CN110470951B - 基于PMU信息和Petri网的有源配电网故障诊断方法 - Google Patents
基于PMU信息和Petri网的有源配电网故障诊断方法 Download PDFInfo
- Publication number
- CN110470951B CN110470951B CN201910761526.4A CN201910761526A CN110470951B CN 110470951 B CN110470951 B CN 110470951B CN 201910761526 A CN201910761526 A CN 201910761526A CN 110470951 B CN110470951 B CN 110470951B
- Authority
- CN
- China
- Prior art keywords
- fault
- protection
- suspicious
- library
- network
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/22—Flexible AC transmission systems [FACTS] or power factor or reactive power compensating or correcting units
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
一种基于PMU信息和Petri网的有源配电网故障诊断方法,故障发生后,从系统故障信息系统中获取对应的保护、断路器的动作信息;确定故障区域,对区域的故障信息进行编号处理;整理形成可疑故障元件库,获取可疑故障元件数;合并得到最终的可疑元件库,并从中依次获取可疑故障元件;基于电网状态特征信息,向初始库所中布入托肯值;动态形成可疑元件的端模型或者引出线模型;向初始库所中布入托肯值;进行矩阵运算推导,直到形成稳定petri网模型;形成故障诊断综合模型,得到元件库所的状态;判断可疑元件是否为故障元件;是否还存在可疑故障元件;得出最终诊断结果。本发明有效地简化了网络,降低了诊断的复杂性。
Description
技术领域
本发明涉及一种有源配电网故障诊断方法。特别是涉及一种基于PMU信息和Petri网的有源配电网故障诊断方法。
背景技术
经济的发展提高了对供电可靠性的要求,精准的故障诊断是保障电力安全、可靠、优质供给的重要手段[1]。相比于输电网,配电网拓扑结构多变、电流分布庞杂。大量分布式电源(Distributed Energy Resources,DER)的接入导致配电网潮流双向流动,给配电网造成了如故障误判、保护误动等新问题[2],传统的故障诊断方法存在较大的误差,并不适用。因此,针对有源配电网的故障诊断方法受到关注。
为了解决分布式电源接入对配电网故障诊断带来的困难,国内外学者提出了诸多方法。文献[3]提出了基于希尔伯特变换的故障诊断模型,利用快速本征模态分解,将电气量故障信息转换为定量的故障测度,进行故障识别;文献[4]基于线电压和零模电流暂态分量计算故障方向参数,根据故障区段两侧方向参数极性相反的特点进行故障区段定位。配电网故障诊断也引入许多智能算法,如文献[5]引入离散二进制粒子群优化算法应用于配电网故障诊断中极小诊断的模型求解,这种方法具有较快的收敛速度,但不能保证得到全部的最小碰集;文献[6]提出了基于聚类分析的配电网诊断方法,可进行不同故障条件下的故障识别,且不受系统参数变化影响。
现有基于基波的故障诊断方法缺乏对系统故障动态特性的表征能力,导致诊断精度受到限制。近年来,应用于配电网的同步相量测量单元(Phasor Measurement Unit,PMU)快速发展,该装置能够提供高频率、高精度、带时标的电压和电流相量数据,为利用多点信息协同处理配电网故障诊断提供了可能[7]。凭借着直观的表达方式和简单的矩阵运算,Petri网被应用于电网故障诊断方面。文献[8]对电网中的线路、导线和变压器分别建立对应的Petri网模型,并利用模糊推理规则通过矩阵迭代运算的方式来完成诊断。文献[9]考虑了故障诊断模型的特点,给出电网拓扑变化的快速修正方法,利用保护动作的时序属性进行故障诊断。当新的分布式电源加入或网络拓扑结构发生变化时,往往需要建立新的Petri网模型。但是当电网规模巨大时,Petri网建立的诊断模型的节点过多,容易产生组合爆炸[10];且其矩阵运算的权值多靠人工经验给出,加大了诊断结果的不确定性。
因此,目前存在着现有配电网数据量较大,难以快速对有源配电网故障进行诊断的问题。
发明内容
本发明所要解决的技术问题是,提供一种引入了故障可疑元件库及故障诊断模型,有效简化了网络的基于PMU信息和Petri网的有源配电网故障诊断方法。
本发明所采用的技术方案是:一种基于PMU信息和Petri网的有源配电网故障诊断方法,引入了故障可疑元件库及故障诊断模型,利用多点配电网同步相量测量单元的高频全采样及特征数据获得系统特征信息,并配合Petri网进行故障诊断,包括如下步骤:
1)当获得量测信息或故障指示器显示电网发生故障后,从配电自动化系统中获取故障各保护动作信息;
2)分析故障各保护动作信息来确定各保护动作对应的故障区域,分别对每个故障区域内的动作元件进行编号;
3)基于PMU信息确定故障可疑元件,整理形成各故障区域的故障可疑元件子库;
4)将各故障区域的故障可疑元件子库合并得到最终的可疑元件库,并分别建立一次系统元件的可疑元件故障树模型;
5)利用各故障可疑元件故障树模型分别建立对应的故障可疑元件的Petri网故障诊断模型;
6)基于故障区域内各保护动作信息,向一个所述的故障可疑元件的Petri网的库所布入托肯值;
7)对所述的Petri网进行矩阵运算推导,直到形成稳定Petri网;
8)建立故障诊断综合模型,对故障可疑元件进行分析,判断是否为故障元件;
9)判断是否完成对所有故障可疑元件的Petri网故障诊断模型的处理,完成则进入步骤10),否则返回步骤6);
10)得出最终诊断结果,并对保护动作作出评价。
本发明的基于PMU信息和Petri网的有源配电网故障诊断方法,引入了故障可疑元件库及故障诊断模型,有效地简化了网络,同时利用多点PMU的高频全采样及特征数据获得系统特征信息,并配合Petri网进行故障诊断,降低了诊断的复杂性。本发明具有的有益效果是:
(1)本发明考虑了分布式电源的接入导致故障电流特征发生变化,通过引入了故障可疑元件库的概念以及整理规则,有效地简化了网络,降低了诊断的复杂性。
(2)对于有源配电网中存在不同类型的分布式电源、储能设备、电动汽车等柔性负荷,以及交直流混联系统,通过细化模型获得源网荷设备对故障诊断的影响,即可实现快速诊断。
附图说明
图1是本发明基于PMU信息和Petri网的有源配电网故障诊断方法的流程图;
图2是本发明具体实施例提供的故障诊断信息的获取来源;
图3是本发明具体实施例提供的基于D-PMU信息和Petri网的故障诊断;
图4是本发明具体实施例提供的故障可疑元件子库的组成及合并过程;
图5是本发明具体实施例提供的故障可疑元件的故障树模型;
图6是本发明具体实施例提供的Petri网故障诊断模型;
图7是本发明具体提供的基于Petri网的故障诊断范例;
图8是本发明所提供的某有源配电网局部接线图;
图9是具体实施算例中线路L22的母线B17端故障诊断模型。
具体实施方式
下面结合实施例和附图对本发明的基于PMU信息和Petri网的有源配电网故障诊断方法做出详细说明。
本发明的基于PMU信息和Petri网的有源配电网故障诊断方法,引了故障可疑元件库及故障诊断模型,利用多点配电网同步相量测量单元(Distributed PhasorMeasurement Unit,D-PMU)的高频全采样及特征数据获得系统特征信息,并配合Petri网进行故障诊断。信息源是电网故障诊断的基础,准确迅速地获取大量电网故障信息十分重要,影响诊断方法的选择和诊断结果的精确性。采集数据源和类型包括数据采集与监视控制系统,提供电网的保护与开关动作信息,以及电气量等信息。D-PMU装置,提供带有时标的量测点电压、电流等电气量测信息,基于全球定位系统对时可以以极小的分辨率判断出状态变化的顺序,得到相应保护、断路器动作的时序特征;故障指示器,提供时间顺序记录和故障录波装置也可以提供警报等信息,用于支持故障诊断。配电网主要故障信息获取来源如图2所示。
配电网规模巨大、接线复杂且元件数量多,搭建Petri网故障诊断模型耗时长、矩阵运算规模巨大。但实际中通常只有极少数元件可能同时发生故障,并且在事故发生后,能够及时地将故障区域与非故障区域分开。可行的方法是根据整个电网的故障信息找到发生故障的可疑设备,以形成故障区段,再进行故障诊断。通过筛选可疑故障元件,形成可疑元件库,减少需要建模的个数。
为了对有源配电网整体是否发生故障进行全面监测,基于多点D-PMU的高频全采样及特征数据,通过结合配合故障信息数据,可以提取所分析时刻的故障特征向量。通过可疑故障元件库和故障诊断模型,采用Petri网技术进行故障诊断,获得故障状态。基于D-PMU信息和Petri网的故障诊断如图3所示。
如图1所示,本发明的基于PMU信息和Petri网的有源配电网故障诊断方法,具体包括如下步骤:
1)当获得量测信息或故障指示器显示电网发生故障后,从配电自动化系统中获取故障各保护动作信息;
2)分析故障各保护动作信息来确定各保护动作对应的故障区域,分别对每个故障区域内的动作元件进行编号;
3)基于D-PMU信息确定故障可疑元件,整理形成各故障区域的故障可疑元件子库;包括:
(1)对于每个故障区域,基于多点D-PMU的高频全采样量测数据,结合保护动作信息,提取故障发生时刻的前后设定时段D-PMU量测点的电压和电流的时序特征;
(2)依据保护动作信息和电压和电流的时序特征确定故障区域可疑元件;
(3)根据各故障区域内的所有元件的编号和故障区域可疑元件,形成各故障区域的故障可疑元件子库。
4)将各故障区域的故障可疑元件子库合并得到最终的可疑元件库,并分别建立一次系统元件的可疑元件故障树模型;其中
所述的合并原则是如果同一故障区域里的多个可疑元件子库包含相同元素,就将这些可疑元件子库合并为一个新可疑元件库,新可疑元件库包含被合并的可疑元件子库中的所有元素,合并后可疑元件库包含了多个经整理合并后的故障可疑元件子库。如图4所示:合并前一个子库中有L1、L2,一个子库中有L2、L3,另一个子库中有B1,那么合并后的一个子库中同时有L1、L2和L3,另一个子库中有B1;经过操作后形成一个完整可疑故障元件库。
所述的可疑元件故障树模型如图5所示,其建立原则为,在故障树中用结点代表一次系统元件,包括线路L6、L8、断路器CB3、CB6、CB8、母线B2、继电器R3、R6、R8,用结点间的线连接表示一次系统元件间的物理连接;将故障可疑元件母线B2作为起点,以每个故障可疑元件母线B2向外搜索的路径的方向为正方向(箭头所指方向)构成分支,逐次搜索判断保护动作是否与故障可疑元件相关联,并将与故障可疑元件关联的电气设备加入到故障树中,直至每个分支都被确定完为止。
5)利用各故障可疑元件故障树模型分别建立对应的故障可疑元件的Petri网故障诊断模型;
由于电网保护信息是以某段保护动作的形式体现的,且各保护之间遵循一定的整定配合原则,可以通过搭建恰当的故障诊断模型,并依据获得的故障信息实现故障诊断。
建立故障可疑元件的Petri网故障诊断模型先要确定故障可疑元件的Petri网,首先将可疑元件故障树中的每个分支都映射为一个Petri网的分支,然后将所有断路器结点与关联的保护动作信息映射为Petri网的库所,利用变迁来模拟保护动作行为,从而建立故障可疑元件的Petri网。
在建立好的故障可疑元件的Petri网的基础上,建立故障可疑元件的Petri网故障诊断模型需要引入时间延迟参数来对继电保护装置时间级差配合的特性进行表示,所述的时间延迟参数是不同继电保护对应的变迁所具有不同的触发延迟时间的映射,以此对继电保护在时间上的配合进行模拟,再根据继电保护的动作延时时限信息,通过排序判据确定保护的优先级,同时把对应的优先级库所依照由高到低的顺序进行连接,从而建立故障可疑元件的Petri网故障诊断模型。
如图6所示,故障可疑元件的Petri网故障诊断模型是将各库所t11、t12、t13、t14按保护的优先级由高到低的顺序进行排列,并将每一级连接到位于与线路或母线相连的分支H1上所对应的保护元件P1、P2、P3、P4上。
本发明按照分步诊断的办法,分别对故障可疑元件故障树模型的每条分支建立故障可疑元件的Petri网故障诊断模型。对于故障可疑元件的故障树模型某方向的一条分支,该分支靠近母线一侧的保护为第一级保护纵联速断保护R1,控制断路器CB3,动作时间0s。第二级保护R2,控制断路器CB3,动作时间0.1s;第三级保护R3,控制断路器CB3,动作时间0.5s。第四级保护R4,控制断路器CB1,动作时间0.5s。
故障可疑元件的Petri网故障诊断模型可分为三类:第一类为故障元件库P,包括馈线、变压器等(如图6中的P1、P2、P3、P4);第二类为保护继电器库,即指设备的保护R(如图6中的R1、R2、R3、R4);第三类为断路器库,具体指保护所对应的断路器CB(如图6中的CB1、CB3)。所构建的模型中,如果系统故障警报触发,则表示:(1)有故障发生并且保护测量到故障发生;(2)保护动作,并使得相应的断路器动作。
模型搭建的关键是确定可疑元件所装设的保护优先级别。优先级的确立原则为:(1)首先按照保护所需的动作时间来区分,动作时间越长,优先级越低;(2)当同一可疑元件两类保护的动作时间相同时,按照距离该元件的实际距离来区别,保护的断路器空间距离越远,优先级越低。上述保护的优先级从高到低为:R1>R2>R3>R4。在故障可疑元件的Petri网故障诊断模型中,当托肯值大于激发阈值时,表明线路这一端出现因该线路发生故障而动作的保护。
6)基于故障区域内各保护动作信息,向一个所述的故障可疑元件的Petri网故障诊断模型的库所布入托肯值;所述的托肯值,是Petri网的基本元素,具体指存入可疑元件库的库所中的保护动作信息,能够从所在的库所移动到另一个库所,Petri网基本元素还包括变迁和有向弧。
7)对所述的Petri网进行矩阵运算推导,直到形成稳定Petri网;
所述矩阵运算推导的规则,是指Petri网的结构和变迁点火过程,每一个变迁t都设定一个激发阈值λ=0.6,如果变迁t的点火过程中所有输入库所中的托肯值都大于激发阈值,那么变迁t点火触发;当变迁t点火触发时,去除变迁t点火过程中的所有输入库所中的托肯值,并对应存入变迁t点火过程中的所有输出库所中;
所述的对Petri网进行矩阵运算推导,是将网络状态向量M表示库所的状态,U表示变迁节点是否满足点火触发条件,满足点火触发条件的向量值为1,否则为0;关联矩阵C表示变迁节点同输入库所和输出库所的连接关系,网络状态向量M的状态方程为:
Μn+1=Mn+CUn+1 (1)
其中,n表示网络状态向量M的第n个状态,n为大于等于0的整数,初始网络状态向量M0由动作保护和断路器的信息决定,关联矩阵C表示为:
式中,W(P,t)∈[0,1]表示从库所集合P到变迁t的有向弧F权值,表示推理规则为真的置信度值,置信度值越高,规则可信度越高,本发明实施例中有向弧权值取为0.98,(P,t)表示为表示P到t间存在的有向通路,(t,P)表示为表示t到P间存在的有向通路。
将网络状态向量M的初始状态值带入状态方程进行迭代计算,使网络状态向量M发生变化,直到输出库所出现托肯值时,形成稳定Petri网。
8)建立故障诊断综合模型,对故障可疑元件进行分析,判断是否为故障元件;
如图7所述的故障诊断综合模型,用于将一次系统元件建立好的各可疑元件故障树模型代入网络状态向量M的状态方程进行运算得到诊断结果,根据诊断结果确定可疑元件是否发生故障;
所述的故障诊断综合模型适用于线路、断路器、母线和变压器,模型中,用L或CB或B或T分别代表被诊断的故障可疑元件,即可疑线路、可疑断路器、可疑母线和可疑变压器,用H1、H2、…、Hn表示与故障可疑元件L或CB或B或T相连的引出线的诊断结果;只有当每条相连的引出线的诊断结果H1、H2、…、Hn分别都大于激发阈值λ时,被诊断的故障可疑元件L或CB或B或T才被确定为故障元件。
9)判断是否完成对所有故障可疑元件的Petri网故障诊断模型的处理,完成则进入步骤10),否则返回步骤6);
10)得出最终诊断结果,并对保护动作作出评价,包括:
(1)对保护误动的评价:当对于已经动作的保护,保护范围内受保护的元件均未发生故障,则已经动作的保护为误动;或虽然发生故障的元件在该保护的范围内,但同时有优先级别高于已经动作的保护的保护也作出保护动作,则优先级别低的保护作出的保护动作为误动;
(2)保护拒动的评价:已经发生故障元件的主保护的断路器库所中状态值为0,或者没有状态的变化,则判定为主保护的断路器拒动,再检查主保护的断路器的保护动作信息,如果保护动作信息也没有主保护的断路器的动作,则判定为主保护也拒动;如果已经得到结论主保护拒动,此时主保护的后备保护断路器库所中状态值为0或者没有状态的变化,则判定为后备保护断路器也拒动,再检查后备保护断路器的保护动作信息,如果保护动作信息也没有后备保护断路器的动作,则判定为后备保护也拒动。
下面给出实例和分析
实施例选取某110kV高压配电网对文中所提方法进行验证,该配电网局部接线如图8所示,包括11条母线、10条连接线以及20个断路器。假设电网中母线都配备了母线差动保护和断路器失灵保护;线路均配备了纵联速断保护;对于相间故障配备了距离式三段保护为后备保护;对于接地短路,配备了三段式零序保护为后备保护。获得母线B23和线路L22的故障保护动作信息。
具体的故障诊断过程如下。
(1)形成可疑故障元件库。首先分析保护动作信息并对保护动作编号:母线B23的差动保护RB23为①号,保护元件为B23,据此形成可疑元件子库{B23};保护R(L29-B27)II为②号,保护元件为线路L25、L29、L30和断路器B23,据此形成可疑元件子库为:{L25、L29、L30、B23};纵联差动保护RL22为③号,保护元件为L22,据此形成可疑元件子库为:{L22}。由于元件B23在两个元件子库中都出现,故合并两个包含元素B23的元件子库,经过整理得到最终的可疑元件库为{L22、L25、L29、L30、B23}。
(2)以建立故障可疑元件库中可疑元件L22的故障诊断模型为例。线路L22的母线B17端,保护装置的配置为:纵联速断保护RL22,保护断路器为CB43,动作时间为0s;第二保护R(L22-B17)I,保护断路器为CB43,动作时间为0.1s;第三级保护R(L22-B17)II,保护断路器为CB43,动作时间为0.5s。根据保护的信息确立优先级:RL22>R(L22-B17)I>R(L22-B17)II,并建立线路L22的母线B17端模型,如图9所示。
(3)基于Petri网的故障诊断方差,进行矩阵推导,获得的关联矩阵C。
由动作保护和断路器的信息可得初始状态矩阵为M0=[0 0 0 0.99 0.98 0 0]T,点火序列为U1=[0 0 0 1 0 0]T。根据式(1)得到状态向量M1=[0.98 0 0 0.01 0 0 0]T。此时Petri网模型为稳态模型,且M1(L22)=0.98>0.6,结论为L22发生故障。
根据相同推理规则,可以获得所有线路的故障诊断情况。
参考文献:
[1]Likith Kumar M V,Maruthi Prasanna H A,D T Ananthapadmanabhaa.ALiterature Review on Distribution System State Estimation[J].SMART GRIDTechnologies,Procedia Technology 21(2015):423–429.
[2]魏金萧,周步祥,唐浩,等.综合RapidMiner与改进粒子群极限学习机算法的变压器故障诊断[J].电力系统及其自动化学报,2019,31(3):133-138.
[3]Wang L,Chen Q,Gao Z,et al.Knowledge representation and generalPetri net models for power grid fault diagnosis[J].IET GenerationTransmission&Distribution,2015,9(9):866-873.
[4]付仙兰,罗萍萍.基于改进Petri网与希尔伯特黄变换融合的电网故障诊断[J].水电能源科学,2018,36(03):210-214.
[5]张林利,徐丙垠,薛永端等.基于线电压和零模电流的小电流接地故障暂态定位方法.中国电机工程学报,2012,32(13):110-115.
[6]关龙,刘志刚,何士玉等.离散二进制粒子群算法在基于模型配电网故障诊断中的应用.电力自动化设备,2013,33(09):89-91.
[7]张永杰.基于μPMU的主动配电系统故障诊断与区段定位研究[M].北京交通大学,2018.
[8]刘鑫蕊,高艺伟,王智良.基于改进时间模糊Petri网配电网故障诊断方法.东北大学学报(自然科学版),2016,37(11):1526-1528.
[9]谢红涛,童晓阳.基于分层模糊Petri网的电网故障综合诊断方法[J].电网技术,2012,36(01):246-252.
[10]M Silva,J Júlvez,C Mahulea,et al.On fluidization of discreteevent models:observation and control of continuous Petri nets[R],DiscreteEvent Dynamic Systems-Theory and Applications.2011,21(4):427-497.
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于PMU信息和Petri网的有源配电网故障诊断方法,其特征在于,引入了故障可疑元件库及故障诊断模型,利用多点配电网同步相量测量单元的高频全采样及特征数据获得系统特征信息,并配合Petri网进行故障诊断,包括如下步骤:
1)当获得量测信息或故障指示器显示电网发生故障后,从配电自动化系统中获取故障各保护动作信息;
2)分析故障各保护动作信息来确定各保护动作对应的故障区域,分别对每个故障区域内的动作元件进行编号;
3)基于PMU信息确定故障可疑元件,整理形成各故障区域的故障可疑元件子库;包括:
(1)对于每个故障区域,基于多点配电网同步相量测量单元的高频全采样量测数据,结合保护动作信息,提取故障发生时刻的前后设定时段配电网同步相量测量单元量测点的电压和电流的时序特征;
(2)依据保护动作信息和电压和电流的时序特征确定故障区域可疑元件;
(3)根据各故障区域内的所有元件的编号和故障区域可疑元件,形成各故障区域的故障可疑元件子库;
4)将各故障区域的故障可疑元件子库合并得到最终的可疑元件库,并分别建立一次系统元件的可疑元件故障树模型;
所述的可疑元件故障树模型的建立原则为,在故障树中用结点代表一次系统元件,包括线路、断路器、母线、变压器,用结点间的线连接表示一次系统元件间的物理连接;将故障可疑元件作为起点,以每个故障可疑元件向外搜索的路径的方向为正方向构成分支,逐次搜索判断保护动作是否与故障可疑元件相关联,并将与故障可疑元件关联的电气设备加入到故障树中,直至每个分支都被确定完为止;
5)利用各故障可疑元件故障树模型分别建立对应的故障可疑元件的Petri网故障诊断模型;
6)基于故障区域内各保护动作信息,向一个所述的故障可疑元件的Petri网的库所布入托肯值;所述的托肯值,是Petri网的基本元素,具体指存入可疑元件库的库所中的保护动作信息,能够从所在的库所移动到另一个库所,Petri网基本元素还包括变迁和有向弧;
7)对所述的Petri网进行矩阵运算推导,直到形成稳定Petri网;
所述矩阵运算推导的规则,是指Petri网的结构和变迁点火过程,每一个变迁t都设定一个激发阈值λ=0.6,如果变迁t的点火过程中所有输入库所中的托肯值都大于激发阈值,那么变迁t点火触发;当变迁t点火触发时,去除变迁t点火过程中的所有输入库所中的托肯值,并对应存入变迁t点火过程中的所有输出库所中;
所述的对Petri网进行矩阵运算推导,是将网络状态向量M表示库所的状态,U表示变迁节点是否满足点火触发条件,满足点火触发条件的向量值为1,否则为0;关联矩阵C表示变迁节点同输入库所和输出库所的连接关系,网络状态向量M的状态方程为:
Μn+1=Mn+CUn+1 (1)
其中,n表示网络状态向量M的第n个状态,n为大于等于0的整数,初始网络状态向量M0由动作保护和断路器的信息决定,关联矩阵C表示为:
式中,W(P,t)∈[0,1]表示从库所集合P到变迁t的有向弧F权值,表示推理规则为真的置信度值,置信度值越高,规则可信度越高,(P,t)表示为表示P到t间存在的有向通路,(t,P)表示为表示t到P间存在的有向通路;
将网络状态向量M的初始状态值带入状态方程进行迭代计算,使网络状态向量M发生变化,直到输出库所出现托肯值时,形成稳定Petri网;
8)建立故障诊断综合模型,对故障可疑元件进行分析,判断是否为故障元件;
9)判断是否完成对所有故障可疑元件的Petri网故障诊断模型的处理,完成则进入步骤10),否则返回步骤6);
10)得出最终诊断结果,并对保护动作作出评价;所述的对保护动作作出评价,包括:
(1)对保护误动的评价:当对于已经动作的保护,保护范围内受保护的元件均未发生故障,则已经动作的保护为误动;或虽然发生故障的元件在该保护的范围内,但同时有优先级别高于已经动作的保护的保护也作出保护动作,则优先级别低的保护作出的保护动作为误动;
(2)保护拒动的评价:已经发生故障元件的主保护的断路器库所中状态值为0,或者没有状态的变化,则判定为主保护的断路器拒动,再检查主保护的断路器的保护动作信息,如果保护动作信息也没有主保护的断路器的动作,则判定为主保护也拒动;如果已经得到结论主保护拒动,此时主保护的后备保护断路器库所中状态值为0或者没有状态的变化,则判定为后备保护断路器也拒动,再检查后备保护断路器的保护动作信息,如果保护动作信息也没有后备保护断路器的动作,则判定为后备保护也拒动。
2.根据权利要求1所述的基于PMU信息和Petri网的有源配电网故障诊断方法,其特征在于,步骤4)所述的合并原则是如果同一故障区域里的多个可疑元件子库包含相同元素,就将这些可疑元件子库合并为一个新可疑元件库,新可疑元件库包含被合并的可疑元件子库中的所有元素,合并后可疑元件库包含了多个经整理合并后的故障可疑元件子库。
3.根据权利要求1所述的基于PMU信息和Petri网的有源配电网故障诊断方法,其特征在于,步骤5)所述的建立故障可疑元件的Petri网故障诊断模型,首先将可疑元件故障树中的每个分支都映射为一个Petri网的分支,然后将所有断路器结点与关联的保护动作信息映射为Petri网的库所,利用变迁来模拟保护动作行为,从而建立故障可疑元件的Petri网;所述的故障可疑元件的Petri网故障诊断模型是将各库所按保护的优先级由高到低的顺序进行排列,并将每一级连接到位于与线路或母线相连的分支上所对应的保护元件上。
4.根据权利要求1所述的基于PMU信息和Petri网的有源配电网故障诊断方法,其特征在于,步骤8)所述的故障诊断综合模型,用于将一次系统元件建立好的各可疑元件故障树模型代入网络状态向量M的状态方程进行运算得到诊断结果,根据诊断结果确定可疑元件是否发生故障;
所述的故障诊断综合模型适用于线路、断路器、母线和变压器,模型中,用L或CB或B或T分别代表被诊断的故障可疑元件,即可疑线路、可疑断路器、可疑母线和可疑变压器,用H1、H2、…、Hn表示与故障可疑元件L或CB或B或T相连的引出线的诊断结果;只有当每条相连的引出线的诊断结果H1、H2、…、Hn分别都大于激发阈值λ时,被诊断的故障可疑元件L或CB或B或T才被确定为故障元件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761526.4A CN110470951B (zh) | 2019-08-18 | 2019-08-18 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910761526.4A CN110470951B (zh) | 2019-08-18 | 2019-08-18 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110470951A CN110470951A (zh) | 2019-11-19 |
CN110470951B true CN110470951B (zh) | 2022-04-05 |
Family
ID=68511952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910761526.4A Active CN110470951B (zh) | 2019-08-18 | 2019-08-18 | 基于PMU信息和Petri网的有源配电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110470951B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160652B (zh) * | 2019-12-31 | 2023-04-18 | 安徽海螺信息技术工程有限责任公司 | 一种基于知识感知的设备异常状态综合判断及运维方法 |
CN111505379B (zh) * | 2020-03-06 | 2021-07-16 | 天津大学 | 一种基于奇异值分解的配电网同步相量量测数据压缩方法 |
CN111337792A (zh) * | 2020-04-14 | 2020-06-26 | 上海海事大学 | 基于改进型Petri网的电力系统故障诊断方法 |
CN112926752B (zh) * | 2021-01-26 | 2022-07-01 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
CN113295969B (zh) * | 2021-06-30 | 2022-05-27 | 广东电网有限责任公司 | 一种配电网故障快速定位方法、系统、终端和存储介质 |
CN113709334A (zh) * | 2021-08-02 | 2021-11-26 | 许昌许继软件技术有限公司 | 基于多源信息融合的变电设备智能分析联动系统与方法 |
CN113740667B (zh) * | 2021-08-30 | 2022-06-14 | 华北电力大学 | 一种融合自编码器和卷积神经网络的电网故障诊断方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6681374B1 (en) * | 1999-06-09 | 2004-01-20 | Lucent Technologies Inc. | Hit-or-jump method and system for embedded testing |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
CN103001328A (zh) * | 2012-11-19 | 2013-03-27 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力系统故障诊断方法 |
CN105046061A (zh) * | 2015-06-26 | 2015-11-11 | 北京交通大学 | 基于概率petri网的列车车门系统隐患定位的方法 |
CN108051700A (zh) * | 2017-10-19 | 2018-05-18 | 北京交通大学 | 基于μPMU的配电线路参数辨识的相分量故障测距方法 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN109218094A (zh) * | 2018-09-17 | 2019-01-15 | 国网技术学院 | 基于Petri网的变电站故障自动诊断方法及系统 |
CN109828185A (zh) * | 2019-03-05 | 2019-05-31 | 南京理工大学 | 针对含屋顶光伏发电系统的配电网故障定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103901320A (zh) * | 2014-03-11 | 2014-07-02 | 国家电网公司 | 一种计及多源数据的电力系统故障诊断方法 |
CN104268375B (zh) * | 2014-09-10 | 2017-02-15 | 中国人民解放军海军工程大学 | 基于知识petri网的船用电站故障诊断方法 |
US10103569B2 (en) * | 2016-03-23 | 2018-10-16 | Macau University Of Science And Technology | System for controlling a power transmission system |
CN106841909B (zh) * | 2016-12-20 | 2019-07-09 | 国网辽宁省电力有限公司沈阳供电公司 | 基于方向分层模糊Petri网的多源信息融合配电网故障分析 |
CN107085164A (zh) * | 2017-03-22 | 2017-08-22 | 清华大学 | 一种电网故障类型确定方法及装置 |
CN107846307B (zh) * | 2017-10-13 | 2020-12-15 | 天津大学 | 一种用于对信息物理系统故障传播的控制方法 |
CN110018390B (zh) * | 2019-03-15 | 2021-04-06 | 南京工程学院 | 基于综合变权的分层模糊petri网电网故障诊断方法 |
-
2019
- 2019-08-18 CN CN201910761526.4A patent/CN110470951B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6681374B1 (en) * | 1999-06-09 | 2004-01-20 | Lucent Technologies Inc. | Hit-or-jump method and system for embedded testing |
CN102928738A (zh) * | 2012-10-31 | 2013-02-13 | 辽宁省电力有限公司沈阳供电公司 | 一种智能电网故障的动态层次诊断装置及方法 |
CN103001328A (zh) * | 2012-11-19 | 2013-03-27 | 山东大学 | 一种智能变电站的故障诊断与评估方法 |
CN103308824A (zh) * | 2013-05-31 | 2013-09-18 | 东北大学 | 一种基于概率Petri网的电力系统故障诊断方法 |
CN104297637A (zh) * | 2014-10-31 | 2015-01-21 | 国家电网公司 | 综合利用电气量和时序信息的电力系统故障诊断方法 |
CN105046061A (zh) * | 2015-06-26 | 2015-11-11 | 北京交通大学 | 基于概率petri网的列车车门系统隐患定位的方法 |
CN108051700A (zh) * | 2017-10-19 | 2018-05-18 | 北京交通大学 | 基于μPMU的配电线路参数辨识的相分量故障测距方法 |
CN108919055A (zh) * | 2018-07-11 | 2018-11-30 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于Petri网的含高密度屋顶光伏配电网故障诊断方法 |
CN109218094A (zh) * | 2018-09-17 | 2019-01-15 | 国网技术学院 | 基于Petri网的变电站故障自动诊断方法及系统 |
CN109828185A (zh) * | 2019-03-05 | 2019-05-31 | 南京理工大学 | 针对含屋顶光伏发电系统的配电网故障定位方法 |
Non-Patent Citations (2)
Title |
---|
A method of synthetical fault diagnosis for power system based on fuzzy hierarchical Petri net;Yunliang Wang et.al;《2016 IEEE International Conference on Mechatronics and Automation》;20160905;第254-258页 * |
基于分层模糊Petri网的电网故障综合诊断方法;谢红涛 等;《电网技术》;20120131;第36卷(第1期);第246-252页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110470951A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110470951B (zh) | 基于PMU信息和Petri网的有源配电网故障诊断方法 | |
Kiaei et al. | Fault section identification in smart distribution systems using multi-source data based on fuzzy Petri nets | |
Pignati et al. | Fault detection and faulted line identification in active distribution networks using synchrophasors-based real-time state estimation | |
Mohammadi et al. | A fast fault detection and identification approach in power distribution systems | |
Teimourzadeh et al. | High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer functions | |
Ravikumar et al. | Application of support vector machines for fault diagnosis in power transmission system | |
Asada et al. | Identifying multiple interacting bad data in power system state estimation | |
Resmi et al. | Detection, classification and zone location of fault in transmission line using artificial neural network | |
Farajollahi et al. | Location identification of distribution network events using synchrophasor data | |
Mirshekali et al. | Linear and nonlinear fault location in smart distribution network under line parameter uncertainty | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
Zhou et al. | Power distribution network dynamic topology awareness and localization based on subspace perturbation model | |
Bansal et al. | PMUs enabled tellegen's theorem-based fault identification method for unbalanced active distribution network using RTDS | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
Awalin et al. | Recent developments in fault location methods for distribution networks | |
Wang et al. | Method for fault location in a low-resistance grounded distribution network based on multi-source information fusion | |
Penido et al. | An analytical zero sequence method to locate fault in distribution systems rich in DG | |
Mahmoud et al. | Review of fuzzy and ANN fault location methods for distribution power system in oil and gas sectors | |
Guillen et al. | Data‐driven short‐circuit detection and location in microgrids using micro‐synchrophasors | |
Wan et al. | A rapid diagnosis technology of short circuit fault in DC microgrid | |
Souza et al. | Data visualisation and identification of anomalies in power system state estimation using artificial neural networks | |
CN106646106B (zh) | 基于变点探测技术的电网故障检测方法 | |
CN114629118B (zh) | 一种含光伏电网的短路电流超标场景筛选方法 | |
Glinkowski et al. | ANNs pinpoint underground distribution faults | |
Ensina et al. | Fault classification in transmission lines with generalization competence |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |