基于BN 算法的电力调度多源故障数据融合研究

陈方之，廖 华，钟文明，申晓杰，陆 飞

（1.中国南方电网有限责任公司超高压输电公司南宁监控中心运维部，广西 南宁 530029；2.国电南瑞南京控制系统有限公司，江苏 南京 210000）

电网系统在近年来发展迅速，人们对于电的应用直接影响到了电力系统的发展速度。在电力调度中，电力故障时有发生，因此经常需要对电力系统进行检修和诊断，但电力调度中产生的故障具有种类多、隐蔽性强、重叠性高等特点，在诊断与检修时很难将故障全部修复。

为解决存在的问题，一些学者进行了相关研究，文献[1]分析了深度学习技术在多源数据融合中的应用，通过深度学习技术解决电力调度多源故障的问题，但此方式并不能适用于所有电力调度故障的发生，对于一部分因素仍无法解决。文献[2]提出了基于BP 神经网络的数据融合算法，通过建立滑坡模型检测电网数据，并通过BP 神经网络算法融合电力调度的故障源数据，但BP 神经网络有繁琐、复杂的特点，很难对其完成正确操作，不适用于电力调度多元故障方法的普及。

为解决上述问题，文中提出基于BN 算法的电力调度多元故障数据融合。

1 电力调度多源故障数据诊断

1.1 故障信息组群模型

在电力调度的故障检测中，只要发生一个小故障便可连环引起多种故障，并对检测系统造成干扰[3-4]，因此在对电力调度故障检测时，要完整地将所有故障信息汇集到一起并进行分析，从而拆解出故障因素[5-6]。为了完整地分析电力故障因素，文中建立了电力调度故障信息组群模型，如图1 所示。

图1 电力调度故障信息组群模型

故障信息组群模型共含六个分析模型，分别为快速判断子系统分析模型、数据库模型、故障录波分析模型、保护装置启动模型、综合分析系统模型、故障信息分析模型[7-8]。

快速判断子系统分析模型主要由两个模块组成，分别为响应时间记录模块以及识别故障设备模块。前者可记录故障设备的发生时间，后者可大致确定故障设备的范围并建立存在可疑设备的集合。

数据库模型描述了电力调度系统设计的各个分析源数据，其中包括保护动作信息、开关动作信息、故障录波文件、保护定值信息等储存各类数据的节点模块。

故障录波分析模型中包含经过录波分析的故障设备数据以及故障设备的数据模型等，该模块主要用来存储故障设备录波的录取结果，以便对录波统计分析并调度[9-10]。

保护装置启动模型可提取数据库中的故障信息，并判断是否符合保护装置的启动条件，其设有装置启动临界值，由系统判断是否大于临界值。若大于临界值，便启动保护装置，保护电力调度设备不被损坏[11-12]。

综合分析系统模型是通过分析上述模型产生的数据，对可疑设备数据分析，判断是否为故障设备，在综合分析中，对同一个故障的各类故障因素进行数据融合。

故障信息分析模型主要用于对电力系统中的故障信息进行识别、分析和分类。

1.2 故障信息分析

通过建立故障信息组群模型，以该模型为核心，针对一次电力调度故障，对其进行故障信息分析，分析流程如图2 所示。

图2 故障信息分析流程

故障信息分析主要分为如下几步。

步骤1：快速故障分析诊断。根据电力故障发生时电力系统运行方式以及开关分合闸的动作、保护装置等情况，利用快速判断子系统信息模型快速分析诊断故障，确定故障的范围与引起故障的设备，该模型可在故障发生几分钟内作出响应并完成判断，是整个故障信息组群模型的重要模块。

步骤2：故障组群管理系统协调。当电力调度故障发生时，故障组群管理子系统开始协调整个故障信息组群运行，通过发布指令指挥各个模块运作，并接收快速判断子系统传输的大体故障范围信息，根据信息逐一分析可疑故障设备。

步骤3：数据采集。通过接收子系统指令，采集数据并记录保存。

步骤4：对可疑故障设备的预处理。若故障组群管理子系统确定了可疑故障设备，则对该设备预处理，通过识别可疑故障设备的类型，将其用于对应类型的故障录波的分析，实现对故障设备的精确判断。

步骤5：故障设备的保护动作。当对可疑设备的预处理完成后，故障保护装置开始对故障设备进行临界值的判定，其判定因素为故障设备录波的电流电压数值，通过电流电压数值来判定是否启动保护装置。

步骤6：综合分析。当达到启动保护装置要求时，对故障设备综合分析，从共享数据区间中提取子系统对故障设备分析的数据信息判定，寻找故障设备的故障点并分析故障源，公式如下：

其中，C为设备可信度，通过C的值来确认故障设备；n为子系统分析结果数量；R为从第i个分析结果源获取的该设备是否故障。C=1 代表设备故障；C=0 表示无设备故障[13-14]。

2 基于BN算法的故障数据融合

2.1 幅值故障度

当电力调度系统发生故障时，故障设备电流大幅度增加，设备信号的幅值便随着故障设备电流增加而增大，因此可根据信号幅值的大小来表示电力调度系统的故障度。通过贝叶斯网络算法，当故障发生时，第i个元件(i=1,2,3,…,n)的幅值为Ai，则有：

根据式（2）、（3）得到幅值故障度计算公式，如下所示：

其中，AD表示得到的幅值故障度。

2.2 频率故障度

当电力调度系统发生故障时，故障设备产生的信号中含有高频分量，频率的变化幅度也可以看作电力调度系统故障度。通过贝叶斯算法计算，当故障发生时，第i个元件的频率幅度为Bi，因此频率故障度计算公式如下：

其中，BD表示频率故障度。

2.3 能量故障度

在确定幅值故障度与频率故障度后，根据贝叶斯网络算法可得到电力调度故障的能量，以故障设备发生故障时能量的变化量，量化故障设备的故障度。

能量故障度的计算公式为：

其中，WD表示得到的能量故障度。

2.4 开关量故障度

将贝叶斯计算融入到电力调度故障中，是该领域常用检测开关量的算法，根据开关量的故障程度扩大对电网调度故障的检测范围，通过贝叶斯算法计算设备故障的总概率，统计计算出的结果并进行归一化数据处理。可得开关量故障程度，其计算公式如下：

其中，PD表示开关量故障度。

在获取了以上数据后，即可开始逐步融合故障度数据，共分为三层结构。第一层为信息获取层，从该层获取幅值、频率、能量、开关量的数据信息，并传输到第二层特征提取层。在特征提取层中通过贝叶斯算法对分析数据提取故障度[15-16]。最后将以上四种故障度数据汇总后传输到数据融合层，通过DS 证据理论完成对四种故障度的数据融合。

3 实验研究

为了验证提出的基于BN 算法的电力调度多源故障数据融合方法的实际应用效果，设计如下实验。选用文中方法和传统的基于深度学习算法的融合方法和基于多源数据的融合方法进行实验对比。

选用的实验对象为瞬时故障电路，如图3 所示。

图3 实验对象

根据图3 所示的实验对象，设定对比实验，同时判断不同方法的故障信息重演时间，得到的实验结果如图4 所示。

图4 故障信息重演时间实验结果

由图4 可知，随着故障信息数量的增多，文中提出的方法和传统方法花费的故障信息重演时间都有所增加，但文中提出的融合方法重演时间始终低于传统方法的重演时间。当故障信息量达到600 GB时，文中提出的融合方法和传统方法存在明显差距，中文提出的融合方法仅需要10 min 即可完成故障重演，而传统的基于深度学习的融合方法需要花费17 min 才能实现重演，基于多源数据的融合方法需要花费20 min 才能顺利完成重演。

造成这种现象的原因是文中提出的融合方法利用BN 算法对数据定量分析，在快速得到故障波形之后，根据信息波形和文件实现定位检测，确定故障信息，实现波形分析，快速完成故障重演，而传统方法需要花费大量时间才能完成故障信息数据采集，因此重演时间难以达到用户要求[17]。

对电力调度故障分析后，便需要对其进行分析数据的融合，由于融合数据量较大，故文中进行三组实验，每组实验进行5 次，分别针对500 GB、1 000 GB和1 500 GB 电网故障信息融合，融合实验结果分别如表1-3 所示。

由表1 可知，在融合数据为500 GB 时，虽然文中方法融合能力较强，但是传统的融合方法也展现出很好的融合效果。

表1 500 GB电网故障信息融合结果

由表2 可知，在融合数据为1 000 GB 时，文中方法融合能力明显优于传统方法。

表2 1 000 GB电网故障信息融合结果

由表3 可知，当融合数据为1 500 GB 时，传统方法融合时间过长，花费大量时间进行了数据分析，难以满足用户要求。由于文中方法已确定了电力调度故障中的故障源，故采用贝叶斯网络算法融合多源故障数据。通过贝叶斯网络算法以及DS 证据理论结合，融合计算出的四种故障值，以此实现电力调度多源故障数据快速融合，达到用户要求。

表3 1 500 GB电网故障信息融合结果

4 结束语

在电网系统飞速发展的今天，解决电力调度故障问题十分重要，文中提出的基于BN 算法的电力调度多源数据融合研究有效解决了传统方法存在的问题，可以应用到实际的电力调度故障处理中，并可为后续研究此方面的学者提供有关参考。