基于多源信息融合的电网多层智能故障诊断方法

赵维兴，熊楠，宁楠，李易鸿，古展基，李海清

(1. 贵州电网有限责任公司电力调度控制中心, 贵州 贵安550025；2. 贵州电网有限责任公司贵安供电局, 贵州 贵安 550025；3. 广州穗华能源科技有限公司，广州510530)

0 引言

能源革命的不断发展对电网运行的可靠性和安全性提出了更高的要求，尤其在电网发生故障时，准确高效的故障诊断方法对事故后续处理、供电迅速恢复以及系统稳定可靠运行至关重要[1]。国内外学者提出多种有效的解决途经[2 - 3]，主要包括专家系统[4]、人工神经元网络[5]、贝叶斯网络[6]等。然而，以上基于智能算法的故障诊断方法虽然逻辑推理能力和自学习能力强，有效提高了准确性，但无法处理故障诊断中的不确定性问题，导致诊断方法的可移植性不理想，其主要原因是在以下方面考虑得尚不全面。

1)缺乏对物理模型和故障特征的考虑，对元件状态、保护起动和动作、断路器动作等不同信息间时序约束缺乏考虑；

2)目前故障诊断方法偏重于利用单个诊断对象的局部信息，仅应用保护及断路器的动作告警信息，但因信息质量的不确定性(如保护或断路器误动、拒动及告警信息在封装、发包、传输、接收等过程中丢失)，故障元件的诊断困难重重，往往会发生误判、漏判、判断范围扩大等诸多问题。

目前，我国电网企业正着手开展综合数据平台和数字化电网的建设[7]，各类量测数据的及时获取和快速共享成为可能，为故障诊断提供了多源、异构的信息来源[8 - 9]。因此，如何对多源数据信息进行融合处理并有效综合利用数据冗余特征[10]，充分挖掘相关的开关量信息和电气量信息的故障特性，实现多源告警信息的有效整合，对提升故障诊断的准确性、快速辨识故障元件至关重要。

本文分析开关量和电气量的故障特征，整合独立数据采集单元的开关量信息及电气量信息，考虑多源信息的时序约束特性和能量畸变度，从全局的角度实现故障诊断。首先针对不同数据源开关量信息的时序约束特性建立相关故障元件的置信度集合，通过电气量信息结合信息熵权值得到不同电气元件的故障概率值[11]，利用D-S证据理论(Dempster-Shafer evidence theory)实现开关量和电气量多源信息融合的故障元件诊断，最后通过研究某一电网拓扑的相关历史运行数据信息进行分析，验证该模型解决故障诊断的能力问题。

1 信息源及其特征

依据电网的物理模型及其运行机制，出现故障时各类信息发生变化的顺序为：电气量信息经过保护判据判定变化为保护动作信息，而保护动作信息进一步根据动作信息判定变化得到开关跳闸信息。调度中心有数据采集与监视系统/能量管理系统(supervisory control and data acquisition/energy management system，SCADA/EMS)、广域测量系统(wide area measurement system，WAMS)、保护信息管理系统(relay management system，RMS)以及故障录波系统等多套应用系统分别作为独立的数据采集单元，包括电气量、保护动作信息、开关跳闸信息等，可为故障诊断提供了多源化的信息来源。

本文结合不同独立数据单元的开关量以及电气量信息进行相关故障诊断分析。因不同数据采集单元关联对象和目的不同等，导致不同数据源采集到的信息特征存在差异，相关信息来源及其信息特征如图1所示。分析不同信息类型及其信息特征，并据此分析不同元件的故障概率值，为实现故障元件的准确诊断提供依据参考，如表1所示。

图1 电网故障诊断的信息源及其特征Fig.1 Information sources and characteristics of power grid fault diagnosis

表1 多源信息及其故障特征Tab.1 Multi-source information and their fault characteristics

2 基于开关量时序约束的元件故障置信集

2.1 不同数据源时序约束分析

当电网发生故障后，故障事件记录的信息具体包括两类：原因事件类和告警信息类[12]。其中，原因事件类是指该故障发生的具体元件及位置，如式(1)所示：

L={L1,L2,…,Ln}

(1)

式中：n为故障事件记录中所有可能原因事件总数；元素Li为二元组，即Li={ci，Saddr，i}，ci为第i个原因事件内容，Saddr，i为该原因事件发生的具体地理位置信息。告警信息是指由原因事件引发的保护和断路器起动、动作信息。式(2)是第i个原因事件Li引发的m条告警信息集合：

Ai={Ai1,Ai2,…,Aim}

(2)

式中元素Aij为与第i个原因事件Li关联的第j条告警信息。告警信息Aij与Aik之间存在着时序约束关系，根据参考文献[13 - 14]可定义为如下两种时序约束。

1)一元时间约束，即当第i个原因事件发生时，第j条告警信息出现的时间Tij应满足一定的时间范围，即

(3)

2)二元时间约束，即第i个原因事件引发的第j条告警信息与第k条告警信息之间的时间差应满足一定的时间距离，即

(4)

d(Tij,Tik)=Tij-Tik

(5)

由于各类保护和断路器的动作时间带有一定的延时，保护和断路器动作时间应分别在一定的时间范围以内。根据继电保护配置原则，可得到主保护、近后备保护和远后备保护动作告警信息的一元时间约束为：

(6)

(7)

(8)

式中：下标p表示主保护，Tip为与第i个原因事件相关的主保护动作告警时间；下标f表示近后备保护，Tif为与第i个原因事件相关的近后备保护动作告警时间；下标r表示远后备保护，Tir为与第i个原因事件相关的远后备保护动作告警时间。

保护与断路器动作时间存在着一定时序关系，两者的二元时间约束为：

(9)

式中：下标CB表示断路器，TiCB为与第i个原因事件相关的断路器动作告警时间；下标q表示为触发断路器跳闸的相关保护，Tiq为与第i个原因事件相关的保护动作告警时间；上标“-”和“+”分别为对应的最小值和最大值。

对于不同的独立数据源接收到的原因事件时间点不同，甚至有的数据源没有原因事件数据信息，需要根据不同数据源的特点找到合适的时间参考点，从而为时序约束分析奠定基础，本文规定相关时间参考点确定原则：1)将报警信息按照其优先级由高到低准则进行排序，且不满足时序约束的区段最少时，其所对应的时刻为时间参考点；2)以采集到电气量的信息，利用小波变化确定的故障起始时刻为时间参考点。按照以上原则，对不同数据源的参考点确定方法分析如表2所示。

表2 不同数据源参考点确定方法Tab.2 Method for determining reference points of different data sources

2.2 电力元件故障置信集

获得不同独立数据源相关时间参考点后，对不同动作元件的时序约束进行分析与推理，从而得到在不同数据源时序约束条件下的故障元件集合为：

ΣFault,i={σLN1,…,σLNnl,σTR1,…,σTRnt,σBU1,…,σBUnb}

(10)

式中i∈NR，NR为独立数据源的个数；ΣFault,i为第i个数据源的故障元件集合；下标LN、TR、BU分别为线路元件、变压器元件、母线元件；nl、nt、nb分别为线路元件总数、变压器元件总数、母线元件总数。

本文认为每一种数据采集单元独立不相关，于是对任何一个故障元件，线路元件LN，变压器元件TR以及母线元件BU故障发生的概率分别表示为pLNi，pTRi和pBUi， 其计算公式为：

(11)

(12)

(13)

式中αLNi,k、αTRi,k、αBUi,k为元件σLNi、σTRi、σBUi在第k个数据源的逻辑变量，当电力元件(σLNi、σTRi、σBUi)属于第k个数据源时序约束条件下的故障元件集合ΣFault,k时，相应的逻辑变量(αLNi,k或αTRi,k或αBUi,k)取1，否则取0；

于是，可以得到电力元件的故障置信集合如下。

Ssw={pLN1,…,pLNnl,pTR1,…,pTRnt,pBU1,…,pBUnb}

(14)

将其进行归一化处理，可得

(15)

3 基于电气量能量畸变度的故障分析

3.1 小波变换与小波能量分析

根据小波变换理论，离散信号y(n)可转变为各种小波分解尺度下高频分量系数与最大小波分解尺度下低频分量系数之和。

(16)

式中：N为最大小波分解尺度；D1(n)为第1个分解尺度下的高频分量系数；A1(n)为第1个分解尺度下的低频分量系数；AN(n)为第N个分解尺度下的低频分量系数。根据式(16)，经过小波分解后每个频段的能量分布可用系数序列平方和表示，如式(17)—(18)所示。

Ej=∑k∈n|Dj(k)|2

(17)

EN+1=∑k∈n|AN(k)|2

(18)

式中：j∈N；k为第k个时刻，k∈n；Ej为信号在第j个分解尺度的小波能量分布。信号y(n)的小波总能量即为各频段能量之和。

(19)

3.2 能量畸变度的求取

当某一电力元件发生故障时，伴随该元件电压与电流等电气量的突变，于是考虑利用测量该元件的故障录波装置录得的电气量数据，得到故障差波信号[15 - 16]，即

ΔU=U-U′

(20)

式中ΔU为故障差波信号；U为故障后电气瞬时信号；U′为故障前电气瞬时信号。

对电压差波信号而言，故障线路电压变化最大，非故障线路变化较小，因此本文主要考虑电压的电气量的相关数据。按照式(16)对故障差波电压信号进行小波能量分析，并可进一步根据式(17)—(18)得到相应的能量畸变度的值。

(21)

利用式(21)对电网内所有可能故障元件进行能量畸变度分析，并实现全网内对每一个可能故障元件能量畸变度的归一化处理。

e(i)=FE(i)/∑FE(i)

(22)

式中：e(i)为第i个可能故障元件的能量畸变度，据此得到电力元件故障概率集为：

Set={eLN1,…,eLNnl,eTR1,…,eTRnt,eBU1,…,eBUnb}

(23)

式中eLNi、eTRi和eBUi分别为电力元件σLNi、σTRi、σBUi故障发生概率。

4 基于D-S证据理论的多源信息融合分析

当前在进行不确定性推理时采用较多的方法为D-S证据理论[17 - 18]。在D-S证据理论中，设Θ={A1，A2，…}是辨识空间，证据m1,m2, …,mx合成规则为：

(24)

其中，基本概率赋值(BPA)满足

∑imj(Ai)=1

(25)

K=∑∩Ai∑1≤j≤nmj(Ai)

(26)

式中：K为归一化因子，1-K反映不同证据之间的冲突程度；当K→1时，对冲突证据用D-S理论处理将会产生与实际相悖的结果。本文拟采用基于可信度的证据体修改，相关修改规则如下所示。

(27)

(28)

表3 D-S证据理论的组合Tab.3 Combination of D-S evidence theory

特别地，对于复杂故障情况，通常含有多个故障元件，这样便会导致故障元件的置信度较低，此时，考虑采用相对占比来进行故障判定，假设故障元件经过D-S证据合成之后故障判定置信集合为

ΣFault,end={p1,p2,…,pn}

(29)

式中p为第i个可能故障元件的概率值，则可能故障元件的故障置信值为

(30)

5 电网故障多层诊断流程

综合上述，本文综合开关量信息和电气量信息的故障多层诊断具体诊断流程如见图2所示。故障元件的多层诊断具体流程如下。

1)单源信息诊断层：单独利用开关量或电气量信息进行故障元件辨识，因此具体包括以下开关量诊断和电气量诊断两大环节，最后通过比对开关量诊断层与电气量诊断层的诊断结果，若为一致，则直接认为诊断结果无误，输出诊断结果，否则说明存在不确定性问题，进入融合多源信息诊断层。

2)开关量诊断：首先利用开关量动作的时序约束进行电力元件故障置信集计算，完成开关量诊断层的故障元件辨识；

3)电气量诊断：接着对电气量信息进行小波变换和小波能量分析，提取其能量畸变度并利用能量畸变度指标对相关数据进行处理，得到可能故障元件的概率集合，完成电气量诊断层的故障元件辨识；

4)多源信息融合诊断层：通过D-S证据理论对数据信息进行融合，得到针对每一种故障元件，在综合考虑开关量以及电气量等多种信息的情况下，可能故障元件的故障概率值，为相关元件的故障诊断与分析提供了依据，同时还可以进一步对相关保护以及断路器的动作情况进行分析。

图2 电网故障多层诊断流程图Fig.2 Multi layer fault diagnosis flow chart of power grid

在电网故障多层诊断的过程中，针对不同数据源度量标准不一致的问题，本文构造了线性归一化函数对不同源数据进行归一化处理。

(31)

6 算例

为了验证本文所提的方法的有效性和实用性，利用图3所示的局部电力系统进行仿真分析，其中，L为线路，A为单母线，B为双母线，T为变压器，CB为断路器。在仿真分析时，下标S、R分别表示电力元件的首端与尾端，相关仿真结果如表4所示。

图3 局部电力系统模型Fig.3 Local Power system model

表4 仿真结果分析Tab.4 Simulation result analysis

为了验证在不同故障情况、不同信息质量的条件下本文所提方法的适应性和有效性，本文设置了4个算例场景，具体如下。

算例1：单元件简单故障，相关保护与断路器的动作满足时序约束的条件；

算例2：单元件简单故障，CB6拒动且在160 ms发出告警信息；

算例3：多元件复杂故障，相关保护与断路器的动作满足时序约束的条件；

算例4：多元件复杂故障，L2Sm漏报，CB6拒动，CB9时序不一致误动。

对比算例1和算例3可发现，单元件简单故障(算例1)下开关量和电气量诊断故障元件置信度均较高，而多元件复杂故障(算例3)下开关量和电气量诊断故障元件置信度降低。本文方法综合了开关量诊断故障元件置信度和电气量诊断故障元件置信度两方面信息，与原本仅靠电气量诊断故障元件的置信度相比，B1置信度增加5.2%，L2置信度减少1.9%。本文方法在尽量减少对高置信度的元件诊断结果的影响下，能够增强相对较低置信度的元件诊断结果，保证其诊断结果与实际故障结果仍然一致。

对比算例2和算例4可发现，当信息质量受断路器拒动和告警信息丢失等情况影响时，疑似故障元件的置信度均有所增加。在单元件简单故障(算例2)下，开关量诊断故障元件置信度最大值和次大值仅相差0.25，电气量诊断故障元件置信度最大值和次大值相差0.459，采用本文方法后诊断结果置信度最大值和次大值相差0.7，能够有效甄选出故障元件。多元件复杂故障(算例4)下，开关量和电气量故障元件置信度均大幅降低。采用本文方法后实际故障元件置信度相较于采用单一信息诊断的故障元件置信度有所提升，而非实际故障元件置信度相对减小，其置信度与最大值相差0.494，与次大值相差0.458，能够有效甄选出故障元件。因此，当信息质量受断路器拒动和告警信息丢失等情况发生时，由于本文综合了多源信息，仍能诊断出实际故障元件。

7 结论

本文提出了一种基于多源信息融合的电网多层智能故障诊断方法，能够克服保护和断路器的误动、拒动及其告警信息传输错误等不确定性，获得准确故障诊断结果。主要结论如下。

1)针对保护拒动、误动和告警信息传输错误等情况，传统以单一信息为依据的诊断结果容易受到信息质量扰动的影响，导致非故障元件和故障元件的置信度区分度较小。本文通过结合基于开关量时序约束以及基于电气量能量畸变度的元件故障置信集，采用D-S证据理论进行多源信息融合，能够克服信息质量变动的影响，通过多源信息的综合分析给出正确的故障诊断结果。

2)针对多重故障情况，传统多源信息融合故障诊断方法容易导致故障元件置信度降低，影响故障诊断结果。本文方法采用相对占比的D-S证据理论分析方法对多源信息融合诊断方法进行改进，可加大故障元件和非故障元件的区分度，进而提高电网故障诊断效果。