计及时间约束的改进模糊Petri网故障诊断模型

白 展 苗世洪 孙雁斌 陈亦平 侯云鹤

(1.强电磁工程与新技术国家重点实验室(华中科技大学) 武汉 430074 2.中国南方电网有限责任公司 广州 510623 3.香港大学电机电子工程系 香港)

计及时间约束的改进模糊Petri网故障诊断模型

白 展1苗世洪1孙雁斌2陈亦平2侯云鹤3

(1.强电磁工程与新技术国家重点实验室(华中科技大学) 武汉 430074 2.中国南方电网有限责任公司 广州 510623 3.香港大学电机电子工程系 香港)

为充分利用故障事件记录的时间约束特性，进一步提高故障诊断的准确性与快速性，建立了一种计及时间约束的改进模糊Petri网故障诊断模型。首先，分析故障事件记录的一元、二元时间约束关系，研究不确定及缺失的报警信息对故障诊断的影响，利用虚拟有向弧及Petri网产生式规则，建立改进模糊Petri网模型；之后，通过正、反向时序推理分析，获得所有报警信息应该满足的时间区间，依据所建立的状态真值矩阵有效甄别出时序不一致的报警信息；在上述基础上，制定电网故障诊断的具体流程，提出继电保护装置动作行为辨识规则；最后，通过局部电力系统的多组算例仿真和实际系统故障案例测试，证明了所建模型能有效地诊断出电网故障，并具有较高的容错性。

时间约束 改进模糊Petri网 故障诊断 不确定性 状态真值矩阵

0 引言

目前，国内外电力学者已对电力系统故障诊断领域进行了广泛研究，并提出了多种智能诊断方法，如专家系统[1]、人工神经网络[2，3]、解析模型[4]、贝叶斯理论[5]、Petri网[6，7]等。这些理论和方法在故障诊断中均具有一定的适用性，其中Petri网以图形的方式描述电力系统元件、保护和断路器三者之间的关联特性，具有简洁、高效、物理意义清晰等特点，因而受到越来越多的关注，并衍生出一系列改进的算法[8-14]。

针对传统Petri网理论无法有效应对故障诊断中的不确定性问题，近年来提出了模糊Petri网的概念。文献[8,9]以模糊Petri网模型为工具，对电网中的各个元件进行故障诊断，并采用概率的形式来描述不确定的保护和断路器动作信息；文献[10]构建了基于模糊推理Petri网的故障诊断模型，通过矩阵运算的方式完成了诊断推理过程；文献[11]为降低Petri网规模，提出了一种分层、多子网模糊Petri网模型，并能适应网络拓扑结构的变化。

上述基于模糊Petri网的故障诊断方法虽在一定程度上考虑了保护和断路器动作的不确定性，但却忽视了报警信息的时间约束特性对故障诊断的重要影响。因此，有些学者对这一问题陆续开展了相关研究：文献[12]充分利用保护和断路器动作信息的时序属性，对不完备的动作信息进行纠错处理，建立了时序模糊Petri网故障诊断模型；文献[13]研究了一种计及时序信息检查的分层模糊Petri网模型，对保护和断路器的动作概率进行修正，提高了模型的容错性；文献[14]综合利用故障时电气量信息、保护和断路器动作信息的时序属性，发展了一种延时约束加权模糊Petri网故障诊断模型。

在上述时序处理方法的基础上，本文在以下两方面作进一步完善和研究：①充分利用故障事件记录的时间约束特性对海量报警信息进行初步筛选，避免因时序不一致信息而导致的误判问题；②充分提高模糊Petri网模型应对不确定及缺失的报警信息的能力，增强故障辨识的准确性与容错性。在此基础上，本文利用虚拟有向弧及Petri网产生式规则，提出了计及时间约束的改进模糊Petri网故障诊断模型，通过正、反向时序推理分析，获得所有报警信息应该满足的时间区间，然后根据状态真值矩阵，有效甄别出时序不一致的报警信息。局部电力系统的多组仿真结果和实际电力系统故障案例测试验证了模型的有效性和容错性。

1 故障事件记录的时间约束特性

电力系统故障的事件记录主要包括两个部分：原因事件和报警信息[15]。原因事件是指母线、线路或变压器发生故障，用集合C={c1,c2,…,cN}表示，其中N为原因事件的数量，元素ci为第i个原因事件。报警信息是指原因事件引发的保护和断路器动作信息，用集合A={a1,a2,…,aM}表示，其中M为报警信息的数量，元素ai为第i个报警信息。

1.1 时间约束定义

电力系统故障诊断主要是利用原因事件和报警信息的动作时间及时间约束关系来诊断出实际故障元件，其中最重要的就是通过二元时间约束对海量报警信息进行初步筛选，进而剔除时序不一致的信息。基于此，本文将二元时间约束分为以下两种类型：

1)原因事件与报警信息之间的二元时间约束，即， 其中aj为原因事件ci引发的报警信息，两者的动作时间分别为Taj和Tci。

2)报警信息与报警信息之间的二元时间约束，即， 其中ai与aj为同一原因事件引发的报警信息，动作时间分别为Tai和Taj。

1.2 保护和断路器的时间约束

实际系统中，当原因事件发生时，保护和断路器的动作时间并不能精确确定。其中，保护的动作时间主要由保护装置整定延时和触发延时决定，而断路器也有一定的动作延时。因此，根据传统继电保护配置原则[13，17]，定义主保护、近后备保护、远后备保护相对原因事件c的延时区间分别为

(1)

(2)

(3)

式中，下标m表示主保护；下标p表示近后备保护；下标s表示远后备保护。

定义主保护、近后备保护、远后备保护对应的断路器相对保护动作时间的延时区间为

(4)

式中，下标b表示断路器；下标q表示为触发断路器跳闸的保护。

2 计及时间约束的改进模糊Petri网

2.1 改进模糊Petri网的数学描述

充分考虑原因事件和报警信息的时间约束特性，定义改进模糊Petri网为一个6元组

SIFPN=(P,Tr,I,O,α,T0)

(5)

式中，P={p1,p2,…,pn}为库所结点的有限集合(n维)，将代表保护和断路器的库所称为起始库所，代表电网元件的库所称为终端库所，其他不具备物理含义的称为中间库所。

Tr={t1,t2,…,tm}为变迁结点的有限集合(m维)，是两个库所之间进行状态转换的桥梁。

I:P→Tr为变迁的输入弧置信度矩阵(n×m维)，I=[Iij]， Iij∈[0,1]， 当存在从库所pi到变迁tj的有向弧时，Iij的值为该有向弧的权重，否则Iij=0。

O:Tr→P为变迁的输出弧置信度矩阵(m×n维)，O=[oij]， oij∈[0,1]， 当存在从变迁ti到库所pj的有向弧时，oij的值为该有向弧的置信度，否则oij=0。

α=[αp1,αp2,…,αpn]为库所的置信度矩阵(n维)，αpi∈[0,1]， 表示库所pi状态为真的概率。

T0=[T1,T2,…,Tk]为起始库所时间矩阵(k维)，表示报警信息的实际动作时间。

2.2 改进模糊Petri网的图形表示

本文采用图1所示的局部电力系统模型[11]来详细说明改进模糊Petri网的建立过程。图1中，L表示线路，A表示单母线，B表示双母线，T表示变压器，CB表示断路器，FP表示失灵保护，下标数字为编号。假定母线配有主保护，动作时跳开与该母线相连的所有断路器；母联断路器均配置失灵保护；线路两端都各有主保护和近、远后备保护，其中近后备保护是指由相邻母线为其提供失灵保护。

图1 局部电力系统模型Fig.1 Partial power system model

当图1中的电网元件发生故障时，若主保护或对应断路器拒动，则故障范围将扩大。因此必须充分考虑故障可能蔓延的所有方向以及各个方向上的保护和断路器的动作时间约束关系，然后利用模糊Petri网的产生式规则[18]，建立元件的改进模糊Petri网模型。

1)线路。

以线路L1为例，其有2个故障可能蔓延方向(母线B1、B4)，改进模糊Petri网模型如图2所示。

图2 线路L1的改进模糊Petri网模型Fig.2 Improved fuzzy Petri net model of line L1

根据库所的定义，图2中最左边的库所为起始库所，下标S和R分别表示线路的送端和受端，L1Sm表示线路L1的送端主保护，FP6表示断路器CB6的失灵保护，p1、p2为中间库所，L1为终端库所，t1～t5为变迁，ω1～ω16为变迁输入弧的权重，μ1～μ5为变迁输出弧的置信度。

为体现断路器拒动对故障诊断的影响，本文采用了虚拟有向弧，即图2中带箭头的虚线，使得后备保护及对应断路器动作时，变迁t2、t4的合成输入概率能够保持一个较大的数值，这将有利于故障的准确诊断，详见2.6节。此外，为便于后文描述，将图2中带箭头的实线称为实有向弧。

2)母线。

同理，以母线B1为例，其改进模糊Petri网模型如图3所示，其中T2s为变压器T2的远后备保护，B1m为母线B1的主保护。

图3 母线B1的改进模糊Petri网模型Fig.3 Improved fuzzy Petri net model of bus B1

2.3 时序推理分析

实际上，调度中心仅能接收到报警信息，对于原因事件的动作时间是未知的，而报警信息还存在不确定性及部分缺失等现象，因此需对接收到的报警信息进行时间约束检查，以找到合适的时间参考点，为时序推理分析奠定基础。根据报警信息的优先等级，本文制定如下时间参考点确定方法：①首先以优先级最高的报警信息为基准，依次检查与下一级报警信息之间是否满足时间约束，若至少有1个下一级报警信息满足，则直接以优先级最高的报警信息为时间参考点；②若所有下一级报警信息都不满足时间约束，则表明优先级最高的报警信息时序不一致，此时以下一级报警信息为基准，重复上述过程，直至找到时间参考点。

如此，根据报警信息的时间参考点，便可推理出原因事件及其他报警信息的期望动作时间，从而获得完整的故障事件时间区间。对于任意改进模糊Petri网，时序推理分析过程如图4所示。

图4 时序推理示意图Fig.4 Diagram of temporal reasoning

2.4 时序不一致信息检查

为充分利用上述获得的各起始库所应满足的时间区间，以便对实际接收到的报警信息进行时序不一致检查，本文定义期望最小、最大动作时间矩阵分别为

(6)

(7)

根据实际接收到的报警信息对起始库所时间矩阵T0进行赋值，并与Hmin和Hmax比较，即可初步判定各报警信息是否满足时间约束关系，并得到状态真值矩阵γ=[γP1,γP2,…,γPk]， 其中元素γPi表示库所pi对应报警信息的状态，定义为

(8)

式中，1表示接收到的报警信息满足时间约束；0表示未接收到报警信息；-1表示接收到报警信息但不满足时间约束，应予以剔除；Ti为第i个起始库所对应报警信息的实际动作时间。

综上所述，通过对报警信息进行时序推理分析，可实现信息的初步筛选，有效甄别出时序不一致的信息，并可根据状态真值矩阵γ对改进模糊Petri网的起始库所赋予相应置信度，为后续继电保护装置动作行为辨识提供依据。

2.5 参数设置

库所的置信度：①将满足时间约束，即γpi=1的报警信息视为真，对相应库所赋予较高的置信度。根据文献[13]的研究成果，对于母线、主保护及对应断路器的置信度设为0.856 4、0.983 3；对于线路，主保护及对应断路器的置信度设为0.991 3、0.983 3；不论是母线还是线路，近、远后备保护的置信度设为0.8、0.7，对应断路器的置信度分别为0.85、0.75。②考虑到报警信息的不确定性，对时序不一致与调度端未曾接收，即与γpi≠1的报警信息相关联的库所也赋予一个较低的置信度，取为0.2。③对于中间库所和终端库所，其初始置信度均为0。

变迁的输入弧置信度：元件故障时，保护首先会动作，继而引起断路器跳闸，因此可认为保护动作对故障诊断的影响程度更大，保护库所到变迁的输入弧也应赋予较高的权重[14]。本文令保护库所到同一个变迁的实有向弧权重相同，且总和为0.6，断路器库所到同一个变迁的实有向弧权重也相同，且总和为0.4；对于虚拟有向弧，若相应断路器库所置信度为0.2，则令权重为1，否则为0；令中间库所到同一个变迁的实有向弧权重相同，且总和为1；变迁的输出弧置信度，均取为0.95。

2.6 矩阵运算

1)建立变迁的输入弧、输出弧置信度矩阵I、

O， 以及库所的初始置信度矩阵α0， 并令推理次数ψ=0。

2)计算变迁的合成输入概率矩阵，即

G=αψ·I

(9)

3)计算库所的下一步状态，即

αψ+1=G⊗O

(10)

4)若αψ+1仅有一个非零元素，则推理结束，此元素即为电网元件的置信度，否则令ψ=ψ+1，返回步骤2)。

对于图2所示的线路L1的改进模糊Petri网，假设起始库所的置信度已知，并用αL1Sm表示库所L1Sm的置信度，则库所p1的置信度为αp1=max{(αL1Smω1+αCB7ω2)μ1，(αCB7ω3+αFP6ω4+αCB6ω5+αCB4ω6+αCB5ω7+αCB9ω8)μ2}，同理可获得库所p2的置信度αp2， 则终端库所L1的置信度为αL1=(αp1ω15+αp2ω16)μ5。

从上述推理公式即可看出，对于故障元件，不论是主保护及对应断路器正确动作，还是依靠后备保护来切除故障，中间库所均可获得较大的置信度。而通过两个中间库所加权来获得终端库所的置信度，则可使非故障元件的保护或断路器误动时，元件的置信度仍能保持一个较低的数值，因此不会发生误判。

3 基于改进模糊Petri网的电网故障诊断

本文提出的基于改进模糊Petri网的电网故障诊断过程可分为以下4个部分：

1)根据接收到的报警信息，采用结线分析法[18]快速搜索故障停电区域，确定可疑故障元件，并建立可疑故障元件的改进模糊Petri网模型。

2)搜索与可疑故障元件相关联的报警信息，并充分利用故障事件记录的时间约束特性，通过正、反向时序推理分析，获得所有报警信息应该满足的时间区间，然后根据状态真值矩阵筛选出时序不一致的报警信息。

3)根据可疑故障元件的状态真值矩阵，对库所的置信度、变迁的输入弧和输出弧置信度进行初始化设置，然后对改进模糊Petri网进行矩阵运算，获得可疑故障元件的置信度。

4)根据各可疑故障元件的置信度，通过与门槛值进行比较的方式确定实际故障元件，并对保护和断路器的动作行为进行辨识。

以图1所示的局部电力系统为例，详细说明故障诊断过程。假设调度端接收到如下报警信息：B1m(15ms)、L1Rs(980ms)动作，断路器CB6(40ms)、CB5(41ms)、CB4(43ms)、CB9(43ms)、CB11(1 010ms)跳闸。

首先根据上述报警信息，利用已较为成熟的结线分析法快速搜索电网拓扑，确定故障停电区域，具体过程详见文献[18]，本文不再赘述。最终，得到可疑故障元件为线路L1和母线B1，其改进模糊Petri网模型分别如图2和图3所示。

1)母线B1的置信度。

由于调度端接收到的报警信息均与母线B1相关联，则根据报警信息的实际动作时间，便可获得起始库所时间矩阵T0=[0，41，15，0，43，0，1 010，980，43，0，0，40，0，0，0]。

通过2.3节所述的时序推理分析方法，得到优先级最高的报警信息为“主保护B1m(15ms)动作”，与下一级报警信息“断路器CB6(40ms)跳闸”满足保护与对应断路器的延时区间[20，40]ms，则B1m(15ms)为时间参考点。根据主保护与原因事件的反向时间约束[-40，-10]ms，推理出原因事件的动作时间区间为[-25，5]ms，进而获得期望最小、最大动作时间矩阵分别为Hmin=[925，5，-15，925，5，5，945，925，5，945，925，5，235，255，255]、Hmax=[1 075，85，45，1 075，85，85，1 115，1 075，85，1 115，1 075，85，345，385，385]。通过比较T0、Hmin和Hmax，获得状态真值矩阵γ=[0，1，1，0，1，0，1，1，1，0，0，1，0，0，0]，根据γ定义可知接收到的报警信息均满足时间约束。

接着对改进模糊Petri网进行参数初始化设置，便可获得库所的初始置信度矩阵为α0=[0.2，0.983 3，0.856 4，0.2，0.983 3，0.2，0.75，0.7，0.983 3，0.2，0.2，0.983 3，0.2，0.2，0.2，0，0，0，0，0，0]；然后利用式(9)和式(10)进行第1次矩阵运算，得到库所的下一步状态为α1=[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0.674 7，0.674 7，0.874 0，0.861 8，0.861 8，0]，其中非零元素即为中间库所的置信度；重复矩阵运算过程，得到第2次推理后库所的状态为α2=[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0.749 9]，其中仅有1个非零元素，表明推理结束，且母线B1的置信度为0.749 9。

2)线路L1的置信度。

同理，对于线路L1而言，与其相关联的报警信息为“断路器CB6(40ms)、CB5(41ms)、CB4(43ms)、CB9(43ms)、CB11(1 010ms)跳闸”。其中，前4个报警信息均是断路器CB6的失灵保护动作后，经过20—40ms延时跳闸的，因此这4个报警信息之间的延时区间应为[0，20]ms。经过时序推理分析后，可得线路L1的状态真值矩阵γ=[0，0，0，1，1，1，1，0，-1，0，0，0]，其中-1表示“断路器CB11(1 010ms)跳闸”为时序不一致的报警信息。通过矩阵运算，最终可推导出线路L1的置信度为0.478 3。

3)继电保护装置动作评价。

考虑到算法的容错性，令元件置信度大于0.6时，表明确实发生故障，则根据上述矩阵运算结果可知本案例的故障元件为母线B1。为进一步辨识继电保护装置的动作行为，本文根据状态真值矩阵，制定如下评价规则：

(1)对于故障元件，若主保护及对应断路器状态均为1，则后备状态为1的视为误动；对于非故障元件，除了与故障元件相关的保护和断路器外，其他状态为1的视为误动。

(2)对于故障元件，若主保护或对应断路器状态不为1，而后备保护或对应断路器状态为1，则视为主保护或对应断路器拒动，后备缺失的信息为漏报；若后备保护及对应断路器状态均不为1，则故障由主保护及对应断路器正确切除，缺失的信息为漏报。

案例中，母线B1发生故障，其主保护状态为1，对应断路器CB7状态为0，而后备保护L1Rs及对应断路器CB11状态均为1，因此可诊断出断路器CB7拒动。此外，线路L1并未发生故障，且断路器报警信息均与母线B1相关，因此继保装置没有误动。

4 算例分析

为进一步验证本文所提故障诊断模型的有效性及容错性，充分考虑保护和断路器发生误动或拒动、报警信息缺失以及多重故障等情况，利用图1所示的局部电力系统进行仿真分析，结果见表1。

表1中，算例1～算例3和算例4～算例6分别为单重故障和多重故障情况下的诊断。算例1和算例4在保护和断路器均正确动作且所有报警信息都满足时间约束的情况下，可以得出正确的诊断结果。算例2模拟了单重故障下存在时序不一致及拒动的情况，通过本文模型仍可准确诊断出母线B2发生故障，此外，若不采用时间约束，则极有可能得出断路器CB6的失灵保护误动的结论。算例3表明，算法对断路器误动也具有较好的容错性。算例5表明，即使伴随断路器的拒动、报警信息的漏报及时序不一致，仍能得出实际故障元件。算例6表明，在主保护信息缺失的情况下，尽管故障元件的置信度会降低，但仍不影响诊断结果。

通过上述分析可知，无论是单重故障，还是多重故障，本文所建模型均能给出正确的故障诊断结果。

表1 局部电力系统的故障诊断结果

Tab.1Faultdiagnosisresultsofpartialpowersystem

算例报警信息(时间/ms)可疑故障元件/置信度诊断结果实际元件保护和断路器动作行为辨识1L2Sm(31)、L2Rm(32)、CB8(64)、CB12(66)L2/0.8918L2L2正确动作2B2m(24)、CB8(51)、CB10(53)、CB6(160)、FP6(270)、CB4(298)、CB5(298)、CB7(300)、CB9(301)B2/0.8441、B1/0.4428B2B2CB6时序不一致且拒动3B4m(40)、CB13(71)、CB11(72)、CB20(72)、CB7(1039)B4/0.8105、L4/0.4783B4B4CB7误动4B1m(20)、L2Sm(23)、L2Rm(24)、CB6(49)、CB4(50)、CB5(51)、CB7(51)、CB9(52)、CB8(56)、CB12(57)B1/0.7476、L2/0.8918B1、L2B1、L2正确动作5B1m(20)、L2Sm(23)、L2Rm(24)、CB4(50)、CB5(51)、CB7(51)、CB8(56)、CB12(57)、CB9(182)、FP6(275)、CB10(301)B1/0.7445、B2/0.4155、L2/0.8918B1、L2B1、L2CB6拒动、CB9时序不一致且漏报6B1m(20)、L2Rm(24)、CB6(49)、CB4(50)、CB5(51)、CB7(51)、CB9(52)、CB8(56)、CB12(57)、CB10(300)B1/0.7476、B2/0.4249、L2/0.6775B1、L2B1、L2L2Sm缺失、CB10误动

图5 广州电网部分接线Fig.5 A part of Guangzhou power network

为验证模型的实用性，采用广州电网的一个实际故障案例[17]进行详细说明。电网接线如图5所示，其中G1、G2为发电机。需注意的是，该电网的保护与对应断路器之间的延时区间为[40，60]ms，尽管与1.2节所定义的延时区间不同，但不影响本文所提模型的正确性，只需修正最小、最大库所-时间关联矩阵即可，结果为ΔTmin=[10，50，260，300，950，990]ms、ΔTmax=[40，100，340，400，1 070，1 130]ms。

某故障发生后，调度中心接收到如下报警信息：靠近碧山站的线路L2943纵联差动保护0ms动作，靠近炼化站的线路L2943纵联差动保护2ms动作，断路器CB14于50ms跳闸，断路器CB12于90ms跳闸，碧山站失灵保护279ms动作，断路器CB16于328ms跳闸，断路器CB6于330ms跳闸，断路器CB7于337ms跳闸。

首先通过结线分析法得到可疑故障元件为线路L2943和母线B4，采用2.2节所述方法建立其改进模糊Petri网模型。然后根据报警信息的实际动作时间进行时序推理分析，如线路L2943的起始库所时间矩阵T0=[0，90，279，328，330，337，2，50，0，0]ms，时间参考点为L294 3Sm(0ms)，进而获得状态真值矩阵γ=[1，-1，1，1，1，1，1，1，0，0]，可知CB12(90 ms)为时序不一致的报警信息。最终经过矩阵推理运算，得到线路L294 3的置信度为0.906 2。同理，分析得到母线B4的置信度为0.437 7，因此诊断结果为线路L2 943发生故障。结合继电保护装置动作评价规则，发现断路器CB12拒动，与实际故障情况相吻合，可见本文所提模型能够用于实际系统的故障诊断，并具有较好的应用前景。

5 结论

本文研究了故障事件记录的一元和二元时间约束特性，提出了报警信息的正、反向时序推理分析方法，并建立了可有效甄别时序不一致信息的状态真值矩阵。在此基础上，构建了计及时间约束的改进模糊Petri网故障诊断模型。多组算例仿真和实际电力系统故障案例测试结果表明，在保护和断路器发生误动或拒动、报警信息缺失或时序不一致以及发生多重故障等情况下，该模型均能给出正确的诊断结果，并具有较高的容错性。

[1] Lee H J，Ahn B S，Park Y M.A fault diagnosis expert system for distribution substations[J].IEEE Transactions on Power Delivery，2000，15(1)：92-97.

[2] Cardoso G，Rolim J G，Zum H H.Application of neural-network modules to electric power system fault section estimation[J].IEEE Transactions on Power Delivery，2004，19(1)：1034-1038.

[3] 李练兵，张秀云，王志华，等.故障树和BAM神经网络在光伏并网故障诊断中的应用[J].电工技术学报，2015，30(2)：248-254. Li Lianbing，Zhang Xiuyun，Wang Zhihua，et al.Fault diagnosis in solar photovoltaic grid-connected power system based on fault tree and BAM neural network[J].Transactions of China Electrotechnical Society，2015，30(2)：248-254.

[4] 熊国江，石东源.电网故障诊断改进解析模型及其自适应生物地理学优化方法[J].电工技术学报，2014，29(4)：205-211. Xiong Guojiang，Shi Dongyuan.An improved analytic model for fault diagnosis of power grids and its self-adaptive biogeography-based optimization method[J].Transactions of China Electrotechnical Society，2014，29(4)：205-211.

[5] Zhu Yongli，Huo Limin，Lu Jinling.Bayesian networks-based approach for power systems fault diagnosis[J].IEEE Transactions on Power Delivery，2006，21(2)：634-639.

[6] 程学珍，陈强，于永进，等.基于最大似然译码字的Petri网电网故障诊断方法[J].电工技术学报，2015，30(15)：46-52. Cheng Xuezhen，Chen Qiang，Yu Yongjin，et al.A fault diagnosis approach of power networks based on maximum likelihood decoding Petri net models[J].Transactions of China Electrotechnical Society，2015，30(15)：46-52.

[7] Dimitri Lefebvre.On-line fault diagnosis with partially observed Petri nets[J].IEEE Transactions on Automatic Control，2014，59(7)：1919-1924.

[8] 程学珍，王程，于永进，等.一种基于模糊故障Petri网的三相异步电动机故障分析方法[J].电工技术学报，2015，30(17)：132-139. Cheng Xuezhen，Wang Cheng，Yu Yongjin，et al.An approach for three-phase asynchronous motor failure analysis based on fuzzy fault Petri net[J].Transactions of China Electrotechnical Society，2015，30(17)：132-139.

[9] 孙静，秦世引，宋永华.模糊Petri网在电力系统故障诊断中的应用[J].中国电机工程学报，2004，24(9)：74-79. Sun Jing，Qin Shiyin，Song Yonghua.Fuzzy Petri nets and its application in the fault diagnosis of electric power systems[J].Proceedings of the CSEE，2004，24(9)：74-79.

[10]Luo Xu，Kezunovic M.Implementing fuzzy reasoning Petri-nets for fault section estimation[J].IEEE Transactions on Power Delivery，2008，23(2)：676-685.

[11]谢红涛，童晓阳.基于分层模糊Petri网的电网故障综合诊断方法[J].电网技术，2012，36(1)：246-252. Xie Hongtao，Tong Xiaoyang.A method of synthetical fault diagnosis for power system based on fuzzy hierarchical Petri net[J].Power System Technology，2012，36(1)：246-252.

[12]杨健维，何正友.基于时序模糊Petri网的电力系统故障诊断[J].电力系统自动化，2011，35(15)：46-51. Yang Jianwei，He Zhengyou.Power system fault diagnosis approach based on time sequence fuzzy Petri net[J].Automation of Electric Power Systems，2011，35(15)：46-51.

[13]童晓阳，谢红涛，孙明蔚.计及时序信息检查的分层模糊Petri网电网故障诊断模型[J].电力系统自动化，2013，37(6)：63-68. Tong Xiaoyang，Xie Hongtao，Sun Mingwei.Power system fault diagnosis model based on layered fuzzy Petri net considering temporal constraint checking[J].Automation of Electric Power Systems，2013，37(6)：63-68.

[14]吴文可，文福拴，薛禹胜，等.基于多源信息的延时约束加权模糊Petri网故障诊断模型[J].电力系统自动化，2013，37(24)：43-53. Wu Wenke，Wen Fushuan，Xue Yusheng，et al.A weighted fuzzy Petri net based model with time-delay constraints for power system fault diagnosis employing information from multiple sources[J].Automation of Electric Power Systems，2013，37(24)：43-53.

[15]郭文鑫，文福拴，廖志伟，等.基于时序约束网络的电力系统在线警报处理解析模型[J].电力系统自动化，2009，33(21)：36-42. Guo Wenxin，Wen Fushuan，Liao Zhiwei，et al.An analytic model for power system on-line alarm processing based on temporal constraint network[J].Automation of Electric Power Systems，2009，33(21)：36-42.

[16]边莉，边晨源.电网故障诊断的智能方法综述[J].电力系统保护与控制，2014，42(3)：146-153. Bian Li，Bian Chenyuan.Review on intelligence fault diagnosis in power networks[J].Power System Protection and Control，2014，42(3)：146-153.

[17]张勇，张岩，文福拴，等.基于时序因果网络的电力系统故障诊断[J].电力系统自动化，2013，37(9)：47-52. Zhang Yong，Zhang Yan，Wen Fushuan，et al.A temporal cause-effect net based approach for power system fault diagnosis[J].Automation of Electric Power Systems，2013，37(9)：47-52.

[18]白展，苗世洪，孙雁斌，等.计及报警信息逻辑关联的改进模糊Petri网故障诊断模型[J].电气应用，2015，34(16)：100-104. Bai Zhan，Miao Shihong，Sun Yanbin，et al.Power system fault diagnosis model based on improved fuzzy Petri net considering alarm information logical relevance[J].Electrotechnical Application，2015，34(16)：100-104.

Fault Diagnosis Model Based on Improved Fuzzy Petri Net Considering Time Constraints

Bai Zhan1Miao Shihong1Sun Yanbin2Chen Yiping2Hou Yunhe3

(1.State Key Laboratory of Advanced Electromagnetic Engineering and Technology Huazhong University of Science and Technology Wuhan 430074 China 2.China Southern Power Grid Company Guangzhou 510623 China 3.Department of Electrical and Electronic Engineering The University of Hong Kong Hong Kong China)

To utilize the time constraint characteristics of power system fault event records and improve both the accuracy and rapidity of power system fault diagnosis，a fault diagnosis model based on improved fuzzy Petri net considering time constraints is proposed in this paper.Firstly，the relations between unary and binary time constraints of fault event records are analyzed，and the effect of uncertain and missing alarm information on fault diagnosis is also studied deeply.The improved fuzzy Petri net model is established by using virtual directed arcs and production rules of Petri net.Secondly，the time intervals that all alarm information should meet can be acquired by the forward and backward temporal reasoning analysis，and the time sequence inconsistent alarm information can be effectively identified based on the state truth value matrix.Finally，the specific fault diagnosis process and identification rules of relay protection devices are formulated.The simulation results and a real power system fault case indicate that the proposed model can effectively diagnose power system faults，and also has much higher fault tolerance.

Time constraints，improved fuzzy Petri net，fault diagnosis，uncertainty，state truth value matrix

中国南方电网有限公司重点科技项目资助(K-ZD2014-015)。

2015-07-14 改稿日期2015-10-25

TM77

白 展 男，1990年生，硕士研究生，研究方向为电力系统故障诊断。

E-mail：hphdbai@163.com

苗世洪 男，1963年生，博士，教授，博士生导师，研究方向为电力系统故障诊断、继电保护与安全稳定控制。

E-mail：shmiao@hust.edu.cn(通信作者)