基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

王海港，谢民，孙月琴 邵庆祝

(安徽省电力公司, 安徽 合肥 230022)



基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

王海港，谢民，孙月琴 邵庆祝

(安徽省电力公司, 安徽 合肥 230022)

电网故障诊断是保证系统安全运行的基础，故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据，并在信息缺失或不确定条件下精确诊断电网故障，研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型，结合从故障录波系统得到的模拟量和开关量数据，从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库，形成完备的故障诊断专家系统。实例分析表明，可快速并准确地定位故障元件，提高电网故障处理效率。

电力系统；故障诊断；贝叶斯网络；故障录波数据；专家系统

0 引 言

提高故障处理效率与准确性是电网故障诊断研究的核心目标[1]。1986年，利用数据采集与监控系统(SCADA)的电网故障诊断专家系统得以实现[2]。SCADA系统能够提供实时遥信信息[3]，然而基于SCADA系统故障诊断的准确性受遥信信息的完备性与准确性的影响极大。为了提高故障定位的准确性，包含模拟量和开关量的故障信息系统数据被引入电网故障诊断[4]。然而，由于故障信息系统通过保护设备作为数据来源，各数据的时序混乱以及保护设备本身的信息错误严重影响了电网故障诊断的结果。自 20 世纪90 年代以来，广域测量系统的数据也开始为电网故障诊断所使用[5]。但是，广域测量系统采集的是相量，没有开关量信息，不能完整记录故障过程，从而限制了其在电网故障诊断上的应用。故障录波器作为变电站独立的在线监控设备，其记录的模拟量和开关量数据含有丰富而准确的电网一、二次设备故障信息。然而，当系统发生故障时，故障录波系统记录的模拟量和开关量数据是海量的。基于录波数据的有效电网故障诊断分析技术是实现故障精确诊断的关键。

目前，对于事故处理中包含的大量难以用传统的数学方法描述的内容，可用人工智能技术进行定性分析，如专家系统[6]、人工神经网络[7]、Petri 网等技术[8]。然而，上述方法对数据的完备性和准确性的要求较高，在面对因保护或断路器误动、拒动等因素而导致的故障信息不完备、不确定的问题时存在明显局限性。

基于概率理论和图论的贝叶斯网络是目前处理信息不确定性及不确定数学表达的有效模型之一，在诊断不确定因素引起的故障具有很大的优势。因此，为了实现对全系统复杂多重故障的精确诊断，增强专家系统的容错性，通过在故障录波器联网系统主站建立故障诊断贝叶斯网络模型，结合从故障录波系统获得的信息数据，实现对电网故障的快速诊断。将贝叶斯网络得出的高可信度诊断结果融入故障诊断专家系统的知识库，在原有知识的基础上进行辅助预测和决策分析。实例分析验证了该模型的有效性和实用性。

1 基于故障录波数据的贝叶斯网络故障诊断模型

1.1 输电网模型

在故障录波系统主站，通过与调度数据网互联，实时获取输电网网络结构及一、二次设备模型。输电网部分输电线路结构如图1所示，主接线方式为3/2接线。线路保护配置包括以分相电流差动和零序电流差动为主体的快速主保护，由三段式相间和接地距离及两个零序方向过流构成的全套后备保护。母线保护配置母线差动保护、母联充电保护、母联死区保护、母联失灵保护、母联过流保护、母联非全相保护以及断路器失灵保护。变压器保护配置稳态比率差动、差动速断、工频变化量比率差动、零序比率差动、复合电压闭锁方向过流、相间阻抗与接地阻抗等保护。

L和R分别表示线路的送端和受端，m、p分别表示主保护和后备保护。结合图1分析，对于线路L5a，L5aRm是线路右侧主保护，L5aRp是线路右侧后备保护，L5aLm是线路右侧主保护，L5aLp是线路右侧后备保护。当主保护拒动时，L5aRp触发断路器21DL和22DL跳闸切除故障。变压器保护动作过程和线路保护类似。对于母线A5，主保护A5m只保护母线本身，动作时触发断路器18DL、20DL、23DL、26DL跳闸。当断路器拒动时，启动断路器失灵保护跳开与该断路器相连的所有断路器，如14DL断路器失灵保护将触发断路器1DL、2DL、13DL、15DL、21DL、22DL跳闸。

图1 部分电网结构示意图

1.2 贝叶斯网络建模及赋值

根据输电网保护动作逻辑，能够精确建立图1中电气元件的贝叶斯网络故障诊断模型。以线路L5a为例，其贝叶斯网络故障诊断结构图如图2所示。

图2 线路元件的贝叶斯网络结构图

由图2可知，其由保护、断路器、被保护的元件以及它们之间的依赖关系连线组成。元件作为贝叶斯网络图的根节点，有“正常运行”和“故障”两种状态，保护和断路器有“动作”和“不动作”两种状态。为处理不完备信息下的故障诊断问题，可在贝叶斯网络模型中为每个非根节点增加一个“不确定”状态。当无法得到某节点的信息时，即认为该节点处于“不确定”状态。对于每个处于“不确定”状态的节点，定义其为一个“虚节点”。

为了准确诊断故障，需要量化贝叶斯网络，通过节点的先验概率计算建立每个节点的条件概率分布表。节点的先验概率需要综合设备可靠性数据、历史运行数据和试验模拟数据进行赋值。一般可以通过一次设备年故障频率μ来计算得到先验概率[16-17]。通过计算，得到故障元件的故障概率表如表1所示，保护及断路器的拒动和误动概率如表2所示。

表1 设备故障概率

表2 保护及断路器的拒动和误动概率

根据元件、保护、断路器的先验概率，结合贝叶斯网络拓扑图，可得到每个节点的条件概率分布。对于上述“虚节点”，由于无法得到其状态信息，在处理中可认为该节点不存在，与其相关所有子节点的概率计算均不考虑该节点的影响。以T2Lp为例，假设由于保护装置通信故障原因得不到T2Lp保护的信息，则在T2的故障诊断模型中，7DL和8DL的条件概率分布应该重新赋值，7DL只考虑T2Lm和43DLp状态条件下的概率， 8DL只考虑T2Lm、7DLp、43DLp状态条件下的概率。

2 基于故障录波数据的贝叶斯网络故障诊断方法

2.1 故障元件的确定

通过建立每个元件的故障诊断贝叶斯网络，根据已知节点的动作状态，可通过贝叶斯网络的逆向推理得到根节点各种状态下的概率，从而得到元件的故障概率。由于电网中元件数量多，若要在已知保护和断路器动作状态下计算所有元件发生故障的概率，计算量大，诊断效率低。

根据继电保护的最大保护范围，利用故障信息表来缩小故障区域，从而减小计算量。以图1所示的电网为例，若已知故障发生后，L5aRp、L5bRp、22DL、25DL动作，其它保护和断路器均不动作，则根据保护的保护范围，可以将故障区域缩小为L5a、L5b、A6，只需要计算这三个元件的故障概率即可。

通过贝叶斯网络的逆向推理，即计算已知故障信息条件下元件故障的后验概率，可以得到故障区域内各元件的故障概率表P(M)={PM1,PM1,…,PMn}，若PMn>0.8，则认为该元件是故障元件。

2.2 拒动和误动的判定

为了判别拒动和误动的保护和断路器，将故障区域内各故障元件的故障概率带入各自的贝叶斯网络进行正向推理得出保护和断路器的动作概率，将其与真实的故障动作信息表相比较便可得出拒动和误动的保护和断路器。

由于保护和断路器拒动或误动等原因会导致部分未故障元件的故障概率变大，若用原始概率进行正向推理难以得出准确的拒动和误动结论，因此需对这部分元件的故障概率予以修正。取故障概率PMn=0.2为分界点，PMn∈(0.2,0.8)的元件故障概率需要修正，PMn<0.2的元件故障概率不需要修正。

假设故障元件集为M，需要进行概率修正的元件集为V，则V中各元件经过修正后的故障概率为：

(1)

将经过修正后的故障概率带入贝叶斯网络进行正向推理，得到各保护和断路器的动作概率。若某保护或者断路器在不同贝叶斯网络中均出现，则将正向推理得到的动作概率取平均值，得到最终的保护或断路器动作概率表P(W)。PWn>0.5即认为应该动作，PWn<0.5即认为不应该动作。将P(W)与获取的相应保护或断路器动作信息相比较，得到拒动和误动信息。

同时，在不完备信息下的故障诊断中，将经过修正后的故障概率带入完备贝叶斯网络进行正向推理，可以得到缺失信息的相关保护或断路器的动作信息，其拥有的高可信度可以使其作为已知信息去详细分析故障。

2.3 故障综合诊断

故障诊断专家系统拥有包含大量故障诊断知识和经验的知识库。当系统发生故障时，专家系统将接收到一系列来源于多个变电站的故障录波数据，包含系统报警和事件信息。专家系统根据这些信息模型库中进行模拟，搜索出与所获得的报警或事件一致的故障原因。

用贝叶斯网络模拟尽量多的故障过程，得到诊断结果，并选择高可信度的贝叶斯诊断结果融入专家系统的知识库。假设贝叶斯诊断结果可信度为Rbayes，则定义：

(2)

其中P(M)为故障区域内元件的贝叶斯诊断故障概率。当所有元件的故障概率均在(0.4,0.8)区间时可信度为0，均不在该区间时可信度为1，其它情况可信度为0.5。

图3 故障综合诊断方法

基于贝叶斯网络和故障录波数据的电网故障综合诊断流程如图3所示。通过贝叶斯网络诊断可以构建完备的专家系统知识库，故障发生时，利用完备的知识库去识别故障以找出故障元件。当某故障发生后专家系统无法判别时，则采用贝叶斯网络进行诊断，可信度为零则直接丢弃，结合故障录波模拟量的定量分析确定故障类型。

3 实例分析

以图1所示的某部分电网为例验证本文所提模型和诊断方法的有效性及实用性。在故障录波器联网系统服务器建立图1所示输电网所有电力元件的贝叶斯网络图，从故障录波系统数据提取网络图所需要的输入数据，进行分析处理，从而得出准确的诊断结果。

为了验证贝叶斯网络诊断的准确性和诊断能力，先在图1所示的电网中模拟一个不完备信息下的A4母线故障，其中设置9DL和17DLp信息缺失，17DL拒动，虚线框代表信息缺失(如图4所示)。

图4 母线A4故障动作示例

根据3.1节故障诊断过程，首先确定故障区域为{L4a，L4b，L5a，L5b，L6a，A4，A6，T1}，在贝叶斯诊断界面上按图4设置好各个节点的状态，得到故障区域内各元件的故障概率表如表3所示。

由表3所示的诊断结果可知PA4>0.8，其余各元件的故障概率均小于0.8，因此根据上述故障元件的确定方法可知故障元件为A4。

表3 故障区域元件故障概率表

为得到保护和断路器的拒动和误动信息，根据3.2节所述方法，因只有PL5b∈(0.2,0.8)，仅需对其故障概率予以修正，如下

PL5b=1-PA4=0.052

(5)

将修正后的概率代入各自的贝叶斯网络得到保护和断路器的动作概率表P(W)，将该动作概率表与现场得到的实际信息相比较，从而得到拒动和误动信息，并可以进一步得到缺失信息的动作情况。最终的诊断结果如表4所示。

表4 故障诊断结果

在实际运行过程中，2013年8月11日发生了一起L5a线路故障。故障诊断系统从故障录波数据提取出故障信息显示14DL、15DL、24DL、25DL断开，线路两端差动保护和距离保护动作，即L5aRm和L5aLm动作，其他保护和断路器均不动作。根据上述故障录波数据，故障诊断系统诊断结果显示PL5a=0.992，其余元件故障概率均小于0.2，从而判定L5a故障，进一步验证了基于本文所提模型和方法的故障诊断系统的实用性和有效性。

4 结束语

本文研究了基于贝叶斯网络和故障录波数据的电网故障诊断方法，基于电网一次结构及继电保护逻辑在故障录波主站建立贝叶斯网络模型，根据已知故障信息进行诊断推理可以有效识别完备和不完备信息下的故障。此外，根据本文所提模型与方法还能有效诊断保护和断路器拒动、误动等故障，并得到缺失信息节点的动作状态。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库，形成完备的专家系统。利用本文所提故障诊断方法可快速并准确地定位故障元件，为调度人员故障处理提供了依据。

[1] 张旭，魏娟，赵冬梅，等．电网故障诊断的研究历程及展望[J]．电网技术，2013，37(10)：2746-2753.

[2] FUKUI C，KAWAKAMI J．An expert system for fault section estimation using information from protective relays and circuit breakers [J]．IEEE Transactions on Power Delivery，1986，1(4)：83-90.

[3] 顾雪平，刘道兵，孙海新，等．面向SCADA 系统的电网故障诊断信息的获取[J]．电网技术，2012，36(6)：64-70.

[4] 冀有党，李伟，王玉玲，等．电网故障信息处理系统的实用化研究[J]．电力自动化设备，1994，10(3)：10-14.

[5] 周子冠，白晓民，李文锋，等．基于广域测量系统的电网故障在线智能化诊断与分析方法[J]．中国电机工程学报，2009，46(13)：1-7.

[6] CARDOSO G，ROLIM J. G.，ZURN H H．Identifying the primary fault section after contingencies in bulk power systems [J].IEEE Transactions on Power Delivery，2008，23(3)：1335-1342.

[7] 刘超，何正友，杨健维．基于量子神经网络的电网故障诊断算法[J]．电网技术，2008，32(9)：56-60.

[8] 谢红涛，童晓阳．基于分层模糊Petri 网的电网故障综合诊断方法[J]．电网技术，2012，36(1)：246-252.

A Comprehensive Fault Diagnosis Method Based on Bayesian Network and Fault Recorder Data

Wang Haigang, Xie Min, Sun Yueqin, Shao Qingzhu

(State Grid An Hui Electric Power Company, Hefei Anhui 230022, China)

The data from fault recorder network are not utilized thoroughly at present. In order to overcome the disadvantages of data acquisition of power grid fault diagnosis and the defects of expert system which can not get the valid conclusion under the condition of incomplete information, the work mechanism of Bayesian network is studied by modeling a Bayesian network on the sever of fault recorder network in this paper. By using digital and analog data from fault recorder system, the diagnosis results with a high credibility are input into the acknowledge data base of expert system, which helped build more complete expert system. The result of practical fault diagnosis examples demonstrates the method mentioned above can locate the fault device fast and accurately.

power system; fault diagnosis; Bayesian network; fault recorder data; expert system

10.3969/j.issn.1000-3886.2016.04.029

TM764.1

A

1000-3886(2016)04-0093-04

王海港(1977-)，男，安徽人，高级工程师，主要研究方向：电力系统继电保护。

定稿日期: 2016-01-24