考虑多目标优化的输电网故障诊断

2017-12-22罗萍萍崔嘉琦林济铿

电力系统自动化 2017年22期

关键词：警报断路器故障诊断

罗萍萍,崔嘉琦,林济铿,王奎

(1.上海电力学院电气工程学院,上海市 200090;2.同济大学电子与信息工程学院,上海市 201804;3.国网淮南供电公司,安徽省淮南市 232007)

考虑多目标优化的输电网故障诊断

罗萍萍1,崔嘉琦2,林济铿2,王奎3

(1.上海电力学院电气工程学院,上海市 200090;2.同济大学电子与信息工程学院,上海市 201804;3.国网淮南供电公司,安徽省淮南市 232007)

提出了电网故障诊断新模型及相应求解方法。该模型以故障停电区内的可疑故障设备状态、保护和断路器实际动作状态作为优化变量,建立保护/断路器的期望状态和实际状态差异度最小以及保护/断路器实际状态和对应警报信息差异度最小等的多目标优化解析模型;对于该模型采用基于模糊优化技术的求解方法进行求解。该模型优化变量的维数,大大降低而避免陷入“维数灾”;同时,因所建立模型为多目标优化模型并采用模糊优化求解技术,回避了简单加权系数法加权系数选择的困难。算例分析结果证明了所提方法的有效性。

故障诊断;解析模型;期望状态;多目标优化

0 引言

输电网是电力系统的重要组成部分,承担着将电能从电源侧传输到用电侧的任务。当输电网发生故障,特别是发生多重复杂故障或保护和断路器不正确动作时,就需要进行输电网故障诊断,为调度人员准确理解并处理海量的警报信息,快速辨识并修复故障提供辅助决策。输电网故障诊断的任务主要有三个:故障元件的识别、保护和断路器的动作行为评价以及保护和断路器警报信息准确性辨识。

近几十年来,国内外的专家学者在这一领域做了大量的研究并提出了多种诊断方法,如专家系统[1-2]、人工神经网络[3-4]、解析模型优化[5-13]、Petri网[14-16]、因果网络[17-18]、贝叶斯网络[19-20]和信息理论[21-22]等方法。解析模型优化法思路清晰,模型适应性较强,且随着计算机软硬件水平的发展,计算成本很低,再加上近些年确定性优化及不确定性优化理论及方法取得了重大进展,使解析模型优化法成为最有潜力应用于实际工程的方法之一。

文献[5-9]所提出的解析模型都是以故障停电区域内的可疑故障设备的不同组合作为故障假说,当存在保护和断路器不正确动作或警报信息畸变或丢失的情况下依然存在多个最优解,无法获得唯一的诊断结果。文献[10]进一步对故障假说向量的元素进行扩展,以可疑故障元件和保护与断路器的拒动和误动状态的组合作为故障假说,既能诊断故障设备,又能识别出发生误动或拒动的保护和断路器以及漏报或误报的警报。文献[11]在文献[10]基础上,将保护和断路器警报的漏报和误报变量也加入故障假说向量,同时考虑保护和断路器动作和信息传输的不确定性,建立基于机会约束规划的解析模型。文献[12]针对文献[10]直接使用保护和断路器的警报信息计算对应的期望状态,导致错误的警报信息在期望状态计算中扩散而可能得出错误的诊断结论的情况,在文献[10]的故障假说向量的基础上进一步计及保护和断路器的实际动作状态,建立了故障诊断的完全解析模型。然而文献[10-12]所提出方法的待求变量的维数很大,相应其优化求解的难度较大。而且上述所有文献的优化算法均采用智能优化算法,如遗传算法、粒子群算法等,它们均属于不确定算法,对于规模较大的系统无法在短时间或既定时间内获得稳定解,故尚无法应用于实际系统。

基于如上综述,本文提出了电网故障诊断新模型及相应求解方法。该模型以故障停电区域内的可疑故障设备状态、保护和断路器实际动作状态作为优化变量,建立保护(断路器)的期望状态和实际状态差异度最小以及保护(断路器)实际状态和对应警报信息差异度最小的多目标优化函数。所建立模型采用基于分支定界的多目标模糊算法进行求解,可在较短时间内求得有效解。该模型因优化变量的维数相对于文献[10-12]大大降低,避免陷入“维数灾”;同时,因所建立模型为多目标优化模型,回避了单目标优化模型加权系数选择的困难。

1 基于故障假说的故障诊断模型

1.1 故障诊断模型的变量

电网发生故障后,故障设备对应的保护应该动作,并触发对应的断路器跳闸,形成一片或多片故障停电区域,故障元件被隔离在这些停电区域中。对故障停电区域内的电气设备、关联的保护与断路器的状态和动作行为进行分析,建立故障诊断解析模型。

故障假说就是对电网故障场景的完整描述,包括可疑故障设备的故障情况、保护和断路器的实际动作情况。本文所建立的故障假说向量结构为:

H=[SRC]

(1)

式中:S=[s1,s2,…,sN]为故障停电区域内可疑故障元件的状态变量组成的向量,其中si=0或si=1分别表示停电区域中第i个元件di处于正常或故障状态;R=[r1,r2,…,rZ]为与S相关的保护的状态变量组成的向量,表征保护的实际动作状态,其中ri=0或ri=1分别表示第i个保护pi实际不动作或动作;C=[c1,c2,…,cK]为与S相关的断路器的状态变量组成的向量,表征断路器的实际跳闸状态,其中ci=0或ci=1分别表示第i个断路器bi实际不跳闸或跳闸;N,Z和K分别为向量S,R和C中元素的个数。

通过分析保护(断路器)的实际状态、期望状态和警报状态三者之间的关系,对保护(断路器)的拒动、误动变量及对应的警报信息误报和漏报变量用式(1)的状态变量表示出来,达到以更少的变量个数实现与文献[10-12]相同意义的目标函数的目的。

为了下文描述方便,先定义如下几个状态变量组成的向量:R′,C′,M,D,L,W,fP和fB。其中:R′=[r1′,r2′,…,rZ′],ri′=0或ri′=1分别表示控制中心没有接收到或接收到第i个保护pi的动作警报,称为保护的警报状态;C′=[c1′,c2′,…,cK′],ci′=0或ci′=1分别表示控制中心没有接收到或接收到第i个断路器bi的跳闸警报,称为断路器的警报状态;M=[MP,MB]=[mp1,mp2,…,mpZ,mb1,mb2,…,mbK],mpi=0或mpi=1分别表示保护pi没有发生误动或发生误动,mbi=0或mbi=1分别表示断路器bi没有发生误动或发生误动;D=[DP,DB]=[dp1,dp2,…,dpZ,db1,db2,…,dbK],dpi=0或dpi=1分别表示保护pi没有发生拒动或发生拒动,dbi=0或dbi=1分别表示断路器bi没有发生拒动或发生拒动;L=[LP,LB]=[lp1,lp2,…,lpZ,lb1,lb2,…,lbK],lpi=0或lpi=1分别表示保护pi的动作警报信息没有发生或发生了漏报,lbi=0或lbi=1分别表示断路器bi的跳闸警报信息没有发生或发生了漏报;W=[WP,WB]=[wp1,wp2,…,wpZ,wb1,wb2,…,wbK],wpi=0或wpi=1分别表示保护pi的动作警报信息没有发生或发生了误报,wbi=0或wbi=1分别表示断路器bi的跳闸警报信息没有发生或发生了误报;fP=[fp1,fp2,…,fpZ],fpi=0或fpi=1分别表示保护pi的期望状态是期望不动作或期望动作;fB=[fb1,fb2,…,fbK],fbi=0或fbi=1分别表示断路器bi的期望状态是期望不跳闸或期望跳闸。

1.2 保护和断路器期望状态表达式

保护(断路器)的期望状态是根据继电保护的配置和动作逻辑,在假定设备故障及相关保护和断路器的动作情况时,对应保护(断路器)做出动作(跳闸)或不动作(不跳闸)的响应,该响应为相关变量的显式函数。

1.2.1 保护分类

在现有的故障诊断解析模型中,大多延续传统的根据不同保护的角色差别把保护简单地划分为主保护、近后备保护和远后备保护,该分类方法应用在故障诊断的解析模型中时往往会造成保护分类困难,如输电线路的距离二段保护,既是本段线路故障后主保护(距离一段保护和纵联差动保护)拒动时的近后备保护,又是线路对端相连的母线故障的远后备保护,而距离三段保护则既是本段线路故障后距离一段和二段保护均拒动时的近后备保护,也是线路对端相连的母线和线路故障的远后备保护。因此单纯把一个保护分类为主保护或近、远后备保护时,在计算保护期望状态时,对于设备保护的多重配置的考虑也存在困难。因此本文提出如下更适合实际应用的保护分类方法和期望状态计算方法。

本文按照保护的动作时限和保护范围将保护分为三级:一级保护为元件的主保护,作用于本地开关,为本元件故障的无延迟保护;二级保护为能保护本元件且为本元件或其他元件的后备保护,其动作时限在本元件故障时比一级保护长一个等级;三级保护为能保护本元件且为本元件和其他元件的后备保护,其动作时限又比二级保护长一个等级。纵联差动保护一般作为一级保护,而三段式距离保护和三段式零序保护均可分为Ⅰ段、Ⅱ段、Ⅲ段,分别属于一、二、三级保护。

1.2.2 保护期望状态表达式

1)一级保护

若保护pi为设备dn的一级保护,当设备故障时(sn=1)保护pi应该动作,其期望状态表达式为:

fpi=sn

(2)

2)二级保护

若保护pi为设备dn的二级保护,当设备故障(sn=1)且其一级保护均没有动作,或者当保护pi的关联元件dj故障且关联元件dj到保护pi的安装点的关联路径的状态是连通的时,保护pi应该动作,其期望状态表达式为:

(3)

3)三级保护

若保护pi为设备dn的三级保护,当设备故障(sn=1)且对应的一、二级保护均没有动作,或当保护pi的任一个关联元件dj到保护pi的安装点的关联路径的状态是连通的时,保护pi应该动作,其期望动作状态表达式为:

(4)

4)断路器失灵保护

220 kV及以上的电网中的断路器一般装设失灵保护,作为断路器拒动时的后备保护。它的动作逻辑是:对于装设于断路器bk上的失灵保护pk,当存在能够驱动断路器bk动作的保护ri动作,并驱动断路器bk跳闸,而断路器bk没有跳闸时,失灵保护pk应该动作。

失灵保护的期望状态表达式为:

(5)

式中:ΩRck为所有能驱动断路器bk跳闸的保护编号集合。

1.2.3 断路器期望状态的计算

断路器的动作逻辑为:任一个能驱动断路器bk跳闸的保护pi动作,断路器bk应该跳闸,其期望状态表达式为:

(6)

由式(2)至式(6)可知,每一个保护和断路器的期望状态都是向量S,R和C的函数。

2 故障诊断的目标函数构造及化简

2.1 故障诊断的目标函数构造

由上文可知,由状态向量S,R和C可以计算得到保护(断路器)的期望状态向量fP(fB);当故障发生后,保护(断路器)的实际状态与其对应的期望状态之间的关系如表1所示,即保护(断路器)实际状态与期望状态的差异是由保护(断路器)的拒动和误动造成的;保护(断路器)的实际状态与警报状态之间的关系如表2所示,即保护(断路器)的实际状态与警报状态之间的差异是由保护(断路器)警报信息的漏报与误报造成的。上述关系可由图1表示。

表1 保护与断路器的动作评价Table 1 Action evaluation of each protection and circuit breaker

表2 保护和断路器的警报信息评价Table 2 Alarm evaluation of protection and circuit breaker

图1 期望状态、实际状态和警报状态间的关系Fig.1 Relationship among expected state,actual state and alarm state

(7)

式中:第一个目标函数minE1(H′)表示保护(断路器)的实际状态与对应的期望状态差异度最小;第二个目标函数minE2(H′)表示保护(断路器)的实际状态与对应警报信息差异度最小且故障元件个数最小;状态变量H′包括S,M,D,L和W,总维数为N+4Z+4K。即使是一个简单故障,若直接以这些变量为优化变量进行求解,候选解(即这些变量的组合数)往往过大(如对一个包含5个可疑故障元件、23个保护和10个断路器的故障案例,待优化变量的维数为137),因此需要对(7)进行化简降维,以减小求解的规模。本文进一步把式(7)化简为以H为变量的函数,使得变量维数降为N+Z+K,以实现大规模优化问题的降维。

2.2 目标函数的化简

1)对目标函数中的拒动和误动变量的化简

给定一个状态向量组合,根据保护的动作逻辑可以得出每个继电保护装置和断路器的期望动作状态,但由于保护和断路器可能存在拒动及误动,使得保护和断路器的期望动作状态与实际动作状态存在差异。

保护的拒动(DP)和误动(MP),保护的实际状态(R)与期望状态(fP)之间存在如表3所示的逻辑状态组合及对应的评价。

表3 保护的实际状态、期望状态、拒动和误动之间的逻辑状态组合与评价Table 3 Logic state combination and evaluation of actual state,expected state and malfunction of protection

表3表示保护的实际状态、期望状态及误动和拒动等4个变量的所有可能的取值组合,共有16种,其中符合实际的组合有4种,分别为表3中的第1,7,10和13行。因此,对任意保护pi其实际状态为ri(为了表述方便,以下保护编号i省略,下同)可得到如式(8)所示的等式方程:

(8)

式(8)中两式均成立的情况表示保护的实际状态与期望状态之间满足正确逻辑关系:当保护期望动作且不发生拒动或保护发生误动作时保护实际动作(ri=1),对应表3中第1和7行的动作情况;当保护不期望动作且不发生误动或保护期望动作发生拒动时保护实际不动作(ri=0),对应表3中第10和13行的动作情况。其中第2行等式左边5项分别表示表3中出现的所有不符合实际(即相互矛盾)的逻辑情况:拒动又误动、实际动作又拒动、实际未动又误动、期望动作又误动、不期望动作又拒动。

对式(8)进行化简,具体过程见附录A,可得到保护(断路器)拒动与误动同保护(断路器)的实际状态与期望状态之间的表达式[13],如式(9)和式(10)所示。

(9)

(10)

2)对目标函数中误报和漏报变量的化简

当保护装置动作驱动断路器跳闸切除故障元件后,它们的动作警报将会上传到变电站控制中心或调度中心。但现实中警报信息的传输可能会发生畸变或丢失,从而造成保护(断路器)动作警报的误报和漏报,使得保护(断路器)的实际动作状态与实际接收到的保护(断路器)警报信息可能存在差异。

保护警报信息的漏报(LP)与误报(WP),保护的实际状态(R)与警报状态(R′)之间存在与表3相似的状态组合和约束,可得如下的等式约束,即对任意保护pi,其实际状态为ri,警报信息为ri′,有

(11)

式(11)中第1行等式表示保护的实际状态与警报状态之间满足的正确逻辑的情况:当保护实际动作且不发生漏报或保护发生误报时接收到对应保护的警报(ri′=1);当保护实际不动作且不发生误误报或保护实际动作发生漏报时接收不到对应保护的警报(ri′=0)。第2行等式左边5项分别表示矛盾的逻辑约束:误报又漏报、漏报又接收到警报、误报又没有接收到警报、实际动作又误报、实际动作又漏报。

对式(11)进行化简,如附录B的说明，可得保护(断路器)误报与漏报同保护(断路器)的实际状态与警报状态之间的表达式,如式(12)和式(13)所示。

(12)

(13)

经过以上化简,式(7)建立的目标函数可化简为待求量只包括H=[S,R,C]的新目标函数:

(14)

式(14)中两个优化目标函数的待求量的维数变为N+Z+K,大大缩小了求解的规模,相应提高了算法求解的速度和模型的实用性。

2.3 基于模糊技术的模型求解方法

对于式(7)的求解,常用方法是将式(7)的两个目标函数通过加权方式统一为一个目标函数[10-12]。但这种处理方法具有如下缺点:计算结果与各个目标函数之间的加权系数有关,而迄今并没有有效的方法确定加权系数,只能人为给定,不同的加权系数会得到不同的结果。

为克服上述缺点,本文采用模糊优化方法直接求解该多目标优化问题。

2.3.1 第1阶段——预处理及模型转化过程

1)隶属度函数的确定

多目标优化的隶属度函数的确定包括隶属度函数的形状及其参数两部分。式(14)中的两个目标函数分别是根据对应差异度最小指标和故障元件个数最小得到,本文选择如式(15)所示的函数作为各分目标函数的隶属度函数,其曲线如图2所示。

(15)

其中:H为决策向量;i∈{1,2}；μ(Ei(H))为目标函数Ei(H)的隶属度函数;e0i为对目标函数Ei(H)进行优化时得到的最优解所对应的目标函数值;δ0i为目标函数Ei(H)可接受的增加值；e0i+δ0i为目标函数Ei(H)的函数值可接受的最大延伸区间。

图2 各分目标函数对应的隶属度函数Fig.2 Membership function of each sub-objective function

2)模型转换

令μ为μ(E1(H))和μ(E2(H))的满意度,即

μ=min(μ(E1(H)),μ(E2(H)))

(16)

根据模糊集理论的最大最小法则,式(16)的多目标优化问题可以转化为使满意度μ最大化的问题,即

(17)

将式(17)中的第1项和第2项分别代入式(15)的可行域中,可将多目标优化问题转化为下述单目标非线性优化问题:

(18)

最后求解式(18)所示的单目标优化问题即可得到模型最优解。

2.3.2 第2阶段——单目标优化问题的求解

在获得式(18)之后,因该式为整数优化问题,因此采用分枝定界方法进行求解。

由上述两阶段组成的完整求解步骤如下。

步骤1:对于故障后停电区域,以式(1)所示为优化向量,建立如式(14)所示的多目标优化模型。

步骤2:应用分支定界算法求解式(14)中的单目标优化问题E1(H),E2(H)的最优解H1,H2,并求得在最优解下的相应最优函数值e01及e02,以及在解为H1时的E2(H)函数值e02′,解为H2时的E1(H)函数值e01′。

步骤3:在步骤2的基础上对各单目标值进行一定伸缩,确定δ01和δ02的值,将确定性问题模糊化。由于待求多目标优化问题为双目标模糊优化,优化结果不能低于e0i,又不能高于e0i′,因此δ01和δ02的取值范围为:0<δ01≤e01′-e01,0<δ02≤e02′-e02,其中δ0i按式(19)确定。

δ0i=α(e0i′-e0i)i=1,2

(19)

式中:α称为伸缩系数,0<α≤1。

伸缩系数的选取流程为:首先,使用1为初始伸缩系数初始值,代入式(18)转化为单目标优化问题,可求出一个非劣解,计算此非劣解下的两个目标函数值;再逐步减小伸缩系数(如取0.05为步长),以同样的方法代入可求得另一非劣解并求出对应的两个目标函数值;当调整伸缩系数后求出的非劣解对应的两个目标函数值到理想解(e01,e02)的欧几里得距离比调整前更大时,应当停止调整,选用上一次所确定的伸缩系数为最优伸缩系数。

步骤4:将e01,e02,δ01和δ02代入式(19)中,得到各分目标函数的隶属度函数表达式;将多目标优化问题转化为如式(18)所示的单目标优化问题。

步骤5:采用分支定界算法求解步骤4形成的单目标优化问题,得到最优解向量H*=[S*,R*,C*]。由S*的取值输出对应的故障元件,并将R*和C*的取值分别代入式(9)、式(10)和式(12)、式(13),对保护和断路器的动作行为及其警报信息进行评价并输出诊断结果。

3 算例分析

以经典四站网络为测试系统,以验证本文改进模型及求解方法的有效性。该测试系统包含28个元件、40个断路器和84个保护,系统结构如附录C图C1所示。具体的配置参见文献[4,12]。

3.1 复杂故障案例的诊断

该系统发生的一个故障情况为:变压器T3、母线B2同时发生故障,变压器的主保护T3m动作,跳开断路器QF16,断路器QF14拒动,其失灵保护QF14f动作,跳开与母线B4相连的断路器QF13，QF12和QF19,变压器近后备保护T3p也动作;同时,B2的主保护B2m动作,跳开与母线B2相连的断路器QF6,QF4,QF8和QF10;控制中心接收到T3m,T3p和QF14f等保护的动作警报以及QF16,QF13,QF12,QF19,QF6,QF4,QF8和QF10等断路器跳闸信息,没有收到B2m的动作警报。

使用本文前述方法得到诊断结论为:设备d1和d2故障;根据式(9)和式(10)及式(12)和式(13)确定发生拒动或误动的保护和断路器以及发生误报或漏报的保护和断路器的警报信息:保护p6误动,断路器b7拒动,保护p2的警报信息漏报,即变压器T3和母线B2同时故障,变压器T3的后备保护T3p误动,断路器QF14拒动,母线B2的主保护B2m的动作警报信息漏报。诊断结果完全正确,验证了本文模型及算法的有效性。具体诊断过程见附录C。

3.2 故障诊断模型的比较

1)模型参数选择的比较

对3.1节中的故障算例,建立对应的加权单目标优化的目标函数,对上述的故障情况,当ww=1.2,wl=0.8,wm=0.75,wd=1.5时可以得到与多目标优化相同的正确诊断结果。wm和wd分别为保护和断路器的拒动、误动相对权值;ww和wl分别表示警报信息误报和漏报的相对权值。但是此种权值取值并不能适应所有的故障情况,当ww=1.2,wl=0.8,wm=0.9,wd=1.0时,得出的结果为错误的诊断结果。因此,如何选择合适的权重,是单目标优化方法的关键,相应限制了单目标加权诊断目标函数在实际中的应用。

本文对其他算例也进行了仿真测试,并与文献[7-8,11]建立的模型的诊断结果进行比较,部分算例的比较结果见附录C表C4。由表C4可知,文献[7-8]以接收到的保护和断路器警报作为保护和断路器的实际状态,建立加权单目标优化模型。当发生故障的元件增多,且发生警报信息误报或漏报以及保护和断路器不正常动作时,文献[7-8]可能会出现多解或错误诊断的情况,如故障案例4和5。文献[12]建立的完全解析模型,将故障诊断问题转化为一个加权系数的单目标优化问题,由表C4的测试结果可知,当各权重系数确定后,对不同的故障情况进行测试,并不能总是得到准确的诊断结果,如故障案例5,需对各权重系数进行调整才能得到准确的诊断结果。本文建立的多目标优化模型则不存在参数选择困难的问题,均能够得出准确的诊断结论。

2)模型优化变量维数的比较

文献[12]以[S,R,C,M,D]为优化变量,建立了3.1节中故障算例的基于加权系数的单目标优化的目标函数,其模型中的待优化变量维数为88,远大于本文的32,其相应求解的复杂度及计算量均远大于本文所建立模型。

文献[7-8,12]及本文对附录C表C4中各故障案例进行优化求解，得到待求变量的维数大小如附录C表C5所示。由表C5可知,同一个故障情况,目标函数待优化变量的维数从大到小依次为文献[12](N+3Z+3K)、本文(N+Z+K)、文献[7-8](N)。结合它们的诊断结果的准确度,文献[12]的待求解变量的维数很高,对可疑故障设备较多的故障情况,在有限的时间内得到准确最优解相对困难。文献[7-8]的模型对复杂故障则经常给出错误或多解的诊断结果,同时难以对保护和断路器的动作行为及对应的警报信息进行准确的判断和识别。综上证明本文改进模型在具有更强的容错能力的同时,计算量相对小,既能满足诊断准确性要求又能满足实时性要求。

4 结论

本文提出了电网故障诊断新模型及相应求解方法。该模型以故障停电区域内的可疑故障设备状态、保护和断路器实际动作状态作为优化变量,基于保护(断路器)的期望状态和实际状态差异度最小以及保护(断路器)实际状态和对应警报信息差异度最小建立一个多目标优化的目标函数,实现变量的最优解与警报信息的最佳匹配。对于该多目标优化模型,采用基于模糊技术的优化方法进行求解,在一定程度上克服了简单加权系数求解法因加权系数不好确定的缺点问题。算例证明了本文方法的有效性。由于该方法存在非劣解的择优过程,如何结合具体问题选择到恰当的非劣解,还有待进一步研究和探讨。

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

[1] MIAO H,SFORNA M,LIU C C.A new logic-based alarm analyzer for on-line operational environment[J].IEEE Trans on Power Systems,1996,11(3):1600-1606.

[2] 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.

ZHAO Wei,BAI Xiaomin,DING Jian,et al.A new fault diagnosis approach of power grid based on cooperative expert system and multi-agent technology[J].Proceedings of the CSEE,2006,26(20):1-8.

[3] 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.

BI Tianshu,NI Yixin,WU Fuli,et al.A novel neural network approach for fault section estimation[J].Proceedings of the CSEE,2002,22(2):73-78.

[4] 熊国江,石东源,朱林,等.基于径向基函数神经网络的电网模糊元胞故障诊断[J].电力系统自动化,2014,38(5):59-65.DOI:10.7500/AEPS20130603005.

XIONG Guojiang,SHI Dongyuan,ZHU Lin,et al.Fuzzy cellular fault diagnosis of power grids based on radial basis function neural network[J].Automation of Electric Power Systems,2014,38(5):59-65.DOI:10.7500/AEPS20130603005.

[5] 文福拴,韩祯祥.基于遗传算法和模拟退火算法的电力系统的故障诊断[J].中国电机工程学报,1994,14(3):29-35.

WEN Fushuan,HAN Zhenxiang.Fault section estimation in power systems using genetic algorithm and simulated annealing[J].Proceedings of the CSEE,1994,14(3):29-35.

[6] 文福拴,钱源平,韩祯祥,等.利用保护和断路器信息的电力系统故障诊断与不可观测的保护的状态识别的模型与 Tabu 搜索方法[J].电工技术学报,1998,13(5):1-10.

WEN Fushuan,QIAN Yuanping,HAN Zhenxiang,et al.A Tabu search based approach to fault section estimation and state identification of unobserved protective relays in power systems using information from protective relays and circuit breakers[J].Transactions of China Electrotechnical Society,1998,13(5):1-10.

[7] 翁汉琍,毛鹏,林湘宁.一种改进的电网故障诊断优化模型[J].电力系统自动化,2007,31(7):66-70.

WENG Hanli,MAO Peng,LIN Xiangning.An improved model for optimizing power system fault diagnosis[J].Automation of Electric Power Systems,2007,31(7):66-70.

[8] LIN X,KE S,LI Z,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.

[9] 熊国江,石东源.电网故障诊断改进解析模型及其自适应生物地理学优化方法[J].电工技术学报,2014,29(4):205-211.

XIONG Guojiang,SHI Dongyuan.An improved analytic model for fault diagnosis of power grids and its self-adaptive biogeography-based optimization method[J].Transactions of China Electrotechnical Society,2014,29(4):205-211.

[10] 郭文鑫,文福拴,廖志伟,等.计及保护和断路器误动与拒动的电力系统故障诊断解析模型[J].电力系统自动化,2009,33(24):6-10.

GUO Wenxin,WEN Fushuan,LIAO Zhiwei,et al.An analytic model for power system fault diagnosis with malfunctions of protective relays and circuit breakers taken into account[J].Automation of Electric Power Systems,2009,33(24):6-10.

[11] 董明,韦刘红,文福拴,等.电力系统故障诊断的机会约束规划模型与方法[J].电力系统自动化,2011,35(20):47-50.

DONG Ming,WEI Liuhong,WEN Fushuan,et al.A chance-constrained programming based model and method for power system fault diagnosis[J].Automation of Electric Power Systems,2011,35(20):47-50.

[12] 刘道兵,顾雪平,李海鹏.电网故障诊断的一种完全解析模型[J].中国电机工程学报,2011,31(34):85-92.

LIU Daobing,GU Xueping,LI Haipeng.A complete analytic model for fault diagnosis of power systems[J].Proceedings of the CSEE,2011,31(34):85-92.

[13] 刘道兵,顾雪平,梁海平,等.电网故障诊断完全解析模型的解集评价与最优解求取[J].中国电机工程学报,2014,34(31):5668-5676.

LIU Daobing,GU Xueping,LIANG Haiping,et al.Solution evaluation and optimal solution discrimination of a complete analytical model for power system fault diagnosis[J].Proceedings of the CSEE,2014,34(31):5668-5676.

[14] XU L,KEZUNOVIC M.Implementing fuzzy reasoning Petri-nets for fault section estimation[J].IEEE Trans on Power Delivery,2008,23(2):676-685.

[15] 童晓阳,谢红涛,孙明蔚.计及时序信息检查的分层模糊Petri网电网故障诊断模型[J].电力系统自动化,2013,37(6):63-68.

TONG Xiaoyang,XIE Hongtao,SUN Mingwei.Power system fault diagnosis model based on layered fuzzy Petri net considering temporal constraint checking[J].Automation of Electric Power Systems,2013,37(6):63-68.

[16] 吴文可,文福拴,薛禹胜,等.基于多源信息的延时约束加权模糊Petri网故障诊断模型[J].电力系统自动化,2013,37(24):43-53.

WU Wenke,WEN Fushuan,XUE Yusheng,et al.A weighted fuzzy Petri net based model with time-delay constraints for power system fault diagnosis employing information from multiple sources[J].Automation of Electric Power Systems,2013,37(24):43-53.

[17] CHEN W H,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.

[18] 张勇,张岩,文福拴,等.基于时序因果网络的电力系统故障诊断[J].电力系统自动化,2013,37(9):47-53.

ZHANG Yong,ZHANG Yan,WEN Fushuan,et al.A temporal cause-effect net based approach for power system fault diagnosis[J].Automation of Electric Power Systems,2013,37(9):47-53.

[19] 周曙,王晓茹,钱清泉.基于贝叶斯网的分布式电网故障诊断方法[J].电网技术,2010,34(9):76-81.

ZHOU Shu,WANG Xiaoru,QIAN Qingquan.Bayesian networks based distributed fault diagnosis approach for power grids[J].Power System Technology,2010,34(9):76-81.

[20] 何小飞,童晓阳,周曙.基于贝叶斯网络和故障区域识别的电网故障诊断研究[J].电力系统保护与控制,2010,38(12):29-34.

HE Xiaofei,TONG Xiaoyang,ZHOU Shu.Power system fault diagnosis based on Bayesian network and fault section location[J].Power System Protection and Control,2010,38(12):29-34.

[21] 汤磊,孙宏斌,张伯明,等.基于信息理论的电力系统在线故障诊断[J].中国电机工程学报,2003,23(7):5-11.

TANG Lei,SUN Hongbin,ZHANG Boming,et al.Online fault diagnosis for power system based on information theory[J].Proceedings of the CSEE,2003,23 (7):5-11.

[22] 张岩,张勇,文福拴,等.融合信息理论的电力系统故障诊断解析模型[J].电力自动化设备,2014,34(2):158-164.

ZHANG Yan,ZHANG Yong,WEN Fushuan,et al.Analytical model for power system fault diagnosis integrated with information theory[J].Electric Power Automation Equipment,2014,34(2):158-164.

FaultDiagnosisinTransmissionNetworkUsingMulti-objectiveOptimization

LUOPingping1,CUIJiaqi2,LINJikeng2,WANGKui1

(1.College of Electric Power Engineering,Shanghai University of Electric Power,Shanghai 200090,China;2.College of Electronics and Information Engineering,Tongji University,Shanghai 201804,China;3.State Grid Huainan Electric Power Supply Company,Huinan 232007,China)

A new model of power grid fault diagnosis and its corresponding solving methodology are proposed.By taking the real-time action state of the prospective faulty equipment,the protection equipment and the circuit breaker in the blackout area as the optimization variables,a multi-objective optimization model is built based on the maximum difference between the expected state and real state of protection and circuit equipment as well as the maximum difference between the real-time state and the corresponding alarming information.Fuzzy optimization technique is adopted to achieve the optimal matching of optimization variables.The dimensions of variables are greatly reduced to get rid of the “curse of dimensionality” of other approaches.At the same time,the difficulty of choosing the weighting coefficient is avoided by using the multi-objective and fuzzy optimization technique.Finally,the efficiency of this new model is verified by case study.

fault diagnosis;analytic model;expectation state;multi-objective optimization

2017-01-02;

2017-04-19。

上网日期:2017-09-22。

罗萍萍(1969—),女,硕士,副教授,主要研究方向:继电保护、配网自动化、电网故障诊断。E-mail： 147824260@qq.com

崔嘉琦(1993—),男,硕士研究生,主要研究方向:电网故障诊断、人工智能在电力系统的应用。E-mail:1cjq@tongji.edu.cn

林济铿(1967—),男,通信作者,博士,教授,博士生导师,主要研究方向:电力系统稳定性分析及控制、配网自动化、智能电网、电网故障诊断。E-mail:mejklin@126.com

(编辑代长振)

( continuedonpage108)( continuedfrompage88)