CN104597375A - 一种电网故障诊断方法 - Google Patents

Abstract

本发明公开一种电网故障诊断方法，该方法包括：根据预设的拓扑分析规则对故障后的电网进行拓扑分析，得到失电元件；根据失电元件预先配置的保护信息以及保护信息对应的断路器动作信息，建立失电元件的Petri网模型，Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成，库所包括保护库所、断路器库所和元件库所；对Petri网模型的参数赋值，得到直觉模糊Petri网模型，参数包括：库所标识值、变迁阈值以及连接弧权值，库所标识值包括：保护库所标识值、断路器库所标识值和元件库所标识值；根据直觉模糊petri网模型以及预设的模糊推理规则，得到元件库所标识值；根据元件库所标识值以及预设的测度函数，得到失电元件的故障概率，并确定故障元件。

Description

一种电网故障诊断方法

技术领域

本发明涉及电力系统领域，具体涉及一种电网故障诊断方法。

背景技术

电网故障诊断中故障信息的不确定性可以由模糊petri网有效的表达。在模糊petri网中，网的框架代表基于产生式规则的知识结构，库所(place，简称p)表示命题，如果命题为真，在库所中标识上令牌(token)，token的值表示命题为真的置信度；规则推理过程用带置信度的变迁(Transition，简称t)的触发表示，命题与规则之间的因果联系用库所和变迁之间的有向弧表示。

目前，在模糊petri网模型中，所有参数都是用模糊数来表示。而模糊数只能表示事件或规则的可信度，不能表示其不可信度，电网故障诊断不精确。

发明内容

本发明所要解决的技术问题是在模糊petri网模型中，所有参数都是用模糊数来表示。而模糊数只能表示事件或规则的可信度，不能表示其不可信度，电网故障诊断不精确的问题。

为此目的，本发明提出一种电网故障诊断方法，所述方法包括：

S1、根据预设的拓扑分析规则，对故障后的电网进行拓扑分析，得到失电元件；

S2、根据所述失电元件预先配置的保护信息以及所述保护信息对应的断路器动作信息，建立所述失电元件的Petri网模型，其中，所述Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成，所述库所包括保护库所、断路器库所和元件库所；

S3、对所述Petri网模型的参数赋值，得到所述失电元件的直觉模糊Petri网模型，所述参数包括：库所标识值、变迁阈值以及库所和变迁之间的连接弧权值，其中，所述库所标识值包括：保护库所标识值、断路器库所标识值和元件库所标识值；

S4、根据所述直觉模糊petri网模型以及预设的模糊推理规则，得到所述元件库所标识值；

S5、根据所述元件库所标识值以及预设的测度函数，得到所述失电元件的故障概率；

S6、根据所述故障概率，确定故障元件。

可选的，在所述步骤S3中，对所述失电元件的Petri网模型的参数赋值，满足：

所述库所标识值使用直觉模糊数对(α₁,β₁)表示，所述变迁阈值使用直觉模糊数对(α₂,β₂)表示，所述库所和变迁之间的连接弧权值使用直觉模糊数对(α₃,β₃)表示，其中，α₁,α₂,α₃表示可信度，β₁,β₂,β₃表示不可信度，且0＜α_i+β_i≤1，0＜α_i＜1，0＜β_i＜1，i＝1,2,3。

可选的，在所述步骤S2中，所述保护信息包括主保护动作信息和后备保护动作信息；

所述保护库所包括主保护库所和后备保护库所；

相应地，在所述步骤S3中，所述主保护库所标识值使用直觉模糊数对(α₁₁,β₁₁)表示，所述后备保护库所标识值使用直觉模糊数对(α₁₂,β₁₂)表示，所述主保护库所对应的断路器库所标识值使用直觉模糊数对(α₁₃,β₁₃)表示，所述后备保护库所对应的断路器库标识值所使用直觉模糊数对(α₁₄,β₁₄)表示，其中，α_1j表示可信度，β_1j表示不可信度，且0＜α_1j+β_1j≤1，0＜α_1j＜1，0＜β_1j＜1，j＝1,2,3,4。

可选的，所述α₁₁＞所述α₁₂，所述β₁₁和β₁₂满足：

${\mathrm{\β}}_{11}=\frac{(1-{\mathrm{\α}}_{11})}{2};$

${\mathrm{\β}}_{12}=\frac{(1-{\mathrm{\α}}_{12})}{2}.$

可选的，所述α₁₃＞所述α₁₄，且所述α₁₃＞所述α₁₁，所述β₁₃和β₁₄满足：

${\mathrm{\β}}_{13}=\frac{(1-{\mathrm{\α}}_{13})}{2};$

${\mathrm{\β}}_{14}=\frac{(1-{\mathrm{\α}}_{14})}{2}.$

可选的，所述步骤S6，包括：将所述故障概率最大的失电元件确定为故障元件。

相比于现有技术，本发明的电网故障诊断方法基于直觉模糊Petri网，该方法建立了失电元件的直觉模糊petri网模型，经过模糊推理算法得到元件故障的可信度和不可信度，根据测度函数以及元件故障事件的可信度和不可信度，得到元件故障的概率，提高了电网故障诊断的精确度。

附图说明

图1示出了一种电网故障诊断方法流程图；

图2示出了Petri网模型结构图；

图3示出了直觉模糊Petri网模型结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例公开一种电网故障诊断方法，所述方法可包括以下步骤：

S1、根据预设的拓扑分析规则，对故障后的电网进行拓扑分析，得到失电元件。

S2、根据失电元件预先配置的保护信息以及保护信息对应的断路器动作信息，建立失电元件的Petri网模型；其中，保护信息包括主保护动作信息和后备保护动作信息；Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成；库所包括保护库所、断路器库所和元件库所；保护库所包括主保护库所和后备保护库所。

保护库所表示失电元件预先配置的保护信息；主保护库所表示失电元件预先配置的主保护动作信息；后备保护库所表示失电元件预先配置的后备保护动作信息；断路器库所表示保护信息对应的断路器动作信息；元件库所表示失电元件的状态信息，状态信息包括故障和正常。

本实施例中构建的Petri网模型如图2所示，库所用“○”表示，变迁用“|”表示，库所和变迁之间的连接弧用有向弧“→”表示。本实施例中失电元件预先配置的保护信息为主保护动作信息，图2中，p₁、p₃是主保护库所；p₂、p₄是断路器库所；p₅、p₆是虚拟库所；p₇是元件库所；t₁、t₂、t₃是变迁。图2中的虚拟库所无实际意义。

如果一个库所到一个变迁用有向弧连接，表示该库所是变迁的输入库所；如果一个变迁到一个库所用有向弧连接，表示该库所是变迁的输出库所。

根据输入库所和输出库所的定义，保护库所和断路器库所是输入库所，元件库所是输出库所，虚拟库所既可以是输出库所也可以是输入库所。图2中的虚拟库所为输出库所。

S3、对Petri网模型的参数赋值，得到失电元件的直觉模糊Petri网模型，如图3所示。参数包括：库所标识值、变迁阈值以及库所和变迁之间的连接弧权值，其中，库所标识值包括：保护库所标识值、断路器库所标识值和元件库所标识值。

直觉模糊Petri网模型与Petri网模型的区别在于以下四点：

(1)、直觉模糊Petri网模型的每一个库所都被赋予了一个标识值，该标识值用来表示该库所对应信息的可信度和不可信度；

(2)、给定每个变迁一个变迁阈值，该阈值用来表示该变迁发生的可信度和不可信度；

(3)、给定每个变迁和库所之间的连接弧一个权值，该权值用来表示变迁和库所连接情况的可信度；

(4)、库所标识值、变迁阈值以及库所和变迁之间的连接弧权值均使用直觉模糊集合表示，直觉模糊集合用数对表示。

具体的：

在步骤S3中，对失电元件的Petri网模型的参数赋值，需要满足以下条件：

库所标识值使用直觉模糊数对(α₁,β₁)表示，变迁阈值使用直觉模糊数对(α₂,β₂)表示，库所和变迁之间的连接弧权值使用直觉模糊数对(α₃,β₃)表示，其中，α₁,α₂,α₃表示可信度，β₁,β₂,β₃表示不可信度，且0＜α_i+β_i≤1，0＜α_i＜1，0＜β_i＜1，i＝1,2,3。

由于库所有三种，因此不同库所标识值通过第二个下标区分，即主保护库所标识值使用(α₁₁,β₁₁)表示，后备保护库所标识值使用(α₁₂,β₁₂)表示，主保护库所对应的断路器库所标识值使用(α₁₃,β₁₃)表示，后备保护库所对应的断路器库所标识值使用(α₁₄,β₁₄)表示，其中，α_1j表示可信度，β_1j表示不可信度，且0＜α_1j+β_1j≤1，0＜α_1j＜1，0＜β_1j＜1，j＝1,2,3,4。

失电元件预先配置的保护信息的可信度取决于故障发生时主保护动作和后备保护动作的优先权，即主保护动作在正常情况下动作的概率应该比后备保护动作要高，主保护库所标识值的可信度α₁₁大于后备保护库所标识值的可信度α₁₂，β₁₁和β₁₂满足：

${\mathrm{\β}}_{11}=\frac{(1-{\mathrm{\α}}_{11})}{2};$

${\mathrm{\β}}_{12}=\frac{(1-{\mathrm{\α}}_{12})}{2}.$

本实施例将主保护库所标识值的可信度α₁₁设为0.9，后备保护库所标识值的可信度α₁₂设为0.8，因为图2中未涉及后备保护库所，所以以下部分仅讨论主保护库所标识值，主保护库所标识值的不可信度α₁₂设为0.05。根据上述讨论，设置主保护库所标识值为(0.9，0.05)。

主保护库所对应的断路器库所标识值使用(α₁₃,β₁₃)表示，即断路器库所标识值描述了断路器动作信息的可信度和不可信度，并且由于主保护动作的可靠性比主保护动作对应的断路器动作可靠性低，因此，α₁₃＞α₁₄，且α₁₃＞α₁₁，β₁₃和β₁₄满足：

${\mathrm{\β}}_{13}=\frac{(1-{\mathrm{\α}}_{13})}{2};$

${\mathrm{\β}}_{14}=\frac{(1-{\mathrm{\α}}_{14})}{2}.$

本实施例中设置主保护对应的断路器库所的标识值为(0.95，0.025)。

本实施例中，如果变迁的输入库所全部是虚拟库所，由于虚拟库所无实际意义，因此实际上该变迁必定发生，可以设置该变迁阈值为(1，0)；否则，设置变迁阈值为(0.2，0.7)；

如果某个变迁有n个输入库所，则该变迁对应的所有输入库所的连接弧权值设置为1/n；

如果变迁的输出库所是虚拟库所，由于虚拟库所无实际意义，因此实际上该变迁到虚拟库所的连接一定存在，则设置该变迁到虚拟库所的连接弧权值为(1，0)；否则，连接弧权值设置为(0.9，0.05)。

图2中变迁的输出库所是虚拟库所，则变迁到虚拟库所的连接弧权值为(1，0)。

S4、根据直觉模糊petri网模型以及预设的模糊推理规则，得到元件库所标识值；

本实施例中，模糊推理规则(算法)的输入、输出和具体步骤如下所示：

该算法的输入为：加权输入矩阵I_n×m和输出矩阵O_n×m，变迁阈值向量τ，其中在加权输入矩阵I_n×m中，行表示变迁，列表示所有库所，矩阵中元素表示该元素对应库所到对应变迁的连接弧权值；在输出矩阵O_n×m中，行表示变迁，列表示所有库所，矩阵中元素表示该元素对应变迁到对应库所的连接弧权值；

初始库所标识值向量M₀＝[M₀(p₁),M₀(p₂),…,M₀(p_n)]^T；

该算法的输出为：库所标识值向量M_k；

其中，M_k＝[M_k(p₁),M_k(p₂),…,M_k(p_n)]^T，k为迭代次数，且满足M_k＝M_k-1。

该算法的具体步骤如下：

S41、初始化所有输入，令k＝0，初始化向量值M_k＝M₀；

S42、计算带加权因子的库所标识值δ＝I^T·M_k,其中I为输入矩阵，M_k为第k次迭代的标识值；

S43、将步骤S42中计算出的标识值与变迁阈值向量τ作比较，令ξ＝δΘτ，可知ξ应是(0,1)或者(1，0)的m维直觉模糊列向量，再令计算可以成功激发的变迁的可信度和不可信度，其中是m维直觉模糊列向量；

S44、计算变迁激发后输出库所的标识值：O为输出矩阵；

S45、计算M_k+1：M_k+1＝M_k⊕θ，若M_k+1≠M_k，则令k＝k+1，返回步骤S42，否则，输出M_k，并结束推理。

其中，步骤中各算子的计算方式如下所示：

假设A、B、C为直觉模糊矩阵，则对于加法算子⊕：A、B、C均为n×m维直觉模糊矩阵；

对于乘法算子A、B、C均为n×s、s×m、n×m维直觉模糊矩阵

$A\⊗B=C\⇔\underset{1\≤k\≤s}{\max }(a_{\mathrm{ij}}\·b_{\mathrm{ij}})=c_{\mathrm{ij}}$

对于直乘算子·： $A\·B=C\⇔(a_{\mathrm{ij}}\·b_{\mathrm{ij}})=c_{\mathrm{ij}},$ A、B、C均为n×m维直觉模糊矩阵；

对于比较算子Θ：A、B、C均为n×m维直觉模糊矩阵

由于矩阵A、B和C的元素均为直觉模糊数，因此矩阵需根据模糊逻辑进行运算，假设a_ij＝(μ(a_ij),γ(a_ij))，b_ij＝(μ(b_ij),γ(b_ij))，则：

a_ij·b_ij＝(μ(a_ij)·μ(b_ij),γ(a_ij)+γ(b_ij)-γ(a_ij)·γ(b_ij))

max(a_ij,b_ij)＝(max(μ(a_ij),μ(b_ij)),min(γ(a_ij),γ(b_ij)))

a_ij≥b_ij＝μ(a_ij)≥μ(b_ij)且γ(a_ij)≤γ(b_ij)

在本实施例中，计算如下：

首先，令k＝0，根据IFPN模糊推理算法可以得到输入矩阵I、输出矩阵O、初始标识M₀及变迁阈值τ。

$\begin{array}{c}I={\left[\begin{array}{ccccccc}0.5& 0.5& 0& 0& 0& 0& 0\\ 0& 0& 0.5& 0.5& 0& 0& 0\\ 0& 0& 0& 0& 0.5& 0.5& 0\end{array}\right]}^T\end{array};$

$\begin{array}{c}O={\left[\begin{array}{ccccccc}\left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{1,0}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)\\ \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{1,0}\right)& \left(\mathrm{0,1}\right)\\ \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0,1}\right)& \left(\mathrm{0.9,0.05}\right)\end{array}\right]}^T\end{array};$

M₀＝[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0,1) (0,1) (0,1)]^T；

τ＝[(0,2,0.7) (0,2,0.7) (0,2,0.7)]^T；

令k＝0，初始化M_k＝M₀；

δ＝I^T·M₀＝[(0.925,0.0375) (0.925,0.0375) (0,1)]^T；

M₁＝M₀⊕θ＝

[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0,1)]^T

δ＝I^T·M₀＝[(0.925,0.0375) (0.925,0.0375) (0.925,0.0375)]^T；

ξ＝δΘτ＝[(1,0) (1,0) (1,0)]^T；

[(0,1) (0,1) (0,1) (0,1) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]^T；

M₂＝M₁⊕θ＝

[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]^T

δ＝I^T·M₁＝[(0.925,0.0375) (0.925,0.0375) (0.925,0.0375)]^T；

ξ＝δΘτ＝[(1,0) (1,0) (1,0)]^T；

M₃＝M₂⊕θ＝

[(0.9,0.05) (0.95,0.025) (0.9,0.05) (0.95,0.025) (0.925,0.0375) (0.925,0.0375) (0.833,0.0188)]^T

由于M₃＝M₂，推理结束。

S5、根据元件库所标识值以及预设的测度函数，得到失电元件的故障概率；测度函数为：f(i)＝μ(i)-γ(i)，其中，(μ(i),γ(i))是元件库所标识值，f(i)为元件i故障的概率。

S6、根据故障概率，确定故障元件。本实施例将故障概率最大的失电元件确定为故障元件。

上述实施例中提出了一种基于直觉模糊Petri网的电网故障诊断方法，该方法建立了电气元件的直觉模糊Petri网模型，模型中的部分参数利用直觉模糊集合来表示，包括：告警信息事件的可信度和不可信度；变迁阈值等。经过模糊推理算法得到元件故障事件的可信度和不可信度，根据测度函数以及元件故障事件的可信度和不可信度，得到元件故障的概率。该方法考虑了告警信息事件的不可信度，在模糊推理过程中有不可信度的参与，使得到的结论更加精确。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (6)

1.一种电网故障诊断方法，其特征在于，所述方法包括：

S1、根据预设的拓扑分析规则，对故障后的电网进行拓扑分析，得到失电元件；

S2、根据所述失电元件预先配置的保护信息以及所述保护信息对应的断路器动作信息，建立所述失电元件的Petri网模型，其中，所述Petri网模型由库所、变迁以及库所和变迁之间的连接弧组成，所述库所包括保护库所、断路器库所和元件库所；

S3、对所述Petri网模型的参数赋值，得到所述失电元件的直觉模糊Petri网模型，所述参数包括：库所标识值、变迁阈值以及库所和变迁之间的连接弧权值，其中，所述库所标识值包括：保护库所标识值、断路器库所标识值和元件库所标识值；

S4、根据所述直觉模糊petri网模型以及预设的模糊推理规则，得到所述元件库所标识值；

S5、根据所述元件库所标识值以及预设的测度函数，得到所述失电元件的故障概率；

S6、根据所述故障概率，确定故障元件。

2.根据权利要求1所述的方法，其特征在于，在所述步骤S3中，对所述失电元件的Petri网模型的参数赋值，满足：

所述库所标识值使用直觉模糊数对(α₁,β₁)表示，所述变迁阈值使用直觉模糊数对(α₂,β₂)表示，所述库所和变迁之间的连接弧权值使用直觉模糊数对(α₃,β₃)表示，其中，α₁,α₂,α₃表示可信度，β₁,β₂,β₃表示不可信度，且0＜α_i+β_i≤1，0＜α_i＜1，0＜β_i＜1，i＝1,2,3。

3.根据权利要求2所述的方法，其特征在于，在所述步骤S2中，所述保护信息包括主保护动作信息和后备保护动作信息；

所述保护库所包括主保护库所和后备保护库所；

相应地，在所述步骤S3中，所述主保护库所标识值使用直觉模糊数对(α₁₁,β₁₁)表示，所述后备保护库所标识值使用直觉模糊数对(α₁₂,β₁₂)表示，所述主保护库所对应的断路器库所标识值使用直觉模糊数对(α₁₃,β₁₃)表示，所述后备保护库所对应的断路器库标识值所使用直觉模糊数对(α₁₄,β₁₄)表示，其中，α_1j表示可信度，β_1j表示不可信度，且0＜α_1j+β_1j≤1，0＜α_1j＜1，0＜β_1j＜1，j＝1,2,3,4。

4.根据权利要求3所述的方法，其特征在于，所述α₁₁＞所述α₁₂，所述β₁₁和β₁₂满足：

${\mathrm{\β}}_{11}=\frac{(1-{\mathrm{\α}}_{11})}{2};$

${\mathrm{\β}}_{12}=\frac{(1-{\mathrm{\α}}_{12})}{2}.$

5.根据权利要求3所述的方法，其特征在于，所述α₁₃＞所述α₁₄，且所述α₁₃＞所述α₁₁，所述β₁₃和β₁₄满足：

${\mathrm{\β}}_{13}=\frac{(1-{\mathrm{\α}}_{13})}{2};$

${\mathrm{\β}}_{14}=\frac{(1-{\mathrm{\α}}_{14})}{2}.$

6.根据权利要求1所述的方法，其特征在于，所述步骤S6，包括：将所述故障概率最大的失电元件确定为故障元件。