故障诊断信息量准则（通用8篇）
故障诊断信息量准则 篇1
0 引言
滚动轴承是电机、转子等旋转机械设备的重要支撑元件, 也是极易损坏的元件之一。精确提取滚动轴承的微弱故障特征, 及时对轴承各种故障类型做出诊断, 具有重要的工程意义[1,2]。
形态滤波是基于数学形态学变换的非线性滤波方法, 其核心思想是设计一个相当于滤波窗的结构元素探针, 通过结构元素探针的不断移动, 收集信号的有用信息, 进行特征描述和分析[3]。利用不同的形态学操作可以达到不同的分析效果。如胡爱军等[4]利用组合数学形态滤波器去除旋转机械振动信号的随机噪声和脉冲干扰, 罗洁思等[5]通过构造不同尺度的差值形态滤波器, 提取滚动轴承故障信号的冲击性特征, 达到解调的目的。由于差值形态滤波解调方法运算过程中只涉及加减运算, 不需要像传统解调方法对信号进行Hilbert变换、取绝对值等复杂运算, 因而有效避免了算子运算产生的加窗效应、混频效应, 同时很大程度上降低了算法复杂程度, 其在齿轮、轴承等旋转机械元件故障诊断领域的解调应用研究正在不断深入。
本文将形态滤波和最小熵解卷积相结合进行滚动轴承故障诊断, 首先通过MED对轴承故障振动信号进行降噪预处理, 然后利用差值形态滤波对降噪后的信号进行解调分析以提取轴承的故障特征频率。为达到最优的解调效果, 形态滤波解调过程中, 首先通过构造不同长度结构元素的差值形态滤波算子进行试探性分析, 然后利用峭度准则筛选出最佳形态滤波分量, 以达到最佳解调效果。应用该方法分析了滚动轴内圈故障模拟信号和实验测试信号, 说明了该方法的有效性。
1 MED原理简介
滚动轴承发生局部损伤故障时, 会产生周期性的冲击信号, 但由于传播过程和传递路径的影响, 故障信号的冲击性特征变得不明显, 最小熵解卷积的核心思想是通过解卷积过程恢复冲击信号的“确定性”。
实际采集到的滚动轴承故障振动信号可表示为[6]
式中:y (t) 为采集的振动信号;x (t) 为故障冲击信号;h (t) 为传递函数;s (t) 为噪声成分。
解卷积的目的是寻找一个最优逆滤波器w (t) , 由采集的振动信号y (t) 恢复冲击信号x (t) , 即
假设为解卷积后得到的冲击信号x (t) 的估计值, 文献[7]指出当熵值最小, 即范数最大时, 逆滤波器w (t) 为最优值, 式 (2) 变为
其中L为逆滤波器w (t) 的长度。
文献[7]归纳MED算法的具体迭代过程如图1, 其中A为序列y (t) 的L×L自相关矩阵, 图中a的表达式为
2 形态滤波
2.1 形态滤波的基本原理
数学形态学有两种基本形态函数:膨胀和腐蚀。若f (n) 为采样得到的一维待处理信号, 定义域为F={0, 1, 2, …, N-1}, g (n) 为定义在G={0, 1, 2, …, M-1}上的一维结构元素序列, 且N≥M, 则f (n) 关于g (n) 的膨胀、腐蚀运算分别定义为:
以膨胀、腐蚀两种基本运算为基础可以构造开运算和闭运算, 表达式分别为:
数学形态学的开运算可以平滑信号中的正向冲击, 闭运算能够平滑信号中的负向冲击。因此可以通过构造闭-开形态差值运算来同时提取信号的正、负冲击, 实现对信号的解调效果。闭-开形态差值运算表达式为
2.2 基于峭度准则的结构元素选择策略
形态滤波过程中由于只有与结构元素的尺寸和形状相匹配的信号基元才能被保留, 因而结构元素的形状、幅值和长度的选择是影响形态滤波效果的决定性因素。常用的结构元素有三角形、扁平型、半圆形等。虽然形状更为复杂的结构元素滤波能力更强, 但所耗费的时间更长。且文献[8]指出结构元素形状对滤波效果的影响较小, 因而本文综合考虑所分析信号的特点和计算复杂程度采用扁平型结构元素。对于扁平型结构元素, 其结构元素长度的选择对于滤波效果至关重要。较短的结构元素能够从信号中提取更多的冲击特征, 但同时会保留更多的噪声成分, 而较长的结构元素可能导致有用信息的损失。为确定合适的结构元素长度, Nikolaou, Antoniadis等[9]提出结构元素长度应约为故障脉冲周期 (T) 的0.6 倍, 并成为结构元素长度选择的经验公式, 对于滚动轴承而言, T为内圈、外圈、滚动体的故障冲击周期。本文利用峭度准则来选取结构元素长度, 将结构元素长度分别设为0.1T、0.2T…T这10 个长度, 对待分析信号进行差值滤波, 产生10个形态滤波分量, 然后筛选出峭度值最大的形态滤波分量进行幅值谱分析, 避免在结构元素长度选取过程中的偶然性误差。
3 仿真信号分析
采用文献[10]提出的滚动轴承故障模型对滚动轴承内圈故障进行模拟。具体模型为:
式中:Ak为调制幅值;τk为微小滑动系数;n (t) 为高斯噪声;fn为系统固有频率;β 为阻尼比。
本文设置采样频率fs=20 k Hz, 转频fr=20 Hz, 内圈故障特征频率fi=120 Hz, 系统固有频率fn=3 k Hz, τk服从正态分布, 标准差为转速的0.5%, 阻尼比 β=0.04, 信号中加入-9d B的高斯白噪声。仿真信号的时域波形如图2 (a) 所示, 由于存在较强的噪声成分, 时域波形的冲击性特征不明显。直接对仿真信号进行包络谱分析, 结果如图2 (b) 所示。虽然包络谱中存在与内圈故障特征频率相对应的谱峰, 但内圈故障特征频率的其他倍频成分淹没在噪声中, 不易被识别。应用MED对仿真信号进行分析, 结果如图3 所示。从中看出经过MED降噪后, 信号的冲击性特征更加明显。然后按照本文结构元素的构造方法, 进行差值形态滤波, 得到10 个形态滤波分量, 如图4 所示。分别求各个形态滤波分量的峭度值, 如表1所示。结构元素长度L=T (T为内圈故障冲击周期) 时的形态滤波分量峭度值最大, 对其进行幅值谱分析, 如图5所示。图中轴承内圈故障特征频率及其倍频成分处存在明显峰值, 且能清晰地看到内圈故障特征频率与转频的调制特征。
4 故障诊断实例
本文选用美国凯斯西储大学轴承数据中心的电机滚动轴承内圈故障数据进行分析。实验测试所用的轴承型号为6205 2RS JEM SKF。轴承节圆直径为D=39.04 mm, 钢球直径d=7.94 mm, 滚动体个数n=9, 压力角 α=0°, 转轴转频fr=28.7 Hz。则滚动轴承内圈故障特征频率为
图6 (a) 、 (b) 分别为内圈故障信号的时域波形和幅值谱。时域波形体现出一定的冲击特征, 同时噪声成分也较为明显。幅值谱中在155.3Hz处存在微小峰值, 与轴承内圈故障特征频率相对应, 猜测滚动轴承出现内圈故障。对故障信号进行MED降噪, 并以内圈故障冲击周期为确定结构元素长度的标准周期T, 进行形态滤波。产生10 个形态滤波分量, 如图7 所示。计算各个分量的峭度值, 结果如表2 所示。 当结构元素长度L=0.1T时, 形态滤波分量峭度值最大, 故对此形态滤波分量进行幅值谱分析, 结果如图8 所示。图中出现轴承内圈故障特征频率及其倍频成分, 阶数高达6 阶。图9 为轴承内圈故障信号的包络谱, 虽然也出现了轴承内圈故障特征频率, 但倍频成分中只有2 倍频较为明显。本文方法更能有效提取滚动轴承故障的冲击特征及其重复频率。
5 结论
基于MED的良好降噪效果和差值形态滤波提取冲击特征的能力, 提出基于MED和形态滤波的滚动轴承故障诊断方法。仿真分析和滚动轴承内圈故障诊断实例分析结果表明, 该方法能够有效提取滚动轴承冲击特征及其重复频率, 分析效果优于传统的包络谱分析方法, 为滚动轴承故障诊断提供一种有效手段。
摘要：针对滚动轴承故障诊断问题, 提出一种基于最小熵解卷积 (Minimum entropy deconvolution, MED) 和峭度准则形态滤波的滚动轴承故障诊断方法。该方法首先通过MED对滚动轴承故障信号进行降噪处理, 然后设计不同长度结构元素的形态滤波器对降噪后的信号进行差值形态滤波, 最后利用峭度准则筛选出峭度值最大的最佳形态滤波分量, 进行幅值谱分析提取轴承故障特征频率。应用该方法分析了滚动轴承内圈故障模拟信号和实验测试信号, 取得良好的分析效果, 证明了该方法的有效性。
关键词：最小熵解卷积,形态滤波,滚动轴承,故障诊断
参考文献
[1]陈进.机械设备振动监测与故障诊断[M].上海:上海交通大学出版社, 1999.
[2]王天金, 冯志鹏, 郝如江, 等.基于Teager能量算子的滚动轴承故障诊断研究[J].振动与冲击, 2012, 31 (2) :1-5.
[3]沈路, 杨富春, 周晓军, 等.基于改进EMD与形态滤波的齿轮故障特征提取[J].振动与冲击, 2010, 29 (3) :154-157.
[4]胡爱军, 唐贵基, 安连锁.基于数学形态学的旋转机械振动信号降噪方法[J].机械工程学报, 2006, 42 (4) :127-130.
[5]罗洁思, 于徳介, 彭富强.基于EMD的多尺度形态学解调方法及其在机械故障诊断中的应用[J].振动与冲击, 2009, 28 (11) :84-86.
[6]Lee J Y, Nandi A K.Extraction of impacting signals using blind decomposition[J].Journal of Sound and Vibration1999, 232 (5) :945-962.
[7]王宏超, 陈进, 董广明.基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取[J].机械工程学报, 2013, 49 (1) :88-94.
[8]Y.Dong, M.Liao, X.Zhang, and F.Wang, “Fault diagnosis of rolling element bearings based on modified morphological method, ”Mech.Syst.Signal Process., vol.25, no.4, pp.1276-1286, May 2011.
[9]N.G.Nikolaou and I.A.Antoniadis, "Application of morphological operators as envelope extractors for impulsivetype periodic signals, "Mech.Syst.Signal Process., vol.17, no.6, pp.1147-1162, Nov.2003.
[10]Ho D, Randall R B.Optimization of bearing diagnostic tech-nique using simulated and actual bearing fault signals[J].Mechanical system and Signal Processing, 2000, 14 (5) :763-788.
故障诊断信息量准则 篇2
液体火箭发动机泄漏故障诊断的信息融合技术
从故障诊断角度出发，分析了故障诊断和信息融合技术关系。综合现在进行液体火箭发动机检漏的`相关技术，为了弥补泄漏故障诊断信息不足等问题，提出了采用点式和红外传感器相结合的方法来探测泄漏故障引起的各种现象，概述了该领域的相关技术和实现方法，建立了基于信息融合的泄漏故障检测与诊断系统，有利于提高泄漏故障的有效性和可信度。
作 者：王建波 于达仁 作者单位：哈尔滨工业大学 214教研室,刊 名：航空动力学报 ISTIC EI PKU英文刊名：JOURNAL OF AEROSPACE POWER年，卷(期)：16(1)分类号：V430关键词：液体推进剂火箭发动机 信息融合 故障诊断 泄漏 传感器
故障诊断信息量准则 篇3
关键词：智能电网,配电网,配电自动化,故障定位,故障恢复
0 引言
配电网自动化是减少停电时间、缩小停电面积从而提高供电可靠性的重要手段。在配电网发生故障后,根据馈线终端单元(FTU)上报的信息及时准确地判断出故障区域,并采取有效措施隔离故障区域、恢复健全区域供电是配电网自动化的关键技术之一,近年来已经取得了大量的研究成果[1,2,3,4]。
由于配电设备、配电自动化系统和通信网络一般工作在户外的恶劣环境下,容易发生漏报或错报故障信息的现象,因此要实现故障自动处理必须解决非健全信息下容错故障诊断和不确定故障定位条件下的故障恢复步骤2个问题。
在非健全信息下容错故障诊断方面,研究人员分别提出了基于遗传算法[5,6]、粗糙集和神经网络[7]、模糊推理[8]、贝叶斯方法[9,10]的配电网故障不确定定位方法,具有一定的容错能力。
在配电网故障恢复步骤方面也取得了一些研究成果[11,12,13,14],例如:针对开关拒动的情况对恢复策略进行了一些改进[11]、对配电网大面积断电快速恢复过程中的开关操作顺序进行优化[12,13]、基于模糊集技术的配电网供电快速恢复方法[14]等。
上述研究成果具有一定的参考价值,但是还有必要进行更加深入系统的研究,例如:将故障信息与其他相关信息相融合后提高非健全信息下故障诊断的容错能力、故障定位不唯一条件下的故障恢复步骤和闭环配电网故障处理等。
1 非健全故障信息故障诊断
配电网非健全故障信息是指当馈线发生故障后配电自动化主站收到的各个采集装置上报的存在漏报、误报和错报的故障信息。
1.1 开环配电网故障信息
1.1.1 故障信息的漏报和误报
漏报故障信息的原因一般有:通信障碍、采集装置故障、采集装置后备电源故障、电流互感器故障、采集装置的故障电流提取方法缺陷等。误报故障信息的原因一般有:采集装置故障、电流互感器故障、采集装置的故障电流提取方法缺陷等。
设第i台开关流过故障电流但是漏报故障信息的概率为pM,i,则正确上报的概率为。设第i台开关没有流过故障电流但是误报故障信息的概率为pE,i,则不误报的概率为。pM,i一般可以取为0.1～0.2,pE,i一般可以设为0.05～0.10。
设开关i流过故障电流的估计概率为,则没有流过故障电流的估计概率为,且有:
1.1.2 开关状态估计规则
对于采用了过流脱扣或本地保护措施的情形,配电自动化系统可以根据收到的各个开关的状态及是否在故障时刻(故障时刻以变电站内10 kV出线开关保护动作时刻为准)发生了跳闸,来对故障进行辅助判断,以提高判断准确性。
但是,配电自动化系统主站收到的开关状态信息同样也会由于开关辅助接点抖动、自动化终端的电源失去或通信通道障碍等原因而出现不准确的现象,因此首先需要对开关状态进行估计或确认。
1)开关带电且处于合闸状态的判断条件
若满足下列条件之一,则可取概率(一般为0.85～0.95)估计第i台开关带电且处于带电合闸状态:①流过第i台开关的电流(或功率)显著不为0且采集值存在明显波动;②流过第i台开关的下游开关的电流(或功率)显著不为0且采集值存在明显波动;③流过第i台开关的上游开关的电流(或功率)采集值存在明显波动,并且没有在故障时刻发生明显下跌或发生下跌的跌幅比开关i流过的电流(或功率)幅度小得多。
若上述条件成立h条次,则第i台开关带电且处于合闸状态的估计概率为,有
2)开关因故障而跳闸的判断条件
若满足下列条件之一,则可取概率(一般为0.8～0.9)估计开关i因故障而跳闸:①若第i台开关存在上游开关,且流过该上游开关的电流(或功率)在故障时刻突然下跌,跌幅大约为第i台开关流过的电流(或功率)幅度;②若流过第i台开关的电流(或功率)在故障时刻突然下跌至大约为0;③收到第i台开关在故障时刻的由合变分的信息。
若上述条件成立h条次,则计算开关i因故障而跳闸的估计概率为,有
3)综合判断
当根据以上2个判断条件得到的估计结果不矛盾时,第i台开关带电且处于合闸状态的概率为PH,i,第i台开关因故障而跳闸的概率为PT,i,有
当根据以上2个判断条件得到的估计结果存在矛盾时,分别修正PH,i和PT,i,有
1.1.3 故障相关信息融合
1)开关因故障跳闸信息的融合
若第i台开关采用了过流脱扣或本地保护措施(即为“电流型”开关),当某次故障后,在配电自动化主站根据收到的信息判断出该开关因故障而跳闸的概率为PT,i的条件下,该开关流过故障电流的概率pC,i为:
在配电自动化主站无法判断出该开关因故障而跳闸的概率的条件下,该开关流过故障电流的概率pC,i为:
2)通信中断、采集装置或电流互感器故障的处理
若在某次故障时刻前后一段时期内(一般为故障时刻前20个召唤周期和故障时刻后3个召唤周期),配电自动化主站始终未收到第i台开关上报的故障信息,则应在故障诊断过程中将该开关视为不存在(即“忽视”),即原来由该开关划分出的2个区域[1](区域是由一些开关节点围成的其中不再含有开关节点的范围,相应的开关节点称为该区域的端点,在本文中区域用D表示)合并为1个区域,其先验故障概率为参与合并区域先验故障概率之和。
采集装置故障一般在故障发生前就有比较明显的特征,配电网调度人员一旦发现采集装置故障,就应将相应采集装置暂时从配电自动化主站系统中注销,在故障诊断过程中,主站就会将其视为通信中断的情形对待(即“忽视”)。
第i台开关的电流互感器故障一般在故障发生前也有较明显的特征,经配电网调度人员确认后应加以标记。在故障诊断过程中,可取。
3)开关带电合闸状态信息的融合
设第k个区域故障的先验估计概率为,当某次故障排除后,在配电自动化主站根据收到的信息判断出该区域的入点第i台开关带电且处于合闸状态的概率为PH,i的条件下,该区域故障的先验概率P(Dk)为:
在配电自动化主站无法判断出该区域的入点第i台开关带电且处于合闸状态的条件下,该区域故障的先验概率P(Dk)为:
一般情况下,可以认为各个区域故障的先验估计概率都相等。
1.2 开环故障诊断
开环配电网的故障诊断以馈线为单位。对于一条开环运行的馈线,将其上安装有采集装置且未被忽视的开关称为有效开关。若一条馈线被其上的N个有效开关划分出M个区域,其上发生故障后配电自动化主站收到的故障信息为B,有
式中:bi=1表示第i台开关上报流过了故障电流;bi=0表示第i台开关没有上报流过故障电流。
设经过信息融合后,得到的各个开关流过故障电流的证据信息矩阵为C=C,1 PC,2 … PC,N。
第j个区域发生故障时符合证据信息矩阵C的概率为P(C|Dj),有
式中:α和β分别代表第j个区域的上游电源路径上的有效开关的集合和其余有效开关的集合,分别包括该区域的入点和出点;D0表示没有任何区域故障。
一般情况下,可以认为不会在同一瞬间发生2处故障,这称为单一故障假设。
在证据信息矩阵C下,故障就发生在第i个区域的概率为P(Di|C),有
式中:δi=P(C|Di)P(Di)。
显然,对于开环配电网,非健全故障信息条件下的故障诊断结果不是唯一的,而是每个区域都有发生故障的可能,只是概率不同而已。因此,需要筛选出概率较大的可能故障区域,具体筛选方法如下:
1)将各个可能故障区域按照其故障概率从大到小的顺序排序。
2)按照故障概率从大到小的顺序提取可能故障区域,每次只提取一个可能故障区域,满足下列情况之一时终止:①已经提取的区域的故障概率之和超过阈值Ω(Ω一般可取90%～98%);②第k+1个提取的区域的故障概率低于第 k个提取的区域的故障概率的1/Ψ(Ψ一般可取10～20)。
尽管筛选出来的区域发生故障的可能性已经很高,但是在现实中,故障发生在其他区域的小概率事件仍然有可能发生。因这些小概率事件被忽视而造成的影响中的绝大部分可以通过2.3节描述的故障恢复过程得以解决,但是仍存在较少的情形会导致停电范围有所扩大,这往往是由于误报和漏报比较严重造成的,也与误报和漏报开关的分布有关。即使如此,除了有可能使个别健全区域的供电得不到恢复外,不会对运行造成任何风险。
1.3 闭环配电网故障信息
在闭环配电网中,相互连接且闭环运行的一组馈线称为一个闭环馈线组。闭环配电网的故障诊断是以闭环馈线组为单位的。
在单一故障假设下,健全故障信息条件下闭环配电网的故障定位判据为:如果流过某个故障区域的各个端点的故障功率的方向都指向该区域内部,则故障就发生在该区域;如果流过某个故障区域的至少一个端点的故障功率的方向指向该区域外部,则故障就未发生在该区域。
但是,故障后配电自动化主站收到的故障信息往往是非健全的,往往存在漏报信息和错报信息的现象。设在收到第i台开关故障功率方向信息的条件下,错报的概率为pH,i,误报的概率为pE,i,则正确上报的概率为pR,i=1-pH,i-pE,i。设在未收到第i台开关故障功率方向信息的条件下,漏报的概率为pM,i,则正确而未漏报的概率为
开关带电且处于合闸状态的判断条件只有1.1.2节中1)的①成立。开关因故障而跳闸的判断条件只有1.1.2节2)中的②和③成立。综合判断的方法与1.1.2节中的3)相同。通信中断、采集装置或电流互感器故障的处理与1.1.3节中的2)相同。开关带电合闸状态信息的融合与1.1.3节中的3)相同。
1.4 闭环故障诊断
若一个闭环馈线组被其上的N个有效开关划分出M个区域,其上发生故障后配电自动化主站收到的故障信息为:
式中:ai=1表示流过第i台开关上报的故障功率方向与参考方向相同;ai=-1表示流过第i台开关上报的故障功率方向与参考方向相反;ai=0表示没有收到故障信息。
在单一故障假设和故障信息A下,故障就发生在第i个区域的概率为P(Di|A),有
式中:ξi=P(A|Di)P(Di);
当j>0时,若收到第i个开关上报的故障信息且故障功率方向与故障发生在第j个区域内的假设相一致,有
若收到第i个开关上报的故障信息且故障功率方向与故障发生在第j个区域内的假设相反,有
若未收到第i个开关上报的故障信息,有
当j=0时(表示没有任何区域故障),若收到第i个开关上报的故障信息,有
若未收到第i个开关上报的故障信息,有
闭环配电网非健全故障信息条件下的故障诊断结果的筛选方法与开环配电网相同。
2 故障自动处理
2.1 区域的层次
定义沿着由第i个电源点向外的方向,某个开关节点到指定的第i个电源点之间的最短路径上经过的开关节点的个数再加1为该开关节点到电源点的层数。第i个电源点自身的层数为0。到第i个电源点的层数越小,称该开关节点距离第i个电源点越近,反之越远。
定义沿着由第i个电源点向外的方向,某个区域的各个端点中到第i个电源点最近的端点的层数为该区域到第i个电源点的层数,称其到第i个电源点最近的端点为第i个电源点到该区域的入点,称其余端点为该区域对第i个电源点的出点。
若一个可能故障区域被确诊为其中含有永久性故障或无永久性故障,则称该可能故障区域为确诊区域,否则称为非确诊区域。所有可能故障区域之外的区域都是无故障确诊区域。
2.2 故障自动处理原则
对于开环配电网,在正常方式下,一条馈线只有一个供电电源点,称为其主供电源点,其余可能为其供电的电源点都称为备用电源点。
对于闭环配电网,在正常方式下,一个闭环馈线组存在多个供电电源点,其中来自主网的一些电源都称为优先主供电源点,还有一些分布式电源称为候选主供电源点,与其相连但通过联络开关暂时隔离的可能为其供电的电源点都称为备用电源点。
配电网故障自动处理的原则是:
1)尽量采取主供电源点恢复供电,减少备用电源点在参与恢复过程中因合到故障点而导致跳闸扩大故障影响范围的风险。
2)按距电源点层次从小到大的顺序对各个可能故障区域进行试探性恢复,在层次相同时,按照故障可能性从小到大的顺序进行。每次只试探性恢复一个可能故障区域,若恢复成功,则排除该区域故障的可能性;若引起跳闸,则将新收集到的故障信息进行融合后重新进行故障定位并调整故障恢复步骤。
3)若遇到开关操作不成功,则重复对该开关的操作,若连续操作3次后仍然不成功,则视为开关拒动,放弃对该开关的操作。
2.3 故障自动处理过程
故障自动处理过程主要有以下步骤:
1)形成电源点队列S。对于开环配电网,将主供电源点排在最前面,然后按照负载余量从大到小的顺序排放备用电源点。对于闭环配电网,将优先主供电源点排在最前面,然后按照负载余量从大到小的顺序排放候选主供电源点,再按照负载余量从大到小的顺序排放备用电源点。从电源点队列S中取出一个电源点作为s。
2)按距s的层次从小到大的顺序对各个非确诊区域进行排序。在层次相同时,按照故障可能性从小到大的顺序排序,将非确诊区域按顺序放入队列Q。
3)若队列Q不空且元素个数大于1,则取出一个非确诊区域进行恢复,进行步骤5。若队列Q不空且元素个数等于1,则:若需要探测区分永久性故障或暂时性故障,则取出Q中的该区域进行恢复,进行步骤5;若不需要探测区分永久性故障或暂时性故障,则使该非确诊区域成为确诊故障区域,清空队列Q,进行步骤4;若队列Q已空,则进行步骤4。
4)恢复可由s恢复的确诊无故障区域供电,若引起跳闸,则将原确诊故障区域改为确诊无故障区域,并将新收集到的故障信息进行融合后重新进行故障定位,筛选出故障可能区域后作为非确诊区域,返回步骤1;否则执行步骤6。
5)若因某开关拒合或过载的原因而无法恢复该区域,则返回步骤3;若恢复成功,则该区域成为确诊无故障区域,返回步骤3;若引起跳闸,则将新收集到的故障信息进行融合后重新进行故障定位,如果筛选后没有得到新的故障可能区域,则使该区域成为确诊故障区域,使其他非确诊区域成为确诊无故障区域,清空队列Q,返回步骤3;若筛选后得到了新的故障可能区域,则返回步骤2。
6)若除了确诊故障区域之外仍存在未恢复供电区域,则执行步骤7;否则执行步骤8。
7)若S空,则执行步骤8;若S不空,则取出一个电源点作为s,返回步骤2。
8)对于闭环配电网,将可并网的电源投入后结束;对于开环配电网直接结束。
2.4 恢复供电的处理过程
恢复某个非确诊区域供电的主要思想为:
1)若恢复该非确诊区域a后会导致其他非确诊区域b也带电,则应在恢复前先分断非确诊区域b的入点开关。若某开关连续3次拒分,则放弃对该开关的操作,而尝试去分断其父开关节点。若直至某个已经处于分闸状态的开关以前的开关都拒分,则由各个拒分开关为入点的区域与待恢复非确诊区域a合并为一个不可分割的非确诊区域。
2)恢复某个非确诊区域供电的过程是令该待恢复非确诊区域的入点与配电网已带电部分之间处于分闸状态的开关都合闸。若经判断一旦恢复了待恢复非确诊区域供电后将超过s的负载极限能力,则放弃恢复该区域;若某开关连续3次拒合,则放弃对该开关的操作。
3)可由电源点s供电的确诊无故障区域恢复过程为:若确诊故障区域相对于电源点s的入点开关处于合闸状态,则分断该开关;若该开关拒分则放弃对该开关的操作,而去分断其父开关节点;若仍拒分则继续上溯,直至某个开关处于分闸状态或分断操作成功为止。恢复可由电源点s恢复的各个区域供电,若某开关连续3次拒合则放弃对该开关的操作。
3 实例
分别以一个开环配电网和一个闭环配电网为例,详细说明第1节和第2节提出的方法。
1)实例1
图1(a)所示开环配电网中,s1和s2为电源点,A～G为分段开关,H为联络开关,所有开关均为具有过流脱扣功能的断路器,D1～D9为9个区域。
开关E的采集装置的通信已经中断了32 h,因此开关E应被忽视,而将区域D9合并到区域D3,记为D3,9。
一般可以认为:
设各个开关的pM都为0.1,pE都为
假设某次故障后,配电自动化主站收到的故障信息为B=,其中开关的序号按照S1,A,B,C,D,E,H,F,G,S2的顺序排列,S1和S2分别为电源点s1和s2对应的开关。可见,故障发生在s1供电的馈线上,但是故障信息相互矛盾。
假设在此次故障信息收集期间,有2次观测到流过S1的电流显著不为0且采集值存在明显波动,则根据1.1.2中1)的条件①可以得出S1合闸且带电的概率
假设在此次故障信息收集期间,尽管没有收到开关A跳闸信息,但观测到流过其上游开关S1的电流在故障时刻突然发生跌幅大约为开关A流过的电流值的下跌,则根据1.1.2中2)的条件①可以得出开关A因故障而跳闸的估计概率
收到开关B,C,D的状态信息为合闸,但是这些开关的电流和电压遥测值都很接近0,因此可以判断出开关B,C,D处于合闸但不带电状态。
按照1.1.3节方法进行信息融合,得到各个开关流过故障电流的概率分别为:pC,S1=1-pE=0.95;pC,A=1-(1-pM)(1-PT,A)=0.865;pC,B=1-pE=0.95;pC,C=pM=0.1;pC,D=1-pE=0.95。得到各个区域故障的先验概率为:
按照1.2节方法,得出:δ0=1.52×10-5ρ;δ1=2.89×10-6ρ;δ2=1.85×10-3ρ;δ3,9=7.02×10-2ρ;δ4=3.51×10-2ρ;δ5=3.90×10-3ρ。
根据式(16),故障发生在各个区域的概率为:P(D0|C)=0.013 7%;P(D1|C)=0.002 6%;P(D2|C)=1.67%;P(D3,9|C)=63.24%;P(D4|C)=31.62%;P(D5|C)=3.51%。
Ω取93%,按照1.2节的方法筛选出可能的故障区域为D3,9和D4,假设各馈线段都采用电缆,因此没有暂时性故障的可能性。
对于故障馈线,s1是主供电源,s2是备用电源,因此S={s1,s2}。从S中取出s1作为s,则D3,9和D4同处于距离s1的第3层,但D4的故障概率较小应排在D3,9前面,即Q={D4,D3,9}。
从Q中取出D4作为待恢复的非确诊区域。为了恢复D4供电需要合开关A,会使D3,9也带电。因此,根据2.4节中的2),应先遥控分断D3,9的入点开关D。假设开关D被成功分断(如图1(b)所示),则接下来需要遥控使开关A合闸,假设实际操作后又引起开关B和A跳闸(如图1(c)所示),融合接收到的故障信息后仍判断D4故障,则表明D4为确诊永久故障区域,D3,9为确诊无故障区域。
清空队列Q,遥控开关D和A合闸,假设都操作成功,则恢复了D2和 D3,9供电。
从S中取出s2作为s,因确诊故障区域D4相对于s的入点开关C处于合闸状态,因此遥控开关C分闸,假设操作成功,则遥控联络开关H合闸,假设操作成功,则恢复了D5供电。
至此,故障恢复结束。
2)实例2
见附录A。
4 结语
非健全信息下容错故障诊断和不唯一故障定位条件下的故障恢复步骤对于配电网故障自动处理具有重要意义。本文提出的基于故障信息融合的配电网非健全故障信息故障诊断方法以及不唯一故障定位条件下的配电网故障自动恢复步骤是可行的。
附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。
故障诊断信息量准则 篇4
随着电网间联系的加强, 网架结构更加合理, 输电能力得到有效提高, 但恶劣天气、局部电网故障可能引起的事故波及范围扩大的概率也大大提高。同时, 电网在发生故障时产生的信息量大大增加, 客观上会增加电网运行人员判断事故性质、处理故障以及恢复供电所需的时间。
近年来, 国内外许多学者采用Petri网、粗糙集、基于多源信息的贝叶斯网、基于信息融合事件关联技术等方法进行电网故障诊断[1,2,3,4,5,6,7,8,9,10,11,12], 但所需故障信息较多且判据较为复杂, 距实际应用还有一定距离。许多诊断模型需要事先建立, 例如:基于贝叶斯网络、Petri网模型的构建是故障前的运行方式, 对连锁性故障模型不再适用;利用元件故障、保护动作、断路器跳闸之间的延时约束特性时, 采用的保护动作时间配合关系固定、单一, 当出现复故障时, 这一约束特性将不再成立, 对于一些复杂故障有可能得不到明确的诊断结果;利用故障信息漏报的信息量较少的情况下采用的置信区间设定, 对于保护/断路器基本正常动作, 信号也正常的简单故障, 置信区间取较大的值时可以得到理想的结果, 但对于存在保护/断路器拒动或误动、信号漏报或误报等复杂情况可能得到错误诊断结果。
本文基于广域故障录波信息采用站内设备统一建模映射、采样频率归一化、录波器采样同步等先进技术, 解决了故障录波器采样频率不同、数据同步难等关键问题, 并利用差动原理进行故障诊断, 实现了仅利用故障录波数据进行差流计算准确定位故障区域和评价保护动作行为, 并在接线图上自动推送诊断结果。电网发生故障尤其是短时间内发生多间隔同时跳闸的危急电网事件时, 无论常规变电站还是智能变电站, 运行人员均可采用此方案直观判断故障性质, 准确定位故障区域, 为事故处理提供急需的决策支持。
1 基于广域故障录波信息的故障诊断
本文提出的基于广域故障录波信息的差流计算分区如图1所示。
可以看出其差流计算区域划分分别与各间隔差动主保护范围相吻合, 因此可以准确定位故障位置并分析保护动作行为。
利用全站电流互感器 (TA) 统一标识建模技术, 故障录波通道与接线图一次设备可自动关联映射, 电网故障时, 各间隔的故障电流、区域差流计算值可在站内图上实时直观显示, 广域故障录波系统差流计算及差动主保护动作情况对照如附录A图A1所示。
基于广域差流信息的故障诊断具体流程如图2所示。
电网故障时一次系统的运行状况由安装在各自变电站内的故障录波器以高采样频率记录下来及时上送到调度端, 通过频率统一、采样同步及对应于一次系统的TA建模, 将一次系统的电流量在同一时标界面, 以输变电设备为划分区域分别计算相应差流 (制动电流也同时计算) , 正常时用于系统运行监视, 故障时作为故障诊断及故障设备定位的有效工具, 为调度员提供在线监测及故障性质判断, 以便快速恢复送电。
基于广域故障录波信息的调度端架构及其具体配置界面见附录A图A2和图A3。
2 基于广域差流的故障诊断关键技术
2.1 采样频率归一化及同步处理
电网故障录波器装置启动值低 (相对于保护启动值) , 可以长时间、高频率、全过程完整记录一次系统的各种扰动。利用高灵敏度启动值, 经过频率归一化、采样同步算法处理, 实现广域内不同故障录波器的故障数据采样频率相同、采样同步[13]。
本方案采用插值法把不同采样频率统一为同一采样频率, 对没有采样点的波形数据进行包络线方式压缩显示, 同时录波数据中只记录有效值的压缩存储部分, 进行相应处理。插值变换方法如下。
1) 采用拉格朗日插值变换, 相同采样频率的输入信号使用同一组插值系数。
2) 拉格朗日插值系数独立计算, 以便多通道插值共用。
3) 按拟合偏移系数fc计算拉格朗日插值系数, 偏移系数定义如下:
式中:fs为系统的数据采样频率;ff为系统的数据拟合频率。
4) 定义采样点的差值位移x, 其中0≤x≤1。
5) 根据拟合偏移系数fc的值域逐点调整差值位移x;选取最接近于采样点的数据点进行拟合, 使拟合结果更加精确。
fc>1时, 差值位移x=n (fc-1) -int[n (fc-1) ];fc=1时, 差值位移x=0;fc<1时, 差值位移x=n (1-fc) -int[n (1-fc) ]。其中:n为采样点编号, int表示取整计算。
广域网内不同故障录波器装置存在时钟误差, 导致录波数据不能根据采样绝对时刻实现采样同步。本方案的解决方法是找到各个录波数据中发生故障的突变点, 把这个点作为各个录波数据的对齐点。
1) 从故障录波数据第n个周期 (一般n=3, 4, …) 开始, 依次计算第n个周期与第n-2个周期有效值的差值是否大于故障突变定值, 初步判断突变点:
式中:n=3, 4, …;Sn, Sn-2分别表示故障录波数据第n个、第n-2个周期的有效值;Vset为故障突变定值。
2) 对满足以上条件的采样点进一步计算突变率是否满足下式:
式中:yi (n-1) 表示满足式 (2) 的第n-1个周期中第i个 (i=1, 2, …) 采样点和第i+1个采样点采样值的差值;yi (n-2) 表示满足式 (2) 的第n-2个周期中第i个 (i=1, 2, …) 采样点和第i+1个采样点采样值的差值。
若第n-1个周期中所有采样点均不满足式 (3) , 继续从第n个周期第1个采样点开始计算搜寻, 直至搜寻到某一采样点同时满足式 (2) 和式 (3) 则该采样点即为电网故障发生时刻, 进而利用故障突变点实现不同录波器采样数据同步。附录A图A4说明了以此原理同步的来自故障线路两侧不同步的录波信息, 同步后则可以实现两端不同录波器的故障波形在同一时标下显示。
2.2 故障录波信息与接线图设备自动映射
继电保护基础数据平台是全网一次、二次设备的数据库, 包含一次设备连接情况及二次保护配置情况。故障录波系统也是基于一次系统采样的分布式系统, 基于录波器的TA建模只需将设备关联的基础数据平台中设备TA进行一一对应的配置, 即可完成从录波通道到一次设备电流采样的对应关系, 通过TA统一标识建模这一关键环节, 将两个系统协调起来, 故障录波通道与基础数据中TA配置可自动映射, 电网故障时, 各间隔的故障电流、区域差流计算值可在接线图上实时直观显示。附录A图A5为故障录波器通道配置后站内TA对应的故障录波器电流极性的定义界面。由附录A图A6可以直观看出, 正常运行时系统潮流正常, 各差流计算分区无越限, 故障类型为母线故障, 可明显看出母线差流计算值越限。
3 基于差动原理的故障诊断方法
采用2.1节中所述故障录波采样频率归一化及同步技术, 安装在全网不同变电站 (包括常规变电站和智能变电站) 内的故障录波器故障数据采样频率相同, 采样数据同步, 为接下来进行间隔设备、区域设备的差流计算提供了前提。
电网正常运行时, 以固定时间间隔自动召唤故障录波采样并进行以输变电设备为单元的相电流差动值计算, 确保电网正常运行时差流值近似为零。电网发生故障时, 根据故障录波器上送的故障数据, 分别以电网独立设备为计算单元, 进行电网一次电流的差流计算;将差流值与差流整定值比较, 实现准确故障位置定位及保护动作行为评价。
母线、线路、变压器等不同类型电网设备的差流计算方法如下。
1) 线路设备
差动电流Icdφ=|I·Mφ+I·Nφ|, I·Mφ, I·Nφ分别为线路两侧φ相电流, φ取A, B, C, 分别表示A, B, C三相。
2) 母线设备
各支路TA的极性端必须一致, 均以靠近母线侧为正方向;母联一般只有一侧安装TA, 本系统可通过配置自动调整母联TA的极性与I母上的支路一致。
以I1·, I2·, …, In·, 表示各支路电流;以I·ML表示母联电流;以S11, S12, …, S1n表示各支路Ⅰ母刀闸位置 (取0表示刀闸分, 1表示刀闸合) ;以S21, S22, …, S2n表示各支路Ⅱ母刀闸位置;以SML表示母线并列运行状态 (取0表示分列运行, 1表示并列运行) 。
大差回路是除母联开关以外的母线上所有其余支路电流所构成的差动回路;某段母线小差回路是与该母线相连接的各支路电流构成的差动回路, 其中包括了与该段母线相关联的母联开关。
计算大差电流:
计算Ⅰ母小差电流:
计算Ⅱ母小差电流:
3) 变压器设备
变压器差动电流的计算方法[14,15]见附录A图A7及相关公式。
各设备的差流越限值整定为电网最大运行方式时因负荷不平衡、TA误差等因素导致可能出现的最大差流值, 如果差流计算值大于对应设备的差流越限值, 通过调度主站远程调整故障录波器接入间隔通道名称、TA极性及变比系数, 或者现场检查故障录波器是否已全部接入参与差流计算的设备及电流回路是否存在多点接地问题并及时进行消缺, 保证电网正常运行时所有输变电设备的差流计算值均接近于零。
电网发生故障后, 分别计算线路、母线和变压器等相关输变电设备的差流值, 通过差流值准确辨识电网故障区域, 典型应用情景如下。
1) 线路/主变间隔及该线路所连接的母线同时跳闸。
若线路/主变和母线的差流值均越限, 则故障发生在线路/主变保护TA绕组与该间隔接入母线保护TA绕组的范围交叉区, 故障点在线路/主变, 拉开母线刀闸后即可恢复母线供电。
若线路/主变差流值越限, 母线差流无越限, 则故障区域为线路/主变, 母线设备无故障, 母线保护动作行为异常, 可立即恢复母线供电。
2) 一站母线跳闸, 相邻一站主变跳闸。
若主变差流值越限, 母线差流值无越限, 则故障区域为主变设备, 母线设备无故障, 母线保护动作行为异常, 可立即恢复母线供电。
4 案例分析
案例1:某地区雷雨天气, A站220kV母差保护动作, 220kV母联200A断路器、本侧Ⅱ线213断路器跳闸;对侧B站Ⅱ线213断路器跳闸。
故障分析时, 可自主选择差流计算的相关区域、差动算法启动值及比率差动元件动作特性曲线。从附录A图A8可明显看出, 本次故障时母线差流计算值落在动作区内, 可准确判断母线发生A相接地转换为A, C两相接地故障;线路无故障, 母差动作后发远跳命令跳开线路对侧开关。
案例2:某地区雷雨天气, 电网发生故障, 220kVⅢ线两侧C相断路器跳闸, 65ms后该线路连接的运行母线跳闸, 运行于此母线的所有出线及主变、母联等间隔断路器均三相跳闸后未重合。
利用上述方案, 将故障后及时上送至调度端的故障录波数据进行综合处理, 进而分别计算母线单元和跳闸线路间隔的差流。由差流计算结果 (见附录A图A9) 可直观看出, 线路C相差流越限, 制动电流较小;而母线单元差流接近于零, 其制动电流远大于动作越限报警值, 不在母线保护动作区。因此, 可准确判定此次电网故障为线路发生区内C相接地故障;母线为区外故障, 母线保护异常动作导致该母线所有运行间隔无故障跳闸。各间隔故障电流值和差流计算值见附录A表A1、表A2。
5 结语
本文建立了基于广域故障录波信息的调度端电网故障诊断系统, 采用站内设备统一建模映射、采样频率归一化、录波器采样同步等技术, 电网正常运行状态时以固定时间间隔召唤所有故障录波器的实时电流采样值并计算各站母线、主变及线路单元差流, 其计算值应接近于零, 保证电网内每一个间隔的电流极性、变比均正确。电网故障时仅利用故障录波信息即可进行相关区域故障电流的差流计算, 并将各间隔故障电流、故障位置及诊断结果在站内图上统一直观展示, 为事故处理提供急需的决策支持。该系统在多起实际电网故障处理中准确判断故障位置, 为快速恢复供电提供了急需的决策支持, 具有较好的工程应用前景。
故障诊断信息量准则 篇5
尽管已有 大量的现 代诊断技 术应用于 电力变压 器故障诊 断中[1], 但进一步 的理论研 究和应用 结果表明 , 这些诊断 方法仍存 在许多不 足之处 : 文献 [2] 提出了一 种基于粗 糙集理论 的变压器 故障诊断 方法 ,能够较好 地处理不 完备信息 , 但故障类 别划分结 果较为模 糊 , 尤其不能 区分对多 重故障的 诊断 ; 文献 [3] 采用了信 息融合技 术来解决 变压器故 障诊断问 题 ,模糊均值 算法受样 本的分布 和初始参 数影响较 大 ; 文献 [4] 基于证据 理论的故 障诊断方 法 , 当故障样 本量发生 变化时 , 易发生信 息组合爆 炸问题 ,难以获得 准确的故 障诊断结 果 。
因此 ,在全面了 解电力变 压器故障 情况和故 障诊断相 关技术背 景的基础 上[5,6], 本文提出 基于粗糙 集优化的 电力变压 器综合故 障诊断方 法 ,提高了变 压器故障 诊断的准 确性 。 该方法既 有很高的 学术理论 价值 ,又有很高 的工程实 用价值 。
1RS优化的信息融合故障诊断模型
基于粗糙 集 (Rough Set,RS) 优化的信 息融合故 障诊断方 法是依据 粗糙集理 论本身具 有严谨的 内在逻辑 关系 , 无需对预 处理信息 进行经验 或知识积 累 , 是处理模 糊性和不 精确性问 题的较为 理想的数 学工具 。 因而利用 粗糙集理 论对电力 变压器故 障系统大 量数据进 行前期处 理 ,能够在保 留关键信 息的前提 下对故障 数据进行 最大限度 的约简 , 既去除了 大量冗余 信息 , 缩减了故 障信息的 规模 ,又保证了 变压器故 障诊断数 据的客观 性和精确 性 。 再将粗糙 集约简后 的变压器 故障数据 用于信息 融合技术 中 , 通过Dempster -Shafer证据理论 (D -S证据理论 ) 方法进行 数据融合 , 利用证据 理论实现 对非精确 信息的正 确推理 , 解决了信 息融合数 据的组合 爆炸问题 , 从而得到 精确的诊 断结果 。 其故障诊 断系统框 图如图1所示 。
通过仿真 验证了以 粗糙集为 工具 、 以信息融 合理论为基础 ,可以有效 地实现对 油浸式电 力变压器 故障信息 的检测与 隔离 。 因此 ,粗糙集和 信息融合 相结合的 电力变压 器故障诊 断方法相 比于其他 的故障诊 断方法具 有非常明 显的优势 。
2粗糙集理论的决策表约简法
2.1样本数据的选取
依据样本 数据的选 取原则 , 通过收集 华北电网 虹桥220 k V变电站多 台油浸式 电力变压 器的历史 故障数据 , 共得到近 百个样本 ,选择其中 比较有代 表性的6个样本整 理成原始 样本决策 表 , 如表1所示 , 诊断结果 对应的实 际故障类 型为 :1、无故障 ;2、低能放电 ;3、 高能放电 ; 4 、 中低温过 热 ; 5 、 高温过热 。
2.2决策表的约简
粗糙集理 论的核心 思想实质 上是在保 持其分类 能力不变 的情况下 , 通过知识 约简 , 导出问题 的分类或 决策规则 。 若用粗糙 集理论处 理决策表 时 ,则要求决 策表中的 各值均用 离散值表 示 。
本文先利 用等频率 划分离散 法对原始 决策数据 进行离散 化 , 再由粗糙 集约简法 进行故障 数据的约 简 , 等频率划 分离散法 是根据给 定的参数 将这个属 性的取值 从小到大 进行排列 , 最后平均 划分为k段 , 即得到断 点集 。
其中以C2H2/C2H4为例,经等频离散化后的结果如表2所示 。 然后再进 行样本数 据的约简 ,其结果见 表3。 表3中 ,0表示C2H2/ C2H4的属性值 落在区间 {[0.000,0.002]} 中 ,1表示其属 性值落在 区间 {[0.002 ,0.005] 、[0.005 , 0 . 007 ] 、 [ 0 . 007 , 0 . 008 ] 、 [ 0 . 008 , 0 . 051 ] 、 [ 0 . 051 , 0 . 211 ] } 中 , 2表示其属 性值落在 区间 {[0.211 ,1.131] , [1.131 ,1.165] 、 [ 1 . 165 , 1 . 210 ] 、 [ 1 . 210 , 1 . 343 ] } 中 。 其他的输 入特征矢 量的离散 化和约简 形式同上 ,在此不一 一列出 。
其中在对12种故障样 本气体含 量的比值 各自实现 条件属性 的约简后 , 若删除第K个条件属 性时的决 策属性与 未删除前 的决策属 性没有什 么不同 ,则说明该 条件属性 可以省略 ; 反之 , 该条件属 性则不可 省略 。 以此方法 对这12个条件属 性再进行 约简 , 其形成的 最终决策 表如表4所示 , 约简后的 故障特征 属性由原 始决策表 中的12个减少为 现在的5个 , 决策表规 模大大减 小 , 为下一步 的PNN网络训练 作好了优 化工作 。
3信息融合的故障诊断
D - S证据理论 可以用来 融合来自 多信息源 的相容命 题 , 并对这些 相容命题 的交集 ( 合取 ) 命题所对 应的基本 信任分配 函数赋值 。 相容命题 是指命题 之间有非 空交集存 在[7]。
设Bel1和Bel2是同一识 别框架 Θ 上的信任 函数 ,m1和m2分别是对 应的基本 概率分配 函数 , 焦元分别 是A1, … , Ak和B1, … Br, 则组合后 新的基本 概率分配 函数m = m1⊕m2, ⊕ 定义为组 合算子 :
式中 , 若K≠1, 则m确定一个 基本信任 分配函数 ; 若K=1 , 则认为m1和m2是完全矛 盾的 。
4诊断结果判定
本实验将 收集到的 油浸式电 力变压器 的100组数据作 为原始样 本 , 运用以下 两种方法 进行故障 诊断 :(1) 直接采用D-S证据理论 算法进行 信息融合 ;(2) 采用经RS优化后的 信息融合 技术进行 故障诊断 。
先以低能 放电故障 类型为例 , 对比两种 方法的融 合诊断结 果 , 如表5所示 ,m1( f1 ) 与m1( f2 ) 值相近 , 仅从D S证据理论 融合结果 不能分离 出故障传 类型 , 这是由于 直接采集 到的变压 器原始故 障数据中 存在大量 信息 ,易造成信 息融合爆 炸问题 。 而经RS优化后的D-S融合结果 中 ,m(f2) 最大 , 即该测量 数据偏离 正常值的 程度也是 最大的,充分利用粗糙集理论 约简大量冗余和互补 信息 , 并且保证关键信息 不丢失, 因而可以正 确分离出 变压器故 障类型 。 另外 ,单一D-S证据理论 融合结果 经3次融合仍 不能诊断 出故障类 型 ,RS优化后D-S融合结果 一次融合后即可正 确诊断出故障类型 , 可大大提 高故障诊 断系统的快速 性 。 将上述的100组样本数 据通过这 两种方法进 行故障诊断的结果整理 成如下的直观的状态 图。
( 1 ) 单一信息 融合技术 的故障诊 断结果
信息融合 故障诊断 结果如图2所示 , 圆圈所对 应的数值 表示该样 本经诊断 后的故障 类型序号 ,星号所对 应的数值 表示该样 本的实际 故障类型 序号 。 诊断误差 图中的误 差值0表示诊断 后的故障 类型序号 与实际故 障类型序 号相同 , 诊断结果 正确 ; 误差值2、-3表示诊断 后的故障 序号与实 际故障序 号的差值 , 诊断结果 不正确 。 最后经过 仿真发现 诊断结果 中有21个故障类 型与样本 实际故障 类型不一 样 ,其故障诊 断准确率 为79%。
( 2 ) RS优化的信 息融合故 障诊断结 果
粗糙集优 化的信息 融合诊断 结果如图3所示 , 最后经过 仿真发现 诊断结果 中只有3个故障类 型与样本 实际故障类 型不一样 ,其故障诊 断准确率 为97%。
可见 ,基于粗糙 集优化的 信息融合 的电力变 压器故障 诊断准确 率比单一 信息融合 技术的准 确率要高 ,其方法应 用于变压 器故障诊 断中 , 可以去除 大量冗余 信息 , 简化故障 诊断系统 的规模 ,且大大提 高了故障 诊断的准 确性和快 速性 。
5结束语
该研究成 果在油浸 式电力变 压器故障 诊断方面 具有广阔 的应用前 景 , 将粗糙集 理论与信 息融合技 术结合 ,利用粗糙 集在处理 模糊性和 不确定性 问题上的 优势对原 始故障数 据进行约 简 , 既不受样 本分布的 影响 ,又对不完 备信息具 有较强的 适用性 ,可在保证 关键信息 不丢失的 情况下简 化诊断网 络规模 ,增强诊断 系统的抗 干扰性 。 进而利用 信息融合 进行故障 类型分类 ,令故障特 征与故障 类别一一 对应 , 且可区分 多重故障 类型 , 使诊断网 络有较高 的准确性 和快速性 。 另外 ,将电力变 压器在线 监测技术 与故障诊 断技术相 结合 ,把在线监 测得到的 数据整合 到变压器 故障分析 中 , 能够更及 时 、 更精确地 诊断出变 压器故障 类型 。
摘要：针对现有的故障诊断技术在应用于电力变压器故障诊断中,存在的冗余信息过多、诊断结果不准确等不足之处,将粗糙集理论与信息融合技术相结合,先利用粗糙集理论对故障系统前期数据进行最大限度的约简,再采用证据理论方法对预处理信息进行融合,进而进行故障模式的分类,可简化故障诊断网络规模,且相比于单一的信息融合的诊断方法,能够更快速、更精确地诊断出变压器故障类型。其研究成果在油浸式电力变压器故障诊断方面具有广阔的应用前景。
故障诊断信息量准则 篇6
关键词：电子信息系统,故障诊断,神经网络,故障字典
目前，电子信息系统的复杂化、自动化和信息化程度越来越高，对可靠性、可维修性和技术保障能力的要求日趋迫切。系统中每一个部件发生故障都可能会产生链式反应，影响系统效能发挥或造成重大的经济损失。因此，电子信息系统的状态监测与故障诊断技术早已得到世界各个发达国家相关部门的重视[1]。电子信息系统的功能电路大部分为模拟电路，许多元件参数具有很大的离散性，即具有容差。容差的普遍存在，导致实际故障的模糊性，加大了其故障定位的困难系数[2]。因此，针对该型电子信息系统的电路原理，综合运用故障字典和神经网络相结合的故障诊断方法，研究某型电子信息系统模块级故障诊断技术，具有一定的理论意义和和重要的实用价值。同时，本文研究的成果可以推广到其他型号的电子信息系统故障诊断技术研究[3]。
1 故障诊断流程图和电路仿真
1.1 功能模块级故障诊断流程图
首先对某型电子信息系统需要诊断的电路进行仿真，然后将得到的数据建成故障字典，最后，在故障字典中找出具有典型性的故障数据作为神经网络的输入，利用BP神经网将故障定位在具体的元器件上。图1为模块级故障诊断流程图。
1.2 电路仿真
某型电子信息系统中的典型电路图如2所示。
(1)晶体管的故障模型
由于无源元器件如电阻、电容的可靠性较高，发生故障的概率较小，因此假设电路中电阻、电容均无故障，只有5个晶体管出现故障。通过对故障晶体管的分析，将其的故障表现归结为三类：内部短路、内部开路、局部击穿。考虑到以下的事实：开路的引脚不能与其他引脚短路、击穿;两个引脚开路等效于三个引脚同时开路;两个PN结短路，等效于三个引脚同时短路;将三类故障在晶体管的三个引脚、两个PN结之间进行故障组合后，可归结为21种故障类型[4]，见表1。
(2)故障近似模型
在电路仿真的过程中，对使用最多的双极型晶体管的近似故障模型进行研究，使用一种基于晶体管正常模型——GP模型为故障近似模型[5]。为使用软件进行故障模拟，下面给出晶体管的故障模型，见图3。其中故障引脚电阻RC,RB,RE为晶体管各引脚与电路相应节点间的串联电阻;故障结电阻RBC,RBE,RCE。分别为并联于晶体管某两引脚之间的电阻，用于模拟晶体管PN结的短路和击穿。
正常情况下，故障引脚电阻RC,RB,RE阻值近似为零;故障结电阻RBC,RBE,RCE阻值为无穷大。仿真时，按如下方法设置电阻阻值：
(1)某引脚开路，对应的故障引脚电阻阻值设置为无穷大，文中设置为10 000Ω。
(2)某两引脚短路，对应的故障结电阻阻值设置为0Ω(此处为理想值)。
(3)某两引脚击穿时，对应的故障结电阻阻值设置为700Ω(PN结击穿后电阻阻值一般在500～1 500Ω之间)。
(3)仿真软件
仿真软件选择的是Multisim，该软件操作简单、快捷，最主要的是它可以直接调用所需元器件，而不必近似地画出被测电路的等效电路图，使得仿真结果更加接近于真实值。
(4)仿真过程
图4为某型电子信息系统中的典型电路在软件Multisim仿真时的界面图。
2 故障字典的建立
(1)故障定义
现将图2电路中与晶体管相关的106种故障(包括正常状态F0)定义列于表2中。表中V代表晶体管，s代表短路，o代表开路，d代表击穿，b代表基极，e代表发射极，c代表集电极。例如V4ecsbed就代表第4个晶体管发射极和集电极短路，基极和发射极击穿[6]。其他故障以此类推。
(2)测试量
本电路共有106种情况，即1个正常情况和105种个故障情况。在9个测试点上共得到106×9=954个电压值。模拟图2进行仿真，所得的954个数据列于表3。
(3)删除不需要的测试点
由表3可见，节点1上的电压不提供任何有用的信息，所以将其删除。节点6和节点9上的电压完全相同，所以删除节点9。同一测试点，在两种故障现象下，被测电压之差超过0.1 V，则认为这两个故障可分离;若被测电压之差不超过0.1 V，则认为这两个故障为不可惟一隔离的模糊故障组合。通过分析表中的数据，可以看到F2与F4等均为两个不能唯一隔离的故障。
但由于它们皆与晶体管V1有关，任一故障可通过更换V1来排除，因此，无需进一步隔离的必要[7]。类似情况，经过整理就得到了一个规范标准的故障字典列于表4。
3 BP神经网络的应用
基于BP神经网络能够出色地解决那些传统故障诊断方法难以解决的问题，所以某型电子信息系统模块级故障诊断系统采用故障字典和是神经网络相结合的方法，力求准确、快速地进行功能模块级故障诊断[8]。
V
3.1 BP神经网络的故障诊断步骤
应用神经网络检测模拟电路故障的基本步骤为[9]:
(1)建立故障字典或故障状态表。应用软件模拟出对应电路的正常状态所对应得各测试点的理论值，并把它建成一个故障字典或故障状态表。
(2)建立神经网络。把故障字典或状态表中的数据作为神经网络的输入，按照电路故障特征点的数目以及所优化处理得到的故障输出类别的数目建立神经网络。
(3)神经网络的训练、学习。设定神经网络学习速度、训练方法及相关参数，对网络进行学习、训练。
(4)利用训练好的BP神经网络进行故障隔离。将电路的故障字典建立在神经网络之中，网络的输入节点由电路的可测节点决定，输出节点由故障状态的数目决定。
V
输出有多少个故障状态，输出层就选用多少个神经元，每一种故障状态对应一个相应的神经元。诊断是某种状态时对应的那个神经元被激活，输出其对应的编码。
3.2 仿真试验及结果分析
(1)本系统采用故障字典和神经网络相结合故障诊断技术研究，采用三层神经网络。通过电路的分析，选择7个关键点的电压作为神经网络的输入。选择6种故障现象作为神经网络的输出模式，因此实际的神经网络输入神经元数为7，输出神经元数为6，隐含层的单元数按照前面介绍的公式计算为9。通过分析看到，在BP神经网络的输出端应该有6个节点，分别对应1个无故障和5个故障。网络的期望输出如表5所示。
将仿真数据进行归一化处理后，以实际故障样本为网络的原始训练样本，网络输入层、隐含层和输出层节点数分别取7、9和6，系统总误差E
最后，可用仿真得到的其余数据验证神经网络的训练情况。表6为神经网络的验证数据。表7为验证数据对应的输出结果。
(2)由三层BP神经网络组成的诊断系统在进行故障诊断时，采取数据驱动的正向推理策略，从初始状态出发，向前推理，到达目标状态为止。
故障诊断推理步骤如下：
(1)将故障样本输入给输入层各节点，并将其作为该层神经元的输出;
(2)求出隐含层神经元的输出并作为输出层的输入;
(3)求出输出层神经元的输出;
(4)由阈值函数判定输出层神经元的最终输出结果[10]。
假设用Yn表示故障类型，则故障类型阈值判定函数为：
式中：Φk=0.90，当某模式下神经网络的输出大于0.90，而其他值均较小时，则可认为发生了该故障。则表7变为相应的表8。
通过表8与表5的对比，可见仿真结果与事实相符。
4 结语
本文针对某型电子信息系统的电路原理，综合运用故障字典和神经网络相结合的故障诊断方法，研究该型电子信息系统模块级故障诊断技术，具有一定的理论意义和和重要的实用价值。同时，本文研究的成果可以推广到其他型号的电子信息系统故障诊断技术研究。
参考文献
[1]徐章遂,房立清,王希武,等.故障信息诊断原理及应用[M].北京:国防工业出版社,2000.
[2]宋小安.模拟电路故障诊断的专家系统法与BP神经网络法研究[D].南京:河海大学,2005.
[3]胡昌华,许化龙.控制系统故障诊断与容错控制的分析和设计[M].2版.北京:国防工业出版社,2001.
[4]朱大奇.电子设备故障诊断原理与实践[M].2版.北京:电子工业出版社,2004.
[5]刘志海,鲁青,李桂莉.基于故障树的故障诊断专家系统的研究[J].矿山机械,2006,34(5):75-76.
[6]张翼.基于故障字典法的模拟电路印刷板故障诊断[D].南京:南京理工大学,2001.
[7]余浩章,陈新华.基于故障树的故障诊断推理新方法[J].上海海运学院学报,2001,22(3):65-67.
[8]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2003.
[9]王玉德,许振方,陈春延.基于BP算法的模拟电路故障诊断[J].电子测量技术,2006,29(6):205-206.
[10]王承.基于神经网络的模拟电路故障诊断方法研究[D].成都:电子科技大学,2005.
[11]魏江涛,陈方涛,姜美雷.BP神经网络在设备故障诊断方面的应用[J].现代电子技术,2012,35(19):131-134.
故障诊断信息量准则 篇7
准确而快速的电力系统故障诊断对调度人员及时识别故障元件、尽快恢复供电意义重大。迄今为止，已提出多种电力系统故障诊断模型和方法，主要包括解析模型[1,2,3,4]、专家系统[5,6,7]、人工神经元网络[8]、Petri网和模糊集[9,10,11]等。目前在实际电力系统中得到应用的主要是基于解析模型和基于专家系统的方法。
文献[1-4]所发展的故障诊断解析模型的基本思想是：用解析方法描述保护和断路器的动作与警报之间的逻辑关系，在此基础上构造能够反映实际警报信息与期望警报信息差异度的目标函数，之后采用优化算法求取最能解释实际警报信息的故障/事件假说。专家系统方法则利用保护和断路器动作逻辑、专家的经验知识和逻辑推理能力，国内外开发的一些专家系统在实际电力系统得到了应用。例如文献[6]发展了计及保护和断路器误动和拒动的故障诊断专家系统;文献[7]发展的警报处理与故障诊断专家系统在意大利电力公司得到应用。
电力系统发生故障时，保护和断路器有可能误动或拒动，警报信息上传时有可能出现延时、漏报或者误报等情况，这样相同的警报信息可能对应不同的故障情况。这就需要研究多种故障组合发生的可能性。因此，需要发展能够处理不确定性的电力系统故障诊断方法。在这方面，国内外已经做了一些研究工作。例如文献[1]建立了一种故障诊断的解析模型，能够处理保护和断路器误动和拒动等不确定性，但没有考虑警报信息的不确定性;文献[4]在机会约束规划的框架下建立了故障诊断的解析模型，并采用蒙特卡洛仿真法处理不确定性情况，如果故障区域中包括元件数量较多，则蒙特卡洛仿真过程需要的计算时间较长;文献[11]提出了基于时序模糊Petri网的电力系统故障诊断方法，利用了保护和断路器动作信息的时序属性来处理不确定性，但在保护和断路器动作可能出现延时及多个变电站GPS时标不同步等情况下该方法就不适用。
最近几年提出的基于信息理论的电力系统故障诊断方法能在一定程度上解决了上述不确定性，且诊断速度快，能够满足大规模电力系统在线故障诊断的要求。文献[12]在国内首次将基于信息理论的方法应用到电力系统故障诊断研究之中，建立了故障诊断的信息运动模型，并基于信息量损失最小原理，提出了适用于不确定性决策环境下的大规模电力系统故障诊断方法，但其没有考虑警报信息漏报和误报情况。文献[13]基于信息理论和技术，设计了实用化的地区电网辅助决策系统。
在上述背景下，本文以电力系统故障诊断解析模型为基础，融合信息理论，对保护和断路器动作逻辑以及它们和警报之间的信息运动进行解析，建立了基于信息量损失最小的电力系统故障诊断模型。具体而言，本文主要做了下述3个方面的研究工作：
a.在文献[12]的基础上，通过分析电力系统故障过程中的信息运动，并考虑警报信息的不确定性，建立了电力系统故障诊断的级联信道模型;
b.将信息理论融入电力系统故障诊断解析模型，并考虑电力系统故障过程中的多种不确定性，通过求解获得的各种可能发生的故障组合及其发生概率，来辅助调度人员进行决策;
c.提出了识别保护/断路器的误动/拒动和警报的漏报/误报等情况的方法，如此得到的诊断结果更加直观和全面，有利于调度人员进一步判断和决策。
本文构造的融合信息理论的电力系统故障诊断模型，充分考虑了警报信号的不确定性，具有较强的容错能力，并能够识别保护/断路器的动作行为。最后，用浙江电力系统实际发生的故障案例说明了所发展的模型与方法的基本特征。
1 故障诊断的信息运动过程
电力系统设备发生故障后，会引起相应保护和断路器动作，上传警报信息，这个过程可描述为信息运动过程，如图1所示。采用类比方法，将通信系统中的信源、信道和信宿概念[14]引入电力系统，即电力系统运行状态是广义的信源，调度中心获取的警报信息是广义的信宿，保护和断路器的动作以及警报信息的上传过程是广义的信道。利用调度中心获取的警报信息进行分析和决策，还原出电力系统真实的运行状态，就类比广义信息重建过程。
针对电力系统中警报信息具有离散概率型的特点，建立故障信息传递的级联信道模型，如图2所示。图2中的X、Y和Z均为随机向量。X表示可能的设备故障组合，其中的每个分量表示相应设备的运行状态;Y表示可能的保护和断路器的状态组合，其中的每个分量表示相应保护或断路器的动作状态;Z表示调度中心可能获取的警报信息组合。信道1的输出Y与输入X统计相关，而信道2的输出Z与输入Y统计相关，XYZ组成马尔科夫链[15]。概率pkj和概率qjl分别表示ak情况下bj出现的概率和bj情况下el出现的概率，即转移概率，由历年统计结果确定。前已述及，由于故障期间保护和断路器有可能发生误动或拒动，警报信息上传时也有可能出现漏报或误报等情况，相同的警报信息可能对应不同的故障情况。故障诊断就是根据获取的警报信息Z进行分析，确定最能解释警报信息Z的故障组合X和保护与断路器的动作状态Y。
2 基于信息理论的故障诊断模型
2.1 信息量损失
在信息具有不确定性的情况下，任何决策方案都可能引起信息量的损失，信息量损失其实就是对决策方案不确定度的量化。在信息理论中，某种决策引起信息量损失最小则信息被利用得最为充分，这种决策方案的不确定程度最低，也最为合理[16]。
2.1.1 信源信息量损失
在图2所示的信道模型中，直接计算信息量损失I(ak,bjel)有一定的困难，可引入相对信息量损失来进行决策。对于信道1的输入向量X，需要以某种具体的故障情况a0为基准。这样，在决策过程中，判断X=ak时的信源信息量损失[16]为：
其中，I(·)为单个事件所能提供的信息量;p(·)为相应事件的概率;k=1,2，…，K,K为可能的设备故障组合数目。
对于信道2的输入向量Y，决策过程中引起的信息量损失不仅与其自身有关，而且与信道1的输入向量X相关，为条件信息量损失。在决策过程中，以某种具体的保护和断路器状态b0为基准，判断Y=bj时的信源信息量损失为：
其中，p(··)为相应事件的条件概率;k=1,2，…，K;j=1,2，…，J,J为可能的保护和断路器的状态组合数目。
2.1.2 信道信息量损失
由图2可见，输出向量Z取决于信道2的输入向量Y，而与信道1的输入向量X条件统计无关，Z中无任何有关X的信息。在决策过程中，当事件Z=el、X=ak时的信道信息量损失为0;Y=bj时的信道信息量损失[16]为：
其中，I(·;·)为事件之间的互信息[14];I(·，·;·)为鉴别信息;pjl为信道的转移概率;pb0 l为基准状态b0的信道转移概率;j=1,2，…，J;l=1,2，…，L,L为调度中心可能获得的警报信息组合数目。
需要指出，这里没有对信道1的信息量损失进行说明，并不表示信道1中的信息运动不产生信息量损失。事实上，在确定信道2的输入向量Y并计算相应的信源信息量损失时，充分计及了信道1的输入向量X的影响，因此这里就不再对信道1的信息量损失做重复计算。
2.2 基于信息量损失最小的故障诊断模型
设停电区域内有nd个设备，所配置的继电保护装置有nr个，故障发生前与停电区域设备相连接的断路器共有nc个。由于保护和断路器动作警报与保护和断路器一一对应，相应的保护和断路器动作的警报个数分别为nr和nc。
以信息量损失最小为目标的故障诊断优化模型可表示为：
其中，H=[D,R,C]为故障假说;D=[d1,d2，…，dn]为停电区域的设备状态向量，di=1和di=0分别表示设备Di处于故障和正常状态;R=[r1,r2，…，rnr]为相关保护动作状态向量，ri=1和ri=0分别表示保护Ri动作和未动作;C=[c1,c2，…，cn]为相关断路器跳闸状态向量，ci=1和ci=0分别表示断路器Ci跳闸和未跳闸;R′=[r′1,r′2，…，r′nr]为与R对应的实际警报信息向量;C′=[c′1,c′2，…，c′nc]为与C相应的实际警报信息向量;D、[R,C]和[R′，C′]分别对应级联信道模型中的随机向量X、Y和Z。
根据2.1节中的信息量损失定义，将总的信息量损失分解为信源和信道信息量损失，可得：
其中，Iloss.S1为确定故障设备时的信源信息量损失;Iloss.S2为确定保护和断路器状态时的信源信息量损失;Iloss.C为信道2的信息量损失。
以所有设备无故障且所有保护和断路器无动作作为计算信息量损失的基准事件，并假设一次设备发生故障时，不同保护之间、不同断路器之间、保护和断路器之间的拒动和误动事件，以及不同警报之间的漏报和误报事件是相互独立的[17]。在计算每种决策方案的信息量损失时，可以分别计算每个设备、每个保护/断路器和每个警报引起的信息量损失，最后求和得到总的信息量损失，如式(6)—(8)所示。
其中，Iloss.S1.Di表示决策结果为D*时，设备Di引起的信源信息量损失;Iloss.S2.Ri(Ci)表示决策结果为bk时，在X决策结果为D*，前i-1个保护(断路器)状态已知的条件下，保护Ri(断路器Ci)引起的信源信息量损失;Iloss.C.r′i(c′i)表示决策结果为bk时，在前i-1个警报信息已知的条件下，警报信息r′i(c′i)引起的信道信息量损失，为条件鉴别信息。
综上，总的信息量损失可描述为：
3 故障诊断中的信息量损失计算
3.1 故障诊断中不确定性的量化
在电力系统故障诊断中，不确定性可通过设备故障的先验概率、继电保护装置和断路器的拒动/误动概率以及警报信息的漏报/误报概率来体现[17]。设备故障的先验概率可通过一次设备的年故障频率w来计算。设备在连续运行一段时间t后，发生故障的概率就是故障时间间隔为t的概率。
其中，T为设备连续无故障运行时间。
基于文献[18,19]中所给出的数据并结合所研究电力系统的实际情况，可得到保护装置拒动/误动和警报误报/漏报概率。每100 km线路的故障概率为0.098，每条母线的故障概率为0.004，保护警报的漏报与误报概率分别为0.1%、0.08%，断路器警报的漏报与误报概率分别为0.08%、0.05%，保护/断路器的误动/拒动概率列于表1。在线路保护中，有些保护(如距离I段保护)不能保护整条线路，对此类保护的拒动概率可根据其保护范围和拒动/误动的概率数据来确定。
注：取t=0.5 a，相关数据取自浙江电力系统2007年至2009年继电保护统计数据。
3.2 设备故障引起的信息量损失
前已述及，选择所有设备无故障，且所有保护和断路器无动作作为计算信息量损失的基准事件。这样，当判定设备无故障时，信息量损失为0;当判定设备故障时，信息量损失按式(14)计算：
其中，p0为设备故障的先验概率。
3.3 继电保护装置和断路器动作引起的信息量损失
电力系统发生故障时，不同保护之间、不同断路器之间以及保护和断路器之间的拒动和误动事件可认为是相互独立的。例如保护误动驱动其对应的断路器跳闸，此时保护发生了误动，但断路器的动作是正确的，不属于误动;只有保护未动作而相应断路器跳闸，断路器方属于误动。但同一保护或断路器的拒动和误动不相互独立，即同一保护或断路器不能同时误动和拒动。信息在故障和保护之间是单向流动的，在保护和断路器之间有一定的交互，例如某些断路器的拒动会驱动相应的失灵保护，但断路器的驱动信息取决于保护的最终状态，即断路器动作引起的信息量损失只与保护的最终状态量有关。下面依次将保护和断路器通过动作逻辑关系进行解析，在此基础上计算保护与断路器动作引起的信息量损失。
a.主保护。
设Ri为设备Dk的主保护，其动作逻辑为：若设备Dk故障，则保护Ri应动作，这样主保护期望状态可表示为：
当电力系统发生故障时，主保护应立即动作，其信道如图3所示，图中fRi=0表示保护没有被驱动，fRi=1表示保护被驱动，p01和p10为保护误动和拒动概率。下文的近后备、远后备和失灵保护与此类似。
根据fRi与ri的取值情况计算出的信息量损失如表2所示。下文的近后备、远后备和失灵保护与此类似。
b.近后备保护。
设Ri为设备Dk的近后备保护，其动作逻辑为：若设备Dk故障，且其所有主保护Rx拒动，则保护Ri应动作。这样近后备保护的期望状态为：
其中，表示逻辑“与”，rx表示对rx逻辑取“反”。
c.远后备保护。
设Ri为设备Dk的远后备保护，则其动作逻辑分以下2种情况。
情况1：若所保护的设备Dk故障，且其所有主保护Rx和近后备保护Ry均拒动，则保护Ri应动作，即：
情况2：若远后备保护Ri保护范围内的关联设备Dj故障，且Ri到Dj的关联路径上的全部断路器处于闭合状态，则说明故障未切除，Ri应动作，即：
其中，Z(Ri)为保护范围内的关联设备集合;p(Ri,Dj)表示关联路径上的断路器集合，即从保护Ri的安装位置到设备Dj的电气路径上的所有断路器集合。综上所述，远后备保护的动作期望为：
其中，表示逻辑“或”。
d.断路器失灵保护。
220 kV及以上系统中一般为断路器专门设置了失灵保护。
当设备故障，保护动作并向与设备相连的断路器Cj发送了跳闸指令，但Cj拒动，此时断路器失灵保护Ri应动作。这样，失灵保护的期望状态为：
其中，rx、ry和rz分别为故障设备的主保护、近后备保护和远后备保护的实际状态;cj为断路器的实际状态。
e.断路器。
任何断路器Cj对应的保护Rx动作并向该断路器发出跳闸指令，则Cj应动作。用R(Cj)表示能够驱动断路器Cj跳闸的保护集合，则断路器Cj的期望状态为：
断路器的期望状态取决于保护的最终状态，断路器动作的信道模型如图4所示。
fCj和cj取不同值时的信息量损失如表3所示。
3.4 警报信息上传过程（信道2）的信息量损失
警报信息上传时有可能出现漏报或者误报等情况，不同警报之间的漏报和误报事件是相互独立的，同一警报的漏报和误报事件是互斥的。警报信息上传过程的信道模型可描述为图5。
注：fCj=0表示断路器没有被驱动;fCj=1表示断路器被驱动;q01和q10分别为断路器误动和拒动概率。
警报信息上传过程的信息量损失只与保护和断路器的实际状态有关，与设备状态无关。根据保护和断路器的实际状态以及获取的警报信息可计算出警报信息上传过程的信息量损失如表4所示。
注：α01和α10分别为保护警报误报和漏报概率;β01和β10分别为断路器警报误报和漏报概率。
4 求解过程及故障诊断结果评价
4.1 故障假说的概率分布
根据故障诊断中的信息量损失算法，可以计算每种故障假说情况下的总信息量损失。故障诊断问题可描述为使信息量损失最小的0-1整数规划问题。文献[12]中给出了求取故障假说概率分布的方法，此处不再赘述。当故障区域中的设备、保护及断路器数量较多时，可搜索出前M个最优解构成近似解空间，以提高诊断速度。定义残留概率为解空间内故障假说最小概率与最大概率之比，并以此作为搜索截止条件。本文采用文献[20]中的改进遗传算法求解，求解过程如图6所示，图中内循环截止条件指最优解不变次数或最大迭代次数，最终截止条件指残留概率约束。
4.2 故障诊断结果评价
在求解得到若干故障诊断结果H*后，对故障诊断结果中的相应保护、断路器的拒动或误动以及警报的漏报、误报进行识别，得到的结果列于表5。
5 算例分析
采用MATLAB语言分别对本文方法和文献[12]的方法进行了实现。利用本文发展的方法对图7所示的浙江电力系统局部网络发生的20种故障案例进行了诊断测试，均得到了合理的故障诊断结果及概率分布。而应用文献[12]的方法时，对于警报信息存在漏报和误报的情况则无法得到合理的诊断结果。下面针对典型案例进行详细的比较分析。
故障区域内有5个元件、30个保护和10个断路器，为表述方便进行了编号，见表6—8，表7中断路器失灵保护行从左到右分别对应的断路器为C3、C6、C10、C14、C18。
遗传算法参数设置如下：种群规模为200，变异和交叉概率分别为0.3和0.6，残留概率上限为0.001。
2种方法的故障诊断结果比较见表9。图7中显示的故障情况为表9中案例4。可见，在警报信息完全正确的情况下(如案例1和2)，本文发展的诊断模型与文献[12]方法得到的诊断结果一样。然而，当警报信息存在误报或漏报时(如案例3和4)，本文发展的模型依然可以获得合理的诊断结果和概率分布，而文献[12]方法则无法获得正确的诊断结果。
诊断表9中各案例所需的计算时间见图8。计算平台为双核处理器(Intel Core I3-2100,3.1GHz)，内存容量为4 GB。从图8可以看出，随着警报信息复杂性的增加，单次循环所需计算时间相应增加，并且需要更多次的循环求解才能满足搜索截止条件。
注：各案例诊断结果由间隔线分隔，横线上面为文献[12]方法的诊断结果，横线下面为本文方法的诊断结果。
6 结语
保护/断路器的拒动或误动以及警报信息漏报或误报都是小概率事件，但在实际系统中并不鲜见，故障诊断时应予适当考虑。为处理故障诊断中保护/断路器的误动、拒动及警报信息误报、漏报等不确定因素，本文建立了故障诊断的级联信道模型，发展了融合信息理论的故障诊断解析模型，构造了基于信息量损失最小的目标函数并采用了改进遗传算法求解，并提出了故障诊断结果的评价方法。最后，利用浙江电力系统实际发生的故障算例对所发展的模型与方法进行了测试，得到了合理的故障诊断结果及其概率分布，说明了所发展的模型与方法具有较强的容错能力，且诊断速度也满足在线要求。
摘要：保护与断路器动作的不确定性和警报信息的不确定性是实际电力系统故障诊断时需要考虑的主要问题。以电力系统故障诊断解析模型为基础,融合信息理论中的方法来解决这一问题。阐述了故障诊断的信息运动过程,在此基础上通过解析分析保护与断路器动作逻辑和警报信息之间的关系,发展了基于信息量损失最小的故障诊断优化模型,充分考虑了警报信号的不确定性。采用改进遗传算法求解。用浙江电力系统实际发生的故障案例说明了该方法具有较强的容错能力且诊断速度快,对于复杂故障案例,计算时间在1 s之内,满足在线故障诊断要求。
故障诊断信息量准则 篇8
电网发生故障时,及时准确诊断出电网故障元件对于电网恢复供电及可靠运行至关重要。传统的电网故障诊断主要应用故障后上送到SCADA系统的保护及断路器等开关量状态信息,但由于保护或开关的误动、拒动及信息传输丢失等不确定情况[1],往往会发生故障元件诊断范围扩大,甚至误判等情况,因此仅仅采用开关量的故障诊断已不能令人满意[2,3]。而电网故障时电气量的变化先于保护、断路器等的动作,故障时的电压、电流波形数据可靠,信息量大,将其与开关量相结合进行故障诊断可大大提高准确性与可信度。
随着电力系统调度自动化水平的提高及通信技术的发展,保护故障信息管理系统(RPMS)除可获取故障的保护动作信息外,还可收集分布于各厂站的故障录波器信息[4]。基于全球定位系统(GPS)的广域测量系统(WAMS)作为新一代电网动态监测系统,利用同步向量测量单元PMU[5]实现对电压、电流、功率等量的实时数据采集、传输,并可在电网故障触发时实现高频采样录波。与录波器记录的电气量相比,PMU采集的电气量数据上传实时性更优,且采用统一GPS时标对故障时刻定位更准确;但由于成本及其他技术原因,实际中PMU不及录波器布点密度高,且基于WAMS的高级应用仍不够成熟,很长时间内WAMS将与SCADA/EMS系统并存。因此,综合利用故障录波器与PMU装置采集的故障电气量信息,实现优势互补,对结合电气量进行电网故障诊断而言具有实际意义[6]。
综上分析,本文提出了一种综合RPMS、WAMS及SCADA系统电网故障信息的多源信息融合故障诊断方法,采用小波能量谱分析、改进RBF神经网络、蕴含时序贝叶斯网络进行故障特征提取,定义了能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度作为支路故障表征,并以四个故障度作为证据体采用改进D-S证据理论进行信息融合,并由模糊C-均值聚类方法实现电网故障诊断决策。
1 小波变换与小波能量谱分析
基于多分辨率的快速小波变换是利用正交小波基将信号分解为不同尺度下的各个分量,每分解一次,信号采样频率降低一倍,每次分解都针对低频分量进行[7]。离散信号x(n)采用多分辨分析小波变换及系数重构,可表示为各分解尺度下高频分量系数与最大分解尺度下低频分量系数之和:
其中m为小波分解最大尺度。重构后系数序列的平方和代表了相应频段的能量分布,设E1,E2,,Em,Em+1为信号在m个尺度上的小波能量分布,其中:
信号x(n)的小波总能量即为各频段能量之和:
小波能量谱分析在故障诊断及故障相识别中的应用已有较多研究[3,7]。
2 电网故障诊断四个故障度的定义及求取
2.1 故障诊断数据需求与故障特征提取
多源信息融合故障诊断的数据需求主要包括:保护故障信息管理系统RPMS的录波器电压、电流录波,WAMS的电压量测,SCADA系统的保护、开关动作情况及时序信息等。故障信息及故障特征提取方法简述如表1。
2.2 基于故障录波器电气量的故障度求取
2.2.1 能量畸变度与能量畸变故障度
计算线路两端电压故障发生前后一个波形周期(20ms)的小波总能量。设线路Li两端电压故障前小波总能量故障后小波总能量(f、t表示线路的两端节点),定义能量畸变度(Energy Distortion Degree,EDD)λi:
其中,i为线路编号,能量畸变度λi为线路Li各相电压求得的最大值,故障线路的EDD会明显增大。
将各线路电压能量畸变度λi,采用式(5)计算得到将其定义为能量畸变故障度(Fault Degree of Energy Distortion,FDED),作为融合的证据体,其元素表示出了对各线路故障的相对支持程度。
2.2.2 能量故障度
电网发生故障前后某些非故障线路电流故障能量畸变度可能会很大,甚至会超过故障线路,能量畸变度不适用于电流分析。
对线路电流求取故障后线路各相小波总能量的最大值(取故障后20 ms波形分析),记为EIi。将各线路小波总能量EIi按式(5)类似处理得到定义为能量故障度(Energy Fault Degree,EFD),作为融合的证据体。
2.3 基于PMU电压录波的故障度求取
2.3.1 改进RBF神经网络模型
实现系统可观的PMU配置,其采集的电气量信息可反映电网的故障情况。本文采用PMU电压录波作为分析依据,建立改进RBF神经网络模型,经预想故障样本集训练,进行故障线路诊断识别。
RBF神经网络为三层前向网络,具有较强的非线性映射能力、函数逼近能力、分类能力和容错性。但基于RBF神经网络的故障分类或诊断,结果中非故障类或元件往往出现负值情况[8,9],不能很好表达出对线路故障的支持程度。
本文基于Java神经网络包Joone设计了针对以上缺点的改进RBF神经网络,网络输入层仍采用线性输入Linear Layer,隐含层采用Rbf Gaussian Layer,输出层采用Softmax Layer,网络层及层间权值训练函数采用弹性反馈算法RPROP[10]。
Rbf Gaussian Layer传递函数为高斯型函数,见式(6),函数中心位置cj及方差设置为通过对输入计算均值及方差形式选定。改进网络隐层数目需要进行择优设定。
输出层Softmax Layer采用如式(7)传递函数:
其中:c为输出分类数;yi为神经元输出。
2.3.2 改进RBF神经网络故障度
针对电网支路建立预想故障训练样本集:将故障前后(本文取20 ms)各PMU采集的电压量经小波能量谱分析求取能量畸变度λ,将其倒数作为网络输入以减小数值波动范围,输入维数等于电网中配置的PMU个数;样本集输出量维数c等于电网支路数,输出量中对应故障支路的元素为(FLNum为预设故障支路数),其他元素值为0。
将训练后的神经网络模型用于电网故障诊断,设诊断输出为(sum为线路数),本文将Ynet定义为改进RBF网络故障度(Fault Degree based on Improved RBF Network,FDIR),作为证据体进行信息融合,其元素反映了线路间故障相对支持程度,且满足
2.4 基于开关量诊断的时序贝叶斯故障度求取
对于保护及断路器动作、时序信息,本文结合文献[11],采用蕴含时序的贝叶斯网络方法进行故障诊断,并在贝叶斯推理中应用文献[12]的简化规则。
贝叶斯网络模型的元件故障先验概率值采用文献[13]中基于统计分析的线路故障概率及主保护拒动、误动概率,由于线路第一、第二后备保护统计数据不完整,本文假设其在线路正常、故障情况下的正确动作率分别为主保护正确率的98%、95%。线路Li的故障诊断结果ei为其故障概率。
对求得的线路故障概率ei采用式(5)得到(sum为支路数),定义为时序贝叶斯故障度(Fault Degree based on Bayesian networks with Temporal Order,FDBT),并作为证据体,其元素表示线路间的故障相对支持程度。
3 基于改进D-S证据理论的信息融合
3.1 D-S证据理论
D-S证据理论是不确定性推理的重要手段。对识别框架Θ,证据m1,m2,…,mn合成规则如式(8):
其中,基本概率赋值(BPA)满足反映了证据间的冲突程度。
3.2 改进D-S证据理论融合方法
在应用中,发现D-S证据理论存在Zadeh悖论、一票否决、鲁棒性和公平性等问题[14],学者们主要从修改数据源与修改合成规则两方面进行改进[14,15,16]。本文采用基于可信度的证据体修改及基于局部冲突分配的合成规则[15],进行证据融合。
1)基于可信度的证据体修改。证据可信度μi(μi≤1)反映了证据间的相对可靠程度,取证据组中可靠性最高的证据可信度为1。将μi作为修正系数修改原始证据体M′,剩余概率分配给未知情况m(Θ),得到修正后证据体M的BPA值,如式(9):
2)基于局部冲突分配的合成规则,将局部冲突在引起冲突的两个焦元间进行了分配:
每两个证据合成后,对所得的新证据体进行归一化处理,如对Mjk归一化后得到的元素m'jk(A):
本文将能量畸变故障度Eλ、能量故障度EI、改进RBF神经网络故障度Ynet及时序贝叶斯故障度EB作为证据体,其可信度的选取可通过统计分析或专家经验确定,本文分别取为1、0.95、0.9及0.8,采用改进D-S证据理论进行融合。
4 基于模糊C-均值聚类的诊断决策
证据融合结果随故障线路数目的变化而变动,因此不适合直接用于决策分析。本文采用模糊C-均值聚类法[17](FCM)对融合结果进行聚类分析。
FCM算法在传统C-均值聚类算法中结合了模糊技术[18],可以得到数据点不同程度隶属于某几类的不确定情况。
将数据组X={x1,x2,…,xN}采用FCM分为c类,迭代寻优逼近下列准则函数最小值:
其中,隶属度矩阵元素uij表示数据点xj隶属于类wi的程度,且满足可通过与设定阈值的比较决定数据点的隶属类;V={v1,v2,…,vc},iv为分类wi的中心;指数为数据点xj到类wi中心的距离,本文采用当A=I的欧氏距离。
本文将线路分为故障和非故障类两类,设定FCM类隶属度阈值为0.5,将中心值较大的类作为故障线路集,对故障线路集的隶属度大于阈值的线路作为故障线路,给出故障诊断决策。
5 多源信息融合故障诊断流程
结合前述分析,本文多源信息融合电网故障诊断方法具体步骤如下,诊断流程见图1。
Step1:根据电网的PMU配置,建立预想故障样本集,对改进RBF网络进行训练;
Step2:获取保护、断路器动作信息及录波器录波数据、PMU录波数据;
Step3:对电气量、开关量进行故障特征提取,计算能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度;
Step4:将四个故障度作为证据体,采用改进D-S证据理论进行信息融合;
Step5:由FCM分析,给出电网故障诊断决策。
6 算例分析
采用IEEE39节点系统,根据文献[19]选取全局可观性PMU配置,本例假设考虑靠近厂站配置PMU以监测功角变化,采取配置方案为:节点3,8,10,16,20,23,25,29配置PMU。如图2所示。本文仿真电气量小波变换采用Matlab“db4”小波。
对IEEE39节点系统中34条支路建立预设故障集,建立改进RBF神经网络模型,输入为8维,输出为34维,网络学习速率设为1.0,训练均方误差设为0.01,步数为300,当隐层神经元数目取为50时,改进网络对故障样本可以较好识别。
假设线路L13-14发生故障,L13-14母线13侧主保护动作,断路器CB1断开,母线14侧保护未动CB2未能跳开,导致故障影响范围扩大,相邻线路L14-15第二后备保护动作,跳开断路器CB4,L4-14母线4侧后备保护动作同时,母线14侧保护误动,跳开CB5、CB6。设线路L13-14故障时,线路L17-18主保护误动,跳开CB7、CB8。简化起见,39节点系统中线路长度均取为100 km,结合文献[13]求取先验故障概率。
采用本文方法进行电网故障诊断,求取能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度见表2。
基于蕴含时序贝叶斯网络的故障诊断,在对L13-14诊断的贝叶斯网络模型中可通过时序一致性识别,排除L4-14母线14侧保护动作信息及CB5动作信息,比传统开关量故障诊断准确度已有提高,但由时序贝叶斯故障度可看出,其仍不能有效诊断存在保护、断路器误动的线路故障情况。
经改进D-S理论融合和FCM聚类(迭代停止误差设为1E-5,迭代次数100)分析,类A中心值为0.004 3,类B为0.851 4,选定B类为故障集,L13-14故障集隶属度为1,可断定为故障,经隶属度与阈值比较,排除L17-18、L4-14和L10-13。
由算例可见,结合了故障录波器、PMU的电气量信息,本文方法可较好避免保护、开关的拒动、误动的影响,有效提高故障元件诊断准确性。
7 结语