基于贝叶斯网络和粗糙集的电网故障诊断方法

2014-12-23凌子俊唐军胜

科技视界 2014年31期

凌子俊胡超唐军胜

（安徽理工大学电气与信息工程学院，安徽淮南 232001）

0 引言

随着电力系统日趋大型化，电网故障日趋复杂化，所以在电力中故障是系统不可避免的。一旦发生故障，如何快速诊断故障类型，防止事故扩大非常重要。如果故障不能及时有效地控制和处理，将可能造成系统稳定破坏、电网瓦解、重大设备损坏和大面积停电，直接影响到用户的切实利益，甚至影响社会大生产的顺利进行。为了保证电力生产的安全性，保证电能供应的可靠性和连续性，在输配电网发生故障时，需要可靠的电网故障诊断系统为工作人员迅速进行诊断和处理提供决策参考。

目前国内外用于电网故障诊断的技术包括：遗传算法，专家系统，Petri 网络等。

遗传算法从优化的角度出发基本上可以解决故障诊断问题，尤其是在复杂故障或存在保护、断路器拒动、误动的情况下，能够给出全局最优或局部最优的多个可能的诊断结果。但遗传算法存在的主要“瓶颈”是如何建立合理的电网故障诊断数学模型。专家系统的典型缺点为学习能力差、容错性差及诊断速度偏慢。Petri 网络用于建模的时间较长，随着设备的增加和网络的扩大，存在着较大的问题，同时针对现场普遍存在的保护、断路器误动拒动及由于通信线路故障引起的故障信息畸变，Petri 网络需要提高其容错能力和处理电网拓扑的改变。

本文主要采用贝叶斯网络进行诊断。贝叶斯网络是一种不确定性的因果关系关联模型、具有强大的不确定性问题处理能力，同时它能有效的进行多源的信息表达与融合，是一种基于网络结构的有向图解描述。贝叶斯网络的以上的特性与故障诊断问题的要求内在一致，故贝叶斯网络也可以应用于不同领域的故障诊断。在电网故障诊断中，贝叶斯网络具有很多独有的特性和优点，基于贝叶斯网络的故障诊断方法，是对贝叶斯公式本身的改进，在处理不完备信息时，提出了采用证据的不确定性推理和比较异常事件数两种方法，减少了计算量，提高了算法的实用性。

1 贝叶斯网络方法概述

贝叶斯网络是一种对概率关系的有向图解描述，它提供了一种将知识直觉地图解可视化的方法。一个贝叶斯网络是一个有向无循环图（DAG），它的节点用随机变量标识，弧代表影响概率，用条件概率标识。一个简单的贝叶斯网络如图1 所示。

图1 一种简单的贝叶斯网络

在网络中，定性信息通过网络的拓扑结构表达，定量信息通过节点的联合概率密度表示。其数学描述为：若论域U={x1,x2,…,xn}，其中，x1，x2，…xn对应于网络中各节点，则联合概率P(x1,x2,…,xn)为：

式中Pparents(xi)为xi父节点的集合。

对一具有m 个基本事件{xi1}，{xi2}，…，{xim}的随机变量xi，假设已取得除xi外所有与其相关变量的观察结果V=(x1,…,xi-1,xi+1,…,xn)，则其条件概率为：

贝叶斯网络模型能表示变量集合的联合概率分布，并能分析大量变量之间的相互关系，利用贝叶斯网络方法，可以完成预测，分类和诊断等任务。

2 基于贝叶斯网络的故障诊断方法

由于贝叶斯网络是一种不确定性因果关系关联模型，具有强大的不确定性问题处理能力，它的特性和故障诊断中要求解决因不确定性和不完备故障信息带来的故障诊断困难的要求内在一致，因此本文提出运用贝叶斯网络对电网故障进行诊断的方法。根据电力系统的物理拓扑结构和保护装置的动作原理，分别建立系统中元件的故障诊断贝叶斯网络模型，实现故障诊断的分布式处理。

2.1 电网故障类型及粗糙集约简

常见的电网故障主要是短路故障，短路故障包括单相接地短路、两相短路、两相接地短路故障、三相对称短路故障。电网在发生各种短路故障时，电流和阻抗也不断变化。当电力系统发生不对称故障时，三相阻抗不同，三相电压和电流的有效值不同，相与相间的相位差也不相等。对于这样的不对称三相系统就不能只分析其中一相，通常是用对称分量法，将一组不对称三相系统分解为正序、负序、零序三组对称的三相系统，来分析不对称故障问题。

粗糙集理论是研究不完整数据及不精确知识的表达、学习、归纳的一套方法，能在保留关键信息的前提下对知识进行处理，并求得知识的最小表达。本文选用粗糙集理论对故障信息量进行约简，选取平均互信息最小的组合作为最佳属性约简组合。