CN107944657A - 一种电力多源信息故障定位及预判方法 - Google Patents

Abstract

本发明公开了电力多源信息故障定位及预判方法，1.按复杂事件处理引擎分析所需格式生成复杂事件模型；2.专家经验归纳为复杂事件形式，调控问题生成复杂事件规则匹配模型；3.判断是否启动离线自学习线程；4.输出可靠的事件；5.建立Petri推理规则关联模型；6.Petri推理线程读取推理规则关联模型，实时监测复杂事件集合；7.故障恢复及处理线程触发，直接调用处置预案、或找到所有可能的恢复供电路径并给出方案。本发明确保电力复杂事件的快速聚合及其准确性，减轻了Petri故障推理的组合爆炸问题，将识别保护及开关拒动、误动、及通信问题导致的事项漏报交由CEP引擎处理，简化了Petri推理过程的复杂性，通过Petri推理规则及诊断模型快速定位故障设备。

Description

一种电力多源信息故障定位及预判方法

技术领域

本发明属于电力系统调度自动化领域，尤其是涉及一种基于自学习CEP技术结合Petri推理的电力多源信息故障定位及预判方法。

背景技术

随着全球资源和环境压力的增大、电力体制改革的逐渐深化，以及用户对供电可靠性和电能质量要求的提升，要求未来的电网要求更加安全、可靠、经济、高效。随着我国电网规模的迅猛发展和“三华”特高压电网建设，以及大量新能源的开发和接入，影响电网安全运行的因素越来越多，电网运行机理越来越复杂，故障波及的范围越来越广，所造成的后果也日益严重，所有这些都对作为电网运行管理指挥中心的电力调度提出了更高的要求和考验。

由于现代电网的复杂化，目前的SCADA/EMS监视信息量大，又只能稳态分析和简单处理，调度员无法有效地处理大量数据，故障时大量报警信息在通信通道堆积，调度人员无法快速有效决策和完成调度任务。由于电力系统规模庞大，运行方式和事故模式多样，对组合爆炸一类恶劣事故不能实现预想事故分析的完备性，调度中心没有形成对事故综合的决策机制，无法提供有效的决策措施。

发明内容

为解决上述问题，本发明提出了一种电力多源信息故障定位及预判方法，基于自学习CEP技术结合Petri推理，包括以下步骤：

步骤1、启动故障定位服务系统，从SCADA系统、保信系统、故障录波系统、天气系统中实时获取以下电气量信息：保护信号动作、开关跳闸动作、故障简报、天气信息，按照复杂事件处理引擎分析所需的格式分别生成各自的复杂事件模型；

步骤2、基于步骤1中的复杂事件模型，将调控规则、专家经验归纳为复杂事件形式，将所关注的调控问题人工录入生成复杂事件规则匹配模型；

步骤3、故障定位服务系统判断是否启动离线自学习线程，如果历史库中的推理结果没有达到机器学习的样本数量要求，不启动离线自学习线程、转步骤4；

如果历史库中的推理结果达到机器学习的样本数量要求时，启动离线自学习线程、完善复杂事件规则匹配模型，经调控人员分析确认后竖起一个实用标志、并且更新复杂事件规则匹配模型；

步骤4、启动CEP引擎，实时获取各线程所生成的复杂事件集合，读取所述的复杂事件规则匹配模型，采用具有自学习机制的CEP引擎匹配处理规则模式，对复杂事件集合进行分类识别、匹配、过滤、聚合、关联分析，将错误的证据过滤掉、将未上报的证据补齐，并将最后的复杂事件证据发送给Petri推理线程，输出可靠的事件；

步骤5、依据步骤4输出的可靠的事件，引入Petri推理理论将各种事件的类型进行归纳，结合Petri推理中库所、变迁、有向弧的思想建立Petri推理规则关联模型，并采用保护归纳的方法将各种保护归纳为保护子类型，简化保护推理判断中繁琐的判断；

步骤6、Petri推理线程读取步骤5中建立的Petri推理规则关联模型，实时监测步骤4中CEP引擎所获取的复杂事件集合、作为Petri推理的判据，如果Petri推理作为判据的库所中的令牌没有达到Petri推理启动要求，则转步骤3；

当Petri推理作为判据的库所中的令牌达到Petri推理启动要求后启动Petri推理，获取事件的具体设备、开关、保护信息，通过匹配Petri推理规则关联模型结合电网连锁故障概率模型定位具体的设备故障以及设备故障概率，并将结果发送给故障恢复及处理线程；

步骤7、故障恢复及处理线程触发，根据设备故障诊断结果匹配恢复及处理线程中的专家库，如果存在对该设备故障的处置预案则直接调用该处置预案、否则使用广度优先算法和深度优先算法从电网失电电岛开始向外搜索，以电网中的所有热备用开关为可选动作开关、找到所有可能的恢复供电路径并给出方案。

优选地，所述的电力多源信息包括：

(1)来源为SCADA系统的事件，包括：a、厂站级别的事故总保护信号动作；b、设备级别的各类事故级别的保护信号动作；c、开关的跳闸动作；d、开关的重合闸动作；e、遥测信息的越限报警及突变；(2)来源为保信系统的各种报警事件信息；(3)来源为故障录波系统的故障简报事件信息；(4)来源为天气系统的大风、大雪、雷雨天气信息。

优选地，步骤1中的复杂事件模型采用带有时间戳的自定义的复杂元事件模型，具体描述如下：

PowerEvent＝<EventID,EventTypeID,EventSource,AccidentLevel,EventDescribe,Associ atedEquipment,AssociatedSwitch,ProtectionSignals,EventValue,EventTime>，其中：EventID为事件ID、EventTypeID为事件类型、EventSource为事件来源、AccidentLevel为事件报警级别、EventDescribe为事件动作描述、AssociatedEquipment为事件关联设备、AssociatedSwitch为事件关联开关、ProtectionSignals为事件保护信号对象、EventValue为事件的值、EventTime为事件发生时间。

优选地，所述步骤3所述的启动离线自学习线程、完善复杂事件规则匹配模型是指：利用大数据平台所汇集的各类离线数据，包括调度经验、调规、历史正确的故障处理规则及机器学习算法库中的学习模型，通过数据样本、算法模型并结合调规所涉及的时间、空间、应用多维度因素，在模糊匹配相似或相近规则的前提条件下进行规则参数的自适应学习，并动态调整完成的自适应参数值、完善复杂事件规则匹配模型。

优选地，步骤4中对复杂事件集合进行分类识别、匹配、过滤、聚合、关联分析采用多源信息融合过滤补齐的处理算法，具体算法如下：

(1)CEP引擎的有限状态自动机机将步骤1中各线程接收的复杂事件压入报警容器A中；

(2)对A中来源为保信系统的事项与来源为SCADA系统的事项进行匹配确认，保存匹配成功的SCADA保护动作事件，并增加SCADA未报而保信系统上送的保护动作事件，将这些保护动作事件与开关动作事件及遥信突变事件压入报警容器B中，移除误动的保护动作信号；

(3)搜索报警容器B中的保护动作事件，通过拓扑生成的结线关系、根据规则生成理论的保护动作与开关变位的关联关系压入关联容器R中，R中的键可有多个保护动作信号P_k，每个键有多个值，即理论上对应保护动作的变位开关S_k1、S_k2...S_kn；

(4)对报警容器B中的保护动作事件与开关变位事件进行两两匹配，如果保护动作事件与开关变位事件符合关联关系，对开关变位事件竖立标志、并建立关联容器R1，匹配结束开关变位事件未竖立标志的则为误动开关，将关联容器R1与R再进行匹配，查找漏报的开关变位事件，保存到关联容器R1中；

(5)根据CEP引擎已经读取的复杂事件规则匹配模型，将R1中的关联事件与推理规则库进行匹配，生成可能的分段时间事件组合。规则模型的来源为日常调控手册，基本的电气知识，调控经验，以及数据库中各种设备的使用时间使用寿命、动作次数等各种信息。日常调控经验如：220kV以上线路主保护动作，会跳开线路两侧开关；110kV及其以下电压等级线路主保护动作，会跳开电源侧开关；110kV及其以上电压等级母线主保护动作会跳开母线所有的开关；35kV母线及其以下母线主保护动作会跳开电源侧开关；主变主保护动作跳三侧开关；主保护拒动，可引发失灵保护动作；主保护拒动可引发近后备保护动作；近后备保护拒动可引发远后备保护动作。保护类型及保护信号的关联在步骤5中Petri建模工具中创建，与Petri推理共同使用。

优选地，复杂事件规则匹配模型及Petri推理规则关联模型的更新采用动态调整自适应参数值生成新的离线自学习匹配规则的完善机制，具体过程如下：

(1)CEP引擎离线自学习线程首先读取步骤2中创建的复杂关联事件规则匹配模型、或者步骤3中更新的复杂关联事件规则匹配模型，以及步骤5中创建的Petri推理规则关联模型作为自学习中的基础学习规则模型；

(2)读取故障定位或预判历史库中的历史结果，将每一个推断过程作为一个一级样本，当该样本达到所要求的样本数量时启动自学习规则推理；

(3)根据一级样本中的设备故障诊断类型进行分类聚集生成不同类型的样本组合，设备故障结果作为样本输出，根据每个样本的判据事件组合时间段读取历史库中该段时间保存的所有历史事项，并将事项生成多源信息事件集合作为二级样本的输入事件；

(4)对每个事件集合中的事件赋予初始权值，根据(1)中读取的复杂关联事件规则匹配模型与Petri推理规则关联模型进行匹配学习，不断更新二级样本输入事件的权值，当期望输出的诊断结果与样本输出结果接近时，结束自学习计算，对每个二级样本中的输入事件的类型进行归纳，并对归纳后的事件类型的权值进行二次加权计算，权值高于阈值的二级样本事件类型保留下来，将保留下来的样本事件类型与诊断结果组合生成新的复杂关联事件规则匹配模型与Petri推理规则关联模型，并保存到规则库中；

(5)对生成的规则进行验证，重新导入二级样本中的事项进行故障诊断校验，并将校验结果展示给调控人员进行人工分析，开放修改和删除接口，由调控人员进一步修改该规则库。

优选地，步骤6中进行Petri推理时采用归纳的简化Petri推理方法，包括以下步骤：

(1)诊断规则的归纳，诊断规则采用最常用的产生式推理规则，Petri网中的输入库所是步骤4中所述的复杂事件集合，将复杂事件集合解析生成库所需要的事件，事件类型包括：保护子类型的状态、断路器的状态；电流、电压、有功、无功的突变；获取的故障录波简报事件；保信系统事件；气象系统实时信息；

(2)当库所的状态符合专家系统产生式规则进行推理时触发变迁，建立诊断规则时库所的建立给定上述特定的几种类型，其中保护子类型的状态归纳为主保护、后备保护、远后备保护，并建立保护子类型与保护信号的关联关系；

(3)建立Petri推理诊断模型，包括母线诊断模型、线路诊断模型、变压器诊断模型、电容电抗诊断模型、发电机诊断模型；

(4)建立设备模型与开关的关联关系，建立保护信号与设备的关联关系，建立保护信号与开关的关联关系；

(5)通过建立好的关联关系直接定位已经发生故障的设备、或者可能要发生故障的设备。

本发明的有益效果：

1)确保了电力复杂事件的快速聚合及其准确性；

2)减轻了Petri故障推理在建模过程中因为网络结构复杂而导致的组合爆炸的问题；

3)将识别保护及开关的拒动、误动、以及通信等问题导致的事项漏报等问题交由CEP引擎采用匹配补齐的方法处理，简化了Petri推理的过程的复杂性，通过Petri推理规则及诊断模型快速定位故障设备。

附图说明

图1是本发明的逻辑流程框图。

具体实施方式

下面结合附图，具体说明本发明的实施方式。

如图1所示，是本发明的逻辑流程框图。一种电力多源信息故障定位及预判方法，多源信息来源为SCADA系统的事件、保信系统的各种报警事件信息、故障录波系统的故障简报事件信息、天气系统的大风、大雪、雷雨天气信息；基于自学习CEP技术结合Petri推理，包括以下步骤：

步骤1、启动故障定位服务系统，从SCADA系统、保信系统、故障录波系统、天气系统中实时获取以下电气量信息：保护信号动作、开关跳闸动作、故障简报、天气信息，按照复杂事件处理引擎分析所需的格式分别生成各自的复杂事件模型。

步骤2、基于步骤1中的复杂事件模型，将调控规则、专家经验归纳为复杂事件形式，将所关注的调控问题人工录入生成复杂事件规则匹配模型；

复杂事件模型采用带有时间戳的自定义的复杂元事件模型，具体描述如下：PowerEvent＝<EventID,EventTypeID,EventSource,AccidentLevel,EventDescribe,Associ atedEquipment,AssociatedSwitch,ProtectionSignals,EventValue,EventTime>。

步骤3、故障定位服务系统判断是否启动离线自学习线程，如果历史库中的推理结果没有达到机器学习的样本数量要求，不启动离线自学习线程、转步骤4；

如果历史库中的推理结果达到机器学习的样本数量要求时，启动离线自学习线程、完善复杂事件规则匹配模型，利用大数据平台所汇集的各类离线数据，包括调度经验、调规、历史正确的故障处理规则及机器学习算法库中的学习模型，通过数据样本、算法模型并结合调规所涉及的时间、空间、应用多维度因素，在模糊匹配相似或相近规则的前提条件下进行规则参数的自适应学习，并动态调整完成的自适应参数值、完善复杂事件规则匹配模型；经调控人员分析确认后竖起一个实用标志、并且更新复杂事件规则匹配模型。

步骤4、启动CEP引擎，实时获取各线程所生成的复杂事件集合，读取所述的复杂事件规则匹配模型，采用具有自学习机制的CEP引擎匹配处理规则模式，对复杂事件集合进行分类识别、匹配、过滤、聚合、关联分析，将错误的证据过滤掉，如保护开关误动；将未上报的证据补齐，如保护开关拒动，并将最后的复杂事件证据发送给Petri推理线程，输出可靠的事件。

CEP引擎根据规则的匹配生成高级的区间事件集合，当CEP引擎有限状态自动机检测到区间事件集合的生成、跃迁状态时，将区间事件集压入Petri推理处理栈中进行故障推理；

区间事件包含该时段内一系列的保护动作事件、开关动作事件、故障简报事件，区间事件模型描述如下：

SegmentTimeEvent＝<EventID,EventTypes,PowerEvent1,PowerEvent2,…,BeginTime,E ndTime>，其中EventID为区间事件ID、EventTypes为区间事件类型集合、PowerEvent为单事件、BeginTime为区间事件的起始时间、EndTime为区间事件的终止时间。

此步骤利用计算机系统和CEP引擎的有限状态自动机技术，对复杂事件集合通过实时事件和经验、调规进行模式匹配，发现复杂的、全局性的时间和空间关系，感知动态电力系统发生的事件及趋势，找出其中调度员关心、符合调度控制规则的复杂事件。

步骤5、依据步骤4输出的可靠的事件，引入Petri推理理论将各种事件的类型进行归纳，结合Petri推理中库所、变迁、有向弧的思想建立Petri推理规则关联模型，并采用保护归纳的方法将各种保护归纳为保护子类型。

步骤6、Petri推理线程读取步骤5中建立的Petri推理规则关联模型，实时监测步骤4中CEP引擎所获取的复杂事件集合、作为Petri推理的判据，如果Petri推理作为判据的库所中的令牌没有达到Petri推理启动要求，则转步骤3；

当Petri推理作为判据的库所中的令牌达到Petri推理启动要求后启动Petri推理，获取事件的具体设备、开关、保护信息，通过匹配Petri推理规则关联模型结合电网连锁故障概率模型定位具体的设备故障以及设备故障概率，并将结果发送给故障恢复及处理线程。

步骤7、故障恢复及处理线程触发，根据设备故障诊断结果匹配恢复及处理线程中的专家库，如果存在对该设备故障的处置预案则直接调用该处置预案、否则使用广度优先算法和深度优先算法从电网失电电岛开始向外搜索，以电网中的所有热备用开关为可选动作开关、找到所有可能的恢复供电路径并给出方案。

有限状态机最终推理，采用归纳的Petri推理方法。Petri推理机接收到过滤机发送来的分段事件集合后，按照Petri推理微观规则诊断模型进行最终的设备故障定位。

归纳的Petri推理模型，首先是在诊断规则的归纳，诊断规则采用最常用的产生式推理规则，Petri网中的输入库所(Place)是步骤三中的输出的区间事件集合，将事件集合解析，生成库所需要的事件，比如保护子类型的状态、断路器的状态，电流、电压、有功、无功的突变，获取的故障录波简报事件，当库所的状态符合专家系统产生式规则进行推理的时候，变迁(Transition)就会触发。在建立诊断规则时，库所的建立给定特定的上述几种类型，而其中保护子类型的状态又归纳为主保护、后备保护、远后备保护，并建立保护子类型与保护信号的关联关系，如母线差动保护信号设置为保护子类型中的主保护，而距离二段保护作为近后备保护，距离三段保护作为远后备保护。为了能够定位具体设备，建立Petri推理诊断模型，包括母线诊断模型、线路诊断模型、变压器诊断模型、电容电抗诊断模型、发电机诊断模型。建立设备模型与开关的关联关系；建立保护信号与设备的关联关系；建立保护信号与开关的关联关系；通过关联关系快速定位故障设备。

虽然本发明以较佳实施例揭露如上，然其并非用以限定本发明，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种电力多源信息故障定位及预判方法，其特征在于，基于自学习CEP技术结合Petri推理，包括以下步骤：

步骤1、启动故障定位服务系统，从SCADA系统、保信系统、故障录波系统、天气系统中实时获取以下电气量信息：保护信号动作、开关跳闸动作、故障简报、天气信息，按照复杂事件处理引擎分析所需的格式分别生成各自的复杂事件模型；

步骤2、基于步骤1中的复杂事件模型，将调控规则、专家经验归纳为复杂事件形式，将所关注的调控问题人工录入生成复杂事件规则匹配模型；

步骤3、故障定位服务系统判断是否启动离线自学习线程，如果历史库中的推理结果没有达到机器学习的样本数量要求，不启动离线自学习线程、转步骤4；

如果历史库中的推理结果达到机器学习的样本数量要求时，启动离线自学习线程、完善复杂事件规则匹配模型，经调控人员分析确认后竖起一个实用标志、并且更新复杂事件规则匹配模型；

步骤4、启动CEP引擎，实时获取各线程所生成的复杂事件集合，读取所述的复杂事件规则匹配模型，采用具有自学习机制的CEP引擎匹配处理规则模式，对复杂事件集合进行分类识别、匹配、过滤、聚合、关联分析，将错误的证据过滤掉、将未上报的证据补齐，并将最后的复杂事件证据发送给Petri推理线程，输出可靠的事件；

步骤5、依据步骤4输出的可靠的事件，引入Petri推理理论将各种事件的类型进行归纳，结合Petri推理中库所、变迁、有向弧的思想建立Petri推理规则关联模型，并采用保护归纳的方法将各种保护归纳为保护子类型；

步骤6、Petri推理线程读取步骤5中建立的Petri推理规则关联模型，实时监测步骤4中CEP引擎所获取的复杂事件集合、作为Petri推理的判据，如果Petri推理作为判据的库所中的令牌没有达到Petri推理启动要求，则转步骤3；

当Petri推理作为判据的库所中的令牌达到Petri推理启动要求后启动Petri推理，获取事件的具体设备、开关、保护信息，通过匹配Petri推理规则关联模型结合电网连锁故障概率模型定位具体的设备故障以及设备故障概率，并将结果发送给故障恢复及处理线程；

步骤7、故障恢复及处理线程触发，根据设备故障诊断结果匹配恢复及处理线程中的专家库，如果存在对该设备故障的处置预案则直接调用该处置预案、否则使用广度优先算法和深度优先算法从电网失电电岛开始向外搜索，以电网中的所有热备用开关为可选动作开关、找到所有可能的恢复供电的路径并给出方案。

2.根据权利要求1所述的一种电力多源信息故障定位及预判方法，其特征在于，所述的电力多源信息包括：

(1)来源为SCADA系统的事件，包括：a、厂站级别的事故总保护信号动作；b、设备级别的各类事故级别的保护信号动作；c、开关的跳闸动作；d、开关的重合闸动作；e、遥测信息的越限报警及突变；

(2)来源为保信系统的各种报警事件信息；

(3)来源为故障录波系统的故障简报事件信息；

(4)来源为天气系统的大风、大雪、雷雨天气信息。

3.根据权利要求1所述的一种电力多源信息故障定位及预判方法，其特征在于，步骤1中的复杂事件模型采用带有时间戳的自定义的复杂元事件模型，具体描述如下：

PowerEvent＝<EventID,EventTypeID,EventSource,AccidentLevel,EventDescribe,Associ atedEquipment,AssociatedSwitch,ProtectionSignals,EventValue,EventTime>，其中：EventID为事件ID、EventTypeID为事件类型、EventSource为事件来源、AccidentLevel为事件报警级别、EventDescribe为事件动作描述、AssociatedEquipment为事件关联设备、AssociatedSwitch为事件关联开关、ProtectionSignals为事件保护信号对象、EventValue为事件的值、EventTime为事件发生时间。

4.根据权利要求1－3任一项所述的一种电力多源信息故障定位及预判方法，其特征在于，所述步骤3所述的启动离线自学习线程、完善复杂事件规则匹配模型是指：利用大数据平台所汇集的各类离线数据，包括调度经验、调规、历史正确的故障处理规则及机器学习算法库中的学习模型，通过数据样本、算法模型并结合调规所涉及的时间、空间、应用多维度因素，在模糊匹配相似或相近规则的前提条件下进行规则参数的自适应学习，并动态调整完成的自适应参数值、完善复杂事件规则匹配模型。

5.根据权利要求1－3任一项所述的一种电力多源信息故障定位及预判方法，其特征在于，步骤4中对复杂事件集合进行分类识别、匹配、过滤、聚合、关联分析采用多源信息融合过滤补齐的处理算法，具体算法如下：

(1)CEP引擎的有限状态自动机机将步骤1中各线程接收的复杂事件压入报警容器A中；

(2)对A中来源为保信系统的事项与来源为SCADA系统的事项进行匹配确认，保存匹配成功的SCADA保护动作事件，并增加SCADA未报而保信系统上送的保护动作事件，将这些保护动作事件与开关动作事件及遥信突变事件压入报警容器B中，移除误动的保护动作信号；

(3)搜索报警容器B中的保护动作事件，通过拓扑生成的结线关系、根据规则生成理论的保护动作与开关变位的关联关系压入关联容器R中，R中的键可有多个保护动作信号P_k，每个键有多个值，即理论上对应保护动作的变位开关S_k1、S_k2...S_kn；

(4)对报警容器B中的保护动作事件与开关变位事件进行两两匹配，如果保护动作事件与开关变位事件符合关联关系，对开关变位事件竖立标志、并建立关联容器R1，匹配结束开关变位事件未竖立标志的则为误动开关，将关联容器R1与R再进行匹配，查找漏报的开关变位事件，保存到关联容器R1中；

(5)根据CEP引擎已经读取的复杂事件规则匹配模型，将R1中的关联事件与推理规则库进行匹配，生成可能的分段时间事件组合。

6.根据权利要求1－3任一项所述的一种电力多源信息故障定位及预判方法，其特征在于，复杂事件规则匹配模型及Petri推理规则关联模型的更新采用动态调整自适应参数值生成新的离线自学习匹配规则的完善机制，具体过程如下：

(1)CEP引擎离线自学习线程首先读取步骤2中创建的复杂关联事件规则匹配模型、或者步骤3中更新的复杂关联事件规则匹配模型，以及步骤5中创建的Petri推理规则关联模型作为自学习中的基础学习规则模型；

(2)读取故障定位或预判历史库中的历史结果，将每一个推断过程作为一个一级样本，当该样本达到所要求的样本数量时启动自学习规则推理；

(3)根据一级样本中的设备故障诊断类型进行分类聚集生成不同类型的样本组合，设备故障结果作为样本输出，根据每个样本的判据事件组合时间段读取历史库中该段时间保存的所有历史事项，并将事项生成多源信息事件集合作为二级样本的输入事件；

(4)对每个事件集合中的事件赋予初始权值，根据(1)中读取的复杂关联事件规则匹配模型与Petri推理规则关联模型进行匹配学习，不断更新二级样本输入事件的权值，当期望输出的诊断结果与样本输出结果接近时，结束自学习计算，对每个二级样本中的输入事件的类型进行归纳，并对归纳后的事件类型的权值进行二次加权计算，权值高于阈值的二级样本事件类型保留下来，将保留下来的样本事件类型与诊断结果组合生成新的复杂关联事件规则匹配模型与Petri推理规则关联模型，并保存到规则库中；

(5)对生成的规则进行验证，重新导入二级样本中的事项进行故障诊断校验，并将校验结果展示给调控人员进行人工分析，开放修改和删除接口，由调控人员进一步修改该规则库。

7.根据权利要求1－3任一项所述的一种电力多源信息故障定位及预判方法，其特征在于，步骤6中进行Petri推理时采用归纳的简化Petri推理方法，包括以下步骤：

(1)诊断规则的归纳，诊断规则采用最常用的产生式推理规则，Petri网中的输入库所是步骤4中所述的复杂事件集合，将复杂事件集合解析生成库所需要的事件，事件类型包括：保护子类型的状态、断路器的状态；电流、电压、有功、无功的突变；获取的故障录波简报事件；保信系统事件；气象系统实时信息；

(2)当库所的状态符合专家系统产生式规则进行推理时触发变迁，建立诊断规则时库所的建立给定上述特定的几种类型，其中保护子类型的状态归纳为主保护、后备保护、远后备保护，并建立保护子类型与保护信号的关联关系；

(3)建立Petri推理诊断模型，包括母线诊断模型、线路诊断模型、变压器诊断模型、电容电抗诊断模型、发电机诊断模型；

(4)建立设备模型与开关的关联关系，建立保护信号与设备的关联关系，建立保护信号与开关的关联关系；

(5)通过建立好的关联关系直接定位已经发生故障的设备、或者可能要发生故障的设备。