Petri网故障模型

Petri网故障模型（精选7篇）

Petri网故障模型 篇1

0 引言

电力系统故障诊断是指利用故障发生后所产生的警报信号等信息识别故障元件、评价保护和断路器动作行为,为调度人员快速辨识和清除故障提供辅助决策,以尽可能缩短故障后的系统恢复过程。国内外学者在这一领域开展了大量研究,提出了专家系统[1-3]、解析模型[4-7]、人工神经元网络[8]、信息理论[9]、Petri网和模糊集[10-14]等方法。其中,目前已实际应用的故障诊断系统主要采用了前两种方法。专家系统被较早地应用于电力系统故障诊断,文献[3]发展的警报处理专家系统已成功应用于意大利ENEL电力公司调度中心的能量管理系统中。基于解析模型的故障诊断方法[4-7]则是根据保护和断路器的动作原理,构建使实际警报信息与期望警报信息之间差异最小化的优化模型,把故障诊断问题表示为0-1整数规划;这种方法已经在一些电力系统中得到实际应用。基于Petri网的电力系统故障诊断方法虽然研究历史相对较短,但因其逻辑严密、物理意义清晰、推理过程比较简单而在近年来受到越来越多的关注。

基于传统Petri网的电力系统故障诊断方法比较简单和直观,但其无法处理故障诊断问题中的不确定性,因此一些文献提出了用模糊Petri网来解决[11-13]。文献[11]提出了基于加权模糊推理Petri网的电力系统故障诊断模型,通过优化模型结构来降低模型矩阵的规模,并利用数字型保护数据等措施来提高诊断的准确性和速度;文献[12]发展了一种基于方向性加权模糊Petri网的电力系统故障诊断方法,通过分别在各故障蔓延方向上建模分析和加权计算,以改善模型的容错性和对网络拓扑变化的适应性;文献[13]所构造的模糊Petri网模型中利用了保护和断路器动作的时序信息,提出了动作信息的纠错算法,但容错性不强。

上述基于模糊Petri网的故障诊断模型都考虑了保护/断路器动作和警报的不确定性,但仍存在以下不足:1没有充分利用警报的时序信息;2容错性不强,在处理复杂故障时有可能得不到明确的诊断结果。在上述背景下,本文发展了基于时序模糊Petri网(TRFPN)的电力系统故障诊断模型;通过将时序约束网络[15]和模糊Petri网进行融合,可以适当考虑元件故障、保护动作和断路器跳闸之间的延时约束,能够实现错误警报的自动过滤,同时在Petri网的推理运算过程中借助模糊加权算法,可以有效识别警报信息中的丢失和时序不一致等情况,提高了模型的容错性。

1 TRFPN

1.1 时序约束定义

文献[15]提出了基于时序约束网络的电力系统警报处理模型,其中的时序约束包括时间点约束和时间距离约束。下面简要介绍这两种时序约束。

1)时间点约束

定义时间区间T(t)=[t-,t+]为时间点t的约束,用于描述事件发生时间t的不确定性,即t∈T(t);其中t-和t+对应T(t)的起点和终点。

2)时间距离约束

时间距离是指两个时间点之间的时间长度。用d (ti,tj)表示ti和tj之间的时间距离,即d(ti,tj)=tj-ti。定义D(ti,tj)=[Δti-j,Δti+j]表示时间距离d (ti,tj)的约束,即d (ti,tj)∈D(ti,tj),其中 Δti-j和 Δti+j分别对应区间D(ti,tj)的起点和终点。

1.2 TRFPN的数学描述

根据模糊推理Petri网的定义[11],并考虑信息的时序属性,可将TRFPN定义为十一元组:

式中:P={p1,p2,…,pn},为库所结点(简称库所)的有限集合,表征命题,n为库所数;R={r1,r2,…,rm},为变迁结点的有限集合,表征推理规则,m为变迁数;I=(δij)n×m,为直接输入矩阵,δij∈{0,1},当pi为rj的直接输入(即存在pi到rj的有向弧)时δij=1,否则δij=0;O=(γij)n×m,为输出矩阵,γij∈{0,1},当pi为rj的输出(即存在rj到pi的有向弧)时γij=1,否则γij=0;H=(ξij)n×m,为制衡输入矩阵,ξij∈{0,1},当pi为rj的制衡输入(即存在pi到rj的制衡弧)时ξij=1,否则ξij=0;W=(ωij)n×m,为权值矩阵,ωij∈[0,1],反映命题对相应规则的影响程度,;θ=(θ1,θ2,…,θn)T,为库所对应命题的可信度向量,θi为命题pi为真的可信度,θi∈[0,1],命题初始可信度向量用θ0表示;U=diag(μ1,μ2,…,μm),为规则的可信度矩阵,μj为规则rj的可信度,μj∈[0,1];,为库所初始状态信息的获取时间集合,为库所pi初始状态的获取时间点;,为一元约束的集合,与T中元素一一对应,其元素表示时间点tpi的约束;,为二元约束的集合,其元素表示时间点和之间的时间距离约束。

1.3 时序推理

本文用库所对应命题描述事件,事件间的直接关系则分为触发和制衡两种。假如事件i可以触发事件j,则事件i为事件j的前驱事件,事件j为事件i的后继事件[15]。在文献[15]的基础上,这里进一步假定事件i可以导致事件j发生,但非必然,并用i→j表示;若事件j由事件i触发,则两事件的时间点应满足相应的时序约束。假如事件j可以制衡事件i,则称事件j为事件i的制衡事件。换言之,如果事件j发生了,则事件i就不应该发生,用i→/j表示;若事件i在某时间点发生了,则事件j就不应该在相应的时序约束内发生。

假设库所命题所描述的事件i,j,k,w在时间点ti,tj,tk,tw发生,且事件间关系为i→j,j→k和。 已知tj,tk,tw,D (ti,tj),D (tj,tk)和D(tj,tw)。下面简要说明本文所采用的时序推理方法。

1)反向时序推理

反向时序推理旨在找出事件的前驱事件,以及前驱事件的时间点约束。前驱事件具有传递性,例如:如果事件i为事件j的前驱事件,事件j为事件k的前驱事件,则事件i同样为事件k的前驱事件。如果事件i无前驱事件,则称之为原因事件,对应库所为原因库所。制衡事件不参与反向时序推理。

根据已知条件以及相应的时序运算规则,可得到原因事件的时间点约束如下:

式中:Δtj-k和 Δtj+k分别对应区间D(tj,tk)的起点和终点。

若T(ti)′∩T(ti)″≠Ø,即前驱事件相同且时间点约束有区间重叠,则可将所求前驱事件合并,即事件i的时间点约束为T(ti)′∩T(ti)″。

2)前向时序推理

前向时序推理旨在找出事件的后继事件或制衡事件,以及它们的时间点约束。根据反向时序推理所获得的原因事件时间点约束,可得到后继事件及制衡事件的时间点约束如下:

式中:ti-和ti+分别对应T(ti)的起点和终点;Δtj-w和 Δtj+w分别对应区间D(tj,tw)的起点和终点。

需要指出,时序推理中的前驱、后继及制衡关系与Petri网模型中输出有向弧、输入有向弧及输入制衡弧的连接方向并无直接联系。例如:结合反向时序推理过程和前向时序推理过程,可建立简单的TRFPN,如图1所示。若库所仅通过输入有向弧或输入制衡弧与变迁连接,则称此库所为初始库所,对应图1(a)中的库所p1至p3;若库所仅通过输出有向弧与变迁连接则为原因库所,对应库所p4;对既有输入又有输出的库所,则称之为过渡库所。库所包含时间属性,如图1(a)中的库所j的时间属性为(tj,T(tj)),其中第1项为时间点,表示该库所所描述的事件信息获取时间,若没有获得事件信息,则此项为空;第2项为时间点约束,表示该库所所描述事件如果发生则应出现的时间区间。图1(a)中变迁r1可表示规则“已知事件j,k,w及其发生时间,推理事件i是否发生及其发生时间区间”。

1.4 TRFPN的矩阵运算

本节将信息的时序属性融入模糊Petri网,发展相关的模型和矩阵运算方法。考虑到已有不少文献(如文献[11-12])对模糊加权Petri网的矩阵运算规则及方法做了详细介绍,此处不再赘述,只在附录A中进行了概述。下面仅介绍TRFPN的时序部分的运算方法及步骤。

步骤1:读入库所初始状态信息的获取时间集合T,以及时序约束库。

步骤2:进行反向时序推理,获取原因库所的时间点约束,并合并相关约束。

步骤3:根据步骤2获得的原因事件的时间点约束,进行时序推理,确定Petri网各库所的时间点约束。

步骤4:将初始状态信息的获取时间与步骤3得到的Petri网各库所的时间点约束进行比较和计算,采用式(7)和式(8)的方法得到命题初始可信度向量θ0。

式中:i=1,2,…,n;函数f(Δti)的形式可以根据信息获取的频率与 Δti的统计分布关系来选取,通常可取阶跃函数、线性函数和双曲线函数等,若信息随机出现在对应的时间点约束区间内,极少出现在区间外,则f(Δti)可取阶跃函数形式,若信息出现在对应的时间点约束区间内的频率很高,但仍会出现在区间外,且信息的出现频率随 Δti呈线性或双曲线函数关系,则f(Δti)取相应的函数形式;参数h的取值范围为0~1,其表示信息没有出现时命题的可信度取值,可根据信息的漏报概率调整h的取值,若漏报概率较高,可调高其取值,反之则降低其取值。

综上所述,TRFPN的推理运算的总体框架见附录B图B1。

2 基于TRFPN的电力系统故障诊断模型

以IEEE 10机39节点系统(见附录B图B2)为例,说明基于TRFPN的电力系统故障诊断模型。假设每条线路两端均配置了主保护、近后备保护和远后备保护;每条母线都配置了主保护;每个断路器都配置了断路器失灵保护。用B,L,R,CB分别表示母线、线路、保护和断路器;R0318m表示线路L0318靠近母线B03 的主保护,R1803m表示对侧主保护;R0318p,R0318s,R0318mf,CB0318分别表示相应的近后备保护、远后备保护、失灵保护和断路器。

2.1 故障诊断时序分析

实际系统中的继电保护装置都整定了动作时限。根据保护时间整定值并考虑实际运行时的时间误差可以估计从设备故障到相应保护动作的时间距离/区间。用D(tf,tm),D(tf,tp),D(tf,ts)分别表示设备故障到主保护、近后备保护和远后备保护动作的时间距离。与一般电气量保护(如线路主保护)采用单一电气量方式启动不同,断路器失灵保护采用保护出口动作和电气量方式构成“与”门启动,并延时动作;所以可估计线路主保护等电气量保护动作到断路器失灵保护动作的时间距离,并用D(teqr,tmf)表示。断路器分闸时间是其固有属性,由分闸时间并计及实际运行时的时间误差可估计保护动作到相应断路器分闸的时间距离,并用D(tr,tcb)表示。

2.2 故障诊断模型

首先建立线路的故障诊断模型。基本思路为:首先分别对线路两侧故障蔓延方向的各类保护和断路器进行建模,然后构建线路的综合诊断模型。以附录B图B2中线路L0318为例,其TRFPN故障诊断模型如图2所示。图2中:库所p30表示事件L0318故障,为原因库所;库所p1表示事件主保护R0318m动作,为初始库所;库所p22至p29为过渡库所,无实际物理意义,起连接和置信度流通的作用;p30和p1为触发关系。将各事件编码并生成关系约束库,见附录C。库所的时间点属性为警报获取时间,若没有获取此警报信息,则此项为空。通过时序推理,可获得原因库所的时间点约束T(tL0318),进而获得如表1所示的初始库所的时间点约束。过渡库所由于自身含义的限制,无法获得其时间属性,其时间点属性可理解为空,即时间点无约束。变迁r1表示规则 “主保护R0318m动作跳开断路器CB0318”;变迁r2表示规则“断路器失灵保护R0318mf由主保护R0318m出口启动并延时动作跳开断路器CB0302和CB0304”;r3至r8依此类推;r9至r15为过渡变迁。

类似地,可构建母线的综合故障诊断模型。以母线B04为例,其TRFPN故障诊断模型和库所时间点约束分别如附录D图D1和表D1所示。

2.3 仿真参数确定

将TRFPN应用于电力系统故障诊断时,需要确定如下参数。

1)输入弧权值

在正常情况下,断路器跳开是保护动作的结果,这在相当程度上标志了保护的行为,所以断路器部分的权值应大于保护部分的权值。对于某一变迁,其输入库所的保护部分的权值与断路器部分的权值分别设定为0.4和0.6。以图2中的变迁r6为例,其输入库所p13,p15,p16和p17的权重分别为0.2,0.2,0.3和0.3;其中,库所p13和p15及库所p16和p17分别表示变迁r6的保护部分及断路器部分。

2)变迁可信度

前已述及,将保护划分为主保护、近后备保护、远后备保护和断路器失灵保护。由于不同类型的保护原理不同,各类保护的性能及可靠性也不一致,故由此赋予变迁不同的可信度[13]。各类保护的变迁可信度如下:主保护为0.9、近后备保护为0.8、远后备保护为0.7、断路器失灵保护为0.95。过渡变迁无物理意义,可将其可信度置为1。

3)库所初始可信度

实际电力系统发生故障时,保护和断路器可能不正确动作,警报信号也可能误报和漏报。可采用式(8)来计算库所初始可信度。在所发展的基于TRFPN的故障诊断模型中,将f(Δti)定义为阶跃函数,且仅计算初始库所的初始可信度,把其他库所的初始可信度置为零。从容错性的角度出发,当Δti=0,即警报出现且满足时序约束,则说明事件间具有强关联性,就将对应库所的初始可信度置为0.95;当 Δti≠0,即警报出现但不满足时序约束,则说明事件不关联,就将对应库所的初始可信度置为0.1;如果没有出现警报,即 Δti不存在,则把对应库所的初始可信度置为0.2[12]。

3 仿真算例验证及比较

以附录B图B2所示的IEEE 10机39节点系统为例来说明所发展的故障诊断模型的基本特征。为描述方便,给定下述定义:1(i,ti)为事件—时间点组,表示在t=ti时事件i发生;2(i,T(ti))为事件—时间点约束组,表示在事件区间T(ti)内事件i发生。

3.1 基于TRFPN的故障诊断过程

下面用一个简单的故障案例来说明诊断过程。该案例的细节为:线路L0318故障,主保护R0318m动作跳开CB0318;另一侧主保护R1803m拒动,由近后备保护R1803p跳开CB1803;得到的警报(以第1个接收

到的警报信号的时标为基准点,并定义其时标为0(单位为ms)) 为: (R0318m,0), (CB0318,47),(R1803p,489),(CB1803,545)。

1)根据警报信息和关系约束库,进行反向时序推理,获得并合并原因库所时间点约束,见附录D表D2。

与现有故障诊断方法一般需要首先进行网络接线分析不同,本文所构造的故障诊断模型能够以关系约束搜索为基础,寻找原因事件,进行下一步的分析和诊断。当故障边界断路器警报信息丢失时,采用接线分析无法得到正确结果,现有的故障诊断方法就无法继续,而本文发展的模型则不受此约束。当然,根据正确的网络接线分析结果可以去除不合理的原因库所,提高诊断速度。

2)根据原因库所及时间点约束进行正向时序推理,获得各库所时间点约束。

以(L0318,[-20,-10])为例,将时间点约束值代入表1即可。

3)计算库所命题初始可信度。

以(L0318,[-20,-10])为例,库所初始可信度向量θ0= (0.95,0.95,0.2,0.2,0.2,0.1,0.2,0.1,0.2,0.2,0.2,0.2,0.2,0.1,0.2,0.2,0.1,0.95,0.95,0.2,0.2,0,0,0,0,0,0,0,0,0)T。

4)运用式(A4)进行矩阵运算。

根据图2所示的L0318模型,可得到如附录E图E1所示的模型矩阵形式。

采用式(A4)计算(L0318,[-20,-10])的可信度,经过5次迭代计算达到计算截止条件,结束计算,迭代计算过程见附录F。最后得到的结论为:(L0318,[-20,-10])的可信度为0.807 5(同理可获得其他原因库所的可信度),进而判断L0318 在-20~-10ms期间发生故障。

3.2 继电保护装置评价

通过比较原因库所的可信度判断出故障元件及其时间区间之后,需要对故障的发展进行解释,并对继电保护和断路器动作状况及警报信息进行评价。

以单条线路故障为例,将故障在某蔓延方向上的切除方式分为主保护动作跳开相应断路器、断路器失灵保护由主保护启动并延时动作跳开相应断路器、近后备保护动作跳开相应断路器、远后备保护动作跳开相应断路器4种方式,分别简称为m方式、mf方式、p方式和s方式,并与相应变迁一致。

1)警报信息分组。将满足故障元件及其时间区间的时序约束的警报信息放入评价表,不满足约束的警报信息放入待评价表,将评价表上的警报信息按故障切除方式进行分组。

2)通过比较过渡库所最终置信度,确定故障切除方式,并进入下述的故障判定过程。

m方式:判定主保护及相应断路器正常动作,并将mf,p,s分组中的警报信息放入待评价表。

mf方式:判定主保护正确动作,主保护对应的断路器拒动,断路器失灵保护及其对应的断路器正确动作。 将p和s分组中的警报信息放入待评价表。

p方式:判定近后备保护及相应断路器正常动作,将s分组中的警报信息放入待评价表。若m分组中包含警报信息,则判定主保护正常动作,相应断路器拒动,断路器失灵保护拒动;否则判定主保护拒动。

s方式:判定远后备保护及相应断路器正常动作。若m分组中包含警报信息,则判定主保护正常动作,相应断路器拒动,断路器失灵保护拒动;否则,判定主保护拒动。若p分组中包含警报信息,则判定近后备保护正常动作,相应断路器拒动;否则,判定近后备保护拒动。

3)对评价表中的警报进行评价:若判定继电保护装置拒动,而警报信号出现,则警报属于误报;若判定继电保护装置动作,而警报信号未出现,则警报信息系漏报。

4)对待评价表中的警报进行评价:1判定警报漏报,而在待评价表中出现了该警报,则改判该警报时标错误;2若待评价警报中,保护和断路器警报满足时序约束,则判定保护误动;3判定不满足时序约束的保护警报信息为误报;4判定不满足时序约束的断路器警报为误报,并请求进一步确定。

母线发生故障时,评价过程与此类似。对于多元件发生故障的情形,则需考虑多故障蔓延方向上存在交界时,与交界相关的保护和断路器的评价问题。

3.3 算例分析与比较

3.1节中用简单案例说明了所发展的故障诊断方法的诊断过程。这里给出一些更为复杂的案例以及采用不同的诊断方法所得到的诊断结果,列于附录G表G1。

在附录G表G1中,故障案例1至3的警报信息是完备的。可以发现,在保护/断路器存在误动/拒动等复杂状况下,依然可以得到正确的诊断结果,表明所提出的方法对这种情形有较好的容错性。案例4至7包括了警报误报、丢失或时标错误等复杂场景,其中案例6和7均为两个元件先后故障情况。算例结果表明,警报丢失或其时标错误会使正确诊断结果的可信度降低,而错误警报则会导致错误诊断结果的可信度上升。不过,从这些故障案例的整体诊断结果可以看出,由于本文方法具有加权效应且融合了时序约束,警报不完备和错误警报对故障诊断结果的影响相对较小,表明其对这种情形也有较好的容错性。

综上所述,基于TRFPN的故障诊断模型能够处理保护/断路器发生误动/拒动以及警报信息错误与不完备的情况,且具有较高的容错性。

此外,将本文方法与文献[12]和文献[15]的方法进行了比较,结果如表2所示。

4 结语

本文首先将时序约束融入模糊Petri网,在此基础上提出了基于TRFPN的电力系统故障诊断方法。大量诊断案例表明,所提出的方法能够处理保护/断路器发生误动/拒动以及警报信息错误与不完备的情况,并可以对继电保护的动作情况进行适当评价。本文提出的方法可自动生成故障诊断模型,且可跟踪网络拓扑变化;通过与现有方法的定性比较分析可知,在增加少量计算量的情况下,故障诊断的容错能力有了较大提高,可用于大规模复杂电力系统的在线故障诊断。

附录见本刊网络版(http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx)。

Petri网故障模型 篇2

自20世纪80年代以来, 国内外在电力系统故障诊断领域已经做了相当多的研究工作。目前投入实际应用或者具有应用潜力的故障诊断方法主要包括基于专家系统的方法[1]和基于解析模型的方法[2,3]。此外, 人工神经元网络[4]、贝叶斯网络[5]、数据挖掘技术[6]、粗糙集[7]、Petri网[8]等理论和方法也逐步应用于电力系统故障诊断的研究之中。其中, Petri网故障诊断法因逻辑严密、物理意义清晰、推理过程比较简单而受到越来越多的关注。

传统的Petri网主要由库所节点、变迁节点和有向弧组成[8]。在Petri网中, 元件、保护和断路器之间的联系、变迁的激活与执行可以用图形直观地表示出来, 还可以用矩阵分析方法描述故障过程的网络动态变化, 推理过程比较简单[9]。

虽然基于传统Petri网的故障诊断方法具有上述优点, 但其在一定程度上无法处理故障诊断问题中的不确定性因素。为此, 近年来提出了计及保护和断路器动作不确定性的模糊Petri网 (fuzzy Petri net, FPN) , 求解电力系统故障诊断问题。文献[9]提出了一种基于模糊Petri网的故障诊断模型以处理保护和断路器动作的不确定性, 具有快速、高容错和能够并行处理等优点;文献[10]发展的基于模糊Petri网络的诊断方法计及了保护和断路器动作的时序属性, 能够在一定程度上对不完备的动作信息进行纠错;文献[11]发展了一种基于方向性加权模糊Petri网的诊断方法, 对母线和线路可能发生的各类故障蔓延方向分别建模, 并采用加权方式描述不同的保护和断路器动作对诊断结果的影响;文献[12]提出的模糊推理Petri网模型, 通过对不同的情景进行聚类推理来降低模型矩阵的规模, 以提高诊断速度;文献[13]采用时序Petri网处理警报信号的时间特性, 但方法比较复杂。

上述基于模糊Petri网的故障诊断模型多数考虑了保护与断路器动作的不确定性或保护与断路器发生误动及拒动的可能性。然而, 这些故障诊断模型在下述方面考虑得尚不够全面: (1) 没有充分利用警报信号时间特性对实际系统中短时上传的海量信息进行有效筛选; (2) 部分现有相关文献尚未充分利用元件故障、保护动作、断路器跳闸之间的延时约束特性, 对于一些复杂故障有可能得不到明确的诊断结果; (3) 有些文献利用的故障信息比较局限, 如仅利用保护和断路器的动作信息, 这样在保护和/或断路器警报发生误报、漏报的时候就可能得到错误的诊断结果。

在上述背景下, 本文提出基于多源信息的延时约束加权模糊Petri网故障诊断模型, 利用电气量信息、保护动作信息和断路器动作信息进行故障识别, 并利用这3类信息的时序属性对警报进行分析。所发展的诊断模型考虑了故障时电气量的变化、元件动作的逻辑关系、电气量的时序属性、元件故障和保护动作之间以及保护动作和断路器动作之间的延时约束、保护和断路器动作不确定性、主保护与近/远后备保护和断路器对诊断结果的影响程度。

具体地讲, 本文主要做了下述两个方面的研究工作。

1) 采用广度优先搜索确定故障区域, 对可疑故障元件建立电气量判据、保护和断路器判据, 并根据逻辑关系对故障情况进行反向推理寻径, 建立基于多源信息的延时约束加权模糊Petri网故障诊断模型。

2) 针对故障诊断推理过程, 提出了库所通路、累积延时约束概念, 以分析警报信号的时序属性, 并对警报进行筛选和纠错。在判断可疑故障元件是否符合延时约束及其故障置信度时, 均采用矩阵计算进行分析, 计算过程简单, 速度快。最后, 采用逆向推理来判断保护与断路器的误动和拒动情况。

本文所构造的基于多源信息的延时约束加权模糊Petri网故障诊断模型利用事故多种信息, 能够处理复杂故障以及有保护和断路器误动/拒动、警报信息不完整/畸变的情况, 并可以识别出保护和断路器的误动与拒动情况。最后, 采用IEEE 39节点系统和贵州兴仁变电站实际故障案例对所发展的故障诊断模型与方法进行了验证。

1 基于多源信息的诊断判据

电力系统发生故障时, 会有许多征兆出现。首先, 体现在电气量上, 例如节点电压、支路电流或功率等发生变化;然后, 保护装置会对变化的电气量进行判断, 生成保护动作信号, 继而跳开相应的断路器以隔离故障。

1.1 电气量判据

1.1.1 母线发生故障时的电气量判断依据

母线电流分布情况如图1所示。

根据基尔霍夫电流定律可知母线电流为[14]:

当母线b发生故障, , 其中Ib_set为母线短路故障的电流限值。故可定义母线发生故障时的电流判据vI为:

式中:下标A, B, C分别表示三相;∨表示或逻辑关系。

当母线b故障, 为母线b故障后的电压, Vb_set为母线短路故障的电压限值。故定义母线发生故障时的电压判据vV为:

1.1.2 线路发生故障时的电气量判断依据

线路电流分布情况如图2所示。

从理论上讲, 当线路l故障时, , 其中分别表示线路l靠近母线b1和b2两端的电流。然而, 考虑到长线路的对地电容, 的绝对值一般不会相同, 但可根据二者是否反向来判断, 即。这样, 可定义线路发生故障时的电流判据uI为:

系统发生故障时电压会发生突变。正序故障分量可以有效表征对称和不对称故障[14], 故可提取正序故障分量情况进行电压判定。对于线路故障 (即故障点F在线路上) 、线路非故障 (即故障点F在线路外) 两种情况的正序故障附加网络如图3和图4所示[15]。图中:α为母线b1到故障点F的距离占总线路长度的比值;Zl (1) 为线路l的正序阻抗;Zb1 (1) 和Zb2 (1) 分别为线路l在母线b1侧和母线b2侧的系统等效正序阻抗;V·f (1) 为正序电压源;Rf为过渡电阻。

线路l在母线b1侧的计算电压可以通过线路l在母线b2侧的测量电压以及线路参数计算得到[15], 反之亦然。图5和图6分别表示线路故障和非故障两种情况下计算电压与测量电压的关系。

由图5和图6可以看出, 当线路l故障时, ;当线路l非故障 (即故障点F在线路外) 时, 。故可定义线路发生故障时的电压判据uV为[15]:

1.2 保护和断路器判据

母线和线路都有与其符合动作逻辑的保护与断路器相匹配。这里假设每条母线配置了主保护和相连线路上的后备保护, 每条线路两端各配置了主保护、近后备保护和远后备保护。

1.2.1 母线发生故障时的保护和断路器判据

当母线发生故障时, 母线主保护应该动作, 并开断相连线路上靠近该母线侧的断路器;若主保护拒动, 则由该母线位于相邻线路非靠近该母线侧上的后备保护动作, 并开断该处的断路器。

1.2.2 线路发生故障时的保护和断路器判据

当线路发生故障时, 线路两端主保护应该动作, 并开断线路两端断路器;若主保护拒动, 则由该线路的近后备保护动作, 并开断线路两端断路器;若主保护、近后备保护都拒动, 则由该线路位于相邻线路上的远后备保护动作, 并开断相关断路器。

2 多源信息的时序特征

时序特征是警报信息的一个重要属性, 其反映电力系统保护装置的选择性和时间特性。电力系统发生故障时, 故障母线或线路上的保护装置会根据所设置的整定值与时限特性切断故障元件, 隔离故障。而这其中的时序特征在电气量变化上亦有所体现。

2.1 保护和断路器的延时区间

不同保护所设定的动作时限保证了保护动作的选择性。保护动作顺序依次为主保护、近后备保护和远后备保护。定义主保护、近后备保护、远后备保护相对于故障时刻的延时区间 (单位为ms) 分别为[16]:

式中:下标mr, pr, sr分别表示主保护、近后备保护和远后备保护。

定义主保护、近后备保护、远后备保护对应的断路器相对于保护动作时间的延时区间 (单位为ms) 分别为[16]:

式中:下标mc, pc, sc分别表示主保护、近后备保护和远后备保护对应的断路器。

本文利用保护和断路器的时序特征对警报中的保护与断路器信息进行纠错、筛选, 剔除在延时区间外的保护和断路器信息, 从而提高故障诊断的准确率。

2.2 电气量判据的延时区间

母线故障发生后, 故障母线对应的电流判据vI=1, 直到断路器动作切除故障时vI=0;故障母线对应的电压判据vV=1, 直到母线恢复正常运行时vV=0。线路故障发生后, 故障线路对应的电流判据uI=1, 直到断路器动作切除故障时uI=0;故障线路对应的电压判据uV=1, 直到断路器动作切除故障时uV=0。所以, 这4个电气量判据的截断时间点 (此时状态值由1变为0) 相对于故障时刻的延时区间 (单位为ms) 可分别由式 (12) —式 (15) 描述:

式中:trestore为理论上母线恢复正常运行的时间, 鉴于本文利用的是vI与vV判据在同一延时区间的状态, 故可取trestore=1 200ms这样足够大的数据。

本文利用母线与线路的电流和电压判据时序属性对警报中的电气量信息进行纠错、筛选, 剔除在延时区间外的电气量判据, 以提高故障诊断的准确率。除此之外, 在有效延时区间出现的母线电流判据、母线电压判据、线路电流判据、线路电压判据情况还可以用来对误报和漏报的断路器信息进行校正。若在同一延时区间出现vI与vV (或uI与uV) , 而在该区间内无相应断路器动作信息, 则可判断断路器动作信息丢失;若在某区间出现了断路器跳闸信息但没有出现相应的vI与vV (或uI与uV) , 则可判断断路器跳闸信息为误报。

3 延时约束加权模糊时序Petri网的数学描述

3.1 延时约束加权模糊时序Petri网定义

定义延时加权模糊时序Petri网为一个十一元组:

式中:P={p1, p2, …, pn}, 为库所集, n为库所数;T={t1, t2, …, th}, 为变迁集, h为变迁数[17];I:P→T为反映库所到变迁的映射, I= (δij) , 为n×h阶矩阵, 当pi是tj的输入时δij=1, 否则δij=0, 其中i=1, 2, …, n, j=1, 2, …h;O:T→P反映变迁到库所的映射, O= (γij) , 为h×n阶矩阵, 当pj是ti的输出时γij=1, 否则γij=0, 其中i=1, 2, …, n, j=1, 2, …, h;Acc= (acc_ij) , 为n×n阶矩阵, 表征一般库所到达目的库所的通路, 当pi的库所通路经过pj时aij=1, 否则aij=0;ΔTmin=[Δτ1min, Δτ2min, …, Δτnmin], 为库所与前置变迁的最小延时约束矩阵;ΔTmax=[Δτ1max, Δτ2max, …, Δτnmax], 为库所与前置变迁的最大延时约束矩阵;U=[μ1, μ2, …, μh], 为变迁的置信度向量;Thre=[λ1, λ2, …, λh], 为变迁的点火阈值向量;W=diag (w1, w2, …, wn) , 为输入弧的权值矩阵, 反映前提条件对规则的影响程度, 其取值与库所表征的事件类型相关;M=[α (p1) , α (p2) , …, α (pn) ], 为库所置信度向量, α (pi) 表示库所pi的置信度。

3.2 加权模糊Petri网的图形表示

如图7所示, 加权模糊Petri网[9]可通过库所节点P={p1, p2, …, pn}、变迁节点T={t1, t2, …, th}和有向弧表示, 用于研究状态不确定性问题。其中, 考虑了输入弧权值、库所置信度、变迁置信度、概率值的变迁过程等。

在加权模糊Petri网模型的基础上考虑库所间的延时约束, 能够提高模型的容错性和精准性。

3.3 变迁时序约束推理分析

变迁t∈T的前向集和后向集分别定义为·t={pδpt=1}, t·={pγtp=1}, 其中δpt=1表示存在库所p到变迁t的映射, γtp=1表示存在变迁t到库所p的映射。

元件库所的动作延时约束[18]是对连接在同一个变迁t两侧的两个库所 (相继动作) ·t和t·的延时区间Tt·=[τ·t min, τ·t max]和Tt·=[τt·min, τt·max]进行关联约束, 即ΔTt=[Δτt min, Δτt max], 体现在这两个元件库所的连接变迁上, 如图8所示。

1) 前向推理:已知Tt·和ΔTt=[Δτt min, Δτt max], 可得元件库所·t的后继元件库所的动作延时约束:

2) 后向推理:已知Tt·和ΔTt=[Δτt min, Δτt max], 可得元件库所t·的前驱元件库所的动作延时约束:

3.4 加权模糊时序Petri网的推理分析

以图7为例, 若库所置信度α (p1) ≥λt1且α (p2) ≥λt1, 变迁t1点火, 库所p3的置信度为α (p3) = (α (p1) w1+α (p2) w2) μ1, 其中w1+w2=1。若α (p3) ≥λt2, α (p4) ≥λt3, 变迁t2和t3点火, 因变迁t2和t3的输入弧权值均为1, 库所p5的置信度即为α (p5) =max{α (p3) μ2, α (p4) μ3}。

在加权模糊时序Petri网的推理过程中, 需要同时考虑延时约束。假设A, B, C均为h×n阶矩阵, 而D为h×q阶矩阵, E为q×n阶矩阵, 定义各算子如下。

1) 加法算子:C=AB, 则cij=max (aij, bij) 。

2) 比较算子则当aij≥bij时cij=1, 否则cij=0。

3) 直乘算子⊙:C=A⊙B, 则cij=aijbij。

4) 乘法算子:C=DE, 则

5) 矩阵乘法·:C=D·E, 则

加权模糊时序Petri网的推理过程用于获得一个稳定的网络状态, 即库所置信度矩阵M的值不再随迭代进行而变化的状态。首先通过延时约束对警报进行筛选。假设第k次迭代得到置信度矩阵Mk, 则获取第k+1次置信度矩阵Mk+1的推理过程如下。

步骤1:定义库所通路矩阵为Acc。根据时序约束推理分析求出库所通路对应的最小累积延时约束矩阵∑ΔTmin, 以及最大累积延时约束矩阵∑ΔTmax, 皆为n×1维向量:

步骤2:检验警报信息的时序一致性, 在此基础上对警报进行筛选。定义F=[f1, f2, …, fn]为库所的延时约束判定向量, 其中的元素表征模型库所集中相应库所是否符合延时约束, fi=1和0分别表示符合和不符合约束, 其中i=1, 2, …, n。将由警报信息中保护和断路器的延时信息和给定的过渡库所 (将在5.1节述及) 的延时信息所构成的向量ΔTmesmin和ΔTmesmax与延时约束进行比较, 可得:

式中:的非逻辑关系。

步骤3:根据电气量判据与断路器判据的延时区间相关性, 对断路器信息进行校正。之后, 根据警报信息里的电气量判据、保护判据, 以及修正的断路器判据给定初始状态M0, 并令k=0。

步骤4:计算输入弧的权值。

步骤5:计算变迁的合成输入可信度。

步骤6:将变迁的合成输入可信度与阈值进行比较, 得到满足激活条件的变迁集合。

步骤7:计算可使变迁激活的合成输入可信度。

步骤8:计算库所第k+1次推算的Mk+1。

步骤9:若Mk+1=Mk, 则Petri网的置信度矩阵是稳定的, 否则令k→k+1, 返回步骤4。

4 故障诊断模型的整体框架

这里将基于加权模糊时序Petri网的故障诊断过程分为如图9所示的4个层次: (1) 确定停电区域 (故障区域) ; (2) 建立元件故障诊断模型; (3) 基于矩阵计算的推理; (4) 保护和断路器动作评价。

5 基于Petri网的故障诊断模型

电力系统中的元件发生永久故障后, 相关的保护和断路器动作, 形成一个或多个停电区域。以其中的可疑故障元件集为对象, 搜寻与故障母线或线路关联的所有保护和断路器的集合;根据故障诊断规则, 反向推理寻径找出该可疑元件的可能故障路径, 并对其构建多源信息延时约束加权模糊Petri网模型, 正向推理计算该可疑元件故障的可能性/真实度。

5.1 母线和线路的多源信息延时约束加权模糊Petri网故障诊断模型

对图10所示的IEEE 39节点系统建模。CB (4) -14表示线路L4-14靠近母线B4侧的断路器, 依此类推。以母线B14为例, 其配置了主保护RB14m以及连接线路的远后备保护R (4) -14s, R (13) -14s, R14- (15) s;以线路L4-14为例, 其配置了主保护R (4) -14m和R4- (14) m, 近后备保护R (4) -14p和R4- (14) p, 远后备保护R (3) -4s, R4- (5) s, R14- (15) s, R (13) -14s。这样, 可得到母线和线路的诊断模型, 分别如图11和图12所示。其中, 图11和图12中的库所pi (i=1, 2, …, 10) 为过渡库所, 无物理意义;若变迁的输入为过渡库所, 则该变迁为过渡变迁。

所发展的故障诊断模型考虑了故障电气量判据、保护判据、断路器判据, 以及它们的时序属性 (延时约束) , 而由图11和图12所示模型可以看出电气量判据、断路器和保护库所都是通过变迁直接到达母线和线路库所的, 这样式 (19) 和式 (20) 中断路器库所的ΔTmin和ΔTmax赋值应该为按照3.3节介绍的前向推理所求得的相对于故障发生时刻的延时约束。

5.2 参数确定方法

在构建了故障诊断模型之后, 下一步就是基于矩阵运算的推理, 其与基于模糊规则的模糊推理是一致的。参考3.4节介绍的加权模糊时序Petri网推理过程, 代入式 (19) —式 (26) 进行计算分析。其中, 有关参数确定如下。

1) 变迁输入弧权值

诊断母线/线路是否发生故障, 本文中其主要取决于电气量判据和保护/断路器判据两方面, 令二者权值皆为0.5。母线/线路的保护/断路器判据, 要考虑主保护、近后备保护和远后备保护不同的影响程度及其与相应断路器的配合。对保护库所、断路器库所到变迁的两条输入弧分别赋予权值, 如表1所示[19]。

注:“—”表示无此数据, 下同。

2) 置信度初始值的给定

对保护和断路器警报所对应的库所, 给定其置信度初始值, 如表2所示[11]。

考虑到接收到的警报信息可能是错误的或不完备的, 对于不在警报中的电气量判据、保护和断路器置信度均设置为0.2。从容错性角度出发, 设置变迁的置信度为0.95, 变迁阈值为0.2, 过渡库所置信度为1, 过渡变迁阈值为0, 过渡变迁延时为0[11]。

6 故障诊断模型的适应性与容错性

6.1 网络拓扑变化情况下的适应性

本文发展的多源信息延时约束加权模糊Petri网模型, 在有新增母线或现有母线退出运行的情况下, 只需增加或删除相关母线的模型, 就能针对网络拓扑变化快速做出修正。对于线路模型, 情况与母线模型类似, 但考虑到一条线路同时可能还负责相关母线或线路的后备/远后备保护, 当有新增线路或现有线路退出运行时, 不仅需要增加或删除该线路的模型, 还需要对相应母线和线路的后备/远后备保护进行调整, 即增加或删除相应保护子模型。所发展的故障诊断模型能够快速适应网络拓扑变化, 计算效率高。

6.2 警报信息不正确情况下的容错性

所建立的多源信息延时约束加权模糊Petri网故障诊断模型利用警报信息里的电气量判据、保护判据、断路器判据及其之间的时序属性对警报进行筛选, 并分析候选故障元件的置信度, 能够计及保护和断路器的误动/拒动情况, 在警报信息误报或者丢失等情况下具有较好的容错性。此外, 根据元件、保护、断路器的配置关系和动作逻辑, 采用反向推理可以判别保护和断路器的误动/拒动情况。

7 数值算例

7.1 IEEE 39节点系统

以图10所示的IEEE 39节点系统为例来验证所发展的故障诊断模型。假设收到带时序的警报信息:电气量判据vI_B14=1 (721 ms) , vV_B14=1 (739ms) ;保护RB14m (20ms) , R (4) -14s (750ms) , R14- (15) s (371 ms) 动作;断路器CB (14) -15 (73 ms) , CB (14) -13 (81ms) , CB (4) -14 (87ms) 跳开。

7.1.1 故障区域识别

基于所收到的警报信息, 通过广度优先搜索确定故障区域, 如图13所示, 则可能的故障元件为B14和L4-14。

7.1.2 对故障区域中的各元件建模

采用第5节所述方法, 建立母线B14和线路L4-14的加权模糊时序Petri网故障诊断模型, 分别如图11和12所示。

7.1.3 基于矩阵运算的推理分析

根据3.4节加权模糊时序Petri网的推理分析, 构造相应矩阵进行推理运算。

1) 母线B14 (具体推理过程详见附录A)

首先, 根据延时约束对收到的警报进行筛选, 得到库所通路所对应的最小和最大累积延时约束向量分别为:

之后, 检验时序的一致性。将警报信息中的电气量判据、保护和断路器延时信息向量ΔTmesmin和ΔTmesmax与延时约束进行比较, 得到满足约束的保护和断路器判定向量 (fi=0表示相应警报信息不满足约束) :

这样, 经延时约束筛选后的有效警报信息为:电气量判据vI_B14=1 (721ms) , vV_B14=1 (739ms) ;保护RB14m (20 ms) 和R (4) -14s (750 ms) 动作;断路器CB (14) -15 (73ms) , CB (14) -13 (81 ms) , CB (4) -14 (87 ms) 跳开。

Petri网模型的库所集为:

变迁集为:

给定Petri网模型中的库所初始状态为:

第1次迭代/推理后得到的库所状态为:

第2次迭代/推理得到的库所状态为:

第3次迭代/推理得到的库所状态为:

第4次迭代/推理得到的库所状态为:

由于第3次和第4次迭代/推理后的结果相同, 求解过程结束, 母线B14发生故障的置信度为0.721。

2) 线路L4-14

同理, 建立线路L4-14的多源信息延时约束加权模糊Petri网故障诊断模型, 并对其故障概率进行推理, 得出线路L4-14发生故障的置信度为0.283, 具体推理过程详见附录B。

基于上述结果, 可以判定故障元件为母线B14。

7.1.4 保护和断路器动作评价

由逆向推理可知, 在母线B14故障后, 主保护RB14m动作, 触发断路器CB (14) -15, CB (14) -13, CB4- (14) 跳闸, 而断路器CB4- (14) 拒动, 故相应后备保护R (4) -14s动作跳开断路器CB (4) -14。评价结果为断路器CB4- (14) 拒动。

7.2 与现有方法比较

为了更好地验证所发展的故障诊断模型, 在附录C中对多种故障场景作了测试。此外, 也用文献[9]和文献[10]的方法对这些故障场景进行了诊断, 3种方法利用的信息源如表3所示。附录C列出了采用这3种方法所得到的案例诊断结果。

诊断结果表明, 与文献[9]和文献[10]的方法相比, 本文所提出的基于多源信息的故障诊断模型由于在计算可疑元件的置信度时考虑了电气量判据、保护和断路器判据以及相关的时序属性, 在有大量警报信息涌入、时标有差错以及保护、断路器发生误动或拒动情况下仍然能够比较准确地诊断故障, 且速度快。

7.3 贵州兴仁变电站实际故障案例

以图14所示的贵州兴仁变电站实际故障案例, 进一步说明所提诊断模型和方法的可行性与有效性。

2010年4月25日18:08兴仁变电站500kV金换线发生故障, 收到的电气量信息可整理为:电气量判据vI_金换线=1, vV_金换线=1。收到的保护和断路器动作信息为:金换线金州变电站侧主保护、金换线兴仁变电站侧主保护, 以及兴仁变电站断路器5013, 5023, 5033, 5041, 5043, 5063, 5073, 5083, 金州变电站断路器5051和5052动作。

首先, 采用广度优先搜索判定故障区域, 其中可疑故障元件为金换线和兴仁站500kV 2号母线。由于篇幅限制, 对金换线和兴仁站500kV 2号母线所构建的Petri网模型见附录D。采用这些Petri网模型可计算得到:金换线故障的概率为0.780, 兴仁站500kV 2号母线故障的概率为0.219, 因此判定金换线为故障元件, 这与实际故障情况相符。并且由故障诊断结果可知, 兴仁站500kV 2号母线没有发生故障, 其相连的所有断路器断开是由于兴仁站断路器5043失灵保护动作所导致的。

采用该实际故障案例来分析本文发展的故障诊断模型的容错性。测试了下述3种情况: (1) 假设与金换线相关的某一断路器跳闸警报丢失; (2) 假设两个断路器跳闸警报丢失; (3) 假设金换线一侧主保护动作警报丢失。这3种情况下计算得到金换线故障的概率分别为0.752, 0.721, 0.690。可见, 在考虑警报信息丢失的情况下, 计算得到的金换线故障概率仍较大, 可见故障诊断模型具有较好的容错性。

8 结语

在现有电力系统故障诊断模型的基础上, 本文发展了一种能够计及故障后电气量变化、保护动作和断路器跳闸, 以及它们之间的时序属性, 并能够容纳警报信息不正确的基于多源信息的加权模糊Petri网故障诊断模型。其中, 置信度计算与延时约束分析均通过矩阵计算进行, 简捷快速。首先, 采用广度优先搜索方法识别停电区域, 从而确定候选故障元件;之后, 对候选故障元件进行反向寻径, 建立故障诊断模型。通过对收到的警报信号进行时序一致性分析, 从而筛选出有用警报, 进一步缩小可疑元件范围。将故障诊断过程刻画为Petri网中变迁激活与库所托肯转移的动态过程, 采用矩阵运算确定候选故障元件的置信度, 从而确定故障元件。在此基础上, 采用逆向推理判断保护和断路器的误动与拒动情况。最后, 通过IEEE 39节点系统和贵州兴仁变电站实际故障案例的诊断结果表明, 所发展的方法能够处理保护和断路器有不正确动作以及警报信息有误的复杂故障情况。

附录见本刊网络版 (http://aeps.sgepri.sgcc.com.cn/aeps/ch/index.aspx) 。

Petri网故障模型 篇3

Web服务是一种新型的Web应用程序。随着Web服务技术日趋完善, 利用Web服务组合满足应用需求成为可能。现有的Web服务组合标准BPEL4WS[1]、WSCI[2]等都是基于XML的Web服务组合描述语言, 为描述Web服务组合流程制定了语法规则, 主要依靠设计人员的经验完成组合服务的创建。由于没有流程建模和验证过程, 流程设计者水平决定了流程正确与否。用手工方法进行Web服务组合分析和验证已经变得非常复杂, 且工作效率低, 因此研究利用工具对Web服务组合进行建模, 进而进行分析、验证和仿真成为当前研究的热点。在文献[3]中提出了基于一般Petri网Web服务组合代数, 通过将操作符直接映射到Petri网结构来表达组合操作符的形式语义。任何以该代数结构表达的Web服务组合都能转换成对应的Petri网描述。这种方法能够对服务组合进行验证, 确保组合Web服务逻辑正确性。然而一般Petri网不能精确表达Web服务的数据流。文献[4, 5]中提出了一种方法:借鉴模型驱动体系结构MDA (model driven architecture) 的思想, 用UML活动图模型来描述Web服务组合, 可产生以不同组合语言表示的可执行规范描述。该方法利用扩展的UML来描述Web服务组合, 为Web服务组合提供了一种图形化的描述方式, 但没有提供服务组合正确性验证方法。在文献[6]中给出了一个面向服务的分布式系统的设计与分析框架。该框架的基础是一个基于颜色Petri网的服务模型WSPNet, 该框架还包括一个支持组合模型建模和分析的工具集。WSPNet是描述服务组合一个较粗略的模型, 没有对流程中并行、选择、循环的具体表达做具体描述, 在文中仅针对BPEL4WS可表达的流程模式给出了模型的相应表达, 没有给出主要流程结构的WSPNet模型表达, 不独立于流程描述语言。

针对已有建模方法不独立于流程描述语言且不能全面刻画流程这两个问题, 本文结合模型驱动体系结构和形式化方法思想提出了一种描述Web服务的颜色Petri网模型, 较全面地描述服务组合流程的同时, 还能进行流程正确性分析验证。

1 Web服务组合的颜色Petri网模型

Petri[7]网是一种基于图的形式化描述模型, 用于分析离散的并发系统。由于Petri网严格的数学基础和图形化的规范语义, 在系统建模中得到广泛应用:系统建模分析, 协议分析验证等, 但也存在严重不足:无数据概念。因此在本文中利用颜色Petri网CPN (Colored Petri Net) [8]来对Web服务组合进行形式化建模, CPN中库所的托肯 (token) 是有类型的, 可是不同的数据类型, CPN不仅在描述系统静态模型方面有严格的形式化定义, 而且对系统动态行为的模拟仿真分析也具有形式化定义和描述。

1.1 Web服务的颜色Petri网模型

一个Web服务为一个 (sName, sDescription, sComponent, sModel) , 其中sName是Web服务的名称, 唯一标识该服务;sDescription是Web服务的描述信息, 包括服务功能、输入输出参数、服务质量、服务调用等;sComponent是组成该服务的组件Web服务的集合。如果sComponent={sName}表示该Web服务是一个原子服务, 否则既是一个组合服务;sModel是描述该Web服务的颜色Petri网。

定义1sModel= (∑, P, T, A, C, G, E, I) , 式中:

(1) ∑是Web服务中涉及的数据类型的集合;

(2) P为托肯非空有限库所集, 是Web服务参数的缓冲区;

(3) T=Tc∪T0为非空有限变迁集。其中Tc是普通变迁集, 是调用的Web服务集合;T0是零变迁集, ∀t∈T0不关联到任何Web服务, 不执行任何处理仅辅助流程的表达;

(4) A⊆P×T∪T×P是一有限弧集, 且P∩T=P∩A=T∩A=ϕ;

(5) C是一数据类型函数, 定义为C:P→∑, 指定库所p∈P中的托肯类型为C (p) ;

(6) G是一防卫函数, 定义为G:T→G (t) 。满足∀t∈T:[Type (G (t) ) =B∧Type (Var (G (t) ) ) ⊆∑], 指定变迁引发须满足的前提条件;

(7) E是弧A上的函数, 定义为E:A→E (a) 。满足∀a∈A:[Type (E (a) ) =C (p) MS∧Type (Var (E (a) ) ) ⊆∑, 其中p是A (a) 中的库所, C (p) MS是库所p的数据类型集上的多重集。E表示Web服务的输入、输出;

(8) I是一初始化函数, 定义为从P到一个封闭表达式I (p) , 满足∀p∈P:[Type (I (p) ) =C (p) MS]。

1.2 Web服务组合

Web服务组合由各个小粒度的Web服务相互之间通信和协作来实现大粒度的服务功能;通过有效的联合各种不同功能的Web服务, 服务开发者可以借此解决较为复杂的问题, 实现增值功能。Web服务组合包括五种基本结构:

(1) 调用 调用基本Web服务。

(2) 顺序 一个Web服务在另一Web服务之后执行。

(3) 选择 选择满足条件的分支, 执行该Web服务分支。

(4) 并行 在一个Web服务后多个Web服务同时执行。

(5) 循环 一个或者多个Web服务被重复的执行。

2 Web服务组合验证

使用形式化模型描述Web服务的目标是协助组合流程设计, 对流程设计进行分析验证, 发现流程设计中的错误。Web服务组合被表示为一个颜色Petri网后, 可利用CPN的性质来对其进行分析验证。

2.1 Web服务组合流程逻辑正确性

利用CPN建立了Web服务组合的模型后, 首先要确保组合流程的逻辑正确性。在此将CPN中的托肯都视为一种类型, 将CPN简化成普通Petri网。

Web服务组合流程逻辑正确性可使用Petri网的分析方法[11]加以分析验证。将CPN中所有托肯视为一种类型, 此过程可利用CPN Tools[9]完成, CPN Tool工具由丹麦Aarhus大学开发的CPN建模与仿真工具, 实现CPN的编辑、语法检查、状态空间分析及仿真运行等功能。

2.2 Web服务组合流程实例正确性

确保了Web服务组合流程逻辑正确性后, 通过CPN的初始化函数实例化流程, 利用CPN的动态行为定义来验证流程实例的正确性, 同时仿真流程实例的执行过程。

定义2 给定初始标识M0, 标志Mi称为是可达的, 当且仅当∃M0:Mi∈R (M0) 。

定义3 变迁绑定是定义在Var (t) 上的函数b, 满足:

(1) ∀v∈Var (t) :b<v>∈Type (v) ;

(2) G (t) <b>为“真”。

变迁t的绑定就是把变迁t的每个变量Var (t) 用合适的数值代替, 且防卫表达式G (t) <b>为真。变迁t所有绑定的集合记为B (t) 。

定义4 绑定元素是一 (t, b) 对, 其中t∈T, b∈B (t) , 所有绑定元素的集合用BE表示。

定义5 完全发生图是一有向图OG= (V, A, N) , 其中:

(1) V=[M0>

(2) A={ (M1, b, M2) ∈V×BE×V|M1[b>M2]}

(3) a= (M1, b, M2) ∈A:N (a) = (M1, M2)

其中M1[Y>M2表示:模型在标识M1步Y发生后, 模型的标识变为M2。完全发生图是由从标识M0的所有可达标识作为结点构成的图, 其有向弧线由BE元素标注。节点M1到节点M2的有向弧线标注为b, 当且仅当在绑定b时网标识实现从M1到M2的转变。完全发生图通过描述网标识的转变过程, 仿真了模型实例的动态执行。

利用CPN Tools对Web服务组合流程中变量赋值实例化流程后, 可生成Web服务组合流程对应颜色Petri网模型的状态发生图, 从而验证流程实例的正确性, 同时可仿真组合流程实例的执行过程。

3 建模实例

以行程安排服务组合为例:用户从A地到B地参加一个会议, 希望制定一个会议行程, 包括预订行程的交通方式和酒店房间。这个服务组合涉及以下7个Web服务操作: (1) getDriveTime (A, B) :查询从A到B的行车时间, 返回行车时间; (2) getFlightInfo (A, B) :查询从A到B的航班, 返回航班信息; (3) bookAirline (C, FNo, Date) :订购C航空公司日期为Date航班号为FNo的机票, 返回订票是否成功; (4) getTrainInfo (A, B) :查询从A到B的车次, 返回车次信息; (5) bookTrain (TNo, Date) :订购日期为Date车次为TNo的火车票, 返回订票是否成功; (6) getHotelInfo (B) :查询B地的酒店, 返回酒店信息; (7) bookHotel (H, Date1, Date2) :预定酒店H的一个房间, 时间从Date1到Date2, 返回预定是否成功。

该组合服务包含Sequence和Choice两种控制结构。Choice结构隐含那2种可能的执行序列, 是互斥选择结构, 其中服务 (2, 3) 和 (4, 5) 只需要执行其一即可。而服务1、6、7必须都执行。假设用户在选择交通方式上的约束为:如果两地的行车时间小于等于6小时, 就坐火车去;若两地的行车时间大于6小时则乘飞机去。该服务组合的CPN表示如图6所示。

通过CPN Tools建立会议行程的CPN模型后, 首先将行程模型中的托肯看作一种类型, 利用CPN Tools的家态、活性、公平性分析等功能可验证该行程安排的逻辑正确性。部分验证结果如图7所示, 通过验证结果可得出该流程是逻辑正确的。

接着对流程中的变量进行绑定, 实例化流程。对具体流程通过求解流程的完全发生图来分析验证流程实例的正确性。流程实例的仿真执行过程如图6表示, 可得出该流程实例是正确的。

4 总结与展望

Web服务技术日趋成熟, 利用网上共享的Web服务组合成功能更强大的增值服务可满足实际应用需求。工业界从不同角度出发已给出了多种Web服务组合描述语言, 但是这些语言仅给出了Web服务组合流程的定义, 无法验证流程的正确性。已有的Web服务描述模型不独立于具体的流程描述语言且不能全面地描述Web服务组合, 在本文中提出了一个Web服务的颜色Petri网模型, 在此基础上利用调用、顺序、选择、并行、循环基本组合结构可将Web服务组合成一个服务流程。该模型建立在颜色Petri网基础上, 能较全面描述流程, 同时还能够对流程的逻辑正确性、实例正确性进行分析验证, 最后通过建模实例说明了模型的实用性。在下一步的研究中准备将Web服务的执行时间、服务质量纳入建模中, 寻找最优Web服务组合方案, 结合不同Web服务的调度算法, 计算流程的执行效率, 提供效率最佳、质量最优的Web服务组合。

参考文献

[1] Tony Andrews, Francisco Curbera, Hitesh Dholakia, et al.Business Process Execution Language for Web Services Version 1.1.Specification[S].2003.

[2]Assaf Arkin, Sid Askary, Scott Fordin, et al.Web Service Choreography In-terface (WSCI) 1.0.http://www.w3.org/TR/wsci/.

[3]Rachid Hamadi, Boualem Benatallah.A Petri Net-based Model for WebService Composition[C]//Proceedings of the Fourteenth Australasian da-tabase conference on Database technologies, 2003:191-200, Adelaide, Australia.

[4]David Skogan, Roy Grφnmo, Ida Solheim.Web Service Composition inUML[C]//Proceeding of the 8th International IEEE Enterprise Distrib-uted Object Computing Conference, 2004:47-57, California, USA.

[5]Roy Grφnmo, Ida Solheim.Towards Modeling Web Service Compositionin UML[C]//ProceedingsOf The 2nd Intl.Workshop on Web Services:Modeling, Architecture and Infrastructure, 2004:72-86, Porto, Portugal.

[6]Xiaochuan Yi, Krys J Kochut.A CP-nets-based Design and VerificationFramework for Web Services Composition[C]//Proceedings of the IEEE In-ternational Conference on Web Services, 2004:756-760, San Diego, Califor-nia, USA.

[7] Murata T.Petri nets:Properties, analysis and applications[C]//Proc.IEEE, 1989, 77 (4) :541-580.

[8] Jensen K.Colored Petri Nets.Basic Concepts, Analysis Methods and Practical Use Volume 1, Basic Concepts[M].2nd ed.Monographs in Theoretical Computer Science.Berlin, Heidelberg, New York:Springer-Verlag, 1997.

Petri网故障模型 篇4

关键词：合同网协议,面向对象Petri网,信任度,阈值

0 引 言

在多Agent系统中,Agent内部的知识、能力、策略和任务在问题的求解过程中会动态变化,各Agent必须通过协商来达到任务求解。合同网协议就是一种非常重要的协作方式[1]。它由Randall Devis和Reid G.Smith于上世纪70年代提出。合同网协议借鉴商业活动中合同招标的运作模式,在一组Agent之间进行任务的合理分配,实现合作问题的求解。

目前,已有众多研究人员对合同网协议和合同网协议模型进行了研究,并取得了一些成果。如中科院的张海俊等结合群体智能提出的动态合同网协议[2],引入信任度以充分利用过去有用的知识,更好地适应环境及Agent能力的动态变化。华科大的宋海刚等通过增设阈值来保证参与者最终只与一个任务发起者建立正式的合同关系[3]。文献[4]采用面向对象Petri网对合同网协议进行了形式化的建模。但是,已有的合同网模型较少考虑Agent角色的可变性和通信开销等问题。本文结合目前合同网协议的研究成果,引入信任度和阈值对协议模型进行了改进。通过将Agent对象化[5],将知识的表示结构与处理方法封起来,使系统模块化,可以在不同的环境中扮演不同的角色,从而使模型具有通用性。通过信任度[2]进行有效任务分配,减少通信量,提高其处理大规模集任务的综合性能。通过阈值[3]来控制参与者收到标书的数量。

1 多Agent系统的社会组织模型

本文的协商方法是针对层次问题的求解,一组Agent通过协作完成整个任务的求解,为此先给出一种多agent系统的社会组织模型。一个具有社会性的多Agent系统由三部分组成:用户接口、系统管理者和多个Agent组。模型图如图1所示。一个Agent组是由多个Agent为协作共同完成任务而构成的。Agent组之间也存在着交互。本文主要讨论Agent组内部的交互。在Agent组中,一般存在一个起组织协调、任务分配作用的Agent,称管理者,其它的为执行任务的承包商。

2 Agent对象模型

结合多Agent系统的社会组织模型和面向对象的观点,将Agent对象化,每个对象都有自己特定的属性和方法。在多Agent系统中,一个Agent组就是一个OOPN(Object-Oriented Petri Net),由相互通信的对象和它们之间的关联关系组成。一个OOPN包含许多子网对象,即Agent对象。一个Agent对象,结构如图2所示,由四部分组成:外部接口位置、任务库、知识库和内部结构。外部接口位置包含对象所有的方法和属性、变量的全局描述,是和其他子网对象通信的唯一接口;任务库用于描述多个Agent需要共同完成的目标任务。知识库是一般性常识和知识的抽象,用来描述环境和Agent本身的状态。内部结构用Petri网描述模块内部的细节设计。Agent对象之间通过方法调用和托肯的转移进行通信。

在系统初始化的时候,为每个Agent对象生成一个唯一的标识ID,放在外部接口位置。Agent对象的内部结构是核心模块。为达到共同的目标制定调度策略并执行相应的操作,内部结构由三部分组成:输入消息处理部分、动作选择与执行部分和输出消息处理部分。输入消息处理将外部消息转化为内部消息;动作选择与执行根据内部消息选择相应的动作并执行,得到执行结果;输出消息处理根据动作的执行结果与外界进行通信。

Agent对象的形式化的描述为一个五元组:AG=(ROLE,EI,TB,KB,IS)。

ROLE为角色的集合,EI(External Interface)为Agent与其他Agent的外部接口,TB(Task Base)为任务,KB(Knowledge Base)为知识库,IS(internal structure)为内部结构。

其中,ROLE={Manager Agent,Application Agent,Free Agent}。IS定义为一个三元组IS=(IMP,TCE,OMP),IMP(In Message Process)为输入消息处理,TCE(Task Choose and Execute)为动作选择与执行,OMP(Out Message Process)为输出消息处理。

IMP,TCE,OMP 定义为一个五元组(P,T;F,W,M0),P是位置的集合,T是变迁的集合,F是弧的集合,W是弧上的权函数,M0是初始标识。

为描述方便,将任务库、知识库、信任度和阈值简化为位置,对象Agent的模型如图3所示。Agent对象的IS是任务驱动的,当一个Agent有任务需要其它Agent协助完成就发起一个会话;它又是消息驱动的,当有其它Agent的消息(外部消息)到来时,消息被输入到IMP进行处理,处理结果有两种:拒绝和接受。处理的结果作为token再次转移到EI,作为内部消息输入给TCE,接着动作选择变迁点火,下一动作位置获得token,Agent根据当前的状态和环境决定忽略或者执行动作。忽略表示一个协商过程结束,执行动作则继续应答收到的消息。在这两种情况下,更新变迁都会点火,更新Agent当前的状态。如果下一位置选择执行动作的话,则动作执行变迁点火,token的标记从内部变为外部,到达OMP,同时修改相应的信任值,Agent之间的一次通信结束。

3 合同网协议的改进模型及特点分析

3.1 合同网协议的改进模型

改进后的合同网协议模型的协商过程为:

(1) 初始化 系统初始化时,为每个agent对象生成一个唯一的标识ID,放在外部接口位置。同时为每个agent对象初始化信任值和阈值。信任值即Manager Agent对Application Agent能够完成某类任务的相信程度,阈值即一个Application Agent能够同时处理标书的最大值。

(2) 分解任务,制定标书 当一个agent有任务需要其它agent协作完成时,它的角色为Manager Agent。Manager Agent对其任务进行分解并指定标书。

(3) 确定Application Agent,发放标书 Manager Agent根据其它agent的当前信任值,确定Application Agent。若agent可信,则并向其发放标书。

(4) Application Agent投标 Application Agent收到标书后,根据当前的阈值和能力决定是否投标,并回复信息。

(5) Manager Agent确定中标的Application Agent,并发出中标通知。

(6) Application Agent执行任务,并返回执行结果。

(7) Manager Agent根据Application Agent的执行任务情况修改其信任度,同时修改本身的任务库和知识库的相应内容。

(8) 会话结束。

下面以两个agent对象,agent A和agent B为例。改进合同网协议模型如图4所示。

3.2 改进模型特点分析

改进后的模型具有以下特点:

(1) 角色可变性 在改进合同网协议模型中,某Agent可以是Manager Agent,也可以是Application Agent。Agent所扮演的角色不同,它对消息的处理,动作的选择,任务的执行都可能不一样。具有角色可变性,能适应系统功能的动态变化。如图4,当p1、p2中有托肯时,agent A为Manager Agent,t6、t10所选择执行的动作就是确定承包商Agent是否中标和修改信任度。下一个时刻,若p1中没有托肯,Agent A变为Application Agent时,t6、t10所要选择和执行的动作就是是否投标和执行管理Agent分配给它的任务。如果Agent即没有任务,因为没有收到标书,它的角色为Free Agent,知道它有任务或收到标书才更改角色。

(2) 通信量减少 根据Manager Agent对其它Agent的信任度,确定承包商变迁t2点火,向它所信任的Agent发放标书,避免了向所有的agent发放标书,从而减少了Agent之间的通信量,也有效地利用历史信息,提高了通信效率和质量。变迁t21根据Agent当前的阈值处理外部消息。若当前收到的标书小于阈值,则接收,否则拒绝。从而有效地控制了处理不必要的消息,减少通信量。

(3) 并发性 由图4可以看出,只要Agent有任务,即p1和p2、p13和p14中有托肯,变迁t1和t14可以根据需要触发多次,表明无论是哪个Agent,都可以并发地发起一个会话,为了完成共同的任务,Agent可以协商多次。

4 结束语

和传统的合同网协议模型相比,本文的改进模型虽然在一定程度上满足了系统功能和环境的动态性的要求,具有角色可变性、并发性和通信量少的特点,但该改进模型只针对友好型的多Agent系统,具有一定的局限性。对历史决策信息的利用也不够充分。这些还需要进一步研究。同时,还要进一步研究面向对象Petri网的分析方法并对该模型进行验证。

参考文献

[1]毛新军.面向主体的软件开发[M].北京.清华大学出版社,2005,6.

[2]张海俊,史忠植.动态合同网协议[J].计算机工程,2004,22(10):44-57.

[3]宋海刚,陈学广.FIPA合同网协议的一种改进方案[J].华中科技大学学报:自然科学版,2004,7(32):31-33.

[4]于振华,蔡远利,韩九强.基于面向对象Petri网的多agent系统交互协议建模[J].计算机集成制造系统,2005,11(8):1064-1068.

[5]王怀民,陈火旺.对象作为智能主体[J].电子学报,1995,23(11):105-108.

Petri网故障模型 篇5

关键词：petri网,汽车故障,检测技术

0 引言

汽车是最重要的现代化交通运输工具,是衡量科学技术发展水平的重要标志,伴随着汽车市场的不断扩大,不可避免地也带来了这样那样的汽车故障,使得汽车故障也呈现出多样化和复杂化,有的时候往往会带来误诊,误判,甚至造成返工等现象,浪费了时间和材料,造成了车主和维修企业的困扰。为此,在现代社会中,如何同时保证车主和维修企业都能获得各自的利益,真正掌握汽车的故障维修的关键,在较早的时间段内的获得正确的诊断思维方法,找出故障的原因就显得尤其的关键和重要了。

利用petri网的概念对汽车故障进行综合评判及诊断,是一种实用性比较强且比较普遍的汽车故障诊断方法,但经过时间的变迁,可以看出这种方法也存在着活动性、多样性和不明确性,针对这个情况,文章采用了改进型的petri网技术对汽车故障诊断进行综合评判,建立一套模糊Petri网模型,最后用调整后的参数结合实例对汽车故障进行诊断,通过实例证明,该这种改进的算法不仅呈现出结构清晰的故障树特点,而且智能化的特点使得对于并发性故障更能迅速地发现,结合着模糊理论,更加符合人类的认知特点。

1 模糊模式识别概述

1965年美国加利福尼亚大学L.A.Zadeh.教授首次发表“Fuzzy Sets”重要论文,奠定了模糊数学的理论基础,特点是:事物本身含义明确,但条件不明而不可预知;事物本身是模糊的。

定义1:设A是论域E上的一个集合,对于任意u∈E,令则称CA(u)为集合A的特征函数。特征函数CA(u)在u=u0处的取值CA(u0)称为u0对A的隶属度。集合A与其特征函数可以认为是等价的。

假设论域E={x}(讨论的区间),模糊集A是由隶属函数μA(x)描述,μA(x)是定义在E上在闭区间{0,1}中取值的一个函数,反映x对模糊集的隶属程度,则μA(x)描述了E中的一个模糊子集A。

定义2:设U,V为两个模糊集,则u,v的笛卡儿乘积集记为:U×V={(u,v)|u U,v V},(u,v)是U,V元素间的一种无约束搭配,若把这种搭配加某种限制,U,V间的这种特殊关系叫模糊关系R。糊关系是笛卡儿乘积集的一个子集,不是无约束的,隶属度R(u,v)表示u,v具有关系R的程度。

定义3:设:A1,A2,…,An是E中的n个模糊子集,x0为E中的一个元素,若有隶属函数μi(xo)=max(μ1(xo),μ2(xo),…,μn(xo)),则xoμi。则xo Ai若有了隶属函数μ(x),我们把隶属函数作为判别函数使用即可。

2 基于改进的Petri网汽车故障检测技术

汽车故障诊断一般都以产生式规则表示,结论的产生是由每一个规则的前提设定的,原则上用加权模糊来表示。一般用在规则的推理中,主要定义异步并行的数据,而Petri网自身带有的各种数学定义又在不断地完善中,使得它具有了自适应能力、推理能力和自主学习能力,非常适用于汽车的故障诊断中。在规则系统中含有三个术语,分别是库所(Place)、和变迁(Transition)和有向弧,应用到模糊Petri网中就可以得出,库所就是命题的可信度,变迁是确定因子,有向弧就是方向,标志着从输入库到输出库。

同上面的定义可以确定为一个六维量来代表模糊的Petri网:PFN=(P,T,I,O,F,W)。

其中,P,T,I,O,F和W分别对应于对应命题,对应规则,输入方程,输出方程,确信因子和库所到其令牌指的方程,得到如图1所示的模糊推理图。

3 实验与结果

一辆汽车正常的行驶必须要具备三个要素,分别是压缩、火花和混合气,要是其中有一个出现故障,就会导致这辆汽车不能正常的开动,现在我们来具体的分析一下:

R1:IT传感器异常p1,喷油器不工作,p3([CF])=1.0;

R2:IT传感器异常p1,火花塞不跳火,p4([CF])=1.0;

R3:IT线路异常p2,喷油器不工作,p3([CF])=0.9;

R4:IT线路异常p2,火花塞不跳火,p4([CF])=0.9;

R5:IT喷油器不工作和火花塞不跳火p4,转速信号系统异常p5([CF])=1.0;

R6:IT燃油泵及控制器电路异常p6,汽车不能正常的起动p7([CF])=1.0;

R7:IT转速信号系统异常p5,汽车不能正常的启动p7([CF])=0.9。

根据上面的模糊规则,我们可以得到如图2所示的Petri网模型。

根据上面得到的数值,可以得出

然后根据上面的算法,得出线路、转速信号和燃油泵电路三者的异常的可信度分别为0.58,0.58和0.8,最终我们可以得到汽车不能正常工作的主要原因是燃油泵的问题。

4 结束语

从上面的实例,我们可以看出改进的模糊Petri网算法能够更加有效地诊断出汽车中的故障所在,客服传统算法的不确定等特性,同时在整个算法的演变过程中引进了虚库所和虚变迁的概率,更加客观传神地可以演练出故障的原因所在,充分地利用了Petri网的特性,更能凸显出本文提出改进型算法的有效性。

参考文献

[1]纪常伟.基于故障树的汽车故障诊断系统开发[J].车辆与动力技术,2003,(01).

[2]孔繁森,董因平基于故障树知识的汽车故障诊断推理[J].汽车工程,2001,(03).

[3]张白一,崔尚森.基于Web的汽车故障检测专家系统的设计[J].长安大学学报(自然科学版),2006,(02).

[4]赵志宏.确定性故障诊断知识节点式表示技术[J].长安大学学报(自然科学版),2003,(01).

Petri网故障模型 篇6

1 模糊Petri网的产生式规则

模糊产生式规则是一种可以用相应的模糊Petri网模型来表示的IF-THEN结构的条件语句,常可以用来对模糊、不精确、不确定事物进行描述的一种方法[3]。由于模糊命题之间存在因果关系,而模糊产生式规则是确定这种关系并进行理论推导的起点。通常,模糊Petri网的产生式规则一般包含逻辑运算“与”或“或”[4],在推理过程中的效率和正确性与其类型的定义有直接关系。参考文献[4]对模糊产生式有如下3类定义,分别为:

2 模糊Petri网的模型及其推理算法

2.1 建立模糊Petri网的模型

模糊Petri网的模型表达为

其中P = (P1,P2,P3,…Pn)为库所的有穷集合,表示系统的逻辑描述;

T = (T1,T2,T3,…Tn)为变迁的有穷集合,表示系统中事件或行为的产生过程;

I:P → T表示从库所到变迁的映射,是其对应的输入矩阵;I = {Wab},Wab是逻辑量,Wab∈ {0,1},Wab= 1 表示Pa是Tb的输入,Wab= 0 表示Pa不是Tb的输入。

O: T → P表示从变迁到库所的映射,是其对应的输出矩阵,;O = {Vab},Vab也是个逻辑量,Vab∈ {0,1}, Vab= 1 表示Ta是Pb的输出,Vab= 0 时表Ta不是Pb的输出。

M0为初始标识状态,M0= (M0P1,…M0Pn), M0Pi是命题Pi的初始逻辑状态,M0Pi∈ {0,1},表示Pi的逻辑状态,i = 1,2,3…,n ,“1”表示有故障,“0”表示没有故障。

2.2 模糊Petri网的矩阵算法

当故障产生后,在传播的过程中是动态变化的。Petri网由库所“О”转移“|”有向弧“→”和托肯“·”组成[5],变迁的点火可以把静态的Petri网络的动态特性表现出来。

根据模糊Petri网的特点,由库所点火前的状态Mk得到库所Pi的下一步状态Mi + 1为

其中库所Mk的点火序列为Uk,在Petri网中,点火向量为“1”表示满足点火条件,点火向量为“0”表示不满足点火条件。当变迁满足点火条件时,托肯就会从一个库所转移到另一个库所中。由公式(1)可知

则将上式叠加代入可得

其中C为关联矩阵,用来描述Petri网间的关系,1 表示存在方向从库所到变迁的有向弧,-1表示存在方向从变迁到库所的有向弧,0为其他情况。如下所示:

3 高铁信号系统的故障动态传播过程的建模

通过对信号系统的分析,得到其Petri网模型,如图1所示。

其中轨道电路(P1),应答器(P2),TCC(P3),CBI(P4),车载ATP(P5),CTC分机(P6),RBC(P7),TSRS(P8),CTC中心(P9)。

由图1及公式(3)可知,关联矩阵C为

2条故障路径的初始标识状态分别表示为M01、M02,并且

2条故障路径的第1次点火序列分别为

U20=[0 1 0 0 0 0 0 0 0]T,并且U10,U20。将上述条件代入到公式(2)中,就可以得到这2种情况下故障传播的路径。

3.1 第1种故障情况分析

故障模式分析:轨道电路故障,会失去列车的信息编码(TCC失效)以及无法控制设备信号的动作(CBI失效),从而导致CTC分机及CTC中心无法监控列车的运行状态。

模糊Petri网的矩阵算法的分析:根据公式(2)及图1 可以计算第一次点火序列之后得到M11=[0 0 1 1 0 0 0 0 0] ,进而通过第三次和第四次点火可以得到M21=[0 0 0 0 0 2 0 0 0] ,再进行第七次点火得到M31=[0 0 0 0 0 1 0 0 1] ,则可知,P6、P9中各有一个托肯,表明CTC分机和CTC中心必然发生故障,与故障失效模式分析一致。

3.2 第2种故障情况分析

故障模式分析:应作器失效,车载ATP无法实时生成监控曲线,导致进路信息无法生成(RBC失效),进而导致临时限速(TSRS)的失效,这样会使CTC中心失效。

模糊Petri网的矩阵算法的分析:根据公式(2)及图1 可计算得到

通过以上库所中托肯的转移可知,最终P9 中有2 个托肯,表明CTC中心发生故障,这与故障失效模式分析一致。

4 结束语

Petri网故障模型 篇7

本文提出一种基于网络密集信道混叠谱功耗测试的Petri网故障诊断算法。采用路由引擎链路转发机制进行网络密集信道间歇性混叠谱频段功耗测试, 通过检测网络的负载与功耗的均衡性, 测试Petri网的能量消耗和信道传输性能, 实现故障诊断。仿真实验验证了算法的可行性。

1 Petri网密集信道模型与路由设计

1.1 网络信道模型与能量消耗参量分析

Petri网络作用一种新型的拓扑结构层节点数据分发网络, 数据发送队列通过路由引擎和链路估计器, 实现网络通信数据包的收发, 网络Sink节点实现对外界环境的线性采样和衡量, 生成一条多分簇路由链。随着网络的运行, 所有节点的剩余能量变低, 产生能量耗散和功率损失。在这一过程中, 由于路由收发节点引擎的故障, 产生数据包的碰撞和信道拥堵, 从而导致在Petri网络中产生数据丢包和通信受阻等故障。为提高网络通信的容错机能, 根本上保证通信网服务控制标准化水平和安全性能, 需要对Petri网络进行故障诊断[1]。首先设计Petri网密集信道模型, 采用在Petri网节点位置信息的路由协议设计中, 引入路由转发机制, 采用信道链路角度原理, 考虑到一个传送节点 (中间节点) S, 在对下一跳节点做出选择时, 只考虑它的相邻节点集内位置在Sink节点一侧角度估计原理, 由Sink选取簇头, 对簇头分布进行均匀间隔分布, 得到路由节点数据传输模型。

1.2 混叠谱特征分析

分析上述构建的Petri网位置信息路由信道模型可见, 在路由信道变迁和功率耗散过程中, 簇内节点在每轮向其相应的簇头发送的数据长度时, 产生能量消耗, 此时每个批次的功耗的统计特征用表示, 通过每个批次的功耗的统计特征进行路由转发, 产生不等长的间歇性密集信道, 通过对网络密集信道的混叠谱功耗测试, 实现路由表修复和网络故障诊断, 具有可行性。传统方法中, 也有通过采用混叠谱特征提取的方法进行故障诊断, 但单纯通过混叠谱叠加编码和路由收发数据统计特征分析的无法有效实现对Petri网的故障诊断, 需要进行算法改进。

2 Petri网故障诊断算法改进与关键技术描述

2.1 网络密集信道中混叠谱功耗测试算法

基于上述的路由设计和网络模型构建, 在提取到密集信道中的混叠谱特征的基础上, 采用混叠谱对能量耗散的功耗测试算法实现对网络故障的诊断, Petri网络节点能量的大小是保证整个网络生命周期的关键指标, 也是实现路由修复和故障诊断的重点。假设节点的剩余能量 () 小于某个规定的能量阈值 () 时, 将产生网络故障, 网络密集信道中混叠谱功耗测试, 由于初始路由路径中的节点因能量消耗过快而造成路由故障, 可以通过网络密集信道混叠谱特征提取的方法实现功耗测试。

2.2 故障诊断算法实现

基于上述改进实现, 基于网络密集信道混叠谱功耗测试, 实现Petri网络故障诊断, 通过上述得知, 在Petri网络进行数据包发送时, Source节点发射电路损耗的能量满足, 分别为Petri网中相邻节点模型中功率放大所需要的能量, 对信道的混叠谱功耗测试, 路由开始修复, 根据每个节点找到路径的路由协议, 传输期望值越小传输代价越少, 邻居节点收包数越优, 进而判别网络故障节点, 实现对故障节点的定位。利用混叠谱功耗测试优化算法去修复第二个低于能量阈值的节点, 依次循环, 直至初信息到达Sink节点, 混叠谱功耗低于给定能量阈值, 把产生故障的中间节点全部被替换掉, 实现对Petri网故障的有效诊断。

3 仿真实验与结果分析

为了测试本文算法性能, 验证采用基于密集信道混叠谱功耗测试的Petri网故障诊断算法在进行路由修复和故障节点定位中的性能, 进行仿真实验。Petri网络模型设计中, 共有10个簇, 每个簇5个节点, 设置链路容量为4Mbps, 延时20ms。

4 结语

在Petri网中, 网络信道密集, 在进行路由表转发和链路估计中, 会中产生间歇性混叠谱, 通过信道变迁和功率耗散, 易产生Petri网路由故障, 对其有效的故障诊断实现网络数据传输性能的提高。本文提出一种基于网络密集信道混叠谱功耗测试的Petri网故障诊断算法, 根据密集信道的多路径衰减特征, 在输出传输过程中, 由Sink选取簇头, 并取对数似然比, 得到Petri网络的故障节点的故障特征。通过提取密集信道中信号混叠谱中特征, 进行功率测试, 得到能量控制阈值, 可以实现对Petri网络故障节点修复和故障诊断。研究结果表明, 采用本文方法进行Petri网故障诊断, 故障节点定位准确, 信道中的混叠特性得到有效衰减, 有效克服了Petri网络通信的串扰, 提高了网络数据转发和通信性能。各项性能指标较传统方法优越。

摘要：Petri网在路由信道变迁和功率耗散过程中, 易产生路由引擎故障, 通过故障诊断增强Petri网的自适应性, 实现路由修复, 降低网络功耗。构建Petri网位置信息路由信道模型和能量消耗模型, 测试Petri网络路由引擎转发损耗和功率放大损耗, 把网络簇头节点帧级偏移输入相关矩阵, 构建Petri网络节点之间发射和接收信号的路由节点耦合状态方程, 优化故障特征目标函数, 在混叠谱频段实现自适应能量均衡处理。

关键词：信道,功耗测试,Petri网,故障诊断

参考文献

[1]陈洁, 姜建勋.10KV配电线路雷害事故分析及防雷措施仿真研究[J].电瓷避雷器, 2011 (4) .

[2]汤伟, 郑贵林.一种新型的雷击点定位技术[J].电网技术, 2002, 26 (10) .

[3]程万红.粮情检测系统雷击故障分析及防雷技术应用[J].粮油仓储科技通讯, 2011 (2) .