基于petri网的电网故障诊断方法硕士论文

基于时序模糊P e t r i 网的电力系统故障诊断杨健维,何正友(西南交通大学电气工程学院,四川省成都市610031摘要:提出了基于时序模糊P e t r i 网的电力系统故障诊断方法,重点分析了故障诊断模型的特点,给出了电网拓扑结构发生变化时模型的快速修正方法,充分合理地利用了保护和断路器动作信息的时序属性,提出了动作信息不完备情况下的纠错算法,可较好地完成继电保护的动作评价㊂以14节点系统为例验证该诊断方法的准确性和模型修正方法的快速性㊂与已有方法的比较表明,该方法诊断速度快㊁精度高,具有适应电网拓扑结构变化的能力,适用于大型电力系统故障诊断㊂关键词:故障诊断;时序模糊P e t r i 网;时序信息;不完备信息;电力系统收稿日期:2010-09-27;修回日期:2011-03-15㊂国家自然科学基金资助项目(50877068㊂0 引言目前,电力系统元件的故障诊断主要是利用数据采集与监控(S C A D A系统获得的保护和断路器动作信息,其主要方法有优化算法[1]㊁人工神经网络[2]㊁专家系统[3]㊁模糊推理[4]㊁P e t r i 网[5-6]等㊂上述方法在元件故障诊断方面具有一定的适应性,但仍存在以下局限:①大多依赖于调度中心准确㊁完整的故障信息,当存在保护或开关误动㊁拒动以及信息丢失时,往往难以得到精准的诊断结果,特别是在多重故障或者扩大性故障发生时,问题尤为突出;②电力系统故障过程中,信息的时序属性未得到充分合理的运用;③针对大规模复杂电网的故障诊断,如何在网络拓扑改变后,实现诊断模型的自动修正也是亟待解决的关键问题之一㊂近年来,国内外有学者采用信息理论[7]㊁粗糙集[8]等方法来解决大规模复杂电网故障诊断中的信息不确定性问题,采用P e t r i 网㊁贝叶斯网络等方法对元件进行建模来解决大电网诊断过程中建模复杂的问题,这些研究都取得了一定进展,但在大规模复杂电力系统诊断建模和决策方面还存在一定困难㊂基于此,本文提出一种基于时序模糊P e t r i 网(t e m p o r a l o r d e r f u z z y P e t r i n e t s ,T O F P N 的电力系统故障诊断模型,充分合理地应用警报信息的时序属性,对保护和断路器误动㊁拒动以及丢失等不确定性信息进行纠错处理,提出了电网拓扑结构变化时的快速修正方法,有效地改善了拓扑变化时难以重新建模的问题㊂1 T O F P N 的数学描述1.1 T O F P N 定义结合模糊P e t r i 网(F P N的定义[9],考虑信息时序属性,T O F P N 可以定义为一个八元组:S T O F P N ={P ,T ,T T S ,I ,O ,α,θ(0,U }式中:P ={p 1,p 2, ,p n}为库所结点的有限集合,对应命题;如果p i 是一个开始位置,那么定义p i 为起始库所㊂T ={t 1,t 2, ,t m }为变迁结点的有限集合,对应规则㊂T T S ={T 1,T 2, ,T m }为获得起始库所状态信息的时间㊂I 为输入矩阵,I =(δi j n ×m ,δi j 为逻辑量,δi j ∈[0,1],当p i 是t j 的输入(即存在p i 到t j 的有向弧时,δi j 的值为该有向弧的权值;当p i不是t j 的输入时,δi j =0㊂其中,i =1,2, ,n ,j =1,2, ,m ㊂O 为输出矩阵,O =(γi j n ×m ,γi j 为逻辑量,γi j∈[0,1],当p i 是t j 的输出(即存在t j 到p i 的有向弧时,γi j 的值为该规则的可信度;当p i不是t j 的输出(即不存在t j 到p i的有向弧时,γi j =0㊂其中,i =1,2, ,n ,j =1,2, ,m ㊂α为库所对应的命题的可信度,α∈[0,1]㊂θ(0为初始状态,θ(0=[θ(0p 1,θ(0p 2, ,θ(0p i ]T ,θ(0p i 为命题p i 的初始逻辑状态,θ(0p i∈[0,1],表示p i 状态为真的可信度,i =1,2, ,n ㊂U 为规则可信度矩阵,U =d i a g (μ1,μ2, ,μm ,μj 为规则t j 的可信度,μj ∈[0,1],其中j =1,2, ,m ㊂若μj =1时,模型为不含模糊变量的一般P e t r i 网推理模型㊂1.2 T O F P N 的模糊推理决策T O F P N 的推理决策与普通模糊P e t r i 网相同,1 第35卷第15期2011年8月10日V o l .35 N o .15A u g 10,2011采用实用的不确定推理方法 MY C I N 的置信度方法[10],该方法引入极大代数中的⊕和⊗算子㊂⊕:A ⊕B =C ,若A ,B ,C 均为m ×n 的矩阵,则C i j =m i n (A i j ,B i j㊂⊗:A ⊗B =D ,若A ,B ,D 分别为m ×q ,q ×n ,m ×n 的矩阵,则D i j =m a x 1≤k ≤q(A i k ,B k j ㊂根据以上2个极大代数算子的定义,引入 n e g”算子和中间变量v (k,则推理过程中有如式(1~式(3所示的推理公式㊂n e g θ(k=1m -θ(k =θ(k (1式中:n e g θ(k为一m 维向量,其中元素表示命题P i为假的可信度,i =1,2, ,m ;1m 为一m 维向量,其中元素全为1;k 为推理步骤;θ(k 为推理至第k 步时库所的状态㊂v (k =I T ⊗(n e g θ(k=I T ⊗θ(k(2式中:v (k为一n 维向量,为中间变量,表示规则t j 为假的置信度,j =1,2, ,n ㊂ρ(k =ne g v (k =n e g (I T ⊗(n e g θ(k =I T⊗θ(k (3式中:ρ(k为一m 维向量,表示规则为真的置信度㊂根据以上定义及式(1~式(3,可得库所p i 下一步的状态为:θ(k +1=θ(k ⊕[(O ㊃U ⊗(I T ⊗θ(k](4 综上所述,可以得到推理算法步骤如下㊂步骤1:读入数据j =1,2, ,n ㊂步骤2:令推理步骤k =0㊂步骤3:利用式(1~式(4,最终得到θ(k +1㊂步骤4:若θ(k +1≠θ(k ,令推理步骤k =k +1,返回步骤3,重新计算θ(k +1;若θ(k +1=θ(k ,则推理结束㊂2 T O F P N 的电力系统故障诊断模型2.1 故障诊断T O F P N 模型的特点电网中元件关联的继电保护装置都设有整定动作时限,把它融合于P e t r i 网中,可以根据1.1节的定义建立电力系统故障诊断的时序P e t r i 网模型㊂电力系统故障后,主保护动作触发相应的断路器动作,后备保护的动作均是经过一段时间的延时,并且与延时结束时断路器的状态有关㊂为了简化模型,本文只考虑保护和断路器时间上的顺序关系,根据T O F P N 的推理决策,可以得出更准确的诊断结果㊂对复杂电网进行故障诊断,需要解决的一个主要问题就是网络拓扑改变时诊断模型的自动修正㊂本文以电力系统元件为对象,建立故障诊断的T O F P N 模型,其具有如下特点:1对于线路,分别建立其两端的T O F P N 模型;对于母线或变压器,由于其故障时,主保护动作会切除与其相连的所有断路器,每一个断路器的拒动都会导致故障范围的扩大,因此需要对每一个连接方向分别建立T O F P N 模型㊂2基准模型的设定㊂本文建模时,采用传统的保护配置原则㊂母线或变压器没有近后备保护,由相邻线路的保护作为后备保护;线路本身具有主保护和近后备保护,由相邻线路的保护作为远后备保护㊂由模型第1个特点可知,与某一元件相关联的几个T O F P N 模型结构相同,据此特点,可以设定基准模型㊂定义基准模型初始库所时序关联矩阵元素为: B 0(p i ,T TS j =1p i与T T S j 关联0p i与T T S j {不关联(5式中:i ,j=1,2, ,为每个T O F P N 模型的库所和变迁数㊂根据定义,给出母线(或变压器和线路的基准模型的初始库所时序关联矩阵分别为:B 0r B (p i ,T T S j =100001000010éëêêêêêùûúúúúú001B 0r L (p i ,T TS j =100000010100001000000010éëêêêêêêùûúúúúúú000001 式中:r=1,2,,为与某一元件相关联的T O F P N 模型数㊂对于T O F P N 模型中涉及的矩阵,其中的库所向量和变迁向量的排列顺序如下㊂1库所向量排列顺序对于母线和变压器来说,依次为:主保护,主保护对应的断路器,后备保护,后备保护对应的断路器㊂对于线路来说,依次为:主保护,主保护对应的断路器,近后备保护,近后备保护对应的断路器,远后备保护,远后备保护对应的断路器(线路的远后备保护及其断路器的个数由与其相连的元件数决定㊂2变迁向量排列顺序对于母线和变压器来说,依次为:主保护动作,后备保护动作,主保护动作切除故障,后备保护动作切除故障㊂对于线路来说,依次为:主保护动作,近后备保护动作,远后备保护动作,主保护动作切除故障,近后备保护动作切除故障,远后备保护动作切除故障㊂2 2011,35(152.2 故障诊断T O F P N模型及其快速修正对复杂电网进行故障诊断,T O F P N模型可以在网络拓扑改变时实现诊断模型的自动修正,其主要原因是:对于某一元件,其关联的几个T O F P N模型结构相同,也就是说模型的库所和变迁之间的连接方式不变,所以当网络拓扑发生变化时,只是元件子模型的个数发生变化,只需要添加或者删除相应的子模型即可㊂14节点电力系统拓扑见附录A图A1,该系统由34个元件㊁74个保护㊁42个断路器组成㊂以母线B13为例,根据拓扑结构,3条线路与母线B13相连,构建与母线B13相关的3个时序模糊P e t r i网模型,则根据模型特点,3个子模型结构必然相同,由此得到3个模型如图1所示㊂图1 母线B13的时序模糊P e t r i网模型F i g.1 T O F P N m o d e l o f b u s B13图中:B13m为母线主保护;L X R s和L X S s为线路远后备保护,S和R分别为线路的两端,以每条线路在附录A图A1上的位置为准,从左到右依次定义为S端和R端;下标X为线路的具体标号;C B x为线路两端的断路器,下标x根据线路两端母线名称进行命名;P Y(n为中间库所,n=1,2, 为各个模型中中间库所的个数;P(Y为终止库所;t Y(m为变迁,m=1,2, 为模型中变迁的个数;下标Y为关联方向,表示该方向上与母线直接相连的线路名称,用以区别同一元件不同的T O F P N模型㊂若在该系统中的母线B13与B11间增加一条线路L4(如附录A 图A1中虚线所示,此时,对母线B13,相当于母线B13增加了一个故障蔓延方向,对其进行故障诊断,只需建立该故障蔓延方向上的T O F P N模型(如图2所示,其余方向的T O F P N模型不变㊂图2 添加的T O F P N模型F i g.2 A d d i t i v em o d e l o fT O F P N将添加的T O F P N子模型与其他T O F P N模型一起作为新拓扑结构的诊断模型,并且各个T O F P N子模型结构相同,无论哪个T O F P N子模型均与基准模型相同,其输入㊁输出矩阵和初始库所时序关联矩阵均不改变,因此,对于增加支路的情况,保留未增加支路前的计算结果,再与增加支路后的结果进行融合即可㊂这样就方便地完成了诊断模型的快速修正,大大减小了建模复杂度㊂3 保护和断路器信息的纠错处理电力系统发生故障时,受电力系统自动化程度和信息传输信道等因素的影响,导致获取的继电保护和断路器动作信息的不准确或不完备,从而造成P e t r i网推理无法进行,因此需要对故障信息进行有效的纠错处理㊂如2.1节所述,继电保护是否动作与时序密切相关㊂因此,本文引入时序信息来完成保护和断路器的纠错处理,提出下述纠错算法,对保护和断路器的拒动㊁误动以及信息丢失的情况进行判别㊂需要说明的是:1同一时刻,只考虑同一类装置最多有2个信息误动及丢失情况㊂此假设符合系统运行实际㊂2根据对保护和断路器动作可靠性的分析可知,对于保护和断路器的拒动只需考虑1级拒动[11],也就是只需考虑主保护拒动,或主保护正确3㊃学术研究㊃杨健维,等基于时序模糊P e t r i网的电力系统故障诊断动作而其控制的某个断路器拒动㊂3多个断路器同时动作,则判定其共同的保护装置动作㊂设收到带有时序属性的保护和断路器动作信息时,与某一元件相关联的r 个T O F P N 模型实际的库所时序关联矩阵元素为:B 0r (p i ,T TS j =1p i与T T S j 关联0p i与T T S j {不关联(6为了描述纠错算法,定义如下2个算子㊂直乘算子☉:若D =M ☉N ,则d i j =m i j n i j ㊂比较算子○C :若D =M ○C N ,则当m i j ≠n i j 时d i j =1,否则d i j =0㊂则有B 0r '(p i ,T T S j =B 0(p i ,T T S j ☉B 0r (p i ,T TS j (7 F r =B 0r '(p i ,T T S j ○C B 0r (p i ,T TS j (81若B 0r '(p i ,T T S j ≠B 0r (p i ,T TS j ,则存在时序不一致信息,判断结果为相关信息误动;搜索由B 0r (p i ,T T S j 到B 0r '(p i ,T TS j 过程中的变位信息(状态由1→0所对应的元件即为误动元件;也就是对应F i j =1的库所元件即为误动元件㊂2若B 0r '(p i ,T T S j =B 0r (p i ,T T S j ,则分为以下几种情况(以母线的标准型为例进行说明㊂①若主保护及其关联的断路器动作,则信息完备,无拒动元件,库所时序矩阵对应的基准模型为:B 0r B (p i ,T T S j =100001000000éëêêêêêùûúúúúú0000 ②若主保护动作,其对应断路器未动作,经延时后,其后备保护及对应的断路器动作,则判断主保护对应的断路器拒动,库所时序矩阵对应的基准模型为:B 0r B (p i ,T T S j =100000000010éëêêêêêùûúúúúú0001 ③若主保护及其断路器时序不关联,都为0,而延时后后备保护及其断路器时序关联信息为1,则判断为主保护拒动,库所时序矩阵对应的基准模型为:B 0r B (p i ,T T S j =000000000010éëêêêêêùûúúúúú0001 ④若不满足上述基准模型,则判断结果为信息丢失㊂根据保护及对应断路器动作的逻辑关系即可判定丢失的信息㊂在实际电力系统故障算例的诊断过程中,将式(6~式(8的计算结果与各种不完备信息情况下的基准模型进行比较,结合保护及对应断路器的动作逻辑关系完成对保护断路器信息的纠错处理,据此对不完备的信息进行完备化处理,即可得到准确的故障诊断结果㊂例如监控中心收集到如下信息:T 1时收到B 13m保护动作信息,T 2时收到C B 1312,C B 1306,C B 1314,L 1213S s 动作信息㊂首先搜索停电区域,确定停电区域内的元件为B 13,根据拓扑结构建立与B 13相关联的3个T O F P N 模型(如图1所示,其库所时序关联矩阵分别为:B 01=100001000100éëêêêêêùûúúúúú0000 B02=100001000000éëêêêêêùûúúúúú0000B 03=100001000000éëêêêêêùûúúúúú0000 B 01'=100001000000éëêêêêêùûúúúúú0000B 02'=100001000000éëêêêêêùûúúúúú0000 B 03'=100001000000éëêêêêêùûúúúúú0000此时有F 1=000000000100éëêêêêêùûúúúúú0000F 2=F 3=000000000000éëêêêêêùûúúúúú0000 根据上述纠错算法进行判断,可得L 1213S s 误动㊂4 算例仿真分析及比较通过以上分析,故障诊断过程可分为4个步骤:1搜索停电区域,确定可疑故障元件㊂2对停电区域内的可疑故障元件,分别建立与其相关联的T O F P N 模型㊂3对监控中心获得的保护和断路器信息进行纠错分析并进行信息完备化处理㊂4利用纠错后的信息完成T O F P N 的模糊推理,得到可疑元件的故障可信度,确定故障元件㊂考虑到保护断路器动作的不确定性特点以及动作的优先权,分别对保护和断路器的动作可信度进行设定[6],如表1所示,考虑到规则可信度的不确定性,对每条规则可信度取值为0.95㊂4 2011,35(15表1 保护㊁断路器动作可信度设置T a b.1 C e r t a i n t y f a c t o r s e t t i n g o f p r o t e c t i o n s a n dc i r c u i t b r e a k e r s o p e r a t i o n元件动作概率保护断路器主保护0.90.95近后备保护0.80.85远后备保护0.70.75 进行故障诊断时,对于某一元件,对与其关联的多个方向的T O F P N分别进行推理,将得到的多个结果进行融合处理,即得到元件的最终故障可信度㊂应用图1所示的14节点网络拓扑,对电力系统故障诊断的T O F P N方法进行仿真验证㊂部分测试结果如表2所示㊂其中,L X S m和L X R m为线路近后备保护㊂表2 算例系统的部分测试结果T a b.2 S o m e t e s t r e s u l t s f o r t h e e x a m p l e s y s t e m算例继电保护动作信息缺失信息误动/拒动信息T O F P N诊断结果可疑故障元件故障可信度实际故障元件1B07m(1,B10m(1动作;C B0704(2,C B0709(2,C B0708(2,C B1011(2,C B1009(2跳闸无无B07B100.81230.8123B07B102L1213S s(3,L0613S s(3,L1314R s(3动作;C B1213(4,C B0613(4,C B1413(4跳闸无B13m拒动B13,L1213L0613,L13140.7220,0.19600.1960,0.1960B133B13m(1,L0613S s(3动作;C B1312(2,C B1314(2,C B0613(4跳闸无C B1306拒动B13L06130.78200.2260B134B11m(1,L0204R m(1,L0204S m(1,L1011R s(3动作;C B1106(2,C B0204(2,C B0402(2,C B1011(4跳闸无C B1110拒动B11,L0204 L10110.7670,0.8123,0.2260L0204B115B11m(1,L0204R m(2动作;C B1106(2,C B1110(2跳闸无L0204R m误动C B0204拒动B110.8123B116B11m(1,L0204R m(2,L0204S m(2动作;C B1106(2,C B1110(2,C B0204(3,C B0402(3跳闸无L0204R m和L0204S m误动B11L02040.81230.2260B117L0204R m(1,L0204S m(1动作;C B1106(2,C B1110(2,C B0204(2,C B0402(2跳闸B11m无B11L02040.81230.8123B11L02048B13m(1动作;C B1312(2,C B1314(2跳闸C B1306无B130.8123B13注:表中(内为相对时序;故障可信度为取各个关联方向诊断结果的平均值㊂值得说明的是,T O F P N最终以概率的形式给出每个可疑故障元件发生故障的可信度,工作人员根据故障可信度值的大小确定元件的维修顺序㊂表2中的算例1为信息完备情况下的诊断,通过推理,可以得出准确的诊断结果;算例2~算例5存在保护和断路器的拒动和误动信息,计算结果表明:虽然拒动导致了故障区域的扩大,但利用本文方法建立的T O F P N推理模型,通过与文中构建基准模型的对比,识别出误动或拒动信息,同样可以得出正确的诊断结果,说明该方法对保护和断路器的误动或拒动具有较好的容错性㊂算例6模拟了存在保护断路器时序不一致信息情况下的故障诊断㊂此时,若不考虑时序属性,根据保护断路器的动作信息可得故障元件为B11和L0204,而通过本文算法的纠错处理,得到L0204R m, L0204S m,C B0204和C B0402对于线路L0204为时序不一致信息,最终得到故障元件为母线B11㊂算例7和算例8模拟信息丢失情况下的故障诊断㊂可见,在存在关键信息丢失的情况下,该方法依然能够得出正确的诊断结果,这表明T O F P N对信息丢失的情况也具有一定的容错性㊂综上所述,该算法在信息完备㊁不完备㊁存在时序不一致信息乃至关键信息丢失的情况下,都能够准确地判断出故障元件,具有较高的容错性㊂表3给出了本文方法与其他2种方法在计算量㊁保护断路器动作评价㊁精度以及拓扑变化适应能力方面的比较结果㊂表3 本文方法与其他方法的比较T a b.3 C o m p a r i s o n r e s u l t s a m o n g v a r i o u sm e t h o d s方法计算量保护断路器动作评价精度精度拓扑变化适应能力本文方法简单的矩阵运算保护和断路器动作评价正确表2中的算例均可得到准确的诊断结果拓扑变化迅速,无需重新建模文献[6]方法简单的矩阵运算不能识别时序错误的动作信息对表2中的算例6~算例8不能得出正确的诊断结果需要重新建模文献[12]方法贝叶斯公式推理,条件概率计算保护和断路器动作评价正确表2中的算例均可得到准确的诊断结果需要重新建模并对网络重新训练5㊃学术研究㊃杨健维,等基于时序模糊P e t r i网的电力系统故障诊断( 2 0 1 1, 3 5 1 5 5 结语本文提出了基于 TO F P N 的电力系统故障诊断方法 , 实现了存在保护和断路器误动㊁拒动以及信息丢失情况下计及警报信息时序属性的电力系统故障诊断㊂该方法诊断速度快㊁精度高㊁可准确地完成保具有较好的应用前景㊂护断路器的动作评价 , 并且对电网拓扑变化具有较好的适应能力 , 适用于大规模复杂电网的故障诊断 , ( : T r a n so nP o w e rS s t e m, 2 0 0 4, 1 9 1 2 0 5 3 2 0 5 9. y [ ] , , , 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7 . ] , , ( : 断[ 中国电机工程学报 J. 2 0 0 32 37 5 1 1. [ ] , ,S , 8 S HU H o n c h u n S UN X i a n f e i ID a u n e ta l .A s t u d f g g j yo [ ] f a u l td i a n o s i s i nd i s t r i b u ti o n l i n eb a s e do nr o u hs e t t h e o r J . g g y ( : P r o c e e d i n so f t h eC S E E, 2 00 1, 2 1 1 0 7 3 8 2. g [ ] ,L 9 L IX i a o o u A R A R O S ANO F.D n a m i ck n o w l e d ei n f e r e n c e y g a n dl e a r n i n n d e ra d a t i v ef u z z e tf r a m e w o r k[ J] .I E EE gu p yn [ ] 1 0 L UO X, K E Z UNOV I C M.I m l e m e n t i n u z z e a s o n i n p gf yr g P e t r i n e t sf o rf a u l ts e c t i o ne s t i m a t i o n[ J] .I E E ET r a n so n , ( : P o w e rD e l i v e r 2 0 0 8, 2 3 2 6 7 6 6 8 5. y [ ]梅念 , 石东源 , 李银红 , 等. 计及信息畸变影响的电网故障诊断 1 1 ] ( : 分级优化方法 [ 电工技术学报 , J . 2 0 0 9, 2 4 9 1 7 8 1 8 5. , M ,a :P T r a n so n S s t e m s a n n d C b e r n e t i c s a r t C y y , ( : A l i c a t i o n sa n dR e v i e w s 2 0 0 8, 3 0 4 4 4 2 4 5 0. p p f a u l td i a n o s i sf o rp o w e rs s t emb a s e do ni n f o r m a t i o nt h e o r g y y [ ] ( : J . P r o c e e d i n so f t h eC S E E, 20 0 3, 2 3 7 5 1 1. g ,S ,Z ,e T AN GL e i UN H o n b i n HANG B o m i n ta l .O n l i n eg g 参考文献 [ ]翁汉琍 , ] 毛鹏 , 林湘宁 . 一种改进的电网故障诊断优化模型[ 1 J . , ( : 电力系统自动化 , 2 0 0 73 17 6 6 7 0. , ( : A u t o m a t i o no fE l e c t r i cP o w e rS s t e m s 2 0 0 7, 3 1 7 6 6 7 0. y [ ] 2 C A R D O S O G, R O L I MJG, Z ÜM H H. A l i c a t i o no f n e u r a l p p 1 0 3 4 1 0 3 8. [ ]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 3 ] ( : 电网故障诊断方法 [ 中国电机工程学报 , J . 2 0 0 6, 26 2 0 1 8. , MAO P ,L WE N G H a n l i e n I N X i a n n i n .A ni m r o v e d g g g p m od e lf o ro t i m i z i n o w e rs s t e m f a u l td i a n o s i s[ J] . p g p y g n e t w o r k m o d u l e st o e l e c t r i c p o w e rs s t e m f a u l ts e c t i o n y [ ] , : e s t i m a t i o n J . I E E ET r a n so nP o w e rD e l i v e r 2 0 0 4, 1 9( 1 y ( : C S E E, 2 0 0 6, 2 6 2 0 1 8. [ ] 4 C HE N W H, L I U C W, T S A IM S .O n l i n ef a u l td i a n o s i so f g ( : 2 0 0 0, 1 5 2 7 1 0 7 1 7. [ ]孙静 , 秦世引 , 宋永华 . 一种基于 P 5 e t r i网和概率信息的电力系统 ] ( : 故障诊断方法 [ 电力系统自动化 , J . 2 0 0 3, 2 7 1 3 1 0 1 5. d i a n o s i sa r o a c ho fp o w e rg r i db a s e do nc o o e r a t i v ee x e r t g p p p p [ ] s s t e m a n d m u l t i a e n tt e c h n o l o J .P r o c e e d i n so ft h e y g g y g - ,B ,D ,e Z HAO W e i A IX i a o m i n I N GJ i a n ta l .A n e wf a u l t , ( : E l e c t r o t e c h n i c a lS o c i e t 2 0 0 9, 2 4 9 1 7 8 1 8 5. y [ ]吴欣 , 郭创新 , 曹一家 . 基于贝叶斯网络及信息时序属性的电力 12 : 系统故障诊断方法 [ 中国电机工程学报, J] . 2 0 0 5, 2 5( 5 1 4 1 8. , , WU Xi n GUO C h u a n x i n C AO Y i i a . An e wf a u l td i a n o s i s g j g f a u l td i a n o s i s b a s e do ng r a d u a l o t i m i z a t i o n i nc o n s i d e r a t i o no f g p [ ] a l a r m i n f o r m a t i o n a b e r r a n c e J . T r a n s a c t i o n s o f C h i n a , , , ME IN i a n S H IDo n u a n L IY i n h o n e ta l . P o w e rs s t e m g y g y a r o a c ho fs s t e mb a s e do nB a e s i a nn e t w o r ka n dt e m o r a l p p y y p [ ] ( : o r d e r i n f o r m a t i o n J . P r o c e e d i n so f t h eC S E E, 2 0 0 5, 2 5 5 g 1 4 1 8. d i s t r i b u t i o ns u b s t a t i o n su s i n b r i dc a u s e e f f e c tn e t w o r ka n d gh y ] , f u z z u l e b a s e dm e t h o d[ J . I E E ET r a n so nP o w e rD e l i v e r yr y - [ ] ,Q ,S 6 S UNJ i n I NS h i i n ON GY o n h u a .F a u l td i a n o s i so f g y g g e l e c t r i cp o w e rs s t e m sb a s e do nf u z z e t r in e t s[ J] . I E E E y yP m e t h o df o re l e c t r i cp o w e rs s t e m sb a s e do nP e t r in e t sa n d y [ ] r o b a b i l i t n f o r m a t i o n J .A u t o m a t i o n o f E l e c t r i c P o w e r p yi , ( : S s t e m s 2 0 0 3, 2 7 1 3 1 0 1 5. y ,Q ,S S UN J i n I NS h i i n ON G Y o n h u a .A f a u l td i a n o s i s g y g g c o m , 杨健维 ( 女, 通信作者, 博士研究生, 主要研究 1 9 8 3 : 方向 : 电力系统故障诊断㊂E m a i l y a n i a n w e i 0 9 1 0@1 6 3.g j , 何正友 ( 男, 博士 , 教授 , 博士生导师 , 主要研究 1 9 7 0 方向 : 现代信号处理和信息理论在电力系统故障分析中的应 :h 用㊁新型继电保护原理㊁配电网自动化㊂E m a i l e z y@ h o m e . s w t u . e d u . c n j P o w e rS s t e mF a u l tD i a n o s i sA r o a c hB a s e do nT i m eS e u e n c eF u z z e t r iN e t y g p p q yP Y ANGJ i a n w e i 敩HEZ h e n o u g y S o u t h w e s t J i a o t o n n i v e r s i t 敩 C h e n d u6 1 0 0 3 1敩 C h i n a 敤敥 gU y g c h a n e s i sp r e s e n t e d 敭 T h r o u h f u l l a n dr e a s o n a b l eu s i n t i m e s e u e n c ep r o e r t f o e r a t i o n i n f o r m a t i o no f c i r c u i t b r e a k e r s a n d g g g q p yo p A b s t r a c t 敽 P o w e rs s t e mf a u l td i a n o s i sa r o a c hb a s e do nf u z z e t r in e t i nc o n s i d e r a t i o no ft i m es e u e n c ei sp r o o s e d 敭B y g p p yP q p y a n a l z i n h ec h a r a c t e r i s t i c so faf a u l td i a n o s i sm o d e l 敩 af a s tm o d i f m e t h o do f t h em o d e lw h e nn e t w o r kt o o l o t r u c t u r e y gt g y p g ys r o t e c t i o n 敩 ac o r r e c t i o na l o r i t h m si sp r o o s e di nc a s eo f i n c o m l e t ei n f o r m a t i o no fr e l a e r a t i o n s 敩 a n dab e t t e ro e r a t i o n p g p p yo p p e v a l u a t i o nf o r r e l a r o t e c t i o nc a nb ec o m l e t e d 敭A sa ne x a m l e 敩 1 4 b u ss s t e mi st e s t e dt ov e r i f h ea c c u r a c fd i a n o s t i c yp p p y yt yo g d i a n o s i s 敭 g m e t h o d sa n dt h ef a s t n e s so fm o d e lu d a t i n e t h o d 敭 I nc o m a r i n i t he x i s t i n e t h o d s 敩 t h en o v e lm e t h o dp r o o s e dh a s pgm p gw gm p b e t t e ra c c u r a c n dh i h e rs e e d 敩 a n dc a na d a tt ot h en e t w o r kt o o l o h a n e sa n di nf a v o ro fl a r ep o w e rs s t e m f a u l t ya g p p p g yc g g y Th i sw o r k i ss u o r t e db a t u r a lS c i e n c eF o u n d a t i o no fC h i n a敤 N o 敭 5 08 7 7 0 6 8 敥敭 p p yN K e o r d s 敽 f a u l td i a n o s i s 敾 t e m o r a lo r d e rf u z z e t r in e t 敾 t e m o r a lo r d e r i n f o r m a t i o n 敾 i n c o m l e t e i n f o r m a t i o n 敾o w e rs s g p yP p p p y yw t e m s 6。

利用Petri网特征结构的故障诊断方法叶丹丹;罗继亮【摘要】For fault diagnosis in large complex systems,a on-line fault diagnose method is proposed to solve the problem of high computational complexity.First,modeled a Petri net model.Secondly,proposed the strict minimal place-invariant and the set of characteristic place-invariant,so that might describe the structure information of Petri net model.Finally, based on the set of characteristic place-invariants,the failure function for any current marking is proposed.And then,uti-lized this failure function to diagnose and locate the faults.The result shows that this fault diagnosis method with the structure information dose not need traverse all states space of system.Furthermore,this method is with the computa-tional complexity of polynomial,which makes this method meet the real time requirements.%为解决大规模复杂系统故障诊断中计算复杂性高的问题，提出一种基于 Petri网的在线故障诊断方法。

一种基于Petri网的电网故障诊断方法作者：潘明九王颖兰洲王蕾来源：《价值工程》2018年第32期摘要：电力系统发生故障时，其相应的保护以及断路器动作跳闸，根据这些动作信息，通过广度优先搜索法找出故障发生区域，然后对该区域内的可疑元件进行Petri网建模，再利用Visual Object Net ++软件进行故障诊断。

实验表明，该方法能够通过保护和断路器的状态准确找出故障元件。

Abstract： When the power system fails， its corresponding protection and circuit breaker will trip. According to these action information， the fault occurrence area is found by the breadth-first search method， and then the suspected components in the area are modeled. Then Visual Object Net++ software is used for troubleshooting. Experiments show that the method can accurately identify the faulty component through the state of protection and circuit breaker.关键词：故障诊断；广度优先搜索法；Petri网；Visual Object Net ++软件Key words： fault diagnosis；breadth-first search method；Petri net；Visual Object Net ++ software中图分类号：TM711 文献标识码：A 文章编号：1006-4311（2018）32-0177-020 引言故障诊断一般根据保护以及断路器的状态来定位故障元件从而实现隔离。

基于模糊Petri网的电网故障研究近几年来，电网故障诊断成为电网安全运行领域的研究热点。

以模糊Petri 网（FPN）为工具，对电网故障时收集到的故障信号进行分析诊断，判断出故障元件。

考虑系统元件的各级保护间的配合关系，对元件进行建模，结合Petri网的推理规则，计算出可疑故障元件的故障置信度。

以三机九节点系统为例，验证算法的可行性。

标签：故障诊断；模糊Petri网；故障置信度；三机九节点系统引言电网故障诊断技术一直是电力系统安全运行领域的研究热点。

电网发生故障时是一个典型的多信源系统，具有典型的异步并发特点。

Petri网具有严密的数学定义，具有同步并发处理问题的能力，利用Petri网进行电网故障诊断研究，具有理论的可行性。

模糊Petri网引入模糊理论，用概率的方法来描述具有不确定性的保护和断路器的动作信息。

对可疑故障元件进行建模，利用模糊推理规则，计算元件发生故障的可信度。

1 理论介绍1.1 模糊Petri网Petri网由三部分组成：库所、变迁和有向弧。

模糊Petri网（FPN）与Petri网的区别：FPN每个库所被赋予一个[0，1]上的实数作为该库所为真的置信度；赋予每个变迁一个确定因子表示变迁使能可能性概率。

1.2 模糊Petri网推理规则模糊Petri网是一个基于规则的网络系统，推理规则主要有：简单规则；与连接；或连接；条件“与”。

它们的点火机制：设库所pi对应命题置信度为？琢（pi），规则的置信度为？滋i，那么：简单规则：？琢（p2）=？琢（p1）·？滋；“与”连接：？琢（p3）=（（？琢（p1）+？琢（p2））/2）·？滋；“或”连接：？琢（p3）=max{（？琢（p1）·？滋1，？琢（p2））·？滋3}。

为了便于计算，将“与”连接点火规则引申为：设输出库所Pn的概率为？琢（pn），其具体值可用一高斯函数fa（x）加以拟合，即？琢（pn）=fa（a（pj）·？滋k），其中：pj∈I（tk），pi∈O（tk）。

基于BP网络算法优化模糊Petri网的电力变压器故障诊断摘要：为了提高电力变压器故障诊断的准确性,提出了一种基于BP网络算法来优化模糊Petri网的电力变压器故障诊断方法。

使用BP网络算法的自学习和自适应能力,在确定权重的模糊Petri网,阈值,信誉等网络参数初始值的前提下,优化模糊Petri网网络参数。

在模糊Petri网网络结构、算法的BP网络,电力变压器DGA训练样本,模糊Petri网网络参数一步一步接近真正的价值。

实例分析结果表明,该方法可以有效地诊断电力变压器的单故障和多故障,提高故障诊断的精度,证明了该方法的正确性和有效性。

关键词：变压器；故障诊断；油中溶解气体分析；BP 网络；模糊 Petri 网引言为了保证变压器的安全稳定运行,必须迅速、准确地诊断变压器故障。

专家、学者提出了各种故障诊断方法,如气相色谱法、专家系统、振动法、模糊理论等。

但大多数这些方法适用于变压器、简单和单一故障发生时变压器故障复杂,诊断常常是困难的。

随着研究的深入,基于模糊推理的应用背景红外系统逐渐引入到变压器故障诊断。

红外系统具有良好的容错性,适用于变压器故障诊断的实际需求。

但红外系统自学能力差,不能等参数权重、阈值、信誉为学习和培训。

BP网络具有良好的自学习和自适应能力,可以通过反向传播网络权重的调整,阈值和可信度。

因此,本文结合了BP网络算法和红外系统,使用红外系统的BP网络算法优化参数,和BP网络算法应用于变压器故障诊断。

实验结果表明,该诊断方法能有效地识别和区分变压器故障,具有良好的诊断效果。

一、确定 FPN 网络结构及算法佩特里网结构,只导入库和输出库,没有中间库,每个改变图书馆只对应一个输出。

模糊Petri网的使用功能与单层结构变化引发连续函数,确定模糊推理算法。

1）模糊 Petri 网定义BPFPN单点单红外系统结构模型,其定义如下。

定义1个单点红外系统被定义为一组:10元红外系统= { P、T、D,I,O,f,α,β,Th,W }类型,P = {₁,皮,……Pim;警察甲,警察乙,…说,彩球}图书馆有限的节点集,包括{₁,皮,……说,pim }导入库节点集合{警察甲,警察乙,…,彩球}表示输出节点通过图书馆收藏。

Petri Nets for Fault Diagnosis of Large PowerGeneration StationAbstract –In this paper, a simplified fault diagnosis method based on Petri nets is proposed to estimate the faulty item/section(s) of a large power generation station. The Petri nets are used as a modeling tool to build fault diagnosis models of item/section(s) of power station which aim to diagnose accurately the faults when a large amount information of SCADA system are detected in the control room. It can diagnose and estimate the faulty item/section(s) correctly for multiple faults as well as simple faults. In order to testify the validity and feasibility of that method, a computer simulation of High Dam power generation station is used. It is shown from three study cases that Petri nets fault diagnosis method has many merits such as: accurate fault diagnosis results, easy and flexible correctness of Petri net fault diagnosis models for each item/section(s).Keyword –Petri nets, fault diagnosis, power station.1. INTRODUCTIONFault diagnosis of a large power generation station can be a process of discriminating faulted power station item/section(s) by tripping of their protective relays and circuit breakers. Therefore, it requires information from SCADA system. When the information arrives at the control room, the operators analyze the data and diagnose the faulted item/section(s). The accuracy and speed of the diagnosis process depend entirely on the experience of the operators. However, as the complexity of power station increases, especially in the case of multiple faults, a lot of alarm information are transmitted to the power station control room. Under such situations, the operator should diagnose the faulty section rapidly and accurately. For this reason, the fault diagnosis systems have to be developed in the control rooms to assist, support and help the operators to carry out their tasks in diagnosis processes.Resent researches have been made toward developing fault diagnosis system. Most of these efforts are based on Expert Systems (ES) [1–4]. Artificial intelligence approaches, such as, artificial neural networks [5–7], genetic algorithm (GA) [8], family eugenics based evolution theory [9], immune algorithm [10] are developed. Two corresponding fault diagnosis researches for power generation station based on fuzzy relations and Bayesian networks respectively are given in reference [11, 12]. Petri nets have characteristic of the parallel information processing, concurrent operating function and considered as a very suitable and useful modeling tool. Some methodologies of modeling and analysis for the fault diagnosis of power system with Petri nets are proposed [13 – 16].The fault diagnosis systems are used widely in power systems and substations. In this paper, a simplified fault diagnosis method based on Petri nets for a large power generation station is proposed. This power generation station includes: generation units, step up power transformers, station service transformers, station buses and autotransformers. The proposed fault diagnosis method utilizes the information of the protective relays and circuit breakers to build Petri net model for each faulty item/section(s) of a large power generation station. The faulty item/section(s) can be diagnosed and estimated from the final state of the fired Petrinet. Moreover, a comparison of effectiveness and performance of the proposed Petri nets, fuzzy relations and Bayesian networks is presented.The proposed method is tested on 15.75/500 kV High Dam power generation station which affiliates to Hydro Plants Generation Company (HPGC) in Egypt. The testing results demonstrated that proposed method is easy reasoning, strong practicability of fault diagnosis models and finally, it assists and supports the operator in control room of the power station to make the right decision.2. MODELING METHOD OF PETRI NETS2.1 Petri Net DefinitionA Petri net is a one of several mathematical and graphical representations of discrete distributed systems [17, 18]. As a modeling language, it graphically depicts the structure of a distributed system as a directed bipartite graph decision.2.2 Petri Net Modeling PowerThe typical characteristics exhibited by the activates in a dynamic event-driven system, such as concurrency, decision making, synchronization and priorities, can be modeled effectively by Petri nets [20]:Sequential Execution; In Fig. 2 (a), transition 2 t can fire only after the firing of 1 t . this imposes the procedure constrain “ 2 t after 1 t ”. Such procedure constrains are typical of the execution of the parts in a dynamic system. Also, this Petri construct models the casual relationship among activates.Conflict; Transitions 1 t and 2 t are in conflict in Fig. 2 (b). Both are enabled but the firing of any transition leads to the disabling of the other transition. Such a situation will arise, for example when a machine has to choose among part types or a part has to choose among several machines. The resulting conflict may be resolved in purely non-deterministic way or in a probabilistic way, by assigning appropriate probabilities to the conflicting transitions together.Concurrency; In Fig. 2 (c), the transitions 1 t and 2 t are concurrent. Concurrency is an important attribute of system interactions. This is a necessary condition for a transition to be concurrent is the existence of a forking transition that deposits a token in two or more output places.Synchronization; It is quite in a dynamic system that an event requires multiple resources which related to circuit breakers and protective relays in this paper. The resulting synchronization of resources can be captured by transitions of the type shown in Fig. 2 (d). Here, 1 t is enabled only when each of 1 p and 2 p receives a token. The arrival of a token into each of the two places could be the result a possibly complex sequence of operations elsewhere in the rest of the Petri net model. Essentially, transition 1 t models the joining operation.Mutual Exclusive; Two processes are mutually exclusive if they cannot be performed at the same time due to constraints on the usage of shared resources. Figure 2 (e) shows this structure. For example, a robot may be shared by two machines for loading and unloading. Two such structures are parallel mutual exclusion and sequential mutual exclusion. Priorities; Such a modeling power can be achieved by introducing an inhibitor arc. The inhibitor arc connects an input place to transition, and is pictorially represented by an arc terminated with a small circle. The presence of an inhibitor arc connecting an input place to atransition changes the transition enabling conditions. In the presence of the inhibitor arc, a transition is regarded as enabled if each input place connected to the transition by a normal arc (an arc terminated with an arrow). Contains at least the number of tokens equal to the weight of the arc, and no tokens are present on each input place connected to the transition by the inhibitor arc. The transition firing rule is the same for normally connected places. The firing, however, does not change the marking in the inhibitor arc connected places. A Petri net with an inhibitor arc is shown in Fig. 2 (f). 1 t is enabled if 1 p contains a token, while 2 t is enabled if 2 p contains a token and 1 p has no token. This gives priority to 1 t over 2 t .Fig. 2 Petri net primitives to represent system features.本文节选自《基于Petri网大型发电站故障诊断》（《艾因夏姆斯工程学报》）中的部分章节专业及生僻词汇：Fault Diagnosis 故障诊断；Generatoin Station 发电站；Petri nets Petri网，一种建模方法；SCADA 在线监控系统；multiple faults 多重故障；discriminate 区别，辨别；relay 继电器；circuit breakers 继电器；omplexit 复杂性；Expert Systems 专家系统；Artificial intelligence 人工智能；genetic algorithm遗传算法；artificial neural networks人工神经网络；Bayesian贝叶斯定理的；genetic algorithm家族优生学；fuzzy 模糊的；genetic algorithm 免疫算法；affiliates 附属公司；practicability实用性；discrete 离散的；distributed 分布的、分散的；bipartite 双边的、双向的；concurrency 同时发生的；synchronization 同步；Sequential 连续的；non-deterministic 不确定性的；Mutual 共同的；constraint 约束、局促；inhibitor arc 抑制弧；inhibitor 抑制剂；High Dam高坝；基于Petri网的大型发电站故障诊断摘要：本文提出了一种基于Petri网的简化故障诊断方法用来判断大型发电站的故障元件或区域。

基于Petri网故障检测理论的综述2016年1月16日基于Petri网故障检测理论的综述摘要：这篇综述主要介绍了Petri网的基本原理及其在电力系统中的应用。

通过阅读数十篇有关Petri网在电力系统中应用研究方面的学术文献,介绍了Petri网在故障诊断、系统恢复等方面的论述。

针对课堂上薛老师提出的“Petri网与专家系统的不同”问题，课下又进行了相应地论文研究，将其补充在报告中。

Petri网在电力系统中的应用涉及面很广,在当今电力系统故障检测方面受到了比较普遍的重视。

关键字：Petri网；故障诊断；系统恢复0 引言电力工业是国民经济的重要支柱。

电力系统的安全、稳定、经济运行一直是电力工作者所追求的目标。

现代电力系统日趋大型化和复杂化，一旦系统发生事故，如何尽快判断故障，为故障解列和恢复供电提供依据，以减少停电损失，成为现在研究的重要课题。

输电网络故障诊断主要是对各级各类保护装置产生的报警信息、断路器的状态变化信息以及电压电流等电气测量量的特征进行分析，根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型。

目前，人工智能技术由于其善于模拟人类处理问题的过程，在电力系统方面常用于推断可能的故障位置和故障类型，如：基于人工神经网络的方法［1,2］、基于遗传算法的方法[3]、基于模糊理论的方法及基于专家系统的方法［4,5］等。

尽管这些人工智能方法解决了故障诊断领域中的许多问题，但是，由于受到本身固有缺点的限制，在实际的工程应用上还是会遇到许多具体的无法解决的困难。

Petri网理论在电力系统故障诊断中的应用是近年来的主要趋势[6]。

本文把Petri网理论应用到电力系统故障诊断中，并应用矩阵计算最终标识。

Petri网模型具有快速准确、适应性强、稳定性好的特点，系统构建相对简单，容错能力强，能够适应大规模电力系统中的复杂故障情形。

1 Petri网基本理论1.1 Petri网理论的由来1962年联邦德国的卡尔·A·佩特里（Carl Adam Petri）在他的博士论文《用自动机通信》中首次使用网状结构模拟通信系统。

2021年1月第28卷第1期控制工程Control Engineering of ChinaJan. 2021Vol.28，No.l文章编号：1671-7848(2021)01-0127-08D O I: 10.14107/ki.kzgc.20180429基于智能优化的模糊Petri网的电网故障诊断孙铁军\曲丽萍2,关海爽\刘冲杰\张杰1(1.北华大学电气与信息工程学院，吉林吉林132021; 2.北华大学工程训练中心，吉林吉林132021)摘要：为了提高电网复杂故障时的应对能力，提出了基于信息优化的动态建模模糊PetriH的电贩障诊断料。

首先，基于层次賴的，骑，在S立常规故障诊断模獅基础上，引入动态库所、动态弧、动态变迁的概念来合理地拟合各种保护与断路器之间的逻辑关系，动态建立综合性故障的诊断模型；其次，依据故障信息源的特性对其进行了优化和预处理，W确定故雜料姑建立相姐障賴再次，湘钱优化算法对模型进行了训|练、学习；最后，分析了该模型在故障信息缺失时的容错性和在系统架构改变时的通用性。

对算例系统仿真的结果表明：该算法显著地增加了故障诊断过程的层次性、诊断模型的透明性、可理解性和易维护性，在故障信息缺失的情况下诊断结果具有较高的可信度。

关键词：动态库所；信息源；Petri网；数据挖掘；容错性中图分类号：T M77 文献标识码：AFault Diagnosis of Power Grid Based on Intelligent OptimizationFuzzy Petri NetSUN Tie-jun ,QU Li-ping2,GUAN Hai-shuang,LIU Chong-jie ,ZHANG Jie(1. College of Electrical and Information Engineering, Beihua University, Jillin 132021, China;2. Engineering Training Center of Beihua University, Beihua University, Jilin 132021, China)Abstract: In order to improve the ability to deal with complex faults of power grid,a dynamic modeling fuzzy Petri net based on information optimization was proposed.Firstly,based on the idea of hierarchical modeling and the establishment of conventional fault diagnosis model,the concepts of dynamic place,dynamic arc and dynamic transition were introduced to reasonably f i t the logical relationship between various protections and circuit breakers,and the comprehensive fault diagnosis model was established dynamically.Secondly, according to the characteristics of fault information source,the optimization and preprocessing were finished to determine the fault nature and the corresponding fault diagnosis model was established dynamically.Thirdly, the intelligent optimization algorithm was used to train and learn the model.Finally,the fault tolerance of the model w h e n the fault information i s missing and the universality w h e n the system architecture changes were analyzed.The simulation results sho w that the algorithm significantly increases the hierarchy of fault diagnosis process,the transparency,comprehensibility and maintainability of the diagnosis model,and the diagnosis results have high reliability w h e n the fault information i s missing.K e y words: Dynamic place;information source;Petri net;data mining;fault tolerance1引言智能电网自愈功能能否实现的关键在于电网 故障诊断的准确性。