一种基于改进的模糊Petri网络的高压断路器故障智能诊断方法与流程

本发明涉及电工
技术领域：
，尤其涉及一种适用于断路器故障智能诊断的方法和装置。
背景技术：
：随着全球经济的飞速发展，科学技术不断进步，人民生活生平不断提高，国内外发电量和装机容量均不断增长，电网规模逐步扩大，电压等级逐步提高，网络互联度越发紧密。为了进一步优化用电格局，改善资源配置，国家电网将智能电网的建设作为一项战略任务。现代智能电网是在电网的原有结构上经信息化改造的，原有的物理电网与智能电网之间是相互依存的关系，它们构成了二元复合网络。信息化改造提升了原有物理电网的自动化水平，改善了用户体验并且提高了现代社会的生产效率。但是不可否认的是，智能电网的发展对于物理电网提出了更高的要求，如果物理电网中电力设备出现了故障，通过智能电网的信息化传输的只会是错误信息，这给智能电网的安全性带来了诸多隐患，严重威胁到电力系统的安全运行。因此在智能电网发展的过程中，确保电力设备的正常运行是一项必不可少的重要任务。此外，从客观条件分析，各种自然灾害可能对线路、设备乃至整个电网造成破坏。在日常生活中，频繁的雷电现象和大风恶劣天气对华中、华东地区的电网影响较大，而东北地区的电网易由覆冰问题引发事故。因此，对电力设备进行故障诊断技术研究，有利于预防停电事故和电网灾变，保证用电安全。高压断路器是电力设备中的主要产品，不仅数量和种类繁多，而且承担着控制电网线路关断、切除故障线路等重要责任。传统的高压断路器检修方式一般按照时间周期对高压断路器进行停电试验和维护，存在故障隐患处理不及时、人工操作失误多等问题，对于人力成本和时间成本耗费较大，在经济性和安全性上均有所欠缺。随着智能电网的发展，状态检修的概念逐渐确立，状态检修就是通过先进的在线监测技术和故障诊断技术，在断路器保持不间断工作的情况下，判断断路器运行状态，预测断路器故障隐患，安排合理的检修计划。与定期检修相比，状态检修可以充分避免周期性巡查带来的不及时性和盲目性，提高检修人员的工作效率，对提升电力系统的可靠性和安全性有重要意义。然而，传统的高压断路器的智能化水平过低，数字化程度不足，难以向状态检修提供快速全面的信息，影响了故障诊断的准确性，严重制约了状态检修的发展。为了改善这一现状，必须加强对高压断路器在线监测技术、故障诊断技术乃至通信技术的研究，才能实现实时连续监测断路器状态，准确诊断断路器健康程度，及时有效维护故障设备的目标，为状态检修的实现提供有力的保障。传统的故障诊断方法一般是建立针对诊断对象的解析模型，对于信号采集的准确度和全面性要求较高，实际操作中信号采集过程复杂，受到各方面的干扰，无法完全满足建立解析模型的要求，因此这种方法的使用逐渐减少。目前断路器的故障诊断方法主要可以分为两类，即基于信号处理的方法和基于人工智能的方法。基于信号处理的方法是指通过数值计算提取信号的特征量，包括信号的时间序列、频谱、能量信号等，利用对特征量的分析直接判断对象的工作状态。基于人工智能的方法是指模拟人类大脑的思考方式或者动物世界的生态特征，将采集到的信号作为一个整体，对其进行学习、推理和演绎，从而再现故障诊断这一事件。与基于信号处理的方法相比，人工智能方法不但不依赖于精确的数学模型，而且容易实现对复杂过程中的大量信号的综合处理，具有一定的优越性。目前断路器故障智能诊断领域还有较大的空白，在实际应用中，受到较多方面的影响，包括：一、在线监测系统采用的传感器精度有限，数据存在一定的误差；二、所需的特征量种类多，信息量大，处理复杂；三、数据的保存、处理和分析缺乏科学的数学模型，故障智能诊断准确度有待提高。因此，如何发明一种具有较高精度与可靠度的断路器故障智能诊断方法成为亟需解决的课题。技术实现要素：本专利通过分析断路器动作时的分合闸线圈电流实现对断路器故障的智能诊断，通过对断路器的不间断在线监测，采集断路器分合闸时的线圈电流，提取电流中的多个特征量，融合多种人工智能算法，提供一种新型的故障诊断方法，判断断路器的工作状态，预测断路器潜在的故障，提高断路器运行的稳定性，补充当前断路器故障诊断
技术领域：
的空白，推动智能电网的发展。为实现上述目的，如图1所示，本专利采用如下的技术方案：(1)通过在线监测，采集高压断路器正常运行和故障运行时的多组数据样本，提取各类信号中的特征量。(2)根据粗糙集理论，利用信号的特征量和相应的工作状态建立决策表，采用改进的贪心算法，对原始特征量进行离散化处理。(3)采用改进的贪心算法对离散化的决策表进行知识约简，剔除冗余特征量，简化故障诊断的规则；(4)建立模糊Petri网络推理模型：根据简化后的诊断规则，设置相应的库所和变迁，建立图形化的模型结构，得到相应的MYCIN推理方程；(5)采集测试数据，对测试数据进行预处理；(6)将预处理后的测试数据输入MYCIN推理方程，计算状态向量θk，运行MYCIN推理，直到θk不再发生变化；(7)根据推理结果得出故障结论，同时将其存入历史数据库中，作为下一次故障诊断的故障样本。本专利可实现以下有益效果：1)采用粗糙集理论处理不精确信息，对采集到的信号量进行数据离散化、属性约简、值约简等处理，从而消除冗余特征，提取关键规则。2)着重研究并改进了贪心算法，避免了传统贪心算法中的不确定性，提高了分割点选择和属性约简的可靠性，建立简洁明了的故障诊断规则，取得了良好的效果。3)在已经建立决策表的基础上，选用模糊Petri网络作为推理模型，引入了置信度和状态向量，更加贴切地描述系统状态，实现了有效的故障诊断。附图说明图1为本发明方法的实现流程图；图2为高压断路器合闸线圈电流典型曲线；图3为改进的贪心算法应用于连续数据离散化的流程图；图4为高压断路器故障诊断约简规则对应的模糊Petri网络模型图。具体实施方式所述步骤(1)中通过霍尔电流传感器采集断路器分合闸线圈电流构建数据样本，典型的断路器合闸电流波形如图2所示，分析图可知，合闸线圈的电流变化有以下5个阶段：第一阶段：t0～t1断路器接收到合闸命令后，合闸线圈在t0时刻通电，但是铁芯仍维持静止，合闸线圈电流呈指数上升至I2，直到t1时刻；第二阶段：t1～t2，在t1时刻，合闸线圈的电流所产生的电磁力克服了铁芯所受阻力，铁芯开始运动并且不断加速，直到撞击操动机构搭扣后在t2时刻停止，合闸线圈电流不断下降至I1；第三阶段：t2～t3，在t2时刻，由于被操动机构搭扣阻碍，铁芯停止运动，因此L不再变化，合闸线圈电流再次呈指数上升，在t3时刻达到合闸全过程中的峰值I3；第四阶段：t3～t4，为上一阶段的延续，电流进入稳态，电流值基本保持不变；第五阶段：t4～t5，t4时刻操动机构搭扣分离，断路器合闸成功，同时，断开的辅助开关触头之间产生电弧，随着电弧电压的上升电流迅速减小，t5时刻电流消失。通过以上分析，本专利选取断路器合闸线圈电流参数I1,I2,I3与时间参数t1，t2，t3，t4，t5共八个构成电流信号的特征量。所述步骤(2)中的工作状态包括正常、合闸初期铁芯卡涩、操动机构卡涩、铁心合闸空行程过大和操作电压过低共计5种，决策表K的建立方法为将电流信号特征量作为条件属性，将工作状态作为决策属性，以表格的形式描述条件属性和决策属性之间的关系。如图3所示，所述步骤(2)中改进的贪心算法用于数据离散化包含以下步骤：步骤(21)：根据决策表K构建新的信息表K*＝＜U*,R*,V*,ρ*＞，在信息表K*中，U*为对象的全体，U*＝{(xi,xj)|xi∈U,xj∈U,i≠j,d(xi)≠d(xj)}，即(xi,xj)是由任意两个产生不同决策结果的对象组成的新元素，R*为属性的全体，V*为属性值域的合集，f*:U*×R*→V*是信息函数，R*＝{pra|a∈C}，pra是条件属性a的第r个断点，计算方法为任意两个相邻属性值的平均值，其中，C为条件属性的全体。步骤(22)：对于任意pra(a(xi),a(xj))，如果min(a(xi),a(xj))≤pra≤max(a(xi),a(xj))，则置pra(a(xi),a(xj))＝1，否则置pra(a(xi),a(xj))＝0，a(xi)为对象xi的a属性。也就是说，如果pra对于a(xi)和a(xj)没有分辨作用，则令pra(a(xi),a(xj))值为0，否则为1。步骤(23)：设置一个空集作为最小断点集的初始状态。步骤(24)：对信息表K*的每一列进行求和统计；步骤(25)：如果只有一个分割点的列和值最大，直接将该点加入最小断点集，转步骤(212)；步骤(26)：如果存在多个分割点的列和值最大，对它们值为1的所有行中的“1”进行求和统计；步骤(27)：如果只有一个分割点的行和值最小，将该点加入最小断点集，转步骤(212)；步骤(28)：如果存在m个分割点的和累计值最小，则分别删去它们所在列和列值为1对应的行，生成m个新的信息表K1*～Km*，对K1*～Km*的每一列进行求和统计；步骤(29)：如果K1*～Km*中存在空表，则将得到空表的分割点加入最小断点集，结束；步骤(210)：如果K1*～Km*中只在某一信息表Ki*中有一个列和值最大的分割点，则将该分割点加入最小断点集，并且用该信息表Ki*替换K*，转步骤(24)；步骤(211)：如果在K1*～Km*中存在多个信息表的列和值并列最大，转步骤(28)；步骤(212)：删去K*中加入最小断点集的分割点所在列和该分割点值为1的所有行，得到新的信息表K*，如果K*不为空表，转步骤(24)，否则结束。所述步骤(3)中改进的贪心算法应用于决策表约简的步骤如下：步骤(31)：根据决策表K构造信息表K*＝＜U*,R*,V*,ρ*＞，其中U*＝{(xi,xj)|xi∈U,xj∈U,i＜j,d(xi)≠d(xj)}，即(xi,xj)是由任意两个产生不同决策结果的对象组成的新元素，R*＝{r(xi,xj)|(xi,xj)∈U*}为属性的全体，当ck(xi)≠ck(xj)时，令rk(xi,xj)＝1，否则，令rk(xi,xj)＝0，ck为决策表K中的第k个条件属性；步骤(32)：设置一个空集作为约简；步骤(33)：对信息表K*进行列和值和行和值的统计，利用改进的贪心算法对应当进入最佳属性集的属性进行判断，判断流程与判断分割点相同：首先比较列和值的大小，选取列和值最大的属性加入约简，当出现多个列和值最大属性的时候，再比较行和值，选取行和值最小的属性加入约简，当再次出现多个行和值最小的属性时，分别生成新的信息表进行处理，直到出现一个空信息表。步骤(34)：根据求得的约简简化条件属性，合并同样的决策规则，得到最终的决策表。所述步骤(4)中模糊Petri网络推理模型的建立方法为将决策表中的条件属性和决策属性作为模糊Petri网络中的库所，根据决策表中的对应关系建立模糊Petri网络模型中的有向弧，对于模糊Petri网络FPN＝＜P,T,F,K,I,O,θ,U＞，P＝{p1,p2,p3,…,pn}是库所的有限集合；T＝{t1,t2,t3,…,tm}是变迁的有限集合；K＝{k1,k2,k3,…,kn}是托肯的有限集合，代表库所的状态；I是n×m阶输入矩阵，代表从库所到变迁的有向弧集合，当存在P→T时，I中的元素值取1，否则取0；O是n×m阶输出矩阵，代表从变迁到库所的有向弧集合，当存在T→P时，O中的元素值取1，否则取0。所述步骤(4)中MYCIN推理方程为设θ0为初始状态，式中运算符号定义如下：A，B，C均为m×n的矩阵，则Cij＝max(Aij,Bij)；A，B，D分别为m×q,q×n,m×n的矩阵，则其中θk为表示第k步推理状态的m维向量，1m为元素值全为1的m维向量；所述步骤(6)中的MYCIN推理的结束条件为θk+1＝θk，根据θk的最终结果即可找出存在概率最高的库所，即故障诊断的结论。下面通过一个实例来进一步说明本发明。选用VMB5-12型真空断路器的合闸线圈电流建立样本原始空间，提取其时间特征量和电流特征量共计八个作为条件属性c1～c8，对应t1、t2、t3、t4、t5、I1、I2、I3，断路器合闸过程中的正常状态可能出现的异常作为建立决策表的决策属性。选取历史实验中各类故障及正常情况下的数据样本各8例，共计数据样本40例，和结合对应的工作状态建立起决策表，其中部分如表1所示：表1高压断路器合闸故障决策表采用改进的贪心算法进行数据离散化，得到的断点集合为{c11＝10.25，c21＝18.40,c31＝22.30,c41＝36.18,}，小于断点的属性置为0，大于断点的属性置为1，P5、P7、P8没有断点，全部置为1根据最小断点集对决策表离散化的结果如表2所示：表2高压断路器合闸故障决策表离散化结果再次采用改进的贪心算法进行属性约简，得到最小属性集为{P2,P4,P6}，即{t2,t4,I1}，对决策表进行属性约简和规则合并，得到表3。表3经过约简的高压断路器合闸故障决策表t2t4I1决策属性001F1000F2111F3011F4101F5根据该决策表，将条件属性{t2,t4,I1}和决策属性{F1,F2,F3,F4,F5}作为库所，根据每条诊断规则建立一个变迁，可以得到如图4所示的模糊Petri网络图。图4中，输入矩阵输出矩阵搜索文献可得U＝diag[0.85,0.9,0.8,0.9,0.85]。选取10组测试样本如表4所示：表4断路器合闸故障测试样本特征量编号故障类型t1t2t3t4t5I1I2I31F110.1617.5621.6834.6839.720.990.791.212F110.2417.6421.6834.639.720.980.771.23F210.3217.6421.834.6439.80.760.6714F210.3217.4821.7634.7639.80.780.691.065F310.5820.826.7638.0443.840.850.791.246F311.1222.0827.0838.1644.241.030.821.247F410.2417.6821.7637.8843.040.990.811.238F410.1617.4421.7637.6842.720.990.81.249F510.3220.1021.6434.6439.720.980.791.2210F510.2821.3221.7634.639.720.990.81.23在初始化库P1～P6所的状态时，假定条件属性值在最大值和最小值之间呈0到1的平均分布，可以得出条件属性值相对于1的存在概率，即P2、P4、P6的值其公式为其中，ci(xj)为测试样本xj的属性ci的值，(ci)min为属性ci的最小值，(ci)max为属性ci的最大值。则条件属性值相对于1的存在概率为1-θi，即p1、p3、p5的值。库所p7～p11的初始状态即决策属性值，全部置零，得到测试样本的初始状态如表5所示：表5断路器合闸故障测试样本初始状态编号t1t2t3t4t5I1I2I3故障类型110.1617.5621.6834.6839.720.990.791.21F1210.2417.6421.6834.639.720.980.771.2F1310.3217.6421.834.6439.80.760.671F2410.3217.4821.7634.7639.80.780.691.06F2510.8821.826.7638.0443.841.020.811.24F3611.1222.0827.0838.1644.241.030.821.24F3710.2417.6821.7637.8843.040.990.811.23F4810.1617.4421.7637.6842.720.990.81.24F4910.3219.4421.6434.6439.720.980.791.22F51010.2819.3221.7634.639.720.990.81.23F5将表5中的全部样本输入公式进行推理，得到测试样本的初始状态如表6所示：表6断路器合闸故障测试样本初始状态编号p1p2p3p4p5p610.99130.00870.95560.04440.11540.884620.97390.02610.97780.02220.15380.846230.97390.02610.96670.03331.0000041.0087-0.00870.93330.06670.92310.076950.06960.93040.02220.97780.65380.346260.00870.9913-0.01111.0111-0.03851.038570.96520.03480.06670.93330.11540.884681.0174-0.01740.12220.87780.11540.884690.43910.56090.96670.03330.15380.8462100.17390.82610.97780.02220.11540.8846经过迭代后，得到测试样本的最终状态和诊断结果如表7所示：表7断路器合闸故障测试样本最终状态及诊断结果与表4对比可见，诊断结果与实际情况完全一致，该诊断方法正确有效。在决策表的基础上构造模糊Petri网络模型，可以增强推理能力，并且简化推理步骤，用迭代而逐条对比的方式实现快速推理。经实例验证，该方法具有较高的正确性和可靠性。当前第1页1 2 3