基于物聯網的加權模糊petri網電網故障診斷研究

孫 霞,劉 順

(安徽理工大學電氣與信息工程學院,安徽 淮南 232001)

隨著電力用戶對電能可靠性的需求越來越高,電網的結構也日益復雜。及時、正確地診斷電網故障是保證電網穩定持續運行的前提,比較常見電網故障診斷的方法有基于神經網絡的方法、基于專家系統的方法,另外還有貝葉斯網絡[1]、神經算法[2]、petri網等。其中,petri網因其強大的離散并行處理能力,廣泛地應用在電力系統故障診斷中。

近年來,學者們基于petri網進行了許多電網故障診斷的研究。文獻[3]提出模糊petri網在電力系統故障診斷中達到了滿意的判斷效果。文獻[4]39考慮故障因素的不同影響程度提出了加權模糊petri網電網故障診斷的方法。文獻[5]提出按故障元件蔓延方向建立加權模糊petri網,該方法具有較高的容錯性和適應性。文獻[6]提出基于改進的petri網電網故障診斷方法,需要按故障元件蔓延方向進行建模,同時根據故障原理構建復雜的petri網模型。文獻[7]將BP神經網絡與模糊petri網相結合,通過優化權值、閾值和確信度提高故障診斷的結果取值。上述學者在研究時總結前人的經驗,不斷完善petri網在電網故障診斷的應用,但仍存在一些不足,如沒有考慮不同事件對故障發生的影響程度且按元件建立龐大的電網拓撲結構petri網模型,不適用于拓撲結構多變的電網;權值的確定沒有嚴格的定義,權值大多定義均分為0.5,權值的作用被忽略;監測中心采集的信息漏報誤報時會影響故障診斷結果[8],導致出現故障元件診斷錯誤的情況。

因此,為了提高電網故障診斷結果的可靠性,本文提出基于物聯網的加權模糊petri網電網故障診斷方法,以可疑故障元件為中心按不同方向構建多個模糊petri網模型,充分考慮保護與斷路器動作信息對故障發生的影響程度,并在診斷結果的基礎上增加補充信息,最后結合仿真實驗進行分析,以期為電網故障診斷提供更有效的方法。

1 加權模糊petri網

1.1 加權模糊petri網定義

定義：加權模糊petri網(Weighted Fuzzy Petri NET,WFPN)可以定義為一個九元組[9]

SWFPN={P,T,I,O,a,Th,W,θ,U}

其中,

1)P為所有庫所節點組成的有限集合,P={P1,P2,…,Pn};

2)T為所有變遷節點組成的有限集合,T={t1,t2,…,tm};

3)I為P庫所指向T變遷的輸入映射,其值等于φij,φij∈[0,1];當Pi為Tj的輸入庫所時,φij的值為該有向弧的權值,當Pi不是Tj的輸入庫所時,φij=0;

4)O為T變遷指向P庫所的輸出映射,其值等于φij,φij∈[0,1];當Pi為Tj的輸出庫所時,φij的值為該規則的可信度,當Pi不是Tj的輸出庫所時,φij=0;

5)a則表示庫所對應命題的可信度,a(Pi)∈[0,1];

6)Th為變遷激發閾值向量,Th∈[0,1],也是一個映射,對變遷節點t定義一個閾值Th,Th={λ1,λ2,…λm};

7)W為變遷規則的權值矩陣,W={w11,w12,…wij},反映規則中的前提條件對結論的支持程度;

9)U為變遷規則可信度矩陣,U=diag(u1,u2,…,um),uj為tj規則的可信度,uj∈[0,1]。

1.2 加權模糊Petri網推理

1)首先計算每個變遷的合成輸入可信度

Ek+1=Iθk

2)將合成輸入可信度與變遷閾值相比較

Gk+1=Ek+1?Th

3)如果合成輸入可信度大于變遷閾值,則留下該輸入項。計算可以發生變遷的合成可信度

Hk+1=Ek+1⊙Gk+1

4)計算庫所下一步狀態

θk+1=I?Hk+1⊕θk

5)如果θk+1=θk,則推理結束。

其中k初始為0,重復上述推理步驟直至達到結束條件。

1.3 加權模糊Petri網的改進

考慮到電網拓撲結構復雜多變的特點,本文提出基于物聯網的加權模糊petri網電網故障診斷方法,打破傳統電網故障診斷WFPN模型,對可疑故障元件各個蔓延方向進行建模,綜合主保護、近后備保護、遠后備保護以及對應斷路器的信息分析,進一步提高故障診斷的準確性。

加權模糊petri網在模糊petri網的基礎上增加了權值的元素定義,提高了系統應用的準確性。不同的事件對結果的影響程度不同,如保護動作和斷路器動作,當保護動作發生時對應的斷路器才會發生動作,因此不能簡單地將權值都賦值為0.5。在系統實際工作中,保護信息動作觸發斷路器動作,因此保護信息動作的權值應大于斷路器動作權值。本文將保護動作的權值設為0.55,而斷路器動作權值設為0.45。經過研究發現,電力系統中母線、變壓器以及輸電線路發生故障時往往伴有溫度變化的現象,因此在結合上述改進方法基礎上,引入物聯網技術,通過加入無線傳感器網絡實時采集電網元件的溫度。當電網發生故障后,通過建立WFPN模型分析出可疑故障元件并結合實時采集的溫度數據進一步確定故障元件。

對于電網元件的故障診斷,首先對電網拓撲結構進行分析,了解各類保護的動作原理;再利用接線分析法找出可疑故障元件,按照可疑故障元件的蔓延方向,繪制不同方向上的加權模糊petri網;最后,通過SCADA系統獲取故障的保護動作和斷路器動作信息,計算出元件不同方向上的故障可信度,進而均分得到故障結果。本文規定可疑故障元件的故障結果可信度大于0.65,則判定為故障元件。

2.1 電網拓撲結構

圖1為局部電網示意圖,由32個元件、40個斷路器和84個保護組成。32個元件分別表示為:電源G1～G4,母線A1～A4,雙母線B1～B8,變壓器T1～T8,線路L1～L8。40個斷路器表示為CB1～CB40。其中,保護分為主保護和后備保護,而后備保護分為近后備保護和遠后備保護。36個主保護表示為:A1m～A4m,T1m～T8m,B1m～B8m,L1Sm～L8Sm,L1Rm～L8Rm。48個后備保護為:T1p～T8p,T1s～T8s,L1Sp～L8Sp,L1Ss～L8Ss,L1Rp～L8Rp,L1Rs～L8Rs。在上述表達中,m表示主保護,p表示近后備保護,s表示遠后備保護,S和R表示線路的送端和受端。本文規定左端為送端,右端為受端。

圖1 局部電網示意圖

通過電網拓撲分析找出可疑故障元件[10]16。由于電網結構復雜,保護和斷路器數量過多,傳統分析方法建立的petri網模型結構龐大,不利于分析拓撲結構變化的電網,因此需要新的電網拓撲分析法。根據接線分析法可知,當電力系統發生故障后,保護和斷路器動作會將故障元件進行隔離[11],因此故障元件肯定被隔離在一個無源區域中?；诖嗽?將元件母線、變壓器和線路進行順序編號。通過依次取元件判斷是否與閉合的斷路器相連構成有源集合,構成無源集合中的元件則為故障元件,具體步驟如下:

1)建立一個集合a,并將所有元件編號放入其中;

2)建立一個子網集合Ni,取元件編號i放入其中,并找出與之相連的閉合斷路器,若無閉合斷路器,則轉到步驟6;

3)找出與閉合斷路器相連的其他元件,并將元件編號放入子網集合中;

4)繼續搜索由第3步得到元件的其他相連閉合斷路器;

5)重復步驟3～4,直至結束;

6)列出所有的子網集合,若集合Ni中不含電源則元件i為可疑故障元件。

2.2 基于物聯網的電網應用

研究表明,現階段電網已經推廣了一系列通信信息平臺和自動化系統,正在往透明電網方向發展,使電網運行透明化,系統可觀可測[12]。本文選用ZigBee與NB-IoT相結合的通訊模式,具有電網系統監測的低功耗、成本低、覆蓋廣等優點[13]。具體措施為:在變壓器、母線、線路各元件周圍安裝ZigBee模塊,選用CC2530作為主控芯片,溫度傳感器選用DS18B20,整體組網結構采用星星拓撲結構。通過協調器上的NB-IoT模塊將各終端實時采集溫度上傳至云端,便于電網監測中心上位機觀測處理數據。

2.3 保護的動作原理

1)母線的主保護動作時跳開與其相連的斷路器,如A2發生故障時,A2m動作斷開CB16、CB17和CB18。母線的遠后備保護是當主保護下的斷路器未跳開時,相應方向上的遠后備保護動作且相應斷路器跳閘;如A2發生故障時,CB17未斷開,T4s動作斷開CB15。

2)變壓器主保護動作時跳開其兩端的斷路器,如T2發生故障時,T2m動作斷開CB3和CB5。變壓器的近后備保護是當主保護拒動時,動作跳開其兩端的斷路器;如T2發生故障,而T2m未動作時,T2p動作斷開CB3和CB5。變壓器的遠后備保護用于相鄰區域故而該區域保護未動作時,保護斷路器。

3)線路主保護分為受端主保護和送端主保護,也是在發生故障時斷開與其相連的斷路器,如L6發生故障時,L6Rm動作斷開CB20,L6Sm動作斷開CB32。線路的近后備保護是當主保護拒動時,動作跳開其兩端的斷路器,如L6發生故障時,L6Rm未動作,L6Rp動作斷開CB20;L6Sm未動作,L6Sp動作斷開CB32。線路的遠后備保護用于相鄰區域發生故障時起保護作用,用來保護線路[14]。

2.4 建模

在電網拓撲分析找出可能可疑故障元件后,按照元件不同方向建立加權模糊petri網故障診斷模型。傳統元件故障診斷模型將其分為3層,并將所有可能發生的保護和斷路器動作信息繪制在一起,結構復雜且矩陣計算量大。而本文構建的故障診斷模型只需要兩層即可,且邏輯更加清晰。如圖1所示的局部電網示意圖,若監控中心收到警報信息,斷路器CB11、CB13、CB19動作,則根據上述的接線分析法可以判斷出可疑故障元件為母線B3;然后對可疑故障元件按不同方向進行加權模糊petri網建模。

圖2具體說明了故障方向WFPN模型的建立方法。當判斷出母線B3發生故障,以診斷元件B3為中心,對其3個故障蔓延方向(線路L1、L5,斷路器CB13)分別建立WFPN模型。根據保護的動作原理將保護信息和斷路器相連接,圖2中P11、P21均表示虛擬庫所,存放著保護動作原理發生的可信度。P1、P2、P3為該方向上的故障可信度。圖2中省略了權值和可信度的標識,具體賦值會在之后列出詳細信息。

(a)線路L1方向上的WFPN模型

2.5 仿真參數的確定

監控中心收到從SCADA系統收集的保護和斷路器動作信息,存在著信息缺失或漏報的情況,因此,初始保護和斷路器動作信息的可信度需要科學地確定。根據文獻[15]和文獻[4]39確定主保護和斷路器動作可信度的方法,得出仿真參數,具體參數設置如表1所示。

表1 保護和斷路器動作(未動作)可信度設置

在計算過程中,文獻[4]32將保護和斷路器的動作信息均取權值為0.5,未考慮保護和斷路器的動作信息對規則影響程度不一致。在SCADA系統中,保護信息動作觸發斷路器動作,因此,保護信息動作的權值應大于斷路器動作權值。本文將保護權值設為0.55,斷路器動作權值設為0.45。為保證模型的容錯性,將閾值設置為0.2,規則的置信度設置為0.95,便于驗證仿真結果的可行性。

2.6 推理過程

案例1 監控中心收到如下信息:B3m動作,跳開斷路器CB11、CB13、CB19。由跳開的斷路器可推斷出可疑故障元件為母線B3,以診斷元件B3為中心按方向建立WFPN模型,如圖2所示。以圖2(a)為例,根據定義,可得到輸入輸出矩陣以及變遷閾值矩陣分別為:

根據監控中心收到的信息進行參數初始化,確定保護和斷路器動作的可信度?？傻贸跏伎尚哦葹棣?=[0.968 4,0.983 3,0.4,0.2,0,0,0],其推理過程如下:

θ1=[0.968 4,0.983 3,0.4,0.2,0.926 3,0.294 5,0]

θ2=[0.968 4,0.983 3,0.4,0.2,0.926 3,0.294 5,0.88]

θ3=[0.968 4,0.983 3,0.4,0.2,0.926 3,0.294 5,0.88]

比較兩次推理結果可知θ2和θ3結果相同,根據推理步驟可知推理結束且母線B3在L1方向上的故障結果為0.880 0。同理可得母線B3在L5方向上的故障結果為0.880 0,母線B3在CB15方向上的故障結果為0.880 0。對以上3個方向的診斷結果進行合并,采用均分的方法,得到最終B3的故障結果為(0.8800+0.8800+0.8800)/3=0.8800。

3 算法的適應性和容錯性分析

3.1 適應性

與傳統電網故障診斷WFPN模型相比,按故障方向建立WFPN模型的優勢在于每條蔓延方向的模型是獨立的,僅與當前路徑上的保護和斷路器相關。即在該故障元件方向上增刪一條路徑,都不影響系統的整體結構,減少了建模的復雜度,在電網拓撲結構發生變化時依然能夠得到準確的故障診斷結果。

3.2 容錯性

考慮到SCADA系統提供到監測中心的數據信息不完整或者數據錯誤的情況,采用1.3節所提的方法進行改進,提高系統的容錯性。通過以下案例驗證保護和斷路器誤動以及信息漏報情況下該算法的容錯性。

案例2 監控中心收到如下信息:L1Rm、T1s動作,跳開斷路器CB4、CB11。由跳開的斷路器可推斷出可疑故障元件為線路L1,以診斷元件L1為中心按方向建立WFPN模型,由推理規則得到L1在不同方向上故障診斷結果,送端為0.652 0,受端為0.880 0,則故障診斷結果為(0.6520+0.8800)/2=0.7660。通過反向推理后可知L1Sm和L1Sp未動作,CB7拒動。由此可知,由于保護和斷路器信息的漏報,故障診斷的結果受到了影響,值偏低。此時根據物聯網設備中獲取的溫度信息,溫度異常則表明L1元件存在發生故障的可能性,將故障診斷結果與遠程測溫信息相結合,驗證了故障結果的可靠性,為工作人員快速準確定位故障元件、實現電力系統持續穩定運行提供了堅實的保障,體現了該方法具有較高的容錯性。

4 仿真驗證

利用MATLAB中Stateflow模塊搭建可疑故障元件的WFPN模型,進行仿真驗證。在研究中發現當只存在一個可疑故障元件,在保護和斷路器動作信息不完整時仍能得到正確的診斷結果[16]。因此,本文針對電網系統診斷中出現多可疑故障元件情況進行仿真驗證本文方法的有效性和可靠性。

案例3 監測中心收到如下信息:B3m、L7Ss、L5Sp、L5Rm、L1Rs、T3m、T3p動作,跳開斷路器CB11、CB14、CB16、CB29、CB31。由跳開的斷路器可推斷出可疑故障元件為變壓器T3、母線B3和線路L5、L7。建立故障診斷仿真模型如圖3所示。由圖3可知,故障診斷結果與推理規則得出的結果相同。

(a)仿真外部框圖 (b)仿真內部結構圖

通過對所有可疑故障元件的建模仿真得到的故障診斷結果如表3所示。由故障結果可知最有可能發生故障的元件為線路L5、變壓器T3和母線B3,故障可信度分別為0.766 0、0.789 4和0.667 9。此時B3的動作情況存在不確定性,但是結合溫度監測信息,可以排除母線B3為故障元件。通過反向推理可知B3m誤動,CB19拒動。由此證明,此方法在多元件發生故障時可以提供有效判斷依據,提高了故障診斷結果的準確性。

表3 案例3故障診斷結果

5 結論與展望

本文提出基于物聯網的加權模糊petri網電網故障診斷方法,實驗結果證明,該方法適用拓撲結構多變的電網,在保護和斷路器動作信息不完整時,仍能給出正確的診斷結果,具有較高的適應性和容錯性。

本文僅將溫度狀態作為元件故障的參考,導致故障診斷正確結果存在一定的偶然性。在未來的研究中,隨著智能電網[17]的發展,可加入更多智能通信和監測設備,智能采集電網元件更多的監測信息,提高故障診斷結果的可靠性。