改进HT故障模型

改进HT故障模型（精选6篇）

改进HT故障模型 篇1

0 引言

随着状态检修进程的推进,输变电设备可靠性管理的重要性更加突出。通过可靠性分析,可研究设备的剩余寿命,进行风险评估,指导维修方案制订等[1,2,3,4,5]。故障率是评价设备可靠性的重要指标之一,因此,故障率模型研究是可靠性管理的重要内容。

本文回顾了以时间为自变量的故障率模型和以设备健康状态为自变量的故障率模型的应用特点,提出了以设备健康状态模型为基础,模型参数随时间变化的输变电设备故障率模型改进方案。由于改进模型同时考虑设备役龄和设备健康状态对设备故障率的影响,因此,能兼具时间模型与状态模型的优点。同时,为改进模型的参数估计提出了新方法——全状态集成法,该方法能全面利用设备的状态信息,样本选取灵活,使得参数估算更为科学。最后,用算例验证了本文所提出模型和方法的有效性。

1 故障率改进模型的提出

1.1 传统的基于时间的故障率模型

传统的可靠性研究认为输变电设备的故障分布与设备的运行时间相关,因此,建立的故障率模型λ(t)以设备运行时间t为自变量。故障率时间模型通常利用样本数据对故障情况进行基于时间的统计拟合来建立。模型的参数估计方法则常采用Marquardt法、最小二乘回归估计等[6,7,8,9,10]。然而,时间模型本质上只表征了设备好或坏2种状态,无法表征设备在相同运行时间下不同健康状态时的故障率差别,因而不适用于关注设备劣化过程的状态检修中。

1.2 当前的基于健康状态的故障率模型

随着状态检修技术的发展,研究发现设备的健康状态对设备的故障率有着直接影响,因此,提出了基于设备健康状态的故障率模型λ(S),S表示设备当前的健康状态评分值[11]。不同国家及不同电力企业(如英国EA公司[12]、加拿大Kinectrics公司[13])对设备健康状态评分时采用的评价模型是有区别的,因此,会得到不同的状态故障率模型。中国目前采用的故障率状态模型是单纯地以设备健康状态作为自变量的一种指数函数形式的模型[14],该模型认为当设备状态恶化时,设备故障率会指数级增长。国家电网公司颁布的《输变电设备风险评估导则》中给出的状态模型数学表达式为:

λ(S)=Ke-CS (1)

式中:K为比例参数;C为曲率参数。

目前,通常采用反演法来求解状态模型参 数[15,16,17]。反演法是在一个时间点上对所有统计设备的状态信息进行横向统计拟合。对数据采用不同的统计方法可得到不同的计算结果[17],根据《输变电设备风险评估导则》,目前常用以下2种统计方法:

1)统计时间按年进行统计,需要至少2 a的统计样本数据。首先统计计算设备的年故障发生概率,然后对设备进行状态评价并根据状态进行分类,确定各个分类设备的台数,最后将每年的统计结果代入式(2),联立求解得到模型参数K和C的值。

$\overline{\lambda }=\frac{n}{{\rm N}}\times 100\%={\displaystyle \sum _{i=1}^5\frac{n{}_i{\rm K}\text{e}{}^{-CS{}_i}}{{\rm N}}}\times 100\%(2)$

式中:$\overline{\lambda }$为设备年故障发生概率;n为故障设备的台数;N为设备总台数;i为设备状态分类(这里分为5类);ni为分类i的设备的台数;Si根据分类i取对应类分值上下限的平均值。

2)统计时间不按年来统计,只在确定统计范围和统计时间后对设备进行某一时刻的状态评价,然后将各个分值段的设备台数和发生故障的台数分别进行统计,计算故障发生概率,最后对不同分值段的数据按照状态可靠性模型(式(1))联合进行基于最小二乘法的计算, 求取K,C值。其中,状态S值按照对应类的上下限分值的平均值代入。

由此可见,反演法概念清晰,计算简便。然而反演法存在一些固有的缺陷:

1)计算误差大。反演法需要确定样本数据的统计时间,若统计时间较短,由于电力设备属于高可靠性设备,统计样本的故障率统计值会偏低,造成模型参数误差较大;若统计时间较长,统计时间段内设备的状态会发生较大变化,而反演法只考虑统计时间段内某一时刻的状态分值,会造成模型参数较大的计算误差。

2)未考虑设备役龄特征。同一个设备在不同生命阶段即使拥有相同的健康状态评价分值,其故障率也会有所差别。

1.3 状态故障率模型的改进

倘若把设备比喻为人。按照常理,不同年龄段的人在同样的健康评价分值下,小孩与老人往往抵抗力弱,比青年人更容易发病(故障率高)。同理,设备在不同的生命阶段,即使健康状态相同,但由于役龄的不同故障率应该是有差别的。因此,提出同时考虑时间(役龄)和健康状态对设备故障率影响的改进模型λ(S,t)。该模型在状态模型的基础上引入设备役龄变量t,研究设备在不同生命阶段随着健康状态变化的故障率,其数学表达式为:

λ(S,t)=K(t)e-C(t)S (3)

模型中的比例参数K(t)和曲率参数C(t)不再是常数,而是与设备役龄有关的变量,即设备在不同役龄时的模型参数是不一样的。

改进的故障率模型是针对时间模型和状态模型存在的问题而提出的。时间模型无法表征设备健康状态对故障率的影响,因而难以应用于关注设备劣化过程的状态检修中;状态模型仅考虑设备健康状态对故障率的影响,忽略了设备役龄的影响,会产生较大的模型误差。改进模型能体现时间和状态2个因素对设备故障率的影响,更符合物理实际,因而能更准确地评价设备的可靠性,从而科学地指导现场设备的管理和维修,为状态检修提供有益的帮助。

2 故障率改进模型的参数估计

2.1 全状态集成法

为克服反演法把设备某一时刻的状态评价分值当做统计时间段内的状态分值而造成模型参数较大的计算误差,提出了全状态集成法。全状态集成法利用设备的一个完整健康过程的全部状态信息,把各状态分值的持续时间统一折算到时间标准轴上的期望时间,计算得到该完整健康过程对应的体现设备役龄特征的故障率参数,然后对所有样本得到的基于役龄的故障率参数进行研究。

这里的“完整健康过程”是指设备从停电检修后重新投运开始到设备因故障再次停运为止的整个过程。过程所经历的时间为该完整健康过程的寿命T。在每个健康过程里,设备的健康状态是变化的,不仅有连续的微小变化,比如由于劣化导致状态逐渐变差;还有阶段性的跳跃变化,比如由于不停电维修使得状态得到改善。因此,需对设备在完整健康过程中的健康状态变化情况进行连续跟踪。

对一个确定的设备完整健康过程样本来说,设备的役龄t也是确定的,它是指设备第1次投运到该完整健康过程结束所经历的时间。通常设备运行至当前役龄时已经经历了若干个完整健康过程,对没有经历过停电检修就发生第1次故障的设备而言,其役龄就等于第1个完整健康过程的寿命。

图1示例了“完整健康过程”的寿命T与设备役龄t之间的关系。其中,T1和T2分别为2个完整健康过程的寿命,t1和t3分别是研究寿命为T1和T2的完整健康过程对应的役龄。役龄t2点进行了设备停电检修,但不是由故障造成的。

2.2 单个完整健康过程的模型参数求解

假设某个设备最近经历的一个完整健康过程的寿命为T,对应的役龄为t,那么T和t都是已知量。

由于在一定役龄t下设备的状态故障率模型满足指数分布,当设备健康状态评分值为S时,故障率为常数,此时设备平均无故障运行时间(MTBF,本文记为tMTBF)与故障率有倒数关系,即tMTBF满足:

$t{}_{\text{Μ}\text{Τ}\text{B}\text{F}}=\frac{1}{\lambda }=\frac{1}{{\rm K}(t)}\text{e}{}^{C(t)S}(4)$

设备的故障类型根据故障诱因的不同可以分为必然性故障和偶然性故障。必然性故障是由内部原因引起的,与设备的健康状态变化情况相关;而偶然性故障是由外部原因(如人员误操作、保护不正确动作、检修质量不良等)引起的。设备的偶然性故障率可以通过统计方法得到,为常数λ0。当设备在健康状态评分值为满分100分时发生故障,可以认为就是偶然性故障引起的。因此,役龄为t时其对应的比例系数与曲率系数间的关系满足:

K(t)e-100C(t)=λ0 (5)

为继续求解役龄为t标签下的故障率参数,先说明几个新的概念和定义。

1)时间标准轴T0。

它指设备在健康状态评分值为满分100分时的设备期望健康寿命,即假设设备不发生状态变化一直维持满分状态运行直至偶然性故障发生所经历的时间,满足

${\rm T}{}_0=\frac{1}{\lambda {}_0}=\frac{1}{{\rm K}(t)}\text{e}{}^{100C(t)}(6)$

因此,时间标准轴T0的大小由偶然性故障率决定。

2)设备在状态Si时的期望状态寿命T(Si)。

它是指假设设备以状态Si投运并保持该状态运行直至发生故障停运期望的时间,中间不经历任何其他状态,期望状态寿命T(Si)满足:

${\rm T}(S{}_i)=\frac{1}{{\rm K}(t)}\text{e}{}^{C(t)S{}_i}(7)$

与T0不同,T(Si)既会受到偶然性故障因素的影响,也会受到与状态Si相关的必然性故障因素的影响。

3)基于时间标准轴的折算系数m(Si)。

指设备健康状态评分值为100分时的期望健康寿命T0与状态为Si时的期望状态寿命T(Si)的比值,即

$m(S{}_i)=\frac{{\rm T}{}_0}{{\rm T}(S{}_i)}=\text{e}{}^{(100-S{}_i)C(t)}(8)$

由于式(8)中役龄t是确定的,所以基于时间标准轴的折算系数m(Si)只与状态Si有关,仅随状态Si变化。引入基于时间标准轴的折算系数的目的是将包含必然性故障因素的期望状态寿命折算为只有偶然性故障因素影响的期望状态寿命。

4)设备实际维持状态Si的时间Tpi。

在设备实际运行过程中,设备状态总是发生着连续微小或阶段性的变化,而不是维持状态Si直至故障。当设备从状态Si变化至状态Si+1时,状态Si持续的时间Tpi(Tpi为已知量)可直接从现场跟踪数据得到。

5)设备实际维持状态Si在标准时间轴上的期望状态持续时间Tp0i。

它是将状态Si的实际持续时间经时间标准轴的折算得到的时间标准轴上的期望状态持续时间。其值为

Tp0i=Tpim(Si) (9)

若把完整健康过程中所经历的各状态实际持续时间都进行基于时间标准轴的折算,就能得到标准时间轴上各状态对应的只受“偶然性故障因素”影响的期望状态持续时间。一个完整健康过程对应的所有只考虑“偶然性故障因素”影响的期望状态持续时间累加起来的过程寿命,应该等于由偶然性故障率决定的时间标准轴T0:

${\displaystyle \sum _{i=1}^{{\rm N}}{\rm T}}{}_{\text{p}0i}={\rm T}{}_0(10)$

由现场对设备经历的一个完整健康过程中状态变化的跟踪数据,可以得到过程中各状态实际持续的时间Tp1,Tp2,…,TpN,则有

${\displaystyle \sum _{i=1}^{{\rm N}}{\rm T}}{}_{\text{p}i}={\rm T}(11)$

由于Tpi都是已知量,则根据式(9)可以得到标准时间轴上的各期望状态持续时间Tp0i。将式(8)和式(9)代入式(10)得到:

${\displaystyle \sum _{i=1}^{{\rm N}}{\rm T}}{}_{\text{p}i}\text{e}{}^{(100-S{}_i)C(t)}={\rm T}{}_0(12)$

由式(12)就可以解出该设备在役龄t时的模型曲率系数C(t),再将结果代入式(5),便可解得该设备在役龄t时的模型比例系数K(t)。

2.3 多个样本模型参数求解

假设统计样本群中有M个役龄均为t的完整健康过程样本。由偶然故障率决定的时间标准轴为T0。这M个统计样本中第m(m=1,2,…,M)个统计样本的完整健康过程的实际寿命为Tm,共经历了Nm个状态阶段,各阶段的健康状态评分值分别为Sm1,Sm2,…,SmNm,各阶段的实际状态持续时间分别为TPm1,TPm2,…,TPmNm。因此,第m个样本在时间标准轴上的期望状态持续时间总和为:

${\rm T}{}_{\text{Ρ}0m}={\displaystyle \sum _{i=1}^{{\rm N}{}_m}{\rm T}}{}_{\text{Ρ}mi}\text{e}{}^{(100-S{}_{mi})C(t)}(13)$

由于这M个样本在时间标准轴上的期望状态持续时间累加的过程寿命都趋于时间标准轴T0,根据统计规律,可以用每个样本的期望状态持续时间之和与时间标准轴的偏离程度最小来求解模型参数,偏离程度用方差Q来表示,计算公式为:

$\min \left\{Q={\displaystyle \sum _{m=1}^{{\rm M}}(}{\rm T}{}_{\text{Ρ}0m}-{\rm T}{}_0){}^2\right\}(14)$

由dQ/dC(t)=0,可以得到C(t),再将结果代入式(5),便可得到K(t)。至此,通过该M个役龄相同的完整健康过程样本计算得到了役龄为t时的故障率模型参数。

多个样本的模型参数计算比单个样本计算复杂一些,但由于随机性的存在,多样本的计算结果精度更高一些。在数据相对稳定的情况下,样本越多,计算结果就越准确。

3 算例分析

以华东电网某地区220 kV变压器为例,根据变压器故障记录及变压器近几年的健康状态评分值数据,得到6个完整健康过程的数据样本,它们对应的役龄标记分别是2 a,5 a,8 a,13 a,16 a,20 a。需说明的是,由于状态检修管理工作刚起步,状态评分数据还较少,征求状态检修管理人员的意见后,认为可以用维修记录或者缺陷记录来补充,因此,算例中的健康状态评分值有一定的粗糙性。表1示例了其中役龄为20 a的一个完整健康过程的健康状态评分值数据:该变压器在投运后的第16年末进行了解体大修,为此该健康过程从第17年开始,到第20年末又发生了故障。表中带*表示故障状态。

注: 未列出时期的设备健康状态评分值S均为100分。

对所有研究样本的健康状态评分值记录(S为100分、95分、90分、85分、80分、75分、70分)进行整理并运用全状态集成法求得变压器故障率改进模型的模型参数K(t)和C(t),见表2。

由表2可以看出,K(t)和C(t)确实是随着设备役龄变化的。其中,C(t)主要集中在0.2左右,K(t)随时间变化的趋势更明显,波动也大。当设备健康状态评分值为95分时,正好处在良好状态与正常状态的交界点,具有一定的代表性。把全状态集成法计算的参数代入改进模型中,得到的故障率见表3。而原状态模型受本算例样本数量的限制,无法运用反演法计算模型参数,因而采用《输变电设备风险评估导则》给出的参考值,K取8 640,C取0.159 58,算得故障率为2.25×10-3次/(台·a)。

由中国电力企业联合会于2004年统计得到的220 kV变压器的故障率在1.30×10-2次/(台·a)到2.80×10-2次/(台·a)之间[18],也就是说根据改进模型计算得到的结果符合统计数据。而原模型与统计数据相差较大,原因一方面是没有考虑设备役龄因素对模型的影响,另一方面是采用反演法计算的K和C误差较大。表3中的结果还表明,即使是在同样的状态下,设备运行初期和末期的故障率要高于运行中期,这与实际情况相符合。设备处于稳定运行期时,故障率会降低,这也从另一个方面体现了故障率随时间变化的规律满足浴盆曲线的特性。

由于设备的故障率与设备所处的地理位置、气候条件、运行条件等相关,所以选择条件相近地区的设备作为研究样本,得到的故障率模型参数随役龄变化的规律会更符合该地区的实际。不同地区的样本,由于环境等因素的差异,得到的模型参数值会有所不同,但参数随役龄变化的趋势是可以参考的。

4 结语

本文对基于状态的输变电设备故障率模型进行了改进,由于同时考虑役龄和健康状态对设备故障率的影响,因此改进模型更为合理。还提出采用全状态集成法进行模型参数估算,该方法对带有时间标签的完整健康过程进行研究,所以不仅能最充分地利用状态信息,而且使每一个完整健康过程的研究结果都带有役龄标记。由于该方法没有对设备的统计时间做出规定,所以样本选择灵活。此外,样本越多,改进模型的估算结果就越准确。

全状态集成法应用的基础是获得设备完整健康过程的全部状态信息,即需要对设备的健康状态评分值进行连续跟踪。然而,当前电力企业实施设备状态评价还处于起步阶段,有些企业每年只对设备状态评价一、二次,或者在设备停电检修前后进行评价,状态评价信息的缺乏必然会影响设备故障率模型的应用及应用的准确度。但是,随着设备状态检修工作的不断深入和推广,该故障率改进模型和全状态集成法一定能够在设备的可靠性管理工作中产生良好的应用价值。

摘要：提出了以设备健康状态模型为基础,模型参数随时间变化的输变电设备故障率模型改进方案。还为改进模型的参数求解提出了新方法——全状态集成法。全状态集成法是对设备带有时间标签的完整健康过程进行研究,跟踪利用全过程的状态信息,因此得到的模型参数都带有役龄标记。最后通过实例,运用全状态集成法计算了改进模型中不同役龄设备的模型参数值和故障率,与原模型及反演法计算的结果相比,更接近实际统计到的故障率数值。

关键词：状态检修,故障率模型,参数估计,全状态集成法,设备役龄

改进HT故障模型 篇2

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。

改进HT故障模型 篇3

随着智能电网建设和研究的推进,通信与信息技术在电力系统中应用范围将不断扩大。电力输送和分配的智能电网系统已经成为电力、信息综合服务体系的多层次平台[1]。电力系统从传统的电力设备网络发展成为融合信息网络和电力物理网络的复杂信息物理融合网络体系[2,3,4]。多元设备和异构网络的多重不确定性和复杂性给电力系统的稳定性与可靠性带来双重挑战[5,6,7]。

信息物理融合电力系统中,信息层与物理层相互融合依靠,信息层需要物理层电网节点的能量供应。同时,物理层的运行需要信息层实现3C(控制,通信,计算)功能[8],电网节点接收信息层节点的监控指令和调度信息。信息层由边及节点组成。信息层的边是传输3C功能所涉及的状态、指令与数据的信息通道;信息层节点为完成对应物理层节点3C功能对应的信息层设备与算法的抽象集合,实现对数据的分析处理传输与物理节点的监控。信息层的可靠性可能导致物理层运行的风险,信息物理系统中的状态量及信息传输处理等环节可以抽象为“数据节点”“信息支路”[9]。文献[10]分析了信息层拓扑故障与支路故障对物理层电力系统电压控制的影响。同时,两层网络间复杂的对应依靠关系使物理融合电力系统对连锁故障更加脆弱[11]。单层节点的意外故障或攻击失效将导致新的失效在两层之间交替传播引发连锁故障。2003年美国、加拿大大停电以及2015年乌克兰停电事件的主要成因可归纳为信息系统节点失效引起控制中心对电网整体运行失去监控能力,电网处于不可测、不可控的状态,同时,不同节点间失去通信联系,继而引发连锁故障[12,13]。

复杂网络系统的相关理论对电力系统连锁故障建模提供了新的视角[14,15,16],对于信息物理融合电力系统多层网络间的连锁故障,复杂网络理论同样有适用性[17]。其中,渗流理论是由Broadbent和Hammersley提出用来描述流体在随机介质中的运动。连续渗流理论可分析随机网络节点失效网络的连通性问题[18],文献[19]研究了基于渗流理论的双层SF(scale-free network)通信网络的鲁棒性。文献[20]提出基于拓扑分析的渗流理论,建立一对一相互对应依靠的信息物理融合系统连锁故障拓扑分析模型。文献[21,22]应用复杂网络理论对双层信息物理融合系统连锁故障分析,指出网络间的相互融合依靠关系会加剧连锁故障效应,使融合系统更加脆弱,其中连锁故障呈现具有阶跃特性的一阶渗流过渡相变;而在独立网络中,连锁故障呈现更加线性过度的二阶渗流过渡相变[23]。两层网络间的相似性及相互对应依靠策略也对融合系统的脆弱性有影响,随着两层网络相似性的增加,网络脆弱性降低[24]。通过分析比较不同依靠对应策略下的信息物理融合系统的连锁故障,信息层与物理层的度数—介数对应策略相较于其他度数与介数的对应策略具有更低的脆弱度[25]。文献[26]在文献[20]的基础上,拓展一对一相互对应依靠双层网络到多重对应双层网络,将基于拓扑分析的渗流理论应用在信息物理融合电力系统的动态连锁故障的建模中,同时设定可以自治运行的孤岛节点数阈值。先前的研究模型中没有考虑信息层通信特性和物理层电网运行潮流特性,模型不够精确,难以准确地反映连锁故障的动态发展过程[27]。同时,基于复杂网络理论的信息物理融合电力系统连锁故障脆弱度评估指标都为网络拓扑特性参数,例如失效节点比例、网络连通效率等,没有建立考虑故障对信息层通信传输和物理层电网运行影响的脆弱度指标。

本文在基于拓扑分析的信息物理融合系统连锁故障分析中考虑物理层电网潮流分析和输电线路容量检测,建立动态模拟信息物理融合电力系统连锁故障的多阶段渗流理论模型。同时,从网络拓扑完整性和运行特性两方面建立了连锁故障脆弱度评估指标。对于信息层网络,综合节点失效比例和系统通信延时;物理层网络,综合节点失效比例和电网切负荷率。分别在度数—介数对应依靠策略及拓扑中心度对应依靠策略下建立信息物理融合电力系统模型,继而分析对比了在不同攻击策略下信息物理融合电力系统的连锁故障动态发展过程及脆弱度。

1 信息物理融合电力系统

信息物理融合系统由信息层和物理层组成。其中信息层和物理层分别由具有复杂连接关系的网络组成,带有复杂网络的一般特征,因此复杂网络理论对于信息物理融合电力系统的建模有重要借鉴意义。应用复杂网络理论,物理层与信息层的模型可以抽象为拓扑图,各层的网络拓扑关系可以用邻近矩阵A=(aij)N×N表示,如果节点i和节点j间有边连接,则元素aij为1,反之元素为0。

1.1 物理层模型

物理层模型可以抽象为复杂网络权重图,N为节点(变电站和发电厂),E为边(输电线路),W为边的权重矩阵。权重矩阵的元素为对应两节点间边的电气距离,电气距离的定义为对应边的阻抗倒数wij=xij-1。为了提高电网数据传输效率以及不同区域的协调监控,信息物理融合电力系统采用分布式区域控制中心的结构。按照复杂网络Bisection分区原则将物理层电网分为不同区域,不同区域网络的阶数相近且子网络间的连接边数最少。具体的分区原则为对网络拉普拉斯矩阵求解特征值以及特征向量,次小特征值对应的特征向量的正负符号表示的不同的节点分区[28]。区域间的边为电力联络线,每个区域设有区域控制节点。控制节点位置的选择符合网络最短传输路径总和最短的原则。控制节点对应的信息层节点为物理层电网分布式区域控制中心。每个分布式区域控制中心与系统控制中心相连。本文使用的物理层模型为IEEE 118节点电网,分为三个子网络,结构见附录A图A1。电力网络区域边缘节点间的输电线路为区域联络线,节点17,49,100分别为信息物理融合电力系统分布式区域控制中心对应的物理节点。

1.2 信息层模型

信息层网络的节点为与物理层电网节点相对应的数据传输与处理中心节点,是完成对应物理层电网节点3C功能对应的信息层设备与算法的抽象集合。边为数据传输介质,传输3C功能所涉及的状态、指令与数据。大量的数据显示信息以太网符合无标度网络特征,节点的度分布符合幂律分布特性。本文中,信息层无标度网络通过Barabsi-Albert模型建立,网络阶数Nc=Np+1[29],分别为对应物理层电网节点的信息层节点以及系统控制中心节点。考虑到电力系统控制中心的特点,信息层分布式区域控制中心与系统控制中心节点带有自备电源,在故障分析中即使失去物理节点能量供应,依然可以正常工作。

1.3 信息物理节点对应策略

信息物理融合电力系统中,信息层与物理层间的相互作用可以概括为两类单方向依靠关系:能量依靠关系与3C功能依靠关系。信息物理电力系统信息层与物理层的相互作用见附录A图A2。能量依靠关系意味着信息层节点运行所需的能量由与其建立能量依靠关系的物理层节点提供;3C功能依靠关系意味着物理层节点的监控及调度的数据通信处理由与其建立3C功能依靠关系的信息层节点实现。

目前电力系统通信网络为电力通信专用网络,电力通信专用网络多为星形网络与网状结构网络,结构分为核心层、骨干层和接入层。电网主要变电站及调度节点接入通信专用网络核心层与骨干层,其余电网节点满足与地理位置相近的通信网节点连接。在信息物理融合电力系统背景下,需要传输和处理的信息量将远大于现有水平,借助一部分公共以太网络是一个可行的解决方案,这使得信息物理融合电力系统中信息层没有明显的核心层、骨干层、接入层的结构,因此有必要在信息物理融合电力系统背景下比较及选取最优的信息层物理层节点对应依靠策略。

文献[20]表明网络间相互关联的节点在各自网络中局部连接关系的差别很大程度影响融合网络对连锁故障的脆弱度。因此,有必要考虑信息层与物理层网络间的依靠关联关系对连锁故障脆弱度的影响。文献[25]得出相比于随机对应和其他介数、度数的对应关系,度数—介数对应依靠关系建立的信息物理融合系统对于连锁故障有较低的脆弱度。网络的拓扑中心度从拓扑关系的角度综合反映了节点对于网络整体拓扑的重要性以及对网络边失效的脆弱度[30]。为了寻求信息物理融合电力系统物理层与信息层的最优依靠对应关系。本文对度数—介数以及拓扑中心度对应依靠策略进行了分析与对比。

1)度数—介数对应依靠策略

信息层节点和物理层节点分别按照节点度数和介数依次排列。对应依靠策略通过连接排列次序对应的信息层节点和物理层节点建立能量依靠关系与3C功能依靠关系。

2)拓扑中心度对应依靠策略

复杂网络节点的拓扑中心度是L+矩阵对角元素的倒数。L+是网络拉普拉斯矩阵(L)的彭罗斯穆尔伪逆矩阵(Moore-Penrose inverse matrix)。网络的拉普拉斯矩阵由L=D-A计算。D为网络节点度数组成的对角矩阵,A为网络的邻近矩阵。对于物理层,为了从拓扑和电力参数综合反映网络的中心度,将公式中的A换为物理层网络的加权邻近矩阵。

式中:abs()表示计算绝对值;diag()表示对角矩阵;Wp为物理层的加权矩阵。

Wp中的元素为节点间边的电气距离,是对应线路阻抗的倒数,wij=xij-1,i和j为线路两端的节点。如果两节点间无直接连接的边,则加权矩阵对应元素为0。

拓扑中心度对应依靠策略为将信息层节点和物理层节点按照拓扑中心度排列,对应依靠策略通过连接排列次序对应的信息层节点和物理层节点建立能量依靠关系与3C功能依靠关系。

2 考虑物理电网潮流及信息层延时的渗流理论连锁故障模型

2.1 改进渗流理论

渗流理论是描述流体在随机介质中的运动。可以分为离散渗流和连续渗流,离散渗流又可分为点渗流和边渗流。渗流理论是以概率为基础的对图的结构连通性进行研究[31]。渗流过程可以类比于网络中除去点或边的连锁故障发展过程,渗流相变类比于连锁故障引发网络完全失效。因此,对多层次信息物理融合网络的连锁故障建模具有适用性。在分析信息物理融合电力系统的连锁故障中,信息层、物理层的节点同时满足以下两个条件时,可正常运行,属于其所在层的工作连通子集。

1)对于信息层节点,至少与一个区域控制中心连接;对于物理层节点,属于本层最大工作连通子集或可以正常运行的孤岛,即孤岛可以满足内部全部或部分负荷需求。

2)对于信息层节点,至少有一条能量依靠关系与之连接;对于物理层节点,至少有一条3C功能依靠关系与之连接。

信息物理融合系统的连锁故障由网络中的一定比例节点意外故障或受到攻击失效引起。失效节点的范围在信息层和物理层之间反复传递扩大,产生连锁故障。在信息物理融合电力系统连锁故障建模中,将故障发展的动态过程描述为不同的阶段,在每个阶段,不满足以上两个节点工作条件的节点将会从正常运行网络中剔除。当不再产生新的失效节点或全网络节点均失效时,则连锁故障动态过程停止。本文提出的考虑物理层电网潮流分析以及信息层延时的改进渗流理论的总体流程如图1所示。

1)阶段一:信息层初始节点失效

信息层节点由于部分节点意外故障或受到攻击引起失效,失效节点的故障沿着本层的边及两层之间的依靠关系传播,引起连锁故障。将初始失效节点剔除后的信息层网络节点集合可以表示为:

式中:C为信息层节点全集;μ1为初始失效节点集合;Cu(μ1)表示求取μ1在全集C中的补集。

考虑到节点正常工作的两个条件,在剔除原始失效节点后的信息层网络中,属于工作连通子集的节点集合可以表示为:

式中:F(C~1)表示在子网络C~1中求取符合条件的工作连通子集节点的运算。

2)阶段二:物理层失效分析

由于阶段一中部分信息节点的失效,从而部分物理层电网节点由于失去信息层节点3C功能依靠关系导致失效。将此部分失效物理层电网节点剔除后的物理层电网节点集合可以表示为:

式中:P为物理层电网节点全集;μ2为失去3C功能依靠关系的物理层节点;Cu(μ2)表示求取μ2在全集P中的补集。

节点集合P2中属于物理层工作连通子集的节点类似公式(3)可表示为:

如图1绿色框图所示,对物理层电网进行拓扑分析后,再对物理层工作子集节点组成的电网进行交流潮流分析。潮流计算后,对物理层电网边容量进行检测,过载的边将会引起保护动作被切除。此后,还需对物理层工作连通子集进行更新与计算。

如果潮流收敛失败,意味着物理层电网工作子集节点网络中的发电机无法满足初始负荷需求,需要进行切负荷优化运算,切负荷优化运算的目标函数及约束条件如公式(6)—(7)所示。

式中:Ci为节点i的切负荷量;Pi(V,δ)和Qi(V,δ)分别表示节点i的实际注入的有功功率与无功功率;PGimin,PGimax,QGimin,QGimax分别为发电机节点注入有功功率与无功功率的下限和上限;PDi和QDi分别是节点i的有功负荷和无功负荷;Tk为输电线路k的潮流;Tkmax为其最大容量;Vimax和Vimin分别是节点i的电压上下限。

由于切负荷优化运算约束条件中有输电线路容量约束,计算后将不会导致输电线路容量过载,因此切负荷优化运算后可直接可进入阶段三。

3)阶段三:信息层失效分析

由于信息层与物理层的相互作用,失效的物理层节点将会引起新的信息层节点失效。失去能量依靠关系而新失效的信息层节点需要从工作连通子集中除去,类似于公式(4-5),此阶段信息层工作连通网络节点集合可表示为:

式中:μ3为阶段二中失去能量支持关系的信息层节点;Cu(μ3)表示求取μ3在全集C中的补集;C3为工作连通网络。

信息物理融合电力系统的连锁故障的动态发展可以概括为阶段一的初始节点故障引发故障在阶段二和阶段三之间不断迭代的过程。阶段三结束后进入阶段二开始新一轮迭代。从第二轮迭代开始,公式(4)与公式(8)中的P和C1表示上轮迭代结束时,物理层和信息层的工作连通网络节点集合。依据文献[22],Barabsi-Albert模型的无标度网络及具体电力网络中节点失效后,满足节2.1中工作条件的节点筛选没有具体统一的封闭表达式形式,所以对于信息层节点,求取工作连通网络节点集合由判断节点与区域控制节点是否连通实现;对于物理层节点,求取工作连通网络节点集合由tarjan算法以及判断出现的解列孤岛是否有发电机及负荷节点实现。

当一轮迭代后与前一轮迭代的结果比较,不再产生新的失效节点或整个系统瘫痪全网络节点均失效,则信息物理融合电力系统连锁故障动态发展过程结束,进入脆弱度指标计算。

2.2 连锁故障脆弱度评估指标

本文的连锁故障脆弱度评估指标由拓扑完整性和信息层与物理层运行特性两个方面系数综合构成。网络拓扑完整性系数为连锁故障结束后,信息层与物理层连锁故障失效节点占总节点的比例;信息层与物理层运行特性系数分别为系统延时增量与切负荷比例。

信息层承担着数据交换处理的任务,完整性和时效性是基本的运行要求。连锁故障后网络失效节点的比例体现连锁故障对数据完整性的影响;时效性通过网络数据传递与处理的延时反映。由于信息节点的失效,信息层网络可能出现阻塞,数据在信息网络中通信传输将出现延时增加和数据丢失。本文对数据通信延时按如下简化计算。数据在信息网络中传输符合最短路径原则,每通过一个数据节点,延时增加一个时间单位(τ)。延时时间单位反映了数据在信息层数据源节点到目标节点传递与处理中,每通过一个信息节点及到达下一信息节点的通信路径中传递引起的延时。

信息层节点到控制中心的通信延时反映信息网络数据传递的实时性指标。物理层电网的电力运行特性系数用切负荷比例表示,反映了电网对电力用户需求的满足程度。因此,本文的信息物理融合电力系统连锁故障脆弱度评估系数如公式(10)所示。

式中:Ncyber和Nphysical分别是信息层和物理层的节点总数;i为连锁故障发展迭代次数;order(C2i+1)和order(P2i)分别为连锁故障结束时,信息层和物理层工作连通网络的阶数;T为连锁故障结束后的总负荷切除量;j为物理层电网节点全集;∑Lload表示物理层电网故障前总负荷;Tdelay为连锁故障引起的信息层总延时增量;e和f分别表示故障后和故障前的信息层节点间最短传输路径集合;t_delay表示每条传输路径的延时。

信息层完全失效时,网络中已不存在节点间的最短传输路径,整个信息层系统延时增量为无穷大。

3 算例分析

应用本文提出的连锁故障模型对基于复杂网络理论建立的信息物理融合电力系统模型连锁故障仿真分析。信息物理融合电力系统的物理层为IEEE118节点标准模型,信息层是依据Barabsi-Albert模型建立的119节点无标度网络。两层之间的依靠关系为冗余依靠关系,即每个物理层电网节点与两个信息层节点建立3C功能依靠关系,两个信息层节点分别为主备3C功能依靠节点;每个信息层节点与两个物理层电网节点建立能量依靠关系,两个物理层电网节点分别为主备能量依靠节点。

不同依靠关系策略会影响系统连锁故障脆弱度,对比物理层与信息层间不同对应依靠策略对信息物理融合电力系统连锁故障脆弱度的影响,分别对度数—介数对应依靠策略及拓扑中心度对应依靠策略进行连锁故障分析。在每种对应依靠策略下,分别仿真10组信息层节点逐次随机攻击引起的连锁故障,统计平均脆弱度指标,如图2、图3所示。为了方便图表显示,当信息层系统完全失效时,信息层延时增量为无穷大,将做出文字说明,不再量化表示。

每种信息层—物理层对应依靠策略下,信息物理融合电力系统连锁故障呈现了一阶渗流过渡转变,随着攻击节点数目增加,脆弱度逐渐上升。信息层拓扑结构受到破坏,一部分节点间丧失数据传输路径;一部节点间数据最短传输路径改变,传输路径绕至其他可用节点,系统延时比故障前增大。系统延时增加体现了攻击对于尚未失效节点的数据传输性能的影响。攻击节点数目有一个阈值,在这一阈值附近,脆弱度指标跃变,连锁故障范围扩大至全部节点;超过这一阈值,信息层和物理层所有节点失效,系统延时增量为无穷大。对度数-介数对应依靠策略及拓扑中心度对应依靠策略下系统阈值如表1所示。

综合图2、图3及表1,拓扑中心度对应依靠策略对连锁故障体现了较低的脆弱度,由于拓扑中心度综合反映了网络拓扑及物理层电网特性。这种对应依靠策略下,信息层及物理层处于拓扑及运行特性关键位置的点之间相互建立依靠关系,对随机节点攻击体现了较低的脆弱度。

为了对比信息物理融合电力系统采用分布式区域控制中心与集中式控制中心结构对系统连锁故障脆弱度的影响,在拓扑中心度对应依靠策略中物理层电网不分区,物理层采用集中式控制中心节点的结构下,进行节点随机攻击模拟,脆弱度指标如图4所示。

对比图3与图4,采用分布式控制中心结构不能明显抑制连锁故障发生范围,但可以在故障传播过程中减小信息层延时,提高信息层实时性指标。

节点攻击策略对系统脆弱度也有影响,对比不同节点攻击策略下信息物理融合电力系统连锁故障的发展。选取在随机攻击中脆弱度低的拓扑中心度对应依靠策略信息物理融合电力系统模型,分析信息层节点在度数排列攻击、介数排列攻击、拓扑中心度排列攻击下的系统连锁故障。如图5—图7所示。

相比于随机攻击,信息物理融合电网在蓄意目标攻击下体现了高脆弱度。度数排列攻击与介数排列攻击结果相近,拓扑中心度排列攻击的节点阈值更低且曲线陡度更大,系统完全失效更快。由于信息层处在关键拓扑位置的节点遭到攻击,系统性能受到破坏,系统延时增量较随机攻击有明显增加。在此攻击下,高拓扑中心度对应的物理层节点处在物理层拓扑和电力参数重要的位置,这些节点失去3C功能依靠关系而失效,对物理层的拓扑结构和电网运行造成更大影响,加速了信息物理融合系统连锁故障传播和系统瘫痪。

4 结语

本文在基于拓扑的信息物理融合系统连锁故障分析中考虑信息层电网的潮流分析和输电线路容量检测,采用多阶段分析的改进渗流理论,建立动态信息物理融合电力系统的连锁故障模型。同时,从网络拓扑完整性和网络运行特性两方面建立连锁故障脆弱度评估指标。算例表明信息物理融合电力系统拓扑中心度对应依靠策略对随机节点攻击体现了较低的脆弱度。同时,采用物理层电网分区的分布式控制中心,可以明显降低故障中信息层延时增量,能提高系统连锁故障中信息层的运行时效性。在拓扑中心度对应依靠关系下,对比了信息物理融合电力系统在不同攻击策略下连锁故障的脆弱度。拓扑中心度排列攻击的节点阈值更低系统完全失效更快。同时,由于信息层处在关键拓扑位置的节点遭到攻击,系统性能受到破坏,系统延时增量较随机攻击有明显增加。

本文提出的模型能更好地模拟实际连锁故障的发生与动态发展过程,系统脆弱度指标结合拓扑与物理运行特性,更加综合全面。下一阶段将针对信息层的主要功能与模块建立更精细化的模型以及研究信息物理融合电力系统连锁故障的预防控制措施。

附录见本刊网络版(http://www.aeps-info.com/aeps/ch/index.aspx)。

摘要：基于改进渗流理论,提出了考虑物理层电网潮流分析与信息层延时的信息物理融合电力系统连锁故障模型。将连锁故障的动态发展描述为故障在信息层、物理层交替传播扩大的多阶段过程,在分析故障在物理层传播的阶段中考虑物理层电网潮流,在脆弱度指标中综合拓扑完整度、信息层延时增量及物理层实际运行指标。对信息层、物理层不同对应依靠策略及节点攻击策略的连锁故障建模仿真表明拓扑中心度对应依靠策略呈现较低的脆弱度;物理层分区设立分布式控制中心与集中式控制中心的结构相比,能提高连锁故障发展中信息层的运行实时性。同时,节点蓄意攻击相比于随机攻击能造成发展更迅速,影响范围更广的连锁故障。

改进HT故障模型 篇4

(1) HT4400型等离子切割机切割作业时, 水管、电极一起被烧掉。现场检查时, 发现水箱出水管流量不足, 混有大量气体同时喷出。经调查知, 水箱前日做了清洗, 水箱中水位不足造成大量空气进入水管, 造成冷却能力不足。加水后反复打循环, 排空几十米长水管中的气体, 机器恢复正常。

洁, 避免灰尘、杂质带入冷却水中。更换后一定要先经短时间循环, 确认冷却水流量正常方可投入使用。尤其是水箱清洗后, 要确保冷却水管路内没有空气混入, 否则将影响设备使用。

(2) HT4400型等离子切割机频频发生流量报警。检查水箱出口压力时, 发现没有水流出, 打开水箱发现, 有一只冷却水水桶的盖子卡在出水口处。取下盖子再试机, 机器即刻恢复正常。

(3) HT4400型等离子切割机只能短时间切割, 且频频发生流量报警。检查水箱出口压力正常, 再检查机器本体内的水管时, 发现有松动现象。水管松动后长出来, 端面抵在电极上, 导致流量不足。上紧水管, 保证与电极间留有一定间隙, 再试机, 恢复正常。

(4) HT4400型等离子切割机只能短时间切割, 且频频发生WT (水温) 报警。经查, 强冷却风扇没有启动, 风扇单相马达的分相电容损坏。更换后风扇启动正常, 水温报警即刻消除, 机器恢复正常。W10.01-42

作者通联:上海外高桥造船有限公司上海市浦东新区洲海路3001号200137

改进HT故障模型 篇5

濮阳龙宇化工有限责任公司 (简称濮阳龙化) 年产15万t甲醇项目采用首套HT-L粉煤加压气化技术, 是国内首套拥有自主知识产权的高效洁净的粉煤加压气化示范性装置。其变换装置采用低水气比耐硫变换工艺, 催化剂采用青岛联信的QDB-04催化剂, 选用节能的废锅流程。

1 煤气化变换装置简介

濮阳龙化甲醇装置航天炉气化工艺制得的原料气特点是CO含量高, 水/气比大。由于CO浓度和水含量都高, 变换反应推动力大, 第一变换反应器床层热点温度难以控制, 为此, 选用低水/气比两段耐硫变换工艺, 通过调整工艺气中的水/气比, 来控制反应的平衡, 进而控制第一反应器变换反应的深度和床层热点温度, 达到在热点温度较低的条件下, 将高浓度CO进行部分变换, 从而来满足合成甲醇生产的要求。其中一变炉和二变炉都采用青岛联信的QDB-04催化剂, QXB作吸附剂。第一、二变换炉的设计水汽比为:0.30~0.38。

变换工序工艺流程如图1所示。来自气化的原料气先经低压废锅降低水/气比至0.30~0.38, 再经水分离器分离掉沿途管线的冷凝水之后, 经换热器与中温变换气换热, 提温至200~240℃, 进入第一变换炉进行变换反应, 第一变换炉出口温度≤450℃, 出口CO体积分数≤33%, 出口变换气经中压废锅进行换热副产中压蒸汽, 换热后的变换气温度降低至210~250℃, 进入第二变换炉, 继续进行变换反应, 第二变换炉出口温度≤360℃, 出口CO体积分数达到17%~19%, 送入后续工段。

2 变换装置工艺设计的缺陷

2.1 变换入口温度调节滞后

变换进料换热器与一段出口中压蒸汽发生器的位置设计存在问题, 变换气先进中压蒸汽发生器后进变换炉进料换热器进行换热, 这样不仅使一变入口温度的控制存在调节滞后的现象, 且使二段入口温度的控制不太灵活, 且随一段进口温度的提高而升高 (当一段进口温度250℃时, 二段进口将达温度270℃) , 这样就使二段催化剂的低温活性得不到充分应用, 变换反应不能在最适宜温度下进行, 增加了能耗, 且缩短了二段催化剂的使用寿命;随着催化剂使用时间的延长, 需要通过提高一段进口水气比来控制一段热点温度, 但由于二段进口温度较高, 容易使二段超温, 这样使整个变换装置的调整受很大的制约。

2.2 催化剂每次接气时带水影响催化剂寿命

变换装置在初始设计时, 因放空管设计在入口换热器前, 每次接气时, 因入口换热器及换热器至反应器之间的管线没有充分预热, 造成每次接气时, 变换催化剂出现带水现象, 一方面造成催化剂粉化失活, 严重影响催化剂的使用寿命, 另一方面容易造成在接气过程中出现飞温及跨温现象, 不仅造成能耗较好, 且给变换装置带来了安全隐患。

3 变换装置工艺技改措施

3.1 入口温度调节方式的改造

将变换出口的工艺气管线进行了改造, 使其先经过变换炉进料换热器后再进中压废锅, 通过变换炉进料换热器的冷副线来调节变换炉一段进口温度, 通过调整中压废锅所产蒸汽的压力来调节变换炉二段进气温度, 这样变换炉一段的进口温度调节将更为灵敏, 同时变换炉二段不再受一段进口温度控制的影响, 改造后工艺流程图如图2。

3.2 入口放空管线的改造

为彻底解决变换装置接气前, 前管线不能充分预热, 造成催化剂失活及对变换装置带来的安全隐患, 通过研究, 我们在变换炉入口就近的管线上增加入口阀门, 并在阀门前增加放空管线, 确保接气时的充分暖管。

4 改造后使用的效果

4.1 改造前后开车情况对比

如表1所示, 为改造前后变换装置运行情况的对比。

4.2 改造前后运行工艺指标对比

如表2、3所示, 为变换装置改造前后运行工艺指标。

5 结语

改进HT故障模型 篇6

1 材料与方法

1.1 材料

1.1.1 实验动物

清洁级健康雄性3月龄Wistar大鼠60只, 体重 (190±20) g, 由山西医科大学实验动物中心提供。

1.1.2 实验药物

抗郁汤由巴戟天、淫羊藿等中药组成, 原药材购自山西医科大学第二医院药房, 由山西医科大学第二医院制剂室制备为干燥粉末, 每1 g粉末相当于生药4.2 g, 4 ℃冰箱保存。盐酸氟西汀, 由礼来苏州制药有限公司生产, 剂量为每粒20 mg。

1.1.3 实验试剂

5-羟色胺硫酸肌酐, 中国医药公司上海化学试剂采购供应站瑞士进口分装。

1.1.4 实验仪器

Sartorius电子天平, 德国Sartorius公司;微量电子天平, 岛津BP-211D;3K30台式高速冷冻离心机, 德国SIGMA公司;匀浆机, 德国IKA公司;RF-540型荧光分光光度仪, 日本岛津公司。

1.2 方法

1.2.1 实验动物的分组

将60只大鼠根据体重大小编号, 通过随机数字表采用区组随机的方法进行分组, 以保证各组大鼠实验前体重均衡。实验大鼠分为6组:空白对照组 (A组) 、模型组 (B组) 、盐酸氟西汀组 (C组) 、抗郁汤低剂量组 (C组) 、抗郁汤中剂量组 (D组) 、抗郁汤高剂量组 (E组) , 每组各10只。

1.2.2 抑郁模型的建立

适应性喂养1周后, 除空白对照组普通喂养 (群养) 外, 余组参照文献[1,2], 制造为期21 d的大鼠孤养加慢性不可预见的中等强度刺激应激抑郁模型。方法是在21 d内施加电击足底 (50 V交流电, 10 s/次, 每隔1 min, 20次) 、冰水游泳 (4 ℃, 5 min) 、摇晃 (1次/s, 1 min) 、夹尾 (1 min) 、禁水 (24 h) 、禁食 (24 h) 、热应激 (45 ℃, 5 min) 刺激, 随机安排每日给予1种刺激, 每种刺激出现3次, 同一种刺激不能连续出现, 使动物不能预知给予的刺激。

1.2.3 给药方法

空白对照组普通喂养;模型组灌服生理盐水2 mL;根据动物与人体体表面积折算法, 药物用量为人体用药剂量的20倍、10倍、5倍。用时按生药与制剂的比例折算, 纯化水稀释;盐酸氟西汀去外壳后, 用纯化水配成0.18 mg/mL混悬液, 使用时摇匀。大鼠灌胃容量为0.33 mg /100 g体重, 按大鼠体重给相应药物量, 于每日刺激前30 min灌服。

1.2.4 体重的检测

实验第21天, 按动物序号进行测量。

1.2.5 学习记忆能力的检测

实验第21天, 采用Morris水迷宫[3]视频跟踪系统进行评价。该系统由一个直径120 cm, 高50 cm不锈钢水池、平台、记录装置和分析软件组成。水温保持在24 ℃±2 ℃, 大鼠头部以苦味酸涂黄色, 便于摄像头捕捉。平台为直径9 cm, 高29 cm的圆形隐藏平台, 置于第三象限, 水面高于平台2 cm, 实验期间水迷宫外足够的固定参照物及水池壁上用粉笔画有固定的图案 (如三角、圆等) 供大鼠定位利用, 且始终保持不变。

定位航行实验通过观测大鼠从入水到找到并爬上平台所需时间, 即逃避潜伏期, 避潜伏期的长短可检测其学习记忆能力。造模前5 d进行定位航行训练, 每天固定时间, 训练2次。大鼠均以第一象限为入水点, 如果大鼠在60 s未找到平台, 逃避潜伏期记为60 s然后由实验者将其牵引至平台上, 停留20 s再放回笼中。实验21 d正式检测时, 记录大鼠2 min内逃避潜伏期及找到休息平台所游过的距离。

1.2.6 脑内单胺类神经递质5-HT含量的测定

用20%的戊拉坦, 按5 mL/kg 腹腔注射麻醉大鼠, 放血处死大鼠后, 尽快断头剥取全脑, 去除小脑后将脑组织称重, 放入预冷酸性正丁醇溶液中匀浆, 混匀后离心取上清液, 按荧光分光光度法[4]测定大鼠脑内单胺递质5-HT的含量。

1.3 统计学处理

采用SPSS12.0统计软件包进行分析。计量资料用均数±标准差$(\overline{x}\pm s)$表示。数据采用单因素方差分析, 组间比较采用LSD检验。

2 结 果

2.1 体重增长变化

第21天, 与A组相比, B组体重增长缓慢, 差异有统计学意义 (P<0.05) ;与B组相比, C组、E组、F组体重增加, 差异有统计学意义 (P<0.05或P<0.01) ;D组较B组体重有所增加, 但差异无统计学意义 (P>0.05) ;与C组相比, D组体重增长缓慢, 差异有统计学意义 (P<0.05) ;E组、F组与C组体重差异无统计学意义 (P>0.05) 。详见表1。

2.2 大鼠的学习记忆能力评价

第21天在逃避潜伏期中, 与A组相比, B组逃避潜伏期、游泳距离增加 (P<0.01) ;与B组相比, 各给药组逃避潜伏期、游泳距离下降 (P<0.05或P<0.01) ;与C组相比, D组、E组、F组逃避潜伏期差异无统计学意义 (P>0.05) ;与C组相比, D组、E组游泳距离增加 (P<0.05) , F组与C组差异无统计学意义 (P>0.05) 。详见表2。

2.3 脑内单胺类神经递质5-HT含量变化

与A组相比, B组、D组、E组5-HT含量减少 (P<0.05或P<0.01) ;与B组相比, D组5-HT含量有所增加, 但差异无统计学意义。C组、E组、F组5-HT含量较B组显著增加 (P<0.05或P<0.01) ;与C组相比, D组5-HT含量有所减少, 但无统计学意义;E组、F组与C组差异无统计学意义 (P>0.05) 。详见表3。

3 讨 论

本实验所采用的慢性不可预见性应激抑郁模型是目前常用的动物模型。对于大鼠来说, 连续21 d的伤害性刺激相当于人长期处于负性情绪和生活事件中, 目前认为其为抑郁症病因。长期负性情绪及不良的生活环境使得脑组织中单胺类神经递质含量下降, 单胺递质的作用与相应的受体亚型有关, 单胺类神经递质的受体多与G蛋白偶联, 通过不同的G蛋白激活或抑制不同的信号转导途径, 影响基因转录和表达, 从而使神经细胞功能发生一定的变化。

抑郁症属中医情志病的范畴, 其症状散见于中医古籍中的癫狂、脏躁、百合病、郁证等病证中。中医学认为抑郁症是由情志不遂、气机郁结而致, 因郁及气血、五脏, 出现气血失调、脏腑功能失调, 变生诸多不足之证, 出现脾虚、肾虚、气郁化火、郁久伤阴、阴虚火旺等证型, 所谓“久病必虚”。 抑郁症初期为肝郁, 中期为心脾两虚, 后期为肾虚。

抗郁汤由巴戟天、淫羊藿等中药组成。中药巴戟天是常用的补肾壮阳药, 主治大风邪气、可强筋骨、安五脏、补中、增志、益气。在采用现代药理学方法研究巴戟天[5]的药理作用过程中, 发现其具有抗抑郁作用;中药淫阳藿是传统的补益药, 具有补肾阳、强筋骨、益精气、补腰膝、强心力、祛风湿等作用。现代药理研究表明, 淫羊藿主要化学成分为黄酮类化合物、木脂素及生物碱淫羊藿具有多种药效功能, 主要集中在免疫、生殖系统及心脑血管系统等方面。

抗郁汤具有补肾助阳、养阴柔肝、调整阴阳等功效。在临床运用中, 以其为基础方加减化裁治疗抑郁症, 常常获效。在本实验中, 抗郁汤中、高剂量组与西药盐酸氟西汀对照组疗效相当, 存在一定量效关系。抗郁汤可使抑郁模型大鼠体重增加, 学习记忆能力改善;提高其脑内单胺类神经递质5-HT含量。

摘要：目的 探讨抗郁汤对孤养加慢性应激抑郁模型大鼠体重增长、学习记忆能力及脑内单胺类神经递质5-羟色胺 (5-HT) 含量的影响。方法 除空白对照组普通喂养 (群养) 外, 余各组制造孤养加慢性不可预见的中等强度刺激应激抑郁大鼠模型。连续21d于应激刺激前30min除对照组外, 余组接受不同灌胃干预, 检测各组大鼠体重增长、学习记忆能力及5-HT含量。结果 模型组大鼠体重增长、学习记忆能力及5-HT含量较空白对照组显著减少;抗郁汤低剂量组较模型组有所增加, 盐酸氟西汀组与抗郁汤中、高剂量组接近空白对照组, 较模型组显著增加。结论 抗郁汤能够纠正抑郁模型大鼠体重降低、学习记忆能力, 增高抑郁模型大鼠脑内单胺类神经递质5-HT含量, 具有良好的抗抑郁功能, 在一定剂量内存在一定的量效关系。

关键词：抗郁汤,孤养加慢性不可预见应激抑郁模型,单胺类神经递质

参考文献

[1]Katz RJ, Carroll BJ.Acute and chronic stress effects on open fieldactivity in the rat:Implications for a model of depression[J].Neu-rosci Biobehav Rev, 1981, 5 (2) :247-251.

[2]Kate RJ, Sibel M.Animal model of depression:Tests of threestructurally and pharmacologically novel antidepressant comd-pouns[J].Pharmacol Biochem Behav, 1982, 16 (6) :973-977.

[3]Kaegker S T, Sinner C, Chatterjee S, et al.Hyperforin enhancesthe extracellular concentrations of eatecholamines, serotonin andglutamate in the rat locus coeruleus[J].Neuroscience Letters, 1999, 262 (3) :199-202.

[4]匡培根, 周新富, 徐波.脑组织中单胺类神经递质的提取和荧光光度测定法[J].中国人民解放军军医进修学院学报, 1982, 3 (2) :181.