基于时序因果网络的电力系统故障诊断 a temporal cause-effect net based approach for power system fault diagnosis.pdfVIP

第37卷第9期 电力系统自动化 V01．37No．9 AutomationofElectricPower 10。2013 2013年5月10日 Systems May DOI：10．7500／AEPS201206147 基于时序因果网络的电力系统故障诊断 张 勇1，张 岩1，文福拴1，董 明1，孙维真2，黄远平2 (1．浙江大学电气工程学院，浙江省杭州市310027；2．浙江省电力公司，浙江省杭州市310027) 摘要：电力系统发生故障后的警报信息具有时序特性，如何适当利用这种时序特性以快速而准确 地诊断故障是一个值得研究的重要问题。现有的具备实际应用潜力的故障诊断方法大多没有利用 警报信息的时序特性。因果网络可以描述设备故障与保护和断路器动作之间的逻辑关系，且具有 推理速度快、维护方便等优点。在此背景下，针对电力系统故障诊断问题的特征，首先对因果网 络进行了扩展，引入了警报信息时序特性约束的概念，构建了一种新的时序因果网络；之后，提 出了基于时序因果网络的故障诊断方法。所述方法在保留了因果网络原有特点的前提下，在一定 程度上克服了其容错性较差和难以合理解释故障演变过程的不足。最后，用实际电力系统发生的 故障案例对所提出的方法进行了说明。 关键词：故障诊断；时序信息；因果网络；时序因果网络；电力系统 O 引言 献[11]对文献[9]的方法进行了改进，提出一种基于 因果网络的输电系统故障诊断方法；该方法首先利 电力系统故障诊断的准确性和快速性对于事故 用因果网络生成关联矩阵R，然后通过关联矩阵与 后快速恢复供电以及维持系统安全稳定运行具有重 故障真值状态向量T、故障节点向量F之间的逻辑 要意义。迄今为止，国内外已提出多种电力系统故 运算推断出故障元件。 障诊断方法，如专家系统[1。2]、解析模型[3。6J、Petri 在实际电力系统中，数据采集与监控(SCADA) 网‘7|、人工神经元网络[8|、因果网络[9121等。专家系 系统采集的保护和断路器状态信息可能出现误报和 统应用于电力系统故障诊断已有接近30年的历史， 漏报等不确定性情况，此时文献[9—11]中的向量T 但仍存在知识库维护困难、推理时间长等缺陷。基 将出现错误，从而影响最终故障诊断结果。基于全 于解析模型方法的难点在于如何构造故障诊断的数 学模型，尤其是如何适当描述故障的演变过程。基 息，能够以毫秒级的分辨率识别事件发生时间和设 于Petri网的方法在处理复杂电力系统的故障诊断 备状态变化的先后顺序，这为利用警报的时序信息 时，会出现关联矩阵维数过大的问题。基于人工神 提供了客观条件。文献[13—14]分析了警报信息的 经元网络的方法，则存在学习算法收敛速度过慢，网 时序特性，建立了能够处理警报时序信息的故障诊 络结构发生变化时需要重新训练的问题，而且对诊 断模型。在复杂故障的情况下，所述方法能够得到 断结果的解释能力差。