薛涵磊, 劉曉琴

(遼寧石油化工大學(xué) 信息與控制工程學(xué)院，遼寧 撫順 113001)

基于模型預(yù)測(cè)方法的電網(wǎng)故障預(yù)測(cè)

薛涵磊, 劉曉琴

(遼寧石油化工大學(xué) 信息與控制工程學(xué)院，遼寧 撫順 113001)

電網(wǎng)診斷通常都是故障發(fā)生后，根據(jù)故障后產(chǎn)生的信息來(lái)推斷故障。為了能在故障發(fā)生前進(jìn)行預(yù)防，提出模型預(yù)測(cè)(Model Prediction，MP)和溯因推理網(wǎng)絡(luò)(Abductive Reasoning Network，ARN)方法預(yù)測(cè)電網(wǎng)故障。模型預(yù)測(cè)利用電力系統(tǒng)中歷史數(shù)據(jù)來(lái)預(yù)測(cè)電網(wǎng)無(wú)故障運(yùn)行時(shí)的數(shù)據(jù)，與電網(wǎng)實(shí)際運(yùn)行時(shí)的數(shù)據(jù)作對(duì)比，計(jì)算差值，差值作為診斷系統(tǒng)的輸入；溯因推理網(wǎng)絡(luò)能夠處理預(yù)測(cè)數(shù)據(jù)和相應(yīng)的候選故障之間的復(fù)雜關(guān)系，被用來(lái)構(gòu)建故障診斷系統(tǒng)。模型預(yù)測(cè)和溯因推理網(wǎng)絡(luò)方法相結(jié)合，能在保護(hù)裝置和斷路器動(dòng)作前進(jìn)行故障定位，具有故障預(yù)警功能。仿真結(jié)果表明，溯因推理方法構(gòu)成的預(yù)測(cè)系統(tǒng)比神經(jīng)網(wǎng)絡(luò)方法構(gòu)成的預(yù)測(cè)系統(tǒng)診斷結(jié)果更快、更準(zhǔn)確。

模型預(yù)測(cè)； 溯因推理網(wǎng)絡(luò)； 故障預(yù)測(cè)； 候選故障； 故障定位

電網(wǎng)故障診斷有專家系統(tǒng)、貝葉斯、Petri網(wǎng)、人工神經(jīng)網(wǎng)絡(luò)的方法以及由于信息的不確定性和不完備而采取的基于模糊集、信息理論等方法。通常根據(jù)故障發(fā)生后保護(hù)和斷路的狀態(tài)、報(bào)警信息等來(lái)推斷故障，識(shí)別故障區(qū)域及類型。文獻(xiàn)[1-4]建立了僅利用斷路器跳閘的分段時(shí)序信息的診斷模型和某些保護(hù)狀態(tài)不可觀測(cè)情況下的診斷模型，這對(duì)于一些自動(dòng)化程度較低的電網(wǎng)是可行的。文獻(xiàn)[5]以解析模型為基礎(chǔ)，考慮保護(hù)動(dòng)作和斷路器跳閘的可靠性，用概率評(píng)價(jià)的方法，構(gòu)建了既能反映電網(wǎng)結(jié)構(gòu)和功能又能反映保護(hù)和斷路器動(dòng)作規(guī)則的概率矩陣，但求高維矩陣的解困難。文獻(xiàn)[6]構(gòu)造的自適應(yīng)特征警報(bào)狀態(tài)矢量的方法，可在警報(bào)信息發(fā)生畸變且存在多次保護(hù)和斷路器不正確動(dòng)作的情況下對(duì)多重故障進(jìn)行準(zhǔn)確的診斷。文獻(xiàn)[7]為解決斷路器報(bào)警信息丟失問(wèn)題，提出skyline 多目標(biāo)優(yōu)化查詢方法，對(duì)可能包含故障元件的無(wú)源區(qū)域按可疑元件查準(zhǔn)率由高到低的順序進(jìn)行排列。文獻(xiàn)[8]針對(duì)單個(gè)線路、母線、變壓器設(shè)備分別建立面向元件的神經(jīng)網(wǎng)絡(luò)模型，以此作為初級(jí)診斷，再結(jié)合電網(wǎng)拓?fù)潢P(guān)系，應(yīng)用模糊積分信息融合技術(shù)進(jìn)行綜合診斷。上述這些方法根據(jù)故障后產(chǎn)生的信息來(lái)推斷故障，屬于后驗(yàn)故障診斷方法。

在故障發(fā)生前，如果能夠根據(jù)電網(wǎng)中支路的物理特性、電氣參數(shù)等信息建立能反映電壓變化、電流變化等綜合指標(biāo)的動(dòng)態(tài)交互平臺(tái)，即可以預(yù)測(cè)可能發(fā)生的故障。廣域測(cè)量(Wide Area Measurement，WAM)這項(xiàng)新技術(shù)的出現(xiàn)，為故障預(yù)測(cè)提供了可能性。廣域測(cè)量系統(tǒng)關(guān)鍵在于為電力系統(tǒng)提供一個(gè)動(dòng)態(tài)交互平臺(tái)，進(jìn)而加強(qiáng)智能電網(wǎng)的安全實(shí)時(shí)性。作為廣域測(cè)量系統(tǒng)(Wide Area Neasurement System，WAMS)的關(guān)鍵組成部分相量測(cè)量單元(Phasor Measurement Units，PMU)是最近開(kāi)發(fā)的電力系統(tǒng)測(cè)量裝置，能提供高精度的電壓、電流量測(cè)值，引入PMU為實(shí)時(shí)監(jiān)控電力系統(tǒng)動(dòng)態(tài)行為帶來(lái)了新的思路[9]。PMU的出現(xiàn)有利于大規(guī)模電力系統(tǒng)的在線狀態(tài)估計(jì)，這在以前是不可能實(shí)現(xiàn)的，因?yàn)閭鹘y(tǒng)的采集與監(jiān)視控制系統(tǒng)(Supervisory Control And Data Acquisition,SCADA)所提供的數(shù)據(jù)具有非同步性，PMU提供了一種能夠同步相量測(cè)量技術(shù)，通過(guò)線性模型來(lái)進(jìn)行狀態(tài)估計(jì)，較SCADA具有更高的預(yù)報(bào)率和更快的估計(jì)速度。不同的估計(jì)方法及案例研究已被用來(lái)研究電力系統(tǒng)動(dòng)態(tài)狀態(tài)估計(jì)[10-12]。隨著PMU安裝數(shù)量在世界范圍內(nèi)不斷增加，在大型互聯(lián)電網(wǎng)中實(shí)時(shí)估計(jì)正變得越來(lái)越現(xiàn)實(shí)。

由于故障診斷需要電網(wǎng)中各支路處的電氣量，考慮成本,不可能在電網(wǎng)的各處都安裝PMU裝置，本文提出模型預(yù)測(cè)方法對(duì)電網(wǎng)中的電氣量進(jìn)行估計(jì)，與實(shí)際電氣量相比較，得出差值，用溯因推理方法建立故障預(yù)測(cè)系統(tǒng)，對(duì)差值進(jìn)行分析分類，進(jìn)行故障定位，從而預(yù)測(cè)故障。

1 電網(wǎng)故障預(yù)測(cè)系統(tǒng)

故障預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)如圖1所示。

圖1 故障預(yù)測(cè)系統(tǒng)的結(jié)構(gòu)

用小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)電網(wǎng)中支路電壓、線路電流的值，當(dāng)電網(wǎng)發(fā)生故障時(shí)，預(yù)測(cè)值與實(shí)際測(cè)量值的差值作為溯因推理網(wǎng)絡(luò)的輸入，網(wǎng)絡(luò)輸出對(duì)應(yīng)候選故障。

1.1 模型預(yù)測(cè)

文獻(xiàn)[13]全面綜述了模型預(yù)測(cè)控制在電力生產(chǎn)過(guò)程和電力系統(tǒng)自動(dòng)發(fā)電控制中的應(yīng)用現(xiàn)狀，例如預(yù)測(cè)負(fù)荷[14-16]和預(yù)測(cè)電壓[17-18]。神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的方法已經(jīng)廣泛應(yīng)用于數(shù)據(jù)預(yù)測(cè)中，且預(yù)測(cè)精度高。誤差反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)是多層非線性映射網(wǎng)絡(luò)，是一個(gè)具有高度非線性的超大規(guī)模連續(xù)時(shí)間的自適應(yīng)處理系統(tǒng)，BPNN具有很強(qiáng)的學(xué)習(xí)能力和自適應(yīng)能力。電壓、電流預(yù)測(cè)模型正是要反映出電壓、電流與各影響因素之間的非線性映射關(guān)系，神經(jīng)網(wǎng)絡(luò)適宜求解電網(wǎng)預(yù)測(cè)問(wèn)題。把神經(jīng)網(wǎng)絡(luò)方法引入到電網(wǎng)的模型預(yù)測(cè),并利用已知的數(shù)據(jù)對(duì)電網(wǎng)正常運(yùn)行時(shí)的數(shù)據(jù)進(jìn)行預(yù)測(cè)在理論上是可行的。

由小波神經(jīng)網(wǎng)絡(luò)的模型可以得到：

(1)

(2)

(3)

電網(wǎng)中測(cè)量的電壓、電流數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入，I=2，網(wǎng)絡(luò)輸出值是電網(wǎng)正常運(yùn)行時(shí)的電壓電流值，J=2，與電網(wǎng)實(shí)際運(yùn)行時(shí)的測(cè)量值相對(duì)應(yīng)。根據(jù)經(jīng)驗(yàn)公式，H=6。通過(guò)計(jì)算E對(duì)wjh、whi、ah、bh、θh、θj的偏導(dǎo)數(shù)。采用梯度下降、帶動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率的BP算法訓(xùn)練小波網(wǎng)絡(luò)，網(wǎng)絡(luò)的各參數(shù)按照下面的公式進(jìn)行調(diào)整。

(4)

(5)

(6)

(7)

(8)

(9)

式中，Δθh=ηδh；Δθj=ηδj；ηm(m=1,2,…,6)表示學(xué)習(xí)率；αn(n=1,2,…,6)表示動(dòng)量因子。

1.2 基于溯因推理網(wǎng)絡(luò)(ARN)的故障診斷系統(tǒng)的建立

溯因推理網(wǎng)絡(luò)用來(lái)模擬高度非線性故障診斷問(wèn)題，它是一個(gè)帶有前饋函數(shù)節(jié)點(diǎn)的分層網(wǎng)絡(luò)，由簡(jiǎn)單低階多項(xiàng)式構(gòu)成的多層節(jié)點(diǎn)函數(shù)。參數(shù)、數(shù)量、類型和函數(shù)節(jié)點(diǎn)的連接權(quán)值源于訓(xùn)練數(shù)據(jù)[22]。ARN由七個(gè)類型節(jié)點(diǎn)構(gòu)成，三階多項(xiàng)式分別含有一次、二次、三次多項(xiàng)式，即表示分別含有1個(gè)、2個(gè)或3個(gè)輸入[20]。溯因推理網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，三重節(jié)點(diǎn)的代數(shù)形式如式(10)所示。

圖2 溯因推理網(wǎng)絡(luò)結(jié)構(gòu)

(10)

式中，wi表示訓(xùn)練參數(shù)；xi表示輸入變量，二次、三次多項(xiàng)式有交叉，允許節(jié)點(diǎn)輸入變量之間的相互作用。

其他參數(shù)描述如下：

(1)正規(guī)化指把原始輸入變量轉(zhuǎn)換成零均值方差，使用標(biāo)準(zhǔn)差正態(tài)化。

output=w0+w1x1

(11)

(2)輸出：所有輸出層的線性權(quán)值之和。

output=w1x1+w2x2+…+wixi

(12)

(3)單位化指把網(wǎng)絡(luò)的輸出序列轉(zhuǎn)換成與之對(duì)應(yīng)的輸出值的均值和方差，用來(lái)訓(xùn)練網(wǎng)絡(luò)。

output=w0+w1x1

(13)

(4)線元素：通過(guò)最小預(yù)測(cè)方差(PSE)模型標(biāo)準(zhǔn)，ARN會(huì)自動(dòng)確定最佳網(wǎng)絡(luò)結(jié)構(gòu)、節(jié)點(diǎn)類型、參數(shù)和連接權(quán)值[20]。

(14)

式中，PSE表示模型的預(yù)測(cè)誤差平方；FSE表示擬合方差；OP表示過(guò)度擬合處罰；C表示由使用者指定的復(fù)雜處罰乘數(shù)；K表示模型的參數(shù)總和或模型復(fù)雜性的隱含值；N表示訓(xùn)練數(shù)據(jù)的數(shù)量；σ2表示一個(gè)先驗(yàn)估計(jì)模型的誤差方差。

ARN確定最佳網(wǎng)絡(luò)結(jié)構(gòu)以減少PSE，避免手工干預(yù)網(wǎng)絡(luò)結(jié)構(gòu)和基于實(shí)驗(yàn)法的人工神經(jīng)網(wǎng)絡(luò)的參數(shù)調(diào)整，三或四層多項(xiàng)式網(wǎng)絡(luò)通常滿足復(fù)雜系統(tǒng)的建模。

2 預(yù)測(cè)流程

電網(wǎng)的監(jiān)控設(shè)備(電流、電壓互感器)的布置一般都是固定不變的，運(yùn)用模型預(yù)測(cè)和溯因推理結(jié)合的方法，提出電網(wǎng)故障預(yù)測(cè)的應(yīng)用方案：

(1)建立電網(wǎng)系統(tǒng)的設(shè)計(jì)原理模型。通過(guò)描述元件內(nèi)部的約束方程、元件與元件之間的連接關(guān)系，建立整個(gè)電網(wǎng)系統(tǒng)的結(jié)構(gòu)、功能和行為模型。在定義變量的時(shí)候，為每個(gè)元部件的每條連接支路都定義一個(gè)支路電流變量，為電網(wǎng)拓?fù)浣Y(jié)構(gòu)中的每個(gè)連接節(jié)點(diǎn)定義一個(gè)節(jié)點(diǎn)電壓變量，列寫(xiě)與該節(jié)點(diǎn)所關(guān)聯(lián)的支路的KCL方程。

(2)利用設(shè)計(jì)原理模型及觀測(cè)信息的分布，離線得到電網(wǎng)系統(tǒng)的電流、電壓測(cè)量值。

(3)建立預(yù)測(cè)模型，利用電壓、電流歷史數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，預(yù)測(cè)下一步電網(wǎng)正常時(shí)的電壓、電流值。

(4)選擇輸入變量。預(yù)測(cè)模型的輸出和實(shí)際測(cè)量值的差值作為溯因推理網(wǎng)絡(luò)的輸入變量。

(5)建立預(yù)測(cè)模型，借鑒文獻(xiàn)[21-24]方法訓(xùn)練溯因推理網(wǎng)絡(luò)。

(6)診斷模型輸出預(yù)測(cè)故障。

3 仿真測(cè)試

3.1 電力系統(tǒng)模型

電力系統(tǒng)模型如圖3所示[21]，系統(tǒng)含有28個(gè)元件(S1—S28)、40個(gè)斷路器(C1—C40)和84個(gè)保護(hù)。84個(gè)保護(hù)中包括36個(gè)主保護(hù)(Rm1—Rm36)、48個(gè)后備保護(hù)(R37—R84)，其中24個(gè)第一后備保護(hù)，24個(gè)第二后備保護(hù)。

(1)28個(gè)元件(S1—S28)：A1，…，A4；B1，…，B8；T1，…，T8；L1，…，L8。A和B表示母線，T表示變壓器，L表示線路。

(2)40個(gè)斷路器(C1—C40)：CB1，CB2，…，CB40。

(3)36個(gè)主保護(hù)(Rm1—Rm36)：A1m，…，A4m；B1m，…，B8m；T1m，…，T8m；L1Sm，L1Rm，…，L8Sm，L8Rm。m表示主保護(hù)，S表示線路發(fā)送端，R表示線路接收端。

(4)48個(gè)后備保護(hù)(R37—R84):L1Sp，L1Rp，…，L8Sp，L8Rp；T1p，…，T8p；L1Ss，L1Rs，…，L8Ss，L8Rs；T1s，…，T8s。p表示第一后備保護(hù)用，s表示第二后備保護(hù)。

任何部分的主保護(hù)被設(shè)置為直接跳開(kāi)連接部分的斷路器，主后備保護(hù)被設(shè)置成直接跳開(kāi)相同的斷路器。遠(yuǎn)程后備保護(hù)被設(shè)計(jì)為保護(hù)發(fā)生在周邊的故障，且故障部分的主保護(hù)和主后備保護(hù)拒絕斷開(kāi)相應(yīng)的斷路器。此外，假設(shè)在繼電器保護(hù)區(qū)沒(méi)有故障，繼電器不動(dòng)作，在斷路器保護(hù)區(qū)沒(méi)有故障，斷路器不動(dòng)作。

圖3 電力系統(tǒng)模型

3.2 仿真結(jié)果分析

算例1：A3故障發(fā)生，一個(gè)斷路器狀態(tài)缺失。T5s、T6s動(dòng)作，斷路器CB22、CB23、CB24、CB25跳閘形成故障區(qū)域，根據(jù)跳閘斷路器形成的故障區(qū)域，需要進(jìn)行故障診斷的元件為A3、B5、B6。算例1中，電力系統(tǒng)模型中A3對(duì)應(yīng)的節(jié)點(diǎn)系統(tǒng)如圖4所示。

圖4 電力系統(tǒng)模型中A3對(duì)應(yīng)的節(jié)點(diǎn)系統(tǒng)

A3正常運(yùn)行時(shí)，在節(jié)點(diǎn)1和節(jié)點(diǎn)2之間的兩條線路上安裝測(cè)試用的電壓和電流互感器，在節(jié)點(diǎn)2右側(cè)的線路上也安裝電壓和電流互感器，測(cè)得數(shù)據(jù)作為模型預(yù)測(cè)使用?？紤]訓(xùn)練樣本是預(yù)測(cè)出來(lái)的正常電壓、電流值與故障發(fā)生時(shí)測(cè)量的電壓、電流值的差值，為了提高測(cè)試診斷的性能，ARN采用三層結(jié)構(gòu)。懲罰因子C根據(jù)經(jīng)驗(yàn)取1.0，BP神經(jīng)網(wǎng)絡(luò)輸入層、中間層、輸出層的結(jié)構(gòu)為4-5-4，學(xué)習(xí)率和動(dòng)量因子分別取0.1和0.9。輸入為測(cè)量的電壓和電流，輸出為系統(tǒng)正常運(yùn)行時(shí)的電壓和電流。通過(guò)仿真可知，ARN和BPNN能正確預(yù)測(cè)故障，ARN故障診斷結(jié)果如表1所示。

表1 ARN 故障診斷結(jié)果

續(xù)表1

算例2：A1、B1、B2、L3故障同時(shí)發(fā)生，一個(gè)斷路器狀態(tài)錯(cuò)誤。T1S、L1RS、L2RS、L3Rp、L4Rs動(dòng)作，斷路器CB1、CB2、CB3、CB4、CB5、CB9、CB11、CB12、CB27、CB28跳閘，根據(jù)跳閘斷路器形成的無(wú)源網(wǎng)絡(luò)故障區(qū)域需要進(jìn)行故障診斷的9個(gè)元件分別為A1、B1、B2、L1、L2、L3、L4、T1、T2。14個(gè)斷路器分別為CB1、CB2、CB3、CB4、CB5、CB6、CB7、CB8、CB9、CB10、CB11、CB12、CB27、CB28。33個(gè)保護(hù)分別為：A1m、B1m、B2m、T1m、T2m、L1Rm、L1Sm、L2Rm、L2Sm、L3Rm、L3Sm、L4Rm、L4Sm、L1Sp、L1Rp、L2Sp、L2Rp、L3Sp、L3Rp、L4Sp、L4Rp、T1p、T2p、L1Ss、L1Rs、L2Ss、L2Rs、L3Ss、L3Rs、L4Ss、L4Rs、T1s、T2s。在算例2中，ARN和BPNN采用與算例1中相同的結(jié)構(gòu)，ARN能正確評(píng)估候選故障，BPNN只能識(shí)別兩個(gè)候選故障，因此，ARN比基于相同三層結(jié)構(gòu)的BPNN具有優(yōu)越的診斷準(zhǔn)確性和更簡(jiǎn)單的模型。

對(duì)于某些故障類型，BPNN方法診斷準(zhǔn)確率低于ARN，BPNN預(yù)測(cè)的候選故障區(qū)域不能全部包含實(shí)際故障區(qū)域，得出不正確的故障結(jié)果。ARN預(yù)測(cè)則是包含了所有的實(shí)際故障區(qū)域，表1中的結(jié)果可作為故障分類。

4 結(jié) 論

本文提出了一種故障診斷方法預(yù)測(cè)電力系統(tǒng)故障，以系統(tǒng)電壓、電流數(shù)據(jù)為基礎(chǔ)，通過(guò)模型預(yù)測(cè)和溯因推理網(wǎng)絡(luò)方法估計(jì)故障部分。與神經(jīng)網(wǎng)絡(luò)分類方法的結(jié)果比較，由于使用的建模標(biāo)準(zhǔn)和采用的ARN具有自組織性質(zhì)，候選故障部分的初步識(shí)別大大簡(jiǎn)化。本文提出的電網(wǎng)故障診斷預(yù)測(cè)方法是一種嘗試，還有待于進(jìn)一步的研究。

[1] 文福拴，邱家駒，韓禎祥.只利用斷路器信息診斷電力系統(tǒng)故障的高級(jí)遺傳算法[J].電工技術(shù)學(xué)報(bào)，1996，11(2)：58-64.

[2] 文福拴，錢源平，韓禎祥，等.利用保護(hù)和斷路器信息的電力系統(tǒng)故障診斷與不可觀測(cè)的保護(hù)的狀態(tài)識(shí)別的模型與Tabu搜索方法[J].電工技術(shù)學(xué)報(bào)，1998，13(5)：1-8.

[3] 文福拴，韓禎祥.計(jì)及警報(bào)信息時(shí)間特性的故障診斷模型[J].電力系統(tǒng)自動(dòng)化，1999，23(17)：6-9.

[4] 文福拴，張勇，張巖，等.電力系統(tǒng)故障診斷與不可觀測(cè)保護(hù)狀態(tài)識(shí)別的解析模型[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)學(xué)報(bào))，2012，40(11)：19-28 .

[5] 易妍，范輝，顧雪平，等.考慮不確定性的基于解析模型與信息理論的電網(wǎng)故障診斷方法[J].華北電力，2013，41(1)：110-114.

[6] 梅念，石東源，李銀紅，等.計(jì)及信息畸變影響的電網(wǎng)故障診斷分級(jí)優(yōu)化方法[J].電工技術(shù)學(xué)報(bào)，2009，24(9)：178-185.

[7] 王磊，陳青，李天友，等.停電區(qū)域邊界斷路器信息缺失時(shí)的電網(wǎng)故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(22)：127-134.

[8] 郭創(chuàng)新，游家訓(xùn)，彭明偉，等. 基于面向元件神經(jīng)網(wǎng)絡(luò)與模糊積分融合技術(shù)的電網(wǎng)故障智能診斷[J]. 電工技術(shù)學(xué)報(bào)，2010，25(9)：183-190.

[9] 吳亞聯(lián)，李戈，龍輝. 考慮相位失配量的電力系統(tǒng)動(dòng)態(tài)狀態(tài)估計(jì)方法[J].湘潭大學(xué)自然科學(xué)學(xué)報(bào)，2015，37(1)：87-91.

[10]TebianianH，JeyasuryaB.Dynamicstateestimationinpowersystems：Modeling，andchallenges[J].ElectricPowerSystemResearch，2015，121(1)：109-114.

[11] 施微，黃磊，徐箭，等. 基于有限同步量測(cè)數(shù)據(jù)的電力系統(tǒng)故障檢測(cè)、辨識(shí)與定位[J].電網(wǎng)技術(shù)，2015，39(4)：1067-1074.

[12] 趙洪山，田甜.基于自適應(yīng)無(wú)跡卡爾曼濾波的電力系統(tǒng)動(dòng)態(tài)狀態(tài)估計(jì)[J].電網(wǎng)技術(shù)，2014，38(1)：188-192.

[13] 劉向杰，孔小兵.電力工業(yè)復(fù)雜系統(tǒng)模型預(yù)測(cè)控制—現(xiàn)狀與發(fā)展[J]. 中國(guó)電機(jī)工程學(xué)報(bào)，2013，33(5)：79-85.

[14] 楊罡，劉明光，屈志堅(jiān).基于MPC算法的電力系統(tǒng)負(fù)荷頻率控制[J]. 北京交通大學(xué)學(xué)報(bào)，2012，36(2)：105-110.

[15] 劉嘉璐，劉光，李海東.一種新型遺傳算法與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型在電力系統(tǒng)短期負(fù)荷預(yù)測(cè)中的應(yīng)用研究[J].電氣傳動(dòng)自動(dòng)化，2005，27(6)：28-30.

[16]CordierMO，DagueP，DumasSM，eta1．AcomparativeanalysisofAIandcontroltheoryapproachestomodel-baseddiagnosis[C] //ECAI2000,Berlin：Proceedingsofthe14thEuropeanConferenceonArtificialIntelligence，2000：136-140.

[17] 郭挺，謝敏，劉明波. 模型預(yù)測(cè)暫態(tài)電壓穩(wěn)定緊急控制的簡(jiǎn)化空間算法[J].中國(guó)電機(jī)工程學(xué)報(bào)，2012，32(16)：53-61.

[18] 劉水平，劉明波，謝敏. 基于軌跡靈敏度的協(xié)同分布式模型預(yù)測(cè)電壓控制[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，41(4)：14-20.

[19] 劉曉琴.基于小波神經(jīng)網(wǎng)絡(luò)的化學(xué)反應(yīng)器故障模式識(shí)別[J].遼寧石油化工大學(xué)學(xué)報(bào)，2010，30(3)：79-81.

[20] 劉田田，劉曉琴，孫海軍，等.基于提升小波和溯因推理網(wǎng)絡(luò)實(shí)時(shí)故障診斷[J].山東工業(yè)技術(shù)，2014(17)：103-104.

[21]MontgomeryGJ，DrakeKC.Aductivereasoningnetworks[J].Neurocomput，1991， 2(3)：97-104.

[22]HuangYC．Abductivereasoningnetworkbaseddiagnosissystemforfaultsectionestimationinpowersystems[J]．IEEETransactionsonPowerDelivery，2002，17(2)：369-374.

[23]Farlow，StanleyJ.Self-organizingmethodsinmodeling[M].NewYork：MarcelDekker，1984.

[24]WenF，HanZ.Faultsectionestimationinpowersystemsusingageneticalgorithm[J]．ElectricPowerSystemsResearch，1995，34(3)：165-172.

(編輯 陳 雷)

Power Grid Fault Forecast Based on Model Prediction Method

Xue Hanlei， Liu Xiaoqin

(SchoolofInformationandControlEngineering，LiaoningShihuaUniversity，F(xiàn)ushunLiaoning113001，China)

Power grid is diagnosed after a failure to prevent the fault occurred by inferring the information that the fault generated.The method of model prediction (MP) and abductive reasoning network(ARN) is proposed to forecast the power system fault. MP predicted the trouble-free operation data of the power grid by using historical data, and compared with the actual grid runtime data, the difference was calculated and used as the input of fault diagnosis system. ARN was used to bulid the fault diagnosis system and solve the complicated relationships between data processing and the corresponding candidate fault section. The fault location can be found before protection device and circuit breaker by combining the method of MP and ARN. The test results showed that the model prediction method can quickly and accurately diagnose the fault compared with BP neural network method.

Model prediction； Abductive reasoning networks； Fault prediction； Candidate fault； Fault location

1672-6952(2017)02-0060-06

2016-08-04

2016-10-09

國(guó)家自然科學(xué)基金青年項(xiàng)目(51305192)；2015年國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目(201510148065)。

薛涵磊(1994-)，男，本科生，電氣工程及自動(dòng)化專業(yè),從事電網(wǎng)故障診斷研究；E-mail：1030443857@qq.com。

劉曉琴(1975-)，女，碩士，副教授，從事故障診斷研究；E-mail：qinbuluoge@163.com。

TM71

A

10.3969/j.issn.1672-6952.2017.02.013

投稿網(wǎng)址：http://journal.lnpu.edu.cn