CN104281899A - 一种新的基于信息融合的故障诊断方法 - Google Patents

Abstract

本发明涉及一种新的基于信息融合的故障诊断方法，属于电网故障诊断技术领域。该方法包括可疑故障集获取模块，开关层故障诊断模块，电气层故障诊断模块，诊断结果决策和显示模块。该方法通过捕获的告警信息，综合开关量和电气量信息进行故障诊断，进而诊断出故障元件。首先依据保护配置和动作的逻辑关系来诊断出可疑故障集，对可疑故障集中元件基于开关量在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，得到各线路相对故障度，并对可疑故障集中元件故障前后的电气量进行小波分析，求取相应的小波故障表征概率，在D-S证据理论基础下进行信息融合，基于信息融合结果进行决策聚类分析，从而诊断得到故障元件。本发明综合开关量和电气量信息进行诊断，有效降低了拒动、误动等因素的影响，避免了诊断信息准确性和完备性不高等缺陷，提高了诊断的准确度。

Description

一种新的基于信息融合的故障诊断方法

技术领域

本发明涉及一种新的信息融合电网故障诊断方法，属于电力系统故障诊断和系统恢复领域。

技术背景

电网发生故障时，准确、实时诊断出故障元件可以减少电能中断的时间，这对电网的稳定运行意义重大。目前电网故障诊断方法主要有专家系统方法、人工神经网络方法、基于解析模型的方法、基于Petri网、粗糙集理论等方法。

以往的电网故障诊断方法大多基于开关量信息，即保护和断路器的动作信息。然而，电网发生故障时，由于保护和断路器存在误动、拒动以及信道干扰发生信息丢失等诸多不确定性因素，单一基于开关量信息的电网故障诊断很难得到精确的诊断结果。所以，将电气量信息引入电网的故障诊断，基于开关量信息在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，重新定义了保护和断路器的动作期望表达式，构成目标函数，求解得到各线路相对故障度，并对故障前后电气量进行小波分析，求取相应的小波故障表征概率，再对证据体进行信息融合，进行综合故障诊断，有助于提高诊断结果的精确性。

发明内容

针对上述背景技术所提到的单纯基于开关量信息不能得到准确的故障诊断结果的不足和缺陷，本发明提出一种了多数据源信息融合的电网故障诊断方法，将电气量分析引入电网故障诊断，提高了诊断精确性。

为达到上述目的，该故障诊断方法包括以下步骤：

步骤1：对可疑故障集中的候选元件逐一进行开关层诊断求取故障概率，在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，重新定义了保护和断路器的动作期望表达式，构成目标函数，求解得到各线路相对故障度；

步骤2：对可疑故障集中元件进行电气层故障诊断，分别对元件故障时刻前后一个周波电流信号进行小波分析，求取相应的小波能量变化率以及小波奇异变化率，从而得到各元件的相对小波故障表征概率；

步骤3：基于模糊K-均值决策模型对信息融合结果进行诊断决策，确定融合结果分为故障和非故障类，可以故障集外元件作为非故障元件参与模糊K-均值分析，首先初始化融合结果从属于各类的隶属度矩阵，求取各类的聚类中心，重新计算新的隶属度矩阵，再计算聚类中心，重复至达到收敛条件，根据最终的隶属度矩阵进行聚类划分得到故障设备集；

本发明所述开关层诊断，其特征在于在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，电力系统故障诊断可以表示为以下目标函数最小化问题

$E\left(S\right)=\underset{k=1}{\overset{n_r}{\mathrm{\Σ}}}|r_k-r_k^{*}\left(S\right)|+\underset{j=1}{\overset{n_c}{\mathrm{\Σ}}}|c_j-c_j^{*}(S,R)|---\left(1\right)$

其中：r为保护，c为断路器，n_r为保护数目，n_c为断路器总数目

经典模型中保护和断路器动作为1，不动作为0，两者的期望的求取与保护原理有关，在模糊优化型故障诊断模型中考虑故障时告警信息的可信度，且保护先动作然后驱动断路器动作，以及主保护在正常情况下动作的概率比后备保护高，第一后备保护比第二后备保护高，这里将主保护概率值设定为0.95，第一后备保护和第二后备保护的概率值分别为0.9和0.85，断路器动作概率值设定为0.8，保护和断路器没动作的概率设定为0.1，在此基础上重新定义保护和断路器的期望值。

主保护的期望状态＝元件状态。即

f_r＝s_i     (2)

即

$f_r=s_i^{\stackrel{\‾}{r}}_i---\left(3\right)$

即

$f_r=\underset{s_x\∈z\left(r\right)}{\mathrm{\Σ}}{s}_x^\underset{c_t\∈p(r,s_x)}{\mathrm{\Π}}{\stackrel{\‾}{c}}_t---\left(4\right)$

即

$f_c=\underset{r_x\∈R\left(c\right)}{\mathrm{\Σ}}{r}_x^r_x^{*}---\left(5\right)$

这里∧表示模糊逻辑与，a∧b＝min(a，b)，∨表示模糊逻辑或，a∨b＝max(a，b)，∑表示模糊连∨运算。

基于改进粒子群算法对目标函数最小值进行求解，得到最优解S＝[s₁，s₂，…，s_n]，并做如下处理

z_i＝s_i/(s₁+s₂+…+s_n)     (6)

z_i称为第i个元件的模糊故障度，作为证据体参与证据融合。

本发明所述电气层故障诊断，其特征在于在可疑故障集的基础上，针对每个元件获取电气量信号x(n)，分别对故障前故障后信号进行相应的小波分析，得到小波变换结果D_i，求得信号在m个尺度上的小波能量分布E₁，E₂，...，E_m，其中

$E_i=\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{\left|D_i\left(k\right)\right|}^2(i=1,...,m)---\left(7\right)$

分别得到元件故障前后对应小波能量值W_p，其中

$W_p=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{E}_i/m---\left(8\right)$

进而求得故障前后小波能量变化率

$w_p=|W_p-W_p^{*}|/W_p^{*}---\left(9\right)$

定义小波能量变化度x_p为

$x_p=w_p/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j---\left(10\right)$

信号x(n)在m个尺度的分解结果构成一个m×n的小波变换矩阵A，通过对A进行奇异值分解得到A＝UΛV^T，其中Λ＝diag(λ₁，λ₂，...，λ_t)

基于特征值矩阵求取故障前后对应小波奇异值S_p，其中

$S_p=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/t---\left(11\right)$

求得故障前后小波奇异变化率

$s_p=|S_p-S_p^{*}|/S_p^{*}---\left(12\right)$

定义小波奇异变化度y_p为

$y_p=s_p/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{s}_j---\left(13\right)$

将二者作为单独证据体参与证据融合。

一种新的基于信息融合的故障诊断方法，其具体步骤如下：

1)从告警信息中获取开关量信息，即保护断路器动作信息，并找到停电区域，作为可疑故障设备集。

2)根据可疑故障集中元件的个数做以下判断：若个数为1，则转到7)，否则转到3)。

3)对可疑故障集中的候选元件逐一基于模糊优化型故障诊断模型求取故障概率，并得到各线路相对故障度。

4)对可疑故障集中元件所对应的电气量进行小波分析，得到各元件的故障表征概率。

5)将3个故障度作为证据体，基于D-S证据理论进行融合。

6)根据诊断决策模型进行决策。

7)得到诊断结果。

附图说明

图1为本发明故障诊断体系图

图2为本发明的电力系统故障诊断流程图。

图3为IEEE39节点仿真测试系统结构示意图。

具体实施方式

下面结合附图对本发明做进一步详细的说明，本发明提出的一种基于多信息融合故障诊断方法，包括以下内容：

1.可疑故障设备集确定模块

依据保护配置和动作的逻辑关系来进行故障诊断，从报警信息中提取保护动作信息和断路器动作信息，基于保护字典中报警信息与保护和断路器元件的对应关系，确定动作的断路器集合以及动作的保护元件集合，基于动作断路器经网络拓扑分析确定相关的电网设备集合，再利用故障设备肯定是失电设备，利用设备的带电状态对相关设备集合进行筛选，得到可疑故障设备集F。

再根据F中包含元件个数s进入以下判定模块：

1)若s＝1，电网发生单一故障，则该元件作为故障元件输出。

2)若s＞1，即可疑故障元件为多个，则结合电气量信息进入融合层故障诊断。

2.基于模糊优化型故障诊断模型求取模糊故障度模块

将电力系统故障诊断可以表示为以下目标函数最小化问题

$E\left(S\right)=\underset{k=1}{\overset{n_r}{\mathrm{\Σ}}}|r_k-r_k^{*}\left(S\right)|+\underset{j=1}{\overset{n_c}{\mathrm{\Σ}}}|c_j-c_j^{*}(S,R)|---\left(14\right)$

其中：r为保护，c为断路器，n_r为保护数目，n_c为断路器总数目

本发明中考虑到故障时，保护先动作然后驱动断路器动作，且主保护在正常情况下动作的概率比后备保护高，第一后备保护比第二后备保护高，加入开关量信息的可信度描述，保护和断路器的期望表达如下所示：

主保护的期望状态＝元件状态。即f_r＝s_i；

即

$f_r=\underset{s_x\∈z\left(r\right)}{\mathrm{\Σ}}{s}_x^\underset{c_t\∈p(r,s_x)}{\mathrm{\Π}}{\stackrel{\‾}{c}}_t---\left(15\right)$

即

$f_c=\underset{r_x\∈R\left(c\right)}{\mathrm{\Σ}}{r}_x^r_x^{*}---\left(16\right)$

这里∧表示模糊逻辑与，a∧b＝min(a，b)，∨表示模糊逻辑或，a∨b＝max(a，b)∑表示模糊连∨运算。

基于改进粒子群算法对目标函数最小值进行求解，得到最优解S＝[s₁，s₂，…，s_n]

做如下处理

z_i＝s_i/(s₁+s₂+…+s_n)     (17)

z_i称为第i个元件的模糊故障度，作为证据体参与证据融合。

3.电气量故障诊断模块

本发明以下关于小波故障度的定义和计算都是基于多分辨分析的小波变换结果D_i。

3.1小波能量变化度

本发明定义一个小波能量变化度作为故障表征，以小波变换系数为基准对信号进行能量表征，最终以一个能量值来反映信号能量的强弱。

发生故障时，第p(p＝1，2，...，N)个元件的故障信号为x_p(n)，对其进行小波变换，E₁，E₂，...，E_m为信号在m个尺度上的小波能量分布，其中

$E_i=\underset{k}{\mathrm{\Σ}}{\left|D_i\left(k\right)\right|}^2(i=1,...,m,k=1,...,l)---\left(18\right)$

$W_p=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{E}_i/m---\left(19\right)$

W_p为故障后小波能量值。

同理对故障前一个周波信号按(2)式计算得到

$w_p=|W_p-W_p^{*}|/W_p^{*}---\left(20\right)$

w_p为元件小波能量变化率

$x_p=w_p/\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{w}_j---\left(21\right)$

x_p为第p个元件的小波能量变化度，作为证据融合证据体。

3.2小波奇异变化度

本发明定义了一个小波奇异变化度作为故障表征，根据信号x(n)在m个尺度的分解结果可以构成一个m×n的矩阵，通过奇异值分解理论对小波变换矩阵进行处理，根据奇异值分解理论，m×n阶矩阵A的奇异值分解可表示为A＝UΛV^T，其中：U和V分别为m×m阶和n×n阶正交矩阵，Λ＝diag(λ₁，λ₂，...，λ_t)为对角矩阵，为4的奇异特征值，体现了小波变换系数矩阵的模态特征。

发生故障时，第p(p＝1，2，...，N)个元件的故障信号为x_p(n)，对故障信号进行小波变换，A_p＝diag(λ₁，λ₂，...，λ_t)设为系统第p个元件的奇异值特征矩阵

$S_p=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/t---\left(22\right)$

再对故障前信号进行小波分析，按上述方法得到

$s_p=|S_p-S_p^{*}|/S_p^{*}---\left(23\right)$

s_p为元件小波奇异变化率

$y_p=s_p/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{s}_j---\left(24\right)$

y_p称为故障发生后第p个元件的小波奇异变化度，作为证据融合证据体。

4.信息融合处理

本发明以模糊故障度、小波能量变化度和小波奇异变化度作为独立的证据体构造基本可信度分配函数，设n个元件对应的q条证据构成一个n×q维的向量X，则第i个元件的第j类证据体对应的基本可信度定义为

$m_j\left(H_i\right)=\frac{(1-{\mathrm{\μ}}_j)x_{\mathrm{ij}}}{x_j}(i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,q)---\left(25\right)$

其中x_ij为第i个元件对应的第j类证据体的故障支持度，x_j为第j类证据体各元件的故障支持度之和，μ_j为第j类证据体的不确定度，x_j表示第j类证据体值之和。m_j(H_i)即为第i个元件故障的第j类证据体对应的基本可信度。

5.基本模糊K-均值决策模型

本发明采用模糊K-均值聚类方法对融合结果进行诊断决策，具体步骤如下。

(1)确定模式类数K＝2，表示分别故障类和非故障类。

(2)建立初始隶属度矩阵U(0)＝[μ_ij(0)]，其中i为类别编号、矩阵的行号，j为样本编号、矩阵的列号。μ_ij表示第j个元素对第i个类的隶属度。

(3)求各类的聚类中心Z_i(L)，L为迭代次数。

$Z_i\left(L\right)=\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[{\mathrm{\μ}}_{\mathrm{ij}}\left(L\right)\right]}^m{X}_j}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[{\mathrm{\μ}}_{\mathrm{ij}}\left(L\right)\right]}^m}i=\mathrm{1,2},\·\·\·,K;m\≥2---\left(26\right)$

(4)计算新的隶属度矩阵U(L+1)

${\mathrm{\μ}}_{\mathrm{ij}}(L+1)=\frac{1}{\underset{p=1}{\overset{K}{\mathrm{\Σ}}}{\left(\frac{d_{\mathrm{ij}}}{d_{\mathrm{pj}}}\right)}^{2/(m-1)}}---\left(27\right)$

其中i＝1，2，…，K，j＝1，2，…，N，m≥2

(5)回到(3)求聚类中心，重复至收敛。收敛条件：

$\underset{i,j}{\max }\left\{\right|{\mathrm{\μ}}_{\mathrm{ij}}(L+1)-{\mathrm{\μ}}_{\mathrm{ij}}\left(L\right)\left|\right\}\≤\mathrm{\ϵ},$ ε为规定参数

(6)根据隶属度矩阵U(L+1)进行聚类，按照隶属原则进行划分。

本发明详细实施说明如下

利用本发明基于新英格兰39节点测试系统进行验证，系统接线图如图3所示，该系统包含10台发电机、39条母线。

1、警报信号分析

线路L_4-14发生单相接地短路故障，母线4侧线路主保护动作跳开CB1，母线14侧线路主保护动作，但CB2失灵，导致相邻线路L_13-14、L_14-15后备保护动作，跳开CB3、CB6，母线14主保护误报。

收到的告警信息：L_4-14Sm、L_4-14Rm、L_13-14Rs、L_14-15Ss、B_14m、CB1、CB3、CB6

2.找到可疑故障集

根据收到的保护和断路器动作信息，基于专家系统得到初步可疑故障集{L_4-14，L_13-14，L_14-15，B₁₄}，可疑故障集中包含多个元件，需采用信息融合模型进行进一步的故障诊断。

3.对可疑故障进行信息融合故障诊断

根据给定的报警条件不难得出断路器实际状态向量C＝[0.8，0.1，0.8，0.1，0.1，0.8]，分别对应断路器CB1、CB2、CB3、CB4、CB5、CB6，以及保护实际状态向量R＝[0.95，0.95，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.1，0.85，0.85，0.1]，分别对应B_14m、L_4-14Sm、L_4-14Rm、L_13-14Sm、L_13-14Rm、L_14-15Sm、L_14-15Rm、L_4-14Sp、L_4-14Rp、L_13-14Sp、L_13-14Rp、L_14-15Sp、L_14-15Rp、L_4-14Ss、L_4-14Rs、L_13-14Ss、L_13-14Rs、L_14-15Ss、L_14-15Rs。

求得目标函数最优解，计算得到模糊故障度，如下所示。

表1各线路模糊故障度

线路	L4-14	L13-14	L14-15	B14
					模糊故障度	0.4733	0.0500	0.0503	0.4264

提取故障元件电流、电压波形数据，分别求取小波分析故障概率表征，取最大值作为元件的小波故障概率表征，如下所示。

表2各线路小波故障度

线路	L4-14	L13-14	L14-15	B14
					小波能量变化度	0.6319	0.1211	0.1871	0.0653
小波奇异变化度	0.5624	0.1381	0.2364	0.0098

综合三条证据体基于D-S证据理论进行融合，结果如下所示

表3信息融合结果

线路	L4-14	L13-14	L14-15	B14	其他支路
						模糊故障度	0.4733	0.0500	0.0503	0.4264
小波能量变化度	0.6319	0.1211	0.1871	0.0653
						小波奇异变化度	0.5624	0.1381	0.2364	0.0098
融合结果	0.9725	0.0048	0.0125	0.1010	设为0
						故障类	1.0000	0.0000	0.0000	0.0000	0.0000

根据模糊K-均值决策模型，由表3可知排除L_13-14、L_14-15、B₁₄，得到故障元件为L_4-14，结果正确。

从算例的运行结果来看，本发明具有以下优点：在传统开关量诊断的基础上，加入电气量进行双数据源分析，有效解决了开关量信息单数据源面临的信息不准确、信息不完备等缺陷。首先依据保护配置和动作的逻辑关系来诊断得到可疑故障集，有效地缩小了诊断范围，通过模糊优化型故障诊断模型和小波分析对故障信息进行特征提取，得到相应的模糊故障度和小波故障表征，并且基于D-S证据理论进行信息融合，有效降低了拒动、误动等因素的影响，避免了诊断信息准确性和完备性不高等缺陷，提高了诊断的准确度。

Claims (4)

1.一种新的基于信息融合的故障诊断方法，其特征是该方法包括以下步骤： 

步骤1：对可疑故障集中的候选元件逐一进行开关层诊断求取故障概率，在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，重新定义了保护和断路器的动作期望表达式，构成目标函数，求解得到各线路相对故障度； 

步骤2：对可疑故障集中元件进行电气层故障诊断，分别对元件故障时刻前后一个周波电流信号进行小波分析，求取相应的小波能量变化率以及小波奇异变化率，从而得到各元件的相对小波故障表征概率； 

步骤3：基于模糊K-均值决策模型对信息融合结果进行诊断决策，确定融合结果分为故障和非故障类，可以故障集外元件作为非故障元件参与模糊K-均值分析，首先初始化融合结果从属于各类的隶属度矩阵，求取各类的聚类中心，重新计算新的隶属度矩阵，再计算聚类中心，重复至达到收敛条件，根据最终的隶属度矩阵进行聚类划分得到故障设备集。 

2.根据权利要求1所述开关层诊断，其特征在于在经典的优化型故障诊断模型的基础上加入保护和断路器动作的可信度，电力系统故障诊断可以表示为以下目标函数最小化问题 

其中：r为保护，c为断路器，n_r为保护数目，n_c为断路器总数目 

经典模型中保护和断路器动作为1，不动作为0，两者的期望的求取与保护原理有关，在模糊优化型故障诊断模型中考虑故障时告警信息的可信度，且保护先动作然后驱动断路器动作，以及主保护在正常情况下动作的概率比后备保 护高，第一后备保护比第二后备保护高，这里将主保护概率值设定为0.95，第一后备保护和第二后备保护的概率值分别为0.9和0.85，断路器动作概率值设定为0.8，保护和断路器没动作的概率设定为0.1，在此基础上重新定义保护和断路器的期望值。 

主保护的期望状态＝元件状态。即 

f_r＝s_i     (2) 

即 

即 

即 

这里∧表示模糊逻辑与，a∧b＝min(a，b)，∨表示模糊逻辑或，a∨b＝max(a，b)，∑表示模糊连∨运算 

基于改进粒子群算法对目标函数最小值进行求解，得到最优解S＝[s₁，s₂，…，s_n]，并做如下处理 

z_i＝s_i/(s₁+s₂+…+s_n)     (6) 

z_i称为第i个元件的模糊故障度，作为证据体参与证据融合。 

3.根据权利要求1所述电气层故障诊断，其特征在于在可疑故障集的基础上，针对每个元件获取电气量信号x(n)，分别对故障前故障后信号进行相应的小波分析，得到小波变换结果D_i，求得信号在m个尺度上的小波能量分布 E₁，E₂，...，E_m，其中 

分别得到元件故障前后对应小波能量值W_p，其中 

进而求得故障前后小波能量变化率 

定义小波能量变化度x_p，为 

信号x(n)在m个尺度的分解结果构成一个m×n的小波变换矩阵A，通过对A进行奇异值分解得到A＝UΛV^T，其中Λ＝diag(λ₁，λ₂，...，λ_t) 

基于特征值矩阵求取故障前后对应小波奇异值S_p，其中 

求得故障前后小波奇异变化率 

定义小波奇异变化度y_p为 

将二者作为单独证据体参与证据融合。 

4.一种新的基于信息融合的故障诊断方法，其具体步骤如下： 

1)从告警信息中获取开关量信息，即保护断路器动作信息，并找到停电区域，作为可疑故障设备集。 

2)根据可疑故障集中元件的个数做以下判断：若个数为1，则转到7)，否则转到3)。 

3)对可疑故障集中的候选元件逐一基于模糊优化型故障诊断模型求取故障概率，并得到各线路相对故障度。 

4)对可疑故障集中元件所对应的电气量进行小波分析，得到各元件的故障表征概率。 

5)将3个故障度作为证据体，基于D-S证据理论进行融合。 

6)根据诊断决策模型进行决策。 

7)得到诊断结果。