考虑外部环境信息的电网故障识别分析方法
A method for identifying and analyzing power grid faults considering external environmental information
摘 要
本文致力于研究考虑外部环境信息的电网故障识别分析方法，以提升电网运行安全性和可靠性。随着电力系统规模的不断扩大和电力负荷的增加，电网故障识别变得尤为关键。传统的故障识别模型主要依赖内部拓扑信息，然而忽略了外部环境因素对电网运行的影响。针对这一问题，本文提出一种综合考虑外部环境信息的电网故障识别模型，通过对外部环境的危险等级进行评估，并将其融合到故障识别模型中，实现对电网故障的及时识别与有效响应。
首先，基于图论构建电网拓扑矩阵，确立电网结构及其关联关系；其次，通过对关联矩阵元素赋值，建立故障识别的基础数据模型；然后，应用AHP权重分析法进行内部拓扑信息和外部环境信息的数据融合，提升故障识别的准确性和可靠性；最后，通过故障算法验证及分析，对模型进行实际应用和效果评估，验证其在不同场景下的适用性和优越性。
本文的优点在于综合考虑了内部拓扑信息和外部环境信息，通过AHP权重分析法有效地融合多源数据，提高了故障识别的精确度和实时性。这一方法不仅能够帮助电力系统运维人员及时发现并解决电网故障，还能有效降低因故障带来的损失，提升电网运行的安全性和可靠性。
关键词 电力系统；AHP权重分析法；故障诊断；理想解法
This paper studies the power grid fault identification and analysis method considering external environmental information to improve the safety and reliability of power grid operation. With the increasing scale of the power system and the increase of the power load, the grid fault identification becomes particularly critical.
The traditional fault identification model mainly relies on the internal topological information, but ignores the influence of external environmental factors on the operation of the power grid. In view of this problem, this paper proposes a power grid fault identification model that comprehensively considers the external environment information. By evaluating the risk level of the external environment and integrating it into the fault identification model, it is adopted to realize the timely identification and effective response to the power grid faults. Firstly, the grid topology matrix is constructed based on graph theory to establish the grid structure and its correlation relations; secondly, by assigning values to the association matrix elements, the basic data model for fault identification is established; then AHP weight analysis is applied to the data integration of internal topology information and external environment information to improve the accuracy and reliability of the fault identification, and the model through practical application and effect evaluation, to verify its applicability and superiority in different scenarios.
The advantage of this paper is the internal topology information and external environment information, effectively integrates multi-source data through AHP weight analysis, and improves the accuracy and real-time of fault identification. This method can not only help the operation and maintenance personnel of the power system to find and solve the power grid faults in time, but also effectively reduce the loss caused by the faults, and improve the security and reliability of the power grid operation.
Key Words power system; AHP weight analysis method; Fault diagnosis; Ideal solution
目 录
第1章绪论
1.1研究背景
本文研究的背景是在现代电力系统中，电网的安全性和可靠性对于保障能源供应和社会稳定至关重要。随着电力系统规模的扩大和电网结构的复杂化，电网故障识别成为提升电网运行效率和保证电力供应连续性的关键问题。传统的故障识别模型主要依赖于内部电网拓扑信息，即电网各元件之间的物理连接关系，这些模型通常可以较好地识别内部发生的故障[1]。
然而，电网运行过程中还受到外部环境因素的影响，如天气变化、自然灾害等，这些因素可能对电网的运行状态和稳定性产生重大影响，导致潜在的安全隐患或故障发生。例如，风暴、雷击等极端天气可能导致输电线路断裂或设备损坏，而传统模型往往未能充分考虑这些外部因素对故障的潜在影响[2]。
因此，本文旨在通过综合考虑外部环境信息，将其融合到电网故障识别模型中，以提升对电网整体运行状况的监测和诊断能力。这种综合方法有助于实时识别和响应潜在的外部环境引起的故障，从而有效减少故障对电网运行安全性和可靠性的潜在威胁，为电力系统的稳定供电提供技术支持和保障。
1.2研究意义
考虑外部环境信息的电网故障识别分析方法具有重要的研究意义和实际应用价值。首先，现代社会对电力供应的可靠性和稳定性要求日益提高，电网故障往往会对生产、生活和社会秩序造成严重影响。传统的故障识别方法主要依赖于内部拓扑信息，而忽略了外部环境因素对电网运行的潜在影响，因此提升电网故障识别的能力至关重要[3]。
其次，随着电网规模的扩大和智能化程度的提升，电网面临的风险和挑战也在增加。外部环境因素如天气变化、自然灾害等不可预测的事件可能导致电网设备故障或系统失效，进而影响电力供应的连续性和稳定性。通过考虑外部环境信息，可以及时识别这些潜在的风险因素，采取预防和应对措施，从而有效提高电网运行的安全性和可靠性[4]。
第三，综合考虑外部环境信息的电网故障识别方法有助于优化电力系统的运维管理。通过引入外部环境数据并与内部拓扑信息进行综合分析，可以提升故障诊断的准确性和及时性。这种方法不仅能够帮助运维人员快速响应电网异常情况，还能够优化资源配置和调度策略，降低故障修复时间和成本，从而提升电网运行效率和整体经济性。
最后，通过开展这一课题的研究，可以推动电力系统领域的技术创新和发展。新型的电网故障识别模型和分析方法将为智能电网的建设和运营管理提供重要技术支持，促进电力行业的可持续发展和现代化进程。因此，考虑外部环境信息的电网故障识别分析方法不仅具有深远的学术研究意义，还具备广泛的实际应用前景，对提升电力系统的安全性、可靠性和智能化水平具有重要推动作用。
1.3国内外研究现状
1.3.1 国外研究现状
Zhang(2017)等人提出了一种结合卫星遥感和传感器数据的电网故障识别方法。他们指出，通过集成外部环境信息，能够有效提升故障诊断的准确性和时效性，尤其在自然灾害频发的区域具有显著优势[5]。
Wang 和 Li (2018) 研究了基于机器学习和大数据技术的电网故障识别方法。他们认为，将气象数据和电网运行数据结合，能够有效预测电网故障的潜在风险，提高电网运行的稳定性和安全性[6]。
Chen(2019)等人提出了一种基于数据挖掘和模式识别的电网故障诊断模型。他们探讨了如何利用外部环境数据优化故障检测算法，以应对不同的电网故障模式和挑战[7]。
Liu(2020)及其团队研究了基于智能传感器网络的电网故障监测方法。他们认为，集成外部环境信息有助于提升传感器网络的覆盖范围和数据质量，从而提高电网故障识别的全面性和精确性[8]。
Smith 和 Johnson (2021) 提出了一种利用机器学习和人工智能技术改进电网故障检测系统的方法。他们认为，外部环境数据的引入可以增强算法对电网异常事件的感知能力，进而优化运维决策和响应策略[9]。
Brown(2022)等人研究了基于云计算和大数据分析的电网故障预测和诊断系统。他们指出，通过结合天气预报和电网状态监测数据，可以实现对电网安全状况的实时监测和预警，有效应对复杂的电网运行环境[10]。
1.3.2 国内研究现状
李华（2018）在其研究中提出，当前电网故障识别方法中普遍存在的问题是对外部环境信息（如天气、负荷变化）的充分利用不足。他主张结合气象数据和负荷特征，利用机器学习算法提升故障识别精度，以应对复杂的电网工况变化[11]。
王强（2019）的研究聚焦于电网故障识别中数据驱动的方法。他指出，传统的基于规则的故障诊断方法面临着适应性差和实时性不足的挑战。他提出了一种基于深度学习的故障诊断框架，能够有效整合历史数据和实时监测信息，提高诊断准确性和实时性[12]。
张明（2020）的研究侧重于电网故障识别中的模型优化问题。他认为，现有模型在利用外部环境信息时普遍存在的问题是计算复杂度高和模型解释性差。他提出了一种基于特征选择和模型简化的方法，通过剔除冗余信息和优化模型结构，实现了对环境信息高效利用和精准识别故障的目标[13]。
陈亮（2021）的研究探讨了电网故障识别中外部环境信息与传感器数据的融合问题。他指出，外部环境信息的变化直接影响电网运行状态，但传统的数据融合方法往往忽视了环境信息的实时性和精确性。他提出了一种基于多源数据融合的方法，有效提升了故障识别的准确性和鲁棒性[14]。
刘波（2022）的研究关注电网故障识别中外部环境信息的动态建模问题。他认为，当前的模型在处理外部环境信息时常常忽略了其时间序列的特性和动态变化趋势。他提出了一种基于时间序列分析和动态建模的方法，能够有效捕捉环境信息的时变特性，提升了电网故障识别的灵敏度和准确性[15]。
赵娟（2023）在其研究中提出，电网故障识别中关键问题是如何有效利用外部环境信息来提高诊断精度和实时性。她探索了一种基于联合概率图模型的方法，将天气数据、负荷信息和传感器数据进行联合建模，实现了对复杂故障模式的准确识别和早期预警[16]。
1.4论文结构
本文分为四个章节，每个章节都聚焦于电网故障识别领域的不同方面和创新点。首先，在第一章节中，文中简要介绍了电网故障识别的研究背景和意义，强调了目前电网故障识别技术发展的历程以及各种智能技术在该领域中的应用优势。这一部分不仅回顾了诊断机理的演变，还详细探讨了现有诊断技术的技术优势和挑战。
第二章节则着重于建立一种新型的电网故障识别模型。文中采用AHP权重分析法，将相关的电气量信息和断路器保护信息进行赋权，并对电网结构信息进行了有效的融合。这种方法的创新在于综合考虑多种数据源，提升了故障识别的精度和可靠性。
第三章节将焦点转向外部环境信息的处理。研究中采用理想解法进行危险等级评估，用以判断电网故障是否由外部环境因素引起，并进一步分析故障根源的可能性。这一步骤的引入有助于提高对复杂工业环境中故障因素的全面理解和识别能力。
最后，第四章节通过具体的算例分析，以某地区电网500kV主网架部分为研究对象，验证了建立的模型的准确性和实用性。通过实际数据的应用和比对，文章展示了模型在真实环境中的有效性，并为未来电网故障识别技术的进一步发展提供了理论和实践的支持。
本文系统性地介绍了一种新颖的电网故障识别方法及其在实际应用中的验证过程，为电力系统安全运行和故障预防提供了有益的理论和技术支持。
第2章电网故障识别模型
2.1基于图论的电网拓扑矩阵
电网拓扑矩阵是一种重要的电力系统建模工具，基于图论原理，用于描述电网中各个节点和支路之间的连接关系。在电力系统中，节点可以代表发电机、变电站或负荷，支路则代表导线、变压器等电力设备的连接。
首先，电网拓扑矩阵通常以邻接矩阵的形式呈现，其中矩阵的行和列分别对应于电网中的节点。如果节点 i 和节点 j 之间有直接连接（即存在一条导线或设备），则矩阵中相应的元素值为1；否则为0。这种表示方式使得可以清晰地展示电网中节点之间的物理连接关系。
其次，电网拓扑矩阵在电力系统分析中具有广泛的应用。通过分析该矩阵，可以快速确定电网的拓扑结构，例如识别主干线和分支，检测潜在的故障路径，评估电网的稳定性和可靠性等。这些信息对于电力系统的规划、运行和维护至关重要。
此外，电网拓扑矩阵也支持进一步的复杂分析，例如最短路径计算、电力流分布预测以及安全控制策略的制定。通过将图论方法应用于电力系统建模，可以有效地优化电网运行，提高供电质量，降低能源损失，并增强系统对异常情况的应对能力。
总之，电网拓扑矩阵作为电力系统分析中的基础工具，不仅有助于理解和优化电网结构，还为电力行业的技术进步和可持续发展提供了重要支持。
以下图2.1中某地区500kV主网部分网络拓扑为例进行模型的搭建，图中B1—B6表示6条母线；L1—L8表示8条线路；C1—C16表示16个断路器。
图2.1某电网500kV主网架部分拓扑
首先把母线和线路的关系通过网络拓扑关系表达出来，以网络拓扑关联矩阵的形式去表示电网系统中的元件关系和保护配置等。对于图1中的5条母线、7条线路的主网系统可以用5*7阶矩阵S进行表示网络拓扑关系，其中S矩阵的元素定义为：
其中i=1,2，……5；j=1,2，……7。则由上图2.1的网络拓扑关系可得：
由图2.1的网络拓扑关联矩阵S中的各个元素可知，矩阵S中每一行的元素代表着对应母线与该网络中每条线路是否存在直接连接的关系，而每一列的元素则代表着对应的线路与网络中每条母线是否连接。而矩阵S中的非零元素表明对应的母线和线路之间存在着关联关系，对应的为零的元素则代表对应的母线和线路之间没有直接的关联关系，进而可以对电网中的各元件端口的信息进行融合。
然后，由网络拓扑关联矩阵S求出母线关联矩阵和线路关联矩阵。根据图论相关知识可知：
其中定义为矩阵逻辑乘法算子，若A为阶矩阵，B为阶矩阵，则C=表示C为阶矩阵，
且有，表示逻辑或操作，表示逻辑与操作；表示S的转置矩阵；E为单位矩阵，由于网络中自身元件的关联性，可通过减去单位矩阵E把矩阵对角位置处的元素清零，从而消除其关联性。则可求得：
2.2对关联矩阵元素赋值
同样可以由网络拓扑关联矩阵S求得母线拓扑关联矩阵M和线路拓扑关联矩阵L，只需把关联矩阵S中的非零元素进行按行置换得到矩阵M，把非零元素进行按列置换得到矩阵L，如下式：
其中，Diag表示把k维向量生成对应阶数k×k阶的对角矩阵；分别表示图1电网中对应5条母线的故障概率，分别表示图1电网中对应7条线路的故障概率，则分别把它们赋值到对应的母线拓扑关联矩阵M和线路拓扑关联矩阵L中可得：
又因为母线和线路之间是由断路器连接，则同理可用断路器的动作概率去替换网络拓扑矩阵S中的非零元素从而形成断路器关联矩阵CB，可得：
其中
分别表示对应断路器跳闸动作的概率。
电网系统中母线通常配置有母线保护（
），线路一般配置有主保护（
）、近后备（
）及远后备（
)，由图1中的电网系统可知，该网络结构有5条母线
,7条线路
,14个断路器
，则系统中共有47个保护，分别是5个母线主保护—、14个线路主保护—、14个线路近后备保护—、14个线路远后备保护—（R表示线路两端母线编号大的为受端，S表示线路两端母线编号小的为送端）。故把网络拓扑关联矩阵S中的非零元素用各母线保护动作概率代替可得母线保护拓扑关联矩阵，同理可得到线路主保护拓扑关联矩阵、线路近后备保护拓扑关联矩阵、线路远后备保护拓扑关联矩阵如下：
对于上述式中，表示对应母线保护处于动作状态的概率，和表示对应线路两端主保护处于动作状态的概率，和表示对应线路两端近后备保护处于动作状态的概率，和表示对应线路两端远后备保护处于动作状态的概率。分析线路近、远后备保护关联矩阵和的矩阵元素可知，对于同一线路（矩阵的同一列）中，线路连接的两条母线中编号较小的均为送端，编号较大的均为受端，与前文中S端和R端定义相同。
2.3应用AHP权重分析法进行数据融合
AHP权重分析法是一种对于多个决策对象的综合主观与客观因素的赋值权重方法，而不仅仅是传统的固化权重。在面对问题的多个因素时，把参与比较的因素进行相对重要性的排序，然后根据排序利用数学方法归一化处理给参与比较的因素对应赋予权重值。这样在分析问题时可以更好地把定量和定性分析结合起来，不再只是根据决策者主观意念去作出抉择，更有利于我们进行合理的决策，尽可能减小主观性带来的误差。AHP权重分析法的分析问题主要可以分为三个步骤，首先要分析比较各个被比较因素的重要性进行排序，从而建立起层次结构模型，然后建立判断（成对比较）矩阵并分析防止出现对被比较因素重要性的逻辑错误，最后根据判断矩阵计算所赋的相对权重。
本文构建判断矩阵时，设定电网系统中保护和断路器动作信息的比较值需要以两者的重要程度为判据，重要程度高低决定两者的置信度大小也决定着赋予所权重的大小，从而减小系统误报、错报等不良信息的影响，提高电网故障识别的准确度，保护和断路器两者之间设置权重的基本原则主要有以下三条：
①在电网发生故障后，断路器只有在接收到保护动作的控制指令才能跳闸动作来切断线路解除故障，因此在构建判断矩阵时将断路器的跳闸动作视为是保护作用下的，正常状态下保护动作一定是断路器动作的前提，进而认为保护动作告警信息的重要程度要在断路器动作信息的之上，因此保护油断路器的告警信息的比值必须超过1。
②在不考虑保护误动或拒动的前提下，如果告警信息系统只受到保护的告警信息但没有收到断路器的动作告警信息时，则可能为保护误报或者断路器拒动。此时，由于保护对于故障元件的告警信息往往不是单一的，通常会有不少于两个保护对故障产生动作，若还有其他保护对于同一故障元件的告警信息，说明是保护正常而断路器拒动，可以把保护告警信息的权重设置为断路器的1.2倍；若没有其他保护对于同一故障元件的告警信息，说明是断路器正常而保护误报，保护的权重设为断路器的告警信息权重的1.1倍.
③相反地若仅收到断路器的动作告警信息，保护没有上传告警信息，这种情况下有这么两种可能性，可能是断路器误报或误动，抑或是保护漏报。若还存在其他断路器对这一故障元件的告警信息则认为是保护漏报，把保护告警信息的权重设置为断路器的1.1倍；若不存在，说明是断路器发生了误报或误动的不良情况，相应的倍数设为1.2倍。
以图1电网结构举例，假设故障情景中收到的告警信息如下：母线保护与动作，断路器C1、C3、C14、C13、C12、C5跳闸动作。则结合网络结构分析可知动作的断路器C1、C3、C14、C13、C12都和产生母线保护动作的B1、B5有直接相连的关系，但C5与这两个母线保护之间并不关联，说明断路器C5发生了误动情况，则可把保护与断路器的告警信息比值设置为1.2。
电网故障诊断主要是通过收集系统故障时的异常电气量信息、断路器保护信息等告警信息，然后把告警信息进行融合分析进而来确定故障元件。则电网故障诊断可以通过对上述已建立的拓扑关联矩阵进行信息的融合转换，其流程主要分为以下步骤：首先根据停电区域的电网部分建立网络拓扑关联矩阵，并根据采集到的告警信息以及相关保护信息对关联矩阵进行置信度的赋值，并把保护和断路器的告警信息按赋予的权重进行信息融合；然后对远后备保护向末端母线以及下游线路进行映射转换后，比较不同类型的保护的关联矩阵进行置信度元素取相对较大值的操作；最后把比较得到的元器件图元置信度通过按行平均、按列平均的方式进行融合，进而结合置信度阈值分析判断出真实故障元件的位置。因此把图1中系统对应的各类保护拓扑关联矩阵与断路器保护拓扑关联矩阵进行数据融合，则可得到电网故障识别的结果，融合模型如下图2.2：
图2.2电网故障诊断信息融合模型
其中、CB、为故障信息融合基本单元，代表着电网的母线保护单元，CB代表着电网中的断路器单元，但上述的断路器单元并非完全相同，因为母线保护和三种线路保护的作用下断路器的动作概率不同；则分别代表线路远后备保护单元、线路主保护单元、线路近后备保护单元，分别为保护和断路器所赋的权重（可基于前文中的权重设置规则和归一化思想可求得w1和w2）。从图2的电网故障诊断信息融合模型可以看出，无论是母线保护抑或线路的三种保护，保护都需要与断路器配合工作，则首先要把各类保护和断路器的信息进行融合。通过对基本单元进行赋权相加，进而得出的、作为故障融合模型的中间单元，不具有实际物理含义。
而由于远后备保护是下一条相邻线路对故障线路的保护作用，远后备拓扑关联矩阵不能与母线主保护拓扑关联矩阵、线路主保护拓扑关联矩阵直接进行加和融合信息，因此需要建立规则1和规则2来建立相互之间的特殊映射转换。规则1是基于母线关联矩阵中含有母线与对端母线的对应关系，则可通过实现远后备保护对下一端母线的映射，考虑到在前面已经对母线自身关联性进行了消除，由此可得远后备保护对对端母线的正确映射可以实现，具体操作如下式：
其中.*表示对两个相同维度的矩阵相乘，其中对应位置元素相乘得到该位置的新元素，下文中的.对应表示相同维度矩阵相除。
规则2是在规则1的基础上进一步实现对下游线路的映射转换，由图1的网络关联拓扑矩阵S可知S矩阵中同一行的非零元素代表着连接同一条母线的不同线路，由于各线路之间通过母线进行直接联系，而后备保护是要跨越末段母线，基于线路关联矩阵反映了相邻线路的连接关系，因此远后备保护对下游线路的映射转换可通过以下式子实现：
其中和是为了映射转换引入的中间矩阵，实现线路的平均融合。
由于当母线保护出现故障无法及时切除故障时，需要通过线路的远后备保护来完成，因此在信息融合时需要把母线保护和远后备保护的数据进行融合。此外，线路保护由线路主保护、近后备保护以及远后备保护三段保护协同作用，所以同样要把线路主保护、近后备保护和远后备保护三个中间信息单元进行融合。
又考虑到故障的元件是通过某一种保护进行切除的，进而对中间单元进行求取最大值的操作，在相关两个矩阵中取对应相同位置元素值较大赋予到中，最后对分别进行按行平均和按列平均（对应的行数、列数分别为网络关联矩阵S的行数、列数）得到m维向量和n维向量，具体计算式子如下：
其中m、n分别为矩阵S的行数、列数，分别为m维和n维单位列向量，对网络拓扑关联矩阵S进行操作是为了得到电网结构的端口数，与母线及线路数量对应，而和中的各个元素则表示电网中对应母线、线路的故障概率。设定一个故障概率阈值，把和中得到的故障概率和设定的故障概率阈值进行比较，故障概率大于阈值的元件判定为故障元件。在本文模型设定中，设置故障概率阈值为0.6，实际应用时可取故障概率阈值为0.5。
在经过以上模型的信息融合后，我们可以得出电网网络结构中的各元件的故障概率，诊断出故障概率最大的可判定为故障元件，其余元件的故障概率同样可供电网调度工作人员作为预警参考信息，增加了故障诊断的简便性。
2.4本章小结
本章主要是构建电网故障识别模型，首先是基于图论建立起电网系统中的网络拓扑关联矩阵S来反映母线和线路的映射关系。其次，在基本关联矩阵S的基础上建立母线拓扑关联矩阵M和线路拓扑关联矩阵L。然后对矩阵进行赋值，把母线和线路故障概率分别赋值到矩阵M和L中，把各类保护的动作概率赋予到各类保护拓扑关联矩阵中。最后，运用AHP权重分析法设置保护和断路器的合适比较值，再把各类保护和断路器信息赋权相加，进行信息融合得到电网故障识别结果，完成电网故障识别模型的构建。
第3章考虑外部环境信息的电网故障识别模型
3.1对外部环境信息进行危险等级评估
电网故障诊断处理过程中，在确定故障元件的位置后，还需要进一步考虑引发元件故障的原因所在，从而可以方便针对性地切除故障恢复电网正常工作，有效辅助电网工作人员提高工作效率。
在以往的电网故障识别模型中大多是针对保护和断路器的告警信息进行识别，很少有考虑到外部环境信息对电网系统的影响。而不同的外界环境信息对电网系统的影响不同，在故障识别时增加对实时环境的环境信息收集，因此，在第二章建立的电网故障识别模型的基础上，把外部环境告警信息引入到现有的模型中加以分析其对电网故障的影响，来提高故障诊断结果的准确性。
同时需要结合不同外部环境信息对电网系统造成故障的概率来分析，例如对于雷电、台风、暴雨等会儿不同程度地导致电网故障，即使是同一外部环境危害因素在不同告警等级下的故障率亦不尽相同。因此，需要通过查找电网公司的故障历史记录，统计不同外部环境信息下电网发生故障的次数，按照某类外界环境信息情况下线路的故障次数占总次数的比例计算故障概率。而本文取主要的九种外部环境天气信息进行分析，分别为覆冰、风、降雨、雷电、气温、台风、冰雹、雪和雾，对以上九种外部环境因素下的告警信息进行电网故障率的统计，计算公式如下：
其中，表示告警等级为的第i种外部环境告警信息的电网故障率，表示告警等级为的第i种外部环境告警信息的故障次数，表示告警等级为的第i种外部环境告警信息的出现总次数。经过计算统计可以得到对于以上九种外部环境告警信息的电网故障概率统计表如下：
表3-1不同外界环境因素在不同告警等级下的电网故障概率统计表
| 覆冰 | 告警等级 故障率 | 1级 0.0032 | 2级 0.04 | 黄色 0.35 | 橙色 0.44 | 红色 0.62 |
| 风 | 告警等级 | 1级 | 2级 | 3级 | 4级 | 5级 |
| 故障率 | 0.0014 | 0.0031 | 0.0043 | 0.008 | 0.06 | |
| 告警等级 | 6级 | 蓝色 | 黄色 | 橙色 | 红色 | |
| 故障率 | 0.08 | 0.12 | 0.24 | 0.44 | 0.64 | |
| 降雨 | 告警等级 | 小雨 | 中雨 | 大雨 | 暴雨 | 黄色 |
| 故障率 | 0.001 | 0.0038 | 0.03 | 0.05 | 0.08 | |
| 告警等级 | 橙色 | 红色 | ||||
| 故障率 | 0.21 | 0.42 | ||||
| 雷电 | 告警等级 | 1级 | 2级 | 黄色 | 橙色 | 红色 |
|
| 0.0038 | 0.05 | 0.52 | 0.70 | 0.84 | |
| 气温 | 告警等级 | 低温 | 高温 | 黄色 | 橙色 | 红色 |
| 故障率 | 0.0013 | 0.0045 | 0.0061 | 0.0082 | 0.02 | |
| 台风 | 告警等级 | 1级 | 2级 | 3级 | 4级 | 5级 |
| 故障率 | 0.002 | 0.0035 | 0.005 | 0.01 | 0.07 | |
| 告警等级 | 6级 | 蓝色 | 黄色 | 橙色 | 红色 | |
| 故障率 | 0.09 | 0.13 | 0.35 | 0.53 | 0.68 | |
| 冰雹 | 告警等级 | 1级 | 2级 | 3级 | 橙色 | 红色 |
| 故障率 | 0.0028 | 0.0033 | 0.035 | 0.53 | 0.34 | |
| 雪 | 告警等级 | 1级 | 2级 | 3级 | 橙色 | 红色 |
| 故障率 | 0.003 | 0.008 | 0.045 | 0.35 | 0.65 | |
| 雾 | 告警等级 | 1级 | 2级 | 黄色 | 橙色 | 红色 |
| 故障率 | 0.004 | 0.007 | 0.035 | 0.25 | 0.35 |
由于电网受到线路跨接、人为恶意破坏等外部因素影响同样可能会产生故障情况，并且有一定可能存在由于内部元件老化、性能衰减等自身情况影响导致故障，所以列举出的外部环境因素并不可以涵括所有故障因素。则基于严谨性考虑，在进行故障原因的进一步分析之前，需先对本文列出的覆冰、风、降雨、雷电、气温、台风、冰雹、雪和雾九种外部环境因素进行综合危险等级评估，确定是否是由这九种外部环境因素引发的电网故障。
本文主要把外部环境信息的危险等级分为高风险、较高风险、较低风险和低风险共四种等级，四种等级依次用V4、V3、V2和V1表示，若电网系统对于外部信息的故障风险等级低于V2时，则可以认为电网系统故障并非由以上九种外部环境信息导致；相反若风险等级不小于V2，则可认为是由这九种外部环境信息引发的电网故障，从而进一步分析故障是由哪种外界环境信息引发。
3.2考虑外部环境信息的故障识别模型
据电网公司故障数据统计，电网故障的原因可以分为内部原因和外部原因，其中大多数是由外部环境信息变化引起，因此本文对于内部原因不予考虑。对第二章中建立的模型引入对外部环境信息的考虑，通过实时采集故障外部环境告警信息对外部环境信息进行危险等级评估。而常用的综合评价法为：主成分分析法、数据包络分析法、模糊评价法、理想解法等，由于理想解法只是在原系统数据的基础上进行运算分析，具有简便快捷的特点，因此本文选取理想解法作为评价方法完成对九种外部环境因素的危险等级评估。
理想解法又被称为TOPSIS法，这种评价方法可以有效对多个不同的指标来进行综合评价。理想解法主要是通过构建对评估对象指标的最优解和最劣解来求取贴近度进行分析，其中最优解可以理解为是该决策方案中的最优值，而最劣解则是该决策方案中的最差值，但最优解和最劣解都不是真实存在的而是虚拟用于辅助我们进行评价决策的。在决策过程中，我们可以通过计算决策方案对最优解和最劣解的相对贴近度来选出该决策方案中最好的指标。本文应用理想解法对外部环境信息进行危急风险等级评估，主要分为以下5个步骤：
①建立外部环境信息的评判因素集，评判因素包含覆冰、风、降雨、雷电、气温、台风、冰雹、雪和雾9种外部环境灾害，依次分别表示以上9种外部环境信息的故障概率，对于电网系统中的母线或线路建立相应的外部环境评判因素集向量E，则可以表示为：
再结合发生故障时采集到的设备的外界环境告警信息以及历史故障概率统计表对E中的各个元素进行赋值。
②对外部环境评判因素集向量E进行无量钢化，即进行标准的0-1变换，使得变换后的评判向量的最优属性值
为1，最差属性值为0，具体的计算操作为：
③确定各评判因素的权重集，由于上述9种外部环境因素均有可能成为导致电网系统故障的主要原因，所以可以设置均为0.1。
④选取决策矩阵中各列的最大值、最小值构成最优、最劣向量解，则由表1中可知取各种外部环境因素下告警等级最高时的电网故障概率为最优解，对应各种外部环境因素下告警等级最低时的电网故障概率为最劣解，可得最优解、最劣解为：
同样对最优解、最劣解进行无量钢化处理可以得到：
④计算评判向量相对最优解、最劣解的距离：
⑤计算外部环境评判因素集向量E与最优解、最劣解的贴近度：
贴近度C综合考虑了外部环境评判因素集向量E中各个元素到最优解和最劣解的距离，可以认为C值大小综合表达了E与最劣解的距离大小，C值越大则可认为E越靠近理想解。
对四种风险等级设置对应的故障概率标准值，高风险V4的对应故障概率标准值为1.0，V3、V2和V1的对应分别为0.5、0.2和0。则在本文中，C的大小可反映出所列举的外部环境因素对电网故障的影响概率，若C的值不小于0.2，则可认为外部环境因素的危险程度不低于V2，确定此时电网故障是由外界环境因素导致，进而比较完成外部环境危险等级评估。
对建立的外部环境评判因素集向量E进行归一化处理得到，处理操作如下式：
中的各个元素则代表九种外部环境因素引发该次故障的概率，其中最大的那个元素代表的外部环境因素则为判定的故障原因。
3.3本章小结
本章主要是对已建立的电网故障识别模型进行优化，对外界环境因素加以考虑，从而提高故障诊断的准确性。
首先把外部环境告警信息进行风险等级划分，由高至低依次划分为V4~V1，然后应用理想解法（TOPSIS法）对外部环境信息进行危急风险等级评估，在判断时若风险等级低于V2则可认为外部环境因素不至于引起故障。最后在判断得到的风险等级不低于V2的情况下通过对评判向量集进行归一化处理，进一步完成故障设备的故障原因分析。
第4章 基于外部环境信息的电网故障原因分析
4.1计及不同告警等级的外部环境因素危害评估
外部环境因素危害评估是指在电力系统运行中，考虑各种可能对系统安全稳定性产生影响的外部因素，并对它们进行系统化的评估和分类。不同的外部环境因素包括天气条件（如风、雨、雷暴）、自然灾害（如地震、洪水）、人为因素（如恶意破坏、误操作）等。
在评估中，每种外部因素都被分配一个相应的告警等级，用以表示其可能造成的影响程度和紧急性。通常，告警等级可以分为几个层次，如低、中、高或数字等级，具体取决于评估标准和系统需求。这种等级分类有助于系统运维人员快速识别并响应可能的风险和威胁。
评估过程通常涉及多个步骤：首先是识别潜在的外部环境因素，其次是分析每种因素对电力系统的具体影响，包括潜在的故障类型和影响范围。然后，根据分析结果，为每种因素分配相应的告警等级，并确定相应的应对措施和应急预案。
此外，随着技术的进步和数据的积累，一些先进的评估方法也可能整合预测模型和实时监测系统，以实现对外部环境因素更精确和及时的评估。这些方法不仅有助于提高电力系统的可靠性和安全性，还为系统运营管理提供了重要的决策支持。
计及不同告警等级的外部环境因素危害评估在电力系统中具有重要意义，它通过系统化的方法和分级策略，帮助确保电网运行在各种复杂和多变的外部条件下仍能保持高效稳定。
4.2故障外部原因分析模型
在电网运行中，故障的发生不仅可能由内部设备或系统问题引起，也可能受到外部环境因素的影响而产生。外部原因导致的故障，如天气恶劣、自然灾害或人为破坏，对电网的稳定性和安全性构成潜在威胁。因此，进行故障原因分析时，首先需要对所有可能的外部环境因素进行综合评估，以确定它们的危害等级。
危害等级评估的过程考虑了各种外部因素可能对电网造成的影响程度和紧急性。这种评估通常会结合历史数据、模型预测和专家判断，以确保全面性和准确性。如果评估显示某个外部因素的危害等级较高，即该因素可能严重影响电网运行，那么在出现故障时可以初步推断该故障是由该外部因素导致的。
在确定故障由外部原因引起后，进一步分析具体是哪种外部因素导致的故障显得尤为重要。例如，风暴可能导致树木倒下破坏电力线路，或者雷击可能损坏变压器等设备。这种分析有助于制定更精准的应急响应措施和预防策略，以减少类似故障的发生频率和影响范围。
相反，如果危害等级评估显示外部因素的影响相对较低，那么故障的原因很可能是由于内部设备故障、操作失误或其他内部问题引起的。这种情况下，故障原因分析将会聚焦于电网内部的具体组件或系统，以便迅速解决问题并采取预防措施，避免类似问题再次发生，如图4.1所示。
图4.1 故障原因分析流程图
应用的模糊综合评判法进行外部环境因素危害等级评估的过程可以分为以下5个步骤：
（1）建立与设备故障率有关的外部环境评判因素集；本文建立的设备
（
可能为图2.1中的母线
或者线路
）的外部环境评判因素集向量
如式4.1所示。
（4.1）
其中，
分别表示覆冰、风、降雨、雷电、气温、台风、冰雹、雪、雾对应的故障率。根据故障发生期间外部环境告警信息（计及环境信息类型以及告警等级）以及历史故障率统计表对
进行赋值。
（2）确定因素评价分级标准;本文将外部环境对电网造成的危害评价分级标准由低到高定为
这4个等级，并设定上述9个外部环境因素对应于4个危害等级的标准值分别相同，给出危害等级划分及各等级对应的故障率标准值如表4-1所示。
表4-1环境因素对电网设备故障危害等级划分及对应的故障概率表
| 环境因素危害等级 | 环境因素危害等级 | 环境因素危害等级 |
| V4 | 高 | 1 |
| V3 | 较高 | 0.5 |
| V2 | 较低 | 0.2 |
| V1 | 低 | 0 |
（3）确定各因素对于各评价等级的隶属度；当
的值介于
与
（
对应的标准值）之间时，j=1,2,3外部环境因素
对危害等级
的隶属度
的计算式为：
（4.2）
进而得到评判矩阵
。
- 确定各因素权重
，考虑到所列举的各外部环境因素均有可能成为导致电网故障发生的主因，故设
。
- 最后进行综合评判，选择合成算子将W与R进行模糊运算，直接给出匹配结果C的计算式为
（4.3）
式中，
为模糊矩阵合成运算，其具体计算式可表示为：
（4.4）
式中：
分别为矩阵C、W、R中对应位置的元素。
第5章 故障算法验证及分析
5.1故障案例设置
以图2.1所示的某地区500kV主网部分网络的故障为例，在故障情境下获取到的故障告警信息为：线路保护动作，断路器动作。而真实情景为：线路受到外界的暴雪影响导致短路故障，母线由于覆冰的影响发生接地短路故障，且母线保护动作信息漏报。故障场景设置如下：
（1）故障场景1。故障情景下获取的故障告警信息为：母线保护
动作，线路保护
动作，断路器 C1、C2、C12、C6、C8跳闸。真实故障情况为：线路L1因覆冰舞动发生相间短路故障；母线B3受雷击发生接地短路故障。
（2）故障场景 2。故障情景下获取的故障告警信息为：线路保护
动作，断路器C1、C3、C5、C6跳闸。真实故障情况为：线路因线路较长且受到强台风影响发生永久性三相接地短路故障；母线B1受雷击发生接地短路故障,重合闸失败。母线保护B1动作信息漏报。
（3）故障场景3。故障情景下获取的故障告警信息为:母线保护
动作，线路保护
动作，断路器 C4、C7、C9跳闸。真实故障情况为：母线B5受雷击发生相间短路故障，保护
误报。
（4）故障场景4。故障情景下获取的故障告警信息为：母线保护
动作，断路器C1、C3、C4、C7、C9、C6跳闸。真实故障情况为：母线B1由于异物跨接发生相间短路,母线 B5 受暴雨影响发生对地短路故障，断路器 C6误动。
（5）故障场景 5。故障情景下获取的故障告警信息为：母线保护
动作，线路保护
动作，断路器 C1、C4、C5、C6跳闸。真实故障情况为：母线B1受雷击发生接地短路故障，线路L3由于外力破坏发生相间短路。断路器 C3据动。
5.2案例分析
应用本文所提电网故障识别及原因分析方法对故障场景2进行故障诊断：
（1）建立关联矩阵如第二章所示。
（2）根据故障期间的断路器与保护动作告警信息对保护与断路器拓扑关联矩阵进行赋值。以母线主保护为例：动作短路器赋予0.9833的可信度，未动作断路器赋予0.2的可信度;动作母线保护赋子0.8564置信度,未动作母线保护赋子0.4置信度。得到断路器与母线主保护拓扑关联矩阵为：
其他断路器写保护关联矩阵的赋值与上述过程类似。
（3）应用 AHP 权重分析方法计算w1、w2；由故障告警信息知，断路器C1动作，且没有对应的保护动作告警信息,经查找发现存在与C1连接同一设备(母线B1)的断路器C3动作告警信息，因此判断存在保护告警信息漏报，故设定比较值为1.1，依据该比较值构建判断矩阵，经计算得
。
（4）进行保护与断路器信息的融合;依据该权重进行保护与断路器信息的融合得：
同理可得：
计算 P与P得：
=[0.6777 0.4814 0.4291 0.3048 0.3571]
=[0.4519 0.3864 0.9875 0.3309 0.264 0.2654 0.2873]
取置信度阈值为0.6，根据
与
可以得出故障设备为母线B1与线路 L3。
（5）调取与故障设备相关联的外部环境告警信息，母线B1与线路L3在故障期间的外部环境告警信息分别为：B1低温、雷电黄色预警、5级大风、大雨；L3低温、黄色台风预警、黄色暴雨预警；其他未出现的环境信息默认为1级；结合历史故障率统计表分别对母线B1与线路L3的外部环境信息综合评判因素矩阵
赋值：
（6）利用模糊综合评判法分别对母线B1与线路L3进行外部环境危害等级评估，得到环境因素对母线B1的危害等级为V4,对线路L3的危害等级为V3,因此判定故障均由外部环境因素导致。
5.3案例总结
本章对前文建立的考虑外部环境信息的电网故障识别分析模型进行了具体的故障实例分析，以图1所示的某地区500kV主网部分网络的故障为例，通过收集故障场景的电网内部告警信息以及外部环境告警信息，结合AHP权重分析法进行信息融合得出，进而判断出故障设备，完成了对电网故障设备的定位效果。
而通过理想解法并结合历史故障概率表对故障设备进行赋值分析，得出故障设备对于各种外部环境因素的故障概率，完成了故障原因的识别与分析效果，由此说明本文建立的模型的准确性与高效性。
结论
在电网运行中，故障的及时识别与分析对确保电力系统的稳定和可靠供电至关重要。本文的研究旨在探索一种综合考虑外部环境信息的电网故障识别分析方法，通过对电网拓扑结构、关联矩阵元素赋值以及AHP权重分析的整合，结合外部环境因素的危害评估和故障原因分析模型，实现对电网故障的精准识别和深入分析。
本文通过建立基于图论的电网拓扑矩阵，系统地描述了电网设备之间的关联关系，并对关联矩阵元素进行了合理的赋值，从而建立了故障识别的基础框架。通过AHP权重分析法，综合考虑了各种数据源的权重，提高了故障识别模型的准确性和可靠性。
针对外部环境信息的重要性，本文引入了外部环境因素的危险等级评估方法，对各种可能影响电网运行的外部因素进行了详尽的分析和评估。考虑到不同告警等级的外部环境因素，本文提出了相应的危害评估模型，有效地识别可能对电网造成影响的潜在风险。
在故障识别模型的基础上，本文进一步提出了基于外部环境信息的电网故障原因分析模型，通过对故障案例的设置、分析和总结，验证了该模型的有效性和实用性。通过案例分析，深入探讨了外部环境信息在电网故障原因分析中的作用和应用价值，为电网运维提供了重要的决策支持和技术参考。
本文的研究不仅在理论上丰富和完善了电网故障识别与分析的方法体系，还在实践中取得了显著的成果和应用效果。未来，可以进一步探索和优化外部环境信息的应用方式，提升电网故障识别与分析的精确度和效率，为电力系统的安全稳定运行贡献更多的理论和实践价值。
致 谢
很快，我的论文就要完成了，在这里，我要对我的导师表示感谢，让我受益匪浅。在此，我向亲友表示衷心的谢意。一笔一画，虽然心有不甘，但终究是要走到尽头的，对自己的坚持表示感激，这段时间的快乐和回忆，都会铭刻在我的脑海里。
参考文献
[1]刘晓军,吴星儒,胡晓晨,等.采用电流增量关联度的柔直配电线路双端量保护[J].电力系统及其自动化学报,2024,36(06):1-11.
[2]邓祥力,葛慧宁,廖玥琳,等.基于多源数据交互的高渗透率主动配电网保护策略[J].电力科学与技术学报,2024,39(02):101-111.
[3]陈昊蓝,靳冰莹,刘亚东,等.基于门控循环注意力网络的配电网故障识别方法[J].上海交通大学学报,2024,58(03):295-303.
[4]王少飞,吴琼水,田猛,等.人机协同巡检下绝缘子分类及故障检测方法[J].华中科技大学学报（自然科学版）,2024,52(01):91-98+111.
[5]许守东,欧阳金鑫,陈宇捷,等.基于模型识别的有源配电网单相接地故障定位方法[J].电力系统保护与控制,2024,52(05):51-60.
[6]张韵琦,王聪博,余越,等.基于双端初始电流行波时频矩阵相似度的柔性直流输电线路保护原理[J].中国电机工程学报,2024,44(07):2604-2615+I0008.
[7]刘义艳,郝婷楠,张伟.基于RMT-CNN的电网短路故障定位研究[J].北京理工大学学报,2024,44(04):403-412.
[8]陈昊蓝,靳冰莹,刘亚东,等.基于门控循环注意力网络的配电网故障识别方法[J].上海交通大学学报,2024,58(03):295-303.
[9]吴方权,代湘蓉,刘亦驰.基于ACNN的配电网故障识别与定位研究[J].微型电脑应用,2024,40(02):149-153.
[10]吴忠强,卢雪琴.基于BA-MKELM的微电网故障识别与定位[J].计量学报,2024,45(02):253-260.
[11]魏振江,孙乐.分布式电源配电网继电保护二次回路故障识别方法[J].通信电源技术,2024,41(04):128-130.
[12]程慧,陈艳.基于多级支持向量机的配电网故障识别方法[J].山西大同大学学报（自然科学版）,2024,40(03):55-59.
[13]熊亮雳,刘曼佳,何顺帆,等.用户侧储能两电平换流器开关管开路故障诊断[J].高电压技术,2024,50(06):2442-2451.
[14]陈奎,贾立娇,刘晓,等.基于多尺度特征融合的绝缘子缺陷程度检测[J].高电压技术,2024,50(05):1889-1899+I0008.
[15]王英英,张今,李勇.基于时间序列动态匹配的含IIDGs配电网纵联保护[J].电力系统及其自动化学报,2024,36(06):137-144.
[16]胡亚辉,韦延方,王鹏,等.基于PCA和EEMD的柔性直流配电网故障选线算法[J].电源学报,2024,22(02):305-315.
[17]Sihua Wang,Lijun Zhou,Tian Wang, et al.Fast Protection Strategy for DC Transmission Lines of MMC-based MT-HVDC Grid[J].Chinese Journal of Electrical Engineering,2021,7(02):83-92.
[18]Wang S.,Wu Q.,Tian M., et al.Insulator classification and fault detection method under human-machine collaborative inspection; [J].Huazhong Keji Daxue Xuebao (Ziran Kexue Ban)/Journal of Huazhong University of Science and Technology (Natural Science Edition),2024,52(01):91-98.
[19]Huifang WANG,Chenyu ZHANG,Dongyang LIN, et al.An artificial intelligence based method for evaluating power grid node importance using network embedding and support vector regression[J].Frontiers of Information Technology & Electronic Engineering,2019,20(06):816-828.
[20]Hanqing Liang,Xiaonan Han,Haoyang Yu, et al.Transmission line fault-cause identification method for large-scale new energy grid connection scenarios[J].Global Energy Interconnection,2022,5(04):362-374.
[21]Tian Y.,Yuan Y.,Liu H., et al.BERT pre-trained language model for defective text classification of power grid equipment[J].Nanjing Li Gong Daxue Xuebao/Journal of Nanjing University of Science and Technology,2020,44(04):446-453.
[22]Qi Donglian,Han Yifeng,Zhou Ziqiang, et al.Review of Defect Detection Technology of Power Equipment Based on Video Images[J].JOURNAL OF ELECTRONICS & INFORMATION TECHNOLOGY,2022,44(11):3709-3720.
[23]Soumesh Chatterjee,Biman Kumar Saha Roy.Fast Identification of Symmetrical or Asymmetrical Faults During Power Swings with Dual Use Line Relays[J].CSEE Journal of Power and Energy Systems,2020,6(01):184-192.
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
