基于贝叶斯网的电网多区域复杂故障诊断研究

宋功益，王晓茹，周 曙

（西南交通大学电气工程学院，四川 成都 610031）

摘要：针对大电网复杂拓扑结构的电网故障情况，先对其进行分割，提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型。利用粗糙集理论的知识约简和处理不确定信息的能力，对电网故障诊断知识进行分层挖掘，实行属性优选，再运用贝叶斯网络完成故障区域及故障元件的识别。该方法对复杂故障采用多区域并行诊断。算例结果表明，该方法正确、有效，能提高系统丢失关键信息情况下的容错性，实时性也很高，具有很好的实用价值。

关键词：故障诊断；复杂故障；电网分割；粗糙集；贝叶斯；并行诊断

Research on complex faults diagnosis of multi-area power network based on Bayesian networks

SONG Gong-yi，WANG Xiao-ru，ZHOU Shu

（School of Electric Engineering，Southwest Jiaotong University，Chengdu 610031，China）

Abstract：According to the fault conditions of complicated topology and large-scale power networks an efficient method is proposed

，

to partition the large-scale power networks A hierarchical recursive fault diagnosis model is proposed bas

．ed on rough set and Bayesian network. Using the ability of knowledge reduction and processing indeterminate information of rough set theory the hierarchical

，

mining of substation’s fault diagnosis knowledge is carried out and optimal seeking of attributes is performed. Then Bayesian network is applied to identify fault areas and fault components．For complicated fault, this paper adopts multi-area parallel diagnosis Results of

．calculation examples show that the proposed method is correct and effective and can improve the fault toleranc

， e capability and speed of the fault diagnosis system while the kernel attribute is lost so this method is available

，．

Key words：fault diagnosis；complex faults；network partition；rough set；Bayesian networks；parallel diagnosis

中图分类号： TM77 文献标识码：A 文章编号： 1674-3415(2011)07-0020-06

0 引言

电网故障诊断即利用电力系统的广泛知识和继电保护信息来识别故障的区域、元件、类型和误拒动的装置。随着电网互联规模的扩大，拓扑结构更加复杂，电网故障时，大量报警信息短时间内涌入调度中心，特别是存在保护、断路器装置的拒动，误动，信息传输错误等不确定性与不完备信息时，将使故障诊断异常复杂。目前电网故障诊断方法主要有：神经网络[1-3]、专家系统[4-5]、粗糙集理论[6-8]、模糊理论[9]、Petri网[10-11]、多智能体[12]等。这些诊断算法在信息不确定性方面取得了某些效果，但在大规模复杂系统中进行有效诊断建模和决策方面存在很多困难和不足。

贝叶斯网络是一种不确定性因果关系关联模型，具有强大的不确定性问题处理能力，贝叶斯网络特性与故障诊断问题的要求内在一致，有很多的学者把贝叶斯网络应用于不同领域的故障诊断。以文献[13]为代表的改进贝叶斯网络方法用于电网故障诊断，主要是在贝叶斯网络模型的基础上，引入了信息时序属性，并提出信息时序一致性识别和不完备信息状态估计推理的预处理算法，一定程度上提高了诊断结果的准确性，但它不适用于大规模多故障点电网的建模和诊断。文献[14-15]针对电网故障诊断中存在大量不确定信息的问题，采用由Noisy-Or和 Noisy-And节点组成的贝叶斯网络和基于人工鱼群算法的贝叶斯网络参数学习方法，分别建立了输电线路、母线和变压器的通用故障诊断模型。但该方法存在原因性的前提，即它假设了导致某结果的若干原因是变量，而实际中，结果通常由不同原因综合作用而得。另外，其基于元件的通用故障诊断模型只适用于保护断路器配置完全相同的电网元件，而实际电网中的保护配置往往不同，这给用该方法的大规模电网建模带来了难度。

宋功益，等基于贝叶斯网的电网多区域复杂故障诊断研究- 21 -

文献[16]是基于粗糙集的朴素贝叶斯的电网故障诊断方法，在一定程度上实现了优势互补，且逻辑简单，易于实现。但该方法存在丢失核心属性时会出现诊断不正确的情况。文献[17]所提出的基于主观贝叶斯的故障诊断方法，是对贝叶斯公式本身的改进，提出采用证据的不确定性推理和比较异常事件数处理不确定信息，但它引入了规则成立的充分性和必要性的两个因子，而这两个因子的数值却难以求解，无物理意义，一般由专家给出，它也不适用于复杂电网的故障诊断。

本文针对拓扑结构复杂的大电网，首先利用改进的蝶形网络分割方法把电网分割成若干个区域，并提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型，实例验证了该方法在各种故障情况下的可行性，为电网故障诊断系统的实用化提供一定借鉴。

1 基于贝叶斯网的分层递归型电网故障诊

断方法

1.1 基于粗糙集理论的电网故障诊断知识获取

本文用粗糙集进行知识挖掘，以便在故障发生后能迅速判别出故障区域及故障元件。由于电网结构不尽相同，需对不同结构的电网进行相应的知识获取。根据文献[18-19]中方法，将保护和断路器信号作为对故障分类的条件属性集，建立考虑各种可能发生的故障情况的决策表，利用文献[8]进行约简，约简过程为：①对决策表进行基于RS理论与二元逻辑相结合的属性约简过程；②对属性约简后得到的约简信息表使用改进的值约简算法，找出最终的约简，从中抽取各约简信息表中的决策规则。

1.2 基于贝叶斯网的分层递归型电网故障诊断模型

本文采用两层来构建电网故障诊断模型，即先根据故障信息判定故障区域，再由故障区域和故障信息综合判定出故障元件。将粗糙集约简后的故障区域决策表和故障元件决策表分别对应一个贝叶斯网络，网络的输入是决策表的条件属性，输出是决策表的决策属性，综上，本文提出一种基于粗糙集与贝叶斯网络相融合的分层递归型电网故障诊断网络模型，其网络结构如图1所示。

1.3 基于贝叶斯网的分层递归型电网故障诊断方法

基于贝叶斯网的分层递归型电网故障诊断过程如下：

（1）将获取的开关保护信息作为条件属性，故障区域作为决策属性，形成故障区域决策表。

（2）运用粗糙集对故障区域决策表进行知识挖掘，删除冗余属性，实行属性优选，消除不一致的噪声，进行对象约简，形成故障区域简化决策表。

（3）将简化决策表的条件属性和决策属性作为第一层贝叶斯网络的子结点和父结点，得到故障区域的诊断网络模型。

（4）将故障区域作为条件属性加入到条件属性表中，故障元件作为决策属性，再次运用粗糙集理论知识约简，形成故障元件简化决策表。

（5）将故障元件简化决策表的条件属性和决策属性作为第二层贝叶斯网络的输入输出样本对，得到故障元件的诊断网络模型。

图1 分层递归型贝叶斯网络诊断模型结构

Fig.1 Structure diagram of recursive Bayesian networks

diagnosis model

1.4 基于贝叶斯网的分层递归型电网故障诊断实例

图2为一个变电站的局部接线图，包括母线M、N，变压器T及线路L1、L2。母线配有主保护Mm、Nm，其他元件分别配有主保护m及后备保护p。CB1，CB2，CB3，CB4是断路器。

图2 某变电站主接线及区域划分示意图

Fig.2 Sketch map of fault areas partition

根据变电站及线路的开关保护故障信息，建立关于粗糙集理论的决策表如表1所示。其中，U为论域，是研究对象的集合，“1”表示变位信息，“0”表示非变位信息，D为故障区域。

运用基于可辨识矩阵和二元逻辑运算的属性约简方法对该决策表进行约简，通过Matlab7.0编程实现约简并计算平均互信息结果见表2。

选择基于平均互信息的最优属性约简组合为{CB1，CB2}。同样对故障元件决策表约简并选择最优属性约简组合为{Mm，CB2，CB3，D}，建立约简后的故障区域决策表3和故障元件决策表4的两层诊断贝叶斯网络如图3、图4所示。

- 22 - 电力系统保护与控制

表1 故障区域及元件决策表

Tab.1 Fault areas and fault components decision table

U Mm Nm TAm TAp TBm TBp L1m L1p L2m L2p CB1CB2CB3CB4 D Fault

1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 D1 M母线保护动作

2 0 0 1 0 1 0 0 0 0 0 0 0 1 1 D1 T主保护动作

3 0 0 0 1 0 0 0 0 0 0 0 0 0 1 D1

T高压侧后备保护动作

4 0 0 0 0 0 1 0 0 0 0 0 0 1 0 D1

T低压侧后备保护动作

5 0 1 0 0 0 0 0 0 0 0 1 1 1 0 D2 N母线保护动作

6 0 0 0 0 0 0 1 0 0 0 1 0 0 0 D2 L1（正常跳闸）

7 0 0 0 0 0 0 0 1 0 0 1 0 0 0 D2 L1（后备跳闸）

8 0 0 0 0 0 0 0 0 1 0 0 1 0 0 D2 L2（正常跳闸）

9 0 0 0 0 0 0 0 0 0 1 0 1 0 0 D2 L2（后备跳闸）

表2 区域决策表属性约简结果及平均互信息 Tab.2 The attribute reduction and average transinformation of

fault areas

属性约简结果平均互信息

CB1，CB2 0.000 0

TBp，CB4 0.514 2

L1m，L1p，CB2 0.053 3

L2m，L2p，CB1 0.053 3

CB2，CB3，CB4 0.083 9

CB1，CB3，CB4 0.083 9

Nm，CB3，CB4 0.0 0

Mm，TAp，CB2，CB3 0.050 0

Mm，TAp，CB1，CB3 0.050 0

Mm，TAp，TBm，TBp 0.003 4

Mm，TAm，TAp，TBp，L1p 0.002 0

Mm，TAm，TAp，TBp，CB2 0.040 0

诊断实例1，假设故障信息：变位信息CB4=1，TAp=1，TBm=1，CB3=1，其余为非变位信息。由第一层诊断网络确定为故障区域D1，由第二层诊断网络确定各元件故障概率排序为：T（0.920 8），N （0.462 8），L1，L2（0.153 7），M（0.0 3）。判断为T为故障元件，实际查明诊断结果正确。

诊断实例2，假设变位信息不变，由于某种原因，CB4，TBm变位信息未上传成功或信息传输错误时，仍可判定故障元件为主变T，当丢失CB3，CB4等核心属性的变位信息时，仍可判定故障区域为D1，且区域内元件故障概率：T（0.666 7），M（0.236 4）。

可见该两层诊断网络降低了不确定信息的影响，这是因为不确定信息对于故障区域判定的影响要比对单个故障元件判定的影响小得多，故障区域的界定又为故障元件的正确判定缩小了范围，使得该两层诊断网络的容错能力和抗干扰性大大增强。

表3 故障区域最佳约简决策表

Tab.3 The best reduction decision table of fault areas

条件属性

CB1 CB2

决策属性D

0 0 D1

* 1 D2

1 * D2

表4 故障元件最佳约简决策表

Tab.4 The best reduction decision table of fault components

条件属性

Mm CB2 CB3 D

决策属性F

1 0 0 D1 M

0 0 * D1 T

0 1 1 D2 N

0 0 0 D2 L1

0 1 0 D2

L2 图3 故障区域判定贝叶斯网络模型

Fig.3 Fault judge Bayesian networks model of fault areas

图4 故障元件判定贝叶斯网络模型

Fig.4 Fault judge Bayesian networks model of fault components宋功益，等基于贝叶斯网的电网多区域复杂故障诊断研究- 23 -

2 基于改进的蝶形分割电网方法

由于故障诊断具有局域性，即故障元件可以由且仅由其主保护、后备保护及相应断路器的状态来判别，而这些都是故障元件邻域的局部信号。因此，没有必要也不应该把整个电网的所有保护开关信息都作为条件属性来对其进行约束。

本文考虑将大规模电网分割成若干子网，在子网范围内生成决策表，并进行故障区域和故障元件的判定，该方法适用于任意规模、结构及配置的电网，为大规模电网故障诊断开辟途径。

根据故障诊断问题的要求，网络分割方法应将大电网分解为连通的且计算负担基本平衡的子网络，同时各个子网络元件的数目要尽可能的小。

目前网络分割方法有无重叠分割方法，多重叠分割法，图形分割法，蝶形分割方法等[20-21]。而无重叠分割法不能保证电网的连通性，多重叠分割会带来很大的冗余，图形分割法在涉及子网边缘问题的故障情况难以得到反映，蝶形分割法是对无重叠分割方法和多重叠分割方法的改进，是比较理想的分割方法，但在区分函数验证下，该分割方法仍不能保证分割前的信息含量，文献[21]提出了一种改进的蝶形分割方法，区分函数验证了该方法的可行性，本文采用此方法对IEEE9节点的分割如图5示。

图5 IEEE9节点及改进的蝶形分割示意图

Fig.5 The improved butterfly partition sketch map of IEEE9

3 基于贝叶斯网的电网多区域复杂故障诊

断实例

针对图5已进行分割的9节点电网，保护采用常规配置，取M1、M2为区域D1，M2、M3为区域D2，以此类推，一共为六个区域子网络。各区域子网络的故障样本原始决策表的最佳约简决策表列出区域D1的最佳约简决策表如表5示。

表5 IEEE9节点区域D1的最佳约简决策表

Tab.5 The best reduction decision table of fault area D1 IEEE9

T1M ML3 ML4 ML5 ML6ML7ML8CB1CB3D故障类型

1 0 0 0 0 0 0 1 0 D1T1 0 0 0 0 0 0 0 1 0 D1T1（ZJD）

0 0 0 0 0 0 0 0 1 D1 D

1 0 1 0 0 0 1 1 0 D1D（ZJD）

0 0 0 0 0 0 0 0 0 D1 A 0 1 0 0 1 0 0 0 1 D1A（ZJD）

0 1 1 0 0 0 0 0 1 D1L1 0 0 1 0 0 0 0 0 1 D1L1（ZJD）0 1 1 0 1 0 0 0 1 D1L1（DJD）0 0 0 1 1 0 0 0 0 D1L2 0 0 0 0 1 0 0 0 0 D1L2（ZJD）0 1 0 1 1 0 0 0 1 D1L2（L1ZWD）0 0 0 0 0 1 1 0 0 D1L3 0 0 0 0 0 0 1 0 0 D1L3（ZJD）

注：ZJD为主保护拒动，DJD为断路器拒动，L1ZWD为L1主保护误动，其余类同。

由设定的继电保护动作信息，利用本文故障诊断方法处理单一故障及复杂故障的诊断结果如表6所示。

由表6可见，当故障信息准确完整时（样本1），可得到正确的诊断结果，且故障元件的诊断概率很高；当丢失或出错的故障信息不是核属性时（样本3），可得到正确的诊断结果，且故障元件的诊断概率也较高；当核属性信息部分丢失或出错时（样本2、4），无论对于简单故障或复杂故障情况，亦可得到正确的诊断结果，且故障元件的诊断概率均排在- 24 - 电力系统保护与控制

首位或前列；当核属性信息丢失严重，且非核属性信息也存在丢失或出错时（样本5），诊断结果中概率最大的故障元件不是设定的故障元件，但设定的故障元件存在于诊断结果中，可达到辅助决策的目的。与文献[8，16，19]所述方法相比，本方法具有以下优点：

（1）由于充分利用粗糙集和贝叶斯网络的最大优点，即知识约简和模式分类能力，该网络诊断模型有较高的准确率。

（2）对电网进行区域划分，只对诊断出故障的区域进行诊断，有利于降低问题求解规模，简化网络结构，增强并行处理能力，因而可以获得较高的速度。

（3）对多个故障区域运用粗糙集理论和贝叶斯网络进行并行诊断，可处理复杂故障情况，且能做到危险分散，增强鲁棒性，提高可靠性。

（4）由于各诊断区域，若各区域开关保护信息改变，导致该区域决策属性表改变，可重新构建诊断网络，而不影响其他区域的诊断。

表6 IEEE9节点部分故障诊断测试情况表 Tab.6 Part result of fault diagnosis tests for IEEE9

序号继电保护动作信息缺失信息

诊断结果

（区域）

诊断结果（元件）故障发生过程

1 T1M动作，CB1和

CB2跳闸

无

D1，0.987

D6，0.9

T1，0.985 T1故障，T1M正确动作跳开CB1和CB2

2 CB1跳闸T1M,T1P D1，0.985

D6，0.977

T1，0.825；A，0.014

D，0.001

T1故障，T1M，T1P信息缺失，CB1跳闸，CB2拒动

3 ML4、ML6动作，CB3

跳闸

ML3,CB4

D1，0.991

D2，0.988

L1，0.013 ；A（ZJD），

0.012；L1（DJD），0.875；

L1（ZJD），0.013

L1故障，ML3缺失，ML4动作，CB3跳闸，CB4拒动，

后备保护ML6动作跳开CB6

4 ML5、ML6、BL7、

ML8动作，CB5、

CB6、CB7、CB8跳闸

无

D1,0.965

D2,0.953

D6,0.971

L3（ZJD），0.633；

L1（ZJD），0.006

L1，0.002；C，0.013；

L2（ZJD），0.026

L2，0.457

L2、L3同时故障，L2主保护ML5、ML6动作跳开CB5、

CB6，L3左侧主保护拒动，后备保护BL7及右侧主保护

ML8动作跳开CB7、CB8

5 ML7、ML12、ML3、

BL9动作，CB7、CB3、

CB9、CB10跳闸

CB12,ML10

D1,0.335

D2,0.831

D3,0.759

D4,0.722

D5,0.655

D6,0.687

L1，0.753；L1（ZJD），

0.001；L3，0.002；

E，0.018；D，0.002；

L4（ZJD），0.019

C（ZJD），0.134

母线C和线路L4同时故障，母线C主保护CM拒动，

ML7和ML12动作，CB7和CB12跳闸，ML3误动，CB3

跳闸；L4主保护ML9拒动，后备保护BL9动作，CB9

跳闸，和ML10信号丢失，CB10跳闸

4 结论

（1）本文提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型，该方法对复杂故障采用多区域并行诊断，算例结果表明，该方法正确、有效，能提高系统丢失关键信息情况下的容错性，实时性也很高，具有很好的实用价值。

（2）基于粗糙集方法对SCADA采集的保护、开关信息进行分层挖掘，降低问题求解规模，提高故障诊断的实时性和准确性，增强抗干扰能力，增加诊断过程的透明性和解释能力。

（3）本文方法可处理具有不同时间特性的保护或断路器的信息，通过不同的表达方法作为的信息列入原始决策表中。例如将断路器经重合闸前后的两次动作、三段式保护的三段都作为的条件属性加入原始决策表，使时间特性蕴含在原始决策表中，从而使生成的规则包含必需时间特性的故障情况，为保证故障样本表达的完整性，可将时间特性不同的事件放在同一子网的原始决策中。

参考文献

[1] 毕天妹，倪以信，吴复立. 基于新型神经网络的电网

故障诊断方法[J]. 中国电机工程学报，2002，22（2）：73-78.宋功益，等基于贝叶斯网的电网多区域复杂故障诊断研究- 25 -

BI Tian-shu，NI Yi-xin，WU Fu-li. A novel neural

network approach for fault section estimation[J].

Proceedings of the CSEE，2002，22（2）：73-78.

[2] 刘燕燕. 基于模糊神经网络的信息融合在电网故障诊

断中的应用[J]. 继电器，2005，33（9）：9-12．

LIU Yan-yan. Application of date fusion based on fuzzy

neural network in transmission line fault diagnosis[J].

Relay, 2005，33（9）：9-12．

[3] 张东英，钟华兵，杨以涵，等. 基于BP神经网络和专

家系统的变电站报警信息处理系统[J]. 电力系统自动

化，2001，25（9）：45-47.

ZHANG Dong-ying，ZHONG Hua-bing，YANG Yi-han，

et al. Substation alarm message dealing system based on

ANN and ES[J]. Automation of Electric Power Systems，

2001，25（9）：45-47.

[4] 赵伟，白晓民，丁剑，等. 基于协同式专家系统及多

智能体技术的电网故障诊断方法[J]. 中国电机工程学

报，2006，26（10）：1-8.

ZHAO Wei，BAI Xiao-min，DING Jian，et al. A new fault

diagnosis approach of power grid based on cooperative

expert system and multi-agent technology[J].

Proceedings of the CSEE，2006，26（10）：1-8.

[5] Fukui D, Kawakame J. An expert system for fault section

estimation using information from protective relays and

circuit breakers[J]. IEEE Trans on Power Delivery，

1986,1（4）: 83-90.

[6]束洪春，孙向飞，于继来. 粗糙集理论在电力系统中

的应用[J]. 电力系统自动化，2004，28（3）：90-95.

SHU Hong-chun，SUN Xiang-fei，YU Ji-lai. A survey on

the application of rough set theory in power systems[J].

Automation of Electric Power Systems，2004，28（3）：

90-95.

[7] 王林先，李乃永. 基于粗糙集理论和故障信息网的电

网故障诊断方法[J]. 继电器，2008, 36（8）：59-67．

WANG Lin-xian, LI Nai-yong. A power network fault

diagnosis method based on rough set theory and fault

information networks[J]. Relay, 2008，36（8）：59-67． [8] 赵冬梅，韩月，高曙. 电网故障诊断的决策表约简新

算法[J]. 电力系统自动化，2004，28（4）：63-66.

ZHAO Dong-mei，HAN Yue，GAO Shu. New reduct

algorithm of decision table for electric power grid fault

diagnosis[J]. Automation of Electric Power Systems，

2004，28（4）：63-66.

[9] Cho H J，Park J K. An expert system for fault section

diagnosis of power systems using fuzzy relations[J].

IEEE Transactions on Power Systems，1997，12（1）：

342-348.

[10] Lo K L，et al. Power systems fault diagnosis using

petrinets[J]. IEEE Proceedings Generations.

Transmissions and Distributions，1997，144（3）：231-236.

[11]徐青山，Tobias Mirbach，唐国庆. 集成冗杂保护信息

的扩展Petri网故障诊断[J].继电器，2005, 33（10）：

45-48．

XU Qing-shan, Tobias Mirbach, TANG Guo-qing. Fault

diagnosis based on extended petri nets upon the

integrated protection information[J]. Relay, 2005, 33

（10）：45-48．

[12] 朱永利，卢锦玲，卢敏，等. 基于Multi-agent的电网

故障诊断系统的研究[J]. 继电器，2006，34（5）：1-5.

ZHU Yong-li，LU Jin-ling，LU Min，et al. Multi-agent

based real-time intelligent system for power systems fault

diagnosis[J]. Relay，2006，34（5）：1-5.

[13] 吴欣，郭创新，曹一家. 基于贝叶斯网络及信息时序

属性的电力系统故障诊断方法[J]. 中国电机工程学

报，2005，25（13）：14-18.

WU Xin，GUO Chuang-xin，CAO Yi-jia. A new fault

diagnosis approach of power system based on bayesian

network and temporal order information[J]. Proceedings

of the CSEE，2005，25（13）：14-18.

[14] HUO Lin-min，ZHU Yong-li，LI Ran，et al. Novel method

for power system fault diagnosis based on Bayesian

networks[C]. //Proceedings of 2004 International Conference on Power System Technology，Singapore：

818-822.

[15] ZHU Yong-li，HUO Li-min，LU Jin-ling. Bayesian

networks-based approach for power systems fault

diagnosis[J]. IEEE Transactions on Power Delivery，

2006, 21(2).

[16] 张耀天，何正友，赵静，等. 基于粗糙集理论和朴素

贝叶斯网络的电网故障诊断方法[J]. 电网技术，2007，

31（1）：37-43.

ZHANG Yao-tian，HE Zheng-you，ZHAO Jing，et al. A

power network fault diagnosis method based on rough set

theory and naive Bayesian networks[J]. Power System

Technology，2007，31（1）：37-43.

[17]李强，徐建政. 基于主观贝叶斯方法的电力系统故障

诊断[J]. 电力系统自动化，2007，15（8）：46-50.

LI Qiang，XU Jian-zheng. Power system fault diagnosis

based on subjective Bayesian approach[J]. Automation of

Electric Power Systems，2007，15（8）：46-50. [18] ZHANG Qi，HAN Zhen-xiang，WEN Fu-shan. A new

approach for fault diagnosis in power systems based on

rough set theory[C]. //Proceedings of 4th International

Conference on Advances in Power System Control，

Operation & Management，IEE London：1997：597-602.

[19] 束洪春，孙向飞，司大军. 基于粗糙集理论的配电网

故障诊断研究[J]. 中国电机工程学报，2001，21（10）：

73-77.

SHU Hong-chun，SUN Xiang-fei，SI Da-jun. A study of

fault diagnosis in distribution line based on rough set

theory[J]. Proceedings of the CSEE，2001，21（10）：

73-77.

（下转第31页 continued on page 31）

杜正旺，等等面积法则在铁磁谐振分析中的应用- 31 -

本文验证了等面积法则在分析铁磁谐振时的正

确性和实用性，为后续研究工作提出抑制铁磁谐振

方法提供了重要的理论依据。

参考文献

[1]曹亚旭，邵鹏，张宏基，等. 10 kV母线PT高压保险熔

断原因分析及解决措施探讨[J]. 继电器，2007, 35（S）：

405-408.

CAO Ya-xu, SHAO Peng, ZHANG Hong-ji, et al. PT 10

kV high voltage busbar insurance fuse analysis and

soving measures[J]. 2007, 35（S）:405-408.

[2]翁利民，陈灵欣，靳剑峰. 配电网电压互感器铁磁谐

振的特点与抑制[J]. 继电器，2004, 32（20）: 40-42.

WENG Li-min, CHEN Ling-xin, JIN Jian-feng.

Characteristics and suppresseion of ferro-resonance of

electromagetic PT in distribution network[J]. Relay, 2004,

32（20）: 40-42.

[3]陈维贤. 内部过电压基础[M]. 北京：电子工业出版社，

1981.

CHEN Wei-xian. The basic principle of the internal

over-voltage[M]. Beijing: Publishing House of Electronics

Industry, 1981.

[4]李云阁, 施围. 应用解析法分析中性点接地系统中的

工频铁磁谐振——谐振判据和消谐措施[J].中国电机

工程学报, 2003, 23(9): 141-145.

LI Yun-ge, SHI Wei. Study of fundamental ferro

-resonance on neutral-grounded systems by using

analytical method-criterion and elimination[J].

Proceedings of the CSEE, 2003, 23 (9): 141-145.

[5] 杨秋霞, 宗伟, 田璧元. 基于小波分析的铁磁谐振检

测[J]. 电网技术, 2001, 25(11): 55-61.

YANG Qiu-xia, ZONG Wei, TIAN Bi-yuan. Detection of

ferromagnetic resonanance based on wavelet analysis[J].

Power System Technology, 2001, 25(11): 55- 61.

[6]吴骏，卢刚. 小电流接地系统单相接地与谐振状态辨

识技术[J].电力系统保护与控制，2010, 38(13): 144-150.

WU Jun, LU Gang. Virtual grounding identificaiton technology in neutral point non-effectively grounded system[J]. Power System Protection and Control，2010,

38(13): 144-150.

[7]Zahawi B A T A I, Emin Z, Tong Y K. Chaos in

Frroresonant wound voltage transformer effect of core

losses and universal circuit behavior[J]. IEE Proc Sci

Meas Technol, 1998, 145(1): 39-43.

[8]Soudack A C. Ferroresonance in power system and chaos

behavior[J]. IEE Proc Sci Technol, 1993, 140 (3): 62-.

[9]石启新,谈顺涛.基于MATLAB的电压互感器铁磁谐振

数字仿真[J]. 高电压技术, 2004, 30(8): 25-27, 49.

SHI Qi-xin, TAN Shun-tao. Digital simulation analysis of

ferroresonance of electromagnetic potential transformer

based on Matlab[J]. High V oltage Engineering, 2004, 30(8): 25-27, 49.

收稿日期：2010-04-17； 修回日期：2010-08-24

作者简介：

杜正旺（1965-），男，硕士，高级工程师，从事电力技术及电力科技工作；E-mail：dzwang@slof.com

周海全（1986-），男，硕士研究生,主要研究方向为配电网谐振与继电保护；

哈恒旭（1972-），男，博士，副教授，主要研究方向为电力系统继电保护与安全自动装置。

（上接第25页 continued from page 25）

[20]毕天姝，焦连伟，严正，等. 用于分布式故障诊断系

统的新型网络分割法[J]. 中国电机工程学报，2001，

25（16）：16-21.

BI Tian-shu，JIAO Lian-wei，YAN Zheng，et al. Graph

partitioning method for distributed fault section estimation system in power networks[J]. Proceedings of

the CSEE，2001，25（16）：16-21.

[21] 李晶. 基于粗糙集理论的电网故障诊断专家系统研究

[D]. 北京：中国电力科学研究院，2004：36-54.

LI Jing. A study of fault diagnosis using expert system

based on rough set theory[D]. Beijing：China Electric Power Research Institute，2004：36-54.

收稿日期：2010-03-27； 修回日期：2010-05-24

作者简介：

宋功益（1983-），男，硕士研究生，主要研究方向为电力系统故障诊断；E-mail:songgongyi@163.com

王晓茹（1962-），女，教授，博士生导师，主要研究方向为电力系统保护和安全稳定控制、配电网与变电站自动化技术等；

周 曙（1975-），男，博士研究生，主要研究方向为人工智能、电力系统故障诊断。