CN103308824A - 一种基于概率Petri网的电力系统故障诊断方法 - Google Patents
一种基于概率Petri网的电力系统故障诊断方法 Download PDFInfo
- Publication number
- CN103308824A CN103308824A CN2013102147843A CN201310214784A CN103308824A CN 103308824 A CN103308824 A CN 103308824A CN 2013102147843 A CN2013102147843 A CN 2013102147843A CN 201310214784 A CN201310214784 A CN 201310214784A CN 103308824 A CN103308824 A CN 103308824A
- Authority
- CN
- China
- Prior art keywords
- fault
- probability
- suspicious
- transition
- etri
- 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
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于概率Petri网的电力系统故障诊断方法,电力系统发生故障时,确定故障信息是否为真实故障信息,对真实故障信息进行预处理,生成故障可疑元件库并形成关联可疑元件子库;监控中心提取故障可疑元件库中的可疑元件,生成可疑元件故障树;建立可疑元件各方向引出线的概率Petri网模型;进行故障诊断,得到故障诊断结果;判断故障诊断结果对应的各可疑元件的故障情况,如果可疑元件属于被关联的可疑元件,则执行可信度比较,得到故障元件,否则重新生成故障树。本发明基于概率Petri网理论给出变迁函数的最优函数参数,引入元件不可靠度,提出包含可信度评价故障诊断方法,具有较高的可靠性和精度,能够很好地应用到实际电网中。
Description
技术领域
本发明属于电气工程技术领域,具体涉及一种基于概率Petri网的电力系统故障诊断方法。
背景技术
电力系统的发展使得电网的规模越来越大,结构越来越复杂,不同区域之间的互联也越来越紧密,能量管理系统和数据采集监控系统在电网调度中心得到了广泛的应用,这就使得系统中所发生的故障对系统本身的影响也随之扩大,因此电力系统故障诊断研究具有重要的现实意义。电力系统故障诊断就是利用继电保护和断路器的动作信息来识别故障区域和故障元件。
在电网发生故障后,将会有大量的报警信息通过各单元的远程终端装置(RTU)传送到系统的能量管理中心,为故障诊断提供数据源。而在复杂故障或自动装置动作不正常时以及信道原因导致出现信号出错或收不到信号的情况下,实际应用中很难给出准确的故障诊断结果。为了适应各种简单和复杂事故情况下故障的快速、准确识别,需要电力系统故障诊断系统进行决策参考。为了快速、准确地对电力系统故障进行诊断,国内外的研究越来越多地将人工智能应用于电力系统的故障诊断问题。人工智能善于模拟人类分析和处理问题的过程,具有一定的学习能力并易计及人的经验,在故障诊断领域获得了广泛的应用。传统的人工智能故障诊断方法虽然取得了一定的成就,但是也存在着一系列的问题,如建模复杂、需要在庞大的解空间搜索最优解、诊断速度慢和对各类离散时间描述不够清晰等问题。近年来,学者们将Petri网引入电网故障诊断,取得了一定的成就。现在利用Petri网进行电力系统故障诊断有多种方法:将Petri网与冗余编码原理相结合,建立了冗余嵌入Petri网模型进行电网故障诊断,但是该方法需选择恰当的生成矩阵以保证诊断的精度;将概率和Petri网结合起来研究了电力系统的故障问题,提出了利用概率信息来处理电力系统故障诊断中不确定性因素的方法,但其初始赋值需要依靠人工经验,不具备解释性,降低了系统的置信度。
发明内容
针对现有技术存在的问题,本发明提供一种基于概率Petri网的电力系统故障诊断方法。
本发明的技术方案是:
一种基于概率Petri网的电力系统故障诊断方法,包括以下步骤:
步骤1:电力系统发生故障时,获取故障信息,包括继电器的不天常动作和断路器的动作;
步骤2:监控中心根据调度中心的反馈信息和获取的故障信息确定获取的故障信息是否为真实故障信息:若调度中心的反馈信息与获取的故障信息一致,则该故障信息是真实故障信息,执行步骤3,否则,不是真实故障信息,则校验故障信息,返回步骤1;
步骤3:对故障信息进行预处理,生成故障可疑元件库并形成关联可疑元件子库;
步骤3.1:对故障信息中的继电保护信息进行编号;
步骤3.2:根据各继电保护信息预先设定的保护范围确定故障可疑元件,构建故障可疑元件子库;
分别列出已编号的继电保护信息的保护范围内的元件,这些元件分别形成与该继电保护信息的编号相同的故障可疑元件子库;
步骤3.3:合成各故障可疑元件子库形成故障可疑元件库;
步骤3.4:如果待诊断的故障区域里的多个故障可疑元件子库中包含相同可疑元件,则将这些可疑元件子库合并为一个新的关联可疑元件子库,新的关联可疑元件子库包含被合并的故障可疑元件子库中的所有可疑元件;
步骤4:监控中心提取故障可疑元件库中的可疑元件,生成可疑元件故障树;
步骤5:根据可疑元件故障树建立可疑元件各方向引出线的概率Petri网模型;
步骤5.1:将可疑元件故障树中的每个分支都映射为一个概率Petri网的分支;
步骤5.2:将电力系统中所有断路器及其关联的继电保护信息映射为概率Petri网的库所,继电器的保护动作映射为概率Petri网的变迁;
步骤5.3:建立可疑元件各方向引出线的概率Petri网模型;
步骤6:利用可疑元件各方向引出线的概率Petri网模型进行故障诊断,得到故障诊断结果;
步骤6.1:设概率Petri网模型有n个库所与m个变迁,则输入矩库A为n×m维矩阵,输出矩阵O为m×n维矩阵,变迁阀值为Tδ,初始状态向量为M0;
步骤6.2:计算继电保护元件的不可靠度;
步骤6.3:计算变迁合成输入概率,即把同一变迁的所有输入库所按照其概率值和输入弧权系数等效为权系数为1的输入概率值;
步骤6.4:对每个变迁进行触发判断,即当变迁合成输入概率不小于变迁阈值时,变迁合成输入概率hi的值保持不变,否则将其置零;
步骤6.5:建立输出概率函数;
步骤6.6:计算各变迁的输出概率值;
步骤6.7:计算各库所下一步状态向量M1;
步骤6.8:根据概率Petri网模型的变迁级数,重复步骤6.2~步骤6.7,直至没有可触发的变迁为止;
步骤6.9:当终止库有多条输入弧时,取输入弧中的最大值作为变迁的输出概率值,即得到故障诊断结果;
步骤7:监控中心根据各方向引出线的概率Petri网模型的故障诊断结果,判断故障诊断结果对应的各可疑元件的故障情况,即判断各可疑元件是否属于被关联的可疑元件:如果可疑元件属于被关联的可疑元件,则执行可信度比较,超过可信度阈值且可信度最高的可疑元件即故障元件,得到电力系统故障诊断结果,否则返回步骤4。
有益效果:
本发明是基于概率Petri网理论给出变迁函数的最优函数参数,引入元件不可靠度,给出合成输入概率Petri网在电力系统故障诊断中初始标识及输入弧权值和输出弧权值的确定方法,提出包含可信度评价故障诊断方法,具有较高的可靠性和精度,能够很好地应用到实际电网中。本发明方法有效地提高了概率Petri网的电力系统故障诊断的性能。在运用可疑元件故障树的基础上,分别针对线路、母线和变压器元件建立引出线概率Petri网模型,对继电保护逻辑配合关系进行准确地模拟,从而得出故障诊断结果,完成电力系统故障诊断。
附图说明
图1是本发明具体实施方式定义的概率Petri网模型示意图;
图2是本发明具体实施方式的赋予继电保护库所至变迁的输入弧与断路器库所至变迁的输入弧设置示意图;
图3是本发明具体实施方式的电力系统接线示意图;
图4是本发明具体实施方式的以图3所示的电力系统的线路L1的L1-T1为例构建的线路侧的概率Petri网故障诊断模型;
图5是本发明具体实施方式的以图3所示的电力系统的母线B5的B5-T5方向(假设CB12断开)为例构建的母线侧的概率Petri网故障诊断模型;
图6是本发明具体实施方式的以图3所示的电力系统的以变压器T6的T6-L4方向为例构建的变压器侧的概率Petri网故障诊断模型;
图7是本发明具体实施方式构建的综合故障诊断模型;
图8是本发明具体实施方式合并前可疑故障元件子库集合;
图9是本发明具体实施方式合并后可疑故障元件子库集合;
图10是本发明具体实施方式的概率Petri网的电力系统故障诊断方法流程图;
图11是本发明具体实施方式以图3所示的电力系统的线路L1发生故障后的L1-T1侧为例得到的概率Petri网故障诊断模型;
图12是本发明具体实施方式以图3所示的电力系统的母线B1发生故障后的概率Petri网故障诊断模型。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式做详细说明。
本实施方式的基于概率Petri网的电力系统故障诊断方法,流程如图10所示,包括以下步骤:
步骤1:电力系统发生故障时,获取故障信息,包括继电器的不正常动作和断路器的动作;
步骤2:监控中心根据调度中心的反馈信息和获取的故障信息确定获取的故障信息是否为真实故障信息:若调度中心的反馈信息与获取的故障信息一致则该故障信息是真实故障信息,执行步骤3,否则不是真实故障信息,校验故障信息,返回步骤1;
步骤3:对故障信息进行预处理,生成故障可疑元件库并形成关联可疑元件子库;
步骤3.1:对故障信息中的继电保护信息进行编号;
步骤3.2:根据各继电保护信息预先设定的保护范围确定故障可疑元件,构建故障可疑元件子库;
分别列出已编号的继电保护信息的保护范围内的元件,这些元件分别形成与该继电保护信息的编号相同的故障可疑元件子库;
步骤3.3:各故障可疑元件子库形成故障可疑元件库;
步骤3.4:如果待诊断的故障区域里的多个故障可疑元件子阵中包含相同可疑元件,则将这些可疑元件子库合并为一个新的关联可疑元件子库,新的关联可疑元件子库包含被合并的故障可疑元件子库中的所有可疑元件;
例如,在图8所示的可疑故障元件子库集合中,1号故障可疑元件子库中含有元素L1、T3,2号故障可疑元件子库中含有元素T3、B1,则将其合并后的故障可疑元件子库的元素为L1、T3、B1,如图9所示。
经过这步骤3.1~步骤3.4,即获得完整的故障可疑元件库,整个元件库包含了多个经整理合并后的故障可疑元件子库。发生故障后,只有在相同元件子库中的元件的Petri网故障诊断结果,才具有真实度的可比性。可疑元件子库的形成,为故障诊断结果可信度的比较奠定了基础。
步骤4:监控中心提取故障可疑元件库中的可疑元件,生成可疑元件故障树;
步骤5:根据可疑元件故障树建立可疑元件各方向引出线的概率Petri网模型;
步骤5.1:将可疑元件故障树中的每个分支都映射为一个概率Petri网的分支;
步骤5.2:将电力系统中所有断路器及其关联的继电保护信息映射为概率Petri网的库所,继电器的保护动作映射为概率Petri网的变迁;
步骤5.3:建立可疑元件各方向引出线的概率Petri网模型;
在电力系统运行中,线路、母线及变压器等电气设备与外围系统相连的任意引出线上的保护,均是根据继电保护和断路器时空方向上的逻辑配合来实现的,所以建立故障可疑元件的每条引出线上的概率Petri网诊断模型的原则是相同的;
本实施方式的概率Petri网定义为十元组,表示如下:
N=(P,T,W,A,I,O,M0,F,Tδ,Dt)
其中:
(l)P={P1,P2,…,Pn},P是由库所结点组成的有限集合(n维);
(2)T={t1,t2,…tm},T是由变迁结点组成的有限集合(m维);
(3)N的基网∑=(P,T,F)为一个有向网,其中,F表示流关系;
(5)M0是∑上的初始标识,为库所Pi的初始状态,依据保护和断路器的动作信息,对其动作库所赋予初始概率,而对于中间虚拟库所和终止库所,初始概率为0;
(6)A∶P→T,A为关联矩阵(n×m),描述Petri网的拓扑结构,A=[aij],当变迁tj指向库所pi时,aij=1;当库所pi指向变迁tj时,aij=-1;当库所pi和变迁tj没有关联时,aij=0;
(9)F={fI,fT,fO},F为变迁的处理函数构成的集合,包括合成输入概率函数fI、变迁触发函数fT、求取输出概率函数fO。合成输入概率函数fI的作用是依据指向某变迁的所有输入库所概率与输入弧上的权值,计算该变迁的合成输入概率Pi。变迁触发函数fT的作用是将合成的变迁输入概率Pi与阈值相比较,判断是否触发该变迁,同时根据触发的状态,对输入概率值进行修正。求取输出概率函数fO的作用是依据修正后的合成输入概率Pi,计算变迁的输出概率PO;
(10)Tδ:Tδ→[0,1],为变迁激发阈值间量,对变迁ti(ti∈T)定义激发阀值(本实施方式对模型中的一级变迁和二级变迁分别设为0.2和0.1),Tδ(ti)=δi;
(1l)Dt={dt1,dt2,...,dtn},dti→O∪Q+(Q+为正有理数),Dt为事件库所发生时间序列矩阵,dti为pi的延时。
本实施方式建立的概率Petri网模型如图1所示。
以图3所示的电力系统网络模型为研究对象,并建立元件的概率Petri网模型。
(1)线路元件诊断模型
假设线路L1是可疑故障元件,以线路L1-T1方向概率Petri网模型为例说明线路的概率Petri网的建立过程,根据继电保护的配置原理可得其模型如图4所示。
其中,H1、H11、H12是虚拟库所,表示相应继电保护与断路器的优先级位置。虚拟库所的设置,可实现在不同保护动作的情况下,Petri网变迁推导时,托肯可经过不同路径的目的。托肯经变迁触发后到达相应位置的虚拟库所,代表了该托肯所在库所对应的继电保护元件动作,将故障切除起到保护元件的作用,p1-p10分别代表各继电保护和相应断路器库所的动作概率值,该值与输入、输出弧权值的确定都是根据之前的规则确定的;dt0一dt2分别表示不同的时间延迟,其中,主保护具有最小延迟时间,并且优先级最高,近后备保护次之,远后备保护的优先级最低。同理,可得其它方向的概率Petri网模型。
(2)母线元件诊断模型
在单母接线方式中,建立母线元件的概率Petri网故障诊断模型的思路与线路元件是相同的,即根据元件上继电保护的配置按照不同方向分别建立引出线模型,然后将各方向的诊断结果综合起来,最终确定该元件是否出现故障。
根据继电保护原理,在双母线接线的方式下,如果其中一条母线出现故障,应该首先将母联断路器和与出现故障的母线相连的所有线路的断路器跳开;如果母联断路器发生拒动,就应该将双母线上所有有源支路上的断路器跳开;如果与故障母线相连的线路的断路器发生拒动,就应该将线路对侧的断路器跳开。总之,在该接线方式下,母线发生故障时,母联开关应该以较短的时限优先于其他断路器动作,而发生故障的母线上的所有有源支路上的断路器则以相对较长的时限动作断开。否则,如果其他开关尤其是接地运行的变压器开关先于母联开关跳开,将会使得与未发生故障的母线相连接的线路中的零序电流突然变大,那么没有发生故障的母线的对侧零序速动段保护就可能会因此产生误动作,产生无选择性的跳闸,使得事故进一步被扩大。以上是发生故障时不同类型继电保护与断路器动作的过程,但是利用概率Petri网建模进行故障诊断是在故障发生后的反向推理过程,所以可以将由母线差动保护控制的母联断路器与其他线路断路器的动作优先级看做同一等级。
以母线B5的B5-T5方向(假设CB12断开)为例说明母线的概率Petri网的建模过程,如图5所示。同理,可以推导出母线B5其它方向的概率Petri网模型。
(3)变压器元件诊断模型
同理,本发明以变压器T6的T6-L4方向为例说明变压器的概率Petri网的建模过程,如图6所示。同理,可以推导出变压器T6其它方向的概率Petri网模型。
(4)综合诊断模型
针对其一元件建立好各个方向模型后,要对这些模型的诊断结果进行综合分析,来确定可疑元件是否发生故障的结果。概率Petri网的综合诊断模型如图7所示,该综合诊断模型适用于母线、线路以及变压器元件,其中L(B,T)代表的是被诊断的可疑母线、线路或变压器,H1、H2…Hn库所是该元件各方向引出线模型的诊断结果的虚拟概率库所,最后取H1、H2…Hn,库所中的最大值作为元件故障概率值,因为只要有一个路径发生故障,该元件就是故障元件,即该虚拟库所之间是或运算关系。当H的概率值大于某个数值(设定为0.7)时,即判断为元件故障。
步骤6:利用可疑元件各方向引出线的概率Petri网模型进行故障诊断,得到故障诊断结果;
步骤6.1:设概率Petri网模型有n个库所与m个变迁,则输入矩阵A为n×m维矩阵,输出矩阵O为m×n维矩阵,变迁阀值为Tδ,初始状态向量为M0;
步骤6.2:计算继电保护元件的不可靠度;
如果某继电保护在其所保护的元件所配置的保护中,优先级越低,在实际中会动作的机率就越小,进行推导时迭代的次数就越多。本实施方式引入元件不可靠度来计算可疑元件的正确动作概率值。首先计算继电保护元件的不可靠度,进而得到可疑元件的可信度,然后求出各可疑元件每年保护动作正确率,最后再对不同年可疑元件保护动作的正确率取平均,即获得该可疑元件保护动作的概率值;
具体公式如下:
τ=1-K
其中,K为元件的不可靠度,B为元件的运行失效率,A为元件不可靠度,τ为元件的可信度,R(i)表示元件的i年正确动作概率,rz为元件年正确动作数量,rc为元件年误动与拒动数量,R表示元件正确动作概率值,N表示年数。
步骤6.3:计算变迁合成输入概率,即把同一变迁的所有输入库所按照其概率值和输入弧权系数等效为权系数为1的输入概率值;
合成输入概率函数fI的定义为E=fI(I,M0)=IT·M0;用H=fT(E,Tδ)表示变迁发函数的矩阵变换;
定义事件库所发生时间序列矩阵Td(i)用于描述不同事件的时间级差配合的特性,即令不同事件库所对应的变迁对应不同的触发延迟时间,从而模拟不同的事件在时间上的级差配合;
根据不同输入库所在概率Petri网的推理中影响程度不同,对输入弧赋予了不同的权值。依据继电保护原理,故障元件必定会引起继电保护装置的动作,然后控制断路器断开。在整个过程中,继电保护的动作比断路器的跳闸更重要,所以赋予继电保护库所至变迁的输入弧与断路器库所至变迁的输入弧不同的值这里设置分别为0.6和0.4,如图2所示。
因为主保护、后备保护及相应断路器的动作信息对故障诊断的影响度不同,所以本文针对不同保护概率Petri子网模型,对终端变迁输出弧设置不同的权值,以表示其对输出概率的贡献率不同,即依次设置主保护、近后备保护与远后备保护变迁输出弧的权值为1、0.9、0.8。
步骤6.4:对每个变迁进行触发判断,即当变迁合成输入概率不小于变迁阈值时,变迁合成输入概率hi的值保持不变,否则将其置零;
步骤6.5:建立输出概率函数 其中α为概率输出函数参数;
为利于故障诊断的判断,必须选择一个合适的参数α,为了使得输出概率在输入概率较小时具有抑制作用,在输入概率较大时能够起到增强的作用,即增强诊断的概率推理,更加符合故障诊断概率的推理。据此,列出如下不等式
步骤6.6:计算各变迁的输出概率值G;
G=fO(H)
步骤6.7:计算各库所下一步状态向量M1;
M1=O·G
其中,O为输出矩阵。
步骤6.8:根据概率Petri网模型的变迁级数,重复步骤6.2~步骤6.7,直至没有可触发的变迁为止;
步骤6.9:当终止库有多条输入弧时,取输入弧中的最大值作为变迁的输出概率值,即得到故障诊断结果;
步骤7;监控中心根据各方向引出线的概率Petri网模型的故障诊断结果,判断故障诊断结果对应的各可疑元件的故障情况,即判断各可疑元件是否属于被关联的可疑元件:如果可疑元件属于被关联的可疑元件,则执行可信度比较,超过可信度阈值且可信度最高的可疑元件即故障元件,得到电力系统故障诊断结果,否则返回步骤4。
若某可疑元件子库存在多个可疑元件,进行可信度评价。
在上述故障诊断推理的基础上可以得出那些可疑元件发生故障的结论,但是在现实中元件同时发生故障的可能性很小,这就需要对故障诊断的结果进行可信度的比较,对其可信度等级进行划分,从而判断哪个诊断结果与实际的故障情况更符合。
如果某继电保护在其所保护的元件所配置的保护中,优先级越低,在实际中会动作的机率就越小,进行推导时迭代的次数就越多。本文可据元件引出线概率Petri子网模型的迭代次数的算术平均值,进行可信度的评价。
需要对诊断结果进行可信度比较的条件为:对于位于同一可疑元件子库中的多个元件,当对它们进行故障诊断时,都用到了某个动作的继电保护信息,而且经过概率Petri网引出线分步诊断模型进行诊断后,都判断出发生了故障。
为验证本实施方式提出的基于概率Petri网的电力系统故障诊断方法的可行性,现以图3所示的电网系统为例,建立概率Petri网模型,对电力系统出现故障的情况进行仿真研究,并且对仿真的结果进行分析,来讨论概率Petri网的在电力系统出现了不同故障情况下的有效性。图3所示的电网系统中共含有20个元件、29个断路器和52个继电保护。20个元件为:A1~A4、B1~B6、T1~T6、L1~L4;29个断路器为:CB1~CB29。在继电保护中,24个主保护为:RA1m~RA4m、RB1m~RB6m、RT1m~RT6m、RL1Sm~RL4Sm、RL1Rm~RL4Rm;28个后备保护为:RT1p~RT6p、RT1s~RT6s、RL1Sp~RL4Sp、RL1Ss~RL4Ss、RL1Rp~RL4Rp、RL1Rs~RL4Rs。
其中,A和B代表母线,T代表变压器,L代表线路,S和R分别代表线路的送端和线路的受端,m、p、s分别表示主保护、近后备保护和远后备保护。
步骤2:调度中心的反馈信息与获取的故障信息一致,该故障信息是真实故障信息,执行步骤3;
步骤3:对故障信息进行预处理,生成故障可疑元件库{L1}并形成关联可疑元件子库;
步骤4:监控中心提取故障可疑元件库中的可疑元件L1,生成L1的故障树;
可知线路L1通过8条路径与外部系统相连。根据继电保护原理,得到此系统中配置的与线路相关联的保护动作的三元组;
步骤5:根据可疑元件故障树建立可疑元件各方向引出线的概率Petri网模型;
步骤5.1:将可疑元件故障树中的每个分支都映射为一个概率Petri网的分支;
步骤5.2:将电力系统中所有断路器及其关联的继电保护信息映射为概率Petri网的库所,继电器的保护动作映射为概率Petri网的变迁;
步骤5.3:建立可疑元件各方向引出线的概率Petri网模型;
分析各条分支上的继电保下和断路器的配合关系,建立L1各方向引出线的概率Petri网诊断模型,其中,线路L1-T1方向的概率Petri网模型如图11所示,同理可建立起其余方向引出线的概率Petri网模型。
步骤6:利用可疑元件各方向引出线的概率Petri网模型进行故障诊断,得到故障诊断结果;
步骤6.1:设概率Petri网模型有n个库所与m个变迁,则输入矩阵A为n×m维矩阵,输出矩阵O为m×n维矩阵,变迁阀值为Tδ,初始状态向量为M0;
以图3所示的电力系统的线路L1-T1方向为例,可疑元件L1在各方向的关联矩阵为:
初始状态矩阵为:
M0=[0.9989 0.9833 0.2 0.2 0.2 0.2 0.4 0.2 0 0 0 0]T
步骤6.2:计算继电保护元件的不可靠度;
步骤6.3:计算变迁合成输入概率,即把同一变迁的所有输入库所按照其概率值和输入弧权系数等效为权系数为1的输入概率值;
计算可继电保护与断路器动作概率值赋值,即变迁合成输入概率,如表1和表2所示:
表1继电保护与断路器动作概率值
表2未动作继电保护和断路器的概率
步骤6.4:对每个变迁进行触发判断,即当变迁合成输入概率不小于变迁阈值时,变迁合成输入概率hi的值保持不变,否则将其置零;
步骤6.5:建立输出概率函数 其中α为概率输出函数参数;
步骤6.6:计算各变迁的输出概率值G;
步骤6.7:计算各库所下一步状态向量M1;
利用Matlab Petri Toolbox和合成输入算法的程序进行矩阵推导后可得下一步状态矩阵为M1=[0 0 0 0 0 0 0 0 0.1998 0.1173 0.1319 0.9999]T
即线路L1-T1方向的诊断结果为HL1-T1=0.9999,同理可得其它方向故障诊断如表3所示。
表3L1在各方向诊断故障概率
步骤6.8:根据概率Petri网模型的变迁级数,重复步骤6.2~步骤6.5,直至没有可触发的变迁为止;
步骤6.9:当终止库有多条输入弧时,取输入弧中的最大值作为变迁的输出概率值,即得到故障诊断结果;
步骤7:监控中心根据各方向引出线的概率Petri网模型的故障诊断结果,判断故障诊断结果对应的各可疑元件的故障情况,即判断各可疑元件是否属于被关联的可疑元件:如果可疑元件属于被关联的可疑元件,则执行可信度比较,超过可信度阈值且可信度最高的可疑元件即故障元件,得到电力系统故障诊断结果,否则返回步骤4。
本实施例中,综合各个方向诊断结果,可得元件L1发生故障的概率值为0.9999,高于0.7,即正确判断出线路故障。事实上,因为最终取各方向诊断结果最大值作为可疑元件的故障概率值,而如果某线路方向的诊断结果接近于1,可以判断出线路是故障元件,而不必对其他方向进行诊断。
本发明的一个实施例中,电力系统发生故障时获取的故障信息为:动作的继电保护有RB1m,RL2-B4-s,RL3-B5-s,RT2-gl-s;跳闸的断路器有CB3、CB5、CB7、CB10、CB18,针对该故障信息进行故障诊断的过程如下:
步骤1:电力系统发生故障时,获取故障信息:动作的继电保护有RB1m,RL2-B4-s,RL3-B5-s,RT2-gl-s;跳闸的断路器有CB3、CB5、CB7、CB10、CB18;
步骤2:调度中心的反馈信息与获取的故障信息一致,该故障信息是真实故障信息,执行步骤3;
步骤3:对故障信息进行预处理,生成故障可疑元件库{B1,B2,L2,L3}并形成关联可疑元件子库;
步骤4:监控中心提取故障可疑元件库中的可疑元件,生成可疑元件故障树;
提取故障可疑元件库中元件,以母线B1为例,通过拓扑结构搜索,形成母线B1的元件故障树图。根据继电保护原理,得到此系统中配置的与母线B1相关联的保护动作的三元组。
步骤5:根据可疑元件故障树建立可疑元件各方向引出线的概率Petri网模型;
提取故障可疑元件库中元件,通过拓扑结构搜索,形成各个元件连接图,以母线B1为例,分析各条路径上保护和断路器的时空二维配合关系,建立概率Petri网诊断模型,如图12所示。
步骤5.1:将可疑元件故障树中的每个分支都映射为一个概率Petri网的分支;
步骤5.2:将电力系统中所有断路器及其关联的继电保护信息映射为概率Petri网的库所,继电器的保护动作映射为概率Petri网的变迁;
步骤5.3:建立可疑元件各方向引出线的概率Petri网模型;
步骤6:利用可疑元件各方向引出线的概率Petri网模型进行故障诊断,得到故障诊断结果;
步骤6.1:设概率Petri网模型有n个库所与m个变迁,则输入矩阵A为n×m维矩阵,输出矩阵O为m×n维矩阵,变迁阀值为Tδ,初始状态向量为M0;
步骤6.2:计算继电保护元件的不可靠度;
步骤6.3:计算变迁合成输入概率,即把同一变迁的所有输入库所按照其概率值和输入弧权系数等效为权系数为1的输入概率值;
按照调度中心得到的继电保护、断路器动作信息,参考表1和表2,计算各方向概率Petri网中元件输入合成概率。
步骤6.4:对每个变迁进行触发判断,即当变迁合成输入概率不小于变迁阈值时,变迁合成输入概率hi的值保持不变,否则将其置零;
步骤6.5:建立输出概率函数 其中α为概率输出函数参数;
步骤6.6:计算各变迁的输出概率值;
在概率Petri网模型中布入相应托肯,分别对B1,B2,L2,L3进行矩阵推导,得到各方向发生故障的概率值,如表4所示:
表4B1,B2,L2,L3各方向发生故障的概率值
步骤6.7:计算各库所下一步状态向量M1;
步骤6.8:根据概率Petri网模型的变迁级数,重复步骤6.2~步骤6.7,直至没有可触发的变迁为止;
步骤6.9:当终止库有多条输入弧时,取输入弧中的最大值作为变迁的输出概率值,即得到故障诊断结果;
步骤7:监控中心根据各方向引出线的概率Petri网模型的故障诊断结果,判断故障诊断结果对应的各可疑元件的故障情况,即判断各可疑元件是否属于被关联的可疑元件:如果可疑元件属于被关联的可疑元件,则执行可信度比较,超过可信度阈值且可信度最高的可疑元件即故障元件,得到电力系统故障诊断结果,否则返回步骤4。
综合各个方向诊断结果,可得发生故障的元件为B1、B2,由此可见,在同一故障区段内诊断出了多个可疑故障元件,很可能发生了保护或断路器的误动或拒动,必须进行诊断结果的可信度比较,给出最有可能发生故障的元件。
对属于同一可疑元件子库中的满足可信度比较要求的关联可疑元件进行可信度比较,同时进行保护动作评价。本故障设置为母线B1故障,断路器CB6拒动,造成故障扩散。
根据保护、断路器信息,结合诊断模型进行可信度比较:对于母线B1通过矩阵方法,从B1-T1侧推导B1故障所需的迭代次数为1,设K(H1)=1,类似的,可得B1-T2端迭代次数为K(H2)=2,B1-L3端迭代次数为K(H2)=2,B1-L2端迭代次数为K(H4)=2,B1-L1端迭代次数为K(H5)=1,所以母线B1故障平均可信度为推导母线B2故障平均可信度为即K(B1)<K(B2),所以,母线B1故障可信度高,更可能发生故障。另一方面,诊断结果为母线B1故障概率为0.9986,高于母线B2故障概率0.7731,所以母线B1故障,断路器CB6拒动,从而引起继电保护RT2-gl-s、RL2-B4-s、和RL3-B5-s动作,断开断路器CB5、CB10和CB18以防止故障进一步扩散。
Claims (2)
1.一种基于概率Petri网的电力系统故障诊断方法,其特征在于:包括以下步骤:
步骤1:电力系统发生故障时,获取故障信息,包括继电器的不正常动作和断路器的动作;
步骤2:监控中心根据调度中心的反馈信息和获取的故障信息确定获取的故障信息是否为真实故障信息:若调度中心的反馈信息与获取的故障信息一致,则该故障信息是真实故障信息,执行步骤3,否则,不是真实故障信息,则校验故障信息,返回步骤1;
步骤3:对故障信息进行预处理,生成故障可疑元件库并形成关联可疑元件子库;
步骤3.1:对故障信息中的继电保护信息进行编号;
步骤3.2:根据各继电保护信息预先设定的保护范围确定故障可疑元件,构建故障可疑元件子库;
分别列出已编号的继电保护信息的保护范围内的元件,这些元件分别形成与该继电保护信息的编号相同的故障可疑元件子库;
步骤3.3:合成各故障可疑元件子库形成故障可疑元件库;
步骤3.4:如果待诊断的故障区域里的多个故障可疑元件子库中包含相同可疑元件,则将这些可疑元件子库合并为一个新的关联可疑元件子库,新的关联可疑元件子库包含被合并的故障可疑元件子库中的所有可疑元件;
步骤4:监控中心提取故障可疑元件库中的可疑元件,生成可疑元件故障树;
步骤5:根据可疑元件故障树建立可疑元件各方向引出线的概率Petri网模型;
步骤5.1:将可疑元件故障树中的每个分支都映射为一个概率Petri网的分支;
步骤5.2:将电力系统中所有断路器及其关联的继电保护信息映射为概率Petri网的库所,继电器的保护动作映射为概率Petri网的变迁;
步骤5.3:建立可疑元件各方向引出线的概率Petri网模型;
步骤6:利用可疑元件各方向引出线的概率Petri网模型进行故障诊断,得到故障诊断结果;
步骤6.1:设概率Petri网模型有n个库所与m个变迁,则输入矩阵A为n×m维矩阵,输出矩阵O为m×n维矩阵,变迁阀值为Tδ,初始状态向量为M0;
步骤6.2:计算继电保护元件的不可靠度;
步骤6.3:计算变迁合成输入概率,即把同一变迁的所有输入库所按照其概率值和输入弧权系数等效为权系数为1的输入概率值;
步骤6.4:对每个变迁进行触发判断,即当变迁合成输入概率不小于变迁阈值时,变迁合成输入概率hi的值保持不变,否则将其置零;
步骤6.5:建立输出概率函数;
步骤6.6:计算各变迁的输出概率值;
步骤6.7:计算各库所下一步状态向量M1;
步骤6.8:根据概率Petri网模型的变迁级数,重复步骤6.2~步骤6.7,直至没有可触发的变迁为止;
步骤6.9:当终止库有多条输入弧时,取输入弧中的最大值作为变迁的输出概率值,即得到故障诊断结果;
步骤7:监控中心根据各方向引出线的概率Petri网模型的故障诊断结果,判断故障诊断结果对应的各可疑元件的故障情况,即判断各可疑元件是否属于被关联的可疑元件:如果可疑元件属于被关联的可疑元件,则执行可信度比较,超过可信度阈值且可信度最高的可疑元件即故障元件,得到电力系统故障诊断结果,否则返回步骤4。
2.根据权利要求1所述的基于概率Petri网的电力系统故障诊断方法,其特征在于:所述可疑元件可以为线路、母线或变压器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310214784.3A CN103308824B (zh) | 2013-05-31 | 2013-05-31 | 一种基于概率Petri网的电力系统故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310214784.3A CN103308824B (zh) | 2013-05-31 | 2013-05-31 | 一种基于概率Petri网的电力系统故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103308824A true CN103308824A (zh) | 2013-09-18 |
CN103308824B CN103308824B (zh) | 2015-06-03 |
Family
ID=49134255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310214784.3A Expired - Fee Related CN103308824B (zh) | 2013-05-31 | 2013-05-31 | 一种基于概率Petri网的电力系统故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103308824B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103591978A (zh) * | 2013-10-23 | 2014-02-19 | 浙江大学 | 面向流程工业罐区的故障检测与诊断能力的在线评估方法 |
CN104267294A (zh) * | 2014-10-17 | 2015-01-07 | 东南大学 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力系统故障诊断方法 |
CN104504210A (zh) * | 2014-12-30 | 2015-04-08 | 西安交通大学 | 一种基于Petri网的复杂机电系统可靠性建模方法 |
AT515033A1 (de) * | 2013-10-23 | 2015-05-15 | Ge Jenbacher Gmbh & Co Og | Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage |
CN104655985A (zh) * | 2015-01-30 | 2015-05-27 | 国家电网公司 | 基于与或树模型的电网故障诊断方法 |
CN105259896A (zh) * | 2015-11-11 | 2016-01-20 | 国网山西省电力公司大同供电公司 | 一种基于电力调度数据网的故障诊断方法 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN108876057A (zh) * | 2018-07-24 | 2018-11-23 | 合肥阳光新能源科技有限公司 | 一种微电网的故障预测方法、装置及电子设备 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN109581194A (zh) * | 2018-12-18 | 2019-04-05 | 电子科技大学 | 一种电子系统故障测试策略动态生成方法 |
CN110470951A (zh) * | 2019-08-18 | 2019-11-19 | 天津大学 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
CN110568315A (zh) * | 2019-10-09 | 2019-12-13 | 国网宁夏电力有限公司 | 一种基于运行状态异常信息的母线故障概率计算方法 |
CN110932335A (zh) * | 2019-11-21 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种基于Petri网的船舶电力系统发电调度管理方法 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN111044850A (zh) * | 2020-01-14 | 2020-04-21 | 广东电网有限责任公司 | 一种基于设备故障概率的电网故障诊断方法 |
CN111337792A (zh) * | 2020-04-14 | 2020-06-26 | 上海海事大学 | 基于改进型Petri网的电力系统故障诊断方法 |
CN111884859A (zh) * | 2020-07-30 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种网络故障诊断方法、装置及可读存储介质 |
CN113270017A (zh) * | 2021-05-31 | 2021-08-17 | 三峡大学 | 一种继电保护仿真系统的建模方法 |
CN113283603A (zh) * | 2021-06-08 | 2021-08-20 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种精细化的闭环式风机故障诊断方法及系统 |
CN113295969A (zh) * | 2021-06-30 | 2021-08-24 | 广东电网有限责任公司 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1633081A1 (fr) * | 2004-09-03 | 2006-03-08 | Alcatel | DIispositif de diagnostic modulaire à base de connaissances évolutive, pour un réseau de communications |
US20100115341A1 (en) * | 2008-09-04 | 2010-05-06 | Telcordia Technologies, Inc. | Computing diagnostic explanations of network faults from monitoring data |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
-
2013
- 2013-05-31 CN CN201310214784.3A patent/CN103308824B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1633081A1 (fr) * | 2004-09-03 | 2006-03-08 | Alcatel | DIispositif de diagnostic modulaire à base de connaissances évolutive, pour un réseau de communications |
US20100115341A1 (en) * | 2008-09-04 | 2010-05-06 | Telcordia Technologies, Inc. | Computing diagnostic explanations of network faults from monitoring data |
CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
CN103020713A (zh) * | 2012-11-19 | 2013-04-03 | 山东大学 | 一种结合拓扑与继电保护逻辑的智能变电站故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
K.L.LO: "Extended Petri net models for fault diagnosis for substation automation", 《IEE PROC-GENER.TRANSM.DISTRIB》, vol. 146, no. 3, 31 May 1999 (1999-05-31), pages 229 - 234, XP006013453, DOI: doi:10.1049/ip-gtd:19990071 * |
王磊 等: "输电网故障诊断的知识表示方法及其应用", 《中国电机工程学报》, vol. 32, no. 4, 5 February 2012 (2012-02-05), pages 85 - 92 * |
田宝江: "Petri网理论在电网故障诊断中的应用", 《万方学位论文》, 29 December 2008 (2008-12-29) * |
高体(斌全): "基于故障信息系统和Petri网理论的电网故障诊断方法的研究", 《万方学位论文》, 1 February 2010 (2010-02-01) * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9739839B2 (en) | 2013-10-23 | 2017-08-22 | Ge Jenbacher Gmbh & Co Og | Method of operating a stationary electrical power plant connected to a power supply network |
AT515033B1 (de) * | 2013-10-23 | 2020-02-15 | Innio Jenbacher Gmbh & Co Og | Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage |
AT515033A1 (de) * | 2013-10-23 | 2015-05-15 | Ge Jenbacher Gmbh & Co Og | Verfahren zum Betreiben einer mit einem Energieversorgungsnetz verbundenen Kraftanlage |
CN103591978A (zh) * | 2013-10-23 | 2014-02-19 | 浙江大学 | 面向流程工业罐区的故障检测与诊断能力的在线评估方法 |
CN103591978B (zh) * | 2013-10-23 | 2015-12-02 | 浙江大学 | 面向流程工业罐区的故障检测与诊断能力的在线评估方法 |
CN104267294A (zh) * | 2014-10-17 | 2015-01-07 | 东南大学 | 一种基于粗糙集理论和Petri网络的IGIS故障在线诊断方法 |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力系统故障诊断方法 |
CN104504210A (zh) * | 2014-12-30 | 2015-04-08 | 西安交通大学 | 一种基于Petri网的复杂机电系统可靠性建模方法 |
CN104504210B (zh) * | 2014-12-30 | 2017-06-27 | 西安交通大学 | 一种基于Petri网的复杂机电系统可靠性建模方法 |
CN104655985A (zh) * | 2015-01-30 | 2015-05-27 | 国家电网公司 | 基于与或树模型的电网故障诊断方法 |
CN105259896A (zh) * | 2015-11-11 | 2016-01-20 | 国网山西省电力公司大同供电公司 | 一种基于电力调度数据网的故障诊断方法 |
CN105259896B (zh) * | 2015-11-11 | 2018-03-20 | 国网山西省电力公司大同供电公司 | 一种基于电力调度数据网的故障诊断方法 |
CN106771853A (zh) * | 2016-11-29 | 2017-05-31 | 华中科技大学 | 一种基于事件起点的智能化电网故障诊断方法 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN108876057A (zh) * | 2018-07-24 | 2018-11-23 | 合肥阳光新能源科技有限公司 | 一种微电网的故障预测方法、装置及电子设备 |
CN109581194A (zh) * | 2018-12-18 | 2019-04-05 | 电子科技大学 | 一种电子系统故障测试策略动态生成方法 |
CN110470951B (zh) * | 2019-08-18 | 2022-04-05 | 天津大学 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
CN110470951A (zh) * | 2019-08-18 | 2019-11-19 | 天津大学 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
CN110568315A (zh) * | 2019-10-09 | 2019-12-13 | 国网宁夏电力有限公司 | 一种基于运行状态异常信息的母线故障概率计算方法 |
CN110927509A (zh) * | 2019-10-14 | 2020-03-27 | 山东科技大学 | 一种配电网的故障诊断方法 |
CN110932335A (zh) * | 2019-11-21 | 2020-03-27 | 中国船舶重工集团公司第七一九研究所 | 一种基于Petri网的船舶电力系统发电调度管理方法 |
CN110932335B (zh) * | 2019-11-21 | 2021-08-13 | 中国船舶重工集团公司第七一九研究所 | 一种基于Petri网的船舶电力系统发电调度管理方法 |
CN111044850A (zh) * | 2020-01-14 | 2020-04-21 | 广东电网有限责任公司 | 一种基于设备故障概率的电网故障诊断方法 |
CN111337792A (zh) * | 2020-04-14 | 2020-06-26 | 上海海事大学 | 基于改进型Petri网的电力系统故障诊断方法 |
CN111884859A (zh) * | 2020-07-30 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种网络故障诊断方法、装置及可读存储介质 |
CN113270017A (zh) * | 2021-05-31 | 2021-08-17 | 三峡大学 | 一种继电保护仿真系统的建模方法 |
CN113283603A (zh) * | 2021-06-08 | 2021-08-20 | 华能(浙江)能源开发有限公司清洁能源分公司 | 一种精细化的闭环式风机故障诊断方法及系统 |
CN113295969A (zh) * | 2021-06-30 | 2021-08-24 | 广东电网有限责任公司 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
CN113295969B (zh) * | 2021-06-30 | 2022-05-27 | 广东电网有限责任公司 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103308824B (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103308824B (zh) | 一种基于概率Petri网的电力系统故障诊断方法 | |
CN104901306B (zh) | 一种考虑连锁故障的电网运行安全裕度计算方法 | |
CN104297637B (zh) | 综合利用电气量和时序信息的电力系统故障诊断方法 | |
CN102035202B (zh) | 一种网络重构系统 | |
CN103840967A (zh) | 一种电力通信网中故障定位的方法 | |
CN103001328A (zh) | 一种智能变电站的故障诊断与评估方法 | |
CN105183952B (zh) | 一种基于分层时间模糊Petri网的输电网故障诊断方法 | |
CN104133968A (zh) | 电网连锁故障事故链的相关性评估方法 | |
CN105067956A (zh) | 一种基于蚁群算法配网故障定位的方法 | |
CN103337831A (zh) | 一种具有自适应功能的失步解列方法 | |
CN103605787B (zh) | 继电保护评价分析方法及系统 | |
CN108053332B (zh) | 一种基于配置文件的故障树自动生成方法及系统 | |
CN110166483B (zh) | 一种电网故障以及网络攻击的辨识方法、装置及设备 | |
CN104316801A (zh) | 基于时间序列相似性匹配的电力系统故障诊断方法 | |
Guo et al. | An analytic model-based approach for power system alarm processing employing temporal constraint network | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN103743963A (zh) | 一种基于电气量与状态量的电力系统故障诊断方法 | |
CN109345151A (zh) | 一种面向电力信息物理系统的变电站综合风险评估方法 | |
CN104217120A (zh) | 一种评估数字化变电站继电保护系统可靠性的方法 | |
CN103311960A (zh) | 一种强联系电网同调稳定区域划分方法 | |
Cao et al. | Cyber-Physical Energy and Power Systems | |
CN104237688A (zh) | 考虑多重保护配置下的电网故障诊断解析模型 | |
Meliopoulos et al. | Data attack detection and command authentication via cyber-physical comodeling | |
Zhou et al. | Robustness analysis of interdependent urban critical infrastructure networks against cascade failures | |
CN105701288A (zh) | 一种极端灾害气象条件下电网复杂相继故障模拟与仿真方法 |
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: 20150603 |