基于分层多源信息融合的电网故障诊断方法

基于分层多源信息融合的电网故障诊断方法

0录波器、pmu电气量信息与开关量诊断相结合故障后，scada系统的保护和道路电阻的开关量状态是传统电网故障诊断信息的主要来源。近年来，对基于开关量信息的故障诊断方法进行了研究，如网络传输、神经网络、专业系统、贝叶斯网络、遗传计算方法及其优化。尽管诊断精度有所提高，但仍然无法有效消除保护、断裂反应、拒绝移动和信息传输损失等不确定因素对故障诊断的负面影响。这往往导致故障诊断源的范围扩大和误判，因此仅仅依靠开关量来判断故障是不可能的。电力系统调度自动化水平的提高及通信技术的发展,使得数字式保护及故障录波器等智能电子装置的应用越来越普遍,保护故障信息管理系统(RPMS)除可获取故障的保护动作信息外,还可收集分布于各个厂站的故障录波器录波信息。广域测量系统(WAMS)作为新一代电网动态监测系统,利用同步向量测量单元(PMU)实现对电压、电流、功率等量的实时数据采集、传输,并带有精确时标,可在电网故障触发时实现高频采样录波。电网故障时电气量的变化先于保护、断路器等的动作,且电气量数据可靠,完备性、容错性较好,因此,合理利用录波器、PMU电气量信息,以及与开关量诊断结合,成为电网故障诊断研究的热点。对比RPMS与WAMS的电气量信息,PMU采集的电气量数据采用统一GPS时标且上传实时性较优,对故障时刻定位更准确;但由于成本及其它技术原因,实际中PMU不及故障录波器布点密度高,基于WAMS的高级应用仍不够成熟,WAMS将与SCADA/EMS系统并存。因此,综合利用故障录波器与PMU采集的电气量信息并与开关量诊断相结合,实现优势互补,可大大提高电网故障诊断的准确性与可信度,具有实际意义。同时应考虑到,电网故障诊断实时性要求较高,而过多电气量录波文件的召唤传输时延会严重降低诊断方法的实用性,之前结合电气量信息的故障诊断研究并未对这一问题提出有效解决方案。综上分析,本文提出了一种分层多源信息融合的电网故障诊断方法,包含开关量诊断及多源信息融合诊断2个层次。开关量诊断层基于SCADA系统开关量状态及时序信息,采用蕴含时序贝叶斯网络诊断并形成故障元件候选集(即可能故障的元件集合),可快速完成对电网单一元件故障的诊断;若故障元件候选集包含多个元件,则进入多源信息融合诊断层,获取与候选集元件相关的故障录波器、PMU量测点的电气量录波信息,分别经小波变换及能量谱分析、改进RBF神经网络提取故障特征,与时序贝叶斯网络的元件故障概率相结合,求取候选集元件的4个故障度,并作为证据体经改进D-S证据理论融合及模糊C均值聚类方法获得诊断结果。算例分析证明了本文方法的合理性和有效性。1开关量诊断时造成的错误及时准确诊断出故障元件,对电网恢复安全稳定运行意义重大。结合开关量与电气量信息的电网故障诊断有必要采取分层模式,主要基于以下考虑。1)电网单一故障发生较多,基于开关量信息的诊断方法可以较准确做出判断,此时结合电气量诊断意义不大,因为电气量录波文件的召唤传输时延反而降低了故障诊断的效率。2)对保护、开关拒动、误动造成的多元件停电及偶发多重故障的有效诊断,是研究的重点。单纯基于开关量的诊断往往不能准确甄别故障元件与非故障停电元件,此时有必要结合电气量信息进行综合辨识。因此,本文方法采用分层诊断模式,如图1所示。考虑到故障诊断的实时性要求,本文方法首先基于开关量诊断层获得了故障元件候选集,为多源信息融合诊断提高了针对性,仅对候选集中的元件召唤相关的录波器录波数据文件,这大大降低了数据传输时延,在提高综合电气量故障特征诊断准确度的同时也增强了本文方法的实用性。2故障诊断结果在开关量诊断层,本文结合文献,采用蕴含时序的贝叶斯网络作为故障特征提取及诊断的方法,并在贝叶斯推理中应用文献的简化规则(限于篇幅不再详述)。时序贝叶斯网络利用时序一致性判别,可在一定程度上减轻保护误动对诊断结果的影响,相对于Petri网、优化算法等方法,具有一定的优势。贝叶斯网络模型的元件故障先验概率值采用文献中基于统计分析的线路故障概率及主保护拒动、误动概率,由于线路第一、第二后备保护统计数据不完整,本文假设其在线路正常、故障情况下的正确动作率分别为主保护正确率的98%、95%。线路Lf-t的时序贝叶斯网络故障诊断结果Pf-t(f、t表示线路的两端节点)表示了该线路的故障概率。设定阈值θ,故障概率超过阈值的元件组成故障元件候选集,对候选集中的元件个数s做如下判定:1)若s=1,则电网发生单一故障,故障元件候选集中的元件则作为诊断结果输出;2)若s>1,即故障元件候选集中元件数为2个或多个的情况,需结合电气量信息进一步辨识。将候选集中的元件故障概率Pi做如下处理eBi=Ρis∑i=1Ρi。(1)由此得到EB={eB1,eB2,…,eBs},定义为时序贝叶斯相对故障度(relativefaultdegreebasedonbayesiannetworkswithtemporalorder,RFDBT),作为证据体参与多源信息融合层次的诊断,元素eBi表示候选集线路间故障的相对支持程度。3多元件组合多源信息融合诊断层综合开关量、电气量故障特征信息,对故障元件候选集中的多个元件是否故障做进一步辨识。本文对录波器及PMU采集的电气量信息采用小波变换及能量谱分析提取故障特征,并根据电气量的各自特性定义了3个故障度,作为证据体参与多源信息融合诊断。3.1高频分量系数和最大分解尺度小波能量分析基于多分辨率的快速小波变换是利用正交小波基将信号分解为不同尺度下的各个分量,每分解1次,信号采样频率降低1倍,每次分解都针对低频分量进行。离散信号x(n)采用多分辨分析小波变换及系数重构,可表示为各分解尺度下高频分量系数与最大分解尺度下低频分量系数之和x(n)=D1(n)+A1(n)=D1(n)+(D2(n)+A2(n))=z∑j=1Dj(n)+Az(n)。(2)式中,z为小波分解最大尺度;Dj(n)为每次分解下的高频分量;Az(n)则为尺度z下的低频分量。重构后系数序列的平方和代表了相应频段的能量分布,设E1,E2,…,Ez,Ez+1为信号在z个尺度上的小波能量分布,其中{Ej=∑k|Dj(k)|2;Ez+1=∑k|Az(k)|2;j=1,2,⋯,z;k=1,2,⋯,n。(3)将各频段能量求和,得到信号x(n)的小波总能量为E(x)=z∑j=1Ej+Ez+1。(4)3.2源装置的电气功率误差特征提取采用故障候选集中元件的各相电压、电流录波器波形数据,以多分辨小波变换及能量谱分析提取故障特征。3.2.1能量畸变度i,edd对线路两端电压,计算出故障发生前后1个波形周期(20ms)的小波总能量。设求得线路两端电压故障前小波总能量为EVbi_f和EVbi_t,故障后小波总能量为EVai_f和EVai_t(f、t表示线路的两端节点),定义能量畸变度(energydistortiondegree,EDD)λi为λi=EVbi_f+EVbi_tEVai_f+EVai_t。(5)式中,i为线路编号;能量畸变度λi为线路Li各相电压求得的最大值。从式(5)中得出故障线路的EDD会明显增大。将各线路电压能量畸变度λi,采用式(6)计算得到Eλ={eλ1,eλ2,…,eλs},将其定义为能量畸变相对故障度(relativefaultdegreeofenergydistortion,RFDED),作为证据融合的证据体,其元素eλi表示出了对候选集中各线路故障的相对支持程度eλi=λis∑i=1λi。(6)3.2.2故障电流的测定故障元件候选集中的非故障线路电流,在电网发生故障前后其能量畸变度可能会很大,甚至会超过故障线路的最大电流值,因此对线路电流仅按3.1节方法求取故障后线路各相小波总能量的最大值(取故障后20ms波形分析),记为EΙi。将候选集中各线路小波总能量最大值EΙi按式(6)类似处理得到EI={eΙ1,eΙ2,…,eΙi,…,eΙs},定义为能量相对故障度(relativeenergyfaultdegree,REFD),作为证据融合的证据体。3.3pmu电压记录波故障特征的提取3.3.1基于rbf神经网络的故障诊断分类算法设计实现系统可观性的PMU配置,其采集的电气量信息可以反映电网的故障情况。本文采用PMU电压录波作为分析依据,建立改进RBF神经网络模型,并经预想故障样本集训练,进行故障线路诊断识别。RBF神经网络为3层前向网络,具有较强的非线性映射能力、函数逼近能力、分类能力和容错性,在故障诊断分类中已有研究应用。但基于RBF神经网络的故障分类或诊断,结果中非故障类或元件往往出现负值情况,且不能很好表达出对线路故障的支持程度。本文基于Java神经网络包Joone设计了针对上述缺点的改进RBF神经网络,输入层仍采用线性输入LinearLayer,隐含层采用RbfGaussianLayer,输出层采用SoftmaxLayer,网络层及层间权值训练函数采用弹性反馈算法RPROP。RbfGaussianLayer传递函数为高斯型函数,见式(7)yj=exp(-∥x-cj∥2σ2j(x))。(7)式中,函数中心位置cj及方差σ2j(x)设置为通过对输入计算均值及方差形式选定。改进网络隐层数目需要进行择优设定。输出层SoftmaxLayer采用如式(8)所示的传递函数yi=exp(xi)c∑i=1exp(xi)。(8)式中,c为输出分类数;yi为神经元输出。3.3.2电网故障线路输出量针对电网线路故障建立预想故障训练样本集,将故障前后短时间内(本文取20ms)各PMU采集的电压量经过小波能量分析,求取能量畸变度λ。为减小输入量波动范围,将其倒数作为网络的输入,输入维数等于电网中配置的PMU个数;样本集的输出量维数d等于电网支路数;输出量中对应故障线路的元素为1/NFL(NFL为预设故障线路数);其它元素值为0。将完成训练的改进RBF神经网络模型用于电网故障诊断,设输出为Ynet={ynet1,ynet2,…ynetd}(满足d∑i=1yneti=1),仅取与故障候选集元件对应的输出值,按式(6)处理,得到YNet={yΝet1,yΝet2,…,yΝets},将YNet定义为改进RBF网络相对故障度(relativefaultdegreebasedonimprovedRBFnetwork,RFDIR),作为证据体进行信息融合,其元素yΝeti反映了线路间故障相对支持程度。3.4信息整合是基于d-s证据理论的3.4.1mn合成规则D-S证据理论是进行不确定性推理的重要手段。对于识别框架Θ,证据m1,m2,…,mn合成规则如式(9)所示m(A)={0,A=∅;(1-Κ)-1∑∩Ai=A∏i≤j≤nmj(Ai),A≠∅。(9)式中,基本概率赋值(BPA)满足∑imj(Ai)=1‚Κ=∑∩Ai=∅∏i≤j≤nmj(Ai),反映了证据间的冲突程度。3.4.2新证据体的概率分配D-S证据理论应用中有很多不足之处,即存在Zadeh悖论、一票否决、鲁棒性和公平性等问题,学者们主要从数据源与合成规则两方面进行了改进。本文采用基于可信度的证据体修改及基于局部冲突分配的合成规则,进行证据融合。1)基于可信度的证据体修改。证据可信度μi(μi≤1)反映了证据间的相对可靠程度,取证据组中可靠性最高的证据可信度为1。将μi作为修正系数修改原始证据体M′,剩余概率分配给未知情况m(Θ),即识别框架Θ的全命题集合,得到修正后证据体M的BPA值,如式(10)所示。M=[m(A1)m(A2)…m(An)m(Θ)]。(10)式中,元素m(Ai)={μim′(Ai)|i=1,2,…,n};m(Θ)=1-n∑i=1m(Ai);元素m′(Ai)∈M′。2)基于局部冲突分配的合成规则,将局部冲突在引起冲突的2个焦元间进行了分配,如式(11)所示。{mjk(A)=∑B∩C=Amj(B)mk(C)+f(A)；f(A)=∑A∩D=∅(m2j(A)mk(D)mj(A)+mk(D)+m2k(A)mj(D)mj(D)+mk(A))。(11)式中,B、C、D⊂{A1,A2,…,Θ};BPA值mj(·)⊂Mj,mk(·)⊂Mk;mjk(A)为融合后新证据体Mjk中的BPA值。每2个证据合成后,对所得的新证据体进行归一化处理,如对Mjk归一化后得到的元素m′jk(A)为m′jk(A)=mjk(A)∑mjk(⋅)。(12)本文将能量畸变相对故障度Eλ、能量相对故障度EI、改进RBF神经网络相对故障度YNet及时序贝叶斯相对故障度EB作为证据体,采用改进D-S证据理论进行融合,其可信度的选取可通过统计分析或专家经验确定,本文将以上证据体可信度分别取为1、0.95、0.9及0.8。3.5fcm算法中相关元件的确定证据融合结果随故障元件候选集中故障线路数目的变化而变动,因此并不适合直接用于决策分析。本文采用模糊C-均值聚类方法(FCM)对融合结果进行聚类分析。FCM算法是在传统C-均值聚类算法中结合了模糊技术,可以得到数据点不同程度地属于某几类的不确定情况。将数据组X={x1,x2,…,xN}采用FCM分为c类,迭代寻优逼近下列准则函数最小值Jmin(U,V)=Ν∑j=1c∑i=1ulijd2ij。(13)式中,隶属度矩阵U=(uij)c×N;元素uij表示数据点xj隶属于类wi的程度,且满足uij∈;c∑i=1uij=1,可通过与设定阈值的比较决定数据点的隶属类;V={v1,v2,…,vc},vi为分类wi的中心;指数l∈[1,∞);d2ij=(xj-vi)TA(xj-vi)为数据点xj到类wi中心的距离,本文采用当A=I的欧氏距离。本文将线路分为故障和非故障类2类,故障元件候选集之外的其它元件作为非故障类参与FCM分析。设定FCM类隶属度阈值为δ,将中心值较大的类作为故障线路集,故障线路集中隶属度>阈值δ的线路为故障线路,作为故障诊断结果输出。4基于时序贝叶斯网络故障诊断综前所述,本文分层多源信息融合电网故障诊断方法的具体步骤如下。故障诊断预备工作:结合电网的PMU配置,建立预想故障样本集,对改进RBF网络进行训练。训练好的网络可随时参与电网故障诊断。Step1:获取断路器、保护动作信息及时序信息;Step2:开关量诊断层,基于时序贝叶斯网络进行故障诊断;Step3:将各停电元件故障概率与阈值θ比较,获得故障元件候选集,根据集合中元件数做判定:若元件数不超过1,转Step8;若元件数为2个或多个,转Step4;Step4:召唤与故障元件候选集中元件相关的录波器电压、电流录波文件,收集PMU量测点的电压录波数据;Step5:基于小波变换及能量谱分析提取电气量故障特征信息,求取能量畸变相对故障度、能量相对故障度、改进RBF神经网络相对故障度;基于开关量诊断层求得的故障候选集中各元件的故障概率,求取时序贝叶斯相对故障度;Step6:将4个故障度作为证据体,采用改进D-S证据理论进行信息融合;Step7:结合故障元件候选集之外的非故障元件,对融合结果进行FCM分析;Step8:获得电网故障诊断结果并输出。整个故障诊断方法的层次划分、数据来源、数据需求及诊断流程如图2所示。5开关量诊断层采用IEEE39节点系统(如图3所示),以PSCAD进行了仿真测试,采用MATLAB与Java混合编程编写了故障诊断程序,验证了分层多源信息融合故障诊断方法的有效性。算例分析基于以下4点假设条件。1)PMU的可观性配置方案:根据文献选取全局可观性PMU配置,本例假设考虑靠近厂站配置PMU以监测功角变化,采取配置方案(见图3)为:节点3,8,10,16,20,23,25,29配置PMU。2)简化起见,IEEE39节点系统中线路长度均取为100km,计算先验故障概率。3)算例设定故障元件候选集的阈值θ=0.2,FCM的类隶属度阈值δ=0.5。4)本文仿真电气量的多分辨率小波变换采用MATLAB“db4”小波进行。对IEEE39节点系统中34条支路建立预设故障集,建立改进RBF神经网络模型,输入为8维,输出为34维,网络学习速率设为1.0,训练均方误差设为0.01,步数为300,当隐层神经元数目取为50时,改进网络可以对故障样本较好识别。算例1:假设线路L4-14(L4-14为节点4到节点14间线路,下同)发生两相接地短路故障,母线4侧主保护动作跳开断路器CB6,母线14侧保护动作但断路器CB5卡涩拒动,导致相邻线路L13-14、L14-15第二后备保护动作,跳开断路器CB1、CB4。基于主保护、后备保护动作及时序信息、断路器状态信息,首先由开关量诊断层,建立停电线路的时序贝叶斯网络模型,进行故障判别。由L4-14的时序贝叶斯网络模型的时序一致性识别,可推断出CB5拒动;按本文第2章,应用简化规则的时序贝叶斯网络推理,求得线路L14-15、L13-14故障概率值为0,线路L4-14的故障概率值约为1,因此与阈值θ=0.2比较,故障元件候选集中只有L4-14,即可作为故障诊断结果输出,不再需要多数据源诊断层电气量的参与。与文献的多数据源信息融合诊断方法相比较,本算例体现了本文方法采取分层模式的优势,对开关量诊断层可做出准确判别的单一故障(见表1),无需综合电气量信息,可避免电气量文件传输时延对诊断性能的影响,提高了诊断效率。算例2:假设线路L13-14发生单相接地短路故障,L13-14主保护动作,母线13侧断路器CB1断开,母线14侧保护未动CB2未能跳开,导致故障影响范围扩大,相邻线路L14-15第二后备保护动作,跳开断路器CB4,L4-14母线4侧后备保护动作同时,母线14侧保护误动,跳开CB5、CB6。设线路L13-14故障同时,L17-18主保护误动,跳开CB7、CB8。基于开关量诊断层蕴含时序贝叶斯网络的对停电线路进行故障诊断推理,在L13-14的时