CN104766246A - 一种基于时序模糊Petri网的电力系统故障诊断 - Google Patents

Abstract

本发明公开了一种基于时序模糊Petri网的电力系统故障诊断，结合模糊Petri网(FPN)的定义，考虑信息时序顺序，将所述时序模糊Petri网(TOFPN)定义为一个八元组，所述TOFPN的推理决策与普通模糊Petri网相同，采用实用的不确定推理方法——MYCIN的置信度方法，该方法引入极大代数中的和算子。此种基于TOFPN的电力系统故障诊断方法，实现了存在保护和断路器误动、拒动以及信息丢失情况下计及警报信息时序属性的电力系统故障诊断。该方法诊断速度快、精度高、可准确地完成保护断路器的动作评价，并且对电网拓扑变化具有较好的适应能力，适用于大规模复杂电网的故障诊断，具有较好的应用前景。

Description

一种基于时序模糊Petri网的电力系统故障诊断

技术领域

本发明涉及一种电力系统，具体是一种基于时序模糊Petri网的电力系统故障诊断。

背景技术

目前，电力系统元件的故障诊断主要是利用数据采集与监控(SCADA)系统获得的保护和断路器动作信息，其主要方法有优化算法、人工神经网络、专家系统、模糊推理、Petri网等。上述方法在元件故障诊断方面具有一定的适应性，但仍存在以下局限：栙大多依赖于调度中心准确、完整的故障信息，当存在保护或开关误动、拒动以及信息丢失时,往往难以得到精准的诊断结果,特别是在多重故障或者扩大性故障发生时，问题尤为突出；栚电力系统故障过程中，信息的时序属性未得到充分合理的运用；栛针对大规模复杂电网的故障诊断，如何在网络拓扑改变后，实现诊断模型的自动修正也是亟待解决的关键问题之一。

近年来，国内外有学者采用信息理论、粗糙集等方法来解决大规模复杂电网故障诊断中的信息不确定性问题，采用Petri网、贝叶斯网络等方法对元件进行建模来解决大电网诊断过程中建模复杂的问题,这些研究都取得了一定进展，但在大规模复杂电力系统诊断建模和决策方面还存在一定困难。

发明内容

本发明的目的在于提供一种诊断速度快、精度高、可准确地完成保护断路器的动作评价的基于时序模糊Petri网的电力系统故障诊断，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于时序模糊Petri网的电力系统故障诊断，结合模糊Petri网(FPN)的定义，考虑信息时序顺序，将所述时序模糊Petri网(TOFPN)定义为一个八元组：

S_TOFPN＝{P，T，T_TS，I，O，α，θ⁽⁰⁾，U}

式中：

P＝{p₁,p₂,…,p_n}为库所结点的有限集合，对应命题；如果p_i是一个开始位置,那么定义p_i为起始库所；

T＝{t₁,t₂,…,t_m}为变迁结点的有限集合，对应规则；

T_TS＝{T₁,T₂,…,T_m}为获得起始库所状态信息的时间；

I为输入矩阵，I＝(δ_ij)_n×m，δ_ij为逻辑量，δ_ij∈[0,1]，当p_i是t_j的输入(即存在p_i到t_j的有向弧)时，δ_ij的值为该有向弧的权值；当p_i不是t_j的输入时，δ_i006A＝0。其中，i＝1,2,…,n；j＝1,2,…,m；

O为输出矩阵，O＝(γ_ij)_n×m,γ_ij为逻辑量，γ_ij∈[0,1]，当p_i是t_j的输出(即 存在t_j到p_i的有向弧)时，γ_ij的值为该规则的可信度；当p_i不是t_j的输出(即不存在t_j到p_i的有向弧)时，γ_ij＝0。其中，i＝1,2,…,n；j＝1,2,…,m；

α为库所对应的命题的可信度,α∈[0,1]；

θ⁽⁰⁾为初始状态，θ⁽⁰⁾＝[θ⁽⁰⁾ _p1,θ⁽⁰⁾ _p2,…,θ⁽⁰⁾ _pi]^T，θ⁽⁰⁾ _pi为命题p_i的初始逻辑状态，θ⁽⁰⁾ _pi∈[0,1]，表示p_i状态为真的可信度，i＝1,2,…,n；

U为规则可信度矩阵，U＝diag(μ₁,μ₂,…,μ_m)，μ_j为规则t_j的可信度,μ_j∈[0,1]，其中j＝1,2,…,m。若μ_j＝1时，模型为不含模糊变量的一般Petri网推理模型。

作为本发明进一步的方案：所述TOFPN的推理决策与普通模糊Petri网相同，采用实用的不确定推理方法———MYCIN的置信度方法，该方法引入极大代数中的和算子，

若A,B,C均为m×n的矩阵，则C_ij＝min(A_ij，B_ij)。

若A,B,D分别为的矩阵，则  $D_{\mathrm{ij}}=\underset{1\≤k\≤q}{\max }\left(A_{\mathrm{ik}}{B}_{\mathrm{kj}}\right)$

根据以上2个极大代数算子的定义，引入“neg”算子和中间变量v^(k)，则推理过程中有如式(1)～式(3)所示的推理公式；

$\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}=1_m-{\mathrm{\θ}}^{\left(k\right)}={\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(1\right)$

$v^{\left(k\right)}=I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right)=I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(2\right)$

${\mathrm{\ρ}}^{\left(k\right)}=\mathrm{neg}{v}^{\left(k\right)}=\mathrm{neg}(I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right))=\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}---\left(3\right)$

根据以上定义及式(1)～式(3)，可得库所pi下一步的状态为：

${\mathrm{\θ}}^{(k+1)}={\mathrm{\θ}}^{\left(k\right)}\⊕[(O\·U)\⊗\left(\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}\right)]---\left(4\right)$

作为本发明再进一步的方案：对复杂电网进行故障诊断，需要解决的一个主要问题就是网络拓扑改变时诊断模型的自动修正；对于线路，分别建立其两端的TOFPN模型；对于母线或变压器,由于其故障时，主保护动作会切除与其相连的所有断路器，每一个断路器的拒动都会导致故障范围的扩大，因此需要对每一个连接方向分别建立TOFPN模型；基准模型的设定，建模时，采用传统的保护配置原则；母线或变压器没有近后备保护，由相邻线路的保护作为后备保护；线路本身具有主保护和近后备保护，由相邻线路的保护作为远后备保护；

定义基准模型初始库所时序关联矩阵元素为：

式中：i,j＝1,2,…，为每个TOFPN模型的库所和变迁数；

根据定义，给出母线(或变压器)和线路的基准模型的初始库所时序关联矩阵分别为：

$B_{0\mathrm{rB}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

$B_{0\mathrm{rL}}(p_i,T_{\mathrm{TSj}})\left[\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ 0& 1& 0& 1& 0& 0\\ 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right]$

式中：r＝1,2,…，为与某一元件相关联的TOFPN模型数。

作为本发明再进一步的方案：对于所述TOFPN模型中涉及的矩阵，其库所向量的排列顺序如下；

对于母线和变压器来说，依次为：主保护，主保护对应的断路器，后备保护，后备保护对应的断路器；对于线路来说，依次为：主保护，主保护对应的断路器，近后备保护，近后备保护对应的断路器，远后备保护，远后备保护对应的断路器。

作为本发明再进一步的方案：对于所述TOFPN模型中涉及的矩阵,其变迁向量排列顺序如下；

对于母线和变压器来说，依次为：主保护动作，后备保护动作，主保护动作切除故障，后备保护动作切除故障；对于线路来说，依次为：主保护动作，近后备保护动作，远后备保护动作，主保护动作切除故障，近后备保护动作切除故障，远后备保护动作切除故障。

作为本发明再进一步的方案：对复杂电网进行故障诊断，TOFPN模型可以在网络拓扑改变时实现诊断模型的自动修正，其主要原因是：对于某一元件，其关联的几个TOFPN模型结构相同，也就是说模型的库所和变迁之间的连接方式不变，所以当网络拓扑发生变化时，只是元件子模型的个数发生变化， 只需要添加或者删除相应的子模型即可。

作为本发明再进一步的方案：引入时序信息来对保护和断路器进行纠错处理,提出纠错算法,对保护和断路器的拒动、误动以及信息丢失的情况进行判别。

作为本发明再进一步的方案：进行故障诊断时，对于某一元件，对与其关联的多个方向的TOFPN分别进行推理，将得到的多个结果进行融合处理，即得到元件的最终故障可信度。

与现有技术相比，本发明的有益效果是：此种基于TOFPN的电力系统故障诊断方法，实现了存在保护和断路器误动、拒动以及信息丢失情况下计及警报信息时序属性的电力系统故障诊断。该方法诊断速度快、精度高、可准确地完成保护断路器的动作评价，并且对电网拓扑变化具有较好的适应能力，适用于大规模复杂电网的故障诊断，具有较好的应用前景。

附图说明

图1为母线B₁₃的时序模糊Petri网模型；

图2为添加的TOFPN模型。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

一种基于时序模糊Petri网的电力系统故障诊断，结合模糊Petri网(FPN)的定义，考虑信息时序顺序，时序模糊Petri网(TOFPN)可以定义为一个八元组：

S_TOFPN＝{P，T，T_TS，I，O，α，θ⁽⁰⁾，U}

式中：

P＝{p₁,p₂,…,p_n}为库所结点的有限集合，对应命题；如果p_i是一个开始位置,那么定义p_i为起始库所。

T＝{t₁,t₂,…,t_m}为变迁结点的有限集合，对应规则。

T_TS＝{T₁,T₂,…,T_m}为获得起始库所状态信息的时间。

I为输入矩阵，I＝(δ_ij)_n×m，δ_ij为逻辑量，δ_ij∈[0,1]，当p_i是t_j的输入(即存在p_i到t_j的有向弧)时，δ_ij的值为该有向弧的权值；当p_i不是t_j的输入时,δ_i006A＝0。其中，i＝1,2,…,n；j＝1,2,…,m。

O为输出矩阵，O＝(γ_ij)_n×m,γ_ij为逻辑量，γ_ij∈[0,1]，当p_i是t_j的输出(即存在t_j到p_i的有向弧)时，γ_ij的值为该规则的可信度；当p_i不是t_j的输出(即不存在t_j到p_i的有向弧)时，γ_ij＝0。其中，i＝1,2,…,n；j＝1,2,…,m。

α为库所对应的命题的可信度,α∈[0,1]。

θ⁽⁰⁾为初始状态，θ⁽⁰⁾＝[θ⁽⁰⁾ _p1,θ⁽⁰⁾ _p2,…,θ⁽⁰⁾ _pi]^T，θ⁽⁰⁾ _pi为命题p_i的初始逻辑状 态，θ⁽⁰⁾ _pi∈[0,1]，表示p_i状态为真的可信度，i＝1,2,…,n。

U为规则可信度矩阵，U＝diag(μ₁,μ₂,…,μ_m)，μ_j为规则t_j的可信度,μ_j∈[0,1]，其中j＝1,2,…,m。若μ_j＝1时，模型为不含模糊变量的一般Petri网推理模型。

TOFPN的推理决策与普通模糊Petri网相同，采用实用的不确定推理方法———MYCIN的置信度方法，该方法引入极大代数中的和算子。

若A,B,C均为m×n的矩阵，则C_ij＝min(A_ij，B_ij)。

若A,B,D分别为的矩阵，则  $D_{\mathrm{ij}}=\underset{1\≤k\≤q}{\max }\left(A_{\mathrm{ik}}{B}_{\mathrm{kj}}\right)$

根据以上2个极大代数算子的定义，引入“neg”算子和中间变量v^(k)，则推理过程中有如式(1)～式(3)所示的推理公式。

$\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}=1_m-{\mathrm{\θ}}^{\left(k\right)}={\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(1\right)$

$v^{\left(k\right)}=I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right)=I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(2\right)$

${\mathrm{\ρ}}^{\left(k\right)}=\mathrm{neg}{v}^{\left(k\right)}=\mathrm{neg}(I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right))=\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}---\left(3\right)$

根据以上定义及式(1)～式(3)，可得库所pi下一步的状态为：

${\mathrm{\θ}}^{(k+1)}={\mathrm{\θ}}^{\left(k\right)}\⊕[(O\·U)\⊗\left(\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}\right)]---\left(4\right)$

综上所述，可以得到推理算法步骤如下。

步骤1：读入数据j＝1,2,…,n。

步骤2：令推理步骤k＝0。

步骤3：利用式(1)～式(4)，最终得到毴(k+1)。

步骤4：若θ^(k+1)≠θ^(k)，令推理步骤k＝k+1，返回步骤3,重新计算θ^(k+1)；若θ^(k+1)＝θ^(k)，则推理结束。

电网中元件关联的继电保护装置都设有整定动作时限，把它融合于Petri网中，根据TOFPN的定义建立电力系统故障诊断的时序Petri网模型。电力系统故障后，主保护动作触发相应的断路器动作，后备保护的动作均是经过一段时间的延时，并且与延时结束时断路器的状态有关。为了简化模型，本文只考虑保护和断路器时间上的顺序关系，根据TOFPN的推理决策，可以得 出更准确的诊断结果。

对复杂电网进行故障诊断，需要解决的一个主要问题就是网络拓扑改变时诊断模型的自动修正。本文以电力系统元件为对象，建立故障诊断的TOFPN模型，其具有如下特点：

1)对于线路，分别建立其两端的TOFPN模型；对于母线或变压器,由于其故障时，主保护动作会切除与其相连的所有断路器，每一个断路器的拒动都会导致故障范围的扩大，因此需要对每一个连接方向分别建立TOFPN模型。

2)基准模型的设定。本文建模时，采用传统的保护配置原则。母线或变压器没有近后备保护，由相邻线路的保护作为后备保护；线路本身具有主保护和近后备保护，由相邻线路的保护作为远后备保护。由模型第1个特点可知，与某一元件相关联的几个TOFPN模型结构相同，据此特点，可以设定基准模型。

定义基准模型初始库所时序关联矩阵元素为：

式中：i,j＝1,2,…，为每个TOFPN模型的库所和变迁数。

根据定义，给出母线(或变压器)和线路的基准模型的初始库所时序关联矩阵分别为：

$B_{0\mathrm{rB}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

$B_{0\mathrm{rL}}(p_i,T_{\mathrm{TSj}})\left[\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ 0& 1& 0& 1& 0& 0\\ 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right]$

式中：r＝1,2,…，为与某一元件相关联的TOFPN模型数。

对于TOFPN模型中涉及的矩阵，其中的库所向量和变迁向量的排列顺序如下。

1)库所向量排列顺序

对于母线和变压器来说，依次为：主保护，主保护对应的断路器,后备保护，后备保护对应的断路器。对于线路来说，依次为：主保护，主保护对应的断路器，近后备保护，近后备保护对应的断路器，远后备保护，远后备保护对应的断路器(线路的远后备保护及其断路器的个数由与其相连的元件数决定)。

2)变迁向量排列顺序

对于母线和变压器来说，依次为：主保护动作，后备保护动作，主保护动作切除故障，后备保护动作切除故障。对于线路来说，依次为：主保护动作，近后备保护动作，远后备保护动作，主保护动作切除故障，近后备保护动作切除故障，远后备保护动作切除故障。

对复杂电网进行故障诊断，TOFPN模型可以在网络拓扑改变时实现诊断模型的自动修正，其主要原因是：对于某一元件，其关联的几个TOFPN模型结构相同，也就是说模型的库所和变迁之间的连接方式不变，所以当网络拓扑发生变化时，只是元件子模型的个数发生变化，只需要添加或者删除相应的子模型即可。

14节点电力系统由34个元件、74个保护、42个断路器组成。以母线B₁₃为例，根据拓扑结构，3条线路与母线B₁₃相连，构建与母线B₁₃相关的3个时序模糊Petri网模型，则根据模型特点，3个子模型结构必然相同，由此得到3个模型，请参阅图1，图1中：B_13m为母线主保护：L_XRs和L_XSs为线路远后备保护，S和R分别为线路的两端，以每条线路在附录A图1上的位置为准，从左到右依次定义为S端和R端；下标X为线路的具体标号；CB_x为线路两端的断路器，下标x根据线路两端母线名称进行命名；P_Y(n)为中间库所，n＝1,2,…为各个模型中中间库所的个数；P(Y)为终止库所；t_Y(m)为变迁，m＝1,2,…为模型中变迁的个数；下标Y为关联方向，表示该方向上与母线直 接相连的线路名称，用以区别同一元件不同的TOFPN模型。若在该系统中的母线B₁₃与B₁₁间增加一条线路L4，此时，对母线B₁₃，相当于母线B₁₃增加了一个故障蔓延方向，对其进行故障诊断，只需建立该故障蔓延方向上的TOFPN模型，请参阅图2，其余方向的TOFPN模型不变。

将添加的TOFPN子模型与其他TOFPN模型一起作为新拓扑结构的诊断模型，并且各个TOFPN子模型结构相同，无论哪个TOFPN子模型均与基准模型相同，其输入、输出矩阵和初始库所时序关联矩阵均不改变，因此，对于增加支路的情况，保留未增加支路前的计算结果，再与增加支路后的结果进行融合即可。这样就方便地完成了诊断模型的快速修正，大大减小了建模复杂度。

电力系统发生故障时，受电力系统自动化程度和信息传输信道等因素的影响，导致获取的继电保护和断路器动作信息的不准确或不完备，从而造成Petri网推理无法进行，因此需要对故障信息进行有效的纠错处理。

根据上面所述，继电保护是否动作与时序密切相关，因此，引入时序信息来完成保护和断路器的纠错处理，提出下述纠错算法，对保护和断路器的拒动、误动以及信息丢失的情况进行判别。需要说明的是：

1)同一时刻，只考虑同一类装置最多有2个信息误动及丢失情况。此假设符合系统运行实际。

2)根据对保护和断路器动作可靠性的分析可知，对于保护和断路器的拒动只需考虑1级拒动，也就是只需考虑主保护拒动，或主保护正确动作而其控制的某个断路器拒动。

3)多个断路器同时动作，则判定其共同的保护装置动作。

设收到带有时序属性的保护和断路器动作信息时，与某一元件相关联的r个TOFPN模型实际的库所时序关联矩阵元素为：

为了描述纠错算法，定义如下2个算子。

直乘算子：若则d_ij＝m_ijn_ij。

比较算子若则当m_ij≠n_ij时d_ij＝1,否则d_ij＝0。

则有

1)若B_0r′(p_i，T_TSj)≠B_0r(p_i，T_TSj)，则存在时序不一致信息，判断结果为相关信息误动；搜索由B_0r(p_i，T_TSj)到B_0r′(p_i，T_TSj)过程中的变位信息(状态由1→0)所对应的元件即为误动元件；也就是对应F_ij＝1的库所元件即为误动元件。

2)若B_0r′(p_i，T_TSj)＝B_0r(p_i，T_TSj)，则分为以下几种情况(以母线的标准型为例进行说明)。

①若主保护及其关联的断路器动作，则信息完备，无拒动元件，库所时序矩阵对应的基准模型为：

$B_{0\mathrm{rB}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

②若主保护动作，其对应断路器未动作，经延时后，其后备保护及对应的断路器动作，则判断主保护对应的断路器拒动，库所时序矩阵对应的基准模型为：

③若主保护及其断路器时序不关联，都为0，而延时后后备保护及其断路器时序关联信息为1，则判断为主保护拒动，库所时序矩阵对应的基准模型为：

$B_{0\mathrm{rB}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

④若不满足上述基准模型，则判断结果为信息丢失。根据保护及对应断路器动作的逻辑关系即可判定丢失的信息。

在实际电力系统故障算例的诊断过程中，将式(6)～式(8)的计算结果与各种不完备信息情况下的基准模型进行比较，结合保护及对应断路器的动作逻辑关系完成对保护断路器信息的纠错处理，据此对不完备的信息进行完备化处理，即可得到准确的故障诊断结果。

例如监控中心收集到如下信息：T₁时收到B_13m保护动作信息，T₂时收到CB₁₃₁₂,CB₁₃₀₆,CB₁₃₁₄,L_1213Ss动作信息。

首先搜索停电区域，确定停电区域内的元件为B13，根据拓扑结构建立与B13相关联的3个TOFPN模型(参阅图1)，其库所时序关联矩阵分别为：

$B_{01}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 1& 0& 0\\ \_0& 0& 0& 0\end{array}\right]$ $B_{02}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

$B_{03}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$ ${B_{01}}^{\′}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

${B_{02}}^{\′}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$ ${B_{03}}^{\′}=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

此时有

$F_1=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 0& 0\end{array}\right]$ $F_2=F_3=\left[\begin{array}{cccc}0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\\ 0& 0& 0& 0\end{array}\right]$

根据上述纠错算法进行判断，可得L_1213Ss误动。

故障诊断过程可分为4个步骤：

1)搜索停电区域，确定可疑故障元件。

2)对停电区域内的可疑故障元件，分别建立与其相关联的TOFPN模型。

3)对监控中心获得的保护和断路器信息进行纠错分析并进行信息完备化处理。

4)利用纠错后的信息完成TOFPN的模糊推理，得到可疑元件的故障可信度，确定故障元件。

考虑到保护断路器动作的不确定性特点以及动作的优先权，分别对保护和断路器的动作可信度进行设定，如表1所示,考虑到规则可信度的不确定性，对每条规则可信度取值为0.95。

表1保护、断路器动作可信度设置

进行故障诊断时，对于某一元件，对与其关联的多个方向的TOFPN分别进行推理，将得到的多个结果进行融合处理，即得到元件的最终故障可信度。

应用图1所示的14节点网络拓扑，对电力系统故障诊断的TOFPN方法进行仿真验证。部分测试结果如表2所示。其中，L_XSm和L_XRm为线路近后备保护。

表2算例系统的部分测试结果

值得说明的是，TOFPN最终以概率的形式给出每个可疑故障元件发生故障的可信度，工作人员根据故障可信度值的大小确定元件的维修顺序。

表2中的算例1为信息完备情况下的诊断，通过推理，可以得出准确的诊断结果；算例2～算例5存在保护和断路器的拒动和误动信息，计算结果表明；虽然拒动导致了故障区域的扩大，但利用本文方法建立的TOFPN推理模型，通过与文中构建基准模型的对比，识别出误动或拒动信息，同样可以得出正确的诊断结果，说明该方法对保护和断路器的误动或拒动具有较好的容错性。

算例6模拟了存在保护断路器时序不一致信息情况下的故障诊断。此时，若不考虑时序属性，根据保护断路器的动作信息可得故障元件为B₁₁和L₀₂₀₄, 而通过本文算法的纠错处理，得到L_0204Rm，L_0204Sm，CB₀₂₀₄和CB₀₄₀₂对于线路L₀₂₀₄为时序不一致信息，最终得到故障元件为母线B₁₁。

算例7和算例8模拟信息丢失情况下的故障诊断。可见，在存在关键信息丢失的情况下，该方法依然能够得出正确的诊断结果，这表明TOFPN对信息丢失的情况也具有一定的容错性。

综上所述，该算法在信息完备、不完备、存在时序不一致信息乃至关键信息丢失的情况下，都能够准确地判断出故障元件，具有较高的容错性。

表3给出了本文方法与其他2种方法在计算量、保护断路器动作评价、精度以及拓扑变化适应能力方面的比较结果。

表3本文方法与其他方法的比较

此种基于TOFPN的电力系统故障诊断方法，实现了存在保护和断路器误动、拒动以及信息丢失情况下计及警报信息时序属性的电力系统故障诊断。该方法诊断速度快、精度高、可准确地完成保护断路器的动作评价，并且对电网拓扑变化具有较好的适应能力，适用于大规模复杂电网的故障诊断，具有较好的应用前景。

上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (8)

1.一种基于时序模糊Petri网的电力系统故障诊断，其特征在于，结合模糊Petri网的定义，考虑信息时序顺序，将所述时序模糊Petri网定义为一个八元组：

S_TOFPN＝{P，T，T_TS，I，O，α，θ^（0），U}

式中：

P＝{p₁,p₂,…,p_n}为库所结点的有限集合，对应命题；如果p_i是一个开始位置,那么定义p_i为起始库所；

T＝{t₁,t₂,…,t_m}为变迁结点的有限集合，对应规则；

T_TS＝{T₁,T₂,…,T_m}为获得起始库所状态信息的时间；

I为输入矩阵，I＝(δ_ij)_n×m，δ_ij为逻辑量，δ_ij∈[0,1]，当p_i是t_j的输入(即存在p_i到t_j的有向弧)时，δ_ij的值为该有向弧的权值；当p_i不是t_j的输入时,δ_i006A＝0。其中，i＝1,2,…,n；j＝1,2,…,m；

O为输出矩阵，O＝(γ_ij)_n×m,γ_ij为逻辑量，γ_ij∈[0,1]，当p_i是t_j的输出(即存在t_j到p_i的有向弧)时，γ_ij的值为该规则的可信度；当p_i不是t_j的输出(即不存在t_j到p_i的有向弧)时，γ_ij＝0。其中，i＝1,2,…,n；j＝1,2,…,m；

α为库所对应的命题的可信度，α∈[0,1]；

θ⁽⁰⁾为初始状态， 为命题p_i的初始逻辑状态，表示p_i状态为真的可信度，i＝1,2,…,n；

U为规则可信度矩阵，U＝diag(μ₁,μ₂,…,μ_m)，μ_j为规则t_j的可信度,μ_j∈[0,1]，其中j＝1,2,…,m。若μ_j＝1时，模型为不含模糊变量的一般Petri网推理模型。

2.根据权利要求1所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，所述TOFPN的推理决策与普通模糊Petri网相同，采用实用的不确定推理方法———MYCIN的置信度方法，该方法引入极大代数中的和算子，

若A,B,C均为m×n的矩阵，则C_ij＝min(A_ij，B_ij)。

若A,B,D分别为的矩阵，则 $D_{\mathrm{ij}}=\underset{1\≤k\≤q}{\max }\left(A_{\mathrm{ik}}{B}_{\mathrm{kj}}\right)$

根据以上2个极大代数算子的定义，引入“neg”算子和中间变量v^(k)，则推理过程中有如式(1)～式(3)所示的推理公式；

$\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}=1_m-{\mathrm{\θ}}^{\left(k\right)}={\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(1\right)$

$v^{\left(k\right)}=I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right)=I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}---\left(2\right)$

${\mathrm{\ρ}}^{\left(k\right)}=\mathrm{neg}{v}^{\left(k\right)}=\mathrm{neh}(I^T\⊗\left(\mathrm{neg}{\mathrm{\θ}}^{\left(k\right)}\right))=\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}---\left(3\right)$

根据以上定义及式(1)～式(3)，可得库所pi下一步的状态为：

${\mathrm{\θ}}^{(k+1)}={\mathrm{\θ}}^{\left(k\right)}\⊕[(O\·U)\⊗\left(\stackrel{\‾}{I^T\⊗{\stackrel{\‾}{\mathrm{\θ}}}^{\left(k\right)}}\right)]---\left(4\right)$

3.根据权利要求2所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，对复杂电网进行故障诊断，需要解决的一个主要问题就是网络拓扑改变时诊断模型的自动修正；对于线路，分别建立其两端的TOFPN模型；对于母线或变压器，由于其故障时，主保护动作会切除与其相连的所有断路器，每一个断路器的拒动都会导致故障范围的扩大，因此需要对每一个连接方向分别建立TOFPN模型；基准模型的设定，建模时，采用传统的保护配置原则；母线或变压器没有近后备保护，由相邻线路的保护作为后备保护；线路本身具有主保护和近后备保护，由相邻线路的保护作为远后备保护；

定义基准模型初始库所时序关联矩阵元素为：

式中：i,j＝1,2,…，为每个TOFPN模型的库所和变迁数；

根据定义，给出母线(或变压器)和线路的基准模型的初始库所时序关联矩阵分别为：

$B_{0\mathrm{rB}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccc}1& 0& 0& 0\\ 0& 1& 0& 0\\ 0& 0& 1& 0\\ 0& 0& 0& 1\end{array}\right]$

$B_{0\mathrm{rL}}(p_i,T_{\mathrm{TSj}})=\left[\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ 0& 1& 0& 1& 0& 0\\ 0& 0& 1& 0& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right]$

式中：r＝1,2,…，为与某一元件相关联的TOFPN模型数。

4.根据权利要求3所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，对于所述TOFPN模型中涉及的矩阵,其库所向量的排列顺序如下；

对于母线和变压器来说，依次为：主保护，主保护对应的断路器，后备保护，后备保护对应的断路器；对于线路来说，依次为：主保护，主保护对应的断路器，近后备保护，近后备保护对应的断路器，远后备保护，远后备保护对应的断路器。

5.根据权利要求3所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，对于所述TOFPN模型中涉及的矩阵,其变迁向量排列顺序如下；

对于母线和变压器来说，依次为：主保护动作，后备保护动作，主保护动作切除故障，后备保护动作切除故障；对于线路来说，依次为：主保护动作，近后备保护动作，远后备保护动作，主保护动作切除故障，近后备保护动作切除故障，远后备保护动作切除故障。

6.根据权利要求2所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，对复杂电网进行故障诊断，TOFPN模型可以在网络拓扑改变时实现诊断模型的自动修正，其主要原因是：对于某一元件，其关联的几个TOFPN模型结构相同，也就是说模型的库所和变迁之间的连接方式不变，所以当网络拓扑发生变化时，只是元件子模型的个数发生变化，只需要添加或者删除相应的子模型即可。

7.根据权利要求2所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，引入时序信息来对保护和断路器进行纠错处理，提出纠错算法,对保护和断路器的拒动、误动以及信息丢失的情况进行判别。

8.根据权利要求2所述的基于时序模糊Petri网的电力系统故障诊断，其特征在于，进行故障诊断时，对于某一元件，对与其关联的多个方向的TOFPN分别进行推理，将得到的多个结果进行融合处理，即得到元件的最终故障可信度。