基于因果時序網絡的FOA-GRNN 電網故障診斷方法

薛毓強，李宗輝

（福州大學電氣工程與自動化學院，福州350116）

電能是國民經濟的基礎，隨著社會經濟的發展，人們對于電網的可靠性和安全性有了更高的要求。同時電子信息技術的發展、監控和數據采集系統以及事件記錄儀等電網自動化設備的應用，使得操作人員能夠在監控中心監控電力系統運行狀況，開發基于開關量和保護信息的電網故障診斷系統成為可能。實際應用的故障診斷方法主要包括基于解析模型和基于專家系統的方法[1-4]，人工神經網絡、優化算法、Petri 網等智能方法在電網故障診斷中也得到了應用[5-10]。考慮到電網故障診斷過程中存在著不確定因素的干擾（如保護裝置和斷路器的動作可靠性、調度中心接收到的警報信息的完整性和正確性），影響了故障診斷的準確性。因此如何克服電網故障診斷中不確定因素的干擾成為國內外專家學者的研究熱點。文獻[11]對計及警報信息時序特性的電力系統故障診斷問題做了一些初步的研究工作，但針對實際電網實現起來有很多技術問題沒有解決，還不能對實際電網進行故障診斷；文獻[12]構建了計及警報信息時序特性的電力系統故障診斷的解析模型，采用整數規劃求解方法進行分支定界求得最優解，使故障診斷結果可能多解的問題有了較為明確的診斷結果。雖然建模時考慮了警報信息的時序特性，但其求解方法不能適用于故障區域設備多的場合。

針對克服電網故障診斷中不確定因素的干擾問題，本文提出了基于因果時序網絡的果蠅優化算法-廣義回歸神經網絡（FOA-GRNN）電網故障診斷方法。該方法采用面向元件的故障診斷模型，大規模減少計算節點，利用電力系統保護裝置與斷路器動作的時序邏輯關系，并通過使用因果網絡CEN（cause-effect-network）分析計算排除電網故障過程中錯誤的警報信息，進而應用FOA-GRNN網絡對電網故障進行診斷，提高了診斷效率。

1 警報信息的時序約束

電網發生故障時，盡管保護裝置和斷路器的動作存在時序邏輯性，但其在整定環節、觸發環節、動作環節中存在著時間誤差和延時等情況，而且警報信息在上送過程中可能發生的信息畸變、保護裝置及斷路器本身設備缺陷導致的誤動或拒動等情況，都會對正確的報警信息產生干擾導致錯誤診斷。為了排除錯誤的信息干擾，有必要對警報信息在時序上進行約束。

1.1 保護事件時序約束

保護裝置動作事件的時序約束，可從保護裝置的整定值來估算。若故障發生于t0時刻，其相應的保護裝置P 的時間整定值為tP，考慮實際運行的時間誤差τP（τP為整定時間的一定比例），則可以估算該保護時間段的時間點約束為

假設故障發生于0 時刻，后備保護Pb整定值為800 ms，考慮±5%的時間誤差（τP=50 ms），則其動作區間段為TC（Pb）=[750 ms，850 ms]。

保護動作事件mj與設備故障事件mi的時間區間約束關系為

1.2 斷路器動作事件時序約束

斷路器動作事件的時序約束，可以由估算斷路器接收到跳閘信號到斷路器分閘的過程時間決定。若保護裝置向斷路器發送跳閘信號的時刻為t1，其相應的斷路器C 的理論分閘時間為tC，考慮時間誤差τC，則可以估算斷路器C 的動作時間約束為

保護動作事件mi引發斷路器動作mj的時間約束為

1.3 時序特性一致性約束

警報事件的時序特性必須滿足一致性約束，即

若事件mi發生在時刻TB（mi），警報事件mj的發生時刻需TB（mj）滿足時間點約束，即TB（mj）不在時間區間[TB（mi）+TD（mi，mj）]里，則系統接收到的警報事件mj的發生時刻TB（mj）是正確完整的警報信息；反之，則是錯誤的警報信息。

2 因果時序網絡拓撲的建立

2.1 因果時序網絡的基本定義

因果網絡可以直觀地描述保護、斷路器等的報警動作信息同故障設備之間的邏輯信息，其模型由各類事件節點和帶有方向的弧組成，其中事件節點由4 類節點組成：保護裝置節點、故障設備節點、斷路器節點以及虛擬節點VN（virtual node）。在因果網絡中，帶有方向的弧將各個事件節點相互連接起來，表示各個事件節點間的因果關系。圖1 給出了各類事件節點的關聯關系，其中A 為引發事件的原因，B 為該事件所引發的結果，有向弧指向表示事件邏輯的導向過程[13]。圖1 中，VN 表示節點動作不成功（拒動）引發的虛擬節點。虛擬節點的作用是為了防止CEN 中出現環網，環網的形成影響后續的基于矩陣運算的推理過程。

圖1 CEN 中的關聯關系Fig.1 Association of CEN

2.2 因果時序網絡拓撲

以圖2 所示簡化的電網線路模型為例說明面向元件的因果時序網絡的報警信息。L1～L3分別為3 段線路；線路L1中的ML1、ML2和BL1、BL2及SL1、SL2分別為斷路器C1、C2的主保護和近后備保護及遠后備保護。C3、C4和C5、C6分別為線路L2、L3的斷路器。若時間屬性TB（mi）不滿足時序一致性約束，則為虛假報警信息，應予以剔除。故障電流由L2和L3流向L1，則對于C1、C2、C3、C6都是正向的，而對于C4、C5則是反向的，其模型的因果拓撲如圖3 所示，其中SL3、SL6為C3、C6的遠后備保護。

圖2 電網線路模型Fig.2 Power system line model

圖3 電網線路模型因果拓撲Fig.3 CEN topology of power system line model

對故障設備進行時序邏輯分析，排除電網故障診斷過程中的虛假故障警報信息，為FOAGRNN 故障診斷提供準確信息。

3 FOA-GRNN 故障診斷

3.1 廣義回歸神經網絡

廣義回歸神經網絡（GRNN）在逼近能力和學習速度上有著較強的優勢，其結構由輸入層、模式層、求和層和輸出層組成，如圖4 所示。其中輸入層神經元的數目為樣本中輸入向量的維數，單樣本的每維代表保護裝置或者是斷路器的動作信號；模式層則包含著與其學習樣本數量相同的神經元，即有多少種故障模式就有多少神經元。模式層傳遞函數為徑向基函數。輸出層的神經元數目對應故障樣本（學習樣本）中輸出向量的維數，輸出值為對應各元件發生故障的概率。

GRNN 神經網絡構建主要通過Matlab 軟件實現。Matlab 中GRNN 神經網絡的函數為newgrnn函數，即net=newgrnn（P，T，SPREAD）。其中，P 和T 分別為輸入向量、目標向量；SPREAD 為散步函數，對于神經網絡的性能好壞有著重要的影響，GRNN 中網絡的學習全部依賴于樣本，可人為調節參數SPREAD 值，本文采用果蠅優化算法來選擇SPREAD 值。

圖4 神經網絡的基本結構Fig.4 Basic structure of neural network

3.2 面向元件的GRNN 網絡診斷模型

隨著電力系統的不斷發展，電網規模日益龐大復雜，若將電網中的每個元件都看成神經網絡的一個節點，不僅網絡規模龐大，計算速度慢，而且當電網拓撲發生變化時，容易出現錯誤診斷。

電網中變壓器、線路和母線等主要元件本身都帶有繼電保護裝置，GRNN 網絡可以利用其狀態信息（元件狀態是否正常、繼電保護裝置是否正常工作、是否因為故障跳閘）進行初步診斷，判斷故障是否存在以及故障方向。因此采用面向主要元件建立故障診斷模型的思想，可以將電網分割為若干個區段，有效減少神經網絡節點的數量和計算規模，對故障區域設備多的場合也能使用。

線路元件模型如圖5 所示，GRNN 模型如圖6所示。GRNN 線路保護的輸入為本線路兩側的主保護、近后備保護、遠后備保護的動作信息和兩側斷路器的動作信息，輸出為本元件發生故障的故障置信度及在本元件兩側外部發生故障的故障置信度，經實驗確定線路模型的故障閾值為0.87，該故障閾值作為線路本身是否故障的判定依據。其中，主保護是縱聯保護和高頻保護；近后備保護主要由過電流保護Ⅰ段（瞬時電流速斷保護）和距離保護；遠后備由過電流保護Ⅱ段（限時電流速斷保護）、Ⅲ段（定時限過電流保護）和距離保護。線路保護的特點是兩側的繼電保護系統相互配合，當故障發生在線路內部時，兩側斷路器C1、C2同時動作。當故障發生在線路外時，由一側斷路器單獨動作。

圖5 線路元件模型Fig.5 Line model

圖6 GRNN 線路模型Fig.6 GRNN line model

3.3 訓練樣本的構造

GRNN 神經網絡故障診斷性能主要依賴于訓練樣本的選擇，文獻[14]介紹了我國220 kV 及以上電力系統繼電保護的配合和運行情況并對電力事故做了大量的分析及詳細的數據統計。本文以此為據，生成基于面向元件的GRNN 網絡的訓練樣本。其中線路模型訓練樣本34 個，母線模型訓練樣本37 個，變壓器模型16 個。線路FOA-GRNN神經網絡模型選用的部分訓練樣本如表1 所示。

表1 線路模型的部分訓練樣本Tab.1 Part of training sample of line model

表1 保護類別中A1、B1、A2、B2、A3、B3、C1、C2分別為A、B 側主保護、近后備保護、遠后備保護和斷路器，表中“1”表示保護動作，“0”表示保護無動作。故障區間中AB、A0、B0表示AB 間、A 外側（進線側）、B 外側（出線側）的線路區間，表中所對應的“1”表示該區間有故障，“0”表示該區間無故障。

3.4 果蠅算法優化GRNN 網絡

FOA[15]是一種基于果蠅覓食行為推演的尋優新算法，采用距離+位置搜索方法。FOA 優化GRNN具體步驟如下。

步驟1 隨機初始化果蠅種群的位置。本文設定種群規模為20 只，最大迭代次數為30。

步驟2 計算種群中每個果蠅個體與目標的距離D（l）其倒數1/D（l）作為味道判定值S（l），l ＝1，2，…，20，每個味道判定值S（l）即為GRNN 網絡的SPREAD 值；輸入訓練數據得到樣本輸出值ya。

步驟3 計算RMSE 值。RMSE 為樣本理想輸出值ya與實際電網絡故障診斷結果輸出yb之間的誤差，是誤差評價標準。RMSE 越小，則該網絡故障診斷的效果越好，其計算公式為

式中：ya（k）為不同模型不同樣本的理想輸出值，n為樣本數量；k 為迭代次數。

步驟4 找出果蠅群體中味道濃度最低的果蠅即RMSE 極小值。

步驟5 保留最低味道濃度與果蠅群的位置坐標，此時果蠅利用視覺往該位置飛去。

步驟6 進入果蠅迭代尋優由上一代最佳位置增加果蠅的飛行距離。

步驟7 重復執行步驟2～步驟6，判斷味道濃度是否優于前一次迭代的味道濃度，直至找到令RMSE 最小的SPREAD 值。

訓練后得到的訓練樣本最優SPREAD 值為0.616 9。取表1 前9 組數據對神經網絡進行測試，結果如表2 所示。從表2 中可以看出，FOA-GRNN網絡的診斷結果基本滿足要求。面向元件的其他神經網絡模型訓練類似。

表2 線路模型診斷測試結果Tab.2 Part of the training sample output of line model

4 算例分析

本算例采用IEEE14 節點系統來對該模型的有效性與可行性進行測試，IEEE14 母線節點測試系統如圖7 所示，該測試系統由14 個母線元件、18 個線路元件和1 個變壓器元件組成。

圖7 測試系統Fig.7 Test system

當電網發生故障時，首先對監控和數據采集系統收到的警報信息進行預處理，再根據警報信息的時標信息與時序一致性約束對設備前后關聯事件的動作事件和期望動作事件進行判別比較，將錯誤的警報信息甄別出來。

故障過程為：當線路L1214發生故障時，其相關的保護裝置縱聯保護ML1214和ML1412動作，并向相應斷路器CB1214和CB1412發出跳閘信號；母線B14發生故障，母差保護MB14（main protection for bus）動作，并跳開相應斷路器CB14T1、CB1409、CB1412和CB1413。CB1409和CB1413跳閘失敗，一定延時之后，L1314和L0914的第2 后備保護SL1314和SL0914動作，跳開CB1314和CB0914，在警報信息上傳過程中，L0914的第1 后備保護BL0914發生信息畸變，狀態量誤報為1。接收到監控和數據采集系統的故障遙測報警信息序列如表3 所示。

將斷路器跳閘時間設定為50 ms，考慮±10%的誤差；近后備保護裝置動作時間整定值設定為1 s，遠后備保護裝置的動作事件整定值為3 s，考慮±5%的時間誤差。則相關設備的時間區間為：①TD（故障發生，主保護動作）∈[10 ms，20 ms]；②TD（保護裝置動作，斷路器跳閘）∈[40 ms，60 ms]；③TD（主保護拒動，近后備保護動作）∈[950 ms，1 050 ms]；④TD（主保護拒動，遠后備保護動作）∈[2 850 ms，3 150 ms]。報警信息甄別步驟如下。

表3 故障遙測信息Tab.3 Fault telemetry information

步驟1 接收到報警信息后，進行故障區域自動識別（電壓等于0 的非檢修狀態元件）。

步驟2 對實際警報信息進行處理，給出每個設備相應的期望動作時間，甄別錯誤故障信息。由于報警事件C8和C12具有時序邏輯關系，需檢查其二者之間是否滿足時序一致性約束。BL0914動作于08:00:01:114，其期望其動作對象CB0914需在[08:00:01:154，08:00:01:174]之間動作，而實際CB0914 動作于08:00:03:102，不滿足其時序約束，可見兩者之間有一個錯誤警報信息。而其相應的SL0914 動作于8:00:03:47，與其相差3 047 ms∈[2 850 ms，3 150 ms]區間內，因此報警事件C10為錯誤報警信息。

步驟3 將甄別后的保護裝置和斷路器報警信息輸入FOA-GRNN 網絡進行故障診斷，故障診斷結果如表4 所示。

表4 故障診斷結果Tab.4 Fault diagnosis results

仿真結果表明，該模型能更好地適應于存在錯誤警報信息的故障診斷狀況，若對警報事件C10進行過濾，則可能將L0914錯誤判斷為故障元件。發生故障后，故障可疑元件集合為L1214、L1314、L0914和母線元件B14，其區域被保護裝置隔離為失電區域，根據GRNN 神經網絡的故障診斷結果，L1214、L1314、L0914、B14的故障可信度分別為0.962 5、0.005 5、0.005 5、0.240 8。診斷結論為L1214為故障設備，L1314、L0914和B14為外部故障，因此判斷L1214為故障元件。

5 結論

經算例驗證，FOA-GRNN 方法能準確地識別故障，相比于其他故障診斷方法，該方法有如下優點：

（1）能夠有效排除電網診斷過程中不確定因素的影響；

（2）容錯率優秀，在監控和數據采集系統信息發生畸變時，仍能夠準確診斷出故障區；

（3）采用面向元件的診斷方法能夠彈性地應對電網拓撲結構的變化。

[1]劉青松，夏道止（Liu Qingsong，Xia Daozhi）.基于正反向推理的電力系統故障診斷專家系統（Expert system of power system fault diagnosis based on forward and backward reasoning）[J].電網技術（Power System Technology），1999，23（9）：66-68，71.

[2]劉思華，陳青，黃德斌，等（Liu Sihua，Chen Qing，Huang Debin，et al）.考慮時空參量和正反向推理的電網故障診斷（Power system fault diagnosis considering spacetime two-dimensional parameter and forward and backward reasoning）[J].電力系統及其自動化學報（Proceedings of the CSU-EPSA），2010，22（4）：113-117.

[3]Lin Xiangning，Ke Shuohao，Li Zhengtian，et al. A fault diagnosis method of power systems based on improved objective function and genetic algorithm-tabu search[J].IEEE Trans on Power Delivery，2010，25（3）：1268-1274.

[4]王磊，陳青，李天友，等（Wang Lei，Chen Qing，Li Tianyou，et al）.停電區域邊界斷路器信息缺失時的電網故障診斷（Power system fault diagnosis considering absence of alarm messages of circuit breakers on the border of outage area）[J].中國電機工程學報（Proceedings of the CSEE），2013，33（22）：127-134.

[5]朱俊敏，景利學，饒克克（Zhu Junmin，Jing Lixue，Rao Keke）.基于小波神經網絡的電網故障診斷研究（Research of power network fault diagnosis based on wavelet neural network）[J].電氣開關（Electric Switchgear），2011，（6）：23-25.

[6]劉超，何正友，楊健維（Liu Chao，He Zhengyou，Yang Jianwei）. 基于量子神經網絡的電網故障診斷算法（A quantum neural network based fault diagnosis algorithm for power grid）[J].電網技術（Power System Technology），2008，32（9）：56-60.

[7]林茂，李孝全，蘇楊（Lin Mao，Li Xiaoquan，Su Yang）.基于改進免疫遺傳算法的電網故障診斷研究（Research on faults diagnosis of distribution network based on adaptive immune genetic algorithm）[J].電子技術應用（Power Supply Technology and Its Application），2012，38（8）：66-68，72.

[8]唐利鋒，衛志農，黃霆，等（Tang Lifeng，Wei Zhinong，Huang Ting，et al）.配電網故障定位的改進差分進化算法（Improved differential evolution algorithm for fault location of distribution networks）[J]. 電力系統及其自動化學報（Proceedings of the CSU-EPSA），2011，23（1）：17-21.

[9]楊健維，何正友，臧天磊（Yang Jianwei，He Zhengyou，Zang Tianlei）.基于方向性加權模糊Petri 網的電網故障診斷方法（Power system fault-diagnosis method based on directional weighted fuzzy Petri nets）[J]. 中國電機工程學報（Proceedings of the CSEE），2010，30（34）：42-49.

[10]熊國江，石東源（Xiong Guojiang，Shi Dongyuan）.容錯Petri 網電網故障診斷改進模型（Improved fault-tolerant Petri nets for fault-diagnosis power grids）[J].華中科技大學學報：自然科學版（Journal of Huazhong University of Science and Technology：Natural Science Edition），2013，41（1）：11-15.

[11]文福拴，韓禎祥（Wen Fushuan,Han Zhenxiang）.計及警報信息時間特性的故障診斷模型（A new faults diagnosis model capable of dealing with the temporal information of alarm messages）[J].電力系統自動化（Automation of Electric Power Systems），1999，23（17）：6-9，19.

[12]郭文鑫，廖志偉，文福拴，等（Guo Wenxin，Liao Zhiwei，Wen Fushuan，et al）.計及警報信息時序特性的電網故障診斷解析模型（An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account）[J]. 電力系統自動化（Automation of Electric Power Systems），2008，32（22）：26-31.

[13]Chen Wenhui，Tsai S H，Lin H I. Fault section estimation for power networks using logic cause-effect models[J].IEEE Trans on Power Delivery，2011，26（2）：963-971.

[14]DLT 559—2007，220～500 電網繼電保護裝置運行整定規程[S].

[15]Pan Wen-Tsao.A new fruit fly optimization algorithm:taking the financial distress model as example[J].Knowledge-Based Systems，2012，26（7）：69-74.