基于因果时序网络的FOA-GRNN 电网故障诊断方法

薛毓强，李宗辉

（福州大学电气工程与自动化学院，福州350116）

电能是国民经济的基础，随着社会经济的发展，人们对于电网的可靠性和安全性有了更高的要求。同时电子信息技术的发展、监控和数据采集系统以及事件记录仪等电网自动化设备的应用，使得操作人员能够在监控中心监控电力系统运行状况，开发基于开关量和保护信息的电网故障诊断系统成为可能。实际应用的故障诊断方法主要包括基于解析模型和基于专家系统的方法[1-4]，人工神经网络、优化算法、Petri 网等智能方法在电网故障诊断中也得到了应用[5-10]。考虑到电网故障诊断过程中存在着不确定因素的干扰（如保护装置和断路器的动作可靠性、调度中心接收到的警报信息的完整性和正确性），影响了故障诊断的准确性。因此如何克服电网故障诊断中不确定因素的干扰成为国内外专家学者的研究热点。文献[11]对计及警报信息时序特性的电力系统故障诊断问题做了一些初步的研究工作，但针对实际电网实现起来有很多技术问题没有解决，还不能对实际电网进行故障诊断；文献[12]构建了计及警报信息时序特性的电力系统故障诊断的解析模型，采用整数规划求解方法进行分支定界求得最优解，使故障诊断结果可能多解的问题有了较为明确的诊断结果。虽然建模时考虑了警报信息的时序特性，但其求解方法不能适用于故障区域设备多的场合。

针对克服电网故障诊断中不确定因素的干扰问题，本文提出了基于因果时序网络的果蝇优化算法-广义回归神经网络（FOA-GRNN）电网故障诊断方法。该方法采用面向元件的故障诊断模型，大规模减少计算节点，利用电力系统保护装置与断路器动作的时序逻辑关系，并通过使用因果网络CEN（cause-effect-network）分析计算排除电网故障过程中错误的警报信息，进而应用FOA-GRNN网络对电网故障进行诊断，提高了诊断效率。

1 警报信息的时序约束

电网发生故障时，尽管保护装置和断路器的动作存在时序逻辑性，但其在整定环节、触发环节、动作环节中存在着时间误差和延时等情况，而且警报信息在上送过程中可能发生的信息畸变、保护装置及断路器本身设备缺陷导致的误动或拒动等情况，都会对正确的报警信息产生干扰导致错误诊断。为了排除错误的信息干扰，有必要对警报信息在时序上进行约束。

1.1 保护事件时序约束

保护装置动作事件的时序约束，可从保护装置的整定值来估算。若故障发生于t0时刻，其相应的保护装置P 的时间整定值为tP，考虑实际运行的时间误差τP（τP为整定时间的一定比例），则可以估算该保护时间段的时间点约束为

假设故障发生于0 时刻，后备保护Pb整定值为800 ms，考虑±5%的时间误差（τP=50 ms），则其动作区间段为TC（Pb）=[750 ms，850 ms]。

保护动作事件mj与设备故障事件mi的时间区间约束关系为

1.2 断路器动作事件时序约束

断路器动作事件的时序约束，可以由估算断路器接收到跳闸信号到断路器分闸的过程时间决定。若保护装置向断路器发送跳闸信号的时刻为t1，其相应的断路器C 的理论分闸时间为tC，考虑时间误差τC，则可以估算断路器C 的动作时间约束为

保护动作事件mi引发断路器动作mj的时间约束为

1.3 时序特性一致性约束

警报事件的时序特性必须满足一致性约束，即

若事件mi发生在时刻TB（mi），警报事件mj的发生时刻需TB（mj）满足时间点约束，即TB（mj）不在时间区间[TB（mi）+TD（mi，mj）]里，则系统接收到的警报事件mj的发生时刻TB（mj）是正确完整的警报信息；反之，则是错误的警报信息。

2 因果时序网络拓扑的建立

2.1 因果时序网络的基本定义

因果网络可以直观地描述保护、断路器等的报警动作信息同故障设备之间的逻辑信息，其模型由各类事件节点和带有方向的弧组成，其中事件节点由4 类节点组成：保护装置节点、故障设备节点、断路器节点以及虚拟节点VN（virtual node）。在因果网络中，带有方向的弧将各个事件节点相互连接起来，表示各个事件节点间的因果关系。图1 给出了各类事件节点的关联关系，其中A 为引发事件的原因，B 为该事件所引发的结果，有向弧指向表示事件逻辑的导向过程[13]。图1 中，VN 表示节点动作不成功（拒动）引发的虚拟节点。虚拟节点的作用是为了防止CEN 中出现环网，环网的形成影响后续的基于矩阵运算的推理过程。

图1 CEN 中的关联关系Fig.1 Association of CEN

2.2 因果时序网络拓扑

以图2 所示简化的电网线路模型为例说明面向元件的因果时序网络的报警信息。L1～L3分别为3 段线路；线路L1中的ML1、ML2和BL1、BL2及SL1、SL2分别为断路器C1、C2的主保护和近后备保护及远后备保护。C3、C4和C5、C6分别为线路L2、L3的断路器。若时间属性TB（mi）不满足时序一致性约束，则为虚假报警信息，应予以剔除。故障电流由L2和L3流向L1，则对于C1、C2、C3、C6都是正向的，而对于C4、C5则是反向的，其模型的因果拓扑如图3 所示，其中SL3、SL6为C3、C6的远后备保护。

图2 电网线路模型Fig.2 Power system line model

图3 电网线路模型因果拓扑Fig.3 CEN topology of power system line model

对故障设备进行时序逻辑分析，排除电网故障诊断过程中的虚假故障警报信息，为FOAGRNN 故障诊断提供准确信息。

3 FOA-GRNN 故障诊断

3.1 广义回归神经网络

广义回归神经网络（GRNN）在逼近能力和学习速度上有着较强的优势，其结构由输入层、模式层、求和层和输出层组成，如图4 所示。其中输入层神经元的数目为样本中输入向量的维数，单样本的每维代表保护装置或者是断路器的动作信号；模式层则包含着与其学习样本数量相同的神经元，即有多少种故障模式就有多少神经元。模式层传递函数为径向基函数。输出层的神经元数目对应故障样本（学习样本）中输出向量的维数，输出值为对应各元件发生故障的概率。

GRNN 神经网络构建主要通过Matlab 软件实现。Matlab 中GRNN 神经网络的函数为newgrnn函数，即net=newgrnn（P，T，SPREAD）。其中，P 和T 分别为输入向量、目标向量；SPREAD 为散步函数，对于神经网络的性能好坏有着重要的影响，GRNN 中网络的学习全部依赖于样本，可人为调节参数SPREAD 值，本文采用果蝇优化算法来选择SPREAD 值。

图4 神经网络的基本结构Fig.4 Basic structure of neural network

3.2 面向元件的GRNN 网络诊断模型

随着电力系统的不断发展，电网规模日益庞大复杂，若将电网中的每个元件都看成神经网络的一个节点，不仅网络规模庞大，计算速度慢，而且当电网拓扑发生变化时，容易出现错误诊断。

电网中变压器、线路和母线等主要元件本身都带有继电保护装置，GRNN 网络可以利用其状态信息（元件状态是否正常、继电保护装置是否正常工作、是否因为故障跳闸）进行初步诊断，判断故障是否存在以及故障方向。因此采用面向主要元件建立故障诊断模型的思想，可以将电网分割为若干个区段，有效减少神经网络节点的数量和计算规模，对故障区域设备多的场合也能使用。

线路元件模型如图5 所示，GRNN 模型如图6所示。GRNN 线路保护的输入为本线路两侧的主保护、近后备保护、远后备保护的动作信息和两侧断路器的动作信息，输出为本元件发生故障的故障置信度及在本元件两侧外部发生故障的故障置信度，经实验确定线路模型的故障阈值为0.87，该故障阈值作为线路本身是否故障的判定依据。其中，主保护是纵联保护和高频保护；近后备保护主要由过电流保护Ⅰ段（瞬时电流速断保护）和距离保护；远后备由过电流保护Ⅱ段（限时电流速断保护）、Ⅲ段（定时限过电流保护）和距离保护。线路保护的特点是两侧的继电保护系统相互配合，当故障发生在线路内部时，两侧断路器C1、C2同时动作。当故障发生在线路外时，由一侧断路器单独动作。

图5 线路元件模型Fig.5 Line model

图6 GRNN 线路模型Fig.6 GRNN line model

3.3 训练样本的构造

GRNN 神经网络故障诊断性能主要依赖于训练样本的选择，文献[14]介绍了我国220 kV 及以上电力系统继电保护的配合和运行情况并对电力事故做了大量的分析及详细的数据统计。本文以此为据，生成基于面向元件的GRNN 网络的训练样本。其中线路模型训练样本34 个，母线模型训练样本37 个，变压器模型16 个。线路FOA-GRNN神经网络模型选用的部分训练样本如表1 所示。

表1 线路模型的部分训练样本Tab.1 Part of training sample of line model

表1 保护类别中A1、B1、A2、B2、A3、B3、C1、C2分别为A、B 侧主保护、近后备保护、远后备保护和断路器，表中“1”表示保护动作，“0”表示保护无动作。故障区间中AB、A0、B0表示AB 间、A 外侧（进线侧）、B 外侧（出线侧）的线路区间，表中所对应的“1”表示该区间有故障，“0”表示该区间无故障。

3.4 果蝇算法优化GRNN 网络

FOA[15]是一种基于果蝇觅食行为推演的寻优新算法，采用距离+位置搜索方法。FOA 优化GRNN具体步骤如下。

步骤1 随机初始化果蝇种群的位置。本文设定种群规模为20 只，最大迭代次数为30。

步骤2 计算种群中每个果蝇个体与目标的距离D（l）其倒数1/D（l）作为味道判定值S（l），l ＝1，2，…，20，每个味道判定值S（l）即为GRNN 网络的SPREAD 值；输入训练数据得到样本输出值ya。

步骤3 计算RMSE 值。RMSE 为样本理想输出值ya与实际电网络故障诊断结果输出yb之间的误差，是误差评价标准。RMSE 越小，则该网络故障诊断的效果越好，其计算公式为

式中：ya（k）为不同模型不同样本的理想输出值，n为样本数量；k 为迭代次数。

步骤4 找出果蝇群体中味道浓度最低的果蝇即RMSE 极小值。

步骤5 保留最低味道浓度与果蝇群的位置坐标，此时果蝇利用视觉往该位置飞去。

步骤6 进入果蝇迭代寻优由上一代最佳位置增加果蝇的飞行距离。

步骤7 重复执行步骤2～步骤6，判断味道浓度是否优于前一次迭代的味道浓度，直至找到令RMSE 最小的SPREAD 值。

训练后得到的训练样本最优SPREAD 值为0.616 9。取表1 前9 组数据对神经网络进行测试，结果如表2 所示。从表2 中可以看出，FOA-GRNN网络的诊断结果基本满足要求。面向元件的其他神经网络模型训练类似。

表2 线路模型诊断测试结果Tab.2 Part of the training sample output of line model

4 算例分析

本算例采用IEEE14 节点系统来对该模型的有效性与可行性进行测试，IEEE14 母线节点测试系统如图7 所示，该测试系统由14 个母线元件、18 个线路元件和1 个变压器元件组成。

图7 测试系统Fig.7 Test system

当电网发生故障时，首先对监控和数据采集系统收到的警报信息进行预处理，再根据警报信息的时标信息与时序一致性约束对设备前后关联事件的动作事件和期望动作事件进行判别比较，将错误的警报信息甄别出来。

故障过程为：当线路L1214发生故障时，其相关的保护装置纵联保护ML1214和ML1412动作，并向相应断路器CB1214和CB1412发出跳闸信号；母线B14发生故障，母差保护MB14（main protection for bus）动作，并跳开相应断路器CB14T1、CB1409、CB1412和CB1413。CB1409和CB1413跳闸失败，一定延时之后，L1314和L0914的第2 后备保护SL1314和SL0914动作，跳开CB1314和CB0914，在警报信息上传过程中，L0914的第1 后备保护BL0914发生信息畸变，状态量误报为1。接收到监控和数据采集系统的故障遥测报警信息序列如表3 所示。

将断路器跳闸时间设定为50 ms，考虑±10%的误差；近后备保护装置动作时间整定值设定为1 s，远后备保护装置的动作事件整定值为3 s，考虑±5%的时间误差。则相关设备的时间区间为：①TD（故障发生，主保护动作）∈[10 ms，20 ms]；②TD（保护装置动作，断路器跳闸）∈[40 ms，60 ms]；③TD（主保护拒动，近后备保护动作）∈[950 ms，1 050 ms]；④TD（主保护拒动，远后备保护动作）∈[2 850 ms，3 150 ms]。报警信息甄别步骤如下。

表3 故障遥测信息Tab.3 Fault telemetry information

步骤1 接收到报警信息后，进行故障区域自动识别（电压等于0 的非检修状态元件）。

步骤2 对实际警报信息进行处理，给出每个设备相应的期望动作时间，甄别错误故障信息。由于报警事件C8和C12具有时序逻辑关系，需检查其二者之间是否满足时序一致性约束。BL0914动作于08:00:01:114，其期望其动作对象CB0914需在[08:00:01:154，08:00:01:174]之间动作，而实际CB0914 动作于08:00:03:102，不满足其时序约束，可见两者之间有一个错误警报信息。而其相应的SL0914 动作于8:00:03:47，与其相差3 047 ms∈[2 850 ms，3 150 ms]区间内，因此报警事件C10为错误报警信息。

步骤3 将甄别后的保护装置和断路器报警信息输入FOA-GRNN 网络进行故障诊断，故障诊断结果如表4 所示。

表4 故障诊断结果Tab.4 Fault diagnosis results

仿真结果表明，该模型能更好地适应于存在错误警报信息的故障诊断状况，若对警报事件C10进行过滤，则可能将L0914错误判断为故障元件。发生故障后，故障可疑元件集合为L1214、L1314、L0914和母线元件B14，其区域被保护装置隔离为失电区域，根据GRNN 神经网络的故障诊断结果，L1214、L1314、L0914、B14的故障可信度分别为0.962 5、0.005 5、0.005 5、0.240 8。诊断结论为L1214为故障设备，L1314、L0914和B14为外部故障，因此判断L1214为故障元件。

5 结论

经算例验证，FOA-GRNN 方法能准确地识别故障，相比于其他故障诊断方法，该方法有如下优点：

（1）能够有效排除电网诊断过程中不确定因素的影响；

（2）容错率优秀，在监控和数据采集系统信息发生畸变时，仍能够准确诊断出故障区；

（3）采用面向元件的诊断方法能够弹性地应对电网拓扑结构的变化。

[1]刘青松，夏道止（Liu Qingsong，Xia Daozhi）.基于正反向推理的电力系统故障诊断专家系统（Expert system of power system fault diagnosis based on forward and backward reasoning）[J].电网技术（Power System Technology），1999，23（9）：66-68，71.

[2]刘思华，陈青，黄德斌，等（Liu Sihua，Chen Qing，Huang Debin，et al）.考虑时空参量和正反向推理的电网故障诊断（Power system fault diagnosis considering spacetime two-dimensional parameter and forward and backward reasoning）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2010，22（4）：113-117.

[3]Lin Xiangning，Ke Shuohao，Li Zhengtian，et al. A fault diagnosis method of power systems based on improved objective function and genetic algorithm-tabu search[J].IEEE Trans on Power Delivery，2010，25（3）：1268-1274.

[4]王磊，陈青，李天友，等（Wang Lei，Chen Qing，Li Tianyou，et al）.停电区域边界断路器信息缺失时的电网故障诊断（Power system fault diagnosis considering absence of alarm messages of circuit breakers on the border of outage area）[J].中国电机工程学报（Proceedings of the CSEE），2013，33（22）：127-134.

[5]朱俊敏，景利学，饶克克（Zhu Junmin，Jing Lixue，Rao Keke）.基于小波神经网络的电网故障诊断研究（Research of power network fault diagnosis based on wavelet neural network）[J].电气开关（Electric Switchgear），2011，（6）：23-25.

[6]刘超，何正友，杨健维（Liu Chao，He Zhengyou，Yang Jianwei）. 基于量子神经网络的电网故障诊断算法（A quantum neural network based fault diagnosis algorithm for power grid）[J].电网技术（Power System Technology），2008，32（9）：56-60.

[7]林茂，李孝全，苏杨（Lin Mao，Li Xiaoquan，Su Yang）.基于改进免疫遗传算法的电网故障诊断研究（Research on faults diagnosis of distribution network based on adaptive immune genetic algorithm）[J].电子技术应用（Power Supply Technology and Its Application），2012，38（8）：66-68，72.

[8]唐利锋，卫志农，黄霆，等（Tang Lifeng，Wei Zhinong，Huang Ting，et al）.配电网故障定位的改进差分进化算法（Improved differential evolution algorithm for fault location of distribution networks）[J]. 电力系统及其自动化学报（Proceedings of the CSU-EPSA），2011，23（1）：17-21.

[9]杨健维，何正友，臧天磊（Yang Jianwei，He Zhengyou，Zang Tianlei）.基于方向性加权模糊Petri 网的电网故障诊断方法（Power system fault-diagnosis method based on directional weighted fuzzy Petri nets）[J]. 中国电机工程学报（Proceedings of the CSEE），2010，30（34）：42-49.

[10]熊国江，石东源（Xiong Guojiang，Shi Dongyuan）.容错Petri 网电网故障诊断改进模型（Improved fault-tolerant Petri nets for fault-diagnosis power grids）[J].华中科技大学学报：自然科学版（Journal of Huazhong University of Science and Technology：Natural Science Edition），2013，41（1）：11-15.

[11]文福拴，韩祯祥（Wen Fushuan,Han Zhenxiang）.计及警报信息时间特性的故障诊断模型（A new faults diagnosis model capable of dealing with the temporal information of alarm messages）[J].电力系统自动化（Automation of Electric Power Systems），1999，23（17）：6-9，19.

[12]郭文鑫，廖志伟，文福拴，等（Guo Wenxin，Liao Zhiwei，Wen Fushuan，et al）.计及警报信息时序特性的电网故障诊断解析模型（An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account）[J]. 电力系统自动化（Automation of Electric Power Systems），2008，32（22）：26-31.

[13]Chen Wenhui，Tsai S H，Lin H I. Fault section estimation for power networks using logic cause-effect models[J].IEEE Trans on Power Delivery，2011，26（2）：963-971.

[14]DLT 559—2007，220～500 电网继电保护装置运行整定规程[S].

[15]Pan Wen-Tsao.A new fruit fly optimization algorithm:taking the financial distress model as example[J].Knowledge-Based Systems，2012，26（7）：69-74.