数据驱动的不确定信息下智能电网故障诊断
孙秋野,张化光,李钟旭,周建国
(东北大学 信息科学与工程学院,辽宁 沈阳,110819)
摘要:根据智能电网的实际特点,加入故障的随机因素影响,特别是考虑了故障的否定信息判定因素,提出一类直觉不确定粗糙集及其约简算法,实现了对于智能电网故障诊断原始规则的约简方法设计。智能电网中的各个重要条件属性被合理地转化为直觉不确定粗糙集形式。系统在西藏日喀则电网的应用表明了该方法的有效性。
关键词:智能电网;故障诊断;粗糙集;直觉不确定集
中图分类号:TM769 文献标志码:A 文章编号:1672-7207(2011)S1-0905-07
Fault diagnosis for intelligrid with
uncertainty information based on data
SUN Qiu-ye, ZHANG Hua-guang, LI Zhong-xu, ZHOU Jian-guo
(School of Information Science and Engineering, Northeastern University, Shenyang 110819, China)
Abstract: To deal with the uncertainty and deferent structures of the intelligrid, rough sets and intuitionistic fuzzy sets were introduced. Based on them, intuitionistic uncertainty-rough sets were proposed and the reduction algorithm was improved. The rule reliability was deduced using intuitionistic fuzzy sets and probability. The application for Xigaze power system in China’s Tibet shows the effectiveness and usefulness of the approach.
Key words: intelligrid; fault diagnosis; rough sets; intuitionistic uncertainty sets
智能电网概念由美国和欧洲电力研究机构独立提出,分别称为IntelliGrid[1]和Smart Grid[2]。近年来,由于智能电网在安全经济运行、节能环保等方面具有明显的优势,我国也开始对其进行研究,统称其为智能电网。目前智能电网还没有统一定义,国内外研究机构对其应具有的以下几方面特性取得了共识[1-4]:①自愈,即对电网的运行状态进行连续的在线自我评估,在没有或少量人工干预下,能够快速诊断故障隐患,避免大面积停电;②交互,即各个电力市场主体参与电网安全管理,提升电力系统的安全运行水平;③优化,即实现资产规划、建设、运行维护等全寿命周期环节的优化,减少电网损耗;④兼容,即能够同时适应集中发电与分散发电模式;⑤集成,即加强信息整合,形成全面的辅助决策支持体系。综合以上特性可以发现安全和共享被视为智能电网的核心优势和重要技术攻关点,而能否进行准确、实时的故障诊断更是关系到电网的安全运行,成为影响智能电网实际应用的关键技术之一[5]。
当前智能电网的组网模式与微网类似[6],不同于传统的配电网组网模式,其通过分布式电源(Distributed generation, DG)的接入,使得系统中存在多个电源点,网络中潮流不再为单一流向,这直接导致了故障电流有多个来源,故障点不一定为电压最低点,传统的继电保护和故障诊断方法不再适用。IEEE 2次为其制定导向性标准[7-8]。影响智能电网故障诊断 准确性和实时性的主要因素有:(1)当前故障诊断主要依赖于断路器和继电保护信息,而在微网中这些设备有时会发生拒动或误动;(2)传统的离散化方法对于电压、电流等连续属性取值边界过于苛刻,无法适应由于分布式电源加入造成的故障信息多样性;(3)部分故障情况专家库中不存在,也无历史反演记录,导致调度人员无法及时处理;(4)没有考虑到故障发生的随 机性。
考虑到粗糙集对于海量数据的约简能力以及其在配电网故障诊断中的良好表现[9],本文作者将其引入智能电网故障诊断,并针对上面提出的问题,借鉴模糊粗糙集[10]和直觉模糊集[11]的思想,补充随机故障因素的影响,根据智能电网的实际情况,构建直觉不确定集,进行分布式故障诊断。在我国西藏的日喀则电网的试应用中取得了良好的效果。
1 分布式电源对故障诊断影响的机理分析
将一个分布式电源接入保护段线路中,如图1所示,保护装置安装在电源后。当分布式电源后的配网线路发生短路故障时,分布式电源将向故障点送出短路电流,减少了线路继电保护装置检测到的故障电流值Ik, 从而降低了保护的灵敏度,保护有可能拒动。
图1 线路故障时分布式发电对保护的影响
Fig.1 Impact of distributed generation on protection
图1中,Zs为保护安装处到系统等效电源之间的等效阻抗;Zl为线路阻抗;ZDG为分布式电源和变压器阻抗;l为短路点距线路末端位置;x为短路点距分布式电源的位置。为了保护本全长线路,带时限电流速断保护在系统最小运行方式下线路末端发生两相短路时,应具有足够的灵敏性,一般用灵敏系数来校验。
假设ZDG=α1Zs,Zl=α2Zs,速断保护整定值Iop1按线路末端k点两相短路整定。可靠系数取Kk,过流保护整定值Iop2按最大负荷电流整定,根据两相短路和三相短路的关系,按0.5倍速断整定值整定。Ksen是线路的灵敏性系数。不含DG,线路上发生两相短路故障时,速断保护装置检测到的故障电流为IK1;含DG时,线路末端发生两相短路故障时,速断保护装置检测到的故障电流值为IK2。则有
(1)
假定故障发生在线路末端l=0处,线路其它参数α1=2,α2=3,Zs=0.6,Ksen=1.3,当x从保护装置处到线路末端时,流过保护的故障电流结果如图2所示。显然,当分布式电源接入配电线路后,使得速断保护的灵敏度降低。当DG安置在线路的某些位置时,速断保护无法正常启动,形成速断保护死区,使线路故障不能及时切除。
图2 DG位置对保护装置检测到的故障电流的影响
Fig.2 Effect of sitting of DG on fault current detected
由此可见,对于加入了分布式电源的智能电网,依赖传统的故障诊断方法将造成大量的误报和漏报,这引发了人们的研究兴趣。Gao等[12]提出了一种基于电压控制的故障操作策略;Menon等[13]采用了电压和频率混合的方法进行故障后的孤岛检测;Jayaweera等[14]采用历史记录进行基于因果关系的推理,获得一类孤岛检测和处理方案;Quinonez-Varela等[2]基于不同DG模型研究了其在故障情况下对于配电网电压和频率稳定性的影响。但是,这些却都没有解决在信息不完备或其中存在大量模糊、随机等不确定情况下的处理方法,也没有涉及到对于故障否定信息的处理问题,而这些都是决定故障诊断能否得到实际应用的关键[14]。2008年,多名IEEE会员联合总结了DG对配电网运行特别是故障诊断的影响,认为故障诊断是困扰当前DG并网运行的关键难题之一[15]。
2 直觉不确定粗糙集
由知觉模糊集定义[10],我们可以获得一类直觉不确定粗糙集分类问题。论域U={xi|i=1, …, n}是n个对象的有限非空集合,{P1, P2, …, Pp}是一组不确定条件属性。每个属性通常表示为若干直觉不确定语言项的集合A(Pi)={Fik|k=1, …, Ci},用于表示系统的重要特征。任意xiU能够被分类A(Q)={Fl|l=1, …, CQ}进行区分[11, 16-17]。任意FlA(Q)既可以是精确集,也可以是不确定集,Q为决策属性。U/P={Fik|i=1, …, p; k=1, …, Ci}是由U上的不确定相似关系R生成的U的一个直觉不确定划分。
定义1:对于任意直觉不确定粗糙集合,其上下近似的隶属度和非隶属度定义如下:
(2)
(3)
(4)
(5)
其中:0≤β<α≤1为概率意义下的上下限阈值; 分别为该直觉不确定粗糙集的下、上近似隶属函数和非隶属函数的紧计算域,如式(6)和(7)所示:
(6)
(7)
由于的计算只需考虑紧计算域内的元素,而不是针对所有的xU,故称此时其为基于紧计算域的直觉不确定粗糙集,紧计算域是论域U的子集,它省去了不必要的计算,提高了计算效率。
Fik在Q的直觉不确定粗糙集正域下隶属度和非隶属定义为:
(8)
(9)
xU对不确定正域的隶属度和非隶属为:
(10)
(11)
决策属性Q对条件属性集P的依赖度γs(Q)和非依赖度定义为:
(12)
(13)
3 智能电网故障诊断系统构建
对于智能电网的故障诊断条件属性数据,我们对离散数据和连续数据进行讨论。离散数据主要是由断路器和继电保护设备构成的;连续数据主要是由电流、电压、频率和功率因数构成。
断路器故障率λQi可由式(14)计算:
(14)
其中:λQ为其自身故障率;λL为线路影响率;L为线路长度;λ为母线影响率。λQ仅与其自身有关,可视为一个随机扰动,λL和λ与该设备母线、DG、负载以及故障点的电气距离有关,可由专家根据经验给出。由于继电保护装置的可靠性一般低于开关设备,取主保护λMR,近后备保护λSR,远后备保护λFR中的参数λR都分别比断路器的参数大0.3,0.2和0.1。则离散属性的直觉不确定隶属度和非隶属度分别描述如下:
(15)
(16)
连续数据中,电流量误差主要是由电流互感器测量误差以及系统通讯干扰造成的。后者在通常情况下属于随机事件,干扰发生的时刻以及造成的影响都难以预估,我们可以用一个随机扰动表示;而前者主要是由电流测量设备即电流互感器的误差造成的,定义如下:
(17)
其中:Φ是电流互感器磁通,Id是短路电流值,K=I1N/I2N是电流互感器的变比,I1和I2为电流互感器的原侧和副侧电流实测值,λi1和λi2分别为磁通及短路电流的系数,ε是电流互感器的误差等级,其定义如下:
(18)
其中:I1为原侧电流;i1和i2为原侧和副侧短路电流值;T为短路电流周期。
在故障情况,智能电网短路关系描述如下:
(19)
其中:;为A相电压;为A相额定电流;为A相短路电流;为A相正常运行电流;l为故障点与测量点距离;R为故障点对地电阻;为线路阻抗矩阵。方程(19)中包含了2个未知变量,分别是故障点与测量点距离(l)和故障点对地电阻()。不确定量的故障情况下电压和电流方程如式(20)所示:
(20)
其中:,,和是已知的,而l和R为随机变量。 由于≥,可以被等同为式(21)中的σi,而可以被看作是一个确定量和一个模糊变量的组合。则在故障情况下,智能电网的故障点连续量(以电流为例)的隶属度和非隶属度如式(21)和(22)所示:
(21)
(22)
其中:和是由专家给出的电流量测误差和故障主对地电流估值;和是系统地传输随机突变以及故障对地充电电流随机值。
通过以上分析,可以将系统中的故障诊断条件属性定义为一个如下形式的直觉不确定变量:
(23)
其中:μi是由专家给出的诊断变量的直觉模糊隶属函数,σi是一个随机误差,ωi是一个由量测传输装置决定的概率分布函数。
在构建了上述智能电网诊断模型的基础上,我们需要讨论其约简算法。根据依赖度与非依赖度的定义可知:时,由Q导出的直觉不确定分类U/Q的正域可能覆盖知识库K={U, P}的γP(Q)×100%的元素,不可能覆盖知识库K={U, P}的×100%的元素;同时,也可以理解为×100%的对象可能通过知识P划入到直觉不确定分类U/Q的模块中去,×100%的对象不可能通过知识P划入到直觉不确定分类U/Q的模块中去,因此,系数和 可以看作P和Q间的依赖关系和非依赖关系。对于条件属性集P来说,决策属性Q对于P中属性的依赖性越大,说明该属性的重要性就越强,即该属性的独立性就强,反过来,对于Q的作用也就越大,那么,它是该被保留的属性;反之,决策属性Q对于P中属性的非依赖性越大,说明该属性的非重要性就越强,即该属性的独立性就弱,反过来,对于Q的作用也就越小,那么它就是该被去掉的属性。其约简流程如图3所示。
4 西藏拉孜电网故障诊断试运行 分析
西藏全区尚未形成统一电网。西藏中部的拉萨、日喀则、山南、那曲形成藏中四地市电网,林芝、昌都为孤立电网。阿里地区尚无电网。
本文所研究的即为西藏日喀则电网中的拉孜市配电网,其结构如图4所示,电压等级为10 kV。
拉孜市配电网各主节点最大负荷如表1所示,这将成为专家判断故障电气量的重要参考。
考虑图4的配电系统,共有30个电气活动支路,部分支路双向安装断路器和电流速断保护,对应二值属性为84个;除与线路末端负荷节点相连的支路外还有28个支路,即对应距离保护为28个,主电源点1处,另有母线主保护1个,3个DG处分别装有低频减载、电压减载保护各1个,则故障诊断系统共有二值条件属性118个。由于均为主要支路,其电流电压均可测,共计68个,主电源点及DG点频率和功率因数也可知,则共计76个连续属性。由于考虑单重故障、双重故障、单重故障但是有装置异动3种情况,因此,共有2个故障位置和1个装置是否异动3个结论属性。根据系统特点在专家库中收入单重故障无装置异动记录68条,双重故障记录200条和单重故障但是有装置异动记录50条,3种故障情况下共计318条记录,加上无故障情况32条,共计350条记录,构成系统的原始规则库。各条记录的隶属度和非隶属度由运行调度人员根据历史经验给出。对于生成的规则库,另外选取30条单重故障无开关、保护异动情况记录(Ⅰ类故障);40条双重故障无开关、保护异动情况记录(Ⅱ类故障)和30条单重故障有开关、保护异动情况记录(Ⅲ类故障)等共100条记录作为知识库的检验数据。实验结果如表2所示。
图3 直觉不确定集约简流程图
Fig.3 Impact of distributed generation on protection
图4 拉孜市电网结构图
Fig.4 Structure distribution system of Lazi city
由表2可以发现:本系统对于Ⅰ类故障的识别率达到100%,也就是说,系统可以正常实现其他方法得到的专家系统所能实现的功能。对于Ⅱ类故障,系统至少可以正确识别其中1个故障,在测试的40条记录中,只有3条记录无法正确识别出另一个故障,而对于未经约简的规则系统来说,只有6条记录是可以将2个故障都被正确识别出来。对于Ⅲ类故障,约简后的规则也由于冗余属性的减少大大加强了规则的抗干扰能力,未能辨识的2条记录也是缺失的信息为关键的核属性所造成的,而未经约简的原始规则仅有13条记录能够被正确辨识。
表1 各节点最大负荷情况及对应DG出力统计表
Table 1 Max load parameters of line node
表2 系统实验数据比较
Table 2 Comparison of different system experiment data
5 结论
(1) 根据智能电网对于故障诊断的特殊,需求提出了一类基于直觉不确定粗糙集的约简方法,有效地解决了影响智能电网故障诊断准确性的几个主要问题,在对于不确定信息的处理方面更是优于当前电力系统故障诊断所采用的方法。
(2) 将算法应用于西藏日喀则电网中的拉孜市配电网,验证结果表明了算法能够有效地对实际的复杂智能电网进行故障诊断,扩展了智能电网的适用范 围。
参考文献:
[1] Saint C. Power delivery system and electricity markets of the future[R]. EPRI, Palo Alto: CA, 2003.
[2] Quinonez-Varela G, Cruden A. Development of a small-scale generator set model for local network voltage and frequency stability analysis[J]. IEEE Transaction on Energy Conversion, 2007, 22(2): 368-375.
[3] Roen H. Understanding the smart grid[R]. Vermont: Swiftwood Press LLC, 2007.
[4] 余贻鑫,栾文鹏. 智能电网[J]. 电网与清洁能源, 2009, 25(1): 11-15.
YU Yi-xin, LUAN Wen-peng. Smart grid[J]. Power System and Clean Energy, 2009, 25(1): 11-15.
[5] Walling R A, Saint R, Dugan R C, et al. Summary of distributed resources impact on power delivery systems[J]. IEEE Transactions on Power Delivery, 2008, 23(3): 1636-1644.
[6] Richard E. Brown. Impact of Smart Grid on distribution system design[C]//IEEE Power and Energy Society General Meeting. Pittsburgh: PA, 2008: 1-4.
[7] IEEE Std.929—2000, IEEE recommended practice for utility interface of photovoltaic (PV) system[S].
[8] IEEE Std.1547, IEEE standard for interconnecting distributed resources with electric power systems[S].
[9] 孙秋野, 张化光, 戴璟. 基于改进粗糙集约简算法的配电系统在线故障诊断方法[J]. 中国电机工程学报, 2007, 27(7): 58-64.
SUN Qiu-ye, ZHANG Hua-guang, DAI Jing. On-line fault diagnose of distribution system based on modified rough sets reduction algorithm[J]. Proceedings of the CSEE, 2007, 27(7): 58-64.
[10] Jensen R, Shen Q. Fuzzy-rough attribute reduction with application to web categorization[J]. Fuzzy Sets and System, 2004, 141(3): 469-485.
[11] Deschrijver G, Cornelis C, Kerre E E. On the representation of intuitionistic fuzzy t-norms and t-conorms[J]. IEEE Transactions on Fuzzy Systems, 2004, 12(1): 45-61.
[12] Gao Fang, Iravani M R. A control strategy for a distributed generation unit in grid-connected and autonomous modes of operation[J]. IEEE Transactions on Power Delivery, 2008, 23(2): 850-859.
[13] Menon V, Nehrir M H. A hybrid islanding detection technique using voltage unbalance and frequency set point [J]. IEEE Transactions on Power Systems, 2007, 22(1): 442-448.
[14] Jayaweera D, Galloway S, Burt G, et al. A sampling approach for intentional islanding of distributed generation[J]. IEEE Transactions on Power Systems, 2007, 22(2): 514-521.
[15] Walling R A, Saint R, Dugan R C, et al. Summary of distributed resources impact on power delivery systems[J]. IEEE Transactions on Power Delivery, 2008, 23(3): 1636-1644.
[16] Zeshui X. Intuitionistic fuzzy aggregation operators[J]. IEEE Transactions on Fuzzy Systems, 2007, 15(6): 1179-1187.
[17] 樊雷, 雷英杰. 基于直觉模糊粗糙集的属性约简研究 [J]. 计算机工程与科学, 2008, 30(7): 79-81.
FAN Lei, LEI Ying-jie. An attribute reduction algorithm for intuitionistic fuzzy rough sets[J]. Computer Engineering and Science, 2008, 30(7): 79-81.
(编辑 李向群)
收稿日期:2011-04-15;修回日期:2011-06-15
基金项目:国家自然科学基金资助项目(60904101, 60972164);中央高校基本科研业务费专项资金资助项目(N090404009);中国博士后科学基金资助项目(20090461187)
通信作者:孙秋野(1977-),男,辽宁沈阳人,博士,讲师,从事配电网故障诊断研究;电话:;E-mail: sunqiuye@mail.neu.edu.cn