元件概率分配函數(shù)值的1.5倍，圖5中的L1線路融合后的概率分配函數(shù)值是其他值的2倍左右，融合后的故障概率分配函數(shù)值提升到0.953 5，不確定性概率0.001 3小于閾值0.01，目標線路故障概率分配值遠遠大于不確定性概率，判定L1線路發(fā)生單相短路故障。調取L1線路樣本故障分析報告進行驗證，D-S證據(jù)理論融合后的概率分配函數(shù)診斷結果與3個主站提供的驗證樣本故障分析報告情況相符，確認為同源故障信息。

在故障信息同步和同源故障識別可靠的基礎上，完成3個主站同源故障信息融合，即融合錄波故障分析結果、保信保護動作元件信息和行波測距結果，生成最終的故障決策報告。統(tǒng)計131個單線路短路故障樣本融合成功率，并與主站獨立決策、錄波-行波融合、錄波-保信融合成功率進行對比，如圖6所示，在前2次主動激勵后融合成功率達到85%，3次主動激勵后融合成功率可達95%以上，與獨立決策成功率30%相比，3個主站信息融合成功率提升65%。

圖6 3個主站融合決策與獨立決策成功率對比Fig.6 Success rate comparison of three-station fusion decision and independent decision

為了驗證基于改進D-S證據(jù)理論的多源信息智能融合診斷方法的可靠性，橫向對比云南電網(wǎng)數(shù)據(jù)庫中1 200個故障樣本在3站融合和獨立決策情況下的數(shù)據(jù)上送可靠性、故障定位精度、數(shù)據(jù)診斷可靠性和故障分析完成時間共4項指標平均值，見表1。

表1 3個主站融合和獨立決策指標比對Tab.1 Index contrast of three-station fusion and independent decision

綜合分析可得：

a)主動激勵機制提升了故障數(shù)據(jù)自動上送可靠性，保信和行波數(shù)據(jù)自動上送可靠性分別提升25%和80%。

b)基于改進D-S證據(jù)理論的融合診斷方法不受故障類型(金屬性和非金屬性)的影響，具備較好的兼容性，可在8 min內實現(xiàn)超過95%的故障融合成功和精準定位。

5 結束語

本文介紹了基于改進D-S證據(jù)理論的電網(wǎng)故障多源信息智能融合診斷模型、規(guī)則和流程，重點闡述了多源信息智能融合診斷過程中2個關鍵技術難點。利用主動激勵召喚和任務動態(tài)調整對故障數(shù)據(jù)進行計算資源合理分配，提高故障信息的同步速度。利用改進D-S證據(jù)理論融合算法，通過證據(jù)類和評價類融合概率分配函數(shù)判定故障，得到高可信度的同源故障識別結論，完成3個主站同源故障信息融合。

基于改進D-S證據(jù)理論的電網(wǎng)故障多源信息智能融合診斷方法相較3個主站獨立決策具有以下優(yōu)點：

a)利用主動激勵召喚和任務動態(tài)調整的融合診斷方法在故障數(shù)據(jù)自動上送可靠性方面優(yōu)于獨立決策，將信息滯后、依賴人工干預等智能化程度低的操作進行優(yōu)化，提高了故障信息反應速度和智能化水平。

b)利用改進D-S證據(jù)理論的融合診斷方法在故障分析的時效性和可靠性上優(yōu)于獨立決策，解決了3個主站信息孤島、證據(jù)單一的問題，發(fā)揮各主站在故障診斷方面的優(yōu)勢，實現(xiàn)了“1+1+1>3”的應用效果，在故障快速可靠決策方面效果顯著。

基于改進D-S證據(jù)理論的電網(wǎng)故障多源信息智能融合診斷方法滿足電網(wǎng)調度精益化管理的需求，調度機構根據(jù)融合后的故障決策報告可直接決策。該方法適合于非同型主站之間故障數(shù)據(jù)快速無障礙交互和綜合高效決策，在繼電保護電子化報送和芯片化主站建設領域具有廣闊的應用前景。