CN102928738A - 一种智能电网故障的动态层次诊断装置及方法 - Google Patents

Abstract

一种智能电网故障的动态层次诊断装置，包括数据采集与监控单元、数据处理单元、数据库单元、通讯单元和人机交互单元。智能电网发生故障后，计算故障诊断启动条件以确定诊断策略；故障诊断策略包括开关层诊断、馈线层诊断和变电站层诊断；若开关动作信息在故障前后的变化显著，启动开关层诊断；若电气量信息在故障前后的变化显著，则启动变电层诊断；开关层诊断过程中，若故障元件，则诊断结束；否则调取开关历史动作记录，若存在与当前开关动作匹配记录，则启动变电站层诊断；否则启动馈线层诊断。本方法根据电网故障后多源故障信息的不同特点、及各类信息获取和处理的难易程度，对故障层次化分析，充分利用各类故障信息，提高故障诊断准确性。

Description

一种智能电网故障的动态层次诊断装置及方法

技术领域

本发明属于输配电技术领域，特别涉及一种智能电网故障的动态层次诊断装置及方法。

背景技术

随着智能电网的大力发展，对电网高效、可靠、安全运行的要求也越来越高，因此要求电网故障诊断与故障恢复有更高的快速性与有效性。电网发生故障时，快速、准确的故障诊断能够有效缩短停电时间、缩小故障区域、减少对用户的不利影响。目前，对于电网故障诊断的方法有很多，主要包括专家系统、人工神经网络、模糊理论、优化技术、petri网络、粗糙集理论等。但这些方法都存在一定的缺陷，如专家系统知识库形成复杂、诊断速度慢、容错能力差，人工神经网络收敛速度慢、缺乏解释能力等，都无法快速准确的得到诊断结果。因此，可将诊断过程进行层次化处理，根据不同处理层特点采用不同的推理方法。

电网的数据信息来自多个测量系统，包括SCADA系统、广域监测系统、故障信息系统、故障录波系统等。各系统所测量信息有重复数据也有独立信息，彼此为信息互补关系，因此仅通过单一信息源无法获取全部故障信息，而基于全部故障信息的诊断策略又过于繁琐、诊断速度较慢，这就需要一种依据决策需要提取不同数据信息的动态诊断决策。另外，电网中各种监控与管理设备的大量应用，导致故障信息存在很大程度的不确定性，这些不确定性来自故障发生的随机性，数据采集的模糊性，海量冗余信息造成的粗糙性和认知信息缺乏带来的不确定性。因此故障诊断过程中必要的冗余数据与不确定信息处理是提高诊断准确性的重要措施。

因此，一种可动态调整纵向与横向诊断策略的多层次故障诊断方法及装置的提出，具有一定的现实意义。

发明内容

针对现有技术存在的问题，本发明提供一种智能电网故障的动态层次诊断装置及方法。

本发明的技术方案如下：

一种智能电网故障的动态层次诊断装置，包括数据采集与监控单元、数据处理单元、数据库单元、通讯单元和人机交互单元；

所述数据采集与监控单元用于电网的状态监测、安全监视和报警处理、数据采集、拓扑分析、故障信息记录；

所述数据处理单元处理故障诊断数据；

所述数据库单元用于存储历史记录数据库与故障诊断规则库并完成数据备份与管理；历史记录数据库存储电网系统运行的全部数据信息，故障诊断规则库存储历史故障诊断规则，且每条诊断规则包括故障时刻的开关信息、保护信息、电气量信息及故障诊断结果；

该装置的连接为：数据采集与监控单元通过一个通讯单元与数据处理单元连接，数据处理单元通过另一通讯单元与人机交互单元连接，数据处理单元还与数据库单元连接。

所述数据采集与监控单元包括数据采集与监视控制系统(SCADA系统)、广域监测系统(WAMS系统)、故障信息系统和故障录波系统；

所述数据处理单元包括多源信息预处理模块、开关层诊断模块、馈线层诊断模块、变电站层诊断模块、数据约简模块和决策控制模块，各模块在决策控制模块的控制下，既独立运行又协调工作，进行智能电网故障诊断；

所述通讯单元包括信息接收模块、信息发出模块、信息传输模块、协议控制模块。

本装置通讯单元均采用RS-485标准接口和RS-485串行异步光纤环网通讯方式，适合于多通信节点、且节点位置分散的通讯环境；

所述人机交互单元是故障诊断系统与操作人员的交互接口，实现运行人员对系统的监视与控制。

采用上述智能电网故障诊断装置进行故障诊断的方法，包括如下步骤：

步骤1：智能电网发生故障后，计算故障诊断启动条件以确定诊断策略；

所述故障诊断策略包括开关层诊断、馈线层诊断和变电站层诊断；

故障诊断启动条件用于表征智能电网故障时的开关动作信息和电气量信息在故障前后的变化情况；

故障诊断启动条件SC的公式如下：

$\mathrm{SC}={\left[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\left(\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{S_{\mathrm{ij}(t+1)}-S_{\mathrm{ij}\left(t\right)}}{S_{\mathrm{ij}\left(t\right)}}\right)}^2\right]}^{\frac{1}{2}}/\frac{q}{Q}\×100\%---\left(1\right)$

其中，m为报警节点数；n为报警节点越限电气量类型；α_i为报警节点权重系数；S_ij(t)表示第i个节点的第j类电气量在故障发生前的电气量值；t、t+1分别表示故障发生前和故障后的采样点；q、Q分别为跳闸开关数和网络总开关数；

当SC＜1时，表示开关动作信息在故障前后的变化显著，当SC＞1时，表示电气量信息在故障前后的变化显著；

步骤2：根据步骤1计算出的故障诊断启动条件，若开关动作信息在故障前后的变化显著，则执行步骤3，启动开关层诊断；若电气量信息在故障前后的变化显著，则执行步骤5启动变电层诊断；

步骤3：启动开关层诊断，采用基于网络关联矩阵的深度优先搜索方法确定故障区域，并利用弹性截止条件控制搜索进程，若故障区域内可疑故障元件唯一，则该元件为故障元件，则转至步骤6，诊断结束；否则从历史记录数据库调取开关历史动作记录，若调取的开关历史动作记录中存在与当前开关动作匹配记录，则执行步骤5，启动变电站层诊断；若调取的开关历史动作记录中不存在与当前开关动作匹配记录，则执行步骤4，启动馈线层诊断；

开关层诊断的具体步骤如下：

步骤3.1：对所有跳闸开关编号k＝(0，1，2...)，搜索以一个跳闸开关为起点，沿远离电源的方向进行；

步骤3.2：对以跳闸开关k为起点的搜索路径建立p×p阶开关网络矩阵C，p为搜索遍历开关数目，若开关i与j存在连接关系，且沿搜索方向上j为i的下层开关，则C_ij＝1，其余元素均为0；

步骤3.3：建立网络关联矩阵D，D_ii表示开关i与跳闸开关k的关联程度

$\left\{\begin{array}{cc}{D}_{11}=1& \\ D_{\mathrm{ii}}=I-\mathrm{\ϵ}(\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}+\frac{1-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}\·D_{\mathrm{jj}}}{\mathrm{\ϵ}}),& i\≠1\\ D_{\mathrm{ij}}=0,& i\≠j\end{array}\right.---\left(2\right)$

其中，I为单位对角阵；ε为关联指数且0＜ε＜0.2，根据搜索深度而定；

步骤3.4：搜索至下一个跳闸开关或满足截止条件时截止，在网络关联矩阵D中用*表示搜索终点，截止条件为

$\underset{i=0}{\overset{n}{\mathrm{\Π}}}{\mathrm{\ω}}_i{D}_{\mathrm{ii}}\≤\mathrm{\γ}---\left(3\right)$

其中，ω_i为各开关动作可信度；γ为弹性截止阈值，搜索时要求较高搜索精度时取较大值，要求较短搜索时间时取较小值；

步骤3.5：结束本次搜索，形成可疑故障区域；

从本次搜索起点的跳闸开关k至网络关联矩阵D中*对应的搜索终点，搜索所遍历的电网区域，即为跳闸开关k对应的可疑故障区域k；

步骤3.6：确定可疑故障区域后，返回步骤3.3，对下一跳闸开关进行搜索，若无待搜索跳闸开关进入步骤3.7；

步骤3.7：将k个跳闸开关分别确定的k个可疑故障区域进行合并，去除重复的可疑故障区域，可疑故障区域内元件即为可疑故障元件；

步骤3.8：若可疑故障元件唯一，则该元件即为故障元件，诊断结束；否则从历史记录数据库调取开关历史动作记录，若存在匹配记录则直接进入变电站层诊断，执行步骤5，否则启动馈线层诊断，执行步骤4；

步骤4：启动馈线层诊断，根据可疑故障元件的保护信息，结合其关联断路器动作信息，采用建立petri网模型的方式确定故障元件，并放入故障元件集，若故障元件集中的故障元件唯一，则诊断结束，否则执行步骤5，启动变电站层诊断；

馈线层诊断在已知开关动作信息基础上，结合保护信息确定故障元件，馈线层诊断采用弹性建模，不满足扩展条件时建模只针对已确定故障区域内的保护和断路器，满足扩展条件则扩大建模范围；采用简化的复合petri网模型对可疑故障元件建模，确定故障元件，并考虑断路器拒动时拒动断路器也应列入检修表的情况。

所述简化的复合petri网模型是针对可疑故障元件，分别对其两端关联断路器和保护建立多层petri网模型。无模型扩展请求时，只选取在可疑故障区域内的关联保护参与建模，若某远后备保护及其相应断路器不在区域内，则模型可不包含该后备保护及其断路器；若变电站层诊断返回模型扩展请求，则建立完整petri网模型，即包含全部断路器与保护。

馈线层诊断的具体步骤如下：

步骤4.1：确定可疑故障元件的关联断路器，关联断路器指各可疑故障元件主保护、近后备保护、远后备保护所对应的全部断路器设备；

步骤4.2：扩展条件判断：根据是否存在变电站层诊断返回的模型扩展请求，确定建模范围；

步骤4.3：获取可疑故障元件保护信息，结合其关联断路器动作信息进行petri网建模；

故障区域中已包含全部跳闸断路器，因此petri网建模只针对故障区域中的保护和断路器，不考虑不在区域内的做远后备用的断路器；

步骤4.4：根据petri网推理确定故障元件，并将故障元件加入故障元件集F中，若存在断路器拒动情况，则诊断结果包含拒动断路器，以便一并加入检修列表，防止断路器故障造成的故障扩大；

步骤4.5：推理完成后，选取下一可疑故障元件返回步骤4.3，若无待建模的可疑故障元件则进入步骤4.6；

步骤4.6：若故障元件集F中故障元件唯一，结束诊断；否则进入变电站层诊断；

步骤5：启动变电站层诊断，利用直觉不确定粗糙集理论进行属性约简与数据约简，并更新故障诊断规则库；根据故障诊断规则库中与当前故障相匹配的诊断规则所对应的电气量信息，采用信息融合技术对实时故障信息数据进行修正从而获得实时故障信息数据准确值，再通过反向推理方法判断实时数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

变电站层诊断具体步骤如下：

步骤5.1：采用直觉不确定粗糙集理论进行属性约简与数据约简，以满足max{Φ_P(Q)-Ψ_P(Q)}的属性为必要属性，其中，Φ_P(Q)、Ψ_P(Q)分别为决策属性Q对条件属性P的依赖度与非依赖度；

所述采用直觉不确定粗糙集理论进行属性约简与数据约简，用于简化规则信息，提高模式匹配效率。采用直觉不确定粗糙集理论进行属性约简与数据约简过程中，应用紧计算域概念对直觉不确定粗糙集的上下近似隶属函数进行修改，限制计算范围，缩短约简时间。紧计算域定义为

$\left\{\begin{array}{c}{D}_{\underset{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)\≠1,\∃\mathrm{\ϵ}>0\}\\ D_{\stackrel{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)>\mathrm{\ϵ},\∃\mathrm{\ϵ}>0\}\end{array}\right.---\left(5\right)$

其中，D _A (F_ik)、

B _A (F_ik)、

分别为该直觉不确定粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；分别为论域U中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U/R＝U/P＝{F_ik}；μ_A(x)为x对直觉不确定粗糙集A的下近似隶属度；ε和

均为弹性系数，且ε>0，

在约简不满足可信阂值时修改弹性系数以调整约简精度。约简以依赖度与非依赖度关系作为截止条件，采用树形搜索方法确定约简结果；

步骤5.2：将约简结果上传至数据库单元，更新故障诊断规则库；

步骤5.3：根据更新后的故障诊断规则库中与实际故障情况相匹配的诊断规则，调取该诊断规则所需的相应电气量信息，调用SCADA系统、WAMS系统和故障录波系统上传到数据处理单元的实时故障信息数据进行信息融合获得实时故障信息数据准确值；

所述信息融合过程，用于对来自不同信息源的同一信息进行数据统一。由于不同信息源存在不同测量误差，其所上传同一数据各不相同，因此需要将这些数据统一为一个较精确值进行故障模式匹配；对于如相角等只由WAMS系统提供的单一源信息，则直接视为准确值。

步骤5.4：通过反向推理方法判断实时故障信息数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

将实时故障信息数据与故障诊断规则库利用反向推理方法进行匹配判断，当故障信息形式基本符合时即假设故障按此规则发生并计算匹配度，匹配度小于设定阈值时即视为与故障诊断规则完全匹配，进而确定故障元件，该阈值据专家经验给出。匹配度定义为：

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}{|1-\frac{x_i}{{\mathrm{\ω}}_i{\mathrm{\δ}}_i}|}^2\right)}^{\frac{1}{2}}---\left(4\right)$

其中，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的故障信息；δ_i(i＝1，2...，w)为故障诊断规则库中电气量信息；ω_i(i＝1，2...，w)为诊断规则可信度。

步骤5.5：若实时故障信息数据准确值与故障诊断规则完全匹配，则完成故障诊断；否则发出模型扩展请求，返回馈线层诊断。

步骤6：诊断结束。

有益效果：

本发明采用一种动态层次诊断的方法，根据电网故障后多源故障信息的不同特点、及各类信息获取和处理的难易程度，对电网故障进行层次化分析，充分利用了各类故障信息、通过信息互补提高故障诊断准确性。该方法将电网故障诊断策略分为开关层、馈线层和变电站层，且根据匹配条件纵向调整诊断方案，缩短诊断时间、提高诊断效率。同时，各层诊断采用弹性策略，通过改变弹性阈值或弹性建模条件横向简化诊断策略，进一步缩短了故障诊断时间。另外，变电站层诊断中直觉不确定粗糙集的应用，有效处理了海量故障信息的冗余性和不确定性，提高了故障诊断的准确性。

附图说明

图1是本发明具体实施方式的智能电网故障的动态层次诊断方法流程图；

图2是本发明具体实施方式的智能电网故障的动态层次诊断装置结构示意图；

图3是本发明具体实施方式的数据采集与监控单元结构框图；

图4是本发明具体实施方式的开关层故障诊断流程图；

图5是本发明具体实施方式的基于关联矩阵的深度优先搜索流程图；

图6是本发明具体实施方式的馈线层故障诊断流程图；

图7是本发明具体实施方式的基本复合petri网模型；

图8是本发明具体实施方式的变电站层故障诊断流程图；

图9是本发明具体实施方式的基于直觉不确定粗糙集的数据约简流程图；

图10是本发明具体实施方式的简单局部电网模型；

图11是本发明具体实施方式的L5复合petri网模型；

图12是本发明具体实施方式的L7复合petri网模型。

具体实施方式

下面结合附图对本发明的实施方式做详细说明。

本实施方式的智能电网故障的动态层次诊断装置，如图2所示，包括数据采集与监控单元、数据处理单元、数据库单元、通讯单元和人机交互单元；数据采集与监控单元通过一个通讯单元与数据处理单元连接，数据处理单元通过另一通讯单元与人机交互单元连接，数据处理单元还与数据库单元连接。

数据采集与监控单元包括数据采集与监视控制系统(SCADA系统)、广域监测系统(WAMS系统)、故障信息系统和故障录波系统，用于电网的状态监测、安全监视和报警处理、数据采集、拓扑分析、故障信息记录。

数据处理单元用于处理故障诊断数据，通过一台上位机实现，该单元内设置有多源信息预处理模块、开关层诊断模块、馈线层诊断模块、变电站层诊断模块、数据约简模块和决策控制模块，其结构如图3所示，故障发生后，电网多源故障信息上传至多源信息预处理模块进行数据融合后，再据各层诊断所需信息调取相应故障信息；开关层诊断模块采用基于网络关联矩阵的深度优先搜索方法快速确定故障区域或元件；馈线层诊断模块采用弹性的复合petri网模型对可疑故障元件建模，确定故障元件；变电站层诊断模块利用直觉不确定粗糙集理论更新故障诊断规则库，并采用反向推理方法完成故障诊断；各诊断模块由决策控制模块控制，既能独立运行又能协调工作，且各诊断模块间能够实现诊断信息传递与共享。

通讯单元包含信息接收模块、信息发出模块、信息传输模块、协议控制模块，本装置通讯单元均采用RS-485标准接口和RS-485串行异步光纤环网通讯方式，适合于多通信节点、且节点位置分散的通讯环境。

数据库单元用于存储系统历史记录与故障诊断规则库、完成数据备份与管理，数据库服务器软件平台采用Oracle 9i。

人机交互单元是故障诊断系统与操作人员的交互接口，实现运行人员对系统的监视与控制，由上位机实现。

本实施方式中，对如图10所示的电网模型进行故障诊断，该电网模型包括18个断路器与48个保护，故障后断路器CB9、CB12、CB16、CB18动作断开；L5两端主保护及右端远后备保护动作，L7两端主保护、右端近后备保护及两端四处远后备保护均动作；通过数据采集与监控单元采集24个电气量数据，其中包括14个电流值、7个电压值及3个相角数据。

采用上述智能电网故障诊断装置进行故障诊断的方法，如图1所示，包括如下步骤：

步骤1：智能电网发生故障后，计算故障诊断启动条件以确定诊断策略；

所述故障诊断策略包括开关层诊断、馈线层诊断和变电站层诊断；

故障诊断启动条件用于表征智能电网故障时的开关动作信息和电气量信息在故障前后的变化情况；

故障诊断启动条件SC的公式如下：

$\mathrm{SC}={\left[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\left(\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{S_{\mathrm{ij}(t+1)}-S_{\mathrm{ij}\left(t\right)}}{S_{\mathrm{ij}\left(t\right)}}\right)}^2\right]}^{\frac{1}{2}}/\frac{q}{Q}\×100\%---\left(1\right)$

其中，m为报警节点数；n为报警节点越限电气量类型；α_i为报警节点权重系数；S_ij(t)表示第i个节点的第j类电气量在故障发生前的电气量值；t、t+1分别表示故障发生前和故障后的采样点；q、Q分别为跳闸开关数和网络总开关数；

步骤2：根据步骤1计算出的故障诊断启动条件，若开关动作信息在故障前后的变化显著，即SC＜1，则执行步骤3，启动开关层诊断；若电气量信息在故障前后的变化显著，即SC＞1，则执行步骤5启动变电层诊断；

本实施方式中，根据采集到的电气量数据计算的启动条件SC＜1，因此进入开关层故障诊断。

步骤3：启动开关层诊断，采用基于网络关联矩阵的深度优先搜索方法确定故障区域，并利用弹性截止条件控制搜索进程，若故障区域内可疑故障元件唯一，则该元件为故障元件，则转至步骤6，诊断结束；否则从历史记录数据库调取开关历史动作记录，若调取的开关历史动作记录中存在与当前开关动作匹配记录，则执行步骤5，启动变电站层诊断；若调取的开关历史动作记录中不存在与当前开关动作匹配记录，则执行步骤4，启动馈线层诊断；

开关层诊断的流程如图4所示，具体步骤如下：

步骤3.1：对所有跳闸开关编号k＝0，1，2...，搜索以一个跳闸开关为起点，沿远离电源的方向进行；

步骤3.2：对以跳闸开关k＝0为起点的搜索路径建立p×p阶开关网络矩阵C，p为搜索遍历开关数目，若开关i与开关j存在连接关系，且沿搜索方向上j为i的下层开关，则C_ij＝1，其余元素均为0；

步骤3.3：建立网络关联矩阵D，D_ii表示开关i与跳闸开关k的关联程度

$\left\{\begin{array}{cc}{D}_{11}=1& \\ D_{\mathrm{ii}}=I-\mathrm{\ϵ}(\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}+\frac{1-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}\·D_{\mathrm{jj}}}{\mathrm{\ϵ}}),& i\≠1\\ D_{\mathrm{ij}}=0,& i\≠j\end{array}\right.---\left(2\right)$

其中，I为单位对角阵；ε为关联指数且0＜ε＜0.2，根据搜索深度而定；

步骤3.4：搜索至下一个跳闸开关或满足截止条件时截止，在网络关联矩阵D中用*表示搜索终点，截止条件为

$\underset{i=0}{\overset{n}{\mathrm{\Π}}}{\mathrm{\ω}}_i{D}_{\mathrm{ii}}\≤\mathrm{\γ}---\left(3\right)$

其中，ω_i为各开关动作可信度；γ为弹性截止阈值，搜索时要求较高搜索精度时取较大值，要求较短搜索时间时取较小值；

基于关联矩阵的深度优先搜索流程如图5所示；

关联矩阵D表示搜索遍历开关与搜索起点关联程度，关联程度越大，表示开关归属于可疑故障区域的可能性越大，当关联程度低于弹性截止阈值时，表明搜索已超出最优范围，影响诊断效率，因此适当调节基于关联矩阵的截止条件，可有效缩短决策时间。

步骤3.5：结束本次搜索，形成可疑故障区域；

从本次搜索起点的跳闸开关k至网络关联矩阵D中*对应的搜索终点，搜索所遍历的电网区域，即为跳闸开关k对应的可疑故障区域k；

步骤3.6：确定可疑故障区域后，返回步骤3.3，对下一跳闸开关进行搜索，若无待搜索跳闸开关进入步骤3.7；

步骤3.7：将k个跳闸开关分别确定的k个可疑故障区域进行合并，去除重复的可疑故障区域，可疑故障区域内元件即为可疑故障元件；

如图10所示的网络出现故障后，取ε＝0.12，γ＝0.25，其C与D分别如下：

$C=\left[\begin{array}{cccccccccc}0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ & 0& 1& 0& 1& 0& 0& 0& 0& 0\\ & & 0& 1& 0& 0& 0& 0& 0& 0\\ & & & 0& 0& 0& 0& 0& 0& 0\\ & & & & 0& 1& 0& 0& 0& 0\\ & & & & & 0& 1& 0& 1& 0\\ & & & & & & 0& 1& 0& 0\\ & & & & & & & 0& 0& 0\\ & & & & & & & & 0& 1\\ & & & & & & & & & 0\end{array}\right]$ $D=\left[\begin{array}{cccccccccc}1& & & & & & & & & \\ & 0.88& & & & & & & & \\ & & 0.76& & & & & & & \\ & & & *& & & & & & \\ & & & & 0.76& & & & & \\ & & & & & 0.64& & & & \\ & & & & & & 0.52& & & \\ & & & & & & & *& & \\ & & & & & & & & 0.52& \\ & & & & & & & & & *\end{array}\right]$

因此，由跳闸开关0为搜索起点所确定的可疑故障区域0即为断路器9、12、16、18所围成区域，可疑故障元件包括L5～L9。同理完成跳闸开关k＝1，2，3的搜索，并合并可疑故障区域。若可疑故障区域内可疑故障元件唯一，则该元件即为故障元件，诊断结束；否则调用动作开关历史动作记录，存在匹配记录则直接进入变电站层诊断，否则启动馈线层诊断。

步骤3.8：若可疑故障元件唯一，则该元件即为故障元件，诊断结束；否则从历史记录数据库调取开关历史动作记录，若存在匹配记录则直接进入变电站层诊断，执行步骤5，否则启动馈线层诊断，执行步骤4；

本实施例中，合并可疑故障区域后知可疑故障元件不唯一，则查询数据库单元，调用动作开关历史动作记录进行启动条件判断，查无匹配记录，则进入馈线层诊断。

步骤4：启动馈线层诊断，根据可疑故障元件的保护信息，结合其关联断路器动作信息，采用建立petri网模型的方式确定故障元件，并放入故障元件集，若故障元件集中的故障元件唯一，则诊断结束，否则执行步骤5，启动变电站层诊断；

馈线层诊断在已知开关动作信息基础上，结合保护信息确定故障元件，馈线层诊断采用弹性建模，不满足扩展条件时建模只针对已确定故障区域内的保护和断路器，满足扩展条件则扩大建模范围；采用简化的复合petri网模型对可疑故障元件建模，确定故障元件，并考虑断路器拒动时拒动断路器也应列入检修表的情况。

所述简化的复合petri网模型是针对可疑故障元件，分别对其两端关联断路器和保护建立多层petri网模型。无模型扩展请求时，只选取在可疑故障区域内的关联保护参与建模，若某远后备保护及其相应断路器不在区域内，则模型可不包含该后备保护及其断路器；若变电站层诊断返回模型扩展请求，则建立完整petri网模型，即包含全部断路器与保护。基本petri网模型如图7所示。

馈线层诊断的流程如图6所示，具体步骤如下：

步骤4.1：确定可疑故障元件的关联断路器，关联断路器指各可疑故障元件主保护、近后备保护、远后备保护所对应的全部断路器设备；

步骤4.2：扩展条件判断：根据是否存在变电站层诊断返回的模型扩展请求，确定建模范围；

步骤4.3：获取可疑故障元件保护信息，结合其关联断路器动作信息进行petri网建模；

故障区域中已包含全部跳闸断路器，因此petri网建模只针对故障区域中的保护和断路器，不考虑不在区域内的做远后备用的断路器；

本实施方式中，分别对L5～L9建模，其中L5、L7的复合petri网模型分别如图11、12所示，L5上游远后备保护及其断路器因不在故障范围内，不参与建模。

步骤4.4：根据petri网推理确定故障元件，并将故障元件加入故障元件集F中，若存在断路器拒动情况，则诊断结果包含拒动断路器，以便一并加入检修列表，防止断路器故障造成的故障扩大；

经过对全部可疑故障元件的petri网推理后，确定L5、L7为故障元件，CB10、CB13、CB14为拒动故障断路器，将故障元件加入到故障元件集F中。

步骤4.5：推理完成后，选取下一可疑故障元件返回步骤4.3，若无待建模的可疑故障元件则进入步骤4.6；

步骤4.6：若故障元件集F中故障元件唯一，结束诊断；否则进入变电站层诊断；

步骤5：启动变电站层诊断，利用直觉不确定粗糙集理论进行属性约简与数据约简，并更新故障诊断规则库；根据故障诊断规则库中与当前故障相匹配的诊断规则所对应的电气量信息，采用信息融合技术对实时故障信息数据进行修正从而获得实时故障信息数据准确值，再通过反向推理方法判断实时数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

变电站层诊断利用已有数据，结合电气量信息，采用信息融合与反向推理方法进行故障模式匹配；考虑电气量信息的冗余性和不确定性，利用直觉不确定粗糙集理论进行数据处理并更新故障诊断规则库，提高模式匹配效率；另外，为加快诊断速度，只提取约简后规则中需要的电气量信息进行诊断。

变电站层诊断流程如图8所示，具体步骤如下：

步骤5.1：采用直觉不确定粗糙集理论进行属性约简与数据约简，以满足max{Φ_P(Q)-Ψ_P(Q)}的属性为必要属性，得到约简结果，其中，Φ_P(Q)、Ψ_P(Q)分别为决策属性O对条件属性P的依赖度与非依赖度；

所述采用直觉不确定粗糙集理论进行属性约简与数据约简，用于简化规则信息，提高模式匹配效率。采用直觉不确定粗糙集理论进行属性约简与数据约简过程如图9所示，该过程中，应用紧计算域概念对直觉不确定粗糙集的上下近似隶属函数进行修改，限制计算范围，缩短约简时间。

直觉不确定粗糙集是将直觉模糊集理论与模糊粗糙集理论结合，充分利用粗糙集和模糊集对不确定、不完备数据信息的处理能力，能有效提高诊断效率与可靠性。论域U＝{x_i|i＝1，…，n}是n个对象的有限非空集合，{P₁，P₂，…，P_p)是一组不确定条件属性，Q为决策属性，A(Q)＝{F_l，l＝1，…，C_Q}，U/P＝{F_ik|i＝1，…，p；k＝1，…，C_i}是由U上的不确定相似关系R生成的U的一个直觉不确定划分。对于任意直觉不确定粗糙集合，其上、下近似的隶属函数和非隶属函数定义为：

$\left\{\begin{array}{c}{\mathrm{\μ}}_{\underset{\‾}{A}}\left(F_{\mathrm{ik}}\right)={\inf }_{x\∈U}\max \{1-{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\μ}}_A\left(x\right)\}\\ {\mathrm{\χ}}_{\underset{\‾}{A}}\left(F_{\mathrm{ik}}\right)={\sup }_{x\∈U}\min \{1-{\mathrm{\χ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\χ}}_A\left(x\right)\}\end{array}\right.---\left(10\right)$

$\left\{\begin{array}{c}{\mathrm{\μ}}_{\underset{A}{\‾}}\left(F_{\mathrm{ik}}\right)={\sup }_{x\∈U}\min \{{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\μ}}_A\left(x\right)\}\\ {\mathrm{\χ}}_{\stackrel{\‾}{A}}\left(F_{\mathrm{ik}}\right)={\sup }_{x\∈U}\min \{{\mathrm{\χ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\χ}}_A\left(x\right)\}\end{array}\right.---\left(11\right)$

对于下近似隶属函数定义，其中“inf'’的计算使区域

对隶属函数的计算没有任何影响，计算仅在区域

中进行。因此考虑到基于整个论域的大量计算，可以引入紧计算域的概念缩小计算范围，紧计算域定义为

$\left\{\begin{array}{c}{D}_{\underset{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)\≠1,\∃\mathrm{\ϵ}>0\}\\ D_{\stackrel{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)>\mathrm{\ϵ},\∃\mathrm{\ϵ}>0\}\end{array}\right.---\left(5\right)$

其中，D _A (F_ik)、

B _A (F_ik)、

分别为该直觉不确定粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；

分别为论域u中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U/R＝U/P＝{F_ik}；μ_A(x)为x对直觉不确定粗糙集A的下近似隶属度；ε和

均为弹性系数，且ε＞0，

在约简不满足可信阈值时修改弹性系数以调整约简精度。

因此，下近似和上近似的隶属函数与非隶属函数可改进为：

其中，0≤α＜β≤1为概率意义下的上下限阈值。

鉴于基于紧计算域的直觉不确定粗糙集的定义，不确定语义项F_ik在直觉不确定正域下的隶属度与非隶属度定义为：

${\mathrm{\μ}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)=\underset{F_l\∈A\left(Q\right)}{\sup }\left\{{\mathrm{\μ}}_{\underset{\‾}{F_l}}\left(F_{\mathrm{ik}}\right)\right\}---\left(18\right)$

${\mathrm{\χ}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)=\underset{F_l\∈A\left(Q\right)}{\inf }\left\{{\mathrm{\χ}}_{\underset{\‾}{F_l}}\left(F_{\mathrm{ik}}\right)\right\}---\left(19\right)$

x∈U对不确定正域的隶属度与非隶属度定义为：

${\mathrm{\μ}}_{\mathrm{POS}}\left(x\right)=\underset{F_{\mathrm{ik}}\∈A\left(P_i\right)}{\sup }\min \{{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\μ}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)\}---\left(20\right)$

${\mathrm{\χ}}_{\mathrm{POS}}\left(x\right)=\underset{F_{\mathrm{ik}}\∈A\left(Q\right)}{\inf }\max \{{\mathrm{\χ}}_{F_{\mathrm{ik}}}\left(x\right),{\mathrm{\χ}}_{\mathrm{POS}}\left(F_{\mathrm{ik}}\right)\}---\left(21\right)$

由此得决策属性Q对条件属性P的依赖度Φ_P(Q)与非依赖度Ψ_P(Q)定义为：

${\mathrm{\Φ}}_P\left(Q\right)=\frac{\underset{x\∈U}{\mathrm{\Σ}}{\mathrm{\μ}}_{\mathrm{POS}}\left(x\right)}{\left|U\right|}---\left(22\right)$

${\mathrm{\Ψ}}_P\left(Q\right)=\frac{\underset{x\∈U}{\mathrm{\Σ}}{\mathrm{\χ}}_{\mathrm{POS}}\left(x\right)}{\left|U\right|}---\left(23\right)$

决策属性Q对条件属性集P的依赖表示该属性的重要程度，依赖度越高则该条件属性越重要。属性约简正是基于属性的重要程度，目的在于去除对决策几乎没有影响的属性，因此采用一种基于直觉不确定粗糙集和隶属度与非隶属度定义的改进的树形搜索方法确定最佳约简结果。首先初始化空集S为可能的约简结果，并增加Φ_P(Q)-Ψ_P(Q)值最大的属性到S集。然后将带有max{Φ_P(Q)-Ψ_P(Q)}的属性作为下层计算的起点，直到相邻两层的计算中获得相等的依赖度和非依赖度，即获得约简结果。

步骤5.2：将约简结果上传至数据库单元，更新故障诊断规则库；

步骤5.3：根据更新后的故障诊断规则库中与实际故障情况相匹配的诊断规则，调取该诊断规则所需的相应电气量信息，调用SCADA系统、WAMS系统和故障录波系统上传到数据处理单元的实时故障信息数据进行信息融合获得实时故障信息数据准确值；

所述信息融合过程，用于对来自不同信息源的同一信息进行数据统一。由于不同信息源存在不同测量误差，其所上传同一数据各不相同，因此需要将这些数据统一为一个较精确值进行故障模式匹配；对于如相角等只由WAMS系统提供的单一源信息，则直接视为准确值。

用新的约简结果更新故障诊断规则库，多源信息预处理模块访问数据采集与监控单元，结合含故障元件的故障规则，调用SCADA、WAMS和故障录波系统上传到控制中心的数据进行信息融合。采用加权平均融合，计算方法如下：

$q\left(x\right)=\underset{i=1}{\overset{N}{\arg \max }}\left(\frac{1}{m}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{x}_{\mathrm{ij}}\right)---\left(24\right)$

其中，i＝1，…，N、j＝1，...，M分别代表参与信息融合的电气量及其不同信息源；ω_j为其权系数。

步骤5.4：通过反向推理方法判断实时故障信息数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

将实时故障信息数据与故障诊断规则库利用反向推理方法进行匹配判断，当故障信息形式基本符合时即假设故障按此规则发生并计算匹配度，匹配度小于设定阈值时即视为与故障诊断规则完全匹配，进而确定故障元件，该阈值据专家经验给出。匹配度定义为：

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}{|1-\frac{x_i}{{\mathrm{\ω}}_i{\mathrm{\δ}}_i}|}^2\right)}^{\frac{1}{2}}---\left(4\right)$

其中，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的故障信息；δ_i(i＝1，2...，w)为故障诊断规则库中电气量信息；ω_i(i＝1，2...，w)为诊断规则可信度。

匹配度小于设定阈值时即视为实时故障信息数据准确值与故障诊断规则完全匹配，进而确定故障元件，该阈值据专家经验给出，匹配度定义为：

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}{|1-\frac{x_i}{{\mathrm{\ω}}_i{\mathrm{\δ}}_i}|}^2\right)}^{\frac{1}{2}}---\left(4\right)$

其中，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的故障信息；δ_i(i＝1，2...，w)为故障诊断规则库中电气量信息；ω_i(i＝1，2...，w)为规则可信度。

步骤5.5：若故障完全匹配，则完成故障诊断；否则发出模型扩展请求后返回馈线层诊断，馈线层扩大建模范围后重新诊断故障元件，重复上述诊断过程直到确定唯一故障元件。

本实施方式中，从更新后的故障诊断规则库中调取L5、L7的故障信息，依据故障信息选取相应量测电气量计算匹配程度，取阈值为0.18，则故障完全匹配，确定故障元件为L5、L7，故障诊断结束。

步骤6：诊断结束。

Claims (7)

1.一种智能电网故障的动态层次诊断装置，其特征在于：包括数据采集与监控单元、数据处理单元、数据库单元、通讯单元和人机交互单元；

所述数据采集与监控单元用于电网的状态监测、安全监视和报警处理、数据采集、拓扑分析、故障信息记录；

所述数据处理单元处理故障诊断数据；

所述数据库单元用于存储历史记录数据库与故障诊断规则库并完成数据备份与管理；历史记录数据库存储电网系统运行的全部数据信息，故障诊断规则库存储历史故障诊断规则，且每条诊断规则包括故障时刻的开关信息、保护信息、电气量信息及故障诊断结果；

该装置的连接为：数据采集与监控单元通过一个通讯单元与数据处理单元连接，数据处理单元通过另一通讯单元与人机交互单元连接，数据处理单元还与数据库单元连接。

2.根据权利要求1所述的智能电网故障的动态层次诊断装置，其特征在于：所述数据采集与监控单元包括数据采集与监视控制系统、广域监测系统、故障信息系统和故障录波系统；

所述数据处理单元包括多源信息预处理模块、开关层诊断模块、馈线层诊断模块、变电站层诊断模块、数据约简模块和决策控制模块，各模块在决策控制模块的控制下，进行智能电网故障诊断；

所述通讯单元包括信息接收模块、信息发出模块、信息传输模块、协议控制模块。

3.根据权利要求1所述的智能电网故障的动态层次诊断装置，其特征在于：所述通讯单元采用RS-485标准接口和RS-485串行异步光纤环网通讯方式。

4.采用权利要求1所述的智能电网故障的动态层次诊断装置进行智能电网故障的动态层次诊断方法，其特征在于：包括以下步骤：

步骤1：智能电网发生故障后，计算故障诊断启动条件以确定诊断策略；

所述故障诊断启动条件用于表征智能电网故障时的开关动作信息和电气量信息在故障前后的变化情况；

所述故障诊断策略包括开关层诊断、馈线层诊断和变电站层诊断；

步骤2：根据步骤1计算出的故障诊断启动条件，若开关动作信息在故障前后的变化显著，则执行步骤3，启动开关层诊断；若电气量信息在故障前后的变化显著，则执行步骤5启动变电层诊断；

步骤3：启动开关层诊断，采用基于网络关联矩阵的深度优先搜索方法确定故障区域，并利用弹性截止条件控制搜索进程，若故障区域内可疑故障元件唯一，则该元件为故障元件，则转至步骤6，诊断结束；否则从历史记录数据库调取开关历史动作记录，若调取的开关历史动作记录中存在与当前开关动作匹配记录，则执行步骤5，启动变电站层诊断；若调取的开关历史动作记录中不存在与当前开关动作匹配记录，则执行步骤4，启动馈线层诊断；

步骤4：启动馈线层诊断，根据可疑故障元件的保护信息，结合其关联断路器动作信息，采用建立petri网模型的方式确定故障元件，并放入故障元件集，若故障元件集中的故障元件唯一，则诊断结束，否则执行步骤5，启动变电站层诊断；

步骤5：启动变电站层诊断，利用直觉不确定粗糙集理论进行属性约简与数据约简，并更新故障诊断规则库；根据故障诊断规则库中与当前故障相匹配的诊断规则所对应的电气量信息，采用信息融合技术对实时故障信息数据进行修正从而获得实时故障信息数据准确值，再通过反向推理方法判断实时数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

步骤6：诊断结束。

5.根据权利要求4所述的智能电网故障的动态层次诊断方法，其特征在于：步骤2中所述的故障诊断启动条件的公式为：

$\mathrm{SC}={\left[\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\left(\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\frac{S_{\mathrm{ij}(t+1)}-S_{\mathrm{ij}\left(t\right)}}{S_{\mathrm{ij}\left(t\right)}}\right)}^2\right]}^{\frac{1}{2}}/\frac{q}{Q}\×100\%---\left(1\right)$

其中，m为报警节点数；n为报警节点越限电气量类型；α_i为报警节点权重系数；S_ij(t)表示第i个节点的第j类电气量在故障发生前的电气量值；t、t+1分别表示故障发生前和故障后的采样点；q、Q分别为跳闸开关数和网络总开关数；

当SC＜1时，表示开关动作信息在故障前后的变化显著，当SC＞1时，表示电气量信息在故障前后的变化显著。

6.根据权利要求4所述的智能电网故障的动态层次诊断方法，其特征在于：所述开关层诊断的具体步骤如下：

步骤3.1：对所有跳闸开关编号k＝(0，1，2...)，搜索以一个跳闸开关为起点，沿远离电源的方向进行；

步骤3.2：对以跳闸开关k为起点的搜索路径建立p×p阶开关网络矩阵C，p为搜索遍历开关数目，若开关i与j存在连接关系，且沿搜索方向上j为i的下层开关，则C_ij＝1，其余元素均为0；

步骤3.3：建立网络关联矩阵D，D_ii表示开关i与跳闸开关k的关联程度

$\left\{\begin{array}{cc}{D}_{11}=1& \\ D_{\mathrm{ii}}=I-\mathrm{\ϵ}(\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}+\frac{1-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{C}_{\mathrm{ji}}\·D_{\mathrm{jj}}}{\mathrm{\ϵ}}),& i\≠1\\ D_{\mathrm{ij}}=0,& i\≠j\end{array}\right.---\left(2\right)$

其中，I为单位对角阵；ε为关联指数且0＜ε＜0.2，根据搜索深度而定；

步骤3.4：搜索至下一个跳闸开关或满足截止条件时截止，在网络关联矩阵D中用*表示搜索终点，截止条件为

$\underset{i=0}{\overset{n}{\mathrm{\Π}}}{\mathrm{\ω}}_i{D}_{\mathrm{ii}}\≤\mathrm{\γ}---\left(3\right)$

其中，ω_i为各开关动作可信度；γ为弹性截止阈值，搜索时要求较高搜索精度时取较大值，要求较短搜索时间时取较小值；

步骤3.5：结束本次搜索，形成可疑故障区域；

从本次搜索起点的跳闸开关k至网络关联矩阵D中*对应的搜索终点，搜索所遍历的电网区域，即为跳闸开关k对应的可疑故障区域k；

步骤3.6：确定可疑故障区域后，返回步骤3.3，对下一跳闸开关进行搜索，若无待搜索跳闸开关进入步骤3.7；

步骤3.7：将k个跳闸开关分别确定的k个可疑故障区域进行合并，去除重复的可疑故障区域，可疑故障区域内元件即为可疑故障元件；

步骤3.8：若可疑故障元件唯一，则该元件即为故障元件，诊断结束；否则从历史记录数据库调取开关历史动作记录，若存在匹配记录则直接进入变电站层诊断，执行步骤5，否则启动馈线层诊断，执行步骤4。

7.根据权利要求4所述的智能电网故障的动态层次诊断方法，其特征在于：所述馈线层诊断的具体步骤如下：

步骤4.1：确定可疑故障元件的关联断路器，关联断路器指各可疑故障元件主保护、近后备保护、远后备保护所对应的全部断路器设备；

步骤4.2：扩展条件判断：根据是否存在变电站层诊断返回的模型扩展请求，确定建模范围；

步骤4.3：获取可疑故障元件保护信息，结合其关联断路器动作信息进行petri网建模；

步骤4.4：根据petri网推理确定故障元件，并将故障元件加入故障元件集F中，若存在断路器拒动情况，则诊断结果包含拒动断路器，以便一并加入检修列表，防止断路器故障造成的故障扩大；

步骤4.5：推理完成后，选取下一可疑故障元件返回步骤4.3，若无待建模的可疑故障元件则进入步骤4.6；

步骤4.6：若故障元件集F中故障元件唯一，结束诊断；否则进入变电站层诊断。

8、根据权利要求4所述的智能电网故障的动态层次诊断方法，其特征在于：所述变电站层诊断具体步骤如下：

步骤5.1：采用直觉不确定粗糙集理论进行属性约简与数据约简，以满足max{Φ_P(Q)-Ψ_P(Q)}的属性为必要属性，得到约简结果，其中，Φ_P(Q)、Ψ_P(Q)分别为决策属性Q对条件属性P的依赖度与非依赖度；

采用直觉不确定粗糙集理论进行属性约简与数据约简过程中，应用紧计算域概念对直觉不确定粗糙集的上下近似隶属函数进行修改，紧计算域定义为

$\left\{\begin{array}{c}{D}_{\underset{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)\≠1,\∃\mathrm{\ϵ}>0\}\\ D_{\stackrel{\‾}{A}}\left(F_{\mathrm{ik}}\right)=\{x\∈U|{\mathrm{\μ}}_{F_{\mathrm{ik}}}\left(x\right)>\mathrm{\ϵ}^{\mathrm{\μ}}_{\underset{\‾}{A}}\left(x\right)>\mathrm{\ϵ},\∃\mathrm{\ϵ}>0\}\end{array}\right.---\left(5\right)$

其中，D _A (F_ik)、

B _A (F_ik)

分别为该直觉不确定粗糙集A的下近似的隶属函数、上近似的隶属函数、下近似的非隶属函数、上近似的非隶属函数；

分别为论域U中元素x对F_ik的隶属度与非隶属度，F_ik为U上的模糊相似关系R生成的U的一个模糊划分，即U/R＝U/R＝{F_ik}；μ_A(x)为x对直觉不确定粗糙集A的下近似隶属度；ε和均为弹性系数，且ε＞O，

在约简不满足可信阂值时修改弹性系数以调整约简精度，约简以依赖度与非依赖度关系作为截止条件，采用树形搜索方法确定约简结果；

步骤5.2：将约简结果上传至数据库单元，更新故障诊断规则库；

步骤5.3：根据更新后的故障诊断规则库中与实际故障情况相匹配的诊断规则，调取该诊断规则所需的相应电气量信息，调用数据采集与监视控制系统、广域监测系统和故障录波系统上传到数据处理单元的实时故障信息数据进行信息融合获得实时故障信息数据准确值；

步骤5.4：通过反向推理方法判断实时故障信息数据准确值和故障诊断规则库中与之相匹配的故障诊断规则是否完全匹配，是则诊断结束，否则发出模型扩展请求后返回步骤4；

用匹配度来表征实时故障信息数据准确值和故障诊断规则库中与之相匹配的故障诊断规则之间的匹配程度；

匹配度小于设定阈值时即视为实时故障信息数据准确值与故障诊断规则完全匹配，进而确定故障元件，该阈值据专家经验给出，匹配度定义为：

$p=\frac{1}{w}{\left(\underset{i=1}{\overset{w}{\mathrm{\Σ}}}{|1-\frac{x_i}{{\mathrm{\ω}}_i{\mathrm{\δ}}_i}|}^2\right)}^{\frac{1}{2}}---\left(4\right)$

其中，w为参与计算的信息总数；x_i(i＝1，2...，w)为信息融合后的故障信息；δ_i(i＝1，2...，w)为故障诊断规则库中电气量信息；ω_i(i＝1，2...，w)为诊断规则可信度；

步骤5.5：若实时故障信息数据准确值与故障诊断规则完全匹配，则完成故障诊断；否则发出模型扩展请求，返回馈线层诊断。

Images