（1.2.3.海南电网有限责任公司；4.东方电子股份有限公司）
摘要：本文针对某一电网拓扑的相关历史运行数据信息进行分析，所提出的电网故障辅助诊断新方法相对传统开关量诊断，准确度得到了提高，具有工程实用价值和良好的应用前景。
关键词：多源信息融合；D-S证据理论；故障诊断
0引言
目前关于电网故障诊断的相关研究，国内外学者提出了多种行之有效的解决将途经。概括起来，主要包括以下几类：基于专家系统的故障诊断方法、基于人工神经网络的诊断方法、基于Petri网的诊断方法、基于综合的诊断方法。其中针对运行中的变压器结合Access数据库设计了实时故障诊断专家系统，通过异常征兆检测实现故障的实时诊断，将电网中的电力元件建立模糊元胞模型，并通过模糊矢量图建立元胞之间的逻辑关系，通过模糊逻辑规则来训练元胞通用神经网络，从而实现判别各种复杂故障情况，将电网故障各开关量以及保护动作的时序约束引入到Petri网故障诊断模型中，提出模糊Petri网故障诊断方法，准确推理不同元件可能的故障置信概率值，从而为元件的故障诊断提供依据，考虑不同诊断方法的优缺点，基于智能互不融合的思想将粗糙集、神经网络和专家系统有机结合在一起，提出一种电力系统变电所故障诊断的新方法。然而，在电网建设过程中，调度中心有SCADA/EMS、保信以及AVC、AGC等十多套应用系统，每一套系统作为独立的数据采集单元，如何利用多数据源的冗余特性，充分挖掘相关的开关量信息、电气量信息，完成多个应用系统告警信息的有效整合，实现电网故障诊断的高可靠性显得至关重要。
本文在已有研究的基础上，通过整合电网中独立的数据采集单元相关的开关量信息以及电气量信息，实现对电网的故障诊断研究。首先利用不同数据源开关量信息的时序约束建立相关故障元件的置信度集合，接着通过电气量信息结合信息熵权值得到不同电气元件的故障概率值。最后通过研究某一电网拓扑的相关历史运行数据信息进行分析，表明该模型能够很好地解决电网故障诊断的问题。
1.电网多源数据分类
本文结合电网中的不同独立数据采集单元的开关量以及电气量信息进行相关故障诊断分析。由于电网中不同数据采集单元的灵敏性以及对数据采集的精度不同，不同数据源采集到的数据特征存在差异；同时不同数据采集单元由于采集数据目的不同，对数据时间颗粒度、空间颗粒度以及电气量数据、开关量数据等信息没有严格的统一化采集要求，导致当前电网环境下不同数据采集单元所采集到的数据有着不同的内容。相关数据来源以及数据特征如下表1所示，
表1电网多源数据来源
Table.1Multi-sourcedatasourcesofpowergrid
2基于开关量时序约束的电力元件故障置信集
2.1不同数据源时序约束分析
不同数据源采集到的电力系统故障数据信息，相关故障的事件记录主要包括两个部分：原因事件和报警信息。原因事件是指母线、线路或变压器发生故障，表示为
满足一定约束关系。根据的研究成果，定义两类时间约束：
在电网运行的实际系统中，当原因事件发生时，保护和断路器的动作时间并不能精确确定。其中，保护的动作时间主要由保护装置整定延时和触发延时决定，而断路器也有一定的动作延时。因此，根据传统继电保护配置原则，定义主保护、近后备保护、远后备保护相对原因事件的延时区间分别为
对于不同的独立数据源，其所接收到的原因事件时间点是不同的，甚至有的数据源没有原因事件数据信息，于是需要根据不同数据源的特点找到合适的时间参考点，从而为时序约束分析奠定基础。相关时间参考点确定原则：
（一）：以报警信息的优先级由高到低的准则依次确定时间参考点，认为在最佳参考点下，不满足时序约束的区段最少；
（二）：以采集到电气量的信息，利用小波变化确定的故障起始时刻为时间参考点；
按照以上原则，对不同数据源的参考点确定方法分析如下表2，
表2不同数据源参考点确定方法
Table.2Methodfordeterminingreferencepointofdifferentdatasources
2.2电力元件故障置信集
对不同独立数据源获得相关时间参考点之后，可以对不同动作元件的时序约束进行分析与推理，从而得到在不同数据源时序约束条件下的故障元件集合
本文认为每一种数据采集单元独立不相关，于是对任何一个故障元件，其故障发生的概率为，
3基于电气量能量畸变度的电力元件故障分析
3.1小波变换与小波能量分析
基于多分辨率的快速小波变换是利用正交小波基将信号分解为不同尺度下的各个分量，每分解一次，信号采样频率降低一倍，每次分解都针对低频分量进行。离散信号采用多分辨分析小波变换及系数重构，可表示为各分解尺度下高频分量系数与最大分解尺度下低频分量系数之和：
3.2能量畸变度的求取
在电力网络中，当某一元件发生故障时，总是伴随着该元件电压与电流等电气量的突变，于是考虑利用测量该元件的故障录波装置录得的电气量数据，包括三相电压、三相电流等，用故障后一周波减去故障前一周波，得到故障差波信号，即
由于对电压差波信号而言，故障线路电压变化最大，非故障线路变化较小；而对于电流差波信号而言，部分非故障线路电流差值可能会出现比故障线路电流差值大的情况，因此此处的电气量本文主要考虑电压的相关数据。紧接着对差波电压信号进行小波能量分析，得到相应的能量畸变度的值，
利用该式对电网内所有可能故障元件进行能量畸变度分析，并实现全网内对每一个可能故障元件能量畸变度的归一化处理，
4基于D-S证据理论的信息融合
D-S证据理论是不确定性推理的重要手段。在证据理论中，设Θ是一个假设空间，称为辨识空间，Θ由一系列元素组成。证据
图1故障诊断流程图
Fig.1Flowchartoffaultdiagnosis
表3D-S证据理论的组合
Table.3CombinationofD-Sevidencetheory
5融合开关量与电气量的故障诊断流程分析
本文多源信息融合电网故障诊断具体诊断流程见下图1所示。由下图的故障诊断流程可知，本文首先对多数据源开关量以及电气量等数据信息进行采集，并分别利用开关量动作时序约束以及电气量能量畸变度指标对相关数据进行处理，分别得到可能故障元件的概率集合，最后通过D-S证据理论对数据信息进行融合，得到针对每一种故障元件，在综合考虑开关量以及电气量等多种信息的情况下，可能故障元件的故障概率值，为相关元件的故障诊断与分析提供了依据，同时还可以进一步对相关保护以及断路器的动作情况进行分析。
6算例分析
为验证本文所提故障诊断模型的有效性以及实用性，利用下图2所示的局部电力系统进行仿真分析，其中，L表示线路，A表示单母线，B表示双母线，T表示变压器，CB表示断路器，下标数字为编号。假定母线配有主保护，动作时跳开与该母线相连的所有断路器；线路两端都各有主保护和近、远后备保护，其中近后备保护是指由相邻母线所连接的断路器进行提供，在仿真分析时，下标分别表示电力元件的首端与尾端，相关仿真结果如下表4所示，
图2局部电力系统模型
Fig.2Localpowersystemmode
相关仿真分析以及诊断结果如下表4所示，
表4仿真结果分析
Table.4Simulationresultanalysis
7结束语
本文研究了当前电网环境下含多种独立信息采集系统的数据分析方法，提出了针对不同数据源的开关量时序约束以及电气量能量畸变度的概念，并建立了相关模型进行数据的分析与处理。在此基础上，利用D-S证据理论分别融合基于开关量与基于电气量的故障诊断结果，为电网的故障诊断提供理论依据。多组算例仿真测试结果表明，在保护和断路器发生误动或拒动、报警信息缺失或时序不一致以及发生多重故障等情况下，该模型也能给出正
确的故障诊断结果。
此外，根据诊断结果修正相关保护与断路器误动、拒动以及漏传、漏报的信息，进一步挖掘多源数据特征进行故障测距分析，仍是需要进一步研究的课题。
参考文献
[1]白展，苗世洪，孙雁斌，陈亦平，侯云鹤.计及时间约束的改进模糊Petri网故障诊断模型[J].电工技术学报，2016，31（23）：107-115.
[2]赵熙临.基于信息融合的电力系统故障诊断技术研究[D].华中科技大学，2009.
注：本文受以下海南电网有限责任公司科技项目资助，项目名称：基于多源数据的智能告警系统研究及建设，项目编号：070000KK52170009