CN104297637B - 综合利用电气量和时序信息的电力系统故障诊断方法 - Google Patents

Abstract

本发明公开了一种综合利用电气量和时序信息的电力系统故障诊断方法；首先，根据故障前后的停电区域进行对比分析确定故障区域，形成可疑元件集；然后，建立元件的加权模糊时序Petri网模型，综合SCADA信息、WAMS的电气量信息以及这些信息所包含的时序特性，形成警报信息判据、库所延时约束和电气量判据；采用高斯函数，结合时序推理，获得警报信息的置信度并采用矩阵运算进行Petri网模型初始置信度的计算及模型的求解；最后，根据元件故障概率，进行反向推理，进行保护、断路器误动和拒动的判定；本发明具有较强的容错能力，可以处理保护和断路器误动/拒动情况以及警报丢失或错误情况，提高故障诊断结果的准确率和可靠性。

Description

综合利用电气量和时序信息的电力系统故障诊断方法

技术领域

本发明属于电力系统安全处理技术领域，涉及一种综合利用电气量和时序信息的电力系统故障诊断方法。

背景技术

电力系统故障诊断就是利用故障发生后所产生的警报信息及时、有效地确定故障元件，为调度人员快速辨识故障提供辅助决策，有助于尽快切除故障，恢复电力系统的正常运行。国内外学者在这一领域开展了大量研究，提出了众多的故障诊断方法。基于Petri网的电力系统故障诊断方法因逻辑严密、物理意义清晰、推理过程简单等特点，在近年来得到了比较广泛的关注，也取得了一些成果。传统的Petri网由库所、变迁、有向弧组成，用于描述电力元件、继电保护、断路器等之间的逻辑关系。Petri网模型既可以用直观的图形表示，又可以采用数学方法分析其性质，可以有效描述和推理故障发生过程。模糊Petri网模型对传统Petri网模型进行了发展，以处理不确定性因素。

现有的基于Petri网模型的电力系统故障诊断方法尚未能系统地利用时序信息，对时序信息的利用仅限于信息初步筛选阶段。另一方面，Petri网中库所的初始置信度一般凭经验赋值。实际上，保护装置运行情况的统计数据尚比较缺乏，而且统计数据中一般也不考虑信道堵塞等情况，这样就很难基于统计数据获得比较准确的库所初始置信度。这是现有的基于Petri网模型的电力系统故障诊断方法所存在的两个主要问题。

通信技术的发展和电力信息系统的逐渐成熟使得获取更加丰富的信息源用于故障诊断成为可能。在我国，以相量测量单元(Phasor measurement unit，PMU)为基础的广域测量系统(Wide area measurement system，WAMS)开始得到应用。戴志辉，李强等人在《电力系统保护与控制》2010，38(12):50-53上发表了《基于停电区域及广域同步信息的电网故障快速诊断研究》一文中介绍了利用广域同步信息，构建一种基于停电区域的故障诊断方法。

因此，可在已有Petri网模型的基础上，通过综合利用WAMS系统和电网监视控制和数据采集系统(SCADA)采集的信息，同时充分考虑信息的时序特性，建立了一种考虑时序信息的多源Petri网故障诊断模型。当电力系统一次设备发生故障时，WAMS系统和SCADA系统可对同一事件加以确认，从而提高信息的可信度；通过利用多个量测信息之间的冗余度，可以验证信息的正确性和估计缺失的必要信息。这样，就可以提高故障诊断结果的准确率。

经验证，所提出的故障诊断模型能够处理复杂故障以及有保护和断路器误动/拒动、警报信息不完整或畸变的情况。

发明内容

本发明提供一种综合利用电气量与时序信息的电力系统故障诊断方法，解决了现有基于Petri网模型的电力系统故障诊断方法未系统利用时序信息以及Petri网中库所的初始置信度一般凭经验赋值的不准确的问题。

为了实现上述目标，本发明提供一种综合利用电气量与时序信息的电力系统故障诊断方法，其特征在于，包括如下步骤：

步骤一，故障区域搜索及可疑元件集识别：发生故障后，利用WAMS信息、SCADA信息、静态电网拓扑数据以及断路器状态变化信息，形成故障前后的停电区域并进行对比分析，快速确定故障区域，形成可疑元件集；

步骤二，建立元件的加权模糊时序Petri网模型：结合电力系统数据中的网络拓扑、保护配置信息、保护和断路器动作逻辑规则，对每个可疑元件建立加权模糊时序Petri网模型；所述Petri网模型采用高斯函数，结合时序推理，综合利用SCADA系统中的动作事件序列(SOE)信息、WAMS系统中的电气量信息以及这些信息所包含的时序特性；

步骤三，求解置信度矩阵稳定值和元件故障概率：根据SCADA系统中的断路器动作警报、保护动作警报以及WAMS系统中电气量信息，进行多源信息融合，形成警报信息判据、库所延时约束和电气量判据；采用高斯函数，结合时序推理，利用所述多源信息中包含的时序特性计算初始置信度矩阵，并根据初始置信度矩阵进行Petri网模型置信度矩阵稳定值求解，从而获得元件故障概率；

步骤四，反向推理和判定：根据元件故障概率，进行反向推理，进行保护、断路器误动和拒动的判定。

本发明所达到的有益效果：本发明利用静态电网拓扑数据以及断路器状态变化信息，形成故障前后的停电区域并进行对比分析，快速确定故障区域，形成可疑元件集；然后，建立元件的加权模糊时序Petri网模型，综合利用了SCADA和WAMS的电气量信息以及这些信息所包含的时序特性，形成了警报信息判据、库所延时约束和电气量判据；然后采用高斯函数，结合时序推理，获得警报信息的置信度并采用矩阵运算进行Petri网模型初始置信度的计算及模型的求解，得到元件故障概率；最后根据元件故障概率，进行反向推理和保护、断路器误动和拒动的判定。本发明具有较强的容错能力，可以处理保护和断路器误动/拒动情况以及警报丢失或错误情况，提高了故障诊断结果的准确率和可靠性；诊断过程均采用矩阵运算，物理意义清晰，计算速度高，可用于大规模复杂电力系统的在线故障诊断。

附图说明

图1是综合利用电气量与时序信息的电力系统故障诊断示意图；

图2是母线电气量信息示意图；

图3是线路电气量信息示意图；

图4是实施例中变电站接线示意图；

图5是故障线路的加权模糊时序Petri网故障诊断模型示例图。

附图中标记的含义：表示电流，表示断路器

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，综合利用电气量与时序信息的电力系统故障诊断方法步骤如下所示：

步骤一，故障区域搜索及可疑元件集识别：发生故障后，利用WAMS信息、SCADA信息、静态电网拓扑数据以及断路器状态变化信息，形成故障前后的停电区域并进行对比分析，快速确定故障区域，形成可疑元件集；

步骤二，建立元件的加权模糊时序Petri网模型：结合电力系统数据中的网络拓扑、保护配置信息、保护和断路器动作逻辑规则，对每个可疑元件建立加权模糊时序Petri网模型；所述Petri网模型采用高斯函数，结合时序推理，综合利用SCADA系统中的动作事件序列(SOE)信息、WAMS系统中的电气量信息以及这些信息所包含的时序特性；

步骤三，求解置信度矩阵稳定值和元件故障概率：根据SCADA系统中的断路器动作警报、保护动作警报以及WAMS系统中电气量信息，进行多源信息融合，形成警报信息判据、库所延时约束和电气量判据；采用高斯函数，结合时序推理，利用所述多源信息中包含的时序特性计算初始置信度矩阵，并根据初始置信度矩阵进行Petri网模型置信度矩阵稳定值求解，从而获得元件故障概率；

步骤四，反向推理和判定：根据元件故障概率，进行反向推理，进行保护、断路器误动和拒动的判定。

在步骤二建立元件的加权模糊时序Petri网模型中，考虑故障诊断中的不确定因素，根据模糊Petri网的定义，结合时序推理，定义加权模糊时序Petri网(Temporal Fuzzy Petri Net,TFPN)模型为一个九元组：

S＝{P,R,I,O,W,M,T₀,ΔT₀,T_R}             (1)

式中：P＝{p₁,p₂,...,p_n}为库所的有限集合，n为库所数；R＝{r₁,r₂,...,r_m}为变迁的有限集合，用于表征推理规则，m为变迁数，m、n为正整数；I＝[δ_ij]为n×m阶的输入矩阵，反映库所P到变迁R的映射，当p_i是r_j的输入(即存在p_i到r_j的有向弧)时δ_ij＝1，否则δ_ij＝0；O＝[γ_ij]为m×n阶的输出矩阵，反映变迁R到库所P的映射，当p_j是r_i的输出(即存在r_i到p_j的有向弧)时γ_ij＝1，否则γ_ij＝0；W＝diag(w₁,w₂,...,w_n)为输入弧的权值矩阵，反映前提条件对规则的影响程度，其取值与库所表征的事件类型相关；M＝[α(p₁),α(p₂),...,α(p_n)]为库所置信度向量，α(p_i)表示库所p_i的置信度；T₀＝diag(t₀₁,t₀₂,...,t_0n)为输入弧的延时约束矩阵，t_0i表示库所p_i到变迁r_j的时间距离，根据保护设备的整定时间、断路器的动作延时等获得；ΔT₀＝diag(Δt₀₁,Δt₀₂,...,Δt_0n)为输入弧延时约束不确定度矩阵，Δt_i表示时间距离t_i的不确定度；T_R＝[t_R1,t_R2,...,t_Rn]为n×1维矩阵，t_Ri表示电力系统中实际录得的库所发生时间。

九元组加权模糊时序Petri网模型，综合考虑了设备遥信SOE信息、WAMS电气量信息以及这些信息所包含的时序特性，提高了信息冗余度。

现有基于时序约束的电力系统警报处理模型采用时间窗的概念，仅能对警报信息进行时序的简单筛选，初步甄别信息是否为有效信息，未能充分利用时序约束中蕴含的信息，也无法给出警报信息的置信度。本发明对时序推理的时间点与时间距离重新定义如下：

(1)时间点与时间距离

定义确定时间点变量t，表示事件发生的时间。由于故障类型、信道堵塞、GPS时间欠准等原因，使用t和不确定度Δt共同描述事件发生时间不确定的情况，即事件发生的时间区间T(t)为[t-Δt,t+Δt]。

定义时间距离为两个时间点之间的时间长度，用d_ij表示t_i和t_j之间的确切时间距离，即d_ij＝t_j-t_i。同样，用Δd表示时间长度的不确定度，即t_i和t_j之间的时间距离D(t_i,t_j)为[d_ij-Δd_ij,d_ij+Δd_ij]。

时间点可看作特殊的时间距离，T(t)的值等于t＝0时刻至事件发生时间的时间距离D(0,t)。时间距离既可表示两个时间之间的时间约束，也可以描述事件期望状态和实际状态的差异度。

(2)时序推理

不确定度Δt和Δd表征了时间点和时间距离的分散性。若有q个时间距离D₁,D₂,...,D_q，其中D_i＝[d_i-Δd_i,d_i+Δd_i]，则它们的时间距离之和为：

d＝d₁+d₂+...+d_q                   (2)

d的不确定度为：

$\mathrm{\&Delta;d}=\&PlusMinus;\sqrt{\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&Delta;d}}_i\right)}^2+2\underset{1\&le;i<j}{\overset{q}{\mathrm{\&Sigma;}}}{\mathrm{\&rho;}}_{\mathrm{ij}}{\mathrm{\&Delta;d}}_i{\mathrm{\&Delta;d}}_j}---\left(3\right)$

式中：ρ_ij为不确定度Δd_i和Δd_j之间的相关系数。一般情况下，ρ_ij＝0，此时式(3)变成

$\mathrm{\&Delta;d}=\&PlusMinus;\sqrt{\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{\left({\mathrm{\&Delta;d}}_i\right)}^2}---\left(4\right)$

假设t_i、t_j(t_i≤t_j)分别为事件i、j相继发生的时间，d_ij为事件发生时刻的时间距离。关于时间点和时间距离约束的运算定义如下：

前向时序推理，即已知t_i、d_ij，找出事件i的后继事件j，以及事件j的时间区间约束。根据式(2)和式(4)，事件j的时间点约束为：

$T\left(t_j\right)=T\left(t_i\right)+D(t_i,t_j)=[t_i+d_{\mathrm{ij}}-\sqrt{{{\mathrm{\&Delta;t}}_i}^2+{{\mathrm{\&Delta;d}}_{\mathrm{ij}}}^2},t_i+d_{\mathrm{ij}}+\sqrt{{{\mathrm{\&Delta;t}}_i}^2+{{\mathrm{\&Delta;d}}_{\mathrm{ij}}}^2}]---\left(5\right)$

反向时序推理，用于找出事件的前驱时间，以及前驱事件的时间区间约束。同理，事件i的时间点约束T(t_i)为：

$T\left(t_i\right)=T\left(t_j\right)-D(t_i,t_j)=[t_j-d_{\mathrm{ij}}-\sqrt{{{\mathrm{\&Delta;t}}_j}^2+{{\mathrm{\&Delta;d}}_{\mathrm{ij}}}^2},t_j-d_{\mathrm{ij}}+\sqrt{{{\mathrm{\&Delta;t}}_j}^2+{{\mathrm{\&Delta;d}}_{\mathrm{ij}}}^2}]---\left(6\right)$

时序特征是电力系统警报信息及状态量的重要属性，反映了保护装置的选择性和时间特性。

电力系统发生故障时，会引起电压降低、电流增加等电气量变化。故障元件上的保护装置根据所设定的整定值与时限特性，对相应的断路器发出变位跳闸指令，切断故障元件，隔离故障。

在步骤三求解置信度矩阵稳定值和元件故障概率中，采用高斯函数，结合时序推理，计算初始置信度矩阵的公式如下所示：

若期望事件发生的时间区间为T(t)＝[t-Δt,t+Δt]，实际录得事件发生时间为t_i，采用下述高斯函数进行处理：

$\mathrm{\&alpha;}\left(t_i\right)={\mathrm{Ae}}^{-{(t_i-t)}^2/{\left(2\mathrm{\&Delta;t}\right)}^2}---\left(7\right)$

式中：A为系统的可靠性系数，α(t_i)为该实际录得事件的初始置信度。该函数符合故障检测的推理规则，当t_i在[t-Δt,t+Δt]内时，说明事件在期望发生的时间区间内发生，得到较高的输出概率α(t_i)，该信息置信度较高；当时，置信度α(t_i)较低。t_i与T(t)的时间距离越大，该事件的置信度α(t_i)就越低。若未录得相应事件的遥测信息或观测到相应的电气量特征，则可认为事件发生在t_i＝∞时刻，α(t_i)趋近于0。

步骤三求解置信度矩阵稳定值和元件故障概率中，将WAMS系统获取的电气量信息进行特征提取，构造电气量判据步骤如下所示：

现有的故障诊断Petri网模型只利用故障发生后接收到的保护和断路器的动作警报信息，以故障发生与保护和断路器动作之间的逻辑关系作为依据进行故障诊断。这种方法简单实用，但由于信息源单一，信息冗余度较低，当继电保护和断路器出现误动或拒动、警报信息出现误报或漏报等情况时，可能得不到明确的诊断结果。本发明将由WAMS得到的实时电气量信息引入故障诊断之中，通过电气量特征判断保护和断路器的实际状态，对原有状态量信息进行补充。通过扩展现有故障诊断模型所利用的信息源，可同时利用SCADA系统和WAMS系统上传的数据，可以有效提高数据的冗余度，两套系统的数据互为补充，可以大幅提高坏数据的辨识率，降低数据不完整或有错误可能引起的故障诊断错误的概率。

与状态量不同，电气量信息无法直接应用于Petri网模型。本发明提取相关库所对应事件的特征信息，构造电气量判据，利用TFPN模型进行故障诊断。

所述相关库所对应事件的特征信息包括设备故障的电气量特征和断路器动作的电气量特征，用来表征设备故障时或正常运行时的状态。

设备故障的电气量特征：根据基尔霍夫电流定律，当母线M正常运行时，连接在母线上的元件所流入母线的电流之和为0；当母线发生故障时，连接在母线上的元件流入母线的电流之和，等于故障点的短路电流。

如图2所示，规定电流正方向为从母线流向线路，令母线各支路电流之和为母线故障的电气量特征，n为与母线相连的线路、变压器出口总数，则有：

式中：为事先设定的接近为0的电流门槛值。

对于如图所示的线路，规定线路两端的电流为和其正方向为从母线流向被保护线路，则线路两端电流之和为输电线路故障的电气量特征：

${\stackrel{\&CenterDot;}{I}}_{\mathrm{kL}}=|{\stackrel{\&CenterDot;}{I}}_m+{\stackrel{\&CenterDot;}{I}}_n|---\left(9\right)$

根据基尔霍夫电流定律，则有

式中：为事先设定的接近为0的电流门槛值；

对于长距离高压输电线，因线路分布电容电流大和短路电流中非周期分量等原因，在外部短路时，可能引起不平衡电流较大，导致进而错误识别线路故障。为此，引入制动分量对可能发生的不平衡电流进行修正：

${\stackrel{\&CenterDot;}{I}}_{\mathrm{kL}}=|{\stackrel{\&CenterDot;}{I}}_m+{\stackrel{\&CenterDot;}{I}}_n|-K_1\left(\right|{\stackrel{\&CenterDot;}{I}}_m-{\stackrel{\&CenterDot;}{I}}_n\left|\right)---\left(11\right)$

式中：K₁为制动系数，0<K₁<1。在线路内部故障时，制动分量为最小值，式(11)与式(9)等价；在线路外部故障时，为外部短路电流2倍。制动分量可以有效降低不平衡电流对式(9)所表示的判据的影响，有助于对线路故障进行准确识别。

断路器动作的电气量特征：电力系统发生故障后，相关的断路器是否动作可通过相连电气设备的电气量判定。线路故障导致断路器跳开时，断路器的变位操作能够使从线路量测到的电流值降至接近于零。母线故障时，线路出口的电流值将视母线电气接线情况恢复正常负荷时的电流值或降至接近于零，远小于故障时的电流。

断路器失灵保护指当故障线路的继电保护动作发出跳闸脉冲后，断路器拒绝动作时，以较短时限切除同一变电站或发电厂内其它相关断路器，将故障部分隔离，缩小停电范围的一种近后备保护。断路器失灵保护的电气量特征为：线路出口处的电流未在整定时间内恢复正常值或降至零。

保护设备的动作判据：

基于设备故障的电气量特征、断路器动作的电气量特征，根据主保护、后备保护的定义和整定时间，形成保护设备的动作判据，利用该判据来处理WAMS系统获得的电气量信息，进而判断保护设备是否动作。

线路与母线主保护的动作逻辑为：当所保护的元件故障，且检测到设备的电气量信息与设备故障的电气量特征吻合，则主保护应该动作；考虑到可能发生扰动的情况，若从某一帧，记为第i帧,第i帧的时间点记录为t_i，起连续三帧观测到为母线或输电线路故障的电气量特征，即包含了为事先设定的接近为0的电流门槛值，即包含了 考虑到PMU量测的数据是根据之前一个周波的采样数据计算而得，记母线或输电线路故障的时间为t_i-1，母线或输电线路故障后，经过主保护整定时间ΔT_mr，s_i为母线或输电线路故障主保护的电气量特征判据：

$s_i=\left\{\begin{array}{c}1,{\stackrel{\&CenterDot;}{I}}_{\mathrm{kR}}\&GreaterEqual;{\stackrel{\&CenterDot;}{I}}_{\mathrm{setR}}\\ 0,{\stackrel{\&CenterDot;}{I}}_{\mathrm{kR}}<{\stackrel{\&CenterDot;}{I}}_{\mathrm{serR}}\end{array}\right.---\left(12\right)$

定义∪、∩和-分别表示逻辑或运算、逻辑与运算和逻辑非运算，则主保护的动作识别判据s_m表示为：

s_m＝s_i∩s_i+1∩s_i+2               (13)

s_i、s_i+1、s_i+2对应于连续三帧母线或输电线路故障主保护的电气量特征判据；

线路或母线近后备保护的动作逻辑为：所对应的主保护期望动作，但在主保护动作时间内未跳开相应的断路器，故障特征持续未消除时，近后备保护应该动作；若连续n帧观测到则近后备保护动作，近后备保护动作的识别判据s_p表示为：

$s_p=\underset{j=i}{\overset{i+n-1}{\&cap;}}{s}_j---\left(14\right)$

s_j为母线或输电线路故障近后备保护的电气量特征判据，取s_j＝s_i；

根据近后备保护的整定时间确定n，n≈T_pr·f_PMU，T_pr为近后备保护的整定时间，f_PMU为WAMS系统数据上报频率；

线路或母线远后备保护的动作逻辑为：所对应的主保护及近后备保护期望动作，但在主保护及近后备保护动作时间内相应的断路器未跳开，故障特征持续未消除，此时远后备保护应该动作；如果连续m帧观测到则判断远后备保护动作，远后备保护的动作识别判据s_s表示为：

$s_s=\underset{k=i}{\overset{i+m-1}{\&cap;}}{s}_k---\left(15\right)$

s_k为母线或输电线路故障远后备保护的电气量特征判据，取s_k＝s_i；

根据远后备保护的整定时间确定m，m≈T_sr·f_PMU,T_sr为远后备保护的整定时间；

断路器及断路器失灵保护动作判据：断路器收到跳闸指令并有效动作后，相连设备的电气量将发生显著变化，线路出口的电流量测值降至接近于0或低于设定的电流门槛值远小于故障时的电流量测值；采用电流作为判据，设断路器流过的电流量测值为对应于电力系统A、B、C三相电流s_l为断路器单相分合位的电气特征量：

$s_l=\left\{\begin{array}{c}0,{\stackrel{\&CenterDot;}{I}}_k\&GreaterEqual;{\stackrel{\&CenterDot;}{I}}_{\mathrm{set}}\\ 1,{\stackrel{\&CenterDot;}{I}}_k<{\stackrel{\&CenterDot;}{I}}_{\mathrm{set}}\end{array}\right.,k\&Element;\{A,B,C\}---\left(16\right)$

s_A、s_B、s_C分别为断路器A、B、C三相分合位的电气特征量；

当任意一相发生变位操作时，即判定断路器动作；记q_i为t_i时刻断路器状态，用于判断断路器是否存在分闸操作，相应的断路器动作判据为：

对于有扰动的情况，当从某一帧，记为第i帧，起连续三帧观测得断路器动作判据q_i＝1，且该帧之前三帧q_i＝0，记录断路器分闸操作时间为t_i，则断路器的动作判据s_b为：

$s_b=\stackrel{\&OverBar;}{q_{i-3}}\&cap;\stackrel{\&OverBar;}{q_{i-2}}\&cap;\stackrel{\&OverBar;}{q_{i-1}}\&cap;q_i\&cap;q_{i+1}\&cap;q_{i+2}---\left(18\right)$

s_b＝1即表示断路器由闭合状态切至分闸状态；

对于220～500kV架空线路，断路器失灵保护的电气量特征为：线路出口处的电流未在整定时间内恢复正常值或降至0；用f_i表示t_i时刻断路器失灵的电气量特征，以判断其是否拒动，相应的断路器拒动判据为：

当断路器分闸成功，f_i＝0；否则，断路器存在拒动情况，f_i＝1；考虑到三相分闸时间可能存在一定偏差等因素，若记录到断路器动作s_b＝1，且连续n帧f_i＝1，则判定断路器拒动，这时触发断路器失灵保护动作；失灵保护的动作判据s'表示为：

根据断路器失灵保护的整定时间确定n，n≈T_br·f_PMU；T_br为断路器失灵保护的整定时间，为继电保护整定时间加两倍断路器熄弧时间。

电气量判据置信度：

相量测量单元(Phasor measurement unit，PMU)数据能够实时上传至服务器，这样就可以通过实时电流电压信息监控到系统发生的稳态数据变化。和远动终端设备(RTU)的事件发送机制不同，PMU传送的数据量更大且连续。而且，若信道发生堵塞或PMU故障，系统能够立刻发现并做出响应。这是传统遥测信息无法做到的。PMU数据采集及上传速率为每秒100帧(精度为10ms)，这样利用电气量数据形成判据时，时间点的精度比SOE(事件精度为2ms)信息低，因此在利用式(7)计算置信度时，库所初始置信度就不如遥测信息高。这样，在实际应用时，WAMS系统的可靠性系数A_PMU可取比SCADA系统的可靠性系数A_SOE更高的值，以充分利用电气量信息。A_PMU可取0.95，A_SOE可取0.9。

综合考虑电气量和时序信息的置信度：从时间角度来讲，SOE信息和PMU信息在秒级时间内即可上送，都能够满足在线故障诊断要求。现有的多种故障诊断算法对数据可靠性要求高，在实际电力系统中的应用效果就不太理想，因为实际故障时的数据与理想情况下有差别，主要体现在数据不可靠。电力系统故障时可能存在数据丢失、上传速度慢以及电力系统正常运行时存在误遥信等情况。同时利用SCADA系统和WAMS系统上传的数据，可以有效提高数据的冗余度，两套系统的数据互为补充，可以大幅提高坏数据的辨识率，降低数据不完整或有错误可能引起的故障诊断错误的概率。

通过综合考虑SCADA和WAMS系统的数据，可确定库所的初始置信度为：

α(t_i)＝1-(1-α_PMU(t_i))(1-α_SOE(t_i))          (21)

式中，α(t_i)表示t_i时刻发生事件的置信度；α_PMU(t_i)表示t_i时刻发生PMU事件的置信度；α_SOE(t_i)表示t_i时刻发生SOE事件的置信度。

当WAMS系统发生故障时，α_PMU(t_i)＝0，α(t_i)＝α_SOE(t_i)，库所置信度即为SCADA系统收集信息的置信度。当SCADA系统发生故障时，α_SOE(t_i)＝0，α(t_i)＝α_PMU(t_i)，库所置信度即为SCADA系统收集信息的置信度。当这两个系统均正常运行时，库所置信度比两个系统单独工作时更高。

在步骤三求解置信度矩阵稳定值和元件故障概率中，所述Petri网模型置信度矩阵稳定值求解的步骤如下所示：

假设第k次迭代得到置信度矩阵M^k，则获取第k+1次置信度矩阵M^k+1的推理过程如下：

假设A、B和C均为h×n阶矩阵，而D为h×q阶矩阵，E为q×n阶矩阵，F、G、H为h×1阶矩阵,定义如下矩阵运算：

1)若则c_ij＝max(a_ij,b_ij)；

2)若 $C=D\&CircleTimes;E,$ 则 $c_{\mathrm{ij}}=\underset{1\&le;k\&le;q}{\max }\left(d_{\mathrm{ik}}{e}_{\mathrm{kj}}\right);$

3)若C＝D·E，则

4)若 $F=\frac{A}{B},$ 则 $F_{i1}=\frac{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{b}_{\mathrm{ij}}};$

5)若F＝G+H，则f_i＝g_i+h_i，多个+可简写为∑；

6)若或F＝G^{^2}，则矩阵中相同位置的元素做开方或平方运算，即或

电力系统中不同警报信息在时序和事件逻辑上均为单向因果关系，因此现有的加权模糊Petri网故障诊断模型都采用了树状结构。可以采用加权模糊Petri网推理获得一个稳定的网络状态，即库所置信度矩阵M的值不再随迭代进行而变化的状态。根据上述电力系统故障诊断流程步骤二中的时序推理规则，库所p_i的时间约束可表示为[t_i-Δt_i,t_i+Δt_i]，多次迭代后时序约束也趋于稳定，不再变化。这样，库所p_i的时间约束可用时间点矩阵T＝[t₁,t₂,...,t_n]和不确定度矩阵ΔT＝[Δt₁,Δt₂,...,Δt_n]来描述：

$T=\underset{i=0}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\frac{{(I\&CenterDot;O)}^i\&CenterDot;T_0\&CenterDot;I\&CenterDot;O}{I}=\frac{\underset{i=0}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{(I\&CenterDot;O)}^i\&CenterDot;T_0\&CenterDot;I\&CenterDot;O}{I}---\left(22\right)$

$\mathrm{\&Delta;T}=\&PlusMinus;\sqrt{\underset{i=0}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{\left(\frac{{(I\&CenterDot;O)}^i\&CenterDot;{\mathrm{\&Delta;T}}_0\&CenterDot;I\&CenterDot;O}{I}\right)}^{^2}}---\left(23\right)$

假设第k次迭代得到置信度矩阵M^k，则第k+1次置信度矩阵M^k+1为：

$M^{k+1}=(M^k\&CenterDot;(W\&CenterDot;I)\&CircleTimes;O)\&CirclePlus;M^k---\left(24\right)$

若M^k+1＝M^k，则Petri网的置信度矩阵是稳定的，求解结束，此时即为可疑元件故障概率。

在步骤四反向推理和判定中，根据库所置信度矩阵计算结果，可判断出故障元件，在此基础上进行反向推理，将实际发生的事件与理论上应该发生的事件进行比对分析，对故障过程相关的保护、断路器误动和拒动情况进行判定。

针对故障诊断中存在保护和断路器有可能误动或拒动，警报上传过程中也可能出现上传不及时、畸变或丢失等不确定性因素，本发明用一个较为复杂的实施例说明本发明所提出故障诊断方法的能力。

实施例中涉及的变电站接线图如图4所示，故障发生的过程如下：事故线路故障发生后，线路两侧主保护动作，变电站1侧跳开5051及5052断路器，变电站2侧跳开5041及5043断路器。5043断路器动作失败，该断路器失灵保护动作，跳开与变电站2侧2#母线相连的所有断路器。

在调控中心接收到的SOE(事件序列)信息中，变电站1缺失5051和5052的断路器信息，变电站2缺失5023的断路器信息，且变电2的5042断路器分闸信息为无效信息(该变电不存在此断路器)。

事故发生时刻前后，监控中心接收到的警报如表A1所示。

表A1故障时上传的警报信息序列

在该事故中所接收到的SOE信息中，变电1缺失5051及5052的断路器信息，变电2缺失5023的断路器信息，且变电2的5042断路器分闸信息为无效信息(该变电不存在此断路器)。

根据式(12)-(20)，可求得电气量判据如表A2所示。

表A2利用WAMS系统数据求得的电气量判据

所构建的Petri网线路模型如图5所示：

库所集为：

p＝{变电2侧CB5041失灵保护,CB5081,CB5071,CB5061,CB5031,CB5021,CB5011,

变电2侧CB5043失灵保护,CB5083,CB5073,CB5063,CB5033,CB5023,CB5013,

变电1侧CB5051失灵保护,CB5011,CB5021,CB5042,

变电1侧CB5052失灵保护,CB5013,CB5022,CB5043,

变电2侧CB5041,CB5043,变电1侧CB5051,CB5052,

变电2侧线路主保护，变电1侧线路主保护，

p₁,p₂,p₃,p₄,p₅,p₆,停电线路}

变迁集为：R＝{r₁,r₂,r₃,r₄,r₅,r₆,r₇,r₈,r₉,r₁₀,r₁₁}

该线路模型的输入矩阵为：

$I=\left(\begin{array}{ccccccccccc}1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 1& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 1& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 1& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right)$

该线路模型的输出矩阵为：

$O=\left(\begin{array}{ccccccccccccccccccccccccccccccccccc}0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 1\end{array}\right)$

输入弧的延时约束矩阵及其不确定度矩阵为：

T₀＝diag(550 600 600 600 600 600 600 550 600 600 600 600 600 600

550 600 600 600 550 600 600 600 0 0 0 0 15 15 65 65 65 65 0 0 0)

ΔT₀＝diag(50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50

50 50 50 50 50 50 0 0 0 0 10 10 10 10 10 10 0 0 0)

经整理，根据SCADA系统和WAMS系统录得的库所发生时间可用如下矩阵描述，未录得实际时间则用∞表示：

T_RSOE＝(∞ ∞ ∞ ∞ ∞ ∞ ∞ 606 659 657 658 651 ∞ 653

∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 65 75 ∞ ∞ 13 10 0 0 0 0 0 0 0)^T

T_RPMU＝(∞ ∞ ∞ ∞ ∞ ∞ ∞ 610 660 660 660 650 660 660

∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞ 60 70 70 70 20 20 0 0 0 0 0 0 0)^T

根据式(22)和(23)可求得各库所的时间约束及其不确定度矩阵为：

T＝(615 665 665 665 665 665 665 615 665 665 665 665 665 665

615 665 665 665 615 665 665 665 65 65 6565 15 15 65 65 65 65 0 0 0)^T

ΔT＝(51 51 51 51 51 51 51 51 51 51 51 51 51 51

51 51 51 51 51 51 51 51 10 10 10 10 10 10 10 10 10 10 0 0 0)^T

由式(7)可得分别利用SOE信息和PMU信息获得的置信度矩阵为：

M_SOE＝[0 0 0 0 0 0 0 0.89 0.90 0.89 0.90 0.88 0 0.89

0 0 0 0 0 0 0 0 0.9 0.7 0 0 0.89 0.85 0 0 0 0 0 0 0]

M_PMU＝[0 0 0 0 0 0 0 0.95 0.95 0.95 0.95 0.93 0.95 0.95

0 0 0 0 0 0 0 0 0.89 0.89 0.89 0.89 0.89 0.89 0 0 0 0 0 0 0]

根据式(21)可得Petri网的初始置信度矩阵为：

M＝[0 0 0 0 0 0 0 0.99 0.99 0.99 0.99 0.99 0.95 0.99

0 0 0 0 0 0 0 0 0.99 0.97 0.89 0.89 0.99 0.98 0 0 0 0 0 0 0]

利用式(24)进行多次迭代，可得收敛结果为：

M＝[0 0 0 0 0 0 0 0.99 0.99 0.99 0.99 0.99 0.95 0.99

0 0 0 0 0 0 0 0 0.99 0.97 0.89 0.89 0.99 0.98 0.99 0.99 0.89 0.89 0.99 0.92 0.96]

库所置信度矩阵M的值不再随迭代进行而变化，此时停电线路故障的置信度为0.96。

在仅利用SOE信息的情况下，即初始置信度矩阵采用M_SOE，由于故障发生时刻变电站1侧SOE信息缺失严重，断路器信息均未上传，利用式(24)进行多次迭代，线路故障置信度仅为0.57。同理，在仅利用电气量信息时，即初始置信度矩阵采用M_PMU，线路故障置信度为0.90。综合考虑SOE及电气量信息，即初始置信度矩阵采用M，线路故障置信度为0.96。由此可见，多源信息对误报及漏报信息能够进行有效校验和校正，提高故障诊断的准确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于，包括如下步骤：

步骤一，故障区域搜索及可疑元件集识别：发生故障后，利用WAMS信息、SCADA信息、静态电网拓扑数据以及断路器状态变化信息，形成故障前后的停电区域并进行对比分析，快速确定故障区域，形成可疑元件集；

步骤二，建立元件的加权模糊时序Petri网九元组模型：结合电力系统数据中的网络拓扑、保护配置信息、保护和断路器动作逻辑规则，对每个可疑元件建立加权模糊时序Petri网九元组模型；所述Petri网模型采用高斯函数，结合时序推理，综合利用SCADA系统中的动作事件序列(SOE)信息、WAMS系统中的电气量信息以及这些信息所包含的时序特性；

步骤三，求解置信度矩阵稳定值和元件故障概率：根据SCADA系统中的断路器动作警报、保护动作警报以及WAMS系统中电气量信息，进行多源信息融合，形成警报信息判据、库所延时约束和电气量判据；采用高斯函数，结合时序推理，利用所述多源信息中包含的时序特性计算初始置信度矩阵，并根据初始置信度矩阵进行Petri网模型置信度矩阵稳定值求解，从而获得元件故障概率；

步骤四，反向推理和判定：根据元件故障概率，进行反向推理，进行保护、断路器误动和拒动的判定。

2.根据权利要求1所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤二建立元件的加权模糊时序Petri网模型中，所述加权模糊时序Petri网模型定义为九元组模型：

S＝{P,R,I,O,W,M,T₀,ΔT₀,T_R}         (1) 

式中：P＝{p₁,p₂,…,p_n}为库所的有限集合，n为库所数；R＝{r₁,r₂,…,r_m}为变迁的有限集合，用于表征推理规则，m为变迁数；I＝[δ_ij]为n×m阶的输入矩阵，反映库所P到变迁R的映射，m、n为正整数；当p_i是r_j的输入时，δ_ij＝1，否则δ_ij＝0；O＝[γ_ij]为m×n阶的输出矩阵，反映变迁R到库所P的映射，当p_j是r_i的输出时，γ_ij＝1，否则γ_ij＝0；W＝diag(w₁,w₂,…,w_n)为输入弧的权值矩阵，反映前提条件对规则的影响程度，其取值与库所表征的事件类型相关；M＝[α(p₁),α(p₂),…,α(p_n)]为库所置信度向量，α(p_i)表示库所p_i的置信度；T₀＝diag(t₀₁,t₀₂,…,t_0n)为 输入弧的延时约束矩阵，t_0i表示库所p_i到变迁r_j的时间距离，根据保护设备的整定时间、断路器的动作延时等获得，ΔT₀＝diag(Δt₀₁,Δt₀₂,…,Δt_0n)为输入弧延时约束不确定度矩阵，Δt_i表示时间距离t_i的不确定度；T_R＝[t_R1,t_R2,...,t_Rn]为n×1维矩阵，t_Ri表示电力系统中实际录得的库所发生时间。

3.根据权利要求1所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤二建立元件的加权模糊时序Petri网模型中，所述时序推理的定义如下：

1)时间点与时间距离

定义确定时间点变量t，表示事件发生的时间；使用t和不确定度Δt共同描述事件发生时间不确定的情况，即事件发生的时间区间T(t)为[t-Δt,t+Δt]；定义时间距离为两个时间点之间的时间长度，用d_ij表示t_i和t_j之间的确切时间距离，即d_ij＝t_j-t_i；用Δd表示时间长度的不确定度，即t_i和t_j之间的时间距离D(t_i,t_j)为[d_ij-Δd_ij,d_ij+Δd_ij]；时间点看作特殊的时间距离，T(t)的值等于t＝0时刻至事件发生时间的时间距离D(0,t)，时间距离既表示两个时间之间的时间约束，也可以描述事件期望状态和实际状态的差异度；

2)时序推理

不确定度Δt和Δd表征了时间点和时间距离的分散性，若有q个时间距离D₁,D₂,...,D_q，其中D_i＝[d_i-Δd_i,d_i+Δd_i]，则它们的时间距离之和为：

d＝d₁+d₂+...+d_q           (2) 

d的不确定度为：

式中：ρ_ij为不确定度Δd_i和Δd_j之间的相关系数；一般情况下，ρ_ij＝0，此时式(3)变成

设t_i、t_j(t_i≤t_j)分别为事件i、j相继发生的时间，d_ij为事件发生时刻的时间距离；关于时间点和时间距离约束的运算定义如下：

前向时序推理，即已知t_i、d_ij，找出事件i的后继事件或制衡事件j，以及事件j的时间区间约束；根据式(2)和式(4)，事件j的时间约束为：

反向时序推理，用于找出事件的前驱时间，以及前驱事件的时间区间约束；事件i的时间点约束T(t_i)为：

4.根据权利要求1所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述采用高斯函数，结合时序推理，利用所述多源信息中包含的时序特性计算初始置信度矩阵的步骤如下所示：

设期望事件发生的时间区间为T(t)＝[t-Δt,t+Δt]，实际录得事件发生时间为t_i；采用下述高斯函数进行处理：

式中：A为系统的可靠性系数，α(t_i)为该实际录得事件的初始置信度；当t_i在[t-Δt,t+Δt]内时，说明事件在期望发生的时间区间内发生，得到较高的输出概率α(t_i)，此信息置信度较高；当时，置信度α(t_i)较低；t_i与T(t)的时间距离越大，此事件的置信度α(t_i)就越低；若未录得相应事件的遥测信息或观测到相应的电气量特征，则认为事件发生在t_i＝∞时刻，α(t_i)趋近于0。

5.根据权利要求1所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述的基于电气量信息形成的电气量判据计算过程如下所示：

1)提取设备故障的电气量特征和断路器动作的电气量特征，用来表征设备故障时或正常运行时的状态；

2)基于所述设备故障的电气量特征、断路器动作的电气量特征，根据主保护、后备保护的定义和整定时间，形成保护设备的动作判据。

6.根据权利要求5所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述设备故障的电气量特征定义为：

根据基尔霍夫电流定律，当母线M正常运行时，连接在母线上的元件所流入母线的电流之和为0；当母线发生故障时，连接在母线上的元件流入母线的电流之和，等于故障点的短路电流；

规定电流正方向为从母线流向线路，令母线各支路电流之和为母线故障的电气量特征，n为与母线相连的线路、变压器出口总数，则有：

式中：为事先设定的接近为0的电流门槛值；

规定线路两端的电流为和其正方向为从母线流向被保护线路，则线路两端电流之和为输电线路故障的电气量特征：

根据基尔霍夫电流定律，则有

式中：为事先设定的接近为0的电流门槛值；

对于长距离高压输电线，引入制动分量对由于电流互感器特性不一致、区外故障可能产生的不平衡电流进行修正：

式中：K₁为制动系数，0＜K₁＜1；在线路内部故障时，制动分量为最小值，式(11)与式(9)等价；在线路外部故障时，为外部短路电流2倍。

7.根据权利要求5所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述断路器动作的电气量特征为：

线路故障导致断路器跳开时，断路器的变位操作能够使从线路量测到的电流值降至接近于零；母线故障时，线路出口的电流值将视母线电气接线情况恢复正常负荷时的电流值或降至接近于零，远小于故障时的电流；

断路器失灵保护的电气量特征为：线路出口处的电流未在整定时间内恢复正常值或降至 零。

8.根据权利要求5所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述保护设备的动作判据定义如下所示：

线路与母线主保护的动作逻辑为：当所保护的元件故障，且检测到设备的电气量信息与设备故障的电气量特征吻合，则主保护应该动作；考虑到可能发生扰动的情况，若从某一帧，记为第i帧,第i帧的时间点记录为t_i，起连续三帧观测到为母线或输电线路故障的电气量特征，即包含了为事先设定的接近为0的电流门槛值，即包含了 考虑到PMU量测的数据是根据之前一个周波的采样数据计算而得，记母线或输电线路故障的时间为t_i-1，母线或输电线路故障后，经过主保护整定时间ΔT_mr，s_i为母线或输电线路故障主保护的电气量特征判据：

定义∪、∩和-分别表示逻辑或运算、逻辑与运算和逻辑非运算，则主保护的动作识别判据s_m表示为：

s_m＝s_i∩s_i+1∩s_i+2          (13) 

s_i、s_i+1、s_i+2对应于连续三帧母线或输电线路故障主保护的电气量特征判据；

线路或母线近后备保护的动作逻辑为：所对应的主保护期望动作，但在主保护动作时间内未跳开相应的断路器，故障特征持续未消除时，近后备保护应该动作；若连续n帧观测到 则近后备保护动作，近后备保护动作的识别判据s_p表示为：

s_j为母线或输电线路故障近后备保护的电气量特征判据，取s_j＝s_i；

根据近后备保护的整定时间确定n，n≈T_pr·f_PMU，T_pr为近后备保护的整定时间，f_PMU为WAMS系统数据上报频率；

线路或母线远后备保护的动作逻辑为：所对应的主保护及近后备保护期望动作，但在主保护及近后备保护动作时间内相应的断路器未跳开，故障特征持续未消除，此时远后备保护应该动作；如果连续m帧观测到则判断远后备保护动作，远后备保护的动作识别判 据s_s表示为：

s_k为母线或输电线路故障远后备保护的电气量特征判据，取s_k＝s_i；

根据远后备保护的整定时间确定m，m≈T_sr·f_PMU,T_sr为远后备保护的整定时间；

断路器及断路器失灵保护动作判据：断路器收到跳闸指令并有效动作后，相连设备的电气量将发生显著变化，线路出口的电流量测值降至接近于0或低于设定的电流门槛值远小于故障时的电流量测值；采用电流作为判据，设断路器流过的电流量测值为对应于电力系统A、B、C三相电流s_l为断路器单相分合位的电气特征量：

s_A、s_B、s_C分别为断路器A、B、C三相分合位的电气特征量；

当任意一相发生变位操作时，即判定断路器动作；记q_i为t_i时刻断路器状态，用于判断断路器是否存在分闸操作，相应的断路器动作判据为：

对于有扰动的情况，当从某一帧，记为第i帧，起连续三帧观测得断路器动作判据q_i＝1，且该帧之前三帧q_i＝0，记录断路器分闸操作时间为t_i，则断路器的动作判据s_b为：

s_b＝1即表示断路器由闭合状态切至分闸状态；

对于220～500kV架空线路，断路器失灵保护的电气量特征为：线路出口处的电流未在整定时间内恢复正常值或降至0；用f_i表示t_i时刻断路器失灵的电气量特征，以判断其是否拒动，相应的断路器拒动判据为：

当断路器分闸成功，f_i＝0；否则，断路器存在拒动情况，f_i＝1；考虑到三相分闸时间可能存 在一定偏差等因素，若记录到断路器动作s_b＝1，且连续n帧f_i＝1，则判定断路器拒动，这时触发断路器失灵保护动作；失灵保护的动作判据s'表示为：

根据断路器失灵保护的整定时间确定n，n≈T_br·f_PMU；T_br为断路器失灵保护的整定时间，为继电保护整定时间加两倍断路器熄弧时间。

9.根据权利要求1所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述初始置信度矩阵计算过程为：

综合考虑SCADA和WAMS系统的数据，确定库所的初始置信度为：

α(t_i)＝1-(1-α_PMU(t_i))(1-α_SOE(t_i))    (21) 

式中，α(t_i)表示t_i时刻发生事件的置信度；α_PMU(t_i)表示t_i时刻发生PMU事件的置信度；α_SOE(t_i)表示t_i时刻发生SOE事件的置信度；

当WAMS系统发生故障时，α_PMU(t_i)＝0，α(t_i)＝α_SOE(t_i)，库所置信度即为SCADA系统收集信息的置信度；当SCADA系统发生故障时，α_SOE(t_i)＝0，α(t_i)＝α_PMU(t_i)，库所置信度即为SCADA系统收集信息的置信度；当这两个系统均正常运行时，通过公式(21)得出库所置信度高于两个系统单独工作时。

10.根据权利要求2所述的综合利用电气量和时序信息的电力系统故障诊断方法，其特征在于：步骤三求解置信度矩阵稳定值和元件故障概率中，所述Petri网模型置信度矩阵稳定值求解过程如下：

设第k次迭代得到置信度矩阵M^k，则获取第k+1次置信度矩阵M^k+1的推理过程如下：

设A、B和C均为h×n阶矩阵，而D为h×q阶矩阵，E为q×n阶矩阵，F、G、H为h×1阶矩阵，定义如下矩阵运算：

1)若则c_ij＝max(a_ij,b_ij)；

2)若则

3)若C＝D·E，则

4)若则

5)若F＝G+H，则f_i＝g_i+h_i，多个+简写为Σ；

6)若或F＝G^{^2}，则矩阵中相同位置的元素做开方或平方运算，即或

采用加权模糊Petri网推理获得一个稳定的网络状态，即库所置信度矩阵M的值不再随迭代进行而变化的状态；

库所p_i的时间约束表示为[t_i-Δt_i,t_i+Δt_i]，多次迭代后时序约束也趋于稳定，不再变化；库所p_i的时间约束用时间点矩阵T＝[t₁,t₂,...,t_n]和不确定度矩阵ΔT＝[Δt₁,Δt₂,...,Δt_n]来描述：

设第k次迭代得到置信度矩阵M^k，则第k+1次置信度矩阵M^k+1为：

若M^k+1＝M^k，则Petri网的置信度矩阵是稳定的，求解结束，此时即为可疑元件故障概率。