基于多源信息融合的電網多層智能故障診斷方法

趙維興，熊楠，寧楠，李易鴻，古展基，李海清

(1. 貴州電網有限責任公司電力調度控制中心, 貴州 貴安550025；2. 貴州電網有限責任公司貴安供電局, 貴州 貴安 550025；3. 廣州穗華能源科技有限公司，廣州510530)

0 引言

能源革命的不斷發展對電網運行的可靠性和安全性提出了更高的要求，尤其在電網發生故障時，準確高效的故障診斷方法對事故后續處理、供電迅速恢復以及系統穩定可靠運行至關重要[1]。國內外學者提出多種有效的解決途經[2 - 3]，主要包括專家系統[4]、人工神經元網絡[5]、貝葉斯網絡[6]等。然而，以上基于智能算法的故障診斷方法雖然邏輯推理能力和自學習能力強，有效提高了準確性，但無法處理故障診斷中的不確定性問題，導致診斷方法的可移植性不理想，其主要原因是在以下方面考慮得尚不全面。

1)缺乏對物理模型和故障特征的考慮，對元件狀態、保護起動和動作、斷路器動作等不同信息間時序約束缺乏考慮；

2)目前故障診斷方法偏重于利用單個診斷對象的局部信息，僅應用保護及斷路器的動作告警信息，但因信息質量的不確定性(如保護或斷路器誤動、拒動及告警信息在封裝、發包、傳輸、接收等過程中丟失)，故障元件的診斷困難重重，往往會發生誤判、漏判、判斷范圍擴大等諸多問題。

目前，我國電網企業正著手開展綜合數據平臺和數字化電網的建設[7]，各類量測數據的及時獲取和快速共享成為可能，為故障診斷提供了多源、異構的信息來源[8 - 9]。因此，如何對多源數據信息進行融合處理并有效綜合利用數據冗余特征[10]，充分挖掘相關的開關量信息和電氣量信息的故障特性，實現多源告警信息的有效整合，對提升故障診斷的準確性、快速辨識故障元件至關重要。

本文分析開關量和電氣量的故障特征，整合獨立數據采集單元的開關量信息及電氣量信息，考慮多源信息的時序約束特性和能量畸變度，從全局的角度實現故障診斷。首先針對不同數據源開關量信息的時序約束特性建立相關故障元件的置信度集合，通過電氣量信息結合信息熵權值得到不同電氣元件的故障概率值[11]，利用D-S證據理論(Dempster-Shafer evidence theory)實現開關量和電氣量多源信息融合的故障元件診斷，最后通過研究某一電網拓撲的相關歷史運行數據信息進行分析，驗證該模型解決故障診斷的能力問題。

1 信息源及其特征

依據電網的物理模型及其運行機制，出現故障時各類信息發生變化的順序為：電氣量信息經過保護判據判定變化為保護動作信息，而保護動作信息進一步根據動作信息判定變化得到開關跳閘信息。調度中心有數據采集與監視系統/能量管理系統(supervisory control and data acquisition/energy management system，SCADA/EMS)、廣域測量系統(wide area measurement system，WAMS)、保護信息管理系統(relay management system，RMS)以及故障錄波系統等多套應用系統分別作為獨立的數據采集單元，包括電氣量、保護動作信息、開關跳閘信息等，可為故障診斷提供了多源化的信息來源。

本文結合不同獨立數據單元的開關量以及電氣量信息進行相關故障診斷分析。因不同數據采集單元關聯對象和目的不同等，導致不同數據源采集到的信息特征存在差異，相關信息來源及其信息特征如圖1所示。分析不同信息類型及其信息特征，并據此分析不同元件的故障概率值，為實現故障元件的準確診斷提供依據參考，如表1所示。

圖1 電網故障診斷的信息源及其特征Fig.1 Information sources and characteristics of power grid fault diagnosis

表1 多源信息及其故障特征Tab.1 Multi-source information and their fault characteristics

2 基于開關量時序約束的元件故障置信集

2.1 不同數據源時序約束分析

當電網發生故障后，故障事件記錄的信息具體包括兩類：原因事件類和告警信息類[12]。其中，原因事件類是指該故障發生的具體元件及位置，如式(1)所示：

L={L1,L2,…,Ln}

(1)

式中：n為故障事件記錄中所有可能原因事件總數；元素Li為二元組，即Li={ci，Saddr，i}，ci為第i個原因事件內容，Saddr，i為該原因事件發生的具體地理位置信息。告警信息是指由原因事件引發的保護和斷路器起動、動作信息。式(2)是第i個原因事件Li引發的m條告警信息集合：

Ai={Ai1,Ai2,…,Aim}

(2)

式中元素Aij為與第i個原因事件Li關聯的第j條告警信息。告警信息Aij與Aik之間存在著時序約束關系，根據參考文獻[13 - 14]可定義為如下兩種時序約束。

1)一元時間約束，即當第i個原因事件發生時，第j條告警信息出現的時間Tij應滿足一定的時間范圍，即

(3)

2)二元時間約束，即第i個原因事件引發的第j條告警信息與第k條告警信息之間的時間差應滿足一定的時間距離，即

(4)

d(Tij,Tik)=Tij-Tik

(5)

由于各類保護和斷路器的動作時間帶有一定的延時，保護和斷路器動作時間應分別在一定的時間范圍以內。根據繼電保護配置原則，可得到主保護、近后備保護和遠后備保護動作告警信息的一元時間約束為：

(6)

(7)

(8)

式中：下標p表示主保護，Tip為與第i個原因事件相關的主保護動作告警時間；下標f表示近后備保護，Tif為與第i個原因事件相關的近后備保護動作告警時間；下標r表示遠后備保護，Tir為與第i個原因事件相關的遠后備保護動作告警時間。

保護與斷路器動作時間存在著一定時序關系，兩者的二元時間約束為：

(9)

式中：下標CB表示斷路器，TiCB為與第i個原因事件相關的斷路器動作告警時間；下標q表示為觸發斷路器跳閘的相關保護，Tiq為與第i個原因事件相關的保護動作告警時間；上標“-”和“+”分別為對應的最小值和最大值。

對于不同的獨立數據源接收到的原因事件時間點不同，甚至有的數據源沒有原因事件數據信息，需要根據不同數據源的特點找到合適的時間參考點，從而為時序約束分析奠定基礎，本文規定相關時間參考點確定原則：1)將報警信息按照其優先級由高到低準則進行排序，且不滿足時序約束的區段最少時，其所對應的時刻為時間參考點；2)以采集到電氣量的信息，利用小波變化確定的故障起始時刻為時間參考點。按照以上原則，對不同數據源的參考點確定方法分析如表2所示。

表2 不同數據源參考點確定方法Tab.2 Method for determining reference points of different data sources

2.2 電力元件故障置信集

獲得不同獨立數據源相關時間參考點后，對不同動作元件的時序約束進行分析與推理，從而得到在不同數據源時序約束條件下的故障元件集合為：

ΣFault,i={σLN1,…,σLNnl,σTR1,…,σTRnt,σBU1,…,σBUnb}

(10)

式中i∈NR，NR為獨立數據源的個數；ΣFault,i為第i個數據源的故障元件集合；下標LN、TR、BU分別為線路元件、變壓器元件、母線元件；nl、nt、nb分別為線路元件總數、變壓器元件總數、母線元件總數。

本文認為每一種數據采集單元獨立不相關，于是對任何一個故障元件，線路元件LN，變壓器元件TR以及母線元件BU故障發生的概率分別表示為pLNi，pTRi和pBUi， 其計算公式為：

(11)

(12)

(13)

式中αLNi,k、αTRi,k、αBUi,k為元件σLNi、σTRi、σBUi在第k個數據源的邏輯變量，當電力元件(σLNi、σTRi、σBUi)屬于第k個數據源時序約束條件下的故障元件集合ΣFault,k時，相應的邏輯變量(αLNi,k或αTRi,k或αBUi,k)取1，否則取0；

于是，可以得到電力元件的故障置信集合如下。

Ssw={pLN1,…,pLNnl,pTR1,…,pTRnt,pBU1,…,pBUnb}

(14)

將其進行歸一化處理，可得

(15)

3 基于電氣量能量畸變度的故障分析

3.1 小波變換與小波能量分析

根據小波變換理論，離散信號y(n)可轉變為各種小波分解尺度下高頻分量系數與最大小波分解尺度下低頻分量系數之和。

(16)

式中：N為最大小波分解尺度；D1(n)為第1個分解尺度下的高頻分量系數；A1(n)為第1個分解尺度下的低頻分量系數；AN(n)為第N個分解尺度下的低頻分量系數。根據式(16)，經過小波分解后每個頻段的能量分布可用系數序列平方和表示，如式(17)—(18)所示。

Ej=∑k∈n|Dj(k)|2

(17)

EN+1=∑k∈n|AN(k)|2

(18)

式中：j∈N；k為第k個時刻，k∈n；Ej為信號在第j個分解尺度的小波能量分布。信號y(n)的小波總能量即為各頻段能量之和。

(19)

3.2 能量畸變度的求取

當某一電力元件發生故障時，伴隨該元件電壓與電流等電氣量的突變，于是考慮利用測量該元件的故障錄波裝置錄得的電氣量數據，得到故障差波信號[15 - 16]，即

ΔU=U-U′

(20)

式中ΔU為故障差波信號；U為故障后電氣瞬時信號；U′為故障前電氣瞬時信號。

對電壓差波信號而言，故障線路電壓變化最大，非故障線路變化較小，因此本文主要考慮電壓的電氣量的相關數據。按照式(16)對故障差波電壓信號進行小波能量分析，并可進一步根據式(17)—(18)得到相應的能量畸變度的值。

(21)

利用式(21)對電網內所有可能故障元件進行能量畸變度分析，并實現全網內對每一個可能故障元件能量畸變度的歸一化處理。

e(i)=FE(i)/∑FE(i)

(22)

式中：e(i)為第i個可能故障元件的能量畸變度，據此得到電力元件故障概率集為：

Set={eLN1,…,eLNnl,eTR1,…,eTRnt,eBU1,…,eBUnb}

(23)

式中eLNi、eTRi和eBUi分別為電力元件σLNi、σTRi、σBUi故障發生概率。

4 基于D-S證據理論的多源信息融合分析

當前在進行不確定性推理時采用較多的方法為D-S證據理論[17 - 18]。在D-S證據理論中，設Θ={A1，A2，…}是辨識空間，證據m1,m2, …,mx合成規則為：

(24)

其中，基本概率賦值(BPA)滿足

∑imj(Ai)=1

(25)

K=∑∩Ai∑1≤j≤nmj(Ai)

(26)

式中：K為歸一化因子，1-K反映不同證據之間的沖突程度；當K→1時，對沖突證據用D-S理論處理將會產生與實際相悖的結果。本文擬采用基于可信度的證據體修改，相關修改規則如下所示。

(27)

(28)

表3 D-S證據理論的組合Tab.3 Combination of D-S evidence theory

特別地，對于復雜故障情況，通常含有多個故障元件，這樣便會導致故障元件的置信度較低，此時，考慮采用相對占比來進行故障判定，假設故障元件經過D-S證據合成之后故障判定置信集合為

ΣFault,end={p1,p2,…,pn}

(29)

式中p為第i個可能故障元件的概率值，則可能故障元件的故障置信值為

(30)

5 電網故障多層診斷流程

綜合上述，本文綜合開關量信息和電氣量信息的故障多層診斷具體診斷流程如見圖2所示。故障元件的多層診斷具體流程如下。

1)單源信息診斷層：單獨利用開關量或電氣量信息進行故障元件辨識，因此具體包括以下開關量診斷和電氣量診斷兩大環節，最后通過比對開關量診斷層與電氣量診斷層的診斷結果，若為一致，則直接認為診斷結果無誤，輸出診斷結果，否則說明存在不確定性問題，進入融合多源信息診斷層。

2)開關量診斷：首先利用開關量動作的時序約束進行電力元件故障置信集計算，完成開關量診斷層的故障元件辨識；

3)電氣量診斷：接著對電氣量信息進行小波變換和小波能量分析，提取其能量畸變度并利用能量畸變度指標對相關數據進行處理，得到可能故障元件的概率集合，完成電氣量診斷層的故障元件辨識；

4)多源信息融合診斷層：通過D-S證據理論對數據信息進行融合，得到針對每一種故障元件，在綜合考慮開關量以及電氣量等多種信息的情況下，可能故障元件的故障概率值，為相關元件的故障診斷與分析提供了依據，同時還可以進一步對相關保護以及斷路器的動作情況進行分析。

圖2 電網故障多層診斷流程圖Fig.2 Multi layer fault diagnosis flow chart of power grid

在電網故障多層診斷的過程中，針對不同數據源度量標準不一致的問題，本文構造了線性歸一化函數對不同源數據進行歸一化處理。

(31)

6 算例

為了驗證本文所提的方法的有效性和實用性，利用圖3所示的局部電力系統進行仿真分析，其中，L為線路，A為單母線，B為雙母線，T為變壓器，CB為斷路器。在仿真分析時，下標S、R分別表示電力元件的首端與尾端，相關仿真結果如表4所示。

圖3 局部電力系統模型Fig.3 Local Power system model

表4 仿真結果分析Tab.4 Simulation result analysis

為了驗證在不同故障情況、不同信息質量的條件下本文所提方法的適應性和有效性，本文設置了4個算例場景，具體如下。

算例1：單元件簡單故障，相關保護與斷路器的動作滿足時序約束的條件；

算例2：單元件簡單故障，CB6拒動且在160 ms發出告警信息；

算例3：多元件復雜故障，相關保護與斷路器的動作滿足時序約束的條件；

算例4：多元件復雜故障，L2Sm漏報，CB6拒動，CB9時序不一致誤動。

對比算例1和算例3可發現，單元件簡單故障(算例1)下開關量和電氣量診斷故障元件置信度均較高，而多元件復雜故障(算例3)下開關量和電氣量診斷故障元件置信度降低。本文方法綜合了開關量診斷故障元件置信度和電氣量診斷故障元件置信度兩方面信息，與原本僅靠電氣量診斷故障元件的置信度相比，B1置信度增加5.2%，L2置信度減少1.9%。本文方法在盡量減少對高置信度的元件診斷結果的影響下，能夠增強相對較低置信度的元件診斷結果，保證其診斷結果與實際故障結果仍然一致。

對比算例2和算例4可發現，當信息質量受斷路器拒動和告警信息丟失等情況影響時，疑似故障元件的置信度均有所增加。在單元件簡單故障(算例2)下，開關量診斷故障元件置信度最大值和次大值僅相差0.25，電氣量診斷故障元件置信度最大值和次大值相差0.459，采用本文方法后診斷結果置信度最大值和次大值相差0.7，能夠有效甄選出故障元件。多元件復雜故障(算例4)下，開關量和電氣量故障元件置信度均大幅降低。采用本文方法后實際故障元件置信度相較于采用單一信息診斷的故障元件置信度有所提升，而非實際故障元件置信度相對減小，其置信度與最大值相差0.494，與次大值相差0.458，能夠有效甄選出故障元件。因此，當信息質量受斷路器拒動和告警信息丟失等情況發生時，由于本文綜合了多源信息，仍能診斷出實際故障元件。

7 結論

本文提出了一種基于多源信息融合的電網多層智能故障診斷方法，能夠克服保護和斷路器的誤動、拒動及其告警信息傳輸錯誤等不確定性，獲得準確故障診斷結果。主要結論如下。

1)針對保護拒動、誤動和告警信息傳輸錯誤等情況，傳統以單一信息為依據的診斷結果容易受到信息質量擾動的影響，導致非故障元件和故障元件的置信度區分度較小。本文通過結合基于開關量時序約束以及基于電氣量能量畸變度的元件故障置信集，采用D-S證據理論進行多源信息融合，能夠克服信息質量變動的影響，通過多源信息的綜合分析給出正確的故障診斷結果。

2)針對多重故障情況，傳統多源信息融合故障診斷方法容易導致故障元件置信度降低，影響故障診斷結果。本文方法采用相對占比的D-S證據理論分析方法對多源信息融合診斷方法進行改進，可加大故障元件和非故障元件的區分度，進而提高電網故障診斷效果。