CN113484685B - 一种基于时序组织型p系统的电网故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于时序组织型P系统的电网故障诊断方法，将警报信号的时序特性与组织型P系统相结合，不仅能够较好的处理警报信号中误报、漏报等问题，还可以推理出故障发生时刻所处的时间区间，准确地描述出故障演变过程。

Description

一种基于时序组织型P系统的电网故障诊断方法

技术领域

本发明属于电网故障诊断技术领域，具体涉及一种基于时序组织型P系统的电网故障诊断方法。

背景技术

电力系统故障诊断旨在通过控制中心获得的警报信号，识别发生故障的元件以及评价保护装置的动作行为。故障警报信息是电力系统故障诊断准确、有效进行的重要前提。电力系统故障警报信号通常从监控和数据采集(Supervisory Control And DataAcquisition，SCADA)系统检索操作信号，但随着电力系统规模的逐步扩大和结构的复杂性日益增加，大量的警报信号涌入调度中心，当这些警报信号过多时，容易让调度员出现误判、漏判等操作。因此，对电力系统快速准确的故障诊断的要求越来越高。

到目前为止，国内外已经提出了多种故障诊断方法，例如：专家系统、Petri网、人工神经网络等。从现有的大部分故障诊断方法来来，也会面临以下问题：(1)目前大部分故障诊断方法仍然不能很好地处理警报信号的误报、漏报等情况；(2)基于传统组织型P系统的故障诊断模型对保护装置之间动作顺序与逻辑的解释性不强，且其模型复杂度仍然有降低的空间；(3)如今，随着电网规模逐步扩大，电力系统发生故障时需应对多种故障场景，如何在多种故障场景下高效准确的识别出故障元件成为故障诊断方法的关键。

电力系统故障诊断的准确性和快速性对于发生故障后快速恢复供电以及维护电网系统安全稳定运行具有重要意义。因此，如何解决好电网实际运行时的故障报警信号的误报、漏报等情况以及描述电力系统故障诊断时各个保护装置之间的动作顺序与逻辑，相关工作亟待研究。

发明内容

针对现有技术中的上述不足，本发明提供的基于时序组织型P系统的电网故障诊断方法解决了现有的电网故障诊断中故障信号的误报、漏报及诊断效率较低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于时序组织型P系统的电网故障诊断方法，包括以下步骤：

S1、通过结线分析法确定待诊断电网中的故障区域，进而确定可疑故障元件；

S2、基于SCADA系统中保护装置的动作信息和时序信息构造并修正初始配置向量W₀；

S3、根据保护装置之间的动作顺序建立各可疑故障元件的TTPS故障诊断模型；

S4、根据TTPS故障诊断模型建立连接矩阵C和初始配置向量W₀，构建转移向量

S5、根据TTPS故障诊断模型中各可疑故障元件的节点分布，生成故障节点向量S；

S6、根据转移向量W₁和故障节点向量S，构建判断向量W_end，并根据判断向量W_end中的非零元素，确定发出故障的元件，实现电网故障诊断。

进一步地，所述步骤S1具体为：

S11、设置初始迭代次数k＝1；

S12、依次对待诊断电网中的每个元件进行编号，构建元件编号集合P_k；

S13、从集合P_k中任意取一个元件编号的元件放入元件编号子集合Q_k中，判断待诊断电网中是否存在闭合的断路器与当前选择的元件相连；

若是，则进入步骤S14；

若否，则进入步骤S15；

S14、在待诊断电网中找出所有与该断路器连接的元件，并将其编号加入到集合Q_k中，并返回到步骤S13；

S15、使搜索迭代次数k的值增加1；

S16、将集合Q_k-1中的元件编号从集合P_k-1中移除，获得新的元件编号集合P_k；

S17、判断当前新的元件编号集合P_k是否为空；

若是，则进入步骤S18；

若否，则返回步骤S13；

S18、列出元件编号子集合Q₁,Q₂,...,Q_k中的所有无源网络，即为故障区域，进而确定可以故障元件；

其中，下标K为迭代过程中所获得的元件编号子集合的个数。

进一步地，所述步骤S2具体为：

S21、基于SCADA系统中保护装置的动作信息构造初始配置向量W₀；

S22、判断待诊断电网中的警报信号是否满足时序特性一致性；

若是，则进入步骤S23；

若否，则进入步骤S24；

S23、将当前构造的初始配置向量作为最终的初始配置向量W₀，进入步骤S3；

S24、通过待诊断电网中警报信号的时序信息对初始配置向量进行修正，得到修正后的初始配置向量W₀，进入步骤S3。

进一步地，所述步骤S21中的初始配置向量W₀表示为W₀＝(w₁₀,w₂₀,...,w_m0)^T，w_i0为组织细胞的初始对象，即代表警报信号的状态值，w_i0的值为0或者1，1≤i≤m；当初始对象w_i0所对应的事件发生，即收到该节点i所对应的警报信号，则w_i0＝1将该节点状态值设为1，当初始对象w_i0所对应的事件未发生，即未收到该节点i所对应的警报信号，则w_i0＝0将该节点状态值设为0。

进一步地，所述步骤S22中，基于确定警报信号的时序约束和时序推理规则来判断其是否时序特性一致性；其中，警报信号的时序约束包括时间点约束和时间距离约束；

所述时间点约束的表达式为：

式中，T(i)表示第i个事件在区间内发生，/>和/>分别为T(i)的上界和下界，当/>时，则第i个事件为确定事件，在特定时间点发生；

所述时间距离约束的表达式为：

式中，D(i,j)表示第i个事件和第j个事件发生时间的间隔必定在时间区间内，/>和/>分别表示D(i,j)的下界和上界。

进一步地，所述时序推理规则包括前向时序推理和逆向时序推理；

其中，前向时序推理为：

已知第i个事件的时间点约束，以及其与第j个事件之间的时间距离约束，则推理第j个事件的时间点约束为：

逆向时序推理为：

已知第j个事件的时间点约束，以及第i个事件与第j个事件的时间距离约束，则推理第j个事件的时间点约束为：

进一步地，所述步骤S22中，基于时序约束和时序推理规则确定的时序特性一致性的表达式为：

式中，m_i和m_j分别为警报信号所对应的第i个事件和第j个事件，T(m_i)为事件m_i发生的时间点约束，D(m_i,m_j)为事件m_i和m_j的时间距离约束。

进一步地，所述步骤S3中，一个度为m的TTPS故障诊断模型Π的表达式为：

Π＝(O,δ_i,E,T,i₀,syn)

式中，O为非空子目标；

δ_i为第i个组织细胞，1≤i≤m，m为组织细胞总数，TTPS故障诊断模型Π中的组织细胞包括真实细胞和虚拟细胞，其形式分别为δ_i＝(w_i0,R_i1)和δ_i＝(w_i0,R_i2)；

w_i0∈O表示组织细胞中的初始对象多重集；R_i1表示真实细胞的转运规则，其形式为(i,x/λ,j)，x和λ分别代表细胞i和细胞j中的对象，且细胞i和细胞j分别对应第i个事件和第j个事件，细胞j中的对象λ代表空字符串，执行该规则后，细胞i中的对象x将传递到细胞j中的空字符串λ中；R_i2表示虚拟细胞的转运规则，其形式为(E,e/λ,VC)，其中VC代表虚拟细胞，表示主保护拒动或断路器拒动，e和λ分别代表组织液环境E和虚拟细胞VC中的对象，虚拟细胞VC中的对象λ代表空字符串；执行该规则后，组织液环境中的对象e将传递到虚拟细胞VC中的空字符串λ中；

E＝{e₁,...,e_n}表示组织细胞的组织液环境，其中e_d∈O,1≤d≤n,代表组织液环境中的对象，n为组织液环境中对象的总个数，当两个细胞之间没有直接的交流通道，则可以通过此环境间接的进行信息交换，当真实组织细胞不满足转运规则R_i1时，则执行转运规则(i,x/λ,E)，其中x和λ分别代表细胞i和组织液环境E中的对象；执行该规则后，细胞i中的对象x将传递到组织液环境E中的空字符串λ中；

T＝{t_δ1,...,t_δm}表示各个细胞所对应的时间点集合，其维度为1×m，m为细胞总数，T＝{T(t_δi)|δ_i∈δ}表示细胞δ_i的时间点约束集合，表示细胞δ_i所对应事件的发生时间应该在时间区间/>内；D＝{D(δ_i,δ_j)|δ_i,δ_j∈δ}表示时间距离约束集合，其中/>表示细胞δ_i与细胞δ_j所对应事件的发生时间间隔应该在时间区间/>内；

i₀∈{1,...,m}表示输出细胞的标号，每个输出细胞标记为一个可疑故障元件；

表示细胞间的连接状态集合，相互连接的细胞可以进行信息交换，对所有细胞(i,j)∈syn,1≤i,j≤m有i≠j。

进一步地，所述步骤S4中，建立的连接矩阵C的表达式为：

其中，c_ij表示细胞δ_i与δ_j之间存在正向关联，即δ_j所对应事件是触发δ_i对应事件的原因，δ_i是δ_j发生后产生的结果，c_ij＝0则表示两个细胞节点之间没有任何关联。

进一步地，所述步骤S6中的判断向量W_end将转移向量W₁和故障节点向量S进行逻辑与运算构建出判断向量W_end，其表达式为：

W_end＝W₁∧S

式中，W₁＝(w₁₁,w₂₁,...,w_m1)^T，w_i1＝(c_i1∧w₁₁)∨(c_i2∧w₂₁)∨...∨(c_im∧w_m1)，i＝1,2,...,m；S＝(s₁,s₂,...s_n)^T，s_i∈S，s_i＝0或1，1≤i≤n，当s_i＝1时代表δ_i为可疑故障元件，当s_i＝0时代表为其他设备元件。

本发明的有益效果为：

(1)本发明在传统组织型P系统基础上那引入了时序因素，提出了一种基于时序组织型P系统(Temporal tissue-like P systems,TTPS)，并在TTPS的诊断模型中，将时间点约束加入到细胞中的对象上，将时间距离约束加入到细胞之间用于信息交流的连接通道上，以此有效利用时序信息进行各个保护装置之间的时序特性一致性约束检查，解决了故障警报信号的误报、漏报等情况；

(2)在TTPS中引入虚拟细胞和组织液环境，并在此基础上提出可以描述各类保护装置之间动作顺序与逻辑的四种关联关系，进而提出一种新的图形化建模方式，进而提高了模型的解释性，同时降低了模型的复杂度；

(3)通过初始配置向量、连接矩阵和故障节点向量之间的逻辑运算推算出故障元件，以应对多种故障场景下的故障诊断，提高了故障诊断效率。因此，利用警报信号的时序特性与组织型P系统相结合，不仅能够较好的处理警报信号中误报、漏报等问题，还可以推理出故障发生时刻所处的时间区间，准确地描述出故障演变过程。

附图说明

图1为本发明提供的基于时序组织型P系统的电网故障诊断方法流程图。

图2为本发明提供的简单输电系统及TTPS故障诊断模型示意图。

图3为本发明提供的TTPS故障诊断模型中的四种关联关系示意图。

图4为本发明提供的标准IEEE14节点示意图。

图5为本发明提供的母线B13的TTPS故障诊断模型示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1：

本发明实施例提供的基于时序组织型P系统的电网故障诊断方法，包括以下步骤：

S1、通过结线分析法确定待诊断电网中的故障区域，进而确定可疑故障元件；

S2、基于SCADA系统中保护装置的动作信息和时序信息构造并修正初始配置向量W₀；

S3、根据保护装置之间的动作顺序建立各可疑故障元件的TTPS故障诊断模型；

S4、根据TTPS故障诊断模型建立连接矩阵C和初始配置向量W₀，构建转移向量

S5、根据TTPS故障诊断模型中各可疑故障元件的节点分布，生成故障节点向量S；

S6、根据转移向量W₁和故障节点向量S，构建判断向量W_end，并根据判断向量W_end中的非零元素，确定发出故障的元件，实现电网故障诊断。

需要说明的是，在执行上述步骤的过程中，步骤S2和S3均是基于步骤S1获得的结果进行的，且步骤S2和步骤S3是并列关系，本实施例中将其表示为S2～S3的顺序仅是为了形成连贯的执行逻辑及便于理解本申请方案，实际实现过程中，可根据需要同时执行步骤S2和S3。

本发明实施例的步骤S1具体为：

S11、设置初始迭代次数k＝1；

S12、依次对待诊断电网中的每个元件进行编号，构建元件编号集合P_k；

S13、从集合P_k中任意取一个元件编号的元件放入元件编号子集合Q_k中，判断待诊断电网中是否存在闭合的断路器与当前选择的元件相连；

若是，则进入步骤S14；

若否，则进入步骤S15；

S14、在待诊断电网中找出所有与该断路器连接的元件，并将其编号加入到集合Q_k中，并返回到步骤S13；

S15、使搜索迭代次数k的值增加1；

S16、将集合Q_k-1中的元件编号从集合P_k-1中移除，获得新的元件编号集合P_k；

S17、判断当前新的元件编号集合P_k是否为空；

若是，则进入步骤S18；

若否，则返回步骤S13；

S18、列出元件编号子集合Q₁,Q₂,...,Q_k中的所有无源网络，即为故障区域，进而确定可以故障元件；

其中，下标K为迭代过程中所获得的元件编号子集合的个数。

在本发明实施例的步骤S2具体为：

S21、基于SCADA系统中保护装置的动作信息构造初始配置向量W₀；

S22、判断待诊断电网中的警报信号是否满足时序特性一致性；

若是，则进入步骤S23；

若否，则进入步骤S24；

S23、将当前构造的初始配置向量作为最终的初始配置向量W₀，进入步骤S3；

S24、通过待诊断电网中警报信号的时序信息对初始配置向量进行修正，得到修正后的初始配置向量W₀，进入步骤S3。

在上述步骤S21中，由SCADA系统提供初始状态信息，以此作为基于TTPS故障诊断方法的初始出入，初始配置向量W₀表示为W₀＝(w₁₀,w₂₀,...,w_m0)^T，w_i0为组织细胞的初始对象，即代表警报信号的状态值，w_i0的值为0或者1，1≤i≤m；当初始对象w_i0所对应的事件发生，即收到该节点i所对应的警报信号，则w_i0＝1将该节点状态值设为1，当初始对象w_i0所对应的事件未发生，即未收到该节点i所对应的警报信号，则w_i0＝0将该节点状态值设为0。

上述步骤S22中，基于确定警报信号的时序约束和时序推理规则来判断其是否时序特性一致性；其中，警报信号的时序约束包括时间点约束和时间距离约束；

所述时间点约束的表达式为：

式中，T(i)表示第i个事件在区间内发生，/>和/>分别为T(i)的上界和下界，当/>时，则第i个事件为确定事件，在特定时间点发生；

所述时间距离约束的表达式为：

式中，D(i,j)表示第i个事件和第j个事件发生时间的间隔必定在时间区间内，/>和/>分别表示D(i,j)的下界和上界；

由于时间点约束和时间距离约束均采用区间进行定义，因此同样基于区间的计算规则来定义时序特性约束推理规则，本实施例中的时序推理规则包括前向时序推理和逆向时序推理；

其中，前向时序推理为：

已知第i个事件的时间点约束，以及其与第j个事件之间的时间距离约束，则推理第j个事件的时间点约束为：

逆向时序推理为：

已知第j个事件的时间点约束，以及第i个事件与第j个事件的时间距离约束，则推理第j个事件的时间点约束为：

基于上述约束及推理规则可知，警报信号之间具有时序逻辑关联，这种时序逻辑关系可用于判断保护装置或断路器误动，以及警报信号误报等不确定情况；基于时序约束和时序推理规则确定的时序特性一致性的表达式为：

式中，m_i和m_j分别为警报信号所对应的第i个事件和第j个事件，T(m_i)为事件m_i发生的时间点约束，D(m_i,m_j)为事件m_i和m_j的时间距离约束。

上述时序一致性表达式的含义为：若事件m_j发生于T(m_j)时刻，则T(m_j)需满足时序特性一致性约束，即T(m_j)∈(T(m_i)+D(m_i,m_j))。若满足，则事件m_j的发生时刻T(m_j)在规定时间限制内完成；否则，相应的警报信号属于错误警报信息。

在本实施例的步骤S3中，一个度为m的TTPS故障诊断模型Π的表达式为：

Π＝(O,δ_i,E,T,i₀,syn)

式中，O为非空子目标；

δ_i为第i个组织细胞，1≤i≤m，m为组织细胞总数，TTPS故障诊断模型Π中的组织细胞包括真实细胞和虚拟细胞，其形式分别为δ_i＝(w_i0,R_i1)和δ_i＝(w_i0,R_i2)；

w_i0∈O表示组织细胞中的初始对象多重集；R_i1表示真实细胞的转运规则，其形式为(i,x/λ,j)，x和λ分别代表细胞i和细胞j中的对象，且细胞i和细胞j分别对应第i个事件和第j个事件，细胞j中的对象λ代表空字符串，执行该规则后，细胞i中的对象x将传递到细胞j中的空字符串λ中；R_i2表示虚拟细胞的转运规则，其形式为(E,e/λ,VC)，其中VC代表虚拟细胞，表示主保护拒动或断路器拒动，e和λ分别代表组织液环境E和虚拟细胞VC中的对象，虚拟细胞VC中的对象λ代表空字符串；执行该规则后，组织液环境中的对象e将传递到虚拟细胞VC中的空字符串λ中；

E＝{e₁,...,e_n}表示组织细胞的组织液环境，其中e_d∈O,1≤d≤n,代表组织液环境中的对象，n为组织液环境中对象的总个数，当两个细胞之间没有直接的交流通道，则可以通过此环境间接的进行信息交换，当真实组织细胞不满足转运规则R_i1时，则执行转运规则(i,x/λ,E)，其中x和λ分别代表细胞i和组织液环境E中的对象；执行该规则后，细胞i中的对象x将传递到组织液环境E中的空字符串λ中；

T＝{t_δ1,...,t_δm}表示各个细胞所对应的时间点集合，其维度为1×m，m为细胞总数，T＝{T(t_δi)|δ_i∈δ}表示细胞δ_i的时间点约束集合，表示细胞δ_i所对应事件的发生时间应该在时间区间/>内；D＝{D(δ_i,δ_j)|δ_i,δ_j∈δ}表示时间距离约束集合，其中/>表示细胞δ_i与细胞δ_j所对应事件的发生时间间隔应该在时间区间/>内；

i₀∈{1,...,m}表示输出细胞的标号，每个输出细胞标记为一个可疑故障元件；

表示细胞间的连接状态集合，相互连接的细胞可以进行信息交换，对所有细胞(i,j)∈syn,1≤i,j≤m有i≠j。

上述TTPS故障诊断模型如图2所示，根据SCADA系统所提供的保护装置的动作信息，采用TTPS建模展现出可疑故障元件和保护装置之间的因果关系。下面，以如图2(a)所示的简单输电系统为例，对本发明方法的建模思路进行阐述，该系统中包括一条线路L、两个断路器CB1和CB2、两个主保护器MLR1和MLR2和两个后备保护BLR1和BLR2。线路的保护配置为：若线路L发生故障，则MLR1和MLR2动作，跳开断路器CB1和CB2；若MLR1和MLR2未能正常动作，则BLR1和BLR2将动作跳开断路器CB1和CB2。

基于TTPS建立此输电系统的故障诊断模型，如图2(b)所示，其中实线有向弧代表各个保护装置之间的因果关系，其有向弧上的时间区间表示关联关系不同的连接通道具有不同的时间距离约束区间，蓝色虚线代表进行推理算法的方向。该模型由9个细胞组成，可疑故障元件与其保护装置之间的因果关系逻辑由TTPS进行建模。首先利用上传到SCADA系统的保护和断路器的动作信息，判定停电区域中的线路L为可疑元件，其中线路L所对应的细胞δ₁被指定为输出细胞，VC(δ₁,δ₂)表示细胞δ₁所代表的事件发生，而细胞δ₂所代表的事件不发生。

考虑时序特性之后，TTPS中的组织细胞和连接组织细胞的连接通道就具备了时间属性。而关联关系不同的连接通道具有不同的时序属性，因此，定义了TTPS的四种关联关系。

TTPS的四种关联关系定义如图3所示:

TTPS与TPS相比，其引入了时间点约束和时间距离约束来提高诊断模型的容错性，使正向推理和时间推理可以一起进行，此外，TTPS还引入了虚拟细胞(virtual cell，VC)，以更好地描述电力系统故障诊断的动态逻辑。

为了更好地理解TTPS模型，对TTPS中的四种关联关系进行详细描述。图3-(a)表示故障设备节点δ_j引发相应的保护节点δ_i动作；图3-(b)表示保护节点δ_j引发相应断路器细胞δ_i动作；图3-(c)表示断路器细胞δ_j拒动引发相应失灵保护细胞δ_i动作，VC细胞表示断路器细胞δ_j拒动引发的细胞；图3-(d)表示主保护细胞δ_j拒动引发相应的后备保护细胞δ_i动作，VC细胞表示主保护细胞δ_j拒动引发的细胞。

在TTPS中，关联关系不同的连接通道具有不同的时间区间属性，相应的时间距离约束为：

(1)(故障发生，主保护动作)∈[10,40]ms；

(2)(保护动作，断路器动作)∈[40,60]ms；

(3)(断路器拒动，失灵保护动作)∈[210,240]m；

(4)(主保护拒动，后备保护动作)∈[940,1030]ms。在本实施例的步骤S4中，为了更好地描述各个细胞的通信规则和因果关系，引入连接矩阵C，其表达式为：

其中，c_ij表示细胞δ_i与δ_j之间存在正向关联，即δ_j所对应事件是触发δ_i对应事件的原因，δ_i是δ_j发生后产生的结果，c_ij＝0则表示两个细胞节点之间没有任何关联。

在本实施例的步骤S4中，转移向量W₁为：

其中，W₁＝(w₁₁,w₂₁,...,w_m1)^T，w_i1＝(c_i1∧w₁₁)∨(c_i2∧w₂₁)∨...∨(c_im∧w_m1)，i＝1,2,...,m；对于或1，定义a∧b＝min(a,b)和a∨b＝max(a,b)；

W₀＝(w₁₀,w₂₀,...,w_m0)^T代表由SCADA系统提供的保护装置的动作信息构造的初始配置向量W₀；

C＝(c_ij)_m×m，c_ij＝0或1，代表各个事件所对应细胞的通信规则和因果关系；

本实施例的步骤S5中，获取TTPS中各个故障元件的节点分布，根据其分布生成故障节点向量S，其反映了TTPS中各可疑故障元件的节点分布，S＝(s₁,s₂,...s_n)^T，s_i∈S，s_i＝0或1，1≤i≤n，当s_i＝1时代表δ_i为可疑故障元件，当s_i＝0时代表为其他设备元件；

本实施例的步骤S6中的判断向量W_end将转移向量W₁和故障节点向量S进行逻辑与运算构建出判断向量W_end，其表达式为：

W_end＝W₁∧S

实施例2：

本实施例中，以标准IEEE14节点系统为诊断对象，以算例1为例，给出具体计算过程，以促进细节理解，图4为标准IEEE14节点网络拓扑图。

本实施例中的预设故障情景和故障诊断元件结果如表1所示

表1算例1的预设故障情景与故障元件诊断结果

首先，在故障发生后，利用结线分析法判断出停电区域，得到可疑故障元件母线B13、线路L1213和线路L1314。建立母线B13的TTPS故障诊断模型，如图5所示：

基于图5母线B13的TTPS故障诊断模型，建立14×14的连接矩阵C，表示如下：

根据SCADA系统提供的保护装置和断路器的动作信息，初始配置向量设置为W₀＝(0,1,1,0,0,0,1,0,0,0,1,1,1,1)^T。

经时序一致性约束检查，所有保护装置均符合时序一致性约束条件，无需修正初始配置向量W₀＝(0,1,1,0,0,0,1,0,0,0,1,1,1,1)^T。

连接矩阵C和初始配置向量W₀计算得到转移向量W₁。

生成故障节点向量S，S中非0元素为母线B13和虚拟细胞δ₁₂。

将生成的故障节点向量S与转移向量W₁进行逻辑“与”运算得到判断向量W_end。

W_end＝W₁∧S＝(1,0,0,0,0,0,0,0,0,0,0,0,0,0)

判断得出母线B13发生了故障。

同理判断得出线路L1213，断路器CB1314发生拒动。

分析故障演变过程，以接收到的第一个警报的时标为基准点，通过分析时序推理，实际故障演变过程为：母线B13在[-20,-10]期间发生故障，0ms时母线主保护B13m动作并引发断路器CB1312和CB1306分别在48ms和51ms动作，断路器CB1314拒动在1989ms引发远后备保护L1413s，并在2041ms跳闸断路器CB1413。

Claims (9)

1.一种基于时序组织型P系统的电网故障诊断方法，其特征在于，包括以下步骤：

S1、通过结线分析法确定待诊断电网中的故障区域，进而确定可疑故障元件；

S2、基于SCADA系统中保护装置的动作信息和时序信息构造并修正初始配置向量；

S3、根据保护装置之间的动作顺序建立各可疑故障元件的TTPS故障诊断模型；

S4、根据TTPS故障诊断模型建立连接矩阵和初始配置向量/>，构建转移向量；

S5、根据TTPS故障诊断模型中各可疑故障元件的节点分布，生成故障节点向量；

S6、根据转移向量和故障节点向量/>，构建判断向量/>，并根据判断向量/>中的非零元素，确定发出故障的元件，实现电网故障诊断；

所述步骤S3中，一个度为的TTPS故障诊断模型/>的表达式为：

式中，为非空子目标；

为第/>个组织细胞，/>，/>为组织细胞总数，TTPS故障诊断模型/>中的组织细胞包括真实细胞和虚拟细胞，其形式分别为/>和/>；

表示组织细胞中的初始对象多重集；/>表示真实细胞的转运规则，其形式为，/>和/>分别代表细胞/>和细胞/>中的对象，且细胞/>和细胞/>分别对应第/>个事件和第/>个事件，细胞/>中的对象/>代表空字符串，执行该规则后，细胞/>中的对象/>将传递到细胞/>中的空字符串/>中；/>表示虚拟细胞的转运规则，其形式为/>，其中/>代表虚拟细胞，表示主保护拒动或断路器拒动，/>和/>分别代表组织液环境/>和虚拟细胞VC中的对象，虚拟细胞VC中的对象/>代表空字符串；执行该规则后，组织液环境中的对象/>将传递到虚拟细胞VC中的空字符串/>中；

表示组织细胞的组织液环境，其中/>代表组织液环境中的对象，/>为组织液环境中对象的总个数，当两个细胞之间没有直接的交流通道，则可以通过此环境间接的进行信息交换，当真实组织细胞不满足转运规则/>时，则执行转运规则，其中/>和/>分别代表细胞/>和组织液环境/>中的对象；执行该规则后，细胞/>中的对象/>将传递到组织液环境/>中的空字符串/>中；

表示各个细胞所对应的时间点集合，其维度为/>，/>为细胞总数，表示细胞/>的时间点约束集合，/>表示细胞/>所对应事件的发生时间在时间区间/>内；/>表示时间距离约束集合，其中/>，表示细胞/>与细胞/>所对应事件的发生时间间隔在时间区间内；

表示输出细胞的标号，每个输出细胞标记为一个可疑故障元件；

表示细胞间的连接状态集合，相互连接的细胞可以进行信息交换，对所有细胞/>有/>。

2.根据权利要求1所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S1具体为：

S11、设置初始迭代次数；

S12、依次对待诊断电网中的每个元件进行编号，构建元件编号集合；

S13、从集合中任意取一个元件编号的元件放入元件编号子集合/>中，判断待诊断电网中是否存在闭合的断路器与当前选择的元件相连；

若是，则进入步骤S14；

若否，则进入步骤S15；

S14、在待诊断电网中找出所有与该断路器连接的元件，并将其编号加入到集合中，并返回到步骤S13；

S15、使搜索迭代次数的值增加1；

S16、将集合中的元件编号从集合/>中移除，获得新的元件编号集合/>；

S17、判断当前新的元件编号集合是否为空；

若是，则进入步骤S18；

若否，则返回步骤S13；

S18、列出元件编号子集合中的所有无源网络，即为故障区域，进而确定可疑故障元件；

其中，下标为迭代过程中所获得的元件编号子集合的个数。

3.根据权利要求1所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S2具体为：

S21、基于SCADA系统中保护装置的动作信息构造初始配置向量；

S22、判断待诊断电网中的警报信号是否满足时序特性一致性；

若是，则进入步骤S23；

若否，则进入步骤S24；

S23、将当前构造的初始配置向量作为最终的初始配置向量，进入步骤S3；

S24、通过待诊断电网中警报信号的时序信息对初始配置向量进行修正，得到修正后的初始配置向量，进入步骤S3。

4.根据权利要求3所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S21中的初始配置向量表示为/>，/>为组织细胞的初始对象，即代表警报信号的状态值，/>的值为0或者1，/>；当初始对象/>所对应的事件发生，即收到该节点/>所对应的警报信号，则/>将该节点状态值设为1，当初始对象所对应的事件未发生，即未收到该节点/>所对应的警报信号，则/>将该节点状态值设为0。

5.根据权利要求3所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S22中，基于确定警报信号的时序约束和时序推理规则来判断其是否时序特性一致性；其中，警报信号的时序约束包括时间点约束和时间距离约束；

所述时间点约束的表达式为：

式中，表示第/>个事件在区间/>内发生，/>和/>分别为/>的上界和下界，当时，则第/>个事件为确定事件，在特定时间点发生；

所述时间距离约束的表达式为：

式中，表示第/>个事件和第/>个事件发生时间的间隔必定在时间区间内，/>和/>分别表示/>的下界和上界。

6.根据权利要求5所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述时序推理规则包括前向时序推理和逆向时序推理；

其中，前向时序推理为：

已知第个事件的时间点约束，以及其与第/>个事件之间的时间距离约束，则推理第/>个事件的时间点约束为：

逆向时序推理为：

已知第个事件的时间点约束，以及第/>个事件与第/>个事件的时间距离约束，则推理第/>个事件的时间点约束为：

。

7.根据权利要求3所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S22中，基于时序约束和时序推理规则确定的时序特性一致性的表达式为：

式中，和/>分别为警报信号所对应的第/>个事件和第/>个事件，/>为事件/>发生的时间点约束，/>为事件/>和/>的时间距离约束。

8.根据权利要求1所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S4中，建立的连接矩阵的表达式为：

其中，表示细胞/>与/>之间存在正向关联，即/>所对应事件是触发/>对应事件的原因，/>是/>发生后产生的结果，/>则表示两个细胞节点之间没有任何关联。

9.根据权利要求8所述的基于时序组织型P系统的电网故障诊断方法，其特征在于，所述步骤S6中的判断向量将转移向量/>和故障节点向量/>进行逻辑与运算构建出判断向量/>，其表达式为：

式中，，/>，/>；，/>，/>或1，/>，当/>时代表/>为可疑故障元件，当时代表为其他设备元件。