摘要：电力系统作为一个庞大的、高度复杂的动态系统，常处于不同的扰动中。如何降低故障引发的大规模停电风险成为当前智能电网研究的重要内容之一，本文用到了一种用于电网故障诊断的完全解析模型，并对诊断规则进行解析化表达，以及基于此模型进行电网故障诊断的化简求解方法。
关键词：电网故障；解析模型；故障诊断方法；电力系统
引言
近年，随着用电需求日益增长，人们对电能的稳定性要求也越来越高。但是电力系统的故障也是难以避免的，为了快速监测及消除故障，确保系统安全稳定运行，就需要一个优质的故障诊断系统，快速实现故障定位和类型识别。目前，电网故障诊断通常是建立在SCADA信息平台上，在电网故障时提供断路器、刀闸变位信息和少量的继电保护出口动作接点信息，可简单对故障元件定位处理。但当系统发生复杂故障及因信道干扰发生信息丢失等诸多不确定因素时，目前的诊断方法则无法取得满意的结果，因此本文利用计算机自动进行告警信息的处理和电网故障的诊断，以辅助调度员快速处理事故，是电网调度发展的必然需求，也是当前智能电网研究的重要内容之一。
1国内外故障诊断现状
目前，电网故障诊断的研究主要体现在诊断方法上，如专家系统方法（ES）\神经网络方法（ANN）以及基于解析模型与优化技术的方法等。对于不同的方法它们的优缺点会格外的明显。本文提到的基于解析模型与优化技术的方法将故障诊断转化为最能解释告警信号的0-1规划的问题来进行研究，采用优化技术求解，具有严密的数学理论基础和很好的应用前景。其实现过程通常是将电网元件的故障情况与保护、断路器动作之间关系引入目标函数，把故障诊断表示成目标函数的最小化问题，然后采用遗传算法或模拟退火算法等优化算法求取最优解。然而，当前的几种解析模型都是把保护和断路器动作的期望表示成实际告警信息与待优化参数的规则函数，通过优化算法使保护和断路器的动作期望与实际告警信息尽可能地接近，以求得最优参数，此参数即为解析模型的解。
2电网故障诊断的解析化建模
2.1故障模式
故障模式即对故障场景的完整描述，包括故障元件、保护动作情况、断路器的动作情况以及保护和断路器的拒动、误动情况。它可由式（所示的一组变量来描述）：
（S，R，C，M，D） （2-1）
在此式中：
S=
为可疑故障元件的状态向量，和分别表示元件故障和非故障；
为相关保护动作状态的向量，
=1和
=0分别表示保护动作和未动作。
C=
为相关保护动作状态的向量. 
1和
0分别表示断路器
跳闹和未跳闹；
M=
，其中
分别表示保护
误动与无误动。
D=[D¬R DC]，其中DR=
，DC=[
，
分别表示保护r，_（断路器c，）拒动和无拒动。
2.2电网故障诊断的解析化建模
当电网发生故障后，与故障元件相关保护动作，驱动相应断路器跳闸，致使故障元件被隔离。这个过程隐含有许多规则，如：保护拒动误动及断路器误跳闸等。本文将这些规则看作是对故障模式的约束，并釆用故障模式中的逻辑变量对其进行解析表达。
故障诊断的完全解析模型可抽象表达成
其中，S取停电区域内的所有电网元件的集合；C 取停电区域内及边界上所有的断路器；R则有关系式R={r|C（r）⊆C，r∈R∪R2}。可以看出，由于 S、R、C 只与停电区域中的设备及其配置的保护有关，不受电网规模大小的影响。在实际系统应用时，首先采用电网拓扑分析技术确定故障停电区域，再运用本文方法进行故障诊断。
3 电网故障诊断的解析化求解分析
故障诊断的完全解析模型可等价变化为
得
在保护动作和断路器跳闸情况已知，且不考虑告警信息中误报和漏报情况，则故障的解析式
本文采用优化技术，将故障诊断问题转换成最能解释告警信息的规划问题，为描述方便，把上式写成统一的形式：
F（S，R，C，M，D）= 0
F 的维数为2（Z+K）。以 G={S，R，C，M，D}为参变量，规划的目标函数为：
利用优化技术使目标函数 E（G）最小化以求得最优解 G，G 即为诊断出的故障模式。G 中 S 用作诊断结果；M、D 用作对保护、断路器的动作评价；将保护、断路器动作的状态 R、C 与收到的告警信息 R′、C′比照，可得出对告警信息的评价：对于ir ′∈ R′（对于ic ∈ C′，亦同），如果ir′ =1 且 ri =0，则ir 为误报；如果ir′=0 且 ri =1，则ir′为漏报；如果ir′ = ri =1 或者ir = ri =0，则ir′为正确。
4 采用改进离散粒子群算法的模型求解
4.1 改进的离散粒子群算法
离子群算法先初始化一群（个数为 N）随机粒子（维数为 D），然后用适应度函数衡量粒子的优劣，并进行迭代寻优，在每一次迭代中，粒子 i（1≤i≤N）根据式（15）来调整自己的速度 vi=（vi，1，…，vi，d，…，vi，D）和位置 xi=（xi，1，…，xi，d，…，xi，D）：
经 t 次迭代后，粒子 i 所找到过的最佳位置（pi，1，…，pi，d，…，pi，D）为个体极值；所有粒子找到过的最佳位置（pg，1，…，pg，d，…，pg，D）为群体极值，粒子通跟踪这 2 个“极值”来更新自己的速度和位置。粒子的位置对应于问题的解。群体极值就是问题的最优解。但在离散型解空间中，由于位置只能取值“0”“1”，vi，d不再具有类似在连续型解空间中的速度意义，而是被引申为粒子位置进一步演化的概[20]。显然，vi，d（t）与 vi，d（t+1）并不相关。引入遗传算法中的变异操作，以增强局部搜索能力。对 PSO 算法进行部分修改如下：
在以上算法中，a1、a2是加速系数，通常 0≤a1，a2≤2，
是介于（0，1）之间的伪随机数，用来调节算法的随机过程；S（v）=1− 1/e|v|，为粒子的演化概率；T（x）=1−1/{1+ln[1+f（x）]}为突变概率，f（x）是粒子的适应度函数，适应度函数取式，粒子 x 取（S，R，C，M，D），经过式（13）、（14）处理后的部分值保持不变。
4.2 基于完全解析模型的故障诊断过程
根据上文的建模和求解思路，将故障诊断的流程归纳如下：1）从故障后停电区域中，选出可疑故障设备集 S 和待解析的断路器集合 C。2）根据 S、C 确定待解析的保护集合 R。3）对 R、C 内的保护规则进行解析，得 fr及 fc。其中 r∈R，c∈C，fr，fc∈J。4）构建故障诊断完全解析模型式（9），并转换成式（11）形式。5）根据收到的告警信息 R′、C ′，按式（13）、（14）处理以降低参变量的维度。6）以式（12）为目标函数，用改进离散粒子群优化算法进行求解。7）求得的最优解（S*，R*，C*，M*，D*）即为诊断出的故障模式，其中 S*为故障诊断结论，M*和 D*为对保护、断路器的动作评价。8）对比 R*、C*和 R′、C ′，并对保护和断路器的告警信息进行评价。
5 结论
本文充分考虑了故障元件、保护动作和断路器跳闸的整体关联性和保护与断路器的误动和拒动情况，提出了一种基于电网故障诊断规则，即保护配置和断路器动作规则进行完全解析的故障诊断模型，并研究出了一套实用有效的求解方法。该模型在诊断规则解析过程中完整地保留了故障设备、保护及断路器动作之间固有的耦合关系，提高了模型的鲁棒性和抗干扰能力。算例表明，基于完全解析模型的故障诊断方法有较强的适应性和容错能力，可望用于电网在线故障诊断。
参考文献：
[1]周明，任建文，李庚银，等.基于模糊推理的分布式电力系统故障诊断专家系统[J].电力系统自动化，2007，25（24）：33-36
[2]丁晓群，孙军，袁宇波，等.基于BP网络的故障诊断方法的改进[J].电网技术，2003，22（11）：62-63
[3]文福栓，韩桢祥，田磊，等.基于遗传算法的电力系统故障诊断的解析模型与方法（二）[J].电力系统及其自动化学报，1998，10（9）：8-13
[4]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
[5]李文清，刘前进，姜伟.改进Tabu优化算法在地区电网故障诊断中的应用[J].继电器，2008，36（1）：67-72
[6]Hong-tzer Yang，Wen-Yeau Chang Ching-Lien Huang. A New Neural NetworksApproach to On-Line Fault Section Estimation Using Information of ProtectiveRelays and Circuit Breakers[J]. IEEE Transactions on Power Delivery，1994，9（1）：220-229
论文作者:袁晓峰,刘群,曹传银,许建波
论文发表刊物:《电力设备》2018年第27期
论文发表时间:2019/3/14
标签：断路器论文; 故障诊断论文; 电网论文; 故障论文; 粒子论文; 模型论文; 动作论文; 《电力设备》2018年第27期论文;