CN109039739A - 一种改进模糊Petri的电力通信现场故障诊断方法 - Google Patents

一种改进模糊Petri的电力通信现场故障诊断方法 Download PDF

Info

Publication number
CN109039739A
CN109039739A CN201810864516.9A CN201810864516A CN109039739A CN 109039739 A CN109039739 A CN 109039739A CN 201810864516 A CN201810864516 A CN 201810864516A CN 109039739 A CN109039739 A CN 109039739A
Authority
CN
China
Prior art keywords
failure
library
transition
institute
event
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810864516.9A
Other languages
English (en)
Inventor
施健
胡游君
蔡新忠
刘皓
丁传文
邓伟
钱锜
杨文轩
南天
马远东
吕顺利
夏轩
杨刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NARI Group Corp
Nari Information and Communication Technology Co
Original Assignee
NARI Group Corp
Nari Information and Communication Technology Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NARI Group Corp, Nari Information and Communication Technology Co filed Critical NARI Group Corp
Priority to CN201810864516.9A priority Critical patent/CN109039739A/zh
Publication of CN109039739A publication Critical patent/CN109039739A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/042—Backward inferencing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Computer And Data Communications (AREA)

Abstract

本发明公开一种改进模糊Petri的电力通信现场故障诊断方法，包括：定义改进动态模糊Petri网算法；基于所述算法构建应用于电力通信现场故障诊断的动态模糊Petri网模型；将构建好的动态模糊Petri网模型应用于电力通信现场的故障诊断。本发明基于模糊Petri网理论，提出了一种动态电力通信网现场故障诊断方法，有效避免了模糊Petri网在故障诊断过程中由于人为主观因素造成的误差，提高了推理过程的准确性。

Description

一种改进模糊Petri的电力通信现场故障诊断方法
技术领域
本发明涉及电力通信现场故障诊断技术领域，具体涉及一种改进模糊Petri的电力通信现场故障诊断方法。
背景技术
近年来，电力通信网络规模得到快速增长，有效提高了电网调度与控制、企业生产与经营管理的安全水平，保障了恶劣气候环境下电力系统各类信息传输的可靠性。但与此同时，通信网络之间的耦合程度越来越紧密，网架拓扑的复杂性也急遽攀升，给现场运维与故障排除带来了不利影响。随着计算机技术和自动化技术等的高速发展，专业网管系统、智能装置、传感器等设备在通信网络中得到推广应用，为现场的故障诊断提供了所需的多信源数据。这些表征通信网络运行状态的多信源数据如果能够有效利用与识别，可为通信现场的故障诊断提供技术支撑。为了降低与避免单点故障可能诱发的连锁性反应，需要能够快速及时的检测通信网络中存在的潜在隐患，准确诊断并消除故障风险，提升通信系统的安全可靠性。电力通信的故障特征呈现出多层次、多变量、非线性及多关联等特点，给现场故障的准确诊断带来困难。因此，研究建立一套高效合理的通信现场故障诊断方法势在必行。
在电力通信网络中，通信设备与光缆之间呈现的是网状拓扑的关联关系，Petri网模型作为一种图形表示的组合模型，可对多种活动过程做定性和定量分析，与通信网络故障发生和处理过程相相类似。随着研究的深入，专家学者又提出了模糊Petri网(FuzzyPetd Net，FPN)，其更符合人类正常的思维习惯和认知方式，能够以直观的表达方式和矩阵运运算方法来解决网络诊断的难题。FPN是在模糊数学思想与传统Petri网相结合的基础上提出来的，它能够准确而清晰地描述与分析被模拟系统中元素的不确定的模糊状态信息，其主要的改进之处在于FPN中的每个库赋予一个[0，1]之间的实数作为其置信度值，并给每个变迁以一个置信度CF(Certain Factor)表示其发生的可能概率。而规则推理过程用推理Petri网中变迁的触发表示。
一个典型的模糊Petri网为是一个七元组：
SFPN＝(P,T,I,O,α,β,τ)
式中：P＝(p1,p2,…,pn)为FPN库所(Place)的节点有限集；T＝(t1,t2,…,tm)为FPN变迁(Transition)的节点有限集；I:P→T为输入矩阵，表示从库所到变迁的映射，即为库所到变迁的有向弧集；O:T→P为输出矩阵，表示从变迁到库所的映射，即为变迁到库所的有向弧集；α:P→[0,1]，表示库所P对应的置信度；β:T→[0,1]，表示变迁T对应的置信度；τ表示变迁T的点火阈值，为在T的一个取值为[0,1]的函数。
本发明基于模糊Petri网理论，提出了一种动态电力通信网现场故障诊断方法，有效避免了模糊Petri网在故障诊断过程中由于人为主观因素造成的误差，提高了推理过程的准确性。
发明内容
为克服现有技术的不足，本发明提供一种改进模糊Petri的电力通信现场故障诊断方法，其以模糊Petri网理论为核心，引入库所、Token及变迁的着色规则，提出了一种动态模糊Petri网的建模与推理方法，并应用到电力通信现场故障诊断中，能够更加直观、准确地描述现场故障的运行状况，有效避免了模糊Petri网在故障诊断过程中由于人为主观因素造成的误差，提高了推理过程的准确性。
本发明是通过以下技术方案予以实现的：
一种改进模糊Petri的电力通信现场故障诊断方法，包括以下步骤：
步骤一、定义改进动态模糊Petri网算法，所述算法包括一个12元组SDFPN＝(U,V,I,O,K,Y,M,w,P,α,λ,L)，其中，
(1)U＝(u1,u2,…,un)，n>0为有限非空库所集合，表示通信现场故障集合；
(2)V＝(v1,v2,…,vm)，m>0为有限非空变迁集合，表示通信现场故障的状态变化或行为动作，反映故障传输阶段的更替，且表示库所和变迁至少存在一个，且为两类不同的元素；
(3)I：U×V为输入矩阵，表示从库所ui到变迁vj的一条有向弧，它是变迁vj的输入弧，而ui是变迁vj的输入库所，其中，i＝1,2,…,n,j＝1,2,…,m；
(4)O：V×U为输出矩阵，表示从变迁vj到库所ui的一条有向弧，它是变迁vj的输出弧，而ui是变迁vj的输出库所，其中，i＝1,2,…,n,j＝1,2,…,m；
(5)K＝(k1,k2,…,kn)，表示托肯着色的有限集合；
(6)Y为颜色集合，对Y(u)为库所U所有可能的颜色集合，并以不同的颜色表示不同库所类型；Y(m)是库所U上所有可能的托肯颜色集合，并以不同的颜色表示不同的置信度等级；Y(v)是变迁V所有可能的颜色集合，并以变迁颜色是否变色表示点火是否发生；
(7)M＝(m1,m2,…,mn)T为库所标志分布向量，mi表示其对应的库所ui的托肯数目和颜色，i＝1,2,…,n，托肯数目表示库所代表的局部状态实现情况，有托肯时表示故障发生，托肯的数目表示故障路径数目及故障严重程度大小，而不同的颜色表示不同的置信度等级，其中，M0为初始标识向量，表示系统初始状态；
(8)w＝(w1,w2,…,wn)T为库所故障事件权值向量，反映输入库所uk对变迁规则v影响程度，其中uk∈U(v)且
(9)P＝(p1,p2,…,pn)为库所事件模糊故障概率集合，pi表示库所ui代表的故障事件发生的概率大小；
(10)α＝(α1,α2,…,αn)T为故障事件置信度向量，αi表示故障事件ui真实程度的置信度，具有一定的模糊性，αi∈[0,1],i＝1,2,…,n，其初始值由α0表示，并根据历史数据和/或专家知识来取值；
(11)λ＝(λ1,λ2,…,λm)为变迁规则阈值集合，λj表示变迁vj点火的阈值，λj∈]0,1],i＝1,2,…,m；
(12)L＝diag(l1,l2,…,lm)为变迁规则可信度矩阵，lj表示变迁规则vj的可信度，lj∈[0,1],j＝1,2,…,m；
步骤二、基于所述算法构建应用于电力通信现场故障诊断的动态模糊Petri网模型，包括：分析电力通信网络的拓扑结构，并依据故障的模糊规则获得故障事件的逻辑关系；通过库所着色规则的定义和依据托肯着色规则的故障事件置信度等级的设定，构建动态模糊Petri网模型；
步骤三、将构建好的动态模糊Petri网模型应用于电力通信现场的故障诊断，进一步包括：①根据历史运行数据、专家经验知识和实际监测数据确定各输入库所的权值wk、变迁置信度lj、变迁阈值λj、初始库所的置信度α0和故障概率pi，利用置信度矩阵法，推理出各库所故障事件的置信度，用于故障的正反向智能推理；
②基于各库所的置信度和模糊变迁规则，进行潜在使能变迁的判断，得到潜在使能变迁序列，用于正反向智能推理点火判断；
③当系统无故障发生时，通过在线监测设备预测网络中可能出现的故障征兆，通过正向智能推理进行故障状态的评价，实现对系统故障严重程度的评价和传播途径的描述；
④当系统发生故障时，确认已发生的故障现象，进行反向智能推理，追溯最可能发生的故障源，为通信设备的抢修提供指导依据。
进一步地，步骤二中，故障的模糊规则用命题方式来表达故障间的模糊关系，准确清晰的描述故障信息。故障的模糊规则需要根据实际情况来制定。如：IF发生LOS告警THEN光缆中断。
进一步地，所述置信度矩阵法为已有的MYCIN置信度方法。
进一步地，以电力通信现场故障传播模式中的竞争模式确定所述动态模糊Petri网模型的规则和模糊信息的表达。所述竞争模式表示某一子系统的下层各个故障事件的任何一个单独发生，都会引起上层事故的发生，合成产生式规则为：IFu1or u2or…un THEN uk(CF＝l1,l2,…,ln)，则uk的置信度为：αk＝max{α1·l1,α2·l2,…,αn·ln}，其标志M的规则为：
具体地，利用所述动态模糊Petri网模型描述产生式规则的知识结构，库所表示命题，若命题为真，则库所标识为“1”，其置信度用标识值来表示。所述动态模糊Petri网模型中待标识值的变迁表示规则的推理，变迁和库所之间的有向弧及设置的变迁阈值来表达推理规则与命题间关系。
优选地，步骤一进一步包括，设定若 且M(uk)≥1，则称变迁v是使能的(j＝1,2,…,n)。对于任意的变迁v来说，若其所有输入库所的标记值与相应的输入弧上的权值乘积之和大于等于变迁的阈值，且每个输入库所必须至少含有一个托肯，则变迁v是使能的。
优选地，所述库所着色规则定义为：①若U×V→N＝1,V×U→N＝0，则设定该库所为初始库所，即为故障根本原因，用“◎”表示该库所U的状态；若含有托肯着色，则表示发现故障根本原因；②若U×V→N＝1,V×U→N＝1，则设定该库所为中间库所，即为故障模式，用“○”表示；③若U×V→N＝0,V×U→N＝1，则设定该库所为最终库所，即为系统故障，用“◎”表示。
具体地，是否含有托肯，即是否发现故障根本原因，由在线监测设备或专业人员预测获得。
优选地，所述故障事件置信度等级的范围设定为0～1，所述故障事件置信度等级由着色托肯来表示。引入着色托肯代表故障事件置信度等级，能够更加直观地表达故障信息。
与现有技术相比，本发明的有益效果在于，1)针对电力通信现场故障特征呈现出的多层次、多变量、非线性及多关联等特点而引起的现场故障诊断难以实现的问题，本发明以模糊理论和Petri网理论为核心，引入库所、托肯及变迁的着色规则，应用于电力通信现场的故障推理中，有效避免了模糊Petri网在故障诊断过程中由于人为主观因素造成的误差，提高了推理过程的准确性；2)本发明通过Petri网的图形描述能力和模糊系统的模糊推理能力，使得知识表示简单清晰，便于对电力通信现场故障进行分析、推理和决策；且本发明不需要复杂的计算，收敛快，具有较好实时性和准确性；本发明利用模糊数学理论和方法可以有效的处理研究对象和系统的不确定性和模糊性；3)在本发明的动态模糊Petri网模型应用于电力通信现场故障诊断中，根据历史数据和/或专家知识来确定对应库所的初始标志，这样在实际应用中，只要根据历史数据和/或专家知识或在线监测数据来更新所述petri网的初始库所的置信度就可以将诊断推理顺利的进行下去，扩大了该模型的适用范围；4)本发明采用矩阵的正向推理能充分利用模糊Petri网的数学理论基础和描述并发系统的能力，具有并行推理能力，可以同时得到推理后系统的全部状态值，非常适合数据不完备、不确定、模糊情况下的在线诊断；5)本发明利用模糊Petri网的反向推理和阈值设定，在电力通信现场已经发生故障时，可以迅速确定故障源，消除了故障诊断的盲目性，提高了故障诊断的效率。
附图说明
图1为根据实施例的动态模糊Petri网模型的构建流程示意图；
图2为根据实施例的动态模糊Petri网的故障诊断流程示意图；
图3为根据实施例的库所着色规则示例图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述发实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
提供一种改进模糊Petri的电力通信现场故障诊断方法，包括以下步骤：
步骤一、定义改进动态模糊Petri网算法，所述算法包括一个12元组SDFPN＝(U,V,I,O,K,Y,M,w,P,α,λ,L)，其中，
(1)U＝(u1,u2,…,un)，n>0为有限非空库所集合，表示通信现场故障集合；
(2)V＝(v1,v2,…,vm)，m>0为有限非空变迁集合，表示通信现场故障的状态变化或行为动作，反映故障传输阶段的更替，且表示库所和变迁至少存在一个，且为两类不同的元素；
(3)I：U×V为输入矩阵，表示从库所ui到变迁vj的一条有向弧，它是变迁vj的输入弧，而ui是变迁vj的输入库所，其中，i＝1,2,…,n,j＝1,2,…,m；
(4)O：V×U为输出矩阵，表示从变迁vj到库所ui的一条有向弧，它是变迁vj的输出弧，而ui是变迁vj的输出库所，其中，i＝1,2,…,n,j＝1,2,…,m；
(5)K＝(k1,k2,…,kn)，表示托肯着色的有限集合；
(6)Y为颜色集合，对Y(u)为库所U所有可能的颜色集合，并以不同的颜色表示不同库所类型；Y(m)是库所U上所有可能的托肯颜色集合，并以不同的颜色表示不同的置信度等级；Y(v)是变迁V所有可能的颜色集合，并以变迁颜色是否变色表示点火是否发生；
(7)M＝(m1,m2,…,mn)T为库所标志分布向量，mi表示其对应的库所ui的托肯数目和颜色，i＝1,2,…,n，托肯数目表示库所代表的局部状态实现情况，有托肯时表示故障发生，托肯的数目表示故障路径数目及故障严重程度大小，而不同的颜色表示不同的置信度等级，其中，M0为初始标识向量，表示系统初始状态；
(8)w＝(w1,w2,…,wn)T为库所故障事件权值向量，反映输入库所uk对变迁规则v影响程度，其中uk∈U(v)且
(9)P＝(p1,p2,…,pn)为库所事件模糊故障概率集合，pi表示库所ui代表的故障事件发生的概率大小；
(10)α＝(α1,α2,…,αn)T为故障事件置信度向量，αi表示故障事件ui真实程度的置信度，具有一定的模糊性，αi∈[0,1],i＝1,2,…,n，其初始值由α0表示，并根据历史数据和/或专家知识来取值；
(11)λ＝(λ1,λ2,…,λm)为变迁规则阈值集合，λj表示变迁vj点火的阈值，λj∈[0,1],i＝1,2,…,m；
(12)L＝diag(l1,l2,…,lm)为变迁规则可信度矩阵，lj表示变迁规则vj的可信度，lj∈[0,1],j＝1,2,…,m；
步骤二、基于所述算法构建应用于电力通信现场故障诊断的动态模糊Petri网模型，如图1所示，首先对电力通信网络进行网络结构分析，并依据确定的模糊规则获得故障事件的逻辑关系，所述模糊规则根据实际情况由命题方式来确定；同时为更清晰准确表达故障传播特性与故障模糊信息，通过库所着色规则的定义和依据托肯着色规则的故障事件置信度等级的设定，构建动态模糊Petri网模型；
步骤三、将构建好的动态模糊Petri网模型应用于电力通信现场的故障诊断，如图2所示，进一步包括：①根据历史运行数据、专家经验知识和实际监测数据确定所述模型的初值，包括各输入库所的权值wk、变迁置信度lj、变迁阈值λj、初始库所的置信度α0和故障概率pi，然后利用置信度矩阵法，推理出各库所故障事件的置信度，用于故障的正反向智能推理；所述置信度矩阵法为已有的MYCIN置信度方法；
②基于各库所的置信度和模糊变迁规则，进行潜在使能变迁的判断，得到潜在使能变迁序列，用于正反向智能推理点火判断；
③当系统无故障发生时，通过在线监测设备预测网络中可能出现的故障征兆，确定初始标识，进行点火变迁序列判断，推理故障状态，并依据托肯着色规则，确定网络故障状态信息，得到推理结果，该过程通过正向智能推理故障状态，实现对系统故障严重程度的评价和传播途径的描述；
④当系统发生故障时，确认已发生的故障现象，进行逆向推理，获得库所逆向可达序列，确定故障关联矩阵，并据此发现故障源，结合库所故障率，得到故障易发率，根据故障易发率得到故障源优化诊断顺序，该过程进行反向智能推理，追溯最可能发生的故障源，为通信设备的抢修提供指导依据。
进一步地，以电力通信现场故障传播模式中的竞争模式确定所述动态模糊Petri网模型的规则和模糊信息的表达。所述竞争模式表示某一子系统的下层各个故障事件的任何一个单独发生，都会引起上层事故的发生，合成产生式规则为：IFu1or u2or…un THEN uk(CF＝l1,l2,…,ln)，则uk的置信度为：αk＝max{α1·l1,α2·l2,…,αn·ln}，其标志M的规则为：
具体地，利用所述动态模糊Petri网模型描述产生式规则的知识结构，库所表示命题，若命题为真，则库所标识为“1”，其置信度用标识值来表示。所述动态模糊Petri网模型中待标识值的变迁表示规则的推理，变迁和库所之间的有向弧及设置的变迁阈值来表达推理规则与命题间关系。
具体地，步骤一进一步包括，设定若 且M(uk)≥1，则称变迁v是使能的(j＝1,2,…,n)。对于任意的变迁v来说，若其所有输入库所的标记值与相应的输入弧上的权值乘积之和大于等于变迁的阈值，且每个输入库所必须至少含有一个托肯，则变迁v是使能的。
具体地，所述库所着色规则定义为：①若U×V→N＝1,V×U→N＝0，则设定该库所为初始库所，即为故障根本原因，用“◎”表示该库所U的状态；若含有托肯着色，则表示发现故障根本原因；②若U×V→N＝1,V×U→N＝1，则设定该库所为中间库所，即为故障模式，用“○”表示；③若U×V→N＝0,V×U→N＝1，则设定该库所为最终库所，即为系统故障，用“◎”表示。如图3所示，u1,u2,u3为初始库所，u4为中间库所，u5为最终库所。
具体地，是否含有托肯，即是否发现故障根本原因，由在线监测设备或专业人员预测获得。
具体地，所述故障事件置信度等级的范围设定为0～1，所述故障事件置信度等级由着色托肯来表示。引入着色托肯代表故障事件置信度等级，能够更加直观地表达故障信息。如表1所示，表1为本发明定义的托肯着色规则。
表1托肯着色规则
在具体实施中，基于所述动态模糊Petri网模型的正向推理反映了故障传播的特性，可以实现对故障状态的评价。首先，进行所述模型的初始化，即根据在线监测设备或专业人员获取的故障征兆信息，对所述模型的库所赋予初始标志，确定所述模型的初始状态；其次，根据置信度的推理结果，当库所置信度的值大于所述模型中对变迁设置的阈值时，变迁才能点火。基于该流程，可利用变迁点火的智能矩阵，判断变迁点火序列，进而利用故障状态公式，评价故障现象的发生、故障严重程度及故障引发路径，减少电力通信现场设备故障的发生。正向推理算法包括Shyi-Ming Chen等学者提出的利用WFPN知识表示的推理算法以及Mei-mei Gao等学者提出的一种基于矩阵向量运算且适用于模糊产生式知识表示的推理算法。
在具体实施中，基于所述动态模糊Petri网模型的逆向推理是故障诊断的过程，由观察到的某一故障现象寻求导致这一故障的根本原因，找出所述模型中导致这一故障的故障源，若同时存在多个故障源，则根据故障源易发率的大小，确定故障源的优先诊断顺序。所述故障易发率可定义为故障事件的置信度与事件故障率的乘积。反向推理算法包括Shyi-Ming Chen等学者提出的模糊逆向推理算法。
针对电力通信现场故障特征呈现出多层次、多变量、非线性及多关联等特点而引起的现场故障诊断难以实现的问题，本发明以模糊理论和Petri网理论为核心，综合运用故障Petri网技术、模糊Petri网技术对电力通信现场的故障状态评价及诊断问题进行了深入研究，并提出了一种动态模糊故障Petri网的故障模型及建模规则，应用于电力通信现场的故障推理，有效避免了模糊Petri网在故障诊断过程中由于人为主观因素造成的误差，提高了推理过程的准确性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案。

Claims (4)

1.一种改进模糊Petri的电力通信现场故障诊断方法，其特征在于，包括以下步骤：
步骤一、定义改进动态模糊Petri网算法，所述算法包括一个12元组SDFPN＝(U，V，I，O，K，Y，M，w，P，α，λ，L)，其中，
(1)U＝(u1，u2，…，un)，n＞0为有限非空库所集合，表示通信现场故障集合；
(2)V＝(v1，v2，…，vm)，m＞0为有限非空变迁集合，表示通信现场故障的状态变化或行为动作，反映故障传输阶段的更替，且表示库所和变迁至少存在一个，且为两类不同的元素；
(3)I：U×V为输入矩阵，表示从库所ui到变迁vj的一条有向弧，它是变迁vj的输入弧，而ui是变迁vj的输入库所，其中，i＝1，2，…，n，j＝1，2，…，m；
(4)O：V×U为输出矩阵，表示从变迁vj到库所ui的一条有向弧，它是变迁vj的输出弧，而ui是变迁vj的输出库所，其中，i＝1，2，…，n，j＝1，2，…，m；
(5)K＝(k1，k2，…，kn)，表示托肯着色的有限集合；
(6)Y为颜色集合，对Y(u)为库所U所有可能的颜色集合，并以不同的颜色表示不同库所类型；Y(m)是库所U上所有可能的托肯颜色集合，并以不同的颜色表示不同的置信度等级；Y(v)是变迁V所有可能的颜色集合，并以变迁颜色是否变色表示点火是否发生；
(7)M＝(m1，m2，…，mn)T为库所标志分布向量，mi表示其对应的库所ui的托肯数目和颜色，i＝1，2，…，n，托肯数目表示库所代表的局部状态实现情况，有托肯时表示故障发生，托肯的数目表示故障路径数目及故障严重程度大小，而不同的颜色表示不同的置信度等级，其中，M0为初始标识向量，表示系统初始状态；
(8)w＝(w1，w2，…，wn)T为库所故障事件权值向量，反映输入库所uk对变迁规则v影响程度，其中uk∈U(v)且
(9)P＝(p1，p2，…，pn)为库所事件模糊故障概率集合，pi表示库所ui代表的故障事件发生的概率大小；
(10)α＝(α1，α2，…，αn)T为故障事件置信度向量，αi表示故障事件ui真实程度的置信度，具有一定的模糊性，αi∈[0，1]，i＝1，2，…，n，其初始值由α0表示，并根据历史数据和/或专家知识来取值；
(11)λ＝(λ1，λ2，…，λm)为变迁规则阈值集合，λj表示变迁vj点火的阈值，λj∈[0，1]，i＝1，2，…，m；
(12)L＝diag(l1，l2，…，lm)为变迁规则可信度矩阵，lj表示变迁规则vj的可信度，lj∈[0，1]，j＝1，2，…，m；
步骤二、基于所述算法构建应用于电力通信现场故障诊断的动态模糊Petri网模型，包括：分析电力通信网络的拓扑结构，并依据故障的模糊规则获得故障事件的逻辑关系；通过库所着色规则的定义和依据托肯着色规则的故障事件置信度等级的设定，构建动态模糊Petri网模型；
步骤三、将构建好的动态模糊Petri网模型应用于电力通信现场的故障诊断，进一步包括：①根据历史运行数据、专家经验知识和实际监测数据确定各输入库所的权值wk、变迁置信度lj、变迁阈值λj、初始库所的置信度α0和故障概率pi，利用置信度矩阵法，推理出各库所故障事件的置信度，用于故障的正反向智能推理；
②基于各库所的置信度和模糊变迁规则，进行潜在使能变迁的判断，得到潜在使能变迁序列，用于正反向智能推理点火判断；
③当系统无故障发生时，通过在线监测设备预测网络中可能出现的故障征兆，通过正向智能推理进行故障状态的评价，实现对系统故障严重程度的评价和传播途径的描述；
④当系统发生故障时，确认已发生的故障现象，进行反向智能推理，追溯最可能发生的故障源，为通信设备的抢修提供指导依据。
2.根据权利要求1所述的一种改进模糊Petri的电力通信现场故障诊断方法，其特征在于，步骤一进一步包括，设定若 且M(uk)≥1，则称变迁v是使能的(j＝1，2，…，n)。
3.根据权利要求1所述的一种改进模糊Petri的电力通信现场故障诊断方法，其特征在于，所述库所着色规则定义为：①若U×V→N＝1，V×U→N＝0，则设定该库所为初始库所，即为故障根本原因，用“◎”表示该库所U的状态；若含有Token着色，则表示发现故障根本原因；②若U×V→N＝1，V×U→N＝1，则设定该库所为中间库所，即为故障模式，用“○”表示；③若U×V→N＝0，V×U→N＝1，则设定该库所为最终库所，即为系统故障，用表示。
4.根据权利要求1所述的一种改进模糊Petri的电力通信现场故障诊断方法，其特征在于，所述故障事件置信度等级的范围设定为0～1，所述故障事件置信度等级由着色托肯来表示。
CN201810864516.9A 2018-08-01 2018-08-01 一种改进模糊Petri的电力通信现场故障诊断方法 Pending CN109039739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864516.9A CN109039739A (zh) 2018-08-01 2018-08-01 一种改进模糊Petri的电力通信现场故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864516.9A CN109039739A (zh) 2018-08-01 2018-08-01 一种改进模糊Petri的电力通信现场故障诊断方法

Publications (1)

Publication Number Publication Date
CN109039739A true CN109039739A (zh) 2018-12-18

Family

ID=64647382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864516.9A Pending CN109039739A (zh) 2018-08-01 2018-08-01 一种改进模糊Petri的电力通信现场故障诊断方法

Country Status (1)

Country Link
CN (1) CN109039739A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800525A (zh) * 2019-01-29 2019-05-24 中国石油大学(北京) 液化天然气储备库事故原因反演方法及装置
CN110033125A (zh) * 2019-03-14 2019-07-19 山东科技大学 一种基于模糊逻辑Petri网的业务流程分析方法
CN110261159A (zh) * 2019-07-31 2019-09-20 上海应用技术大学 柔性制造刀具子系统故障诊断方法
CN110309612A (zh) * 2019-07-08 2019-10-08 西安交通大学 基于模糊故障Petri网的动力系统故障处理方法
CN110333694A (zh) * 2019-07-31 2019-10-15 上海应用技术大学 基于模糊Petri网的数控设备故障诊断方法
CN110750920A (zh) * 2019-09-30 2020-02-04 华中科技大学 基于模糊Petri网的制造系统节能运行决策方法及设备
CN110994673A (zh) * 2019-11-26 2020-04-10 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值的预测方法
CN111224427A (zh) * 2020-02-27 2020-06-02 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值预测方法及装置
CN111506923A (zh) * 2020-05-11 2020-08-07 上海卓越睿新数码科技有限公司 一种教学教务信息与教学平台数据同步方法及系统
CN112115618A (zh) * 2020-09-22 2020-12-22 南方电网海南数字电网研究院有限公司 一种基于矩阵图及置信度的电力设备故障诊断方法及系统
CN114987585A (zh) * 2022-06-10 2022-09-02 北京道迩科技有限公司 基于真实场景应急处置流程分析的Petri建模方法
CN115081120A (zh) * 2022-07-22 2022-09-20 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN116611522A (zh) * 2023-06-02 2023-08-18 中南大学 基于概率灰数模糊Petri网的泡沫浮选过程工况恶化溯因方法

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800525A (zh) * 2019-01-29 2019-05-24 中国石油大学(北京) 液化天然气储备库事故原因反演方法及装置
CN110033125A (zh) * 2019-03-14 2019-07-19 山东科技大学 一种基于模糊逻辑Petri网的业务流程分析方法
CN110033125B (zh) * 2019-03-14 2023-04-18 山东科技大学 一种基于模糊逻辑Petri网的业务流程分析方法
CN110309612A (zh) * 2019-07-08 2019-10-08 西安交通大学 基于模糊故障Petri网的动力系统故障处理方法
CN110261159A (zh) * 2019-07-31 2019-09-20 上海应用技术大学 柔性制造刀具子系统故障诊断方法
CN110333694A (zh) * 2019-07-31 2019-10-15 上海应用技术大学 基于模糊Petri网的数控设备故障诊断方法
CN110261159B (zh) * 2019-07-31 2021-06-29 上海应用技术大学 柔性制造刀具子系统故障诊断方法
CN110750920A (zh) * 2019-09-30 2020-02-04 华中科技大学 基于模糊Petri网的制造系统节能运行决策方法及设备
CN110994673B (zh) * 2019-11-26 2021-07-20 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值的预测方法
CN110994673A (zh) * 2019-11-26 2020-04-10 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值的预测方法
CN111224427A (zh) * 2020-02-27 2020-06-02 上海电机学院 一种微电网自适应反孤岛扰动负载阻抗值预测方法及装置
CN111506923A (zh) * 2020-05-11 2020-08-07 上海卓越睿新数码科技有限公司 一种教学教务信息与教学平台数据同步方法及系统
CN112115618A (zh) * 2020-09-22 2020-12-22 南方电网海南数字电网研究院有限公司 一种基于矩阵图及置信度的电力设备故障诊断方法及系统
CN114987585A (zh) * 2022-06-10 2022-09-02 北京道迩科技有限公司 基于真实场景应急处置流程分析的Petri建模方法
CN115081120A (zh) * 2022-07-22 2022-09-20 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN115081120B (zh) * 2022-07-22 2022-11-25 中国民航大学 一种基于fppn的飞行控制系统故障传播路径分析方法
CN116611522A (zh) * 2023-06-02 2023-08-18 中南大学 基于概率灰数模糊Petri网的泡沫浮选过程工况恶化溯因方法
CN116611522B (zh) * 2023-06-02 2024-04-30 中南大学 基于概率灰数模糊Petri网的泡沫浮选过程工况恶化溯因方法

Similar Documents

Publication Publication Date Title
CN109039739A (zh) 一种改进模糊Petri的电力通信现场故障诊断方法
CN108320040B (zh) 基于贝叶斯网络优化算法的采集终端故障预测方法及系统
CN103001328B (zh) 一种智能变电站的故障诊断与评估方法
Liu et al. Dynamic adaptive fuzzy Petri nets for knowledge representation and reasoning
Shi et al. A novel method for failure mode and effects analysis using fuzzy evidential reasoning and fuzzy Petri nets
CN107769202B (zh) 计及天气模型的基于模糊Petri网的配电网可靠性评估方法
CN113746663B (zh) 机理数据双驱动结合的性能劣化故障根因定位方法
CN104765965A (zh) 基于模糊Petri的GIS故障诊断与可靠性分析方法
Wang et al. Power system network topology identification based on knowledge graph and graph neural network
CN106485594A (zh) 一种主配网一体化事故响应决策方法
CN103197983A (zh) 基于概率图模型的服务组件可靠性在线时间序列预测方法
He et al. Fault diagnosis and location based on graph neural network in telecom networks
CN109510201A (zh) 一种基于梯形模糊数系统的配电网可靠性评估方法
Xiao et al. Modeling and simulation of opinion natural reversal dynamics with opinion leader based on HK bounded confidence model
CN106296440A (zh) 基于ann和es集成的变电站告警信息分析决策系统和方法
CN116308304A (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
Pan et al. Research on human error risk evaluation using extended Bayesian networks with hybrid data
Yao et al. A fault diagnosis expert system based on aircraft parameters
CN107818523B (zh) 基于非稳定频率分布与频率因子学习的电力通信系统数据真值判别与推断方法
Grebenyuk et al. Technological infrastructure management models and methods based on digital twins
CN110333709A (zh) 一种轧钢过程故障诊断方法及系统
Wang et al. Inference and analysis of a new evidential reasoning rule-based performance evaluation model
CN109612173A (zh) 一种蒸发循环制冷系统的故障评价及诊断方法
Ma et al. A probabilistic cascading failure model for dynamic operating conditions
Dongli et al. Research on fault risk ranking and screening of distribution network based on uncertainty theory

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181218