[发明专利]一种基于人工智能技术的电网故障快速诊断方法

说明书

本发明公开了一种基于人工智能技术的电网故障快速诊断方法，包括以下步骤：构建多层Petri网络故障诊断模型；当电网发生故障，由SCADA系统采集故障信息；输入采集到的故障信息至多层Petri网络故障诊断模型，得到故障诊断结果，并对保护和断路器的动作行为进行评价。本发明从大量的电气信息中，提取可以用于基于数模混合驱动的电网异常状态辨识和故障诊断的模型所需要的信息。就需要对时序信息进行初步筛选，充分利用时标偏差与信息准确程度之间的关联性，进行数据信息挖掘。

技术领域

本发明涉及故障诊断技术领域，特别涉及一种基于人工智能技术的电网故障快速诊断方法。

背景技术

虽然现代电力系统的理论和技术一直在不断发展，但电力系统故障仍然无法避免。准确而迅速地判断故障元件和故障类型，辅助调度人员快速处理故障，可有效缩短事故处理时间，并防止事故扩大。国内外已经提出了多种电力系统故障诊断方法，主要包括基于专家系统、解析模型、Petri网模型等方法。现有的电力系统故障诊断模型在利用多渠道、多方位的测控信息方面，大多采用决策级别的信息融合，在信息冲突或不完整时有可能导致误判；对时序信息的利用一般局限于对信息的初步筛选，未能充分利用时标偏差与信息准确程度之间的关联性。

如何选择适合实际电力系统的故障诊断方法既可以处理冗杂繁多的电气信息，又可以兼顾故障诊断和异常状态检测的速度是当前的重点和难点。

发明内容

针对现有技术无法兼顾处理效率和准确性的问题，本发明提供了一种基于人工智能技术的电网故障快速诊断方法，通过构建多层Petri网络故障诊断模型，对海量信息进行智能分析，准确快速地判断出故障发生的原因和故障位置，为进一步的故障隔离和电网自愈恢复提供依据。

以下是本发明的技术方案。

一种基于人工智能技术的电网故障快速诊断方法，包括以下步骤：

构建多层Petri网络故障诊断模型；

当电网发生故障，由SCADA系统采集故障信息；

输入采集到的故障信息至多层Petri网络故障诊断模型，得到故障诊断结果，并对保护和断路器的动作行为进行评价。

本发明从大量的电气信息中，提取可以用于基于数模混合驱动的电网异常状态辨识和故障诊断的模型所需要的信息。就需要对时序信息进行初步筛选，充分利用时标偏差与信息准确程度之间的关联性，进行数据信息挖掘。

作为优选，所述构建多层Petri网络故障诊断模型，包括：在第1层中，利用电气量信息和SCADA信息，搜索停电元件，构建可疑元件集合；在第2层中，对每个可疑元件建立加权模糊时序Petri网故障诊断模型；在第3层中，根据警报信号和电气量的时序信息，进行多源信息融合，计算初始置信度矩阵，并对Petri网模型进行求解，获得故障元件概率；在第4层中，根据故障诊断结果，对保护和断路器的动作行为进行评价。

对于Petri网来说，其结构本身是静态的，它的动态特性是以节点中token数的变化以及变迁来体现的。Petri网中的token数由输入函数来确定，如果变迁满足条件，则被激活，那么token就根据加权弧的条件由输入位置转移至输出位置，这个过程就是Petri网的状态变化。如果网络中变迁均不能够激活，说明Petri网已经进入了稳定的状态。在Petri网中，初始状态用token表示，网络动态特性用token数目的变化和变迁来描述。变迁激活(点火)，又称变迁使能，其基本条件是：当某个变迁相连结点位置中token数量大于或等于相连有向弧的权值，在变迁使能的情况下，如果又满足特定的评价函数，则变迁就被激活，又称变迁点火。如果不存在与此相关的评价函数，那么只要变迁满足基本条件便能够实现点火在点火过程中，Petri网的token从输入位置节点移动到变迁对应的输出节点。当网络中再没有可以激活的变迁时，网络即进入最终稳定状态。

通过对所有变迁节点激活过程的跟踪，便能得到所求问题的解答。在电力系统的运行过程中，如果元件发生了故障，那么可以按照如下步骤消除故障：