基于分層多源信息融合的電網(wǎng)故障診斷方法

基于分層多源信息融合的電網(wǎng)故障診斷方法

0錄波器、pmu電氣量信息與開關(guān)量診斷相結(jié)合故障后，scada系統(tǒng)的保護(hù)和道路電阻的開關(guān)量狀態(tài)是傳統(tǒng)電網(wǎng)故障診斷信息的主要來源。近年來，對基于開關(guān)量信息的故障診斷方法進(jìn)行了研究，如網(wǎng)絡(luò)傳輸、神經(jīng)網(wǎng)絡(luò)、專業(yè)系統(tǒng)、貝葉斯網(wǎng)絡(luò)、遺傳計(jì)算方法及其優(yōu)化。盡管診斷精度有所提高，但仍然無法有效消除保護(hù)、斷裂反應(yīng)、拒絕移動(dòng)和信息傳輸損失等不確定因素對故障診斷的負(fù)面影響。這往往導(dǎo)致故障診斷源的范圍擴(kuò)大和誤判，因此僅僅依靠開關(guān)量來判斷故障是不可能的。電力系統(tǒng)調(diào)度自動(dòng)化水平的提高及通信技術(shù)的發(fā)展,使得數(shù)字式保護(hù)及故障錄波器等智能電子裝置的應(yīng)用越來越普遍,保護(hù)故障信息管理系統(tǒng)(RPMS)除可獲取故障的保護(hù)動(dòng)作信息外,還可收集分布于各個(gè)廠站的故障錄波器錄波信息。廣域測量系統(tǒng)(WAMS)作為新一代電網(wǎng)動(dòng)態(tài)監(jiān)測系統(tǒng),利用同步向量測量單元(PMU)實(shí)現(xiàn)對電壓、電流、功率等量的實(shí)時(shí)數(shù)據(jù)采集、傳輸,并帶有精確時(shí)標(biāo),可在電網(wǎng)故障觸發(fā)時(shí)實(shí)現(xiàn)高頻采樣錄波。電網(wǎng)故障時(shí)電氣量的變化先于保護(hù)、斷路器等的動(dòng)作,且電氣量數(shù)據(jù)可靠,完備性、容錯(cuò)性較好,因此,合理利用錄波器、PMU電氣量信息,以及與開關(guān)量診斷結(jié)合,成為電網(wǎng)故障診斷研究的熱點(diǎn)。對比RPMS與WAMS的電氣量信息,PMU采集的電氣量數(shù)據(jù)采用統(tǒng)一GPS時(shí)標(biāo)且上傳實(shí)時(shí)性較優(yōu),對故障時(shí)刻定位更準(zhǔn)確;但由于成本及其它技術(shù)原因,實(shí)際中PMU不及故障錄波器布點(diǎn)密度高,基于WAMS的高級應(yīng)用仍不夠成熟,WAMS將與SCADA/EMS系統(tǒng)并存。因此,綜合利用故障錄波器與PMU采集的電氣量信息并與開關(guān)量診斷相結(jié)合,實(shí)現(xiàn)優(yōu)勢互補(bǔ),可大大提高電網(wǎng)故障診斷的準(zhǔn)確性與可信度,具有實(shí)際意義。同時(shí)應(yīng)考慮到,電網(wǎng)故障診斷實(shí)時(shí)性要求較高,而過多電氣量錄波文件的召喚傳輸時(shí)延會(huì)嚴(yán)重降低診斷方法的實(shí)用性,之前結(jié)合電氣量信息的故障診斷研究并未對這一問題提出有效解決方案。綜上分析,本文提出了一種分層多源信息融合的電網(wǎng)故障診斷方法,包含開關(guān)量診斷及多源信息融合診斷2個(gè)層次。開關(guān)量診斷層基于SCADA系統(tǒng)開關(guān)量狀態(tài)及時(shí)序信息,采用蘊(yùn)含時(shí)序貝葉斯網(wǎng)絡(luò)診斷并形成故障元件候選集(即可能故障的元件集合),可快速完成對電網(wǎng)單一元件故障的診斷;若故障元件候選集包含多個(gè)元件,則進(jìn)入多源信息融合診斷層,獲取與候選集元件相關(guān)的故障錄波器、PMU量測點(diǎn)的電氣量錄波信息,分別經(jīng)小波變換及能量譜分析、改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)提取故障特征,與時(shí)序貝葉斯網(wǎng)絡(luò)的元件故障概率相結(jié)合,求取候選集元件的4個(gè)故障度,并作為證據(jù)體經(jīng)改進(jìn)D-S證據(jù)理論融合及模糊C均值聚類方法獲得診斷結(jié)果。算例分析證明了本文方法的合理性和有效性。1開關(guān)量診斷時(shí)造成的錯(cuò)誤及時(shí)準(zhǔn)確診斷出故障元件,對電網(wǎng)恢復(fù)安全穩(wěn)定運(yùn)行意義重大。結(jié)合開關(guān)量與電氣量信息的電網(wǎng)故障診斷有必要采取分層模式,主要基于以下考慮。1)電網(wǎng)單一故障發(fā)生較多,基于開關(guān)量信息的診斷方法可以較準(zhǔn)確做出判斷,此時(shí)結(jié)合電氣量診斷意義不大,因?yàn)殡姎饬夸洸ㄎ募恼賳緜鬏敃r(shí)延反而降低了故障診斷的效率。2)對保護(hù)、開關(guān)拒動(dòng)、誤動(dòng)造成的多元件停電及偶發(fā)多重故障的有效診斷,是研究的重點(diǎn)。單純基于開關(guān)量的診斷往往不能準(zhǔn)確甄別故障元件與非故障停電元件,此時(shí)有必要結(jié)合電氣量信息進(jìn)行綜合辨識。因此,本文方法采用分層診斷模式,如圖1所示。考慮到故障診斷的實(shí)時(shí)性要求,本文方法首先基于開關(guān)量診斷層獲得了故障元件候選集,為多源信息融合診斷提高了針對性,僅對候選集中的元件召喚相關(guān)的錄波器錄波數(shù)據(jù)文件,這大大降低了數(shù)據(jù)傳輸時(shí)延,在提高綜合電氣量故障特征診斷準(zhǔn)確度的同時(shí)也增強(qiáng)了本文方法的實(shí)用性。2故障診斷結(jié)果在開關(guān)量診斷層,本文結(jié)合文獻(xiàn),采用蘊(yùn)含時(shí)序的貝葉斯網(wǎng)絡(luò)作為故障特征提取及診斷的方法,并在貝葉斯推理中應(yīng)用文獻(xiàn)的簡化規(guī)則(限于篇幅不再詳述)。時(shí)序貝葉斯網(wǎng)絡(luò)利用時(shí)序一致性判別,可在一定程度上減輕保護(hù)誤動(dòng)對診斷結(jié)果的影響,相對于Petri網(wǎng)、優(yōu)化算法等方法,具有一定的優(yōu)勢。貝葉斯網(wǎng)絡(luò)模型的元件故障先驗(yàn)概率值采用文獻(xiàn)中基于統(tǒng)計(jì)分析的線路故障概率及主保護(hù)拒動(dòng)、誤動(dòng)概率,由于線路第一、第二后備保護(hù)統(tǒng)計(jì)數(shù)據(jù)不完整,本文假設(shè)其在線路正常、故障情況下的正確動(dòng)作率分別為主保護(hù)正確率的98%、95%。線路Lf-t的時(shí)序貝葉斯網(wǎng)絡(luò)故障診斷結(jié)果Pf-t(f、t表示線路的兩端節(jié)點(diǎn))表示了該線路的故障概率。設(shè)定閾值θ,故障概率超過閾值的元件組成故障元件候選集,對候選集中的元件個(gè)數(shù)s做如下判定:1)若s=1,則電網(wǎng)發(fā)生單一故障,故障元件候選集中的元件則作為診斷結(jié)果輸出;2)若s>1,即故障元件候選集中元件數(shù)為2個(gè)或多個(gè)的情況,需結(jié)合電氣量信息進(jìn)一步辨識。將候選集中的元件故障概率Pi做如下處理eBi=Ρis∑i=1Ρi。(1)由此得到EB={eB1,eB2,…,eBs},定義為時(shí)序貝葉斯相對故障度(relativefaultdegreebasedonbayesiannetworkswithtemporalorder,RFDBT),作為證據(jù)體參與多源信息融合層次的診斷,元素eBi表示候選集線路間故障的相對支持程度。3多元件組合多源信息融合診斷層綜合開關(guān)量、電氣量故障特征信息,對故障元件候選集中的多個(gè)元件是否故障做進(jìn)一步辨識。本文對錄波器及PMU采集的電氣量信息采用小波變換及能量譜分析提取故障特征,并根據(jù)電氣量的各自特性定義了3個(gè)故障度,作為證據(jù)體參與多源信息融合診斷。3.1高頻分量系數(shù)和最大分解尺度小波能量分析基于多分辨率的快速小波變換是利用正交小波基將信號分解為不同尺度下的各個(gè)分量,每分解1次,信號采樣頻率降低1倍,每次分解都針對低頻分量進(jìn)行。離散信號x(n)采用多分辨分析小波變換及系數(shù)重構(gòu),可表示為各分解尺度下高頻分量系數(shù)與最大分解尺度下低頻分量系數(shù)之和x(n)=D1(n)+A1(n)=D1(n)+(D2(n)+A2(n))=z∑j=1Dj(n)+Az(n)。(2)式中,z為小波分解最大尺度;Dj(n)為每次分解下的高頻分量;Az(n)則為尺度z下的低頻分量。重構(gòu)后系數(shù)序列的平方和代表了相應(yīng)頻段的能量分布,設(shè)E1,E2,…,Ez,Ez+1為信號在z個(gè)尺度上的小波能量分布,其中{Ej=∑k|Dj(k)|2;Ez+1=∑k|Az(k)|2;j=1,2,?,z;k=1,2,?,n。(3)將各頻段能量求和,得到信號x(n)的小波總能量為E(x)=z∑j=1Ej+Ez+1。(4)3.2源裝置的電氣功率誤差特征提取采用故障候選集中元件的各相電壓、電流錄波器波形數(shù)據(jù),以多分辨小波變換及能量譜分析提取故障特征。3.2.1能量畸變度i,edd對線路兩端電壓,計(jì)算出故障發(fā)生前后1個(gè)波形周期(20ms)的小波總能量。設(shè)求得線路兩端電壓故障前小波總能量為EVbi_f和EVbi_t,故障后小波總能量為EVai_f和EVai_t(f、t表示線路的兩端節(jié)點(diǎn)),定義能量畸變度(energydistortiondegree,EDD)λi為λi=EVbi_f+EVbi_tEVai_f+EVai_t。(5)式中,i為線路編號;能量畸變度λi為線路Li各相電壓求得的最大值。從式(5)中得出故障線路的EDD會(huì)明顯增大。將各線路電壓能量畸變度λi,采用式(6)計(jì)算得到Eλ={eλ1,eλ2,…,eλs},將其定義為能量畸變相對故障度(relativefaultdegreeofenergydistortion,RFDED),作為證據(jù)融合的證據(jù)體,其元素eλi表示出了對候選集中各線路故障的相對支持程度eλi=λis∑i=1λi。(6)3.2.2故障電流的測定故障元件候選集中的非故障線路電流,在電網(wǎng)發(fā)生故障前后其能量畸變度可能會(huì)很大,甚至?xí)^故障線路的最大電流值,因此對線路電流僅按3.1節(jié)方法求取故障后線路各相小波總能量的最大值(取故障后20ms波形分析),記為EΙi。將候選集中各線路小波總能量最大值EΙi按式(6)類似處理得到EI={eΙ1,eΙ2,…,eΙi,…,eΙs},定義為能量相對故障度(relativeenergyfaultdegree,REFD),作為證據(jù)融合的證據(jù)體。3.3pmu電壓記錄波故障特征的提取3.3.1基于rbf神經(jīng)網(wǎng)絡(luò)的故障診斷分類算法設(shè)計(jì)實(shí)現(xiàn)系統(tǒng)可觀性的PMU配置,其采集的電氣量信息可以反映電網(wǎng)的故障情況。本文采用PMU電壓錄波作為分析依據(jù),建立改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型,并經(jīng)預(yù)想故障樣本集訓(xùn)練,進(jìn)行故障線路診斷識別。RBF神經(jīng)網(wǎng)絡(luò)為3層前向網(wǎng)絡(luò),具有較強(qiáng)的非線性映射能力、函數(shù)逼近能力、分類能力和容錯(cuò)性,在故障診斷分類中已有研究應(yīng)用。但基于RBF神經(jīng)網(wǎng)絡(luò)的故障分類或診斷,結(jié)果中非故障類或元件往往出現(xiàn)負(fù)值情況,且不能很好表達(dá)出對線路故障的支持程度。本文基于Java神經(jīng)網(wǎng)絡(luò)包Joone設(shè)計(jì)了針對上述缺點(diǎn)的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò),輸入層仍采用線性輸入LinearLayer,隱含層采用RbfGaussianLayer,輸出層采用SoftmaxLayer,網(wǎng)絡(luò)層及層間權(quán)值訓(xùn)練函數(shù)采用彈性反饋算法RPROP。RbfGaussianLayer傳遞函數(shù)為高斯型函數(shù),見式(7)yj=exp(-∥x-cj∥2σ2j(x))。(7)式中,函數(shù)中心位置cj及方差σ2j(x)設(shè)置為通過對輸入計(jì)算均值及方差形式選定。改進(jìn)網(wǎng)絡(luò)隱層數(shù)目需要進(jìn)行擇優(yōu)設(shè)定。輸出層SoftmaxLayer采用如式(8)所示的傳遞函數(shù)yi=exp(xi)c∑i=1exp(xi)。(8)式中,c為輸出分類數(shù);yi為神經(jīng)元輸出。3.3.2電網(wǎng)故障線路輸出量針對電網(wǎng)線路故障建立預(yù)想故障訓(xùn)練樣本集,將故障前后短時(shí)間內(nèi)(本文取20ms)各PMU采集的電壓量經(jīng)過小波能量分析,求取能量畸變度λ。為減小輸入量波動(dòng)范圍,將其倒數(shù)作為網(wǎng)絡(luò)的輸入,輸入維數(shù)等于電網(wǎng)中配置的PMU個(gè)數(shù);樣本集的輸出量維數(shù)d等于電網(wǎng)支路數(shù);輸出量中對應(yīng)故障線路的元素為1/NFL(NFL為預(yù)設(shè)故障線路數(shù));其它元素值為0。將完成訓(xùn)練的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型用于電網(wǎng)故障診斷,設(shè)輸出為Ynet={ynet1,ynet2,…ynetd}(滿足d∑i=1yneti=1),僅取與故障候選集元件對應(yīng)的輸出值,按式(6)處理,得到Y(jié)Net={yΝet1,yΝet2,…,yΝets},將YNet定義為改進(jìn)RBF網(wǎng)絡(luò)相對故障度(relativefaultdegreebasedonimprovedRBFnetwork,RFDIR),作為證據(jù)體進(jìn)行信息融合,其元素yΝeti反映了線路間故障相對支持程度。3.4信息整合是基于d-s證據(jù)理論的3.4.1mn合成規(guī)則D-S證據(jù)理論是進(jìn)行不確定性推理的重要手段。對于識別框架Θ,證據(jù)m1,m2,…,mn合成規(guī)則如式(9)所示m(A)={0,A=?;(1-Κ)-1∑∩Ai=A∏i≤j≤nmj(Ai),A≠?。(9)式中,基本概率賦值(BPA)滿足∑imj(Ai)=1?Κ=∑∩Ai=?∏i≤j≤nmj(Ai),反映了證據(jù)間的沖突程度。3.4.2新證據(jù)體的概率分配D-S證據(jù)理論應(yīng)用中有很多不足之處,即存在Zadeh悖論、一票否決、魯棒性和公平性等問題,學(xué)者們主要從數(shù)據(jù)源與合成規(guī)則兩方面進(jìn)行了改進(jìn)。本文采用基于可信度的證據(jù)體修改及基于局部沖突分配的合成規(guī)則,進(jìn)行證據(jù)融合。1)基于可信度的證據(jù)體修改。證據(jù)可信度μi(μi≤1)反映了證據(jù)間的相對可靠程度,取證據(jù)組中可靠性最高的證據(jù)可信度為1。將μi作為修正系數(shù)修改原始證據(jù)體M′,剩余概率分配給未知情況m(Θ),即識別框架Θ的全命題集合,得到修正后證據(jù)體M的BPA值,如式(10)所示。M=[m(A1)m(A2)…m(An)m(Θ)]。(10)式中,元素m(Ai)={μim′(Ai)|i=1,2,…,n};m(Θ)=1-n∑i=1m(Ai);元素m′(Ai)∈M′。2)基于局部沖突分配的合成規(guī)則,將局部沖突在引起沖突的2個(gè)焦元間進(jìn)行了分配,如式(11)所示。{mjk(A)=∑B∩C=Amj(B)mk(C)+f(A)；f(A)=∑A∩D=?(m2j(A)mk(D)mj(A)+mk(D)+m2k(A)mj(D)mj(D)+mk(A))。(11)式中,B、C、D?{A1,A2,…,Θ};BPA值mj(·)?Mj,mk(·)?Mk;mjk(A)為融合后新證據(jù)體Mjk中的BPA值。每2個(gè)證據(jù)合成后,對所得的新證據(jù)體進(jìn)行歸一化處理,如對Mjk歸一化后得到的元素m′jk(A)為m′jk(A)=mjk(A)∑mjk(?)。(12)本文將能量畸變相對故障度Eλ、能量相對故障度EI、改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)相對故障度YNet及時(shí)序貝葉斯相對故障度EB作為證據(jù)體,采用改進(jìn)D-S證據(jù)理論進(jìn)行融合,其可信度的選取可通過統(tǒng)計(jì)分析或?qū)＜医?jīng)驗(yàn)確定,本文將以上證據(jù)體可信度分別取為1、0.95、0.9及0.8。3.5fcm算法中相關(guān)元件的確定證據(jù)融合結(jié)果隨故障元件候選集中故障線路數(shù)目的變化而變動(dòng),因此并不適合直接用于決策分析。本文采用模糊C-均值聚類方法(FCM)對融合結(jié)果進(jìn)行聚類分析。FCM算法是在傳統(tǒng)C-均值聚類算法中結(jié)合了模糊技術(shù),可以得到數(shù)據(jù)點(diǎn)不同程度地屬于某幾類的不確定情況。將數(shù)據(jù)組X={x1,x2,…,xN}采用FCM分為c類,迭代尋優(yōu)逼近下列準(zhǔn)則函數(shù)最小值Jmin(U,V)=Ν∑j=1c∑i=1ulijd2ij。(13)式中,隸屬度矩陣U=(uij)c×N;元素uij表示數(shù)據(jù)點(diǎn)xj隸屬于類wi的程度,且滿足uij∈;c∑i=1uij=1,可通過與設(shè)定閾值的比較決定數(shù)據(jù)點(diǎn)的隸屬類;V={v1,v2,…,vc},vi為分類wi的中心;指數(shù)l∈[1,∞);d2ij=(xj-vi)TA(xj-vi)為數(shù)據(jù)點(diǎn)xj到類wi中心的距離,本文采用當(dāng)A=I的歐氏距離。本文將線路分為故障和非故障類2類,故障元件候選集之外的其它元件作為非故障類參與FCM分析。設(shè)定FCM類隸屬度閾值為δ,將中心值較大的類作為故障線路集,故障線路集中隸屬度>閾值δ的線路為故障線路,作為故障診斷結(jié)果輸出。4基于時(shí)序貝葉斯網(wǎng)絡(luò)故障診斷綜前所述,本文分層多源信息融合電網(wǎng)故障診斷方法的具體步驟如下。故障診斷預(yù)備工作:結(jié)合電網(wǎng)的PMU配置,建立預(yù)想故障樣本集,對改進(jìn)RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)練好的網(wǎng)絡(luò)可隨時(shí)參與電網(wǎng)故障診斷。Step1:獲取斷路器、保護(hù)動(dòng)作信息及時(shí)序信息;Step2:開關(guān)量診斷層,基于時(shí)序貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷;Step3:將各停電元件故障概率與閾值θ比較,獲得故障元件候選集,根據(jù)集合中元件數(shù)做判定:若元件數(shù)不超過1,轉(zhuǎn)Step8;若元件數(shù)為2個(gè)或多個(gè),轉(zhuǎn)Step4;Step4:召喚與故障元件候選集中元件相關(guān)的錄波器電壓、電流錄波文件,收集PMU量測點(diǎn)的電壓錄波數(shù)據(jù);Step5:基于小波變換及能量譜分析提取電氣量故障特征信息,求取能量畸變相對故障度、能量相對故障度、改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)相對故障度;基于開關(guān)量診斷層求得的故障候選集中各元件的故障概率,求取時(shí)序貝葉斯相對故障度;Step6:將4個(gè)故障度作為證據(jù)體,采用改進(jìn)D-S證據(jù)理論進(jìn)行信息融合;Step7:結(jié)合故障元件候選集之外的非故障元件,對融合結(jié)果進(jìn)行FCM分析;Step8:獲得電網(wǎng)故障診斷結(jié)果并輸出。整個(gè)故障診斷方法的層次劃分、數(shù)據(jù)來源、數(shù)據(jù)需求及診斷流程如圖2所示。5開關(guān)量診斷層采用IEEE39節(jié)點(diǎn)系統(tǒng)(如圖3所示),以PSCAD進(jìn)行了仿真測試,采用MATLAB與Java混合編程編寫了故障診斷程序,驗(yàn)證了分層多源信息融合故障診斷方法的有效性。算例分析基于以下4點(diǎn)假設(shè)條件。1)PMU的可觀性配置方案:根據(jù)文獻(xiàn)選取全局可觀性PMU配置,本例假設(shè)考慮靠近廠站配置PMU以監(jiān)測功角變化,采取配置方案(見圖3)為:節(jié)點(diǎn)3,8,10,16,20,23,25,29配置PMU。2)簡化起見,IEEE39節(jié)點(diǎn)系統(tǒng)中線路長度均取為100km,計(jì)算先驗(yàn)故障概率。3)算例設(shè)定故障元件候選集的閾值θ=0.2,FCM的類隸屬度閾值δ=0.5。4)本文仿真電氣量的多分辨率小波變換采用MATLAB“db4”小波進(jìn)行。對IEEE39節(jié)點(diǎn)系統(tǒng)中34條支路建立預(yù)設(shè)故障集,建立改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型,輸入為8維,輸出為34維,網(wǎng)絡(luò)學(xué)習(xí)速率設(shè)為1.0,訓(xùn)練均方誤差設(shè)為0.01,步數(shù)為300,當(dāng)隱層神經(jīng)元數(shù)目取為50時(shí),改進(jìn)網(wǎng)絡(luò)可以對故障樣本較好識別。算例1:假設(shè)線路L4-14(L4-14為節(jié)點(diǎn)4到節(jié)點(diǎn)14間線路,下同)發(fā)生兩相接地短路故障,母線4側(cè)主保護(hù)動(dòng)作跳開斷路器CB6,母線14側(cè)保護(hù)動(dòng)作但斷路器CB5卡澀拒動(dòng),導(dǎo)致相鄰線路L13-14、L14-15第二后備保護(hù)動(dòng)作,跳開斷路器CB1、CB4?；谥鞅Ｗo(hù)、后備保護(hù)動(dòng)作及時(shí)序信息、斷路器狀態(tài)信息,首先由開關(guān)量診斷層,建立停電線路的時(shí)序貝葉斯網(wǎng)絡(luò)模型,進(jìn)行故障判別。由L4-14的時(shí)序貝葉斯網(wǎng)絡(luò)模型的時(shí)序一致性識別,可推斷出CB5拒動(dòng);按本文第2章,應(yīng)用簡化規(guī)則的時(shí)序貝葉斯網(wǎng)絡(luò)推理,求得線路L14-15、L13-14故障概率值為0,線路L4-14的故障概率值約為1,因此與閾值θ=0.2比較,故障元件候選集中只有L4-14,即可作為故障診斷結(jié)果輸出,不再需要多數(shù)據(jù)源診斷層電氣量的參與。與文獻(xiàn)的多數(shù)據(jù)源信息融合診斷方法相比較,本算例體現(xiàn)了本文方法采取分層模式的優(yōu)勢,對開關(guān)量診斷層可做出準(zhǔn)確判別的單一故障(見表1),無需綜合電氣量信息,可避免電氣量文件傳輸時(shí)延對診斷性能的影響,提高了診斷效率。算例2:假設(shè)線路L13-14發(fā)生單相接地短路故障,L13-14主保護(hù)動(dòng)作,母線13側(cè)斷路器CB1斷開,母線14側(cè)保護(hù)未動(dòng)CB2未能跳開,導(dǎo)致故障影響范圍擴(kuò)大,相鄰線路L14-15第二后備保護(hù)動(dòng)作,跳開斷路器CB4,L4-14母線4側(cè)后備保護(hù)動(dòng)作同時(shí),母線14側(cè)保護(hù)誤動(dòng),跳開CB5、CB6。設(shè)線路L13-14故障同時(shí),L17-18主保護(hù)誤動(dòng),跳開CB7、CB8?；陂_關(guān)量診斷層蘊(yùn)含時(shí)序貝葉斯網(wǎng)絡(luò)的對停電線路進(jìn)行故障診斷推理,在L13-14的時(shí)