CN106226658A - 一种基于多数据融合的电网故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于多数据融合的电网故障诊断方法，包括：针对停电区域内的可疑故障元件分别从电气量和保护开关量两个角度对故障特征进行量化，其中电气量量化指标是根据希尔伯特‑黄变换对电气量在故障前后表现出来的特征进行量化，并定义能量变化度和幅值变化度两个指标；保护开关量量化指标是通过建立面向元件的有向二分图模型并计算得到贝叶斯疑似度指标；采用D‑S证据理论的方法对以停电区域内元件作为诊断框架的各条证据进行融合得到元件故障度，实现诊断功能。本发明能提高故障诊断的准确性和快速性。

Description

一种基于多数据融合的电网故障诊断方法

技术领域

本发明涉及电力网络故障诊断技术领域，特别是涉及一种电力网络的在线故障诊断方法，具体为一种基于多数据融合的电网故障诊断方法。

背景技术

故障诊断技术是通过对故障发生后调度系统不加选择地收到的警报信息进行分析，快速准确地识别故障区域以及该故障的性质，所得结果能够在故障发生后的事故恢复过程中为工作人员提供辅助决策，减少因故障的发生为系统运行带来的不利影响。故障诊断技术作为电力领域所关注的热点问题，已经取得不少研究成果，但随着电网互联使得电网结构和运行机制逐渐复杂化，警报信息和保护动作行为的不确定性，很多故障诊断技术也显现出弊端，难以胜任。

系统发生故障后警报信息存在漏报/误报这样的不确定性，为故障诊断系统的应用带来困难，同时也是电网故障诊断系统的实现的主要困难之一。针对这个问题，有两种解决途径：第一，对保护装置和断路器动作之间存在的因果时序关系进行合理利用，再次读取缺失信息；第二，通过在故障诊断信息来源中加入其他的可用于诊断信息的数据，作为补充数据减小不确定性的警报信息给诊断系统带来的影响。这样可以降低以往故障诊断系统中不确定性信息给诊断结果带来的影响。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于多数据融合的电网故障诊断方法，特别是电网的在线诊断方法，以提高故障诊断的准确性和快速性。

本发明提供的一种基于多数据融合的电网故障诊断方法，主要包括以下步骤：

(1)确定停电区域，以其中的元件作为故障诊断框架；

(2)若所述的停电区域内只包含一个元件则该元件为故障元件，诊断结束，否则，进入步骤(3)；

(3)根据所述停电区域内各元件的电气量在故障前后表现出来的特征，结合希尔伯特-黄变换理论，定义能量变化度和幅值变化度两个指标量化电气量的变化特征；

(4)根据继电保护动作之间具备的时序因果性对固定时间窗内接收到的警报信息进行完备，得到完备化征兆信息；

(5)根据所述的完备化征兆信息以及继电保护原理建立面向停电区域内元件的有向二分图模型，并分别计算所述故障诊断框架内各元件的贝叶斯疑似度指标。

(6)将所述的能量变化度、幅值变化度和贝叶斯疑似度进行归一化处理，并采用D-S证据理论的方法对各条证据进行融合，得到所述诊断框架内各元件的故障概率；

(7)比较所述故障概率大小，确定故障元件。

在所述步骤(1)中，需要考虑故障发生后调度系统在固定时间窗内所接收到的断路器警报信息存在不确定性，应尽可能使得实际故障元件存在于确定的停电区域内，所述的停电区域内的元件可以作为故障诊断框架Ω。

在所述步骤(2)中，如果card(Ω)为1，则认为停电区域内只包含一个元件即该元件为故障元件，诊断结束，否则，进入步骤(3)继续完成诊断。

在所述步骤(3)中，所述的能量变化度e是通过对故障信号进行HHT得到能量矩阵EE，分别计算得到故障元件i在故障时刻前3个周波中信号的总能量EE₁，故障时刻后3个周波中的总能量EE₂，得到

e_i＝EE₂/EE₁；

所述的幅值故障度a是通过对故障信号进行HHT得到幅值矩阵AA，取故障时刻前3个周波信号和故障时刻后3个周波的瞬时幅值总和，分别记为AA₁，AA₂，得到

a_i＝AA₂/AA₁。

在所述步骤(4)中，所述继电保护动作的警报信息则是以电力系统中SOE(Sequence Of Event)记录的具有时序逻辑的动作信息作为故障诊断系统的数据处理依据，可提高故障诊断的准确性。在故障诊断时只有符合该时序逻辑的动作信号方可作为征兆信息。因此征兆信息的识别是根据继电保护动作时序逻辑的原理，对警报信息进行识别，获取对于故障诊断有用的保护动作信号和断路器的变位信号，具体实施步骤为：

步骤1(保护信息合并)

由于在实际的电力系统中保护装置的重要性，因此一般都会配置双重保护，警报信息中的冗余信息主要是指保护信息，因此应该对该类信息进行处理。

方法：对获取的警报信息中的保护信息应该按照主保护，近后备保护和远后备保护进行合并，按其动作状态赋值(0和1分别表示未动作和动作)，得到警报信息S₁。

步骤2(断路器信息完备化)

电网发生故障后，调度系统会收到发生变化的警报信息，由于拒动的信息不会出现在警报信息中，所以收到的警报信息中只有动作信息；此外，系统的复杂性使得信息的漏报变得不可避免，因此必须对相关信息进行再次确认，应该尽可能得到其真实的动作状态。基于存在这两种情况，必须对相关信息进行完备化处理。方法：根据获得的保护信息再次读取与该保护相关联的断路器信息，合位记为0，分位记为1，将该状态信息加入警报信息，得到警报信息S₂。

步骤3(时序识别)

随着电力系统规模越来越大，复杂性也随之增加，调度系统中必然地存在信息的误报，这种非真实状态信息的上报给调度员带来不必要工作之外，对于故障诊断方法准确度和快速性也产生影响，因此对这种信息必须进行剔除。

方法：根据上节的继电保护原理和时序性约束将不符合时序逻辑约束的状态信息进行剔除，得到S₃。

在所述步骤(5)中，所述的有向二分图如图4所示，其由三部分组成：①故障节点和征兆节点组成的集合V，V＝F∪S，其中S(s_i)为征兆信息集，F(f_i)为故障集；②有向边集合E,E＝F×S，由故障指向征兆；③权重p(s_j|f_i)组成的集合P_F×S，P_F×S＝{p(s_j|f_i)|f_i∈F，s_j∈S}，其中p(s_j|f_i)指在某一故障f_i发生的条件下，征兆s_j发生的概率值，0≤p(s_j|f_i)≤1。

在所述步骤(5)中，所述的贝叶斯疑似度，记作b_sdi(f_i,S_N)，其代表的意义为观察到的征兆信息集S_N对某故障f_i发生事件的支持程度与信息完备条件下该故障发生事件的支持程度的比值。该数值越大，表明对应的故障f_i发生的可能性也就越大。

在所述步骤(5)中，所述的面向元件的有向二分图模型中某元件i的贝叶斯疑似度b_sdi(f,S_N)的计算公式为：

$b_{sdi}(f_i,S_N)=\frac{\underset{s_j\∈S_N}{\Σ}p\left(f_i\right|s_j)}{\underset{s_j\∈S_{ymptoms}}{\Σ}p\left(f_i\right|s_j)}$

其中，

$p\left(f_i\right|s_y)=\frac{p\left(f_i\right)p\left(s_j\right|f_i)}{\underset{f_i\∈F}{\Σ}p\left(f_i\right)p\left(s_j\right|f_i)}$

S_N为系统中某元件i实际故障后继电保护动作的征兆信息集；S_ymptoms为理想情况下该元件故障后继电保护动作的征兆信息集。其中故障发生的概率p(f_i)根据国网公司对继电保护与安全自动装置运行情况分析，可知各个元件故障发生的统计概率，即统计周期内发生故障的次数N_fi与运行的设备数量N之间的比值即为故障发生的概率，可作为故障发生的先验概率。而故障f_i发生条件下，征兆s出现的概率p(s_j|f_i)也可根据国网公司的统计数据得出。不同地区不同电压等级的线路发生故障的概率以及故障f_i发生条件下，征兆s_j出现的概率p(s_j|f_i)一般情况下不相等，可根据当地实际情况进行初始化设置。

在所述步骤(6)中，所述的归一化是指本发明提到的三个指标--能量变化度、幅值变化度、贝叶斯疑似度分别按以下公式计算得到的能量故障度、幅值故障度、疑似故障度。

$E_i=\frac{e_i}{\underset{i=1}{\overset{n}{\Σ}}{e}_i}$

$A_i=\frac{a_i}{\underset{i=1}{\overset{n}{\Σ}}{a}_i}$

$B_i=\frac{b_{sdi}}{\underset{i=1}{\overset{n}{\Σ}}{b}_{sdi}}$

其中n为故障诊断框架Ω中的元件的数量，E_i,A_i,B_i的取值范围均为[0，1]。

在所述步骤(6)中，所述的融合规则为

$f\left(X\right)=\left\{\begin{array}{cc}\frac{\underset{A=X}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}{1-\underset{A=\mathrm{\φ}}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}& X\≠\mathrm{\φ}\\ 0& X=\mathrm{\φ}\end{array}\right.$

A＝X₁∩X₂∩…∩X_n

其中m₁,m₂,…,m_n是对应的基本可信度分配，也即本发明中的三个证据指标能量故障度，幅值故障度，疑似故障度，X₁,X₂,…,X_n为相应的焦元，也即本发明中的诊断框架中的元件，定义为证据理论的冲突系数，k的取值范围为[0，1]。

所述步骤(7)中，将所述步骤(6)中得到的故障概率最大的元件确定为故障元件。

与现有技术相比，本发明的有益效果：

(1)针对目前的集中式故障诊断方法进行了改进。首先在停电区域内对可疑故障元件进行分析，可提高诊断的快速性；

(2)目前的故障诊断方法中对于电气量的使用较少，本发明提出可以通过分析电力系统中的实际电气量在故障前后表现出来的特性，定义能量变化度和幅值变化度作为区分故障和非故障线路的量化指标；

(3)根据故障发生后主保护，近后备保护和远后备以及本线路断路器和相邻线路断路器的动作之间的时序性，对警报信息进行识别完备得到的征兆信息能够提高故障诊断的准确性；

(4)针对目前的贝叶斯网络在故障诊断系统中的运用存在的建模困难，提出基于贝叶斯疑似度的有向二分图模型，作为对贝叶斯网络的简化，降低了故障诊断过程运算的复杂度，提高了诊断速度，信息来源为识别完备后的故障征兆信息，初始化概率来源于历史统计结果，真实，可靠；

(5)通过对来源不同的信息进行归一化处理，作为融合的证据，采用D-S证据理论对各条证据进行融合，各个指标之间互补，最终得到诊断结果。

附图说明

图1为多数据融合的电网故障诊断方法流程图。

图2为WSCC三机九节点系统接线图。

图3为有向二分图。

图4为面向元件的有向二分图模型诊断流程。

图5为面向元件的有向二分图模型。

图6为无源区域搜索SearchPassive-region(G_r,E*)流程。

图7为非匹配断路器搜索SearchNon-matched(G_r,Pr',E*)流程。

图8为最大无源区域搜索SearchMax-subgraph(G_r,E')流程。

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：步骤(1)，确定停电区域，以其中的元件作为故障诊断框架Ω。需要考虑故障发生后调度系统在固定时间窗内所接收到的断路器警报信息存在不确定性，应尽可能使得实际故障元件存在于确定的停电区域内，所述的停电区域内的元件可以作为故障诊断框架Ω。

根据本发明的优选实施例，确定停电区域主要包括以下步骤：

A、无源区域搜索SearchPassive-region(G_r,E*)，即根据电网络拓扑图G_r(V(G_r),E(G_r))和故障发生后调度系统接收到的断路器信息计算出无源区域即停电区域Pr'(v_i')；

B、非匹配断路器搜索SearchNon-matched(G_r,Pr',E*)，即根据电网络拓扑图G_r(V(G_r),E(G_r))和故障发生后调度系统接收到的断路器信息和在步骤A中得到的停电区域Pr'(v_i')，计算出非匹配断路器信息集合E'(e'_ij)；

C、最大无源区域搜索SearchMax-subgraph(G_r,E')，即根据电网络拓扑图G_r(V(G_r),E(G_r))和步骤B中得到的非匹配断路器信息集合E'(e_i'_j)，得出非匹配断路器信息集合E'(e_i'_j)对应的边所连接的元件顶点为基点，后备保护的最大保护范围内的元件集合Pr”(v_i”)。

其中停电区域识别的起始条件为所述的三个步骤分别基于深度优先搜索，基于广度优先搜索，基于深度优先搜索的方法。

所述的步骤A：无源区域搜索SearchPassive-region(G_r,E*)，输入为电网络拓扑图G_r(V(G_r),E(G_r))和故障后调度系统接收到的断路器信息集合输出为无源区域即停电区域内的元件集合Pr'(v_i')；其以除电源点外的其他元件节点作为搜索起点，通过深度优先搜索查询方法，一旦访问到有源节点G_e(v_i)，则查询中断，否则继续访问，如果在一次查询中没有访问到有源节点，则认为该次访问过程满足无源性，即认为此次查询过程中访问到的节点组成的区域即为无源区域即停电区域，记为Pr'(v_i')，如果查询过程都不满足无源性，则认为Pr'(v_i')为空集。具体流程图如图6所示，具体包括以下步骤：a、读取断路器信息b、判断是否为空，若为空则结束，不为空则更新网络拓扑结构；c、设定访问起始节点；d、深度优先搜索访问下一节点；e、判断该节点是否有源，若有源则访问中断，转入h，若无源则继续步骤f；f、访问；g、判断本次访问是否结束，如结束则返回步骤d，如未结束则记录本次访问节点；h、更换起始访问点；i、判断所有遍历是否结束，如是则输出由访问记录节点构成的停电区域Pr'(v_i')，如否则转入c。所述的步骤B：非匹配断路器搜索SearchNon-matched(G_r,Pr',E*)，输入为图G_r(V(G_r),E(G_r))，停电区域Pr'(v_i')和故障后调度系统接收到的断路器信息输出为非匹配断路器信息集合E'(e'_ij)；如果输入的无源区域查询得到的Pr'(v_i')为空集，那么非匹配断路器集合如果Pr'(v_i')不为空集，记与该停电区域内的元件所匹配的断路器记为则且具体流程图如图7所示，包括以下步骤：a、读取断路器信息停电区域Pr'(v_i')；b、判断停电区域Pr'(v_i')是否为空，若为空则非匹配断路器信息集合若非空则进入c；c、确定停电区域P_r'(v_i')中元件对应的节点d、在未更新的网络拓扑图确定节点分别对应的度D(d_i)；e、判断D(d_i)中是否含零元素，如是则出错退出，如否则进入f；f、设置i＝0；g、令i＝i+1，Visited＝0；h、在未更新的网络拓扑图以为起点进行广度优先搜索；i、访问下一节点；j、记录该节点，同时令Visited＝Visited+1；k、判断Visited是否等于d_i，如是转入l，如否则转至i；l、判断所有遍历是否结束，如是则转入m，如否则返回g；m、输出访问过的节点n、得到与Pr'(v_i')匹配的断路器集合其中o、得到非匹配断路器且。

所述的步骤B中的非匹配断路器是指不能形成停电区域的断路器信息。

所述的步骤C：最大无源区域搜索SearchMax-subgraph(G_r,E')，输入为图G_r(V(G_r),E(G_r))和非匹配断路器信息集合E'(e_i'_j)，输出为对于非匹配断路器信息E'(e_i'_j)所能形成的最大无源区域内的元件集合Pr”(v_i”)；如果输入的非匹配断路器信息集合E'(e_i'_j)为空集，则如果非匹配断路器信息集合E'(e_i'_j)不为空集，则输出为以非匹配断路器信息集合E'(e_i'_j)对应的边所连接的元件顶点为基点，后备保护的最大保护范围内的元件集合Pr”(v_i”)。

所述的停电区域搜索过程中对于警报信息的不确定性主要考虑来自断路器报警信息的丢包，得到的停电区域内的元件Pr(v_i)＝Pr'(v_i')∪Pr”(v_i”)作为故障诊断框架，即可疑故障元件Ω＝Pr(v_i)＝Pr'(v_i')∪Pr”(v_i”)。具体流程图如图8所示,包括以下步骤：a、读取非匹配断路器E'(e_ij')；b、判断E'(e_ij')是否为空，如是则如否则转入c；c、确定E'(e_ij')所连接的节点d、根据后备保护配置，确定延展范围Ext(ext_i)；e、初始化i＝0；f、设置i＝i+1，Visited＝0；g、判断ext_i是否等于零，如是则如否则转入h；h、在未更新的网络拓扑图以为起点进行深度优先搜索；i、访问下一节点；j、记录该节点，同时令Visited＝Visited+1；k、判断Visited是否等于ext_i，如是则转入l，如否则返回h；m、判断所有遍历是否结束，如是则转入n，如否则返回f；n、输出访问过的节点o、输出最大范围内的元件集合Pr”(v_i”)，其中

步骤(2)，如果card(Ω)为1，则认为停电区域内只包含一个元件即该元件为故障元件，诊断结束，否则，进入步骤(3)继续完成诊断。card函数表示的是集合中元件的个数。

图2所示为WSCC三机九节点系统，其中G表示发电机，T表示变压器，L表示线路，B表示母线，CB表示断路器。如WSCC三机九节点系统拓扑图

G_r(V(G_r),E(G_r))中，调度中心收到断路器信息E*＝{CB₁₉}后，对故障区域进行识别，执行步骤A，不能形成最小无源区域，即执行步骤B，则得到非匹配断路器信息因此以非匹配断路器信息集合E'(e_i'_j)对应的边所连接的元件顶点为基点，后备保护的最大保护范围内的元件集合Pr”(Pr_i)＝{L₃,L₄}，即得到停电区域亦即故障诊断框架Ω＝Pr(v_i)＝Pr'(v_i')∪Pr”(v_i”)＝{L₃,L₄}。

步骤(3)，根据所述停电区域内各元件的电气量在故障前后表现出来的特征，结合希尔伯特-黄变换理论，定义能量变化度和幅值变化度两个量化指标。

所述的能量变化度e是通过对故障信号进行HHT(希尔伯特-黄变换)得到能量矩阵EE，分别计算得到故障元件在故障时刻前3个周波中信号的总能量EE₁，故障时刻后3个周波中的总能量EE₂，得到

e_i＝EE₂/EE₁

所述的幅值故障度a是通过对故障信号进行HHT得到幅值矩阵AA，取故障时刻前3个周波信号和故障时刻后3个周波的瞬时幅值总和，分别记为AA₁，AA₂，得到

a_i＝AA₂/AA₁

在图2中的L4发生A相接地短路故障，故障发生时刻0.2s，0.3s后故障消失，对非故障线路L3的A相电流和故障线路L4的A相电流进行HHT变换，并计算能量故障度和幅值故障度，分别得到

步骤(4)，所述的继电保护动作的警报信息完备化是根据继电保护动作所具有的因果时序性，警报信息完备化后得到的信息集合称为征兆信息集。

步骤1(保护信息合并)

由于在实际的电力系统中保护装置的重要性，因此一般都会配置双重保护，警报信息中的冗余信息主要是指保护信息，因此应该对该类信息进行处理。

方法：对获取的警报信息中的保护信息应该按照主保护，近后备保护和远后备保护进行合并，按其动作状态赋值(0或1表示未动作或者动作)，得到警报信息S₁。

步骤2(断路器信息完备化)

电网发生故障后，调度系统会收到发生变化的警报信息，由于拒动的信息不会出现在警报信息中，所以收到的警报信息中只有动作信息；此外，系统的复杂性使得信息的漏报变得不可避免，因此必须对相关信息进行再次确认，应该尽可能得到其真实的动作状态。基于存在这两种情况，必须对相关信息进行完备化处理。方法：根据获得的保护信息再次读取与该保护相关联的断路器信息，合位记为0，分位记为1，将该状态信息加入警报信息，得到警报信息S₂。

步骤3(时序识别)

随着电力系统规模越来越大，复杂性也随之增加，调度系统中必然地存在信息的误报，这种非真实状态信息的上报给调度员带来不必要工作之外，对于故障诊断方法准确度和快速性也产生，因此对这种信息必须进行剔除。

方法：根据上节的继电保护原理和时序性约束将不符合时序逻辑约束的状态信息进行剔除，得到征兆信息集S₃。

步骤(5)：根据所述的征兆信息以及继电保护原理建立面向元件的有向二分图模型，并分别计算所述诊断框架Ω内各元件的贝叶斯疑似度指标。

在所述步骤(5)中，所述有向二分图如图3所示，其由三部分组成：①故障节点和征兆节点组成的集合V，V＝F∪S，其中S(s_i)为征兆信息集，F(f_i)为故障集；②有向边集合E,E＝F×S，由故障指向征兆；③权重p(s_j|f_i)组成的集合P_F×S，P_F×S＝{p(s_j|f_i)|f_i∈F，s_j∈S}，其中p(s_j|f_i)指在某一故障f_i发生的条件下，征兆s_j发生的概率值，0≤p(s_j|f_i)≤1。

在所述步骤(5)中，所述的面向元件的有向二分图模型中某元件i的贝叶斯疑似度b_sdi(f,S_N)的计算公式为：

$b_{sd}(f_i,S_N)=\frac{\underset{s_j\∈S_N}{\Σ}p\left(f_i\right|s_j)}{\underset{s_j\∈S_{ymptoms}}{\Σ}p\left(f_i\right|s_j)}$

其中，

$p\left(f_i\right|s_j)=\frac{p\left(f_i\right)p\left(s_j\right|f_i)}{\underset{f_i\∈F}{\Σ}p\left(f_i\right)p\left(s_j\right|f_i)}$

在所述步骤(5)中，所述的贝叶斯疑似度，记作b_sdi(f_i,S_N)，其代表的意义为观察到的征兆信息集S_N对某故障f_i发生事件的支持程度与信息完备条件下该故障发生事件的支持程度的比值。该数值越大，表明对应的故障f_i发生的可能性也就越大。

S_N为所述的系统中某元件实际发生故障后完备化后的征兆信息集，即上述步骤中得到的完备后的征兆信息集S3；S_ymptoms为理想情况下该元件故障后继电保护动作的征兆信息集。其中故障发生的概率p(f_i)根据国网公司对继电保护与安全自动装置运行情况分析，可知各个元件故障发生的统计概率，即统计周期内发生故障的次数N_fi与运行的设备数量N之间的比值即为故障发生的概率，可作为故障发生的先验概率。而故障f_i发生条件下，征兆s出现的概率p(s_j|f_i)也可根据国网公司的统计数据得出。不同地区不同电压等级的线路发生故障的概率以及故障f_i发生条件下，征兆s_j出现的概率p(s_j|f_i)一般情况下不相等，可根据当地实际情况进行初始化设置。图4所示为面向元件的有向二分图模型诊断流程。

在固定时间窗内获得可用于故障诊断的征兆信息如表1。

其中CB₂₀为二次读取数据，只能读取到状态，因此无动作时间。

图5为建立的面向元件的有向二分图模型，计算得到

步骤(6)：将所述的能量变化度、幅值变化度和贝叶斯疑似度进行归一化作为证据，并采用D-S证据理论的方法进行融合，得到所述诊断框架内各元件的故障概率；各个故障指标通过归一化得到能量故障度，幅值故障度，疑似故障度，具体方法分别为

能量故障度得到E＝{0.3032,0.6968}

幅值故障度得到A＝{0.4241,0.5759}

疑似故障度得到B＝{0.3730,0.6270}

其中n为故障诊断框架Ω中的元件的数量。

在所述步骤(6)中，所述的融合规则为

$f\left(X\right)=\left\{\begin{array}{cc}\frac{\underset{A=X}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}{1-\underset{A=\mathrm{\φ}}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}& X\≠\mathrm{\φ}\\ 0& X=\mathrm{\φ}\end{array}\right.$

A＝X₁∩X₂∩…∩X_n

其中m₁,m₂,…,m_n是对应的基本可信度分配，也即本发明中的三个证据指标能量故障度，幅值故障度，疑似故障度，X₁,X₂,…,X_n为相应的焦元，也即本发明中的诊断框架Ω中的元件，定义为证据理论的冲突系数，k的取值范围为[0，1]。

通过D-S证据理论融合得到融合结果f＝{0.1601,0.8399}

步骤七：故障概率最大的元件确定为故障元件，故障线路为L₄。

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 (9)

1.一种基于多数据融合的电网故障诊断方法，其特征在于，所述方法包括：

(1)确定停电区域，以其中的元件作为故障诊断框架；

(2)若所述的停电区域内只包含一个元件则该元件为故障元件，诊断结束，否则，进入步骤(3)；

(3)根据所述停电区域内各元件的电气量在故障前后表现出来的特征，结合希尔伯特-黄变换理论，定义能量变化度和幅值变化度两个指标量化电气量的变化特征；

(4)根据继电保护动作之间具备的时序因果性对固定时间窗内接收到的警报信息进行完备，得到完备化征兆信息；

(5)根据所述的完备化征兆信息以及继电保护原理建立面向停电区域内元件的有向二分图模型，并分别计算所述故障诊断框架内各元件的贝叶斯疑似度指标。

(6)将所述的能量变化度、幅值变化度和贝叶斯疑似度进行归一化处理，并采用D-S证据理论的方法对各条证据进行融合，得到所述诊断框架内各元件的故障概率；

(7)比较所述故障概率大小，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(1)中，需要考虑故障发生后调度系统在固定时间窗内所接收到的断路器警报信息存在得不确定性，应尽可能使得实际故障元件存在于所确定的停电区域内，所述的停电区域内的元件可以作为故障诊断框架Ω。

3.根据权利要求1所述的方法，其特征在于，在所述步骤(2)中,如果card(Ω)为1，则认为停电区域内只包含一个元件即该元件为故障元件，诊断结束，否则，进入步骤(3)继续完成诊断。

4.根据权利要求1所述的方法，其特征在于，在所述步骤(3)中，所述的能量变化度e是通过对故障信号进行HHT得到能量矩阵EE，分别计算得到故障元件i在故障时刻前3个周波中信号的总能量EE₁，故障时刻后3个周波中的总能量EE₂，得到

e_i＝EE₂/EE₁；

所述的幅值故障度a是通过对故障信号进行HHT得到幅值矩阵AA，取故障时刻前3个周波信号和故障时刻后3个周波的瞬时幅值总和，分别记为AA₁，AA₂，得到

a_i＝AA₂/AA₁。

5.根据权利要求1所述的方法，其特征在于，在所述步骤(4)中，所述继电保护动作的警报信息完备化是根据继电保护动作所具有的因果时序性，警报信息完备化后得到的信息集合称为征兆信息集。

6.根据权利要求1所述的方法，其特征在于，在所述步骤(5)中，所述的面向元件的有向二分图模型中的某元件i的贝叶斯疑似度b_sdi(f_i,S_N)的计算公式为

$b_{sd}(f_i,S_N)=\frac{\underset{s_j\∈S_N}{\Σ}p\left(f_i\right|s_j)}{\underset{s_j\∈S_{ymptoms}}{\Σ}p\left(f_i\right|s_j)}$

其中，

$p\left(f_i\right|s_j)=\frac{p\left(f_i\right)p\left(s_j\right|f_i)}{\underset{f_i\∈F}{\Σ}p\left(f_i\right)p\left(s_j\right|f_i)}$

S_N为系统中某元件i实际发生故障后继电保护动作的征兆信息集；S_ymptoms为理想情况下该元件故障后继电保护动作的征兆信息集。

7.根据权利要求1所述的方法，其特征在于，在所述步骤(6)中，所述的归一化是指本发明提到的三大指标能量变化度、幅值变化度、贝叶斯疑似度分别按以下公式计算得到的能量故障度、幅值故障度、疑似故障度。

$E_i=\frac{e_i}{\underset{i=1}{\overset{n}{\Σ}}{e}_i}$

$A_i=\frac{a_i}{\underset{i=1}{\overset{n}{\Σ}}{a}_i}$

$B_i=\frac{b_{sdi}}{\underset{i=1}{\overset{n}{\Σ}}{b}_{sdi}}$

其中n为故障诊断框架Ω中的元件的数量，E_i,A_i,B_i的取值范围均为[0，1]。

8.根据权利要求1所述的方法，其特征在于，在所述步骤(6)中，融合规则为

$f\left(X\right)=\left\{\begin{array}{cc}\frac{\underset{A=X}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}{1-\underset{A=\mathrm{\φ}}{\Σ}{m}_1\left(X_1\right)m_2\left(X_2\right)\mathrm{...}{m}_n\left(X_n\right)}& X\≠\mathrm{\φ}\\ 0& X=\mathrm{\φ}\end{array}\right.$

A＝X₁∩X₂∩…∩X_n

其中m₁,m₂,…,m_n是对应的基本可信度分配，也即本发明中的三个证据指标：能量故障度、幅值故障度、疑似故障度，X₁,X₂,…,X_n为相应的焦元，也即本发明中的诊断框架Ω中的元件，定义为证据理论的冲突系数，k的取值范围为[0，1]。

9.根据权利要求1所述的方法，其特征在于，在所述步骤(7)中，将所述步骤(6)中故障概率最大的元件确定为故障元件。