智能电网信息系统应急处置技术的研究∗

余 铮 查志勇 王逸兮

（国网湖北省电力公司信息通信公司 武汉 430077）

1 引言

随着智能电网的逐步发展，国家电网的信息化程度也在不断提高，从信息的采集、传输、分析直至得出有价值的结论并以此为基础执行相应的措施，信息技术的作用得到了充分的发挥。从数据业务架构上分析，目前国家电网已经建成了从总部至各地区机构纵向结构的信息内网，实现了数据的快速汇总；同时负责采集各处末梢数据的信息外网也在不断的建成和完善中。但随着信息化进程的不断加速，信息系统的稳定性也受到了一定程度的挑战，尤其是故障点日益增多和系统的容错性越来越低这一主要矛盾，更是当前智能电网发展面临的主要瓶颈，迫切需要改进。

2 问题描述及研究现状分析

2.1 电网故障诊断过程及问题分析

目前采用的诊断处理模式主要是由继电保护系统负责对出现的故障进行及时分析，并将对应的操作指令传达至相关保护设备，在最短时间内对故障点实施断点隔离；为了确保隔离动作有效，避免因断路器误动或拒动而导致的保护失败，通常在系统中设置后备保护设备，在主保护失败后及时执行后备保护指令，以实现继电保护系统的多重保护功能。在故障发生后，智能电网采用数据采集和监控系统（SCADA）来完成报警信息的检测和传输，在调度中心由操作员负责对这些数据进行解析和判断，最终反馈回对应的操作指令以修复或隔离故障点。

显然，该种故障定位和修复手段的信息化程度不高，对出现故障的处置速度也相对较慢，并且很大程度上依赖操作员工自身的经验，难免带有一定的主观判断，也影响了系统的可靠性和稳定性，其存在的主要问题有以下几点［1］：

1）电网规模日趋庞大，但故障诊断智能化程度不高，尤其当故障点多发的情况出现时，容易陷入“维数灾”陷阱；

2）修复方案存在不确定性，其原因有二，一是由于断路器等设备的拒动、误动；二是由于承载故障信息的信号在传输过程中失真导致调度中心无法准确判断；

3）人工修复故障，手动输入指令存在失误隐患，缺乏核查机制；需调换硬件设备时，需要临时对调换设备检测，增加处理时延；

4）电网结构日趋复杂且多变，而目前的诊断方法缺乏可移植性，无法应对电网规模的发展速度。

2.2 研究现状分析

目前，针对电网故障诊断的研究存在多个分支，首先是基于专家系统的诊断方案该方案将操作员的个人经验与电网节点和保护设备的逻辑关系作为规则保存下来，并在需要时进行调用，如文献［2］提出了基于警报信息的正向推理专家系统，文献［3］提出了反向非严密推理专家系统，文献［4］提出了基于模糊机制的专家系统，以上故障分析系统在电网规模较小的上世纪取得了较好的效果，而针对报警信息的丢失和错误问题，文献［5］提出了采用布尔函数的逻辑专家系统来实现对信号的修正文。专家系统在利用操作员经验方面具有明显优势，但其自学习能力较差，尤其是当规则库不完善的情况下，系统响应速度过慢，无法应对大规模电网故障处理的需求；第二类分支的研究主要依赖智能优化算法，通过建立科学的数学模型来构建反映实际操作于预期操作之间的差异状态，从而将电网故障分析问题转化为整数规划问题并对其求解，已得到最佳的参数和指令组合，如文献［6］最早给出了电网故障诊断数学解析模型，但在实践中表现不佳，错误率较高，文献［7］在前者基础上提出了改进版的模型，降低了系统的出错率，文献［8］则针对装置误动情况，对模型做了进一步的完善，除此之外，还有诸多的智能优化算法被应用在优化过程中，如遗传算法、免疫算法、蚁群算法等，这些优化算法各有特色，均在一定程度上改进了电网故障诊断的质量，但也都存在一些不足之处。

近年来Petri网的研究进展飞快，该优化机制可有效的实现将离散事件进行图形化表示，并在此过程中建立确定的关联。在电网发生故障时，可采用Petri网来分析和模拟相关保护设备或断路器的离散性动作过程，并搜寻最优的解决方案。文献［9］将图论应用到电网拓扑邻接矩阵的建立中，简化了分析结论，增强了直观性，但对复杂结构的电网依然计算繁琐；文献［10］中的方案主要依赖于方程求解算法来建立电网拓扑，并在此拓扑中进行故障的排查，虽然提高了效率，但自适应性较差，需要经常修改初始关联矩阵；文献［11］给出了基于有色Petri网的电网故障分析方法，提高了故障定位的精确度，但并没有给出推理的算法模型。本文选择对有色Petri网进行研究和改进，提高了该算法的自适应能力，并将其利用到智能电网故障的分析和诊断过程中，大大提高了系统的响应速度，且诊断透明度高，利于操作员的灵活调度，在此基础上再同场景自适应模型SAAM相结合，提出了基于动态脚本的自动化的故障应急处置方案，进一步提高了故障应急处置策略的效率。

3 基于改进Petri网的电网故障诊断方案

在电网故障诊断过程中，最需要解决的问题就是如何在最短的时间内帮助操作员尽可能准确地识别出故障发生的区域以及故障类型，从而为后续的故障处置争取主动。基于此，本文提出一种改进的有色Petri网（Improved Colored Petri Nets，ICPN）机制：首先，对电网内所有元件，依据其分类的差异，赋予对应的颜色属性，并引入动态权值来关联元件及变迁的有向弧，构成了故障区域的拓扑，直观地表现了电网结构因断路器跳闸而发生的变化，随后基于NetBeans开发工具编写了故障搜索程序，对电网发生的变化进行快速定位，得到对应的可疑故障元件集，为后续的应急处置操作提供可靠的待处理对象。

3.1 ICPN的定义和变迁规则设定

本文将ICPN简化为一个六元组进行分析［12］，即将其定义为

上式中的前三个元素组成了∑的基网；H={h1，h2，…，hm} 为 是 库 所 结 点 集 合 ；K={k1，k2，…，kn}为变迁结点集合，根据Petri网规则，K值的变化会引起H的波动；

而K与H之间依靠有向弧进行连接，其集合为D⊆(H×K)∪(K×H)；F为守护函数，负责将任一变迁ki映射至唯一的表达式，并确保其值为逻辑型；而负责调解权值的权函数W为每条有向弧设置一 t维整型可变向量，即 D→{0，1，2，…}t，其中t则为有色Petri网所包含的颜色数量；V记为H→{0，1，2，…}t，为∑的标识向量，通过其分量和数值来表示任意一个库所内包含的任何一种颜色的托肯个数［13］。

若要使ICPN能够正常地激活变迁，则需要预设其ICPN的变迁发射规则，现记P=(H，K，D)为一 个 有 向 网 ，对 于 某 一 x∈H∪K ，设·x={y|(y，x)∈D} 为 输 入 集 合 ，与 之 相 对 的 ，x·={y|(x，z)∈D}为输出集合。

使能规则：当 ∀k∈K，∀h∈·k，若以下不等式成立，则k为使能的。

激活规则：当标识为V的k在使能的状态下，若其守护函数H的结果为true，则此时k被激活，并生成新的标识V′，有：

3.2 故障区域搜索模型

当智能电网中的某元件发生故障时，会自动激活其对应的保护装置，对该元件所在区域实施断路隔离，从而在电网中形成了故障区域。本文根据文献［13］中提出的简化建议，在设定故障区域内元件集时仅考虑母线、线路、变压器和发电机，同时开关集也只考虑断路器一种，并未将其它非常用装置考虑在内。其设计思路是：利用ICPN建立故障区域搜索模型，对电网内的元件集和开关集进行集中编号，并利用有色Petri网的规则赋予其颜色属性，再根据开关集中的各个断路器所在的节点位置，将电网分割成一系列的子系统，形成了故障区域的基本单位，从而将搜索故障元件的工作压缩在电网中的无源区域内，大大减少了故障排查的工作量。

在构建ICPN模型时，为了提高计算效率和简化算法逻辑，本文定义了四种算子：

1）加法算子⊕，作用是将两向量相加后的结果中超过1的分量强制转变为1，其余值不变；

2）减法算子⊖，作用是将两向量相减后的结果中小于0的分量强制转变为0，其余不变；

3）U算子，作用是将向量中除第一个为1的分量外的其他分量全部强制转变为0；

4）Q算子，作用与F算子相反，将第一个为1的分量强制转变为0，其余不变。

如前文所述，本文对传统有色Petri网模型进行改进，引入了柔性制造系统FMS建模的思路，将ICPN元件类比为FMS中待处理的零件，变迁类比为FMS中的加工设备，库所类比为FMS中的仓库和物流配送系统，从而建立改进后的模型，如图1所示。在模型中，共有V+1种不同的颜色，最后一种为控制色，前V种颜色为元件色，与模型中的每个元件唯一映射；库所和各有向弧上的标识均为V+1维向量。

图1 智能电网故障区域搜索模型

以下对模型中出现的各种元素进行介绍：

1）库所

h0存放着待传送的元件，不同元件的识别通过颜色差异的托肯来完成；h1库所为回收库所，用来收回未进入过渡库所GCN+1的元件；GC0给出一个对应某一划分条件的标识，可据此得到对应的子系统；GC1至GCN分别唯一映射至电网中N个断路器，显然若该库所中包含托肯，则与其颜色相对应的断路器处于闭合状态，否则该库所对应的所有断路器均断开；GCN+1为过渡库所，元件在被归类至某一子系统之前，必须通过GCN+1完成准备工作；GCN+2为控制库所，对应控制传送带的启停开关；库所GCN+3对应发现故障区域的数量［13］。

2）变迁

图中模型包含的变迁总共有四类，即K1，K2，K3和KS。K1负责从带传送元件库所h0中删除已归类到某一子系统中的元件；K2负责选定传送带上编号最小元件为搜索故障区域的初始点并将该元件送至过渡库所；K3负责对划分好的子系统进行记录，以上三类变迁的守护函数的值恒为真；KS负责搜索在发生故障后，故障区域原本连接在一起的元件，当KS的系列库所中均含有同色托肯时，守护函数的值为真。K1的输入弧上有两个权向量H1和GC0，输出弧上则为通过减法算子计算得到的结果向量H1⊖GC0；K2输入弧上仅有一个权向量H0，其输出弧上分别通过Q算子U算子计算得到Q(H0)和U(H0)；K3输入弧上的两个权向量为GCN+1和[0，0，…，0，1 ]，输出弧仅有一个权向量[0，0，…，0，1 ]；最后KS系列变迁的输入弧上的权向量分别为GCi和GCN+1，输出弧上为加法算子计算得到的结果向量 GCi⊕ GCN+1（i=1，2，…，N）。

3）库所的初始标识

在搜索准备阶段，应根据断路器的当前的动作信息对库所赋予着色托肯。例如V0(GCi)=[1 ， 1，0…，0]代表电网中编号为1和2的元件与闭合断路器GCi相连，若剩余的库所中无任何托肯，则用一个全0的标识向量O=[0 ， 0，…，0] 来描述。随着搜索过程的逐渐推进，最终该ICPN模型中无法再找到任何一个可触发的变迁时，意味着所有的可传送的元件都已操作完毕，搜索工作执行完毕。

4）外部控制

在实际电网故障发生时，可能会产生多种影响，改变多个元件的状态，此外还需要考虑故障多发的情况出现，对于ICPN模型而言，可能会导致多个变迁同时满足触发条件，但规则只允许触发其中一个，因此必须通过外部控制来施加约束，通过对变迁设定不同级别优先级的方式可较好地解决该冲突。例如：假设目前变迁KS1和KS3同时处于可触发状态，通过图2中的外部控制装置，可确保按照下标号与优先级降序排列的规则，依次触发变迁。观察图2可以看出，无论是输入弧还是输出弧，只要与三个控制库所T1、T2和T3相连，则其权向量均为[0 ， 0，…，0，1] ，其它部分与图1相同。冲突发生时，除了T1中存在一个控制色的托肯外，其余两库所均无托肯，此时根据前文所述的使能规则和激活规则可知，仅KS1可被触发，该变迁触发后，之前T1中的控制色托肯移至T2，此时KS2被触发，以此类推至KS3。由此可以看出，在加入外部控制装置后，有效的解决了KS1与KS3同时触发的矛盾，且保证了该对变迁共享GCN+1的资源。

图2 ICPN外部控制装置模型

通过以上分析可以看出，本文提出的利用ICPN模型来进行智能电网故障区域的搜索方案，其基本流程就是先设定某元件为搜索出发点，随后对模型中的所有变迁进行反复的遍历查询，搜索出所有符合条件的子系统，这一过程以无任何变迁可被触发为结束条件，流程图如图3所示。

图3 智能电网故障区域搜索流程

4 基于场景定制的应急处置策略

在完成故障区域的快速搜索之后，智能电网随后就利用其信息系统将故障信息传输至调度中心，并在此处进行分析与修复。因此，在对电网进行实时监测的过程中会生成大量的监测数据，信息系统必须在极短的时间内执行大规模数据的传输和分析，这一过程同样是故障的多发时期，因此，智能电网应急处置系统不仅要对电网的故障区域进行快速查询，同样也要保障监测数据的快速、可靠的传输，才能综合提高智能电网应急处置系统的执行效率。本文针对当前的应急抢修及应急演练管理办法，提出引入SAAM算法建立应急预案评估模型和动态指令关联模型，对智能电网信息系统中的常见活动进行归类评估，将所得信息，作为输入参数代入基础应急脚本，以生成最新的应急执行脚本，并下发执行，从而有效地提高了信息系统故障分析的准确性和修复的及时性。

4.1SAAM简介

基于场景的体系结构分析方法（Scenariobased Architecture Analysis Method，SAAM）是卡耐基梅隆大学的柯泽曼等提出的一种以不同场景为依据来分析其对应功能需求和场景中的性能指标要求，从而为设计软件和系统架构提供依据的方法。该分析方法的另一优势是帮助设计者在系统开发之前对其体系结构固有风险进行可靠的评估。通过建立场景模型，可以凸显体系内部潜在的矛盾点，如功能的重叠或需求的冲突等，从而避免所设计的系统过度倾向某一类用户而导致的不全面问题。

SAAM通过功能、结构和分配三个方面来全面评估某个体系结构是否符合其所要反映的客观实际，下图描绘了SAAM分析及评估过程。

图4 SAAM评估模型

SAAM分析评估体系结构的过程主要包含五个环节，分别为

1）场景开发，通过对评估对象的综合性分析，并与该对象的使用者进行充分的沟通，确定构建的评估体系结构所要支持的各种活动和需要描述的各种情况；

2）体系结构描述规则，为了清晰地表达系统中的计算构件、数据构件的特性，以及施加在这些构件上的控制规则，避免出现逻辑错误和数据冲突，必须采用逻辑性强的，合乎语法语义要求的体系结构描述SA；

3）单个场景评估，无论是直接场景还是间接场景，在确定某种体系结构之后，都需要在该结构下针对本场景生成描述列表，指明通过该结构规范出的本场景中的活动种类和情况种类；

4）场景交互，建立单个场景的描述列表后，还需要准确地表述某个场景对系统中其它构件所产生的影响，即描述场景间的关联性；

5）总体评估，对场景及其关联作一个总体的权衡和评估。

如上所述，将该种场景评估方法具体化到某种应用场合，就可利用SAAM对其进行清晰、直观的描述，通过调用以场景为对象的预定控制方案，就可极大地提高管理系统的响应速度。本文在设计智能电网信息系统的应急处置系统时，引入SAAM算法用于对故障区域进行评估，设计出了常用场景列表，显著提高了智能电网应急处置系统对发生故障的分析速度和处理效率。

4.2 基于多场景关联模型的动态脚本设计

由于智能电网规模庞大，用户众多，结构复杂，导致故障信息系统所需要面对的场景也种类繁多，某个用户操作所触发的一系列流程都可被定为一个场景，若要对每一种场景均设置一套故障分析和处理流程是不现实的，因此需要对场景进行进一步归纳，将纷繁多变的活动情况归类到预先定制的有限个数的场景中，以简化系统运算量。由于场景本质上是反应不同系统架构下的实际应用的，可从支撑各种场景的系统架构的故障开始分析，并结合实际中出现的故障，定制出常见的映射故障点的场景，其模型如图5所示。

图5 常见故障点的场景定制模型示例

在确定了常见故障场景之后，针对典型场景设置针对不同故障的脚本库，预设解决方案，在系统分析得到相符的故障类型时，即可调用相应的脚本自动执行解决故障，以数据库脚本为例，其脚本库如图6所示。

通过具体故障所需要使用的脚本，来合理配置和定义相关的脚本库，通过自动化触发的方式可以大大加快故障的发现与定位，检查与修复。设计脚本的生成流程如图7所示。

图6 数据库脚本库示例

图7 动态脚本设计流程

动态脚本设计操作界面及故障应急修复界面如图8～9所示。

图8 动态脚本编辑界面

图9 故障应急修复操作界

5 运行效果分析

目前，该套智能电网信息应急处置系统已投入运行使用，经过一个测试周期的实践验证，该系统较有效地提高了智能电网对故障定位的搜索能力，同时对信息系统传输数据的可靠性也有了显著的提高，对其出现的各种问题进行了合理的场景划分，并提供了一键式修复功能，以下从故障搜索、故障判断准确率两个方面进行分析总结。

1）故障响应时间

无论是在电网故障的搜索环节，还是信息传输故障的排查环节，系统响应时间都是最重要的性能指标之一。根据本系统投入运行前后统计数据的对比发现，该系统有效地缩短了电网故障的发现、搜索、排查以及发出有针对性的修复指令这一系列的操作周期，尤其是采用的动态脚本技术之后，极大地提高了修复指令的发出速度，平均响应时间由系统运行前的47min下降至目前的26min，相信随着电网规模的扩大，这一压缩比例也会逐渐提高。

2）故障判断准确度

在电网和信息系统的故障分析领域，对故障类型成因的准确判断也直接影响了后续修复工作的质量。同样对本系统运行前后，智能电网信息系统故障检测的准确率进行统计，该系统运行前，对故障判断主要依赖操作员的经验积累，因此准确率因操作员的能力差异而波动较大，一般处于73%至81%之间，而运行该系统后，通过采用改进有色Pe⁃tri网对电网故障进行快速搜索，同时采用SAAM模型进行场景定制，将故障判断的准确率提升至91.4%，效果较为明显。

6 结语

智能电网要确保对故障点的迅速排查和及时修复，就必须依赖高质量的搜索方法和可靠的信息传输保障机制。本文提出了基于改进有色Petri网技术的电网故障搜索模型，提高了电网故障搜索的速度和准确性，并在此基础上提出了针对信息传输SAAM方法，构建了关于信息传输异常情况的多场景关联模型。通过实际运行证明，该系统有效地提高了智能电网对供电故障和信息传输异常的响应速度，具有一定的推广价值。

［1］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.

XIE Hongtao，TONG Xiaoyang.Integrated fault diagnosis method based on hierarchical fuzzy Petri net［J］.Power Grid Technology，2012，36（1）：246-252.

［2］Vazque M E，.Chacon M O.L.，Altuve F H.J.An on-line expert system for fault section diagnosis in power systems.IEEE Transactions on Power Systems，1997，12（1）：357-352.

［3］Heung-Jae L.，Bok-skin A.，Young-Moon P.A fault di⁃agonosis expert system for distribution substations.IEEE Transations on Power Delivery，2000，15（1）：92-97.

［4］Lee H.J.，Park D.Y.，Ahn B.S.，et al.A fuzzy expert sys⁃tem for the integrated fault diagnosis IEEE Transations on Power Delivery，2000，15（2）：833-838.

［5］Monsef H.，Ranjbar A.M.，Jadid S.Fuzzy rule-based ex⁃pert system for power system fault diagnosis IEEE Proceed⁃ings Generation，Transmission and Distribution，1997，144（2）：186-192.

［6］Oyama T.Fault section estimation in power system using Boltzmann machine.in：Proceedings of the Second Interna⁃tional Forum on Applications of Neural Networks to Power Systems，ANNPS，2013，Yokohama，2013：3-8.

［7］翁汉琍，毛鹏，林湘宁.一种改进的电网故障诊断优化模型［J］.电力系统自动化，2007，31（7）：66-70.

WENG Hanli，MAO Peng，LIN Xiangning.An improved optimization model for power system fault diagnosis［J］.Automation of Electric Power System，2007，31（7）：66-70.

［8］刘道兵，顾雪平，李海鹏.电网故障诊断的一种完全解析模型［J］.中国电机工程学报，2011，31（34）：85-92.

LIU Daoging，GU Xueping，LI Haiping.A complete analyt⁃ical model for power system fault diagnosis［J］.Chinese Journal of Electrical Engineering，2011，31（34）：85-92.

［9］王磊，李耀华，刘志刚.基于OOCPN结线分析和反向推理的城市轨道交通牵引供电系统故障诊断方法［J］.中国铁道科学，2012，33（4）：52-58.

WANG Lei，LI Yaohua，LIU Zhigang.Fault diagnosis method for traction power supply system of Urban Rail Transit Based on OOCPN line analysis and backward rea⁃soning［J］.China Railway Science，2011，31（34）：85-92.

［10］程学珍，陈强，于永进，等.基于最大似然译码字的Pe⁃tri网电网故障诊断方法［J］.电工技术学报，2015，30（15）：46-52.

CHENG Xuezheng，CHEN Qiang，YU Yongjin，et al.Fault diagnosis method of Petri net based on maximum likelihood decoding［J］.Transactions of China Electro⁃technical Society，2015，30（15）：46-52.

［11］谢敏，吴亚雄，黄庶，等.基于有色自控Petri网的电网故障区域识别［J］.电力系统保护与控制，2016，44（2）：56-64.

XIE Min，WU Yaxiong，HUANG Shu，et al.Identification of power grid fault zone based on colored Petri net［J］.Power system protection and control，2016，44（2）：56-64.

［12］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.

WEN Fushuan，QIAN Yuanping，HAN Zhenxiang，et al.A state identification model and Tabu search method for power system fault diagnosis based on protection and cir⁃cuit breaker information［J］.1998，13（5）：1-8.

［13］郝东，蒋昌俊，林琳.基于Petri网与GA算法的FMS调度优化［J］.计算机学报，2005，28（2）：201-208.

HAO Dong，JIANG Changjun，LIN Lin.FMS scheduling optimization based on Petri net and GA algorithm［J］.Journal of Computer Science，2005，28（2）：201-208.