电网自愈控制中故障实时监测及诊断研究

2013-12-01陈铁军宁美凤

自动化仪表 2013年1期

陈铁军宁美凤

(郑州大学电气工程学院，河南郑州 450001)

0 引言

自愈性是智能电网［1］的重要特征之一，也是智能电网的核心功能。目前，国内外学者都在积极研究具有自愈能力的智能电网结构［2-5］。相关研究讨论了配电网快速仿真与模拟、高级配电自动化、智能微网、广域测量、需求侧管理等新技术在未来自愈电网网络监测、保护、控制等领域中的应用。但是这些技术具有一定的局限性，电网的自愈控制还有待进一步研究。

多智能体(multi-agent system，MAS)技术特别适用于根据时间、空间或功能进行分解的场合，它已在电力系统的多个层面得到应用［6-8］。本文运用MAS技术，提出了一种分层自愈控制结构，并实现了自愈控制中故障在线实时监测及诊断子系统的设计。通过对电网的实时监测来判断电网运行状态，并对电网中的电气量和开关量进行数据融合;通过故障匹配和Petri网技术提取故障特征，同时在D-S证据理论融合的基础上，得出诊断决策。该决策较好地解决了海量信息的不确定性和诊断过程中的知识组合爆炸等问题。

1 基于MAS电网自愈控制体系结构

1.1 自愈控制系统中的MAS

多智能体技术源于分布式人工智能。多个松散耦合的Agent组成代理网络。这些智能体通过交互，解决超出单个智能体能力或知识的问题。Agent通常具有自治性、社会性和自发性。单个Agent主要用于模拟人的智能行为，在复杂系统中相当于一个具有独立功能和任务的子系统，它将推理和知识表示相结合。多Agent系统相当于为了完成复杂的分布式任务而组成的一个人类社会团体，多个Agent之间通过通信、协调或协作形成多Agent系统。从某种意义上讲，多Agent系统类似于参考文献［9］提出的链系统，所以可以把链系统中在线扩大的思想运用到多Agent系统中［9］。通过逐步增加具有独立功能的 Agent，使多Agent系统不断扩大，从而将设计工作分解到局部，最终获得全局的希望特征。

由于电网的复杂性和运行状态的多变性，以及各种保护配合的复杂性、电网拓扑的可变性，使电网自愈控制系统的设计成为一个复杂的综合性问题。如链系统，可以把自愈控制系统分解成一个个具有独立功能的智能体，通过对单个Agent的设计以及它们之间的通信、协调或协作，逐步扩大多Agent系统，以实现电网自愈控制。MAS能够很好地解决电网自愈控制系统的分布自治性和广域协调问题，它是实现电网自愈控制的重要技术。

1.2 基于MAS的自愈控制体系结构

通过对Agent智能、交互、协作等属性的分析，提出了一种分级、分层的多智能体系统。系统结构框图如图1所示。

图1 电网分层自愈控制系统结构Fig.1 Structure of hierarchical self-healing control system

分层自愈控制系统是一个分散、耦合的智能Agent网络。其通过对各个分布式、自治、具有独立功能的智能体的设计以及它们之间的交互作用来实现大范围控制，并协同实现全局目标。这样就可以做到具体问题具体对待，逐渐增强智能电网的自愈控制功能。该方案将整个电网自愈控制系统分成三层，即系统层、过程层和应用层，使电网自愈控制性能逐层完善。各层具体介绍如下。

①系统层由电网运行环境和智能设备等组成，它是电网的物理层。该层的智能化程度越高，支持电网实现自愈的能力越强。系统层的主要功能是感知电网的各种状态信息，接收来自上层传达的控制信号，执行控制命令。

②过程层处于该系统的中间层，它由采集测量Agent、故障诊断 Agent、保护控制 Agent和控制执行Agent组成。它可以通过采集测量Agent实时获取电网的各种信息，提取并处理其中重要的状态信息，对电网的运行状态进行监视。当局部电网发生异常或故障时，对电网进行诊断，并及时做出局部快速保护动作，防止电网故障产生连锁反应;同时它可以与应用层进行通信，收集、发送来自上层控制方案Agent的控制信息，并向系统层发出控制执行命令。

③应用层相当于整个系统的全局控制中心。当过程层的局部控制不理想时，可以由应用层对电网进行分析，并给出理想的控制方案。该层包括事件辨识Agent、脆弱性评估 Agent、决策支持 Agent、模型更新Agent和控制方案Agent。事件辨识Agent通过分析来自过程层获得的数据，对电网存在的安全隐患和即将发生的事件进行实时预测，从而判断电网运行状态，以此对电网脆弱性进行评估。模型更新Agent是系统的知识库，它保存有以往电网运行状态信息。事件辨识Agent可以将自身的判断结果与知识库中已有的信息进行搜索比较，随时更新模型，从而为电网提供决策支持，以便形成最佳的电网自愈控制方案。

上文主要分析了电网自愈控制系统的主要组成。该系统可以根据智能电网的发展阶段及其需要进行在线扩大。它既可通过应用层实现集中控制，又可以通过过程层实现局部控制。

2 故障在线实时监测及诊断

故障在线实时监测及诊断系统是电网自愈控制系统的一个子系统，是电网自愈控制系统实现电网自愈的基础。以故障在线实时监测及诊断的设计作为自愈控制系统子系统的设计实例，通过分阶段设计各个子系统来实现电网自愈控制。

2.1 电网故障诊断

国内外学者从不同的角度提出了一系列故障诊断的方法。这些方法主要有专家系统［6］、人工神经网络法［10］、基于优化的方法以及基于模糊集［11］、粗糙集［12］、Petri网［13］等由数据和模型驱动的方法。文献［14］对上述几种主要方法的优缺点进行了详细的介绍，并指出了故障诊断中存在的难点问题。通过分析可知，依靠单一信息往往不能满足诊断的性能要求。多源信息的异构特征和诊断过程的不确定性，使综合利用多源信息非常困难［14］。

充分综合多源、异构的故障信息，在信息不完整的情况下，融合多种智能技术进行故障诊断是提高故障诊断性能的根本途径。

2.2 故障在线实时监测及诊断系统

故障诊断是根据故障特征对已经发生的故障进行定位，并对故障发展程度进行判断，其内容还可以进一步拓展到故障监测。故障监测是通过对设备、网络和系统的状态进行实时扫描，根据特征量的变化，判断相应设备、网络和系统的健康程度，这对电网故障起到提前预测的作用。结合MAS技术与信息融合思想［15］，提出了一种基于MAS信息融合的电网故障在线监测及诊断子系统，其结构如图2所示。

图2 故障在线监测及诊断系统结构Fig.2 Structure of online fault monitoring and diagnostic system

故障在线监测及诊断系统由故障监测与故障诊断两部分组成。故障监测主要用于实时采集电网电气量信息、监测电网状态、判断电网是否出现扰动。如果电网存在异常，就与检测到的开关量信息进行数据融合，为故障诊断提供故障信息。故障诊断是从故障信息中提取故障特征，对故障特征进行分析融合，形成诊断决策，并及时消除电网故障，从而实现电网自愈控制。

3 故障在线监测及诊断的具体实现

3.1 故障监测部分的具体实现

电网故障时，电气量的变化优先于保护、断路器等的动作，且电气量数据可靠性、完备性和容错性较好。因此，通过实时采集电网电气量进行运行状态分析，可以实现对电网故障的预测。故障监测部分由电气量采集Agent、开关量采集Agent、状态监测Agent和数据融合Agent等部分组成。

①电气量采集Agent与电网中广域向量测量系统(wide area measurement system，WAMS)、数据采集与监控系统 (supervisory controland data acquisition，SCADA)及故障保护信息管理系统(protection information management system，RPMS)进行通信。利用向量同步单元(phasor synchronous unit，PSU)不但可以实现对电压、电流、功率、RPMS中故障录波器录波信息等实时数据的采集，而且还能对SCADA系统中电压、有功功率、无功功率等进行测量，并能够将获得的电网电气量数据发送给状态监测Agent。

②开关量采集Agent与SCADA及RPMS进行通信，用来采集线路中断路器状态、隔离开关状态等开关量信息。当电网发生故障时，开关量采集Agent将这些信息传输给数据融合Agent。

③状态监测Agent是一种认知型Agent，它对电网分析质量好坏的关键在于其数据库中知识的质量与数量。数据库中的数据由正常运行时或可用状态下的试验数据和故障时的试验数据组成。数据库可以根据具体情况进行修改。状态监测Agent将在线实时采集数据与自身数据库中的数据进行对比分析，并对电网运行情况进行初步判断。

从状态监测Agent中获得电网是否异常的状态信息。如存在异常，数据融合Agent进行工作，即获取电气量及开关量数据，进行数据融合。数据融合Agent采用加权平均算法［15］或递推估计的融合算法进行数据处理。如对不同数据源提供的某一时刻的有效电压电流数据，仅采用单一数据源数据有失准确性，这时可采用加权平均方法对数据融合进行校正。通过对这些不同格式的数据进行融合，可获取进行故障诊断的特征，即保护开关状态、保护开关动作时序信息以及用于故障分析的节点电压、相角和潮流特征等。

3.2 故障诊断部分的具体实现

3.2.1 故障特征提取Agent

对于基于故障后的电气信息量，故障特征提取Agent采用故障模式匹配［14-15］的方式，将实时的潮流分布与各种预想故障的潮流分布进行相似性比较，以获取元件n发生故障的信任度。故障匹配问题是一个典型的模式识别的问题，定义模式的相似性测度为:

式中:lm为实际分类样本与模式故障集中元件m的相似程度;dm为样本与元件m发生故障时的差异程度;θmi为元件m故障时节点i处的相角;θi为实时潮流计算节点i处的相角;N为节点个数。

对lm作如下处理:

式中:P(2)m为元件m发生故障的信任度，其作为证据融合Agent的证据体。

当电网发生故障时，保护和断路器发生动作。故障特征提取Agent采用Petri网与概率信息结合的诊断方法［13，15］，通过建立继电保护动作的 Petri网模型，可以得出目标元件发生故障的概率表征Pi;通过对电气量信任度进行相同处理，可以得到电网中的元件m对应的故障信任度P(2)m，作为证据融合Agent的证据体。

3.2.2 证据融合 Agent

考虑到D-S证据组合理论所具有的不确定推理融合特征，证据融合Agent采用D-S证据理论方法来综合多个证据信息，从而得到一个合成的信度函数，作为故障诊断决策的依据。

根据D-S证据理论的定义，设U为证据融合的识别框架，且包含 P类故障状态，若有函数 m:2U→［0，1］(其中2U为 U 的幂集)满足条件:m(φ)=0且(Ak)=1，其中Ak表示第k类故障状态，则称m为识别框架U上的基本可信度分配。对于∀Ak⊆U，m(Ak)称为Ak的基本可信数。设 m1，m2，…，mn为识别框架U上的n类基本可信度分配，多概率分配函数正交和m=m1⊕m2⊕…⊕mn，则有:

3.2.3 诊断决策 Agent

诊断决策Agent根据证据融合Agent的融合结果，判定故障元件;根据各种故障类型作出相应的决策，快速恢复电网故障，实现电网自愈。

综上所述，故障诊断流程如图3所示。

图3 故障诊断流程图Fig.3 Flowchart of fault diagnostic

4 结束语

本文提出的电网自愈控制体系框架由系统层、过程层和应用层构成，通过不同功能Agent之间的相互合作，实现电网自愈。重点设计了电网故障在线实时监测与诊断子系统，分别阐述了故障监测与诊断中各智能体的实现问题。分别采用原始数据融合、基于故障模式匹配与Petri网的特征提取以及D-S证据融合等方法，对电网中的电气量和开关量进行故障诊断，这对实现快速、准确的故障隔离具有重要意义。

在电网智能化的趋势下，本文提出的故障实时监测及诊断各级系统具有广阔的应用前景。对使用MAS实现电网自愈方法中的一些具体实践问题，即基于MAS系统的软硬件开发等，值得进行进一步的研究和探索。

［1］李兴源，魏巍，王渝红，等.坚强智能电网发展技术的研究［J］.电力系统保护与控制，2009，37(17):1-7.

［2］郭志忠.电网自愈控制方案［J］.电力系统自动化，2005，29(10):85-91.

［3］顾欣欣，姜宁，季侃，等.智能配电网自愈控制技术的实践与展望［J］.电力建设，2009，30(7):4-6.

［4］Bradley R，Timothy D.System and method for a self-healing grid using demand side management techniques and energy storage［P］.U.S.A.，US 7389189B2，2008.

［5］陈星莺，顾欣欣，余昆，等.城市电网自愈控制体系结构［J］.电力系统自动化，2009，33(24):38-42.

［6］赵伟，白晓民，丁剑，等.基于协同式专家系统及多智能体技术的电网故障诊断方法［J］.中国电机工程学报，2006，26(20):1-8.

［7］郭创新，单业才，曹一家，等.基于多智能体技术的电力企业开放信息集成体系结构研究［J］.中国电机工程学报，2005，25(4):64-70.

［8］朱永利，宋少群.基于广域网和多智能体的自适应协调保护系统的研究［J］.中国电机工程学报，2006，26(16):15-20.

［9］陈铁军.链系统方法及其应用［M］.洛阳:河南科学技术出版社，1993

［10］毕天姝，倪以信，吴复立，等.基于新型神经网络的电网故障诊断方法［J］.中国电机工程学报，2002，22(2):73-78.

［11］Lee H J，Park D Y，Ahn B S，et al.A fuzzy expert system for the integrated fault diagnosis［J］.IEEE Transaction on Power Delivery，2000，15(2):833-838.

［12］束洪春，孙向飞，司大军，等.基于粗糙集理论的配电网故障诊断研究［J］.中国电机工程学报，2001，21(10):78-82.

［13］孙静，秦世引，宋永华.一种基于Petri网和概率信息的电力系统故障诊断方法［J］.电力系统自动化，2003，27(13):10-14，23.

［14］游家训.基于多源信息的电网故障诊断研究［D］.杭州:浙江大学，2008.

［15］刘毅，高振兴，郭创新，等.一种考虑多层信息融合的电网故障诊断辅助决策方法［J］.电力系统保护与控制，2010，38(24):14-18.

［16］张阳，何正友，林圣.一种基于DS证据理论的电网故障诊断方法［J］.继电器，2008，36(9):5-10.