一种基于故障录波数据与贝叶斯网络的电网故障诊断方法

摘要

本发明公开了一种基于故障录波数据与贝叶斯网络的电网故障诊断方法，包括如下步骤：S1：通过SCADA系统信息中的保护装置动作信息、断路器信息和故障录波信息确定故障区域；S2：根据故障区域建立贝叶斯网络诊断模型，得到每个元件的故障概率G1；S3：利用故障录波数据，通过故障诊断原则，得到每个元件的故障概率G2；S4：根据专家意见赋予G1和G2不同的权重，通过加权平均方法得到每个元件的故障概率G3。本发明与现有技术相比，对故障的诊断更精确，而且可以根据实际情况调整两种方法的权重，具有很高的实用性。

说明书

技术领域

本发明涉及电网故障诊断领域，更具体地，涉及一种基于故障录波数据与贝叶斯网络的电网故障诊断方法。

背景技术

SCADA(运行监控和数据采集系统)系统是调度中心中不可或缺的设备，它能够在电网稳态运行时辅助调度员监控电力系统，也能够在故障时为调度员提供故障信息。当发生故障时，SCADA系统能够为工作人员提供开关信息和保护的出口动作信息，但这不能满足故障诊断对信息的需求。并且，现有的调度自动化系统在系统故障时只能采集数据，不对信息进行筛选和加工就直接提供给调度员，导致调度员来不及判断和处理。当发生复杂故障时，如果只使用SCADA系统上报的数据，诊断系统无法给出令人满意的结果。为了能够保证诊断的准确，需要寻找新的诊断信息源和诊断方法。

发明内容

本发明克服了上述现有的故障诊断方法的技术缺陷，提供了一种基于故障录波数据与贝叶斯网络的电网故障诊断方法。本发明通过故障录波数据、断路器动作信息和电子元件故障信息获取故障时各个元件电流方向矩阵，形成可疑元件集；同时通过贝叶斯网络，进行电网故障诊断，形成可疑元件集，利用专家法给出的权重分配，采用加权平均模型进行诊断。

为解决上述技术问题，本发明的技术方案如下：

一种基于故障录波数据与贝叶斯网络的电网故障诊断方法，包括如下步骤：

S1：通过SCADA系统信息中的保护装置动作信息、断路器信息和故障录波信息确定故障区域；

S2：根据故障区域建立贝叶斯网络诊断模型，得到每个元件的故障概率G1；

S3：利用故障录波数据，通过故障诊断原则，得到每个元件的故障概率G2；

S4：根据专家意见赋予G1和G2不同的权重，通过加权平均方法得到每个元件的故障概率G3。

在一种优选的方案中，所述的S2包括以下流程：

S2.1：对故障区域中的节点建立对应的贝叶斯网络诊断模型；所述的节点包括母线、线路、电子元件、断路器和保护装置；

S2.2：对于各个电子元件的贝叶斯网络诊断模型，求解各个节点的故障先验概率；

S2.3：故障先验概率与后验概率进行关联，得到元件的故障概率G1。

在一种优选的方案中，所述的S2.2中的各个节点的故障先验概率包括以下计算流程：

S2.2.1：对于电子元件的故障先验概率，通过设备的年故障频率进行计算，即设备连续运行一段时间后，发生故障的概率；电子元件的故障先验概率P₁通过以下公式进行求取：

P₁＝P{0<t}＝1-e^wt

式中，w为元件年故障率，t为元件检修次数。

S2.2.2：对于断路器与保护装置联动的故障先验概率P₂，P₂通过以下公式进行求取：

式中，parent(X_i)表示父节点集合，即电子元件节点。

在一种优选的方案中，所述的元件的故障概率G1通过以下公式进行求取：

式中，P(Y)表示电子元件的故障先验概率，即P(Y)＝P₁；P(X)表示断路器节点与保护装置联动的故障先验概率，即P(X)＝P₂；P(Y|X)表示在已知断路器与保护装置动作的条件下，电子元件故障的概率；P(X|Y)表示在已知电子元件故障的条件下，断路器与保护装置联动的故障的概率。

在一种优选的方案中，所述的S3包括以下流程：

S3.1：对于故障录波数据中的节点x₁，x₂，…，x_n-1，x_n，通过拉格朗日插值法插入采样点进行处理，得到穿过n个节点的多项式方程y＝f(x)；

S3.2：对于故障录波数据中的拉格朗日插值法的采样点采用突变量算法进行故障判别；

S3.3：对故障节点进行故障分量提取，得到正/负序电压电流分量相位；

S3.4：通过正/负序电压电流分量相位，判别电流方向，形成元件电流方向关联矩阵，根据电流方向矩阵得到每个元件的故障概率G2。

在一种优选的方案中，所述的S3.1中采用了二次拉格朗日插值法进行处理，具体内容如下：

对于故障录波数据中的节点x₁，x₂，…，x_n-1，x_n，设置插值点x以及对应的三个点x_i-1,x_i,x_i+1，所述的i通过以下公式进行求取：

根据x,x_i-1,x_i,x_i+1得到二次拉格朗日插值多项式y＝f(x)，所述的y＝f(x)通过以下公式进行求取：

在一种优选的方案中，所述的S3.2中采用了四采样值突变量算法，所述的四采样值突变量算法内容如下：

Δi(k)＝[i(k)-i(k-N)]-[i(k-N)+i(k-2N)]

式中，Δi(k)为电流变化量，i(k)为本周期中第k个采样点的电流采样值，i(k-N)为上一周期中第k个采样点的电流采样值，i(k-2N)为上二周期中第k个采样点的电流采样值；

故障启动判别公式：

Δi(k)＞I_set

式中，I_set是预设值。若Δi(k)＞I_set，则判断节点为故障节点。

在一种优选的方案中，所述的I_set通过以下公式进行求取：

I_set＝k₁Δi(k)+k₂I_N

式中，k₁和k₂是预设值，I_N是对应的电子元件故障前的额定电流值。

在一种优选的方案中，所述的S3.3包括以下计算流程：

S3.3.1：提取故障分量i_g(t)，所述的i_g(t)通过以下公式进行求取：

i_g(t)＝i(t)-i(t-nN)

式中，i(t)为故障时的电流采样值，i(t-nN)为故障前的电流采样值，且i(t-nN)与i(t)相隔n个周期，N为每周期采样点数；

S3.3.2：在故障分量i_g(t)上得到对应的正/负序电压电流分量相位。

与现有技术相比，本发明技术方案的有益效果是：

本发明通过故障录波数据、断路器动作信息和电子元件故障信息获取故障时各个元件电流方向矩阵，形成可疑元件集；同时通过贝叶斯网络，进行电网故障诊断，形成可疑元件集，利用专家法给出的权重分配，采用加权平均模型进行诊断。本发明与现有技术相比，对故障的诊断更精确，而且可以根据实际情况调整两种方法的权重，具有很高的实用性。

附图说明

图1是本实施例流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

如图1所示，一种基于故障录波数据与贝叶斯网络的电网故障诊断方法，包括如下步骤：

S1.通过SCADA系统信息确定故障区域；

通过SCADA系统信息中的保护装置动作信息、断路器信息和故障录波信息确定故障区域。

S2.对故障区域中的节点建立对应的贝叶斯网络诊断模型；

节点包括母线、线路、电子元件、断路器和保护装置。

S3.求解各个节点的故障先验概率；

对于电子元件的故障先验概率，通过设备的年故障频率进行计算，即设备连续运行一段时间后，发生故障的概率；电子元件的故障先验概率P₁通过以下公式进行求取：

P₁＝P{0<t}＝1-e^wt

式中，w为元件年故障率，t为元件检修次数，在本实施例中取t＝2；

对于断路器与保护装置联动的故障先验概率P₂，P₂通过以下公式进行求取：

式中，parent(X_i)表示父节点集合，即电子元件节点。

S4.故障先验概率与后验概率进行关联，得到元件的故障概率G1；

元件的故障概率G1通过以下公式进行求取：

式中，P(Y)表示电子元件的故障先验概率，即P(Y)＝P₁；P(X)表示断路器节点与保护装置联动的故障先验概率，即P(X)＝P₂；P(Y|X)表示在已知断路器与保护装置动作的条件下，电子元件故障的概率；P(X|Y)表示在已知电子元件故障的条件下，断路器与保护装置联动的故障的概率。

S5.对故障录波数据中的节点使用拉格朗日插值法；

对于故障录波数据中的节点x₁，x₂，…，x_n-1，x_n，设置插值点x以及对应的三个点x_i-1,x_i,x_i+1，所述的i通过以下公式进行求取：

根据x,x_i-1,x_i,x_i+1得到二次拉格朗日插值多项式y＝f(x)，所述的y＝f(x)通过以下公式进行求取：

S6.对于故障录波数据中的采样点采用四采样值突变量算法进行故障判别；

四采样值突变量算法内容如下：

Δi(k)＝[i(k)-i(k-N)]-[i(k-N)+i(k-2N)]

式中，Δi(k)为电流变化量，i(k)为本周期中第k个采样点的电流采样值，i(k-N)为上一周期中第k个采样点的电流采样值，i(k-2N)为上二周期中第k个采样点的电流采样值；

故障启动判别公式：

Δi(k)＞I_set

I_set＝k₁Δi(k)+k₂I_N

式中，k₁和k₂是预设值，I_N是对应的电子元件故障前的额定电流值。若Δi(k)＞I_set，则判断节点为故障节点。

S7.对故障节点进行故障分量提取，得到正/负序电压电流分量相位；

对故障节点提取故障分量i_g(t)，i_g(t)通过以下公式进行求取：

i_g(t)＝i(t)-i(t-nN)

式中，i(t)为故障时的电流采样值，i(t-nN)为故障前的电流采样值，且i(t-nN)与i(t)相隔n个周期，N为每周期采样点数；

在故障分量i_g(t)上得到对应的正/负序电压电流分量相位。

S8.通过正/负序电压电流分量相位，得到每个元件的故障概率G2；

通过正/负序电压电流分量相位，判别电流方向，形成元件电流方向关联矩阵，根据电流方向矩阵得到每个元件的故障概率G2。

S9.通过加权平均方法得到每个元件的故障概率G3；

本实施例中，对G1赋予40％权重，对G2赋予60％权重。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。