基于知識庫與全景圖像匹配算法的母線保護(hù)裝置故障三維分級檢測方法

摘"要：研究了基于知識庫與全景圖像匹配算法的母線保護(hù)裝置故障三維分級檢測方法，合理檢測母線保護(hù)裝置故障，保障母線保護(hù)裝置安全穩(wěn)定運(yùn)行。將失敗案例、故障排除手冊等信息作為知識庫構(gòu)建層級的理論依據(jù)，設(shè)計關(guān)系型知識；通過全景圖像采集、特征提取與匹配等操作設(shè)計三維模型索引知識，構(gòu)建母線保護(hù)裝置知識庫；在推理機(jī)中引入模糊假言推理算法，獲取相應(yīng)的故障診斷結(jié)果；在三維可視化層級中使用PHP語言，搭建Web服務(wù)器，設(shè)計三維可視化后端程序，呈現(xiàn)故障檢測的三維可視化結(jié)果。實驗結(jié)果表明：該方法可有效實現(xiàn)母線保護(hù)裝置故障的三維分級檢測，故障檢測結(jié)果與實際故障狀況一致，可更好地滿足實際工作需要。

關(guān)鍵詞：知識庫；全景信息；圖像匹配算法；母線保護(hù)裝置；三維分級；故障檢測

中圖分類號：TP391""""""文獻(xiàn)標(biāo)識碼：A

Threedimensional"Hierarchical"Fault"Detection"Method"

for"Bus"Protection"Device"Based"on"Knowledge"Base"

and"Panoramic"Image"Matching"Algorithm

SHEN"Zizheng，LI"Haiyong，TIAN"Junyang，HUANG"Chao，HUANG"Pengfei，JIANG"Liandian

（Power"Dispatching"Control"Center"of"Guangxi"Power"Grid"Co.，"Ltd.，"Nanning，Guangxi"530001，China）

Abstract：Research"a"threedimensional"hierarchical"fault"detection"method"for"bus"protection"devices"based"on"knowledge"base"and"panoramic"image"matching"algorithm，"reasonably"detect"bus"protection"device"faults，"and"ensure"the"safe"and"stable"operation"of"bus"protection"devices."Using"information"such"as"failure"cases"and"troubleshooting"manuals"as"the"theoretical"basis"for"building"a"hierarchical"knowledge"base，"design"relational"knowledge;"Design"3D"model"index"knowledge"through"panoramic"image"acquisition，"feature"extraction，"andnbsp;matching"operations"to"build"a"knowledge"base"for"bus"protection"devices;"The"fuzzy"hypothetical"inference"algorithm"is"introduced"into"the"inference"engine"to"obtain"corresponding"fault"diagnosis"results;"In"the"3D"visualization"level，"PHP"language"is"used"to"build"a"Web"server，"design"a"3D"visualization"backend"program，"and"present"the"3D"visualization"results"of"fault"detection."The"experimental"results"show"that"this"method"can"effectively"achieve"threedimensional"hierarchical"fault"detection"of"busbar"protection"devices，"and"the"fault"detection"results"are"consistent"with"the"actual"fault"conditions，"which"can"better"meet"the"actual"work"needs.

Key"words：knowledge"base;"panoramic"information;"image"matching"algorithm;"bus"protection"device;"threedimensional"classification;"fault"detection

在發(fā)電廠以及變電站日常工作中，母線發(fā)揮著十分關(guān)鍵的作用。當(dāng)發(fā)電廠或變電站的母線出現(xiàn)故障后，若不能及時對故障執(zhí)行有效合理的切除操作，將對發(fā)電廠或變電站的相應(yīng)電力設(shè)備造成非常嚴(yán)重的破壞，從而影響電力系統(tǒng)的安全穩(wěn)定性，迫使發(fā)電廠或變電站停止工作，甚至還會造成嚴(yán)重的電力事故[1-3]。母線保護(hù)裝置作為保障電力系統(tǒng)安全可靠運(yùn)行的關(guān)鍵電力設(shè)備，對維護(hù)電網(wǎng)安全具有非常關(guān)鍵的現(xiàn)實意義[4，5]。因此，提出一種合適的母線保護(hù)裝置故障檢測方法，是電力安全領(lǐng)域研究的重要方向。

針對上述問題，國內(nèi)外學(xué)者進(jìn)行了大量的研究。如戴志輝等研究的基于變權(quán)重模糊綜合評判法的線路保護(hù)裝置故障檢測方法[6]、李鐵成等研究的基于動態(tài)優(yōu)化馬爾可夫鏈的線路保護(hù)裝置故障檢測方法[7]。前者通過有效提取母線保護(hù)裝置的主要影響因素，完善用于母線保護(hù)裝置狀態(tài)監(jiān)測工作的評價指標(biāo)集合。在利用極值法完成各指標(biāo)的標(biāo)準(zhǔn)化工作后，充分利用層次分析法以及熵值法優(yōu)勢對組合權(quán)重實施合理確定，并以所獲權(quán)重為基礎(chǔ)，將變權(quán)法應(yīng)用于母線保護(hù)裝置狀態(tài)檢測工作中，用于對各指標(biāo)系數(shù)執(zhí)行有效的調(diào)整操作。與此同時，使用半梯半嶺型隸屬函數(shù)分布模型對模糊關(guān)系矩陣執(zhí)行有效求解操作，并對所獲模糊矩陣與三角分布模型實施合理對比，最終借助加權(quán)平均算子完成對母線保護(hù)裝置狀態(tài)的合理檢測。后者通過灰色粒子群支持向量機(jī)算法對母線保護(hù)裝置失效率函數(shù)執(zhí)行較為準(zhǔn)確的計算操作，并利用所獲結(jié)果對馬爾可夫鏈中各運(yùn)行狀態(tài)轉(zhuǎn)移概率實施動態(tài)修正，最終實現(xiàn)對母線保護(hù)裝置未來運(yùn)行狀態(tài)的有效預(yù)測。二者均可實現(xiàn)母線保護(hù)裝置故障檢測，但是不僅在母線保護(hù)裝置故障檢測的效率以及準(zhǔn)確性方面存在一定欠缺，并且也無法通過可視化方式對相應(yīng)的故障診斷結(jié)果進(jìn)行合理呈現(xiàn)。

計算技術(shù)與自動化２０24年6月

第43卷第2期

沈梓正，等：基于知識庫與全景圖像匹配算法的母線保護(hù)裝置故障三維分級檢測方法

在構(gòu)建母線保護(hù)裝置模糊知識庫時，除設(shè)計母線保護(hù)裝置關(guān)系知識外，通過合理方式設(shè)計相應(yīng)的母線保護(hù)裝置三維模型索引知識，可在利用合適的推理策略完成母線保護(hù)裝置故障檢測的同時，將所獲故障檢測結(jié)果進(jìn)行合理可視化呈現(xiàn)，以便工作人員掌握故障嚴(yán)重程度，采取積極合理的措施對故障實施相應(yīng)處理，從而保障整個電力系統(tǒng)的安全穩(wěn)定性。為此，本文提出基于知識庫與全景圖像匹配算法的母線保護(hù)裝置故障三維分級檢測方法，更好地滿足實際工作需要。

1"母線保護(hù)裝置故障三維分級檢測

1.1"母線保護(hù)裝置故障三維分級檢測總體架構(gòu)

在檢測母線保護(hù)裝置故障的過程中，會涉及多種技術(shù)參數(shù)，例如：接入方式（包括電流式和電壓式兩種接入方式）、保護(hù)等級（Ⅰ類、Ⅱ類或Ⅲ類）、判據(jù)類型（過流、過電壓、欠電壓、位移等）、檢測能力（檢測故障位置、類型、電流大小）、響應(yīng)速度、可靠性與精度。而如何在最短時間內(nèi)根據(jù)故障檢測技術(shù)參數(shù)檢測出母線保護(hù)裝置故障，并獲取有效的解決方案，保證母線保護(hù)裝置長期穩(wěn)定運(yùn)行，充分發(fā)揮其效用，是保障電力系統(tǒng)安全性的關(guān)鍵，對提升電力系統(tǒng)安全性具有非常重要的現(xiàn)實意義。本文為充分迎合這一需求，提出基于知識庫與全景圖像匹配算法的母線保護(hù)裝置故障三維分級檢測方法，方法總體架構(gòu)如圖1所示。

在本文中，對母線保護(hù)裝置故障的三維分級檢測主要通過知識庫構(gòu)建、推理控制、三維可視化三個層級來完成。在使用恰當(dāng)方式完成知識設(shè)計工作后，將所獲知識進(jìn)行分類整理，構(gòu)建成信息量巨大的知識庫，再通過在推理機(jī)中使用的模糊推理方法，將知識庫中存儲的母線保護(hù)裝置故障診斷知識作為模糊推理的有效依據(jù)，按用戶提供的故障事實或證據(jù)，實施有效的推理，獲取相應(yīng)的故障診斷結(jié)果以及故障原因，并將所獲故障診斷結(jié)果進(jìn)行合理的三維可視化呈現(xiàn)，便可完成相應(yīng)的母線保護(hù)裝置故障診斷工作。

1.2"母線保護(hù)裝置知識庫構(gòu)建層級

知識庫作為母線保護(hù)裝置故障三維分級檢測較為核心的部分，其獲取知識質(zhì)量的好壞以及知識的數(shù)量等直接關(guān)系到母線保護(hù)裝置故障診斷的準(zhǔn)確性以及效率[8]。本文中，用于母線保護(hù)裝置知識庫構(gòu)建的知識與以往不同，包含關(guān)系型數(shù)據(jù)與三維模型索引數(shù)據(jù)兩部分。其中，關(guān)系型數(shù)據(jù)主要來源于母線保護(hù)裝置各系統(tǒng)的失敗案例、參數(shù)指標(biāo)以及母線保護(hù)裝置故障排除手冊等，在收集完這些信息后，以產(chǎn)生規(guī)則樣式的表征形式將其存儲于關(guān)系型知識數(shù)據(jù)庫中，作為母線保護(hù)裝置故障模糊推理的可靠依據(jù)；三維模型索引數(shù)據(jù)主要是通過采集母線保護(hù)裝置各部分的二維圖像，經(jīng)過圖像預(yù)處理、特征匹配等操作，形成母線保護(hù)裝置各部分三維模型以及整體三維模型得到的，在完成三維模型索引數(shù)據(jù)采集工作后，以索引形式存儲于三維模型索引知識數(shù)據(jù)庫中，以待使用，用作對母線保護(hù)裝置故障診斷結(jié)果實施合理可視化，獲取母線保護(hù)裝置全景信息的可靠依據(jù)。

1.2.1"關(guān)系型知識設(shè)計

母線保護(hù)裝置關(guān)系型知識通常以母線保護(hù)裝置故障現(xiàn)象、原因、參數(shù)指標(biāo)、行動規(guī)則表以及母線保護(hù)裝置故障原因與參數(shù)關(guān)系矩陣表、最終結(jié)論表為主要構(gòu)成[9，10]。在實際的母線保護(hù)裝置故障現(xiàn)象表制作工作中，應(yīng)最大限度通過專家先驗知識，采集母線保護(hù)裝置故障現(xiàn)象，并使用合理的方式對母線保護(hù)裝置所在系統(tǒng)執(zhí)行可靠的標(biāo)記操作。表中應(yīng)包含母線保護(hù)裝置故障現(xiàn)象的名稱以及編號、所在系統(tǒng)的編號以及可信度等屬性信息；在進(jìn)行母線保護(hù)裝置故障原因表制作時，由于能夠?qū)е履妇€裝置某一類故障的原因可能有很多種，而各原因的描述方式又可能各不相同，因而要給予充分的描述與標(biāo)記；在進(jìn)行母線保護(hù)裝置參數(shù)指標(biāo)表制作時，主要是將母線保護(hù)裝置的工作環(huán)境信息、母線保護(hù)裝置的技術(shù)參數(shù)以及各參數(shù)在相應(yīng)等級條件下產(chǎn)生作用的權(quán)重進(jìn)行相應(yīng)存儲；在進(jìn)行母線保護(hù)裝置行動規(guī)則表制作時，主要是將引發(fā)母線保護(hù)裝置故障的因素對應(yīng)的相應(yīng)結(jié)論標(biāo)記為相應(yīng)的動作代碼，這樣在推理機(jī)完成相應(yīng)的母線保護(hù)裝置故障診斷工作后，便可及時找到相應(yīng)的故障解決方案；在進(jìn)行母線保護(hù)裝置故障原因與參數(shù)關(guān)系矩陣表制作時，專門對母線保護(hù)裝置故障因素受母線保護(hù)裝置各技術(shù)參數(shù)影響的可信程度以及權(quán)重進(jìn)行了合理設(shè)計，能夠獲取到故障產(chǎn)生后母線保護(hù)裝置參數(shù)的變化狀況；在制作母線保護(hù)裝置結(jié)論表時，對獲得結(jié)論的相應(yīng)行動代碼實施了合理設(shè)計，可獲知該結(jié)論產(chǎn)生的可信程度以及權(quán)重信息，從而確定其是否是母線保護(hù)裝置故障診斷工作的最終結(jié)果。

1.2.2"母線保護(hù)裝置三維模型索引知識設(shè)計

為了有效輔助專家對母線保護(hù)裝置故障執(zhí)行合理診斷工作，使對母線保護(hù)裝置故障定位能夠有一個清晰明了的顯示，本文在進(jìn)行母線保護(hù)裝置知識庫構(gòu)建時，在對母線保護(hù)裝置結(jié)構(gòu)以及物理特征實施有效研究基礎(chǔ)上，通過合適的方式以及相應(yīng)工具構(gòu)建了母線保護(hù)裝置三維可視化模型，并在母線保護(hù)裝置三維可視化模型構(gòu)建完成后，為其各個部分建立了相應(yīng)的索引項。當(dāng)經(jīng)過合理推理獲得相應(yīng)的故障診斷結(jié)果后，將所獲故障診斷信息輸入到母線保護(hù)裝置三維可視化模型中，可以很直觀地看出母線保護(hù)裝置發(fā)生相應(yīng)故障的位置，從而完成對母線保護(hù)裝置相應(yīng)故障的指示工作。

由于立體視覺法在設(shè)備零部件三維模型重建方面具有顯著優(yōu)勢，可更為準(zhǔn)確地完成設(shè)備零部件三維模型構(gòu)建操作，為此，本文在進(jìn)行母線保護(hù)裝置三維模型索引知識設(shè)計時，采用立體視覺方法構(gòu)建母線保護(hù)裝置主要零部件三維模型。具體的模型構(gòu)建流程可歸結(jié)為：

（1）雙目立體視覺攝像機(jī)標(biāo)定。在利用立體視覺方法完成相應(yīng)的設(shè)備零部件三維模型構(gòu)建工作時，獲取合理的相機(jī)參數(shù)是關(guān)鍵[11]。因而本文使用具有較好攝像機(jī)標(biāo)定效果的張正友攝像機(jī)標(biāo)定方法對用于采集母線保護(hù)裝置各主要零部件圖像的雙目立體視覺攝像機(jī)實施合理標(biāo)定，以便在后續(xù)工作中，能夠?qū)⒛妇€保護(hù)裝置各主要零部件二維圖像中的特征點(diǎn)更為準(zhǔn)確地置于相應(yīng)的三維模型中。

（2）母線保護(hù)裝置主要零部件全景二維圖像采集與預(yù)處理。因FPGA芯片具備超強(qiáng)的數(shù)據(jù)處理與控制能力[12，13]，故本文使用基于FPGA的圖像采集技術(shù)完成母線保護(hù)裝置主要零部件全景二維圖像采集工作。為使所采集全景圖像更適應(yīng)計算機(jī)程序，能夠更快速地完成相應(yīng)的三維模型構(gòu)建操作，在采集工作完成后，利用下式對采集全景圖像實施灰度化并使用中值濾波方法對其進(jìn)行噪聲濾除。

Gr=2991000R+5871000G+1441000B"（1）

其中，灰度值用Gr標(biāo)記；紅、綠、藍(lán)三種顏色的分量分別用R、G以及B標(biāo)記。

（3）全景圖像特征點(diǎn)提取與匹配。在全景圖像特征點(diǎn)提取與匹配領(lǐng)域，尺度不變特征變換算法是較具優(yōu)勢的一種特征點(diǎn)提取與匹配算法。故本文采用該方法完成母線保護(hù)裝置主要零部件全景圖像特征點(diǎn)提取與匹配工作。具體的全景圖像特征提取與匹配過程可歸結(jié)如下：構(gòu)建合適的高斯差分金字塔用于表征母線保護(hù)裝置主要零部件全景圖像上的像素點(diǎn)；判斷母線保護(hù)裝置主要零部件全景圖像的像素點(diǎn)是否是極值點(diǎn)，若是，則將其視為中心，執(zhí)行特征描述符生成操作，特征描述符中包含若干的特征向量，可顯著增強(qiáng)特征匹配工作的穩(wěn)定性以及容錯性；將母線保護(hù)裝置主要零部件全景圖像極值點(diǎn)特征向量所擁有的歐式距離值當(dāng)作特征點(diǎn)間相似性的有效度量標(biāo)準(zhǔn)，在通過雙目立體視覺攝像機(jī)右側(cè)攝像頭獲得的母線保護(hù)裝置主要零部件全景圖像B中，找出與通過雙目立體視覺攝像機(jī)左側(cè)攝像頭獲得的母線保護(hù)裝置主要零部件全景圖像A中某個極值點(diǎn)歐式距離最近的兩個極值點(diǎn)，若在兩個極值點(diǎn)中，距離最小值與距離次小值間的比值低于所設(shè)閾值，則完成一對全景圖像匹配點(diǎn)的獲取工作。

（4）母線保護(hù)裝置主要零部件全景圖像特征點(diǎn)三維坐標(biāo)求解。在經(jīng)步驟（3）操作，獲取相應(yīng)的母線保護(hù)裝置全景圖像特征點(diǎn)后，使用合理的全景圖像分割技術(shù)，對全景圖像實施有效的分割操作，獲取有效的全景圖像前景。采用合理的方式提取前景邊緣信息，這樣就可剔除母線保護(hù)裝置主要零件輪廓外的特征點(diǎn)，獲得所有在母線保護(hù)裝置零部件上的特征點(diǎn)。這些特征點(diǎn)三維坐標(biāo)是通過雙目立體攝像機(jī)左右相機(jī)的成像模型經(jīng)過合理推導(dǎo)操作獲得的，具體可通過下式進(jìn)行描述。

Xd=Zd（u1－x0）fxYd=Zd（v1－y0）fx

Zd=r1（x0－u2）－fxr1u1－x0fxfxt1+t3（x0－u2）+

r2（－x0+u2）－fxr2v1－y0fyfxt1+t3（x0－u2）－

fxr3+r9（u2－x0）fxt1+t3（x0－u2）"（2）

其中，Xd、Yd、Zd分別標(biāo)記的是特征點(diǎn)在空間中的橫、縱軸以及Z軸坐標(biāo)；母線保護(hù)裝置全景圖像主點(diǎn)的圖像坐標(biāo)系的橫軸以及縱軸坐標(biāo)分別用x0、y0標(biāo)記；雙目攝像機(jī)左右兩個相機(jī)的焦距分別用fx、fy標(biāo)記；左側(cè)相機(jī)特征點(diǎn)的像素橫、縱坐標(biāo)分別用u1、v1標(biāo)記；右側(cè)相機(jī)特征點(diǎn)的像素橫、縱坐標(biāo)分別用u2、v2標(biāo)記；r1、r2、r3以及r9分別標(biāo)記的是旋轉(zhuǎn)矩陣中的第一、第二、第三以及第九旋轉(zhuǎn)向量；t1、t3標(biāo)記的是平移矩陣中的第一、第三向量。

（5）母線保護(hù)裝置特征點(diǎn)三角剖分。將獲得的空間中的母線保護(hù)裝置特征點(diǎn)進(jìn)行有效的投影，將其投至世界坐標(biāo)系所在XOY平面上，并在該面上執(zhí)行母線保護(hù)裝置特征點(diǎn)三角剖分操作，在三角剖分工作完成后，使用相應(yīng)的計算機(jī)程序?qū)λ@三角剖分結(jié)果實施空間點(diǎn)還原，之后通過執(zhí)行有效的貼圖操作便可完成母線保護(hù)裝置主要零部件三維模型構(gòu)建。

利用上述步驟將母線保護(hù)裝置各主要零部件三維模型構(gòu)建完成后，利用合適的計算機(jī)程序?qū)Ω髂妇€保護(hù)裝置零部件三維模型執(zhí)行合理的裝配操作，組合成母線保護(hù)裝置整體三維模型，再利用Echart中的函數(shù)API實施母線保護(hù)裝置三維模型變化以及相關(guān)的數(shù)據(jù)顯示，這樣在為母線保護(hù)裝置各部分三維模型添加完相應(yīng)的索引編碼后，應(yīng)用本文方法檢測出的母線保護(hù)裝置故障，便可直觀地展現(xiàn)在工作人員面前，以便工作人員能夠隨時進(jìn)行查看，獲知母線保護(hù)裝置故障全景信息，更好完成相應(yīng)的實際工作。

1.3"母線保護(hù)裝置故障檢測模糊推理層級

在完成母線保護(hù)裝置故障知識庫構(gòu)建工作后，母線保護(hù)裝置故障檢測工作需要通過推理機(jī)使用合理的推理算法實現(xiàn)。模糊推理方法是一種基于模糊邏輯理論的推理方法，可以有效地解決復(fù)雜問題，且模糊推理算法較之其他推理算法，推理誤差較小[14，15]，在故障檢測方面具有較強(qiáng)的優(yōu)越性。因而本文在推理機(jī)中使用模糊假言推理算法，將母線保護(hù)裝置故障檢測的經(jīng)驗知識和專業(yè)知識整合歸納，形成相應(yīng)的模糊規(guī)則庫。選擇有代表性、關(guān)鍵性的參數(shù)作為輸入變量，例如母線保護(hù)裝置的電流、電壓、頻率等。確定與輸入變量相關(guān)的輸出變量，例如故障類型、故障位置等。通過模糊化方法將輸入變量轉(zhuǎn)換成模糊語義變量，再將模糊輸出變量轉(zhuǎn)換成實際的輸出變量，將煩瑣的計算工作自動化，有效地提高了母線保護(hù)裝置故障檢測的準(zhǔn)確性和可靠性，更為高效準(zhǔn)確地完成母線保護(hù)裝置故障檢測工作。

需要注意的是，在構(gòu)建完母線保護(hù)裝置故障知識庫后，為能夠充分滿足模糊假演推需求，所構(gòu)建的母線保護(hù)裝置故障知識的表達(dá)形式通常由兩部分構(gòu)成，前一部分是對母線保護(hù)裝置故障現(xiàn)象的描述，后一部分則為可信度以及權(quán)重。其中，母線保護(hù)裝置故障規(guī)則知識的描述方式較之其他故障知識，有所不同，其描述方式用公式可表示成：

IFXisATHENYisC"（3）

其中，X、Y分別表示的是母線保護(hù)裝置故障征兆向量與母線保護(hù)裝置故障原因向量；A、C分別表示的是論域U、V上的模糊子集，可以表示母線保護(hù)裝置故障推理分析要素。

在實際的工作中，當(dāng)觸發(fā)母線保護(hù)裝置故障知識庫中的某一個規(guī)則后，模糊推理機(jī)就會利用模糊假言推理算法實施相應(yīng)的推理操作，分析母線保護(hù)裝置的故障規(guī)則知識，初步確認(rèn)故障方向。在利用模糊假言算法進(jìn)行推理的過程中，會根據(jù)模糊知識表現(xiàn)形式，通過扎德法對模糊關(guān)系執(zhí)行合理構(gòu)建操作，描述母線保護(hù)裝置故障推理分析要素的形成過程，要素間的模糊關(guān)系可描述如下：

A=∫hA（h）/hC=∫hC（q）/q（4）

其中，h表示的是A中的一個故障元素；hA（h）表示的是h元素的模糊隸屬度；q表示的是C中的故障元素；uC（q）表示的是q元素的模糊隸屬度。

基于此，對故障要素間的模糊關(guān)系進(jìn)行深入分析，并將母線保護(hù)裝置故障因數(shù)代入到分析過程中，以此確定推理變量，如故障類型、故障位置等。根據(jù)式（4）可作出如下定義：

Rm=∫U×V（hA（h）∧hC（q）∨［1－h(huán)A（h）］）（h，q）

RA=∫U×V（1∧［1－h(huán)A（h）］+uC（q）（h，q）dh（5）

其中，Rm為母線保護(hù)裝置故障類型、RA為母線保護(hù)裝置故障位置；（h，q）表示的是h元素與q元素之間產(chǎn)生的二元模糊關(guān)系，可通過模糊關(guān)系推算出母線保護(hù)裝置故障因數(shù)。

根據(jù)上述討論以及公式，可在確認(rèn)推理變量后獲得兩個故障因素輸入變量（即模糊語義變量）的推理公式，具體描述如下：

C′=A′Rm=∫U×V∨Uh′A∧hA（h）∧hC（q）∨（1－h(huán)A（h））q"（6）

C′=A′

RA=∫U×V∨Uh′A∧1∨（1－h(huán)A（h）+hC（q））+hC（q）q"（7）

其中，A′、C′分別表示的是對A、C執(zhí)行語言限制添加操作后獲得的模糊集，代表母線保護(hù)裝置的電流、電壓、頻率等輸入變量間的模糊關(guān)系；h′A表示的是A′的模糊隸屬度。

式（6）描述的是當(dāng)推理變量為故障類型時的推理過程，式（7）描述的是當(dāng)推理變量為故障位置時的推理過程。在實際工作中，根據(jù)上述推理公式執(zhí)行有效的推理操作，將輸入變量轉(zhuǎn)換成模糊語義變量，再將模糊輸出變量轉(zhuǎn)換成實際的輸出變量，便可獲得相應(yīng)的母線保護(hù)裝置故障診斷結(jié)果。

1.4"母線保護(hù)裝置故障三維可視化層級

在經(jīng)過上一小節(jié)的模糊推理輸出有效的母線保護(hù)裝置故障診斷結(jié)果后，想要對所獲檢測結(jié)果實施可視化，只依靠母線保護(hù)裝置故障知識庫中的母線保護(hù)裝置三維模型索引知識是行不通的，必須借助一定的后端程序。在本文中母線保護(hù)裝置故障三維可視化后端程序的構(gòu)建工作是通過使用PHP語言并搭建Web服務(wù)器實現(xiàn)的，具體的母線保護(hù)裝置故障三維可視化過程如圖2所示。

2"實驗與分析

實驗以坐落于某市D區(qū)的某220"kV變電站中的母線保護(hù)裝置為實驗對象，應(yīng)用本文方法對其實施母線保護(hù)裝置故障三維分級檢測，驗證本文方法有效性。據(jù)悉，該變電站于2020年1月完工投入使用，建設(shè)有8臺240"MV的主變壓器，受電容量值高達(dá)19200"MV，是該市最大變電站，承載了該市大部分城區(qū)的供電量。若母線保護(hù)裝置發(fā)生故障，不能對母線實施有效保護(hù)，一旦發(fā)生變電事故，將對城區(qū)供電造成非常不利影響。母線保護(hù)裝置安裝時，各項指標(biāo)均符合出廠要求，相關(guān)參數(shù)情況如表1所示。

圖3與圖4分別是應(yīng)用本文方法對該母線保護(hù)裝置實施合理母線保護(hù)裝置故障三維分級檢測，獲得的母線保護(hù)裝置故障三維分級檢測結(jié)果以及通過圖3中“More”按鈕進(jìn)入的相應(yīng)母線保護(hù)裝置故障解釋界面。

從圖3與圖4可以看出，應(yīng)用本文方法可以實現(xiàn)母線保護(hù)裝置故障三維分級檢測，獲得相應(yīng)的母線保護(hù)裝置檢測結(jié)果與故障解釋，并可視化呈現(xiàn)故障檢測結(jié)果，同時給出修復(fù)指導(dǎo)建議，能夠有效滿足實際工作需要。

為進(jìn)一步驗證本文方法有效性，不考慮其他年份本文方法的應(yīng)用情況，僅設(shè)置2021年間應(yīng)用本文方法對該母線保護(hù)裝置實施有效故障檢測。由于母線保護(hù)裝置故障類型較多，本文僅針對5種常見的故障類型進(jìn)行檢測，獲得的故障檢測結(jié)果與真實狀況的對比表具體如表2。

分析表2可知，應(yīng)用本文方法對該母線保護(hù)裝置實施母線保護(hù)裝置故障三維分級檢測所獲得的結(jié)果，與真實情況完全一致，證明本文方法可準(zhǔn)確地完成母線保護(hù)裝置三維分級檢測工作，為電力系統(tǒng)的安全穩(wěn)定運(yùn)行提供可靠保障。

從圖5可以看出，應(yīng)用本文方法可以構(gòu)建母線保護(hù)裝置故障模糊知識庫，為母線保護(hù)裝置故障三維分級檢測工作提供可靠依據(jù)。

3"結(jié)"論

應(yīng)用本文方法可以實現(xiàn)母線保護(hù)裝置故障三維分級檢測，并且故障檢測效果較好，其在母線保護(hù)裝置故障檢測方面的優(yōu)勢主要表現(xiàn)為：

（1）應(yīng)用本文方法對母線保護(hù)裝置實施故障三維分級檢測所獲結(jié)果與母線保護(hù)裝置實際故障狀況完全一致，并可以三維可視化的方式呈現(xiàn)檢測結(jié)果，在故障檢測準(zhǔn)確性方面具有顯著優(yōu)勢，可為實際工作提供有效保障。

（2）應(yīng)用本文方法可以有效完成母線保護(hù)裝置故障模糊知識庫構(gòu)建工作，為母線保護(hù)裝置故障三維分級檢測工作提供技術(shù)支撐。

本文方法在母線保護(hù)裝置故障三維分級檢測工作中雖有上述優(yōu)勢，但是本文方法是基于母線保護(hù)裝置發(fā)生單一故障條件下研究的，在實際工作中，母線保護(hù)裝置極有可能同時發(fā)生多種故障。因此，本文將以此為切入點(diǎn)，在下一階段對母線保護(hù)裝置故障三維分級檢測方法進(jìn)行更深一步研究。

參考文獻(xiàn)

［１］"徐成斌，陸兆沿，劉宏君.快速隔離母聯(lián)死區(qū)故障的母線保護(hù)[J].電網(wǎng)與清潔能源，2020，36（10）：40-47.

[2]"王風(fēng)光，杜興偉，呂航，等.就地化母線保護(hù)在電力系統(tǒng)中的應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2019，47（7）：155-161.

[3]"戎子睿，金能，林湘寧，等.基于Hausdorff距離的自適應(yīng)母線保護(hù)新原理[J].電網(wǎng)技術(shù)，2021，45（1）：312-321.

[4]"齊鄭，刁春燕，李鴻毅，等.基于快速短接故障相母線熄弧裝置的故障區(qū)段定位方法[J].電力系統(tǒng)自動化，2020，44（23）：157-164.

[5]"吳迪，湯小兵，李鵬，等.基于深度神經(jīng)網(wǎng)絡(luò)的變電站繼電保護(hù)裝置狀態(tài)監(jiān)測技術(shù)[J].電力系統(tǒng)保護(hù)與控制，2020，48（5）：81-85.

[6]"戴志輝，劉媛，邱小強(qiáng)，等.基于變權(quán)重模糊綜合評判法的保護(hù)裝置狀態(tài)評價[J].電測與儀表，2021，58（4）：150-157.

[7]"李鐵成，劉清泉，任江波，等.基于動態(tài)優(yōu)化馬爾可夫鏈的線路繼電保護(hù)裝置狀態(tài)預(yù)測方法[J].電力系統(tǒng)保護(hù)與控制，2022，50（13）：97-106.

[8]"張武洋，王同，曹子恒，等.站用直流電源系統(tǒng)中新型主動式保護(hù)裝置的研究[J].電氣傳動，2021，51（20）：29-35.

[9]"彭華亮，沈暑龍，李軍，等.基于故障樹的故障診斷專家系統(tǒng)設(shè)計[J].控制工程，2019，26（3）：584-588.

[10]耿蘇杰，王秀利.基于模糊貝葉斯網(wǎng)絡(luò)的電力設(shè)備故障診斷和狀態(tài)評估[J].計算機(jī)集成制造系統(tǒng)，2021，27（1）：63-71.

[11]張磊，湯小偉，李紅兵，等.一種考慮成像特性的攝像機(jī)線性標(biāo)定方法[J].中南大學(xué)學(xué)報（自然科學(xué)版），2020，51（7）：1832-1841.

[12]任勇峰，王國忠，儲成群，等.基于CMOS傳感器的高性能圖像采集系統(tǒng)設(shè)計[J].儀表技術(shù)與傳感器，2019，432（1）：64-67.

[13]李榮樂，羅長洲，李龍華，等.基于FPGA的交換機(jī)芯片配置器設(shè)計[J].計算機(jī)仿真，2020，37（2）：41-46.

[14]史宏艷，羅敏霞.基于區(qū)間值相似度的模糊推理算法[J].電子學(xué)報，2022，50（11）：2738-2745.

[15]鄭宏亮，侯雪輝，宋笑迎，等.基于猶豫模糊可信度的知識推理[J].計算機(jī)科學(xué)，2019，46（1）：131-137.