[发明专利]一种基于多层次反馈调整的智能电网故障诊断方法

摘要

本发明提供一种基于多层次反馈调整的智能电网故障诊断方法，包括：将电网中各器件在电网故障时的历史开关信息、电气量属性信息存储至历史故障信息库；电网故障时获取电网各器件电气量信息；根据获取的电网各器件电气量信息进行粗略识别层诊断：采用基于等效网络的最小开断区划定方法确定可疑故障元件，构成可疑故障元件候选集；进行模糊决策层诊断；进行精确定位层诊断；根据三层故障诊断结果将可疑故障元件集E1、E2取交集，最终确定故障元件诊断结果。根据电网故障后多源故障信息的不同来源、及各类信息获取和处理的难易程度，对电网故障进行层次化分析，充分利用了各类故障信息、通过信息互补提高故障诊断准确性。

主权项

一种基于多层次反馈调整的智能电网故障诊断方法，其特征在于：包括以下步骤：步骤1：将电网中各器件在电网故障时的历史开关信息、电气量属性信息存储至历史故障信息库；步骤2：电网故障时获取电网各器件电气量信息；步骤3：根据获取的电网各器件电气量信息进行粗略识别层诊断：采用基于等效网络的最小开断区划定方法确定可疑故障元件，构成可疑故障元件候选集；步骤3.1：对当前电网的网络拓扑关系建立等效网络，将电网中各器件等效为网络的节点，开关等效为网络的边；步骤3.2：根据电网故障时的开关变化信息，确定断开的开关，对断开的开关对应的等效网络中的边进行标记，该边即开断边；步骤3.3：沿潮流方向进行搜索，选取开断边最多的路径作为关键路径，如果存在多条路径中有相同标记数目，选择任一条即可；步骤3.4：针对选出的关键路径，划分并确定最小开断区S_v(v＝1,2,...,t)；所述的最小开断区的划分，具体步骤如下：步骤3.4.1：根据关键路径上所有带有标记的边的个数确定最小开断区个数；针对选出的关键路径，确定最小开断区个数k，表示如下：$k=\left\{\begin{array}{cc}p+1,& q>0.5\\ p,& q\≤0.5\end{array}\right.---\left(1\right)$式中，p取的整数部分，表征最小开断区个数的整数部分；q取的小数部分，表征决策最小开断区个数的控制部分；其中x为关键路径上所有带有标记的边的个数，y(2≤y≤x)为最小开断区包含的带有标记的边的个数，初始值y＝2；步骤3.4.2：沿着关键路径上的开断边，以y个边为一个区域进行划分，得到初始的最小开断区：当q≤0.5时，按照式(1)进行划分最小开断区后，将剩下的开断边划归到最后一个区域S_p中；当q>0.5时，将剩下的开断边独立划为一个最小开断区S_p+1；步骤3.4.3：对每一段初始的最小开断区中出现的分叉支路中的开断边，划至其关键路径所在的最小开断区中；步骤3.5：对每个最小开断区建立关联矩阵和边状态矢量，该矩阵的行为最小开断区中的节点数，列为最小开断区中的边数，若矩阵中的节点与边存在拓扑关系，则该矩阵元素置1，否则置0；边状态矢量中，带有标记的边对应的元素置1，否则置0；步骤3.6：根据每个最小开断区建立关联矩阵和边状态矢量对每个最小开断区建立节点状态矢量CN＝[cn₁,cn₂,...,cn_m]^T，CN＝Y_m×n×B，其中，Y_m×n为关联矩阵，B＝[b₁,b₂,...,b_n]^T为边状态矢量，若cn_i为零，判断节点i对应的器件不是故障器件；若k(k＝1,2,...)非零，则判断节点i对应的器件为故障器件，将该故障器件放入相应故障器件候选集；步骤3.7：将每个最小开断区确定的故障元件候选集取并集，得到故障元件候选集E1，该集合中包含所有可疑故障器件；步骤3.8：若故障元件候选集E1中仅包含一个可疑故障器件，则该器件为故障器件，即电网故障诊断结果，则结束；否则执行步骤4；步骤4：进行模糊决策层诊断：采用基于因果网络的概率推理模糊决策方法确定可疑故障元件，即根据模糊决策后设备故障度的大小确定故障元件，将与设备故障度最大值对应的设备放入故障元件候选集E2；步骤4.1：确定可疑故障元件的相关保护信息，并根据保护信息以及各保护对应的断路器，确定各元件相应的有效激活树枝，并对有效激活树枝中的动作的执行断路器节点、动作的启动继电器节点和根节点进行编号；步骤4.2：计算有效激活树枝中执行断路器节点与启动继电器节点之间的有向边权重，即保护动作概率；步骤4.3：计算有效激活树枝中启动继电器节点与执行断路器节点之间的有向边权重，即断路器动作概率；步骤4.4：针对所有的可疑故障元件，建立矩阵D，D中的元素D_kg表示断路器k与可疑故障元件g(g＝1,2,...,s)之间的动作概率；建立矩阵E，E中的元素E_gh表征可疑故障元件g(g＝1,2,...,s)与保护h中的主保护之间的动作概率；建立矩阵F，F中的元素F_gh表征可疑故障元件g与保护h中的第一后备保护之间的动作概率；建立矩阵G，G中的元素G_gh表征可疑故障元件g与保护h中的第二后备保护之间的动作概率；步骤4.5：建立矩阵H1＝E×D，H1中的元素H1_gg表征可疑故障元件g的主保护‑断路器合成概率；矩阵H2＝F×D，H2中的元素H2_gg表征可疑故障元件g的第一后备保护‑断路器合成概率；矩阵H3＝G×D，H3中的元素H3_gg表征可疑故障元件g的第二后备保护‑断路器合成概率；步骤4.6：根据H1_gg，H2_gg，H3_gg分别计算主保护‑元件相对支持度、第一后备保护‑元件相对支持度和第二后备保护‑元件相对支持度；$\begin{array}{ccc}{p}_i^R=\frac{{H1}_{\mathrm{gg}}}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{H1}_{\mathrm{gg}}}& q_i^R=\frac{{H2}_{\mathrm{gg}}}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}H{2}_{\mathrm{gg}}}& t_i^R=\frac{{H3}_{\mathrm{gg}}}{\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{H3}_{\mathrm{gg}}}\end{array}---\left(4\right)$$P^R=\{p_1^R,p_2^R,...,p_s^R\},$为主保护‑元件相对支持度；$Q^R=\{q_1^R,q_2^R,...,q_s^R\},$为第一后备保护‑元件相对支持度；$T^B=\{t_1^R,t_2^R,...,t_s^R\},$为第二后备保护‑元件相对支持度；步骤4.7：分别将s个可疑故障元件的主保护‑元件相对支持度、第一后备保护‑元件相对支持度、第二后备保护‑元件相对支持度进行模糊合成，得到设备故障度△_g；${\mathrm{\Δ}}_g=1-e^{-H{1}_{\mathrm{gg}}}\·e^{-{H2}_{\mathrm{gg}}}\·e^{-{H3}_{\mathrm{gg}}}---\left(5\right)$式中，△_g(g＝1,2,...,s)，将设备故障度最大的元件放入故障元件候选集E2中；步骤4.8：若故障元件候选集E2中仅包含一个可疑故障器件，则该器件为故障器件，即电网故障诊断结果，则结束；否则执行步骤5；步骤5：进行精确定位层诊断：采用基于遗传禁忌搜索的粗糙集约简方法来约简历史故障信息库中的电气量属性信息，通过反向推理方法判断故障元件候选集E1、故障元件候选集E2可疑故障元件的属性值与属性约简后的约简规则库中的规则是否匹配，若完全匹配，则转至步骤6，诊断结束；否则返回步骤3重新划分最小开断区，确定可疑故障元件；步骤6：根据三层故障诊断结果将可疑故障元件集E1、E2取交集，最终确定故障元件诊断结果。