基于小波和貝葉斯網(wǎng)絡(luò)的智能建筑供配電系統(tǒng)故障診斷研究

劉曉琴，王晨旭，孫海軍，王 千

（1.遼寧石油化工大學(xué)信息與控制工程學(xué)院，遼寧撫順113001；2.遼寧石油化工大學(xué)石油化工過程控制國家級實驗教學(xué)示范中心，遼寧 撫順113001；3.中國石油撫順石化公司 熱電廠，遼寧 撫順113008）

當(dāng)前，智能建筑供配電系統(tǒng)的可靠性和安全性已成為百姓關(guān)注的焦點和熱點[1-2]。智能建筑供配電系統(tǒng)日益龐大，不可避免會出現(xiàn)故障，一旦發(fā)生故障，勢必會影響到居民的正常生活，經(jīng)濟損失嚴(yán)重，甚至?xí)斐扇松韨鍪鹿蔥3]。因此，智能建筑中供配電系統(tǒng)的故障診斷技術(shù)顯得尤為重要。

國內(nèi)外相關(guān)科研人員研究出多種供配電網(wǎng)絡(luò)的故障診斷方法。文獻[4-5]提出利用神經(jīng)網(wǎng)絡(luò)算法對電網(wǎng)進行故障診斷，其容錯和抗干擾能力強，故障診斷速度快。但是進行故障診斷時，需要大量的故障特征學(xué)習(xí)樣本，會導(dǎo)致學(xué)習(xí)訓(xùn)練收斂速度慢；此外，該方法缺乏對電網(wǎng)故障診斷結(jié)果解釋能力。文獻[6-7]提出petri 網(wǎng)絡(luò)供配電網(wǎng)故障診斷方法，該方法得到的故障診斷結(jié)果具有較強的直觀性，但不適用復(fù)雜的電網(wǎng)拓?fù)洌铱垢蓴_和容錯能力差，診斷結(jié)果精確度有待提高。文獻[8]結(jié)合粗糙集理論對供配電系統(tǒng)進行故障診斷，該方法在處理供配電網(wǎng)絡(luò)故障診斷中不確定、不完善、不精準(zhǔn)的故障信息方面具有突出的優(yōu)勢。但是，應(yīng)用于大規(guī)模電網(wǎng)故障診斷時，網(wǎng)絡(luò)矩陣維數(shù)多，滿足不了在線診斷的需求。文獻[9-15]核心思想是將復(fù)雜的電網(wǎng)數(shù)學(xué)模型轉(zhuǎn)化為簡單的“0-1”規(guī)劃問題，該方法能很好地體現(xiàn)供配電網(wǎng)絡(luò)中故障器件與斷路器之間的關(guān)系，但該算法的動態(tài)模擬模型難以建立，且模型的魯棒性會隨著誤差的增大而降低。

本文以智能建筑供配電系統(tǒng)為研究背景，提出一種基于貝葉斯網(wǎng)絡(luò)與小波變換的故障診斷方法。當(dāng)供配電網(wǎng)發(fā)生故障時，對電網(wǎng)的幅值、相位角和能量進行小波變換，并對故障特征量進行有效、高效提取。采用各種權(quán)重的熵值和簡單的貝葉斯推理相結(jié)合的方法，得到各部件的故障度。采用量化相位融合方法作為貝葉斯的特征信息。對智能建筑供配電系統(tǒng)進行學(xué)習(xí)和培訓(xùn)，可用于完成智能建筑供配電系統(tǒng)的故障診斷。

1 智能建筑供配電系統(tǒng)的拓?fù)涿枋?/h2>

4 母線、4 線路的供配電電網(wǎng)拓?fù)浣Y(jié)構(gòu)如圖1 所示。其中，A、B、C、D 表示母線；L1—L4 表示線路；CB1—CB8 表示斷路器；m 表示主保護；p 表示近后備保護；s 表示遠后備保護；f 表示失靈保護。

對1 個具有m 條母線、n 條線路的供配電系統(tǒng)，可用m×n 階關(guān)聯(lián)矩陣S 表示其拓?fù)浣Y(jié)構(gòu)，S 中的非零元直觀反映線路與母線之間的連接關(guān)系。將關(guān)聯(lián)矩陣S 中的非零元置換為連接母線和線路的斷路器，再將斷路器狀態(tài)分別置換為對應(yīng)保護裝置，可以先后實現(xiàn)對系統(tǒng)斷路器和保護裝置的拓?fù)涿枋觥橛行П碚飨到y(tǒng)中各元件的端口特性，將關(guān)聯(lián)矩陣S 中的非零元分別按行置換為對應(yīng)母線，或按列置換為對應(yīng)線路，得到母線和線路拓?fù)渚仃?。系統(tǒng)的關(guān)聯(lián)矩陣可通過潮流計算數(shù)據(jù)獲得。

關(guān)聯(lián)矩陣S：

線路拓?fù)渚仃嘗：

母線拓?fù)渚仃嘙：

斷路器拓?fù)渚仃嘋B：

母線保護拓?fù)渚仃嘙m：

線路主保護拓?fù)渚仃嘗m：

近后備拓?fù)渚仃嘗p：

近后備拓?fù)渚仃嘗s：

失靈保護拓?fù)渚仃嘋Bf：

2 故障診斷流程

2.1 智能建筑供配電系統(tǒng)故障特征提取

當(dāng)智能建筑供配電系統(tǒng)發(fā)生故障時，通常有三種故障度，分別為相角故障度、電壓電流故障度和能量大小故障度。利用小波變換法對信號的分解與重構(gòu)，借助熵值法得到權(quán)重，進而得到結(jié)果。假設(shè)智能建筑供配電系統(tǒng)中某一次故障有n 個元件。

（1）相角故障度。在發(fā)生故障前，將n 個元件各個相角進行小波變換后，得到系數(shù)矩陣，并進行奇異分解，得對角矩陣Λna：

在發(fā)生故障后，將n 個元件各個相角進行小波變換后，得到系數(shù)矩陣，并進行奇異分解，得對角矩陣Λnb：

則其相角故障度Sn可表示為：

（2）電壓電流故障度。在發(fā)生故障前，將n 個元件電壓和電流幅值進行小波變換后，取系數(shù)最大值Fna；在發(fā)生故障后，將n 個元件電壓和電流幅值進行小波變換后，取系數(shù)最大值Fnb；則在故障發(fā)生前后電流和電壓的幅值變化量為：

其電壓和電流故障度xn可表示為：

（3）能量大小故障度。在發(fā)生故障前，將n 個元件的能量進行m 個分辨率小波變換，得到系數(shù){Dna(k)}，n=1，2，…，k=1，2，…，則小波變換m 次后，能量ena為：

當(dāng)發(fā)生故障后，將n 個元件的能量進行m 個分辨率小波變換，得到系數(shù){Dnb(k)}，n=1，2…，k=1，2，…，則小波變換m 次后，能量enb為：

則強弱大小故障度為：

將上述三種故障度歸一化處理，得到加權(quán)電氣故障度特征：

智能建筑供配電網(wǎng)絡(luò)中的電氣元件的開關(guān)量的故障度T =[T1,T2,K,Tn]，則：

將加權(quán)后的三個故障特征Ci與電氣元件的開關(guān)量的故障度T 進行融合，得到新的特征性故障度：

熵法通過計算“熵”來確定權(quán)重，即根據(jù)各特征的差異程度確定各指標(biāo)的權(quán)重。當(dāng)待確定對象的特征向量的值相差很大時，熵值很小，表明向量值所提供的信息量很大，其權(quán)重也大；反之，其權(quán)重也小。在對電流和電壓故障度Xn提取之后，相角量Sn和從配電線路收集到的能量En進行相應(yīng)的小波分解和重構(gòu)，權(quán)重確定的方法為：

步驟1 標(biāo)準(zhǔn)化處理數(shù)據(jù)。

式中，Xij為i 電分量的j 特征向量的值；min{Xj}、max{Xj}為所有電氣元件j特征向量的最小值和最大值。

步驟2 計算第i 個分量的第j 特征向量值的比例。

步驟3 計算指數(shù)信息熵。

式中，k=1/lna，其中a 為電氣元件的數(shù)量。

步驟4 信息熵冗余度的計算。

步驟5 計算指標(biāo)權(quán)重。

式中，h 為特征向量的數(shù)量，h=3。

2.2 基于小波變換和貝葉斯網(wǎng)絡(luò)的供配電故障診斷步驟

故障診斷流程如圖2 所示。采用小波變換的方法對單相短路、兩相短路、三相短路、兩相接地短路四類常見的故障及正常狀態(tài)的數(shù)據(jù)進行預(yù)處理，建模分析，得到故障診斷結(jié)果。

迭代修正公式為：

式中，p(k)為聯(lián)合概率；θ(k)為貝葉斯網(wǎng)絡(luò)的參數(shù)；G(k)為網(wǎng)絡(luò)結(jié)構(gòu)；πi為配置索引因子。

3 算例分析

為驗證本文提出方法的有效性，以IEEE-39 多節(jié)點復(fù)雜故障系統(tǒng)為研究對象，IEEE-39 系統(tǒng)網(wǎng)絡(luò)拓?fù)淙鐖D3 所示。

系統(tǒng)包含39 條母線、46 條線路、92 個斷路器。線路、斷路器及保護均根據(jù)母線編號進行編排，如連接母線B03和B18的線路編號為L0318，相應(yīng)B03側(cè)的斷路器記為CB0318，對側(cè)記為CB1803。具體步驟如下：

步驟1 根據(jù)智能建筑物監(jiān)測中心獲得的電壓電流幅值、相位角、能量強度等相關(guān)的基本電量，進行數(shù)據(jù)預(yù)處理工作。

步驟2 將小波變換按幅值、相位角和能量強度進行分解和重構(gòu)后，根據(jù)不同的權(quán)重組合電氣故障特征，采用貝葉斯推薦方法計算相應(yīng)的元件開關(guān)故障特征，IEEE-39 系統(tǒng)先驗概率的參數(shù)如表1 所示。從表1 可以看出，利用先驗計算概率可對各故障度進行提取。根據(jù)繼電保護系統(tǒng)的整定原則，保護和斷路器告警的置信度及動作延時設(shè)置如表2所示。

表1 IEEE-39 系統(tǒng)先驗概率的參數(shù)

步驟3 將步驟2 得到的電氣故障特征量和元件開關(guān)故障特征與簡單的信息融合計算相結(jié)合，得到綜合故障特征信息。

步驟4 構(gòu)造貝葉斯網(wǎng)絡(luò)，學(xué)習(xí)和訓(xùn)練步驟3 中獲得的綜合故障特征信息。取60 組訓(xùn)練數(shù)據(jù)，正常數(shù)據(jù)10 組，單相斷路、單相接地短路、兩相相間短路、兩相接地短路、三相短路故障類型數(shù)據(jù)各10 組。對于故障元件的判定，選取30 組不同類別的數(shù)據(jù)進行實驗，迭代次數(shù)為30，根據(jù)式(27)進行迭代。

步驟5 對于給定的故障特征，利用步驟3 獲得的綜合故障特征信息進行貝葉斯推理預(yù)測，并通過最大后驗概率值的檢驗和估計來實現(xiàn)故障診斷。

表2 保護和斷路器告警的置信度及動作延時設(shè)置

將本文的方法分別以單一的電氣故障特征量作為貝葉斯的特征輸入，單一元件故障開關(guān)量作為輸入進行對比。算例測試結(jié)果如表3 所示。案例1-7的故障場景參考文獻[13]，案例1-3 為告警信息完備情況的故障場景，案例4-7 為存在時標(biāo)錯誤、信息漏報、誤報等情況時的故障場景。從診斷結(jié)果可以看出，所提方法診斷故障元件與文獻[13]的結(jié)果相同，但對于真實故障元件置信概率更高，非故障元件置信概率更低，同時能夠推理得到元件的故障時間點約束區(qū)間，一定程度上提高了模型對故障元件的辨識能力。案例8 為本文算法對系統(tǒng)復(fù)雜故障的測試算例，該場景涵蓋系統(tǒng)復(fù)雜多重元件故障，且伴隨保護或斷路器的拒動、誤動及漏報等情況。本文算法與現(xiàn)有幾種方法的故障診斷結(jié)果如表4 所示。

表3 IEEE-39 節(jié)點系統(tǒng)算例測試結(jié)果

續(xù)表3

表4 本文算法與現(xiàn)有幾種方法的故障診斷結(jié)果

仿真結(jié)果表明，所提方法對于簡單故障以及復(fù)雜多重故障情況都能夠正確判別故障元件，且在保護及斷路器存在拒動、誤動、漏報、誤報以及時標(biāo)錯誤等情況下均能有效判別故障元件，同時能夠推理得到元件故障的時間點約束區(qū)間，具有較高的容錯性。診斷時間均不超過1 s，且與故障復(fù)雜程度無關(guān)。如預(yù)先進行結(jié)線分析縮小故障診斷范圍，診斷速度將進一步提升。此外，保護配置方案發(fā)生改變時，僅需調(diào)整貝葉斯網(wǎng)絡(luò)和小波變換模型的推理路徑。假如目標(biāo)電網(wǎng)未配置失靈保護或失靈保護暫時退出運行，僅需刪除貝葉斯網(wǎng)絡(luò)和小波變換模型中的失靈保護推理路徑即可，拓?fù)溆成滢D(zhuǎn)換規(guī)則以及矩陣推理流程完全不變。

4 結(jié) 論

結(jié)合智能建筑供配電系統(tǒng)的特點，對其電網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和故障特征從理論上進行詳細(xì)的故障特征分析，確定其故障類型。提出了一種基于小波變換和貝葉斯網(wǎng)絡(luò)的智能建筑供配電網(wǎng)絡(luò)故障診斷方法。與同類型方法相比，具有如下優(yōu)勢：（1）具有較強的適應(yīng)性，并可以有效解決故障診斷的模糊性問題。（2）節(jié)省儲存空間，大大降低計算的復(fù)雜程度，電網(wǎng)模型越大越具有優(yōu)勢。（3）具有較強的抗干擾和容錯能力，當(dāng)外界因素干擾時，診斷結(jié)果不受影響。（4）診斷精度高，速度快。最后，以IEEE-39 系統(tǒng)為研究對象進行仿真，結(jié)果表明，故障識別度高。