CN102721901A - 基于时序贝叶斯知识库tbkb的电网故障诊断方法 - Google Patents
基于时序贝叶斯知识库tbkb的电网故障诊断方法 Download PDFInfo
- Publication number
- CN102721901A CN102721901A CN2012102133437A CN201210213343A CN102721901A CN 102721901 A CN102721901 A CN 102721901A CN 2012102133437 A CN2012102133437 A CN 2012102133437A CN 201210213343 A CN201210213343 A CN 201210213343A CN 102721901 A CN102721901 A CN 102721901A
- Authority
- CN
- China
- Prior art keywords
- node
- protection
- isolating switch
- fault
- tcr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于时序贝叶斯知识库TBKB的电网故障诊断方法,构建了相应的时序贝叶斯知识库TBKB诊断模型,清晰地描述元件故障发生后各相关保护与断路器的工作原理与过程,构造了各动作事件之间的时序因果关系TCR,定量地表达各动作状态节点之间时序方面的先后约束关系,并识别异常的保护与断路器动作事件、时标出错等情况。对报警信息中未通过TCR检查的节点、信息缺失节点的不确定状态进行假设与组合,形成假设状态组合集合,得出各假设状态组合下的故障概率,再得到疑似故障元件的故障概率,进而诊断出故障元件。然后通过对故障元件进行TBKB模型的正向推理,检测出误动、拒动的保护与断路器及其时标出错情况。整个电网故障诊断算法快速、准确、容错性高。
Description
技术领域
本发明涉及电网调度与故障分析领域,特别涉及一种电网故障诊断方法。
背景技术
电网故障诊断在故障元件识别、故障后快速恢复及防止连锁跳闸等方面起着重要的作用。目前,电力系统故障诊断方法主要有专家系统、Petri网、优化解析法、贝叶斯网络、D-S证据融合等。但是在某些情况下由于保护与开关的误动与拒动、信息丢失等不确定性情况的存在,已有文献没有充分利用保护与开关动作事件的时序关系与时标信息,对于复杂故障,上述故障诊断方法较难得到正确的诊断结果。
贝叶斯网络通过因果推理与概率计算,擅长在信息不完备条件下处理复杂问题的不确定性,能够准确地反映故障元件的发生状况,已应用于电网故障诊断。然而现有基于贝叶斯网络的电网故障诊断方法有如下的不足:一、在一个节点内必须包含该节点的所有状态,对事件变量的各个状态不能进行显式地表达。二、不能处理环路。三、不具备定量地表达各保护动作与开关动作之间时序关系约束的能力。
贝叶斯知识库BKB(Bayesian Knowledge Bases)是对贝叶斯网络的改进,以状态实例节点(I节点)显式表达每个事件变量的各个状态,能处理环路。时序贝叶斯知识库TBKB(Temporal Bayesian Knowledge Bases)在BKB的基础上增加了对各事件之间的时序因果关系TCR(Temporal Casual Relationship)的描述。目前,有文献[2]对贝叶斯网络做了改进,提出蕴含时序的贝叶斯网络诊断模型,但它只考虑了保护动作事件的先后顺序,没有对各事件之间时序约束关系做严格的定量表达,也没有考虑动作事件时标出错对算法的影响。而本文提出的基于时序因果关系TCR的时序表达方法、时序约束一致性检查方法,不但能够定量表达各状态节点(或各发生事件)之间的时序约束关系,而且通过时序约束一致性检查,能够甄别出保护动作时标出错情况。
目前BKB与TBKB方法已成功应用于博弈学、社会学、医疗情报检索等领域。本发明首次将TBKB引入电网故障诊断领域,弥补了利用传统贝叶斯网络在电网故障诊断方法上的不足。
相关背景技术文献包括:
[1]李强,徐建政.基于主观贝叶斯方法的电力系统故障诊断[J].电力系统自动化,2007,31(15):46-50.
[2]吴欣,郭创新,曹一家.基于贝叶斯网络及信息时序属性的电力系统故障诊断方法[J].中国电机工程学报,2005,25(13):14-18.
[3]Tzachi Rosen,Solomon Eyal Shimony,Eugene Santos.Jr.Reasoning withBKBs-Algorithms and Complexity.Annals of Mathematics and ArtificialIntelligence,2004,40(3-4):403-425..
[4]Eugene Santos,Jr.,Deqing Li,John T.Wilkinson.A framework for reasoningunder uncertainty with temporal constraints[J].Proceedings of the 2009IEEEInternational Conference on Systems,Man,and Cybernetics,2009:448-454.
[5]N.J.Pioch,J.Melhuish,A.Seidel,et al.Adversarial intent modeling usingembedded simulation and temporal Bayesian knowledge bases[J].Proc.SPIEDefence,Security and Sensing,2009,vol.7348.
[6]E.E.Santos,E.Santos,Jr.,L.Pan and J.T.Wilkinson.Culturally-infused socialnetwork analysis[J].Proc.International Conference on Artificial Intelligence,2008.
[7]E.Santos,Jr.,H.Nguyen,Q.Zhao,E.Pukinskis.Empirical Evaluation ofAdaptive User Modeling in a Medical Information RetrievalApplication[J].Lecture Notes in Artificial Intelligence,vol.2702,UserModeling 2003,P.Brusilovsky,A.Corbett,and F.de Rosin,Eds.Berlin/Heidelberg:Springer,pp.292-296,2003.
发明内容
鉴于现有技术的不足,本发明的目的是提供一种基于时序贝叶斯知识库TBKB的电网故障诊断方法,使之克服已有技术中不能显式表达事件变量的各个状态、不具备严格的定量的时序表达能力、时序检查时对时标出错容错处理不够等问题。
本发明所构造的电网故障诊断方法为:
基于时序贝叶斯知识库(TBKB)的电网故障诊断方法,事先构造各个电网元件的TBKB模型,包括对元件故障引发保护与断路器动作的逻辑关系及其时序约束关系表达,并设计一种时序约束一致性检查方法。在实际运行时,从电网数据采集与监控系统SCADA,获取保护与断路器的动作状态及其动作时标信息。利用这些故障征兆信号,先获得疑似故障元件,利用时序约束一致性检查方法,得到时序出错、信息缺失等异常情况,对这些异常动作的保护与断路器的不确定状态,进行状态假设与组合。然后运用贝叶斯概率计算公式进行反向推理,通过概率计算,获得疑似故障元件的故障概率,进而确定真正的故障元件。依据以下主要步骤进行诊断:
步骤1:针对电网中每一个元件,建立相应的时序贝叶斯知识库TBKB模型,即表达和存储由元件故障引发保护动作、保护动作引发断路器跳闸的逻辑转换与时序约束关系,并能以图形化加以显示。在每个模型中,能够准确地表达元件故障引发保护动作、保护动作引发断路器跳闸的固有逻辑及其动作的条件概率,通过TCR定量地表达元件故障引发保护动作、保护动作引发断路器跳闸的时序约束关系。
步骤2:获得来自数据采集与监控系统SCADA中保护与断路器动作信息及其时标信息,先由断路器跳闸状态判断出停电区域,将停电区域中元件列为疑似故障元件,通过时标信息得到疑似元件TBKB模型中各保护与断路器动作节点的时间点。
步骤3:针对每个疑似故障元件m,将与其相关联的报警信息中已动作保护与断路器的节点符号,存入该元件下的动作元件集合A。以A中每个节点i为基节点,检查A中除了节点i以外其它节点j(目标节点)与节点i之间的时标信息是否满足TCR约束。将满足TCR约束的保护、断路器动作节点的最大化集合,存入TCR约束满足集合R,将不满足TCR约束的节点,存入TCR约束不满足集合T。将TBKB网络中处于不动作状态、而且没有包含在报警信息中的节点,存入不动作状态节点集合C。
步骤4:对报警信息中没有通过TCR约束检查的节点(集合T中节点)、信息缺失节点的不同状态(0或1),进行假设与组合,存入假设状态组合集合S。
如果集合S为空,则以TCR约束满足集合R、不动作状态节点集合C的节点状态作为证据值,利用贝叶斯反向推理公式,计算得到疑似元件的故障概率。
如果集合S不为空,通过异常事件数θ(θ为故障元件数、误动与拒动保护数、误动与拒动断路器数3项之和),寻找最可能发生、置信度高的节点状态组合(θ≤5)。针对这些假设状态组合,由贝叶斯反向推理公式,计算得到各假设组合对应的疑似元件的故障概率,求取这些假设状态组合下的元件故障概率平均值,作为该疑似元件的故障概率。
如果该故障概率大于0.8,则判断该元件为故障元件。
步骤5:在获得故障元件后,对于假设状态组合集合S以外正常动作的保护、断路器节点,其实际状态即为数据采集与监控系统SCADA中报警信息的状态值。对于假设状态组合集合S中节点,通过与其相关保护、断路器节点的实际状态,利用贝叶斯状态概率求取公式,获得该保护(断路器)动作状态的实际发生概率。另一方面,通过贝叶斯正向推理公式,由故障元件动作节点出发,可求得该元件的TBKB网络中全部保护、断路器的期望发生概率。如果该保护(断路器)的期望状态为动作,实际状态为不动作,则为拒动;如果期望状态为不动作,实际状态为动作,则为误动。
步骤6:输出步骤4中得到的故障元件及其故障概率,输出步骤5中的误动保护与断路器、拒动保护与断路器、时标出错信息,予以显示。
基于时序贝叶斯知识库TBKB的电网故障诊断流程图如附图3所示。
采用如上步骤,构建了一种新型的基于时序贝叶斯知识库TBKB的电网故障诊断方法。提出了基于TBKB对元件故障与保护动作、保护动作与相应断路器跳闸等之间的转换逻辑、时序因果关系(TCR)的严格表达,构造了一种时序约束一致性检查方法。对信息缺失节点、不满足TCR约束节点的状态做假设与组合,形成假设状态组合集合。针对这些状态组合,通过贝叶斯反向推理,获得疑似元件的故障概率,继而判断出故障元件。再通过正向推理判断出误动、拒动的保护与断路器、时标出错等异常情况。本时序贝叶斯知识库TBKB电网故障诊断方法的结构清晰、物理含义明确,以图形化表达,直观性强,能够识别出多重故障、伴随多个保护与断路器误动、拒动的故障情景。
本发明的方法清楚表达了故障过程中事件变量不同状态之间的转换逻辑与时序约束关系,构造了基于时序因果关系TCR的时序表达,设计一种时序约束一致性检查方法,能够定量表达各状态节点之间的时序约束关系,能够准确诊断出故障元件,检测出时标出错、保护与开关误动与拒动等不利情况,具备了很高的电网故障诊断容错性。
附图说明
图1为本发明实施例中线路L1的TBKB模型图。
图2为本发明实施例中母线B1的TBKB模型图。
图3为基于时序贝叶斯知识库TBKB的电网故障诊断流程图。
图4为本发明实施例中一个典型电网局部结构示意图。
图5为本发明实施例中TBKB的基本结构图。
图6为本发明实施例中TCR约束检查示意图。
具体实施方式
步骤1:针对电网中的每一个元件,建立相应的时序贝叶斯知识库模型,并加以存储。
这里以一个典型电网局部结构为例,如附图4所示,包含28个元件,依次为母线A1~A4,B1~B8,变压器T1~T8,线路L1~L8。元件中L、R分别表示元件的左侧和右侧。m为主保护,p为近后备保护,s为远后备保护。
对元件L1、B1建立时序贝叶斯知识库模型,如附图1、2所示。
在附图1、2中,白色椭圆节点称为状态实例节点(Instantiation-node,简称I节点),代表一个随机变量的某个状态。黑色圆表示的节点称为支持节点(Support-node,简称S节点),表示一个或多个状态I节点向某个状态I节点的转换关系。bj∈I,a∈S,若(bi,a)∈E,(a,bj)∈E,则bi被称为bj的前继I节点,bj被称为bi的后继I节点。
一个典型的TBKB基本结构图如附图5所示。
鉴于电网实际诊断中,某个随机变量bi只有2个可能状态1、0,对应的I节点分别称为I1节点(bi=1)和I0节点(bi=0)。因此,元件Fi对应两个状态节点:元件故障状态I1节点(Fi=1)与元件正常状态I0节点(Fi=0)。保护Pi对应保护动作I1节点(Pi=1)与保护不动作I0节点(Pi=0)。断路器Bi对应跳闸I1节点(Bi=1)与不动作I0节点(Bi=0)。
母线以母差保护作为主保护,由相邻线路的保护作为远后备保护。线路有主保护、近后备保护,由相邻线路的保护作为远后备保护。根据上述保护原理,从2个方面构造每个元件的TBKB模型:(1)分别从元件故障(或正常元件)节点出发,指向保护动作(或不动作)节点,再由保护动作(或不动作)节点指向断路器跳闸(或不动作)节点。(2)在元件故障、本元件主保护、近后备保护对应断路器未能成功切除故障的情况下,相邻的远后备保护动作,跳开相应的断路器。
由于电网故障时只需考虑一级拒动,即主保护拒动,或主保护正确动作而其控制的断路器拒动。附图1、2中只给出远后备保护动作I1节点。
S节点上的权重w反映了元件故障引发保护动作、保护动作引发断路器跳闸的条件概率,包括元件的故障概率、继电保护正常动作、误动及拒动概率等。w值的设置如下:线路、母线的故障概率分别为0.3904、0.0185,线路各保护、母线主保护的误动概率分别为0.0085、0.0022,它们的拒动概率为0.0019、0.0013,断路器的误动、拒动概率分别为0.0268、0.0145。
S节点上的时序约束关系TCR反映了元件故障后保护出口动作与断路器跳闸之间的先后与时延,本发明在其前继节点集合与后继节点集合都含有I1节点的S节点上构造TCR。根据统计数据,设主保护动作时延为10-40ms,断路器跳闸时延为20-40ms,近后备保护相对元件故障时刻的动作时延设定为0.6-1s,远后备保护相对故障时刻的动作时延设定为1.2-1.5s。
某继电保护P相对于元件F的故障时刻,经过保护整定时间才发出跳闸出口动作信号,定义保护延时trelay为时间间隔[t- relay,t+ relay](如[10,40]),则元件故障I1节点(F=1)到保护动作I1(P=1)节点的TCR={t- P=1=t- F=1+t- relay,t+ P=1=t+ F=1+t+ relay}。例如附图2中,母线故障节点(B1=1)与母线主保护动作节点(B1m=1)之间的TCR={t- B1m=1=t- B1=1+10,t+ B1m=1=t+ B1=1+40}。
从保护P出口信号到对应断路器B跳闸,要经过断路器B的跳闸时延,即断路器的跳闸时间间隔ttrip=[t- trip,t+ trip](如[20,40]),则定义保护动作I1节点(P=1)到断路器跳闸I1节点(B=1)的TCR={t- B=1=t- P=1+t- trip,t+ B=1=t+ P=1+t+ trip}。例如附图2中,母线B1主保护动作节点(B1m=1)与断路器CB1跳闸(CB6=1)节点之间的TCR={t- CB6=1=t- B1m=1+20,t+ CB6=1=t+ B1m=1+40}。
远后备保护应该在相邻元件故障、相邻元件所在保护与断路器未切除故障的情况下动作,否则有可能为误动情况。通过在保护I1节点与其前继节点集合中I0节点之间建立TCR的联系,可表达远后备保护正确动作的前提条件。例如附图2中,母线B1故障(B1=1)、断路器CB6拒动(CB6=0)与线路L2的远后备保护动作(L2Rs=1)各节点之间的TCR={t- L2Rs=1=t- B1=1+1200,t+ L2Rs=1=t+ B1=1+1500∧t+ L2Rs=1<t+ CB6=0},它表示母线B1的远后备保护L2Rs在B1发生故障、CB6未动作之后的1200-1500ms内动作,可清楚地表达远后备保护的动作逻辑。
步骤2:获得来自电网数据采集与监控系统SCADA系统中保护与断路器的动作及其时标信息。根据断路器动作状态判断出停电区域,将停电区域中的元件列为疑似故障元件。
针对于每个疑似故障元件m,将与元件m关联的报警信息中已动作保护与断路器的节点符号,存入元件m下的动作元件集合A。对动作元件集合A中的每个保护、断路器,给出对应的I1节点的时间点为[t- b=1=t,t+ b=1=t],相应地,处于闭合状态的I0节点的时间点为[-∞,t]。对元件m的TBKB模型中其他保护、断路器(除动作元件集合A以外的保护、断路器),认为其一直处在闭合状态,相应的I1节点的时间点不存在,为相应的I0节点的时间点为[t- b=0=-∞,t+ b=0=∞]。
步骤3:以动作元件集合A中每个节点i为基节点,检查A中除其自身以外其它节点j(目标节点)与节点i之间是否满足TCR时序一致性约束。思路是先由基节点i的时标、已定义的节点j与节点i之间的时序因果关系TCR,求出目标节点j的期望时间点区间,再检查目标节点j的实际时标是否落在该期望区间内。如果是,则目标节点j与基节点i满足TCR约束,否则,就不满足。具体分三类情况进行TCR约束检查,如下:
第一类:如果目标节点j是基节点i的后继节点,则利用已给出的前继节点i到后继节点j之间的TCR关系(正向表达TCR),由前继节点i的时间点,直接计算出后继节点j的期望时间点区间。
第二类:如果目标节点j是基节点i的前继节点,只需将正向表达TCR变形,得到逆向表达TCR,再由节点i计算得到目标节点j的期望时间点区间。例如,母线B1主保护动作节点(B1m=1)与断路器CB1跳闸节点(CB6=1)之间的正向表达TCR={t- CB6=1 -=t- B1m=1+20,t+ CB6=1=t+ B1m=1+40},则逆向表达TCR={t- B1m=1=t- CB6=1-40,t+ B1m=1=t+ CB6=1-20}。
第三类:如果基节点与目标节点不是前继、后继节点关系时,由于每个保护动作I1节点的前继节点中都有元件故障节点(Fi=1),每个断路器的前继节点都有相应的保护动作节点(Pi=1)。因此,可分如下4种情形进行TCR约束一致性检查:
情形a.当基节点i与目标节点j都为同一元件下的不同保护动作I1节点时,需经过从基节点i逆向到元件故障节点的逆向TCR、再从后者正向到达目标节点j的正向TCR的两阶段计算,获得目标节点j的期望时间点区间。
情形b.如果基节点i是断路器I1节点,目标节点j是保护动作I1节点,则先从基节点i逆向得到其前继保护动作节点的时间点,再由后者得到目标节点(保护动作I1节点j)的期望时间点(后一步的计算方法同a)。
情形c.如果基节点i是保护动作I1节点,目标节点j是断路器跳闸I1节点,则先通过a中的方法得到目标断路器节点的前继保护动作节点的时间点,再由该前继保护动作节点做正向TCR计算,得到目标节点(断路器跳闸I1节点)的期望时间点。
情形d.如果基节点i是断路器I1节点,目标节点j是断路器跳闸I1节点,则先通过b中的方法得到目标断路器节点的前继保护动作节点的时间点,再由该前继保护动作节点做正向TCR计算,得到目标节点(断路器跳闸I1节点)的期望时间点(如附图6所示)。
这样,通过以上4种情形的时序处理,以A中每个I1节点i为基节点,如果发现A中除了其自身以外其它节点j(目标节点)与节点i之间满足TCR约束,则将j的I1节点符号存入中间集合U(i)。
对A中每个节点都做同样的时序一致性检查处理,得到各自的U集合,对这些U集合进行两两比较,找到包含I1节点个数最多的U集合,将它作为该疑似元件的TCR约束满足集合R。
将集合A中未通过TCR检查的I1节点,存入约束不满足集合T,T=A-R。
将TBKB网络中不包含在报警信息中处于不动作状态的节点,存入不动作状态节点集合C。
步骤4:对报警信息中未通过TCR检查的节点(集合T中节点)、信息缺失节点的不同状态(0或1),进行假设与组合,形成假设状态组合集合S。
如果集合S为空,则以集合R与集合C的节点状态作为证据值,利用贝叶斯反向推理公式,计算得到疑似元件的故障概率。
如果集合S不为空,则将故障元件数、误动与拒动保护数、误动与拒动断路器数3项之和,定义为异常事件数θ。θ值越小,对应实际故障情形的可能性越大。由对保护和断路器动作的可靠性分析可知,故障诊断时只需考虑同一类装置最多有2个信息误动及丢失情况,对保护和断路器拒动只需考虑1级拒动,因此,本发明将θ=5作为阀值(元件故障+2个误动与丢失+线路两侧的一级拒动2个)。
针对θ≤5的假设状态组合S,进行贝叶斯反向推理,即由各保护、断路器的状态求取元件的故障概率。设已取得元件Fi的所有后继节点状态值作为证据集合Edsc,则元件Fi在证据集合Edsc下的贝叶斯反向推理求取故障概率的公式如下:
p(Fi=1|Edsc)=p(Fi=1,Edsc)/p(Edsc)
=p(Fi=1,Edsc)/[p(Fi=0,Edsc)+p(Fi=1,Edsc)](式1)
利用公式1,分别求取这些假设组合对应的元件故障概率,公式1中证据集合为R∨C ∨S中节点的状态值。再将它们的平均值作为该疑似元件的故障概率。
如果此故障概率大于0.8,则判定该元件故障。
步骤5:在获得故障元件后,对于假设状态组合集合S以外正常动作的保护、断路器节点,其实际状态即为数据采集与监控系统SCADA报警信息中的状态值。对于假设状态组合集合S中节点,通过与其相关保护、断路器节点的实际状态,用贝叶斯状态概率求取获得该保护(断路器)动作状态的实际发生概率。另一方面,通过贝叶斯正向推理,由故障元件出发,可求得该故障元件的TBKB网络中全部保护、断路器的期望发生概率。
当元件故障、相关保护与断路器动作时,利用贝叶斯状态概率求取公式2,求取某保护或断路器Ri的动作概率。设已取得Ri=1的前继节点的状态值集合Eprd、后继节点的状态值集合Edsc,则Ri=1的概率为:
p(Ri=1|Eprd∨Edsc)=p(Ri=1,Eprd)×p(Ri=1,Edsc)/[p(Ri=0,Eprd)×p(Ri=0,Edsc)+p(Ri=1,Eprd)×p(Ri=1,Edsc)] (式2)
贝叶斯正向推理指在获得元件故障后求取某保护与断路器Ri的动作概率。设已取得Ri=1的前继节点的状态值集合Eprd(包含元件故障I1节点Fi=1),则Ri=1的概率为
p(Ri=1|Eprd)=p(Ri=1,Eprd)/[p(Ri=0,Eprd)+p(Ri=1,Eprd)] (式3)
如果该保护(断路器)的期望状态为动作,实际状态为不动作,则为拒动;
如果该保护(断路器)的期望状态为不动作,实际状态为动作,则为误动。
步骤6:输出步骤4中得出的故障元件及其故障概率,输出步骤5中得到的误动的保护与断路器、拒动的保护与断路器及时标出错等信息至后续处理设备。
实施例:
下面通过一个例子,说明基于时序贝叶斯知识库TBKB故障诊断方法中各步骤的具体工作过程与诊断效果。
实施例:母线B1故障,伴随着B1m时序出错,CB6信息缺失。从数据采集与监控系统SCADA,获得各保护与断路器的动作信息及其动作时标,已动作的各保护、断路器及其相对动作时刻为:B1m(756ms),CB4(55ms),CB5(57ms),CB7(63ms),CB9(64ms),L2Rs(1230ms),L4Rs(1240ms),CB12(1260ms),CB27(1265ms)。
步骤1:针对电网中的每一个元件,建立相应的时序贝叶斯知识库模型并加以存储。
步骤2:获得来自电网数据采集与监控系统SCADA中保护与断路器的动作状态及其时标信息。根据停电区域,判断疑似故障元件为B1、L4。
对于B1,做如下的诊断处理:
与B1相关的动作元件集合A={B1m=1,CB4=1,CB5=1,CB7=1,CB9=1,L2Rs=1,L4Rs=1,CB12=1,CB27=1}。
动作元件集合A中的各保护、断路器,对应的I1节点的时间点为[t- b=1=t,t+ b=1=t],相应地,处于闭合状态的I0节点的时间点为[-∞,t]。故B1m的I1节点“B1m=1”的时间点区间为[756,756],B1m的I0节点“B1m=0”的时间点区间为[-∞,756]。同理,可得到集合A中其他保护、断路器的I1、I0节点的时间点区间。
对元件m的TBKB模型中其它保护、断路器(除动作元件集合A以外的保护、断路器),认为其一直处在闭合状态,相应的I1节点的时间点不存在,为相应的I0节点的时间点为[t- b=0=-∞,t+ b=0=∞]。因为CB6的I1节点“CB6=1”不在集合A中,故“CB6=1”的时间点为“CB6=0”的时间点为[-∞,∞]。同理,可得到TBKB模型中除集合A以外的保护、断路器的I1、I0节点的时间点。
因此,根据故障信息,得到了B1的TBKB模型所有I节点的时间点区间,同理,可得到L4的TBKB模型中各节点的时间点区间。
步骤3:对于B1,以动作元件集合A中每个I1节点i为基节点,对A中其它节点j(目标节点)做时序因果关系TCR一致性约束检查,如果节点j与i之间满足TCR约束,则将j的I1节点符号存入中间集合U(i)。特殊地,由于i节点与自身也符合时序约束,故将i节点也放入集合U(i)。
本算例中,对A中B1m=1,CB4=1,CB5=1,CB7=1,CB9=1,L2Rs=1,L4Rs=1,CB12=1,CB27=1各元素,分别进行时序一致性检查,计算各自的U集合,如下:
以B1m=1为基节点,检查它与集合A中其他节点之间是否满足TCR约束,得到B1m的中间集合U(B1m)={B1m=1}。说明除了B1m自己,没有其它保护或断路器动作节点与它满足时序一致性检查。
以CB4=1为基节点,检查它与集合A中其他节点之间是否满足TCR约束,得到CB4的中间集合U(CB4)={CB4=1,CB5=1,CB7=1,CB9=1,L2Rs=1,L4Rs=1,CB12=1,CB27=1}。
以CB4=1为基节点,检查它与集合A中其他节点之间是否满足TCR约束的方法举例如下:
例如以CB4=1为基节点,检查其与目标节点B1m=1是否满足TCR约束。因为目标节点B1m=1是基节点CB4=1的前继节点,为具体实施方式步骤3中的第二类情况。利用已给出的后继节点到前继节点之间的TCR关系(逆向表达TCR),由后继节点CB4=1的时间点,直接计算出前继节点B1m=1的期望时间点区间。CB4=1的时间点区间为[55,55],CB4=1到B1m=1的逆向表达TCR={t- B1m=1=t- CB6=1-40,t+ B1m=1=t+ CB6=1-20},得到B1m=1的期望时间点为[15,35]。故障信息中B1m=1的时标756ms不在期望时间点区间内,所以CB4=1与B1m=1之间不满足TCR约束,不将B1m=1存入U(CB4)。
再以CB4=1为基节点,检查其与目标节点L2Rs=1是否满足TCR约束。因为基节点i是断路器I1节点,目标节点是保护动作I1节点,它们之间不是前继、后继节点的关系,属于具体实施方式步骤3中第三类情况中的情形b。故先从基节点CB4=1逆向得到其前继保护动作节点B1m=1的时间点,再从该前继保护动作节点B1m=1逆向到元件故障节点B1=1,再从元件故障节点B1=1正向到达目标保护动作I1节点L2Rs=1的期望时间点区间。CB4=1的时间点区间为[55,55],CB4=1到B1m=1的逆向表达TCR={t- B1m=1=t- CB6=1-40,t+ B1m=1=t+ CB6=1-20},得到B1m=1的期望时间点为[15,35],再由B1m=1到B1=1的逆向表达TCR={t- B1=1=t- B1m=1-40,t+ B1=1=t+ B1m=1-10},得到B1=1的期望时间点为[-25,25]。再由B1=1到L2Rs=1的正向表达TCR={t- L2Rs=1=t- B1=1+1200,t+ L2Rs=1=t+ B1=1+1500},得到L2Rs=1的期望时间点为[1175,1525]。故障信息中L2Rs=1的时标1230ms在期望时间点区间内,所以CB4=1与L2Rs=1之间满足TCR约束,故将L2Rs=1存入U(CB4)。
以CB4=1为基节点,对集合A中其它节点,做类似的TCR约束检查处理,于是得到了CB4的中间集合U(CB4)(同上)。
同理,可得到以CB5、CB7、CB9等节点为基节点相应的各中间集合U:U(CB5)=U(CB7)=U(CB9)=U(L2Rs)=U(L4Rs)=U(CB12)=U(CB27)={CB4=1,CB5=1,CB7=1,CB9=1,L2Rs=1,L4Rs=1,CB12=1,CB27=1}。
比较各U集合包含的I1节点个数,找到最大U集合为U(CB4),得到TCR约束满足集合R={CB4=1,CB5=1,CB7=1,CB9=1,L2Rs=1,L4Rs=1,CB12=1,CB27=1},获得时序约束不满足集合T=A-R={B1m=1}。
步骤4:将报警信息中未通过TCR检查的节点B1m=1(集合T中节点)、信息缺失节点CB6的不同状态(0或1),进行假设与组合,得到可疑状态节点集合S,包含4组假设状态s1={B1m=0,CB6=0},s2={B1m=0,CB6=1},s3={B1m=1,CB6=0},s4={B1m=1,CB6=1}。
利用公式1,以R∨C∨S的节点状态为证据集合,计算得到元件B1的故障概率,如表1所示。
表1在4种假设状态组合下的B1故障概率
对于这4个假设组合,取θ≤5的组合(表1的前两个组合)对应的B1故障概率,计算它们的平均值,得到B1的故障概率P(B1=1)=0.947>0.8,因此判断B1故障。
步骤5:利用公式2,根据母线B1主保护动作节点B1m=1与CB6=1节点的前继与后继节点的状态值,计算得到保护、断路器动作实际发生的概率为P(B1m=1)=0.99,P(CB6=1)=0.01。利用公式3,得到在B1故障下各保护、断路器动作的期望概率,即P(B1m=1)=0.99,P(CB6=1)=0.984,所以CB6在B1故障的情况下期望状态为动作,而实际状态为不动作,故判断CB6拒动。
主保护B1m期望状态为动作,实际也发生了动作,但是它没有通过TCR约束检查,原因是其时标出错。
对于L4,同理计算得到其故障概率为0.001,故判断L4正常。
步骤6:输出故障诊断结果:母线B1故障、故障概率为0.947,CB6拒动,B1m时序出错。诊断结果正确。
与现有技术相比,本发明的优点是明显的:
1.根据保护原理,针对典型电网结构,构建了时序贝叶斯知识库TBKB电网故障诊断模型,将一个变量的各个状态显式地表达为多个I节点,更清晰地描述了故障的发生与演变过程。
2.采用基于时序因果关系(TCR)的表达方法定量表达了保护、断路器动作信息的时序特性,提出的基于TCR的时序约束一致性检查方法简单易行,能够准确地检测出时标出错、保护误动等情况,容错性高。
3.本文对节点的可疑或不确定状态进行状态假设与组合,形成假设状态组合集,通过计算异常事件数θ≤5的各组合下元件的故障概率,并求取其平均值,从而获得故障元件。如果对电网中保护、断路器正确动作的信心较高,可将θ值限制值取得小点,即选取更小θ值的组合的平均值,反之则θ值限制值可选取更大点,使得算法获取更高的容错性。
Claims (1)
1.基于时序贝叶斯知识库的电网故障诊断方法,从电网数据采集与监控系统SCADA的故障报警信息,获取保护与断路器动作信息及其发生时标信息,进行计及时序的电网故障诊断处理,检测出误动、拒动的保护与断路器及其时标出错情况,包含如下主要步骤:
步骤1:针对电网中的每一个元件,建立时序贝叶斯知识库TBKB模型并加以存储,在TBKB模型中,以时序因果关系TCR形式,建立元件故障引发保护动作、保护动作引发断路器跳闸的定量的时序约束关系;
步骤2:获得来自数据采集与监控系统SCADA中保护与断路器的动作信息及其发生时标,先由断路器动作状态判断出停电区域,再将停电区域中的元件列为疑似故障元件,通过保护与断路器的时标信息,得到疑似故障元件TBKB模型中各动作节点发生的时间点;
步骤3:针对步骤2中的每个疑似故障元件,对与该元件关联的报警信息中已动作保护与断路器的时标信息,做时序一致性约束检查,将满足TCR约束的保护、断路器动作节点,存入TCR约束满足集合,并通过比较,获得最大化的TCR约束满足集合,将不满足TCR约束的节点存入TCR约束不满足集合;
步骤4:对报警信息中未通过TCR约束检查节点、信息缺失节点的不同状态,进行假设与组合,形成这些节点在该疑似元件下的假设状态组合集合;
如果假设状态组合集合为空,则将由报警信息获得的节点状态作为证据值,利用贝叶斯反向推理公式,计算得到该疑似元件的故障概率;
如果假设状态组合集合不为空,则通过定义异常事件数θ,找到最可能发生、置信度很高的那些节点假设状态组合;针对这些假设状态组合,由贝叶斯反向推理公式,分别计算得到疑似元件在各假设状态组合下的各故障概率,再求取这些故障概率的平均值,作为该元件的故障概率;
如果该疑似元件的故障概率大于设定的故障阀值,则判断该元件为故障元件;
步骤5:在获得故障元件后,一方面,对于假设状态组合集合以外正常动作的保护、断路器节点,其实际状态即为数据采集与监控系统SCADA报警信息中的状态值,对于假设状态组合集合中的保护、断路器节点,通过与其相关的保护、断路器节点的实际状态,用贝叶斯状态概率求取公式,获得该保护、断路器动作状态的实际发生概率;另一方面,通过贝叶斯正向推理公式,由故障元件出发,求得该元件TBKB网络中全部保护、断路器的期望发生概率,如果该保护、断路器的期望状态为动作,而实际状态为不动作,则该保护、断路器为拒动;如果期望状态为不动作,实际状态为动作,则该保护、断路器为误动;
步骤6:输出步骤4得出的故障元件及其故障概率,输出步骤5中误动的保护与断路器、拒动的保护与断路器及其出错的时标信息至后续处理设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210213343.7A CN102721901B (zh) | 2012-06-26 | 2012-06-26 | 基于时序贝叶斯知识库tbkb的电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210213343.7A CN102721901B (zh) | 2012-06-26 | 2012-06-26 | 基于时序贝叶斯知识库tbkb的电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102721901A true CN102721901A (zh) | 2012-10-10 |
CN102721901B CN102721901B (zh) | 2015-08-19 |
Family
ID=46947717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210213343.7A Expired - Fee Related CN102721901B (zh) | 2012-06-26 | 2012-06-26 | 基于时序贝叶斯知识库tbkb的电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102721901B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981096A (zh) * | 2012-11-30 | 2013-03-20 | 中国南方电网有限责任公司 | 一种基于wams时序分解的电网故障辨识方法 |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力系统故障诊断方法 |
CN104931848A (zh) * | 2015-03-01 | 2015-09-23 | 华北电力大学(保定) | 一种基于广域测量信息的电力系统线路故障判别方法 |
CN105652138A (zh) * | 2015-12-29 | 2016-06-08 | 安徽海兴泰瑞智能科技有限公司 | 一种电力设备故障预警方法 |
CN106443319A (zh) * | 2015-08-07 | 2017-02-22 | 江苏省电力公司 | 一种基于告警信息时序约束的设备故障辨识方法 |
CN107392258A (zh) * | 2017-08-04 | 2017-11-24 | 合肥工业大学 | 一种设备故障元件排查方法及系统 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
CN109729073A (zh) * | 2018-11-30 | 2019-05-07 | 全球能源互联网研究院有限公司 | 一种电网信息物理系统中的网络异常识别方法及系统 |
CN110488156A (zh) * | 2019-08-30 | 2019-11-22 | 西南交通大学 | 一种高速铁路配电所故障元件诊断方法 |
CN114722340A (zh) * | 2022-04-19 | 2022-07-08 | 国网四川省电力公司电力科学研究院 | 一种配电网停电范围分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989766A (zh) * | 2009-08-03 | 2011-03-23 | 南京南瑞继保电气有限公司 | 基于保护动作链的电力系统故障诊断的方法 |
CN102214920A (zh) * | 2011-06-10 | 2011-10-12 | 华北电力大学 | 基于线路集群的电网连锁故障分析方法 |
-
2012
- 2012-06-26 CN CN201210213343.7A patent/CN102721901B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101989766A (zh) * | 2009-08-03 | 2011-03-23 | 南京南瑞继保电气有限公司 | 基于保护动作链的电力系统故障诊断的方法 |
CN102214920A (zh) * | 2011-06-10 | 2011-10-12 | 华北电力大学 | 基于线路集群的电网连锁故障分析方法 |
Non-Patent Citations (4)
Title |
---|
何小飞等: "基于贝叶斯网络和故障区域识别的电网故障诊断研究", 《电力系统保护与控制》 * |
吴欣等: "基于贝叶斯网络及信息时序属性的电力系统故障诊断方法", 《中国电机工程学报》 * |
周曙等: "故障诊断的时间因果贝叶斯网模型", 《铁道学报》 * |
朱永利等: "基于贝叶斯网络的电网故障诊断", 《电力自动化设备》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981096A (zh) * | 2012-11-30 | 2013-03-20 | 中国南方电网有限责任公司 | 一种基于wams时序分解的电网故障辨识方法 |
CN103048133A (zh) * | 2012-12-03 | 2013-04-17 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN103048133B (zh) * | 2012-12-03 | 2014-12-24 | 陕西科技大学 | 一种基于贝叶斯网络的滚动轴承故障诊断方法 |
CN103245911A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的断路器故障诊断方法 |
CN104316801A (zh) * | 2014-10-31 | 2015-01-28 | 国家电网公司 | 基于时间序列相似性匹配的电力系统故障诊断方法 |
CN104931848B (zh) * | 2015-03-01 | 2018-05-08 | 华北电力大学(保定) | 一种基于广域测量信息的电力系统线路故障判别方法 |
CN104931848A (zh) * | 2015-03-01 | 2015-09-23 | 华北电力大学(保定) | 一种基于广域测量信息的电力系统线路故障判别方法 |
CN106443319A (zh) * | 2015-08-07 | 2017-02-22 | 江苏省电力公司 | 一种基于告警信息时序约束的设备故障辨识方法 |
CN105652138A (zh) * | 2015-12-29 | 2016-06-08 | 安徽海兴泰瑞智能科技有限公司 | 一种电力设备故障预警方法 |
CN107392258A (zh) * | 2017-08-04 | 2017-11-24 | 合肥工业大学 | 一种设备故障元件排查方法及系统 |
CN107392258B (zh) * | 2017-08-04 | 2018-08-31 | 合肥工业大学 | 一种设备故障元件排查方法及系统 |
CN107656176B (zh) * | 2017-11-09 | 2020-02-07 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN108627720A (zh) * | 2018-03-08 | 2018-10-09 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
CN108627720B (zh) * | 2018-03-08 | 2020-01-17 | 国网四川省电力公司电力科学研究院 | 一种基于贝叶斯算法的电力设备状态监测方法 |
CN109116188A (zh) * | 2018-09-05 | 2019-01-01 | 广东电网有限责任公司 | 一种电力系统故障推演方法、装置、设备及可读存储介质 |
CN109729073A (zh) * | 2018-11-30 | 2019-05-07 | 全球能源互联网研究院有限公司 | 一种电网信息物理系统中的网络异常识别方法及系统 |
CN109729073B (zh) * | 2018-11-30 | 2023-03-10 | 全球能源互联网研究院有限公司 | 一种电网信息物理系统中的网络异常识别方法及系统 |
CN110488156A (zh) * | 2019-08-30 | 2019-11-22 | 西南交通大学 | 一种高速铁路配电所故障元件诊断方法 |
CN114722340A (zh) * | 2022-04-19 | 2022-07-08 | 国网四川省电力公司电力科学研究院 | 一种配电网停电范围分析方法 |
CN114722340B (zh) * | 2022-04-19 | 2023-04-25 | 国网四川省电力公司电力科学研究院 | 一种配电网停电范围分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102721901B (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102721901B (zh) | 基于时序贝叶斯知识库tbkb的电网故障诊断方法 | |
Zhang et al. | An analytic model for fault diagnosis in power systems utilizing redundancy and temporal information of alarm messages | |
CN107656176A (zh) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 | |
Chen | Online fault diagnosis for power transmission networks using fuzzy digraph models | |
Di Giorgio et al. | A Bayesian network-based approach to the critical infrastructure interdependencies analysis | |
Wang et al. | A data analytic approach to automatic fault diagnosis and prognosis for distribution automation | |
CN104796273A (zh) | 一种网络故障根源诊断的方法和装置 | |
CN102156240B (zh) | 基于五层三区式因果规则网的区域电网故障诊断方法 | |
CN104657913A (zh) | 一种基于全数据模型的智能告警系统 | |
CN105183952B (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN105678337B (zh) | 一种智能变电站故障诊断中的信息融合方法 | |
Rawat et al. | A dominance based rough set classification system for fault diagnosis in electrical smart grid environments | |
Cui et al. | Power system fault reasoning and diagnosis based on the improved temporal constraint network | |
CN103197168A (zh) | 电力系统中基于事件集因果链实现故障诊断控制的方法 | |
CN103208049A (zh) | 异常告警快速事故分析方法及系统 | |
CN105843208B (zh) | 基于弹复力效应的列控系统故障恢复方法 | |
Chu et al. | A security assessment scheme for interdependent cyber-physical power systems | |
Nan et al. | Multilayer hybrid modeling framework for the performance assessment of interdependent critical infrastructures | |
Kumar et al. | Outage management system for power distribution network | |
CN102281103B (zh) | 基于模糊集合解算的光网络多故障恢复方法 | |
CN104600680A (zh) | 一种基于数据融合的智能报警方法 | |
CN104764979A (zh) | 一种基于概率推理的虚拟信息融合电网报警方法 | |
Edwards et al. | Flexible model-based alarm processing for protection performance assessment and incident identification | |
Rayudu | A knowledge-based architecture for distributed fault analysis in power networks | |
Guo et al. | A new analytic approach for power system fault diagnosis employing the temporal information of alarm messages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150819 Termination date: 20190626 |