电力系统故障的时序特性

电力系统故障的时序特性

0基于因果网络的故障诊断方法对故障后电网的快速恢复和系统故障的稳定运行和故障后可靠性的快速恢复具有重要意义。迄今为止,国内外已提出多种电力系统故障诊断方法,如专家系统、解析模型、Petri网、人工神经元网络、因果网络等。专家系统应用于电力系统故障诊断已有接近30年的历史,但仍存在知识库维护困难、推理时间长等缺陷。基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。基于Petri网的方法在处理复杂电力系统的故障诊断时,会出现关联矩阵维数过大的问题。基于人工神经元网络的方法,则存在学习算法收敛速度过慢,网络结构发生变化时需要重新训练的问题,而且对诊断结果的解释能力差。电力系统发生故障时,故障设备和警报信息在逻辑上存在因果关系,这与因果网络(cause-effectnet,CEN)的知识表示方式有很好的对应关系。文献[9-10]针对配电变电站,提出了一种基于因果网络的识别故障馈线的方法。该方法描述了设备故障与保护和断路器动作之间的逻辑关系,利用保护和断路器状态信息进行故障诊断。这种方法可以较好地解释故障演变过程,并具有推理速度快、数据库维护方便等优点,具有良好的在线应用前景。文献对文献的方法进行了改进,提出一种基于因果网络的输电系统故障诊断方法;该方法首先利用因果网络生成关联矩阵R,然后通过关联矩阵与故障真值状态向量T、故障节点向量F之间的逻辑运算推断出故障元件。在实际电力系统中,数据采集与监控(SCADA)系统采集的保护和断路器状态信息可能出现误报和漏报等不确定性情况,此时文献[9-11]中的向量T将出现错误,从而影响最终故障诊断结果。基于全球定位系统(GPS)对时的事件顺序记录(SOE)信息,能够以毫秒级的分辨率识别事件发生时间和设备状态变化的先后顺序,这为利用警报的时序信息提供了客观条件。文献[13-14]分析了警报信息的时序特性,建立了能够处理警报时序信息的故障诊断模型。在复杂故障的情况下,所述方法能够得到更为明确的诊断结果。文献研究了事件发生时间的不确定性问题,并构造了基于时序约束网络的故障诊断模型,可在相当程度上避免文献[13-14]中的方法要求对时间进行精确定义的缺点。但是,该方法在利用正向推理得到期望警报信息的过程中,需不断搜索规则库并与实际收到的警报序列信息进行匹配运算,这对于复杂故障场景计算量较大。在上述背景下,针对输电系统提出了一种能够利用警报时序信息的时序因果网络(temporalcause-effectnet,TCEN)故障诊断方法。所提出的方法能够较好地处理警报误报或漏报、保护或断路器误动或拒动等不确定情况,具备较好的容错性,且能够较好地解释故障演变过程。1电气量正常运行前已述及,电力系统发生故障时的警报信息(事件)具有时序特性。首先,设备故障使得电气量发生变化,之后是保护装置动作,最后是断路器跳闸。电力系统发生复杂故障时,警报信息的时序特性是分析故障原因、故障演变过程及评价保护和断路器动作行为的重要依据。迄今为止,在利用警报信息时序特性的故障诊断方面已取得了一些初步成果。1.1类型内各预报事件的出现时段在实际系统中,保护和断路器动作在触发、整定或动作环节都可能存在一定的延时误差。因此相对于故障发生时刻,各警报事件的出现时刻应该在一定区间之内。为表述方便,定义TBEG(mi)为警报事件mi的发生时刻,TCONS(mi)为mi发生时刻的时间点约束,tDIST(mi,mj)表示mi和mj这2个关联事件先后出现的时间区间约束。1.2保护时间的估计保护动作事件的时间点约束可以由保护动作时间整定值估算。假设某保护P的时间整定值为tP,故障发生于t0时刻,则考虑实际运行的时间误差τP之后(τP为整定时间的一定比例),可以估算该保护事件的时间点约束为:例如:线路L的后备保护Pb动作整定值为1000ms,假设故障发生于0时刻,如果考虑±5%的时间误差(τP=50ms),则可确定TCONS(Pb)=ms。设备故障事件mi与保护动作事件mj的时间区间约束为:1.3保护动作事件的区间约束断路器动作事件的时间点约束可由断路器分闸时间估算。假设某断路器C的分闸时间为tC,触发断路器的保护动作时刻为t1,则考虑实际运行的时间误差τC后,可估算该断路器事件的时间点约束为:保护动作事件mi引发断路器动作事件mj的时间区间约束为:1.4tbegmi警报事件的时序特性必须满足一致性约束,如下式所示:式(1)表示:若事件mi发生于TBEG(mi),则事件mj的发生时刻TBEG(mj)须满足时间点约束,即TBEG(mj)∈(TBEG(mi)+tDIST(mi,mj))。若实际收到的警报事件mj的发生时刻TBEG(mj)不满足式(1),则称mj不满足时序特性一致性约束,属于错误警报信息。2cen的基本原则2.1节点关联关系CEN是一种可用于描述故障设备与保护、断路器等警报动作信息之间逻辑关系的图形化建模工具,由各类事件节点和带有方向的弧组成。这里采用的节点包括4类,即故障设备节点、保护节点、断路器节点及虚拟节点(VN);各类节点在CEN中用Ck表示,下标k为节点序号。在CEN中,各个节点由带有方向的弧连接,表示各个事件节点之间的因果关系。文献中给出了3种节点关联关系,见附录A图A1。弧的起点A表示原因,弧的终点B表示A引发的结果。1)故障设备节点A引发相应的保护节点B动作之间的关联。2)保护节点A动作引发相应断路器节点B动作之间的关联。3)断路器节点拒动引发相应的后备保护节点动作之间的关联,其中虚拟节点A′表示断路器节点A动作不成功(拒动)引发的节点。第3类关联关系中出现了虚拟节点,该类节点的作用是为了防止CEN中出现环网。环网的形成会影响后续的基于矩阵运算的推理过程。2.2enen在故障发生后,对所有存在故障可能的设备按附录A图A1所示的3种关联关系构造CEN。如此建立的CEN可以用被称为关联矩阵的二进制矩阵R来描述。R是一个对角线元素均为1的n阶方阵,n为CEN中的节点总数。R中的各元素ri,j定义如下:式中:ri,j=1表示节点Ci与Cj之间存在关联关系,Cj⇒Ci表示节点Cj的发生引发节点Ci的发生;ri,j=0表示节点Ci与Cj之间不存在关联关系。3基于ten的故障诊断3.1u3000cen的建立电力系统警报事件之间的关联关系可分为事件逻辑关联和时序逻辑关联2类。这里构造的TCEN将警报信息时序特性约束引入CEN之中,从而形成一种新的可计及时序特性的因果网络。利用事件之间不同形式的关联关系的互补性,可以增加冗余信息,增强诊断模型的容错性。考虑时序特性之后,TCEN中的各类事件节点和弧就具备了时间属性。同时,这里新增了主保护拒动与后备保护动作之间的关联关系,以此进一步判断主保护是否发生拒动。图1给出了TCEN中各类事件节点的关联关系,虚拟节点的发生时刻为相应主保护拒动或断路器拒动发生时刻。在TCEN中,关联关系不同的弧具有不同的时间区间属性,在实际应用中可利用当地以往的统计数据确定。CEN的建立过程如下:首先在离线状态下,根据专家或运行人员的经验,建立各元件保护动作的逻辑规则,CEN以逻辑规则的形式存放在数据库中。在故障诊断系统初始化时,首先根据故障前后的拓扑确定停电区域,然后在规则库中读取停电区域中相关元件的保护配置规则自动构建CEN。保护配置变化后,就需要更新规则库。然而,电网在不同运行方式下部分保护和断路器的动作逻辑可能发生变化,例如失灵保护所保护的母线相连线路及断路器的触发保护与电网的运行方式有关,这可以通过对运行状态进行识别、相关性分析和动态拓扑分析等途径来解决。3.2故障推理过程为便于叙述,本节以一个简化的输电系统为例来阐述基于TCEN的故障诊断模型。图2为一个简化的输电系统。图中:R1m和R2m分别为与1号断路器和2号断路器相关的主保护;R1b和R2b分别为与1号断路器和2号断路器相关的后备保护。假设线路L发生故障后,左右两侧主保护R1m和R2m分别在TBEG(C2)和TBEG(C6)时刻动作,1号断路器于TBEG(C3)时刻跳闸,2号断路器于TBEG(C7)时刻跳闸。图3为与图2输电系统相对应的TCEN。在图3中,VN(Ci,Cj)=Ci∩Cj-,表示节点Ci发生且Cj不发生。例如:VN(C1,C2)表示L发生故障,且1号断路器主保护拒动。下面对故障诊断过程中所涉及的各个矩阵和向量进行说明。1)关联矩阵R:在TCEN中,R的各个元素与CEN中R的定义一致。R是一个对角线元素均为1的n阶方阵,n为事件节点总个数。在图3已建立的TCEN基础上,根据式(2)的定义可得到R。R除各对角元素为1外,以下元素的布尔状态值亦为1:r2,1,r3,2,r3,5,r5,4,r6,1,r7,6,r7,9,r9,8。2)故障真值状态向量T:T反映实际上传的所有警报信息状态值。若某事件节点Ci发生,即接收到节点所对应的警报信息,则该节点的状态为1;若未接收到相应的警报信息,则该节点状态置为0。T的生成是整个故障推理过程中最为关键的环节,考虑到实际系统运行中警报信息可能出现漏报或误报等不确定性情况,必须对接收的错误警报序列进行过滤。T为n维列向量,其各个元素ti的定义如下:式中:cis.t.表征Ci是否满足时序一致性约束,若满足则取1,否则为0。如果接收的警报信息均是正确的,则图3所示系统的T为:3)故障节点向量F:F反映TCEN中各故障设备的节点分布。F为n维列向量,其各个元素fi的定义如下:图3所示系统的故障设备节点只有C1,因此除f1=1外,其他元素均为0。这里将虚拟节点(包括主保护拒动和断路器拒动节点)对应的Ci加入F中,可以进一步判定主保护与断路器的拒动情况。在以上3个矩阵或向量生成之后,便可通过矩阵运算实现故障推理,具体步骤如下。步骤1:将关联矩阵R的转置矩阵与故障真值状态向量T进行二进制乘法运算,得到转换矩阵T*。该过程可用式(5)表示,其中“二进制乘法”用⊗表示:R反映各个事件节点之间的因果关系,R转置之后,原有节点间的因果关系互换,即TCEN中各关联关系的弧全部发生转向。例如:ri,j=1表示节点Ci与Cj之间存在关联关系,且Cj的发生会引发节点Ci的发生。转置后ri,j行列互换,弧的方向变成由Ci指向Cj。因此,转换矩阵T*的计算过程在逻辑上实现的是从警报信号向故障设备反向推理的过程。步骤2:生成转换矩阵T*之后,将T*与故障节点向量F进行逻辑“与”运算,得到最终的故障判断矩阵Tend,即由于故障只可能发生在故障设备节点,因此,即可判定矩阵Tend中非零元素对应的设备发生了故障。步骤3:故障演变过程分析。在用Tend估计出故障设备之后,结合接收到的警报时序信息,借助TCEN中各节点和前后节点间各弧的时间属性,通过正向推理和反向推理,并利用式(1),可以导出故障演变过程,并估算出设备故障时刻以及漏报信息的发生区间。这里引入“允许漏报程度”的概念。例如:当允许漏报程度为1时,表示实际系统可以接受1个警报信息被漏报的情况。这样,在正反向推理时,故障演变过程中允许经过1个布尔值为0的节点实现关联,且该布尔值为0的节点为漏报信息节点。3.3系统架构基于TCEN的故障诊断,需对警报事件进行时序特性一致性约束判断,其详细架构如图4所示。4u3000tcen中各类弧的时间区间约束属性以图5所示广州地区220kV电力系统的实际故障案例为例,来说明本文所述模型及方法的可行性与有效性。根据文献给出的实际电力系统中保护和断路器动作时延数据,结合广州电力系统的实际情况,这里对TCEN中各类弧的时间区间约束属性给定如下:①Δta=tDIST(故障发生,主保护动作)∈ms;②Δtb=tDIST(保护动作,断路器动作)∈ms;③Δtcsl=tDIST(断路器拒动,失灵保护动作)∈ms;④Δtd=tDIST(主保护拒动,后备保护动作)∈ms。附录B表B1列出了图5所示故障发生后收到的警报序列。4.1故障判定和判断1)生成关联矩阵R,其各元素取值见附录C。2)生成故障真值状态向量T。根据附录B表B1列出的警报序列,确定T中以下元素的布尔状态值为1:t2,t3,t4,t5,t7,t8,t9,t10,t18,t25,t26,t30。3)生成故障节点向量F。对应故障案例中故障设备节点,F中以下元素的布尔状态值为1:f1,f12,f14,f22。4)计算转换矩阵T*。将R和T代入式(5)求得T*,结果见表1。5)计算故障判断矩阵Tend。将T*和F代入式(6)计算Tend,最终判断故障设备为L2943和L2295。结果见附录B表B2。4.2tcen的故障诊断在收到警报信息序列和完成故障区域自动识别之后,需要检查警报序列是否满足时序特性一致性约束,然后构造最终的TCEN。图6为所构造的本故障案例的TCEN,其中各个节点的含义列于附录B表B3,节点上方的数字表示该节点相应警报发生的时刻。考虑到实际电力系统发生故障时,错误警报信息占警报信息总数的比例一般较小,因此,在检查时序特性一致性约束时可以采用以下方法:假设某一警报信息A正确,利用式(1)和CEN检查与其关联的警报信息B是否正确。若警报信息B正确,在余下的警报信息中找到与B关联的警报信息C,同样利用式(1)和CEN检查C是否正确;若警报信息B错误,则假设警报信息C正确,然后对C采用与A同样的方法判断余下的警报信息。重复此过程,并记录各种假设情形下的错误警报信息个数。最后,选择错误警报个数较少的假设情形作为结果。这里,以假设最先接收到的主保护相关警报信息为正确信息来启动这一检查过程。基于TCEN的故障诊断的具体步骤如下。步骤1:警报序列时序特性一致性约束检查。假设在收到的警报序列中,表示主保护动作的警报1和警报2是正确信息,警报4(即断路器C12动作)和警报5(即碧山站L2295纵联差动保护动作)为错误警报,则错误警报信息有2个。现在分析收到的所有警报序列:(1)警报4是由警报1相关的保护动作引发的,属于图1(b)类关联关系;参照附录B表B2,可求得Δtb=tDIST(C4,C5)=90msue05bms,即不满足时序特性一致性约束,由式(3)可知C5不满足时序一致性约束时c5s.t.=0。(2)与警报5相关的事件引发警报9(即断路器C7动作),属于图1(a)类关联关系,可求得Δta=tDIST(C25,C26)=217msue05bms,因此警报5不满足时序特性一致性约束,此时c25s.t.=0。其他假设情形可参照上述分析方法。因篇幅限制,这里不再赘述。步骤2:生成关联矩阵R,且R中各元素的布尔值与4.1节中给出的关联矩阵各元素相同。步骤3:生成故障真值状态向量T。由于警报4和警报5为错误警报,因此,根据式(3)可确定T中以下元素的布尔状态值为1:t2,t3,t4,t7,t8,t9,t10,t18,t26。步骤4:生成故障节点向量F。F中以下元素的布尔状态值为1:f1,f12,f14,f22,f6,f19,f27,f31,f32,f33。步骤5:计算转换矩阵T*。将R和T代入式(5)计算T*,结果列于表1。步骤6:计算故障判断矩阵Tend。将T*和F代入式(6)计算Tend,最终诊断出来的故障设备为L2943。结果见表1。步骤7:故障演变过程分析。以接收到的第1个警报的时标为基准点(定义此时刻为0时刻),通过分析TCEN和T*可知,实际故障演变过程为:在-12~-40ms期间,线路L2943故障;0ms时碧山站L2943纵联差动保护动作,并向C12发出跳闸信号,但是C12拒动;2ms时炼化站L2943纵联差动保护动作,引发50ms时C14跳闸;279ms时C12失灵保护动作,导致C16,C6和C7分别在328ms,330ms和337ms跳闸;在50ms和90ms时出现错误警报。诊断结果与实际发生事件相符。4.3与其他方法对比将文献的方法与本文方法进行对比分析,结论如下。1)文献的方法对存在错误警报的故障诊断场景的