基于物联网的加权模糊petri网电网故障诊断研究

2023-08-31孙霞,刘顺

安徽理工大学学报（自然科学版） 2023年2期

孙霞,刘顺

(安徽理工大学电气与信息工程学院,安徽淮南 232001)

随着电力用户对电能可靠性的需求越来越高,电网的结构也日益复杂。及时、正确地诊断电网故障是保证电网稳定持续运行的前提,比较常见电网故障诊断的方法有基于神经网络的方法、基于专家系统的方法,另外还有贝叶斯网络[1]、神经算法[2]、petri网等。其中,petri网因其强大的离散并行处理能力,广泛地应用在电力系统故障诊断中。

近年来,学者们基于petri网进行了许多电网故障诊断的研究。文献[3]提出模糊petri网在电力系统故障诊断中达到了满意的判断效果。文献[4]39考虑故障因素的不同影响程度提出了加权模糊petri网电网故障诊断的方法。文献[5]提出按故障元件蔓延方向建立加权模糊petri网,该方法具有较高的容错性和适应性。文献[6]提出基于改进的petri网电网故障诊断方法,需要按故障元件蔓延方向进行建模,同时根据故障原理构建复杂的petri网模型。文献[7]将BP神经网络与模糊petri网相结合,通过优化权值、阈值和确信度提高故障诊断的结果取值。上述学者在研究时总结前人的经验,不断完善petri网在电网故障诊断的应用,但仍存在一些不足,如没有考虑不同事件对故障发生的影响程度且按元件建立庞大的电网拓扑结构petri网模型,不适用于拓扑结构多变的电网;权值的确定没有严格的定义,权值大多定义均分为0.5,权值的作用被忽略;监测中心采集的信息漏报误报时会影响故障诊断结果[8],导致出现故障元件诊断错误的情况。

因此,为了提高电网故障诊断结果的可靠性,本文提出基于物联网的加权模糊petri网电网故障诊断方法,以可疑故障元件为中心按不同方向构建多个模糊petri网模型,充分考虑保护与断路器动作信息对故障发生的影响程度,并在诊断结果的基础上增加补充信息,最后结合仿真实验进行分析,以期为电网故障诊断提供更有效的方法。

1 加权模糊petri网

1.1 加权模糊petri网定义

定义：加权模糊petri网(Weighted Fuzzy Petri NET,WFPN)可以定义为一个九元组[9]

SWFPN={P,T,I,O,a,Th,W,θ,U}

其中,

1)P为所有库所节点组成的有限集合,P={P1,P2,…,Pn};

2)T为所有变迁节点组成的有限集合,T={t1,t2,…,tm};

3)I为P库所指向T变迁的输入映射,其值等于φij,φij∈[0,1];当Pi为Tj的输入库所时,φij的值为该有向弧的权值,当Pi不是Tj的输入库所时,φij=0;

4)O为T变迁指向P库所的输出映射,其值等于φij,φij∈[0,1];当Pi为Tj的输出库所时,φij的值为该规则的可信度,当Pi不是Tj的输出库所时,φij=0;

5)a则表示库所对应命题的可信度,a(Pi)∈[0,1];

6)Th为变迁激发阈值向量,Th∈[0,1],也是一个映射,对变迁节点t定义一个阈值Th,Th={λ1,λ2,…λm};

7)W为变迁规则的权值矩阵,W={w11,w12,…wij},反映规则中的前提条件对结论的支持程度;

9)U为变迁规则可信度矩阵,U=diag(u1,u2,…,um),uj为tj规则的可信度,uj∈[0,1]。

1.2 加权模糊Petri网推理

1)首先计算每个变迁的合成输入可信度

Ek+1=Iθk

2)将合成输入可信度与变迁阈值相比较

Gk+1=Ek+1©Th

3)如果合成输入可信度大于变迁阈值,则留下该输入项。计算可以发生变迁的合成可信度

Hk+1=Ek+1⊙Gk+1

4)计算库所下一步状态

θk+1=I⊗Hk+1⊕θk

5)如果θk+1=θk,则推理结束。

其中k初始为0,重复上述推理步骤直至达到结束条件。

1.3 加权模糊Petri网的改进

考虑到电网拓扑结构复杂多变的特点,本文提出基于物联网的加权模糊petri网电网故障诊断方法,打破传统电网故障诊断WFPN模型,对可疑故障元件各个蔓延方向进行建模,综合主保护、近后备保护、远后备保护以及对应断路器的信息分析,进一步提高故障诊断的准确性。

加权模糊petri网在模糊petri网的基础上增加了权值的元素定义,提高了系统应用的准确性。不同的事件对结果的影响程度不同,如保护动作和断路器动作,当保护动作发生时对应的断路器才会发生动作,因此不能简单地将权值都赋值为0.5。在系统实际工作中,保护信息动作触发断路器动作,因此保护信息动作的权值应大于断路器动作权值。本文将保护动作的权值设为0.55,而断路器动作权值设为0.45。经过研究发现,电力系统中母线、变压器以及输电线路发生故障时往往伴有温度变化的现象,因此在结合上述改进方法基础上,引入物联网技术,通过加入无线传感器网络实时采集电网元件的温度。当电网发生故障后,通过建立WFPN模型分析出可疑故障元件并结合实时采集的温度数据进一步确定故障元件。

对于电网元件的故障诊断,首先对电网拓扑结构进行分析,了解各类保护的动作原理;再利用接线分析法找出可疑故障元件,按照可疑故障元件的蔓延方向,绘制不同方向上的加权模糊petri网;最后,通过SCADA系统获取故障的保护动作和断路器动作信息,计算出元件不同方向上的故障可信度,进而均分得到故障结果。本文规定可疑故障元件的故障结果可信度大于0.65,则判定为故障元件。

2.1 电网拓扑结构

图1为局部电网示意图,由32个元件、40个断路器和84个保护组成。32个元件分别表示为:电源G1～G4,母线A1～A4,双母线B1～B8,变压器T1～T8,线路L1～L8。40个断路器表示为CB1～CB40。其中,保护分为主保护和后备保护,而后备保护分为近后备保护和远后备保护。36个主保护表示为:A1m～A4m,T1m～T8m,B1m～B8m,L1Sm～L8Sm,L1Rm～L8Rm。48个后备保护为:T1p～T8p,T1s～T8s,L1Sp～L8Sp,L1Ss～L8Ss,L1Rp～L8Rp,L1Rs～L8Rs。在上述表达中,m表示主保护,p表示近后备保护,s表示远后备保护,S和R表示线路的送端和受端。本文规定左端为送端,右端为受端。

图1 局部电网示意图

通过电网拓扑分析找出可疑故障元件[10]16。由于电网结构复杂,保护和断路器数量过多,传统分析方法建立的petri网模型结构庞大,不利于分析拓扑结构变化的电网,因此需要新的电网拓扑分析法。根据接线分析法可知,当电力系统发生故障后,保护和断路器动作会将故障元件进行隔离[11],因此故障元件肯定被隔离在一个无源区域中。基于此原理,将元件母线、变压器和线路进行顺序编号。通过依次取元件判断是否与闭合的断路器相连构成有源集合,构成无源集合中的元件则为故障元件,具体步骤如下:

1)建立一个集合a,并将所有元件编号放入其中;

2)建立一个子网集合Ni,取元件编号i放入其中,并找出与之相连的闭合断路器,若无闭合断路器,则转到步骤6;

3)找出与闭合断路器相连的其他元件,并将元件编号放入子网集合中;

4)继续搜索由第3步得到元件的其他相连闭合断路器;

5)重复步骤3～4,直至结束;

6)列出所有的子网集合,若集合Ni中不含电源则元件i为可疑故障元件。

2.2 基于物联网的电网应用

研究表明,现阶段电网已经推广了一系列通信信息平台和自动化系统,正在往透明电网方向发展,使电网运行透明化,系统可观可测[12]。本文选用ZigBee与NB-IoT相结合的通讯模式,具有电网系统监测的低功耗、成本低、覆盖广等优点[13]。具体措施为:在变压器、母线、线路各元件周围安装ZigBee模块,选用CC2530作为主控芯片,温度传感器选用DS18B20,整体组网结构采用星星拓扑结构。通过协调器上的NB-IoT模块将各终端实时采集温度上传至云端,便于电网监测中心上位机观测处理数据。

2.3 保护的动作原理

1)母线的主保护动作时跳开与其相连的断路器,如A2发生故障时,A2m动作断开CB16、CB17和CB18。母线的远后备保护是当主保护下的断路器未跳开时,相应方向上的远后备保护动作且相应断路器跳闸;如A2发生故障时,CB17未断开,T4s动作断开CB15。

2)变压器主保护动作时跳开其两端的断路器,如T2发生故障时,T2m动作断开CB3和CB5。变压器的近后备保护是当主保护拒动时,动作跳开其两端的断路器;如T2发生故障,而T2m未动作时,T2p动作断开CB3和CB5。变压器的远后备保护用于相邻区域故而该区域保护未动作时,保护断路器。

3)线路主保护分为受端主保护和送端主保护,也是在发生故障时断开与其相连的断路器,如L6发生故障时,L6Rm动作断开CB20,L6Sm动作断开CB32。线路的近后备保护是当主保护拒动时,动作跳开其两端的断路器,如L6发生故障时,L6Rm未动作,L6Rp动作断开CB20;L6Sm未动作,L6Sp动作断开CB32。线路的远后备保护用于相邻区域发生故障时起保护作用,用来保护线路[14]。

2.4 建模

在电网拓扑分析找出可能可疑故障元件后,按照元件不同方向建立加权模糊petri网故障诊断模型。传统元件故障诊断模型将其分为3层,并将所有可能发生的保护和断路器动作信息绘制在一起,结构复杂且矩阵计算量大。而本文构建的故障诊断模型只需要两层即可,且逻辑更加清晰。如图1所示的局部电网示意图,若监控中心收到警报信息,断路器CB11、CB13、CB19动作,则根据上述的接线分析法可以判断出可疑故障元件为母线B3;然后对可疑故障元件按不同方向进行加权模糊petri网建模。

图2具体说明了故障方向WFPN模型的建立方法。当判断出母线B3发生故障,以诊断元件B3为中心,对其3个故障蔓延方向(线路L1、L5,断路器CB13)分别建立WFPN模型。根据保护的动作原理将保护信息和断路器相连接,图2中P11、P21均表示虚拟库所,存放着保护动作原理发生的可信度。P1、P2、P3为该方向上的故障可信度。图2中省略了权值和可信度的标识,具体赋值会在之后列出详细信息。

(a)线路L1方向上的WFPN模型

2.5 仿真参数的确定

监控中心收到从SCADA系统收集的保护和断路器动作信息,存在着信息缺失或漏报的情况,因此,初始保护和断路器动作信息的可信度需要科学地确定。根据文献[15]和文献[4]39确定主保护和断路器动作可信度的方法,得出仿真参数,具体参数设置如表1所示。

表1 保护和断路器动作(未动作)可信度设置

在计算过程中,文献[4]32将保护和断路器的动作信息均取权值为0.5,未考虑保护和断路器的动作信息对规则影响程度不一致。在SCADA系统中,保护信息动作触发断路器动作,因此,保护信息动作的权值应大于断路器动作权值。本文将保护权值设为0.55,断路器动作权值设为0.45。为保证模型的容错性,将阈值设置为0.2,规则的置信度设置为0.95,便于验证仿真结果的可行性。

2.6 推理过程

案例1 监控中心收到如下信息:B3m动作,跳开断路器CB11、CB13、CB19。由跳开的断路器可推断出可疑故障元件为母线B3,以诊断元件B3为中心按方向建立WFPN模型,如图2所示。以图2(a)为例,根据定义,可得到输入输出矩阵以及变迁阈值矩阵分别为:

根据监控中心收到的信息进行参数初始化,确定保护和断路器动作的可信度。可得初始可信度为θ0=[0.968 4,0.983 3,0.4,0.2,0,0,0],其推理过程如下:

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]

比较两次推理结果可知θ2和θ3结果相同,根据推理步骤可知推理结束且母线B3在L1方向上的故障结果为0.880 0。同理可得母线B3在L5方向上的故障结果为0.880 0,母线B3在CB15方向上的故障结果为0.880 0。对以上3个方向的诊断结果进行合并,采用均分的方法,得到最终B3的故障结果为(0.8800+0.8800+0.8800)/3=0.8800。

3 算法的适应性和容错性分析

3.1 适应性

与传统电网故障诊断WFPN模型相比,按故障方向建立WFPN模型的优势在于每条蔓延方向的模型是独立的,仅与当前路径上的保护和断路器相关。即在该故障元件方向上增删一条路径,都不影响系统的整体结构,减少了建模的复杂度,在电网拓扑结构发生变化时依然能够得到准确的故障诊断结果。

3.2 容错性

考虑到SCADA系统提供到监测中心的数据信息不完整或者数据错误的情况,采用1.3节所提的方法进行改进,提高系统的容错性。通过以下案例验证保护和断路器误动以及信息漏报情况下该算法的容错性。

案例2 监控中心收到如下信息:L1Rm、T1s动作,跳开断路器CB4、CB11。由跳开的断路器可推断出可疑故障元件为线路L1,以诊断元件L1为中心按方向建立WFPN模型,由推理规则得到L1在不同方向上故障诊断结果,送端为0.652 0,受端为0.880 0,则故障诊断结果为(0.6520+0.8800)/2=0.7660。通过反向推理后可知L1Sm和L1Sp未动作,CB7拒动。由此可知,由于保护和断路器信息的漏报,故障诊断的结果受到了影响,值偏低。此时根据物联网设备中获取的温度信息,温度异常则表明L1元件存在发生故障的可能性,将故障诊断结果与远程测温信息相结合,验证了故障结果的可靠性,为工作人员快速准确定位故障元件、实现电力系统持续稳定运行提供了坚实的保障,体现了该方法具有较高的容错性。

4 仿真验证

利用MATLAB中Stateflow模块搭建可疑故障元件的WFPN模型,进行仿真验证。在研究中发现当只存在一个可疑故障元件,在保护和断路器动作信息不完整时仍能得到正确的诊断结果[16]。因此,本文针对电网系统诊断中出现多可疑故障元件情况进行仿真验证本文方法的有效性和可靠性。

案例3 监测中心收到如下信息:B3m、L7Ss、L5Sp、L5Rm、L1Rs、T3m、T3p动作,跳开断路器CB11、CB14、CB16、CB29、CB31。由跳开的断路器可推断出可疑故障元件为变压器T3、母线B3和线路L5、L7。建立故障诊断仿真模型如图3所示。由图3可知,故障诊断结果与推理规则得出的结果相同。

(a)仿真外部框图 (b)仿真内部结构图

通过对所有可疑故障元件的建模仿真得到的故障诊断结果如表3所示。由故障结果可知最有可能发生故障的元件为线路L5、变压器T3和母线B3,故障可信度分别为0.766 0、0.789 4和0.667 9。此时B3的动作情况存在不确定性,但是结合温度监测信息,可以排除母线B3为故障元件。通过反向推理可知B3m误动,CB19拒动。由此证明,此方法在多元件发生故障时可以提供有效判断依据,提高了故障诊断结果的准确性。