CN104316801B - 基于时间序列相似性匹配的电力系统故障诊断方法 - Google Patents

Abstract

本发明公开了基于时间序列相似性匹配的电力系统故障诊断方法；搜索系统中的无源区域，确定故障区域，得到可疑故障元件集；基于保护设备配置模型形成警报假说时间序列集；计算子时间序列假说与SCADA系统收到的警报信息时间序列的距离，得出时间序列假说置信度和元件故障置信度，识别故障元件；故障区域识别一般在事故平息后进行，此时调度中心已经接收了相关的完整警报信息，利用警报信息中的静态时间序列匹配方式进行故障诊断，进而对保护和断路器的动作行为进行评价。本发明利用了警报信息序列的时序特征，对于复杂故障、相继故障等情形仍能迅速识别警报漏报/误报等情况，正确诊断出故障元件与故障类型，并对继电保护装置进行评价。

Description

基于时间序列相似性匹配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，涉及一种基于时间序列相似性匹配的电力系统故障诊断方法。

背景技术

电力系统故障诊断是指利用电力系统故障过程中产生的遥测、遥信和事件顺序信息(Sequence Of Event，SOE)等，判断故障元件及故障类型、识别不正确动作的保护和断路器，辅助调度或运行人员处理故障，以缩短事故处理时间，防止事故扩大，加速系统恢复。经过30多年的努力，国内外在电力系统故障诊断领域提出了多种方法，主要有专家系统、解析模型、人工神经元网络、Petri网、粗糙集理论等。

虽然在电力系统故障诊断方面已经取得了不少理论成果，但尚没有得到推广应用的故障诊断软件系统。一个主要的原因就是目前尚无法系统而充分的利用系统故障后的各种警报信息，尤其是其时序特性，这已经成为电力系统故障诊断研究领域有待解决的一个重要理论问题。

时间序列在科学、工程、经济、社会等各个领域中广泛存在，每时每刻都会有大量的时间序列产生。数据挖掘技术是上个世纪九十年代中后期兴起的一门跨学科的综合研究领域，旨在从海量数据中提取出潜在的、有价值的知识甚至规律；而作为一种常见而重要的数据类型，时间序列的数据挖掘和分析是目前数据挖掘中最具有研究意义的问题之一。

随着以现代信息技术为基础的电力系统调度自动化系统的发展，调度中心采集到的故障警报信息越来越多。基于全球定位系统(GPS)的全网对时的SOE信息包含了统一时标基准的警报时序信息，形成了较为准确的时间序列。如果能有效利用其蕴涵的信息，将能提高故障诊断的准确性和效率。

针对电力系统的实际情况，本发明引入时间序列的数据挖掘概念，利用相似性的相关理论和方法为电力系统故障诊断的智能决策提供帮助。

经验证，该故障诊断模型能够准确诊断包括连锁故障、相继故障在内的复杂故障，并具有良好的时间性能和容错性能。

发明内容

本发明提供了一种基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于，包括以下几个步骤：

为了实现上述目标，本发明采用如下技术方案：

步骤一，通过搜索系统中的无源区域，确定故障区域，进而得到可疑故障元件集；

步骤二，基于时间序列和关联时间序列组建立电力系统中的时间序列模型，并根据电力系统中的保护配置模型形成警报假说时间序列集以及时间序列的相似性匹配方法；利用电力系统警报信息相似度的距离衡量警报假说时间序列与电力系统中警报时间序列间的相似程度；

步骤三，将时间序列距离转换成元件故障的置信度，根据元件故障的置信度识别故障元件和故障类型。

本发明所达到的有益效果：

本发明的故障诊断系统通过搜索系统中的无源区域，确定故障区域，进而得到可疑故障元件集；之后，基于保护配置通用模型生成一系列警报假说时间序列，得到警报假说时间序列集；接下来计算子时间序列假说与电网监视控制和数据采集(SCADA)系统收到的警报信息时间序列之间的距离，进而得出时间序列假说置信度和元件故障置信度，识别出故障元件；故障区域识别一般在事故平息后进行，此时调度中心已经接收了相关的完整警报信息，其可以形成一个静态时间序列，利用静态时间序列匹配的方式进行故障诊断；然后，根据故障诊断结果，对保护和断路器的动作行为进行评价；本发明较好利用了警报信息序列的时序特征，对于复杂故障、相继故障等情形仍能迅速识别警报漏报/误报等情况，正确诊断出故障元件与故障类型，并对继电保护装置进行评价；故障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，可带来故障诊断结果的准确率和可靠性提高的有益效果。

附图说明

图1基于时间序列相似性匹配的电力系统故障诊断流程图；

图2保护设备配置模型示意图；

图3实施例电力系统接线示意图；

图4实施例电力系统部分地区接线示意图；

附图中标记的含义：C表示断路器，L表示输电线路,G表示发电机，B表示母线，T表示变压器。

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，基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于，包括以下步骤：

步骤一，通过搜索系统中的无源区域，确定故障区域，进而得到可疑故障元件集；

步骤二，基于时间序列和关联时间序列组建立电力系统中的时间序列模型，并根据电力系统中的保护配置模型形成警报假说时间序列集以及时间序列的相似性匹配方法；利用电力系统警报信息相似度的距离衡量警报假说时间序列与电力系统中警报时间序列间的相似程度；

步骤三，将时间序列距离转换成元件故障的置信度，根据元件故障的置信度识别故障元件和故障类型。

在步骤二中，时间序列、关联时间序列组定义如下：

(1)时间序列的数学描述

时间序列是某个物理量的记录值和时间节点组成的元素的有序集合，可记为：

X＝<x₁＝(v₁,t₁),x₂＝(v₂,t₂),...,x_n＝(v_n,t_n)>   (1)

式中：元素x_i＝(v_i,t_i)表示时间序列在t_i时刻所记录的信息为v_i；n为时间序列X的势；记作|X|＝n；时间序列中时间节点严格递增，即

在狭义时间序列中，v_i一般指某一实数值，在广义时间序列中，v_i不仅局限于数值，也可以是多媒体数据、离散符号、自定义模型数据等多种信息。

(2)关联时间序列组

对于时间序列 $X_1=<x_1^{\&prime;},x_2^{\&prime;},...,x_k^{\&prime;},x_{k+1}^{\&prime;},...,x_{m_1}^{\&prime;}>,X_2=<x_1^{\&prime;\&prime;},x_2^{\&prime;\&prime;},...,x_k^{\&prime;\&prime;},x_{k+1}^{\&prime;\&prime;},...,x_{m_2}^{\&prime;\&prime;}>,...,$ $X_n=<x_1^{\left(n\right)},x_2^{\left(n\right)},...,x_k^{\left(n\right)},x_{k+1}^{\left(n\right)},...,x_{m_n}^{\left(n\right)}>(m_1,m_2,...,m_n>k)$ 的前k项元素相同(即 $x_1^{\&prime;}=x_1^{\&prime;\&prime;}=...=x_1^{\left(n\right)};$ $x_2^{\&prime;}=x_2^{\&prime;\&prime;}=...=x_2^{\left(n\right)};...;x_k^{\&prime;}=x_k^{\&prime;\&prime;}=...=x_k^{\left(n\right)}$ )，可定义关联时间序列组：

G＝<X_s,G_x,f>   (2)

式中：X_s＝x′₁,x′₂,...,x′_k为各时间序列间相同元素组成的序列，为各时间序列间不同元素组成的序列组；f为标识位，f＝1表示时间序列集合{X_i,i＝1,2,...,n}的元素为并发时间序列，即时间序列X_s发生后G_x中的时间序列会同时发生，f＝0则表示互斥时间序列，即G_x中的时间序列有且仅有一个会发生，关联时间序列组即一系列时间序列的集合。

在所述步骤二中，基于时间序列和关联时间序列组建立电力系统中的时间序列模型，并根据电力系统中的保护配置模型形成警报假说时间序列集以及时间序列的相似性匹配方法如下：

当电力设备遥信动作时，保护设备或智能电力仪表会自动记录下动作时间、动作原因，形成基于统一时标基准的动作事件序列(SOE)信息。这些信息构成了较为准确的时间序列。

(1)电力系统中的时间序列模型

设x＝(v,t)为时间序列中的元素，定义警报信息v为一个3元组：

v＝(A,Δt,S)   (3)

式中：A为警报事件，其既可代表在调度中心收到的设备动作或警报信息，也可表示系统中发生的某一事件(如输电线路发生单相接地故障)。Δt指时间误差长度，用于描述事件发生时间不确定的情况；t和Δt共同组成了一个时间约束，即事件A发生时间为S为模糊项标识位，S＝1和0分别表示元素x＝(v,t)为必须项和模糊项。

若元素x_i＝(v_i,t_i)(i＝1,2,...,n)为模糊项，则时间序列X₁＝<x₁,x₂,...,x_n>虽然比X₂＝<x₁,x₂,...,x_i-1,x_i+1,...,x_n>多了元素x_i，但X₂与X₁之间的编辑距离仍为0，称编辑距离为0的两个时间序列为等价时间序列。若元素x_i＝(v_i,t_i)(i＝1,2,...,n)为必须项，则X₂与X₁之间的编辑距离为1。

电力系统中发生的部分事件由于不具备信息上传能力，调度中心获取的时间序列并不包含这些事件，这部分警报信息与漏报误报信息应该在诊断过程中加以区分。引入模糊项概念有利于区分这些信息，提高故障诊断准确度。

(2) 电力系统中的保护配置模型

电力系统发生故障后，保护和断路器的警报信息就构成了警报时间序列。根据保护装置整定规范，可以构造一系列警报假说时间序列，如图2所示 (用end表示时间序列结束点)。

从图2可以看出，基于保护设备配置所生成的每一个时间序列分为两种情况，一种情况是时间序列中的每个元素都对应于同一保护装置及其关联的断路器，与其它保护装置无关，以“end”作为结束符。另一种情况是，时间序列中的最后一个元素去触发另一套保护装置，成为另一个系列的时间序列的起始元素，从而就形成一系列更长的时间序列。

对于关联时间序列组G₁的任一元素，事件发生时间t_i按保护装置整定值设定，时间长度Δt_i则根据允许的事件时间误差设定。当保护装置动作时，关联时间序列组中的时间序列相继发生，信息汇集后进入调度中心，形成准确的时间序列。

如图3所示，图中C表示断路器，L表示输电线路。设输电线L₁在t＝0时刻发生瞬时单相接地故障并重合闸成功。

用时间序列描述为(时间单位：ms)：X₁＝<x₁,x₂,x₃,x₄,x₅,x₆,x₇>。

式中：x₁＝(v₁,t₁)＝((L₁线发生单相接地故障,0,0),0)；

x₂＝(v₂,t₂)＝((A站L₁主保护动作,0,1),49)；

x₃＝(v₃,t₃)＝((B站L₁主保护动作,0,1),50)；

x₄＝(v₄,t₄)＝((C₁分闸,0,1),100)；

x₅＝(v₅,t₅)＝((C₂分闸,0,1),100)；

x₆＝(v₆,t₆)＝((C₁重合闸,0,1),1100)；

x₇＝(v₇,t₇)＝((C₂重合闸,0,1),1105)。

根据SOE信息，调度中心获取到时间序列X₂＝<x₂,x₃,x₄,x₅,x₆,x₇>。X₁与X₂等价。事件v_i(i＝1,2,...,7)在一个确定的时间点发生，该时间点记为t_i，时间长度Δt_i＝0。

输电线L₁两端的线路主保护的动作逻辑可用关联时间序列组G₂描述。以断路器C₂一侧为例：

G₂＝<X_s,G_x,0>   (4)

式中：X_s＝<((C₂侧L₁线路主保护动作,10,1)，0)>，

元素X_s中的事件“C₂侧L₁线路主保护动作”会触发C₂断路器分闸。若C₂断路器分闸成功，则1000ms后C₂将发生重合闸操作。若C₂断路器拒动，或C₂动作后由于绝缘被击穿等原因断路器两端仍连通，C₂失灵保护都会动作，但调度中心不一定会收到C₂分闸警报信息，因此((C₂分闸,10，0)，50)为模糊项。C₂分闸成功与否，会形成两个互斥的时间序列，这两个时间序列在一次故障过程中有且仅有一个会发生。

(3)警报假说时间序列集和时间序列的相似性匹配方法

把并未真实发生的时间序列称为警报假说时间序列。从保护配置模型得到的时间序列集合称为警报假说时间序列集。在从调度中心得到的警报信息时间序列中，挖掘和分析与警报假说时间序列集相似的时间序列，则被称为时间序列匹配。时间序列的相似性匹配分为全序列匹配查询和子序列匹配查询，全序列匹配查询是从预设的查询序列集合中,找出与被查询序列在整体上满足相似性的时间序列,所获得的匹配序列应与被查询序列的势大致相同；子序列匹配查询则是从势远大于查询序列的被查询序列中找出所有与查询序列距离小于给定距离的子序列的位置偏移和长度，电力系统发生故障后警报被集中送到调度中心形成警报序列,而可疑元件的故障假说则一般形成一个势小于警报序列的警报假说序列,这样若能在警报序列中找到与假说序列小于给定距离的子时间序列,则可视该故障假说为真，因此,本发明采用子序列匹配查询；

在步骤二中，提出一种适于衡量电力系统警报信息相似度的距离概念，用来衡量警报假说时间序列与电力系统中警报时间序列间的相似程度如下：

在图2中，假设在t＝0时L₁线路发生瞬时性单相接地故障，线路两侧主保护被触发。继电保护装置的动作逻辑可用关联时间序列组表示为

$G_1=<<{x^{\&prime;}}_1>,\left(\begin{array}{c}<{x^{\&prime;}}_2,{x^{\&prime;}}_4,{x^{\&prime;}}_6>\\ <{x^{\&prime;}}_3,{x^{\&prime;}}_5,{x^{\&prime;}}_7>\end{array}\right),1>---\left(5\right)$

式中：x'₁＝((L₁线发生瞬时性单相接地故障,0,0)，0)；

x'₂＝((A站L₁主保护动作,10,1)，50)；

x'₃＝((B站L₁主保护动作,10,1)，50)；

x'₄＝((C₁分闸,10,1),100)；

x'₅＝((C₂分闸,10,1)，100)；

x'₆＝((C₁重合闸,10,1)，1100)；

x'₇＝((C₂重合闸,10,1)，1100)。

关联时间序列组G₁包括时间序列假说X₃＝<x'₁,x'₂,x'₄,x'₆>和X₄＝<x'₁,x'₃,x'₅,x'₇>。线路L₁发生单相接地故障会同时触发X₃和X₄，因此相关的标识位f＝1。

对于关联时间序列组G₁中的时间序列假说X₃和X₄，如果在实际警报序列X₂＝<x₂,x₃,x₄,x₅,x₆,x₇中能够找到匹配的时间子序列，则可以认为X₃和X₄已真实发生，进而判定t＝0时线路L₁发生了瞬时性单相接地故障。

在衡量电力系统中两个时间序列的相似性时，既需要计及警报信息不同所造成的差异，也需要考虑时间偏差所带来的影响。本发明提出一种适于衡量电力系统警报信息相似度的距离概念。下面所定义的距离概念既考虑了由于警报信息漏报误报所造成的距离，也考虑了实际警报动作存在的时间误差。

为了后面描述方便，先定义几个符号：

运算符|＝：表示时间序列元素x＝(v_x＝(A_x,Δt_x,S_x),t_x)和y＝(v_y＝(A_y,Δt_y,S_y),t_y)之间的关系；若警报事件A_x＝A_y，则x|＝y。

运算符|∈和：表示时间序列元素x＝(v_x＝(A_x,Δt_x,S_x),t_x)与时间序列X＝<x₁,x₂,...,x_n>之间的关系；若存在x_i(i＝1,2,...n),使得x|＝x_i，则x|∈X，否则。

这样，电力系统中两时间序列的距离可定义为：

对于时间序列X＝<x₁＝(v_x1,t_x1),x₂＝(v_x2,t_x2),...,x_n＝(v_xn,t_xn)>与时间序列Y＝<y₁＝(v_y1,t_y1),y₂＝(v_y2,t_y2),...,y_m＝(v_ym,t_ym)>(n≤m),如果X与Y都没有模糊项,则它们之间的距离可定义为

D(X,Y)＝aD_edit(X,Y_s)+bD_time(X,Y_s)   (6)

式中：Y_s为X在Y中利用元素匹配得到的子时间序列，即Y_s＝<y₁',y₂',...,y_p'>，对于任意的y_i'|∈Y_s，有y_i'|∈X且y_i'是时间序列Y的元素(i＝1,2,...p)。

D_edit(X,Y_s)表示时间序列X与Y_s的编辑距离，用于识别漏报误报的警报信息。考虑到Y_s是Y的子时间序列，这样可给出一般情况下D_edit(X,Y_s)的简化计算公式：

$D_{\mathrm{edit}}(X,Y_s)=\underset{x_i|\&Element;X,x_i|\&NotElement;Y_s,i=\mathrm{1,2},...,n}{\mathrm{\&Sigma;}}1---\left(7\right)$

D_time(X,Y_s)表示时间序列X与Y_s之间的时间距离，用于衡量时间序列在时标信息方面的差异。

$D_{\mathrm{time}}(X,Y_s)=\frac{4}{\mathrm{\&pi;}}\underset{x_i|={y_j}^{\&prime;},|t_{\mathrm{xi}}-{t_{\mathrm{yj}}}^{\&prime;}|\&GreaterEqual;|\frac{{\mathrm{\&Delta;t}}_{\mathrm{xi}}+{{\mathrm{\&Delta;t}}_{\mathrm{yj}}}^{\&prime;}}{2}|;i=\mathrm{1,2},...,n;j=\mathrm{1,2},...p}{\mathrm{\&Sigma;}}\arctan \left(\frac{2|t_{\mathrm{xi}}-{t_{\mathrm{yj}}}^{\&prime;}|}{{\mathrm{\&Delta;t}}_{\mathrm{xi}}+{{\mathrm{\&Delta;t}}_{\mathrm{yj}}}^{\&prime;}}\right)-1---\left(8\right)$

式(8)中：t_yj'、Δt_yj'分别表示序列Y_s中元素y_j'的时间和时间偏移量，t_xi、Δt_xi表示序列X中元素x_i的时间和时间偏移量，a为编辑距离的权重系数，可根据电力系统中警报信息上传的可靠程度给定，漏报误报信息越少，a可给定的越大；b为时间距离的权重系数，可根据警报信息的时间信息的精确程度给定，时标越准确，b可给定的越大。

编辑距离衡量了电力系统中警报信息漏报误报的严重程度，其值越大，则警报假说时间序列的置信度就越低；如果电力系统中获取的警报信息中漏报误报比例较大，a可取较小的值，以降低编辑距离的权重，提高模型对漏报误报信息的容错性。如果警报信息比较完备，a可取较大的值来排除干扰项，进而避免误判。同理，在系统时序信息不精确时b可取较小的值，以降低时标不准对诊断结果准确性的影响，反之则可取较大的值。

误报和时标不准均会导致两个时间序列之间存在差异。距离函数D(X,Y)通过权重系数a和b把相关差异进行了量化，其值越小，两个时间序列之间的差异越小，二者就越相似。

在所述步骤三中，将距离转换成元件故障的置信度，根据元件故障的置信度识别故障元件和故障类型；具体计算步骤如下：

时间序列元素的置信度：

警报假说时间序列X与警报信息时间序列Y之间的距离越小，则该假说的置信度越高。定义警报假说时间序列X的置信度C_X为：

$C_X=\left\{\begin{array}{c}1,D(X,Y)\&le;1\\ \frac{1}{D(X,Y)},1<D(X,Y)\&le;10\\ 0.1,D(X,Y)>10\end{array}\right.---\left(9\right)$

在式(10)中，把警报假说时间序列X与警报信息时间序列Y之间的距离通过反比例函数映射至[0,1]区间，作为假说的置信度。当该距离足够小时，警报假说的置信度为1。

电力系统发生故障时，相关保护装置将动作跳开一些断路器；在多重故障、保护和/或断路器有误动或拒动的复杂情况下，有可能存在两个甚至两个以上警报假说时间序列都有较高的置信度。在警报假说时间序列集中，同一个时间序列元素x_i＝(v_i＝(A_i,Δt_i,S_i),t_i)可能会在多个警报假说时间序列X₁，X₂，...,X_n中存在。若时间序列X₁，X₂，...,X_n为并发时间序列，则元素x_i的置信度应为时间序列X₁，X₂，...,X_n的置信度的平均值；若时间序列X₁，X₂，...,X_n为互斥时间序列，则元素x_i的置信度应取时间序列X₁，X₂，...,X_n的置信度中的最大值。即：

|X|为时间序列X的势，式(9)和式(10)把时间序列的相似性转换成元件动作的置信度，这样就可以识别出故障元件。

计及警报漏报的故障诊断修正策略：

考虑到在实际电力系统中因为通信通道和设备本身的原因无法完全避免干扰而产生错误信息，故障诊断算法必须对收到的警报信息进行预处理，以改善容错性。对于存在警报漏报的情形，这里给出一种修正策略，以改善故障诊断的准确性。

若警报假说时间序列X的势为n(n≥3)，且其与警报信息时间序列Y的编辑距离为则警报假说时间序列中必有元素x_i＝(v_i＝(A_xi,Δt_xi,S_xi),t_xi)在警报信息时间序列Y中未有对应警报信息，即。此时，可假设由于某种原因发生了元素y_i＝(v_yi＝(A_xi,Δt_xi,S_xi),t_xi)的漏报，并在警报信息时间序列Y中插入虚拟事件y_i构造新的警报信息时间序列Y'，之后对包含事件A_xi的警报假说时间序列利用式(6)-(10)重新计算元件动作的置信度。在计算过程中，虚拟事件yi的置信度利用式(11)修正：

${C_{x_i}}^{\&prime;}=\frac{n-d}{n}{C_x}_i---\left(11\right)$

为利用警报假说时间序列X与修正后的警报信息时间序列Y'计算得到的元件动作置信度，n为X的势，d为X和Y之间的编辑距离。n越大，漏报的警报数目越小即d越小，则虚拟事件y_i＝(v_yi＝(A_xi,Δt_xi,S_xi),t_xi)的置信度就越高。

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。

涉及的某电力系统局部接线图如图4所示。图中C表示断路器，G表示发电机，T表示变压器，L表示线路，B表示母线。为便于描述，首先定义警报信息的编号如表A1所示。

表A1警报信息编号

定义	警报内容
		a1	碧山站线路L2943纵联差动保护动作(RCS-931BM)
a2	炼化站线路L2943纵联差动保护动作(RCS-931BM)
		a3	碧山站C12断路器分闸
a4	炼化站C14断路器分闸
		a5	碧山站C12断路器失灵保护
a6	碧山站C16分闸
		a7	碧山站C6分闸
a8	碧山站C7分闸
		a9	B4母线差动保护
a10	碧山站C12合闸
		a11	炼化站C14合闸

故障发生后，调度中心所收到的警报列于表A2；其中，警报的时标以接收到的第一个警报的时间为基准点。

表A2调度中心收到的警报列表

警报信息构成全序列X＝<x₁,x₂,...,x₈>。对于该故障区域，用关联时间序列组表示其保护配置情况，如表A3所示。

表A3保护配置模型

各元件故障与保护之间的联系为

<((母线B4故障,10,0),-20),(a₉,10,1),0)>

<((C12故障,10,0),0),(a₅,10,1),200)>

利用表A3可生成任一保护动作所触发的时间序列假说集。取a＝b＝5，以线路L2943故障为例，计算可得每一个时间序列假说与警报信息的距离及置信度，列于表A4。

表A4警报假说时间序列生成及其与全序列之间的距离

诊断结果为：线路L2943故障的置信度为1，故障在t＝-20ms时发生(±10ms)；C12断路器的故障置信度为0.8，时间为t＝0ms(±10ms)；B4母线故障的置信度为0.2。这样，故障元件为线路L2943和断路器C12。

实际发生的故障情况为：在t＝-14ms时，线路L2943发生故障，炼化站主保护动作并成功跳开C14断路器；碧山站主保护动作并试图跳开C12断路器，但C12断路器拒动，从而导致C12断路器失灵保护动作而跳开B4母线上的断路器C6、C7、C16。

故障诊断结果与实际发生的故障情况相符。时间序列的匹配结果表明，所配置的警报假说时间序列与实际警报信息时间序列之间的编辑距离和时间距离均为0，这说明故障元件为线路L2943且断路器C12拒动，继电保护均正确动作，警报时标信息准确，警报信息完整。

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 (7)

1.基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于，包括以下步骤：

步骤一，通过搜索系统中的无源区域，确定故障区域，进而得到可疑故障元件集；

步骤二，基于时间序列和关联时间序列组建立电力系统中的时间序列模型，并根据电力系统中的保护配置模型形成警报假说时间序列集以及时间序列的子序列匹配方法；利用电力系统警报信息相似度的距离衡量警报假说时间序列与电力系统中警报时间序列间的相似程度；

步骤三，将时间序列距离转换成元件故障的置信度，根据元件故障的置信度识别故障元件和故障类型。

2.根据权利要求1所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：步骤二中，所述时间序列和关联时间序列组定义如下：

(1)时间序列

时间序列是某个物理量的记录值和时间节点组成的元素的有序集合,记为：

X＝<x₁＝(v₁,t₁),x₂＝(v₂,t₂),...,x_n＝(v_n,t_n)>  (1) 

式中：元素x_i＝(v_i,t_i)表示时间序列在t_i时刻所记录的信息为v_i；n为时间序列X的势，记作|X|＝n；时间序列中时间节点严格递增，即i,j＝1,2,...,n；

(2)关联时间序列组

对于时间序列 …、 (m₁,m₂,...,m_n＞k)的前k项元素相同(即 )，可定义关联时间序列组

G＝<X_s,G_x,f>  (2) 

式中：时间序列X_s＝<x′₁,x′₂,...,x′_k>，时间序列f为标识位，f＝1表示时间序列集合{X_i,i＝1,2,...,n}的元素为并发时间序列，即时间序列X_s发生后G_x中的时间序列会同时发生，f＝0则表示互斥时间序列，即G_x中的时间序列有且仅有一个会发生；关联时间序列组即一系列时间序列的集合。

3.根据权利要求2所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：步骤二中，建立电力系统中的时间序列模型如下：

设x＝(v,t)为时间序列中的元素，定义警报信息v为一个3元组：

v＝(A,Δt,S)  (3)

式中：A为警报事件，既可代表在调度中心收到的设备动作或警报信息，也可表示系统中发生的某一事件；Δt指时间误差长度，用于描述事件发生时间不确定的情况；时间t和Δt共同组成了一个时间约束，即事件A发生时间为S为模糊项标识位，S＝1和0分别表示元素x＝(v,t)为必须项和模糊项；

时间序列X₁与X₂存在一个不同元素x_i＝(v_i,t_i)(i＝1,2,...,n)，若该元素为模糊项，X₁与X₂之间的编辑距离为0；若该元素为必须项，则X₁与X₂之间的编辑距离为1；若时间序列X₁与X₂存在多个不同元素，对于编辑距离进行累加求和即可。

4.根据权利要求3所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：步骤二中，根据电力系统中的保护配置模型形成警报假说时间序列集以及时间序列的相似性匹配方法如下：

(1)电力系统中的保护配置模型

电力系统发生故障后，保护和断路器的警报信息就构成了警报时间序列；根据保护装置整定规范，可以构造一系列警报假说时间序列；

基于保护设备配置所生成的每一个时间序列分为两种情况，一种情况是时间序列中的每个元素都对应于同一保护装置及其关联的断路器，与其它保护装置无关；另一种情况是，时间序列中的最后一个元素去触发另一套保护装置，成为另一个系列的时间序列的起始元素，从而就形成一系列更长的时间序列；

对于所述关联时间序列组G的任一元素，事件发生时间t_i按保护装置整定值设定，时间长度Δt_i则根据允许的事件时间误差设定；当保护装置动作时，所述关联时间序列组中的时间序列相继发生，信息汇集后进入调度中心，形成准确的时间序列；

(2)警报假说时间序列集和时间序列的相似性匹配方法

并未真实发生的时间序列称为警报假说时间序列；从保护配置模型得到的时间序列集合称为警报假说时间序列集；在从调度中心得到的警报信息时间序列中，挖掘和分析与警报假说时间序列集相似的时间序列，则被称为时间序列匹配；

时间序列的相似性匹配：从势远大于查询序列的被查询序列中找出所有与查询序列距离小于给定距离的子序列的位置偏移和长度，电力系统发生故障后警报被集中送到调度中心形成警报序列，可疑元件的故障假说则一般形成一个势小于警报序列的警报假说序列，若能在警报序列中找到与假说序列小于给定距离的子时间序列，则视该故障假说为真。

5.根据权利要求4所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：步骤二中，利用电力系统警报信息相似度的距离衡量警报假说时间序列与电力系统中警报时间序列间的相似程度过程如下：

定义符号如下：

运算符|＝表示时间序列元素x＝(v_x＝(A_x,Δt_x,S_x),t_x)和y＝(v_y＝(A_y,Δt_y,S_y),t_y)之间的关系；若警报事件A_x＝A_y，则x|＝y；

运算符|∈和：表示时间序列元素x＝(v_x＝(A_x,Δt_x,S_x),t_x)与时间序列X＝<x₁,x₂,...,x_n>之间的关系；若存在x_i(i＝1,2,...n)，使得x|＝x_i，则x|∈X，否则

电力系统中两时间序列的距离定义为：

对于时间序列X＝<x₁＝(v_x1,t_x1),x₂＝(v_x2,t_x2),...,x_n＝(v_xn,t_xn)>与时间序列Y＝<y₁＝(v_y1,t_y1),y₂＝(v_y2,t_y2),...,y_m＝(v_ym,t_ym)>(n≤m)，如果X与Y都没有模糊项，则它们之 间的距离定义为：

D(X,Y)＝aD_edit(X,Y_s)+bD_time(X,Y_s)  (6) 

式中：Y_s为X在Y中利用元素匹配得到的子时间序列，即Y_s＝<y₁',y₂',...,y_p'>，对于任意的y_i'|∈Y_s，有y_i'|∈X且y_i'是时间序列Y的元素(i＝1,2,...p)；

D_edit(X,Y_s)表示时间序列X与Y_s的编辑距离，用于识别漏报误报的警报信息；考虑到Y_s是Y的子时间序列，给出D_edit(X,Y_s)的计算公式：

D_time(X,Y_s)表示时间序列X与Y_s之间的时间距离，用于衡量时间序列在时标信息方面的差异：

式(8)中：t_yj'、Δt_yj'分别表示序列Y_s中元素y_j'的时间和时间偏移量，t_xi、Δt_xi表示序列X中元素x_i的时间和时间偏移量，a为编辑距离的权重系数，可根据电力系统中警报信息上传的可靠程度给定；b为时间距离的权重系数，可根据警报信息的时间信息的精确程度给定。

6.根据权利要求5所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：在所述步骤三中，将距离转换成元件故障的置信度，根据元件故障的置信度识别故障元件和故障类型，具体计算步骤如下：

警报假说时间序列X与警报信息时间序列Y之间的距离越小，则该假说的置信度越高；定义警报假说时间序列X的置信度C_X为：

在式(9)中，将警报假说时间序列X与警报信息时间序列Y之间的距离通过反比例函数映射至[0,1]区间，作为假说的置信度；

在警报假说时间序列集中，同一个时间序列元素x_i＝(v_i＝(A_i,Δt_i,S_i),t_i)可能会在多个警报假说时间序列X₁，X₂，...,X_n中存在；若时间序列X₁，X₂，...,X_n为并发时间序列，则元素x_i的置信度应为时间序X₁，X₂，...,X_n的置信度的平均值；若时间序列X₁，X₂，...,X_n为互斥时间序列；则元素x_i的置信度应取时间序列X₁，X₂，...,X_n的置信度中的最大值；即：

|X|为时间序列X的势，式(9)和式(10)将时间序列的相似性转换成元件动作的置信度，即识别出故障元件。

7.根据权利要求6所述的基于时间序列相似性匹配的电力系统故障诊断方法，其特征在于：对于存在警报漏报的情形，给出一种修正策略：

若警报假说时间序列X的势为n(n≥3)，且其与警报信息时间序列Y的编辑距离为则警报假说时间序列中必有元素x_i＝(v_i＝(A_xi,Δt_xi,S_xi),t_xi)在警报信息时间序列Y中未有对应警报信息，即此时，可假设由于某种原因发生了元素y_i＝(v_yi＝(A_xi,Δt_xi,S_xi),t_xi)的漏报，并在警报信息时间序列Y中插入虚拟事件y_i构造新的警报信息时间序列Y'，之后对包含事件A_xi的警报假说时间序列利用式(6)-(10)重新计算元件动作的置信度；在计算过程中，虚拟事件y_i的置信度利用式(11)修正：

为利用警报假说时间序列X与修正后的警报信息时间序列Y'计算得到的元件动作置信度，n为X的势，d为X和Y之间的编辑距离；n越大，漏报的警报数目越小即d越小，则虚拟事件y_i＝(v_yi＝(A_xi,Δt_xi,S_xi),t_xi)的置信度就越高。