基于模型预测方法的电网故障预测

薛涵磊, 刘晓琴

(辽宁石油化工大学 信息与控制工程学院，辽宁 抚顺 113001)

基于模型预测方法的电网故障预测

薛涵磊, 刘晓琴

(辽宁石油化工大学 信息与控制工程学院，辽宁 抚顺 113001)

电网诊断通常都是故障发生后，根据故障后产生的信息来推断故障。为了能在故障发生前进行预防，提出模型预测(Model Prediction，MP)和溯因推理网络(Abductive Reasoning Network，ARN)方法预测电网故障。模型预测利用电力系统中历史数据来预测电网无故障运行时的数据，与电网实际运行时的数据作对比，计算差值，差值作为诊断系统的输入；溯因推理网络能够处理预测数据和相应的候选故障之间的复杂关系，被用来构建故障诊断系统。模型预测和溯因推理网络方法相结合，能在保护装置和断路器动作前进行故障定位，具有故障预警功能。仿真结果表明，溯因推理方法构成的预测系统比神经网络方法构成的预测系统诊断结果更快、更准确。

模型预测； 溯因推理网络； 故障预测； 候选故障； 故障定位

电网故障诊断有专家系统、贝叶斯、Petri网、人工神经网络的方法以及由于信息的不确定性和不完备而采取的基于模糊集、信息理论等方法。通常根据故障发生后保护和断路的状态、报警信息等来推断故障，识别故障区域及类型。文献[1-4]建立了仅利用断路器跳闸的分段时序信息的诊断模型和某些保护状态不可观测情况下的诊断模型，这对于一些自动化程度较低的电网是可行的。文献[5]以解析模型为基础，考虑保护动作和断路器跳闸的可靠性，用概率评价的方法，构建了既能反映电网结构和功能又能反映保护和断路器动作规则的概率矩阵，但求高维矩阵的解困难。文献[6]构造的自适应特征警报状态矢量的方法，可在警报信息发生畸变且存在多次保护和断路器不正确动作的情况下对多重故障进行准确的诊断。文献[7]为解决断路器报警信息丢失问题，提出skyline 多目标优化查询方法，对可能包含故障元件的无源区域按可疑元件查准率由高到低的顺序进行排列。文献[8]针对单个线路、母线、变压器设备分别建立面向元件的神经网络模型，以此作为初级诊断，再结合电网拓扑关系，应用模糊积分信息融合技术进行综合诊断。上述这些方法根据故障后产生的信息来推断故障，属于后验故障诊断方法。

在故障发生前，如果能够根据电网中支路的物理特性、电气参数等信息建立能反映电压变化、电流变化等综合指标的动态交互平台，即可以预测可能发生的故障。广域测量(Wide Area Measurement，WAM)这项新技术的出现，为故障预测提供了可能性。广域测量系统关键在于为电力系统提供一个动态交互平台，进而加强智能电网的安全实时性。作为广域测量系统(Wide Area Neasurement System，WAMS)的关键组成部分相量测量单元(Phasor Measurement Units，PMU)是最近开发的电力系统测量装置，能提供高精度的电压、电流量测值，引入PMU为实时监控电力系统动态行为带来了新的思路[9]。PMU的出现有利于大规模电力系统的在线状态估计，这在以前是不可能实现的，因为传统的采集与监视控制系统(Supervisory Control And Data Acquisition,SCADA)所提供的数据具有非同步性，PMU提供了一种能够同步相量测量技术，通过线性模型来进行状态估计，较SCADA具有更高的预报率和更快的估计速度。不同的估计方法及案例研究已被用来研究电力系统动态状态估计[10-12]。随着PMU安装数量在世界范围内不断增加，在大型互联电网中实时估计正变得越来越现实。

由于故障诊断需要电网中各支路处的电气量，考虑成本,不可能在电网的各处都安装PMU装置，本文提出模型预测方法对电网中的电气量进行估计，与实际电气量相比较，得出差值，用溯因推理方法建立故障预测系统，对差值进行分析分类，进行故障定位，从而预测故障。

1 电网故障预测系统

故障预测系统的结构如图1所示。

图1 故障预测系统的结构

用小波神经网络预测电网中支路电压、线路电流的值，当电网发生故障时，预测值与实际测量值的差值作为溯因推理网络的输入，网络输出对应候选故障。

1.1 模型预测

文献[13]全面综述了模型预测控制在电力生产过程和电力系统自动发电控制中的应用现状，例如预测负荷[14-16]和预测电压[17-18]。神经网络模型预测的方法已经广泛应用于数据预测中，且预测精度高。误差反向传播神经网络(Back Propagation Neural Network，BPNN)是多层非线性映射网络，是一个具有高度非线性的超大规模连续时间的自适应处理系统，BPNN具有很强的学习能力和自适应能力。电压、电流预测模型正是要反映出电压、电流与各影响因素之间的非线性映射关系，神经网络适宜求解电网预测问题。把神经网络方法引入到电网的模型预测,并利用已知的数据对电网正常运行时的数据进行预测在理论上是可行的。

由小波神经网络的模型可以得到：

(1)

(2)

(3)

电网中测量的电压、电流数据作为神经网络的输入，I=2，网络输出值是电网正常运行时的电压电流值，J=2，与电网实际运行时的测量值相对应。根据经验公式，H=6。通过计算E对wjh、whi、ah、bh、θh、θj的偏导数。采用梯度下降、带动量项和自适应学习率的BP算法训练小波网络，网络的各参数按照下面的公式进行调整。

(4)

(5)

(6)

(7)

(8)

(9)

式中，Δθh=ηδh；Δθj=ηδj；ηm(m=1,2,…,6)表示学习率；αn(n=1,2,…,6)表示动量因子。

1.2 基于溯因推理网络(ARN)的故障诊断系统的建立

溯因推理网络用来模拟高度非线性故障诊断问题，它是一个带有前馈函数节点的分层网络，由简单低阶多项式构成的多层节点函数。参数、数量、类型和函数节点的连接权值源于训练数据[22]。ARN由七个类型节点构成，三阶多项式分别含有一次、二次、三次多项式，即表示分别含有1个、2个或3个输入[20]。溯因推理网络结构如图2所示，三重节点的代数形式如式(10)所示。

图2 溯因推理网络结构

(10)

式中，wi表示训练参数；xi表示输入变量，二次、三次多项式有交叉，允许节点输入变量之间的相互作用。

其他参数描述如下：

(1)正规化指把原始输入变量转换成零均值方差，使用标准差正态化。

output=w0+w1x1

(11)

(2)输出：所有输出层的线性权值之和。

output=w1x1+w2x2+…+wixi

(12)

(3)单位化指把网络的输出序列转换成与之对应的输出值的均值和方差，用来训练网络。

output=w0+w1x1

(13)

(4)线元素：通过最小预测方差(PSE)模型标准，ARN会自动确定最佳网络结构、节点类型、参数和连接权值[20]。

(14)

式中，PSE表示模型的预测误差平方；FSE表示拟合方差；OP表示过度拟合处罚；C表示由使用者指定的复杂处罚乘数；K表示模型的参数总和或模型复杂性的隐含值；N表示训练数据的数量；σ2表示一个先验估计模型的误差方差。

ARN确定最佳网络结构以减少PSE，避免手工干预网络结构和基于实验法的人工神经网络的参数调整，三或四层多项式网络通常满足复杂系统的建模。

2 预测流程

电网的监控设备(电流、电压互感器)的布置一般都是固定不变的，运用模型预测和溯因推理结合的方法，提出电网故障预测的应用方案：

(1)建立电网系统的设计原理模型。通过描述元件内部的约束方程、元件与元件之间的连接关系，建立整个电网系统的结构、功能和行为模型。在定义变量的时候，为每个元部件的每条连接支路都定义一个支路电流变量，为电网拓扑结构中的每个连接节点定义一个节点电压变量，列写与该节点所关联的支路的KCL方程。

(2)利用设计原理模型及观测信息的分布，离线得到电网系统的电流、电压测量值。

(3)建立预测模型，利用电压、电流历史数据训练网络，预测下一步电网正常时的电压、电流值。

(4)选择输入变量。预测模型的输出和实际测量值的差值作为溯因推理网络的输入变量。

(5)建立预测模型，借鉴文献[21-24]方法训练溯因推理网络。

(6)诊断模型输出预测故障。

3 仿真测试

3.1 电力系统模型

电力系统模型如图3所示[21]，系统含有28个元件(S1—S28)、40个断路器(C1—C40)和84个保护。84个保护中包括36个主保护(Rm1—Rm36)、48个后备保护(R37—R84)，其中24个第一后备保护，24个第二后备保护。

(1)28个元件(S1—S28)：A1，…，A4；B1，…，B8；T1，…，T8；L1，…，L8。A和B表示母线，T表示变压器，L表示线路。

(2)40个断路器(C1—C40)：CB1，CB2，…，CB40。

(3)36个主保护(Rm1—Rm36)：A1m，…，A4m；B1m，…，B8m；T1m，…，T8m；L1Sm，L1Rm，…，L8Sm，L8Rm。m表示主保护，S表示线路发送端，R表示线路接收端。

(4)48个后备保护(R37—R84):L1Sp，L1Rp，…，L8Sp，L8Rp；T1p，…，T8p；L1Ss，L1Rs，…，L8Ss，L8Rs；T1s，…，T8s。p表示第一后备保护用，s表示第二后备保护。

任何部分的主保护被设置为直接跳开连接部分的断路器，主后备保护被设置成直接跳开相同的断路器。远程后备保护被设计为保护发生在周边的故障，且故障部分的主保护和主后备保护拒绝断开相应的断路器。此外，假设在继电器保护区没有故障，继电器不动作，在断路器保护区没有故障，断路器不动作。

图3 电力系统模型

3.2 仿真结果分析

算例1：A3故障发生，一个断路器状态缺失。T5s、T6s动作，断路器CB22、CB23、CB24、CB25跳闸形成故障区域，根据跳闸断路器形成的故障区域，需要进行故障诊断的元件为A3、B5、B6。算例1中，电力系统模型中A3对应的节点系统如图4所示。

图4 电力系统模型中A3对应的节点系统

A3正常运行时，在节点1和节点2之间的两条线路上安装测试用的电压和电流互感器，在节点2右侧的线路上也安装电压和电流互感器，测得数据作为模型预测使用。考虑训练样本是预测出来的正常电压、电流值与故障发生时测量的电压、电流值的差值，为了提高测试诊断的性能，ARN采用三层结构。惩罚因子C根据经验取1.0，BP神经网络输入层、中间层、输出层的结构为4-5-4，学习率和动量因子分别取0.1和0.9。输入为测量的电压和电流，输出为系统正常运行时的电压和电流。通过仿真可知，ARN和BPNN能正确预测故障，ARN故障诊断结果如表1所示。

表1 ARN 故障诊断结果

续表1

算例2：A1、B1、B2、L3故障同时发生，一个断路器状态错误。T1S、L1RS、L2RS、L3Rp、L4Rs动作，断路器CB1、CB2、CB3、CB4、CB5、CB9、CB11、CB12、CB27、CB28跳闸，根据跳闸断路器形成的无源网络故障区域需要进行故障诊断的9个元件分别为A1、B1、B2、L1、L2、L3、L4、T1、T2。14个断路器分别为CB1、CB2、CB3、CB4、CB5、CB6、CB7、CB8、CB9、CB10、CB11、CB12、CB27、CB28。33个保护分别为：A1m、B1m、B2m、T1m、T2m、L1Rm、L1Sm、L2Rm、L2Sm、L3Rm、L3Sm、L4Rm、L4Sm、L1Sp、L1Rp、L2Sp、L2Rp、L3Sp、L3Rp、L4Sp、L4Rp、T1p、T2p、L1Ss、L1Rs、L2Ss、L2Rs、L3Ss、L3Rs、L4Ss、L4Rs、T1s、T2s。在算例2中，ARN和BPNN采用与算例1中相同的结构，ARN能正确评估候选故障，BPNN只能识别两个候选故障，因此，ARN比基于相同三层结构的BPNN具有优越的诊断准确性和更简单的模型。

对于某些故障类型，BPNN方法诊断准确率低于ARN，BPNN预测的候选故障区域不能全部包含实际故障区域，得出不正确的故障结果。ARN预测则是包含了所有的实际故障区域，表1中的结果可作为故障分类。

4 结 论

本文提出了一种故障诊断方法预测电力系统故障，以系统电压、电流数据为基础，通过模型预测和溯因推理网络方法估计故障部分。与神经网络分类方法的结果比较，由于使用的建模标准和采用的ARN具有自组织性质，候选故障部分的初步识别大大简化。本文提出的电网故障诊断预测方法是一种尝试，还有待于进一步的研究。

[1] 文福拴，邱家驹，韩祯祥.只利用断路器信息诊断电力系统故障的高级遗传算法[J].电工技术学报，1996，11(2)：58-64.

[2] 文福拴，钱源平，韩祯祥，等.利用保护和断路器信息的电力系统故障诊断与不可观测的保护的状态识别的模型与Tabu搜索方法[J].电工技术学报，1998，13(5)：1-8.

[3] 文福拴，韩祯祥.计及警报信息时间特性的故障诊断模型[J].电力系统自动化，1999，23(17)：6-9.

[4] 文福拴，张勇，张岩，等.电力系统故障诊断与不可观测保护状态识别的解析模型[J].华南理工大学学报(自然科学学报)，2012，40(11)：19-28 .

[5] 易妍，范辉，顾雪平，等.考虑不确定性的基于解析模型与信息理论的电网故障诊断方法[J].华北电力，2013，41(1)：110-114.

[6] 梅念，石东源，李银红，等.计及信息畸变影响的电网故障诊断分级优化方法[J].电工技术学报，2009，24(9)：178-185.

[7] 王磊，陈青，李天友，等.停电区域边界断路器信息缺失时的电网故障诊断[J].中国电机工程学报，2013，33(22)：127-134.

[8] 郭创新，游家训，彭明伟，等. 基于面向元件神经网络与模糊积分融合技术的电网故障智能诊断[J]. 电工技术学报，2010，25(9)：183-190.

[9] 吴亚联，李戈，龙辉. 考虑相位失配量的电力系统动态状态估计方法[J].湘潭大学自然科学学报，2015，37(1)：87-91.

[10]TebianianH，JeyasuryaB.Dynamicstateestimationinpowersystems：Modeling，andchallenges[J].ElectricPowerSystemResearch，2015，121(1)：109-114.

[11] 施微，黄磊，徐箭，等. 基于有限同步量测数据的电力系统故障检测、辨识与定位[J].电网技术，2015，39(4)：1067-1074.

[12] 赵洪山，田甜.基于自适应无迹卡尔曼滤波的电力系统动态状态估计[J].电网技术，2014，38(1)：188-192.

[13] 刘向杰，孔小兵.电力工业复杂系统模型预测控制—现状与发展[J]. 中国电机工程学报，2013，33(5)：79-85.

[14] 杨罡，刘明光，屈志坚.基于MPC算法的电力系统负荷频率控制[J]. 北京交通大学学报，2012，36(2)：105-110.

[15] 刘嘉璐，刘光，李海东.一种新型遗传算法与人工神经网络相结合的模型在电力系统短期负荷预测中的应用研究[J].电气传动自动化，2005，27(6)：28-30.

[16]CordierMO，DagueP，DumasSM，eta1．AcomparativeanalysisofAIandcontroltheoryapproachestomodel-baseddiagnosis[C] //ECAI2000,Berlin：Proceedingsofthe14thEuropeanConferenceonArtificialIntelligence，2000：136-140.

[17] 郭挺，谢敏，刘明波. 模型预测暂态电压稳定紧急控制的简化空间算法[J].中国电机工程学报，2012，32(16)：53-61.

[18] 刘水平，刘明波，谢敏. 基于轨迹灵敏度的协同分布式模型预测电压控制[J].华南理工大学学报(自然科学版)，2013，41(4)：14-20.

[19] 刘晓琴.基于小波神经网络的化学反应器故障模式识别[J].辽宁石油化工大学学报，2010，30(3)：79-81.

[20] 刘田田，刘晓琴，孙海军，等.基于提升小波和溯因推理网络实时故障诊断[J].山东工业技术，2014(17)：103-104.

[21]MontgomeryGJ，DrakeKC.Aductivereasoningnetworks[J].Neurocomput，1991， 2(3)：97-104.

[22]HuangYC．Abductivereasoningnetworkbaseddiagnosissystemforfaultsectionestimationinpowersystems[J]．IEEETransactionsonPowerDelivery，2002，17(2)：369-374.

[23]Farlow，StanleyJ.Self-organizingmethodsinmodeling[M].NewYork：MarcelDekker，1984.

[24]WenF，HanZ.Faultsectionestimationinpowersystemsusingageneticalgorithm[J]．ElectricPowerSystemsResearch，1995，34(3)：165-172.

(编辑 陈 雷)

Power Grid Fault Forecast Based on Model Prediction Method

Xue Hanlei， Liu Xiaoqin

(SchoolofInformationandControlEngineering，LiaoningShihuaUniversity，FushunLiaoning113001，China)

Power grid is diagnosed after a failure to prevent the fault occurred by inferring the information that the fault generated.The method of model prediction (MP) and abductive reasoning network(ARN) is proposed to forecast the power system fault. MP predicted the trouble-free operation data of the power grid by using historical data, and compared with the actual grid runtime data, the difference was calculated and used as the input of fault diagnosis system. ARN was used to bulid the fault diagnosis system and solve the complicated relationships between data processing and the corresponding candidate fault section. The fault location can be found before protection device and circuit breaker by combining the method of MP and ARN. The test results showed that the model prediction method can quickly and accurately diagnose the fault compared with BP neural network method.

Model prediction； Abductive reasoning networks； Fault prediction； Candidate fault； Fault location

1672-6952(2017)02-0060-06

2016-08-04

2016-10-09

国家自然科学基金青年项目(51305192)；2015年国家级大学生创新创业项目(201510148065)。

薛涵磊(1994-)，男，本科生，电气工程及自动化专业,从事电网故障诊断研究；E-mail：1030443857@qq.com。

刘晓琴(1975-)，女，硕士，副教授，从事故障诊断研究；E-mail：qinbuluoge@163.com。

TM71

A

10.3969/j.issn.1672-6952.2017.02.013

投稿网址：http://journal.lnpu.edu.cn