CN101907868A - 牵引供电***智能故障诊断方法及其*** - Google Patents

Abstract

本发明提供一种牵引供电***智能故障诊断方法：首先建立被诊断***的***描述库，然后实时采集诊断所需的观测值数据并进行预处理，根据***元件行为描述库和观测值数据获得***预测值之后，将预测值与观测值进行一致性模糊检验以判断差异，若不一致时对***进行分层一致性诊断以产生故障候选集合，再选择故障行为模型进行溯因诊断以确定故障原因和故障位置，从而预测继电保护动作及断路器动作，通过比较预测动作结果与实际动作的一致性，得出故障原因和结果并报警输出；本发明还提供了一种牵引供电***智能故障诊断***；本发明适用于牵引供电***、能及时准确发现故障元件和故障原因、克服计算复杂性，实现对牵引供电***的实时监测和故障诊断。

Description

牵引供电***智能故障诊断方法及其***

技术领域

本发明涉及一种故障诊断方法及其***，特别涉及一种电力***的智能故障诊断方法及其***。

背景技术

对于电力***的故障诊断，目前国内外常用的方法是采用专家***来开发电网的智能故障诊断***，此类诊断***故障判断的依据主要来自于断路器位置信息和保护继电器的动作信息；然而保护继电器和断路器本身会发生拒动或误动的情况，同时这些开关量信号在传输和采集过程中常常出错甚至丢失，上述情况都会导致专家***出现故障推理失误、误解等情况，从而不能及时准确地对电力***进行故障判断及排除；此外，由于专家***本身存在的缺陷，如：单纯依赖专家经验、不能发现未知故障等，因此导致采用专家***开发出智能故障诊断***的可移植性差、诊断结果可靠性不高。

而基于模型的故障诊断方法能够很好的解决上述缺陷，其具有能发现未知故障和避免对专家经验的依赖等优点。基于模型故障诊断方法是对单个元件建立模型，通过建立***结构模型将单个元件模型连接为整体，一旦被诊断***更换元件或者添加元件，只需要更改元件模型的参数或者增加新添元件的模型和更改元件结构模型即可，修改工程量小，成本低。基于模型故障诊断有两个主要的研究方法：一致性诊断和溯因诊断方法：一致性诊断方法是Reiter于1987年总结前期研究者和自己研究成果提出，该方法要求对所要诊断的***建立元件正常模型和***结构模型，并根据***的描述和观测值之间的差异进行推理，获得最小冲突集，从而通过最小冲突集来产生最小诊断集，当所有最小冲突集为正的情况下，被诊断***的最小诊断集是最小冲突的质蕴涵，由于***知识的不完备性，由一致性诊断方法诊断产生诊断的解空间具有冗余性。溯因诊断方法是1989年由Poole D提出的，该方法从***故障症状出发，对元件行为模型进行指定，选择可以解释***观测值的指定作为诊断；但当***模型不完备或模型不可靠时，溯因诊断往往无法获得满意解。

虽然基于模型的故障诊断方法避免了对专家经验的依赖且具有能发现未知故障等优点，然而目前尚未将该诊断方法应用到牵引供电***智能故障诊断领域的成功案例，其原因是：一方面，由于牵引供电***属于高压、大型电力***，其具有动态不确定性的特点，供电***在运行过程中存在许多干扰因素使得***的测量数据存在大量噪音数据，同时其测量数据还具有分散性和不精确性，以上特点不仅造成诊断推理中因果的复杂性，而且还会影响诊断的结果；另一方面是：牵引供电***并不是静态的，期间不定期的会有更复杂的***——电力机车通过，一些牵引供电***时而会投入串联补偿装置，时而又不投入串联补偿装置等等情况都造成了牵引供电***的结构动态性，而基于模型的故障诊断方法一般只针对结构固定、确定性的***。因此，如何对***结构和***元件行为进行描述，如何克服一些元件难以建立精确模型的困难，如何建立不确定性推理机制，如何利用基于模型故障的诊断方法及时、准确产生故障元件和故障原因，以克服候选解空间大和计算复杂性的缺陷等等均是本领域亟待解决的技术问题。

发明内容

本发明的主要目的是提供一种适用于牵引供电***、及时准确发现故障元件和故障原因、克服计算复杂性的基于模型智能故障诊断方法，以实现对牵引供电***的实时监测和故障诊断。

为实现上述目的，本发明提供的牵引供电***智能故障诊断方法是：首先建立被诊断***的***描述库，然后实时采集诊断所需的观测值并对数据进行预处理，根据***元件行为描述库和采集的观测值获得***预测值之后，将所述***的预测值与所述观测值进行一致性模糊检验以判断差异，若不一致时对***进行分层一致性诊断以产生故障候选集合，再选择故障行为模型进行溯因诊断以确定故障原因和故障位置，从而预测继电保护动作及断路器动作，通过比较预测动作结果与实际动作的一致性，得出故障原因和结果并报警输出。

由以上方案可见，本发明的诊断方法实现了对结构动态、不确定性***模型表示，能够对牵引供电***进行在线监测和实时诊断；一旦发生故障，通过该方法能够及时、准确产生故障元件和故障原因，并对继电保护和断路器动作进行评价，还能发现未知故障，克服基于模型故障诊断方法的计算复杂性，减小了诊断的解空间；由于该诊断方法中采用了一致性检验、分层一致性诊断及溯因诊断等的方法，因此能大大减轻牵引变电所工作人员的劳动强度、提高工作效率，还能有效避免对经验丰富工作人员的依赖，提高故障查找的自动化和智能化水平。

本发明的另一目的是提供一种采用上述方法对牵引供电***进行检测和故障诊断的***。

为实现上述目的，提供一种牵引供电***智能故障诊断***包括：存储被诊断***的***描述库的***描述模块；进行实时数据采集、预处理并显示结果的人机对话模块及检测***是否正常并对故障报警的诊断模块；所述***描述模块包括***元件行为描述库、***结构描述库及继电保护和断路器动作描述库；所述人机对话模块包括数据实时信号采集和处理模块及人机对话界面模块；所述***描述模块通过所述诊断模块与人机对话模块相连接。

采用本***能够及时有效地捕捉***故障信息，在多项式时间内定位故障元件和解释故障原因，故障诊断准确率高；不仅能够发现未知故障，而且可以对断路器和继电保护动作进行评价，发现断路器和继电保护误动和拒动的情况；同时还能防止不必要的短路电流冲击***，损坏供电***，因此，运用牵引供电***智能故障诊断***可以改善供电***的运行可靠性、安全性；此外，本***成本小，安装简单，可移植性强；本发明可以扩展应用到轻轨、地铁等方面，具有广泛的应用前景。

附图说明

图1是本发明之牵引供电***智能故障诊断方法的总流程图。

图2是本发明之牵引供电******智能故障诊断方法的一致性检验流程图。

图3是本发明之牵引供电***智能故障诊断方法的分层一致性诊断流程图。

图4是本发明之牵引供电***智能故障诊断方法的溯因诊断流程图。

图5是本发明之牵引供电***智能故障诊断***的***模型图。

图6是本发明之牵引供电***智能故障诊断***的***组成模块示意图。

图7是本发明之牵引供电***智能故障诊断方法实施例的接线图。

图8是本发明之牵引供电***智能故障诊断方法实施例在无电力机车运行时的预测值推理图。

图9是本发明之牵引供电***智能故障诊断方法实施例在有电力机车运行时的预测值推理图。

图10是本发明之牵引供电***智能故障诊断***实施例的人机输入界面示意图。

图11是本发明之牵引供电***智能故障诊断***实施例的人机输入界面数据输入示意图。

图12是本发明之牵引供电***智能故障诊断***实施例的***动态演示及诊断结果图。

图13是本发明之牵引供电***智能故障诊断***实施例的诊断结果示意图。

以下结合各实施例及其附图对本发明作进一步说明。

具体实施方式

牵引供电***智能故障诊断方法实施例某变电所有两个三相变压器，a相为接地点，供电方式为直接供电，一次供电方式为单边供电，串联补偿，各变压器的计算参数如表1-1和表1-2所示：表1-1单相变压器计算参数

表1-2三项变压器计算参数

变电所的实际接线图参见图7。

参见图1，采用本发明的故障诊断方法如下：S1：建立***描述库；首先建立被诊断***的***描述库，包括***元件行为描述库、***结构描述库和继电保护和断路器动作描述库；其中：建立***描述库的具体方法为：s11：建立牵引供电***结构描述库；根据牵引供电***元件与元件之间的输入值和输出值的关系，对整个牵引供电***一次设备接线进行描述，采用稀疏矩阵来描述整个***的结构，若整个***结构为A＝[a₁₁，....，a_nn]，a_ij＝1表示元件c_i的输出值是元件c_j的输入值；s12：建立牵引供电***中各个元件的行为描述库；即是对供电***中的各个元件故障行为和正常行为建立定性或定量模型，以说明元件在某种行为模型下，输出值和输入值之间的关系；s13：建立继电保护和断路器动作描述库；该描述库是储存牵引供电***的继电保护类型、位置、动作的条件和断路器的位置、编号以及动作的条件。

S2：数据采集并预处理；实时采集诊断需要的数据并对数据进行滤波、除噪等预处理，其中采集数据包括从监控计算机实时采集母线电压、电流互感器，馈线电压电流互感器处的电压、电流、功率等电气量；从远动终端获得继电保护和断路器动作信息等开关量；从故障录波器收集故障时电压电流具体波形。

S3：获得***预测值；根据***结构模型、元件正常行为模型和***输入值，对***正常时观测点处的测量值进行预测，获得***预测值，参见图8和图9；获得***预测值的步骤为：s31：从元件***行为描述库选取每个元件正常行为模型放入不确定推理模块；s32：选择一个***输入值In_system，若***输入值都被处理了则结束；s33：根据***元件行为描述库进行判断，若***输入值是元件c_i输入值In_c_i，将输入值代入元件c_i正常行为模型中，与***输入值相连的元件模型中产生元件c_i输出值Out_c_i，若元件的c_i输出值是***观测点的所要测量的值，则该值为***预测值；s34：根据***结构描述库，寻找与元件c_i相连的元件，若元件c_j与元件c_i相连，即元件c_i的输出是元件c_j的输入，将Out_c_i作为c_j的输入，进入第s35步，若元件c_i没有和***中任何元件相连即元件c_i的输出不是任何元件c_j的输入，则回到第s32步；s35：将Out_c_i作为c_j的输入，代入元件c_j正常行为模型中，与***输入值相连的元件模型中产生元件c_j输出值Out_c_j，转入步骤s34进行操作。

假设经过上述步骤推理计算所得的***预测值如下表：表1-1

那么经过预处理的观测值为：表1-2

S4：一致性检验：参见图2所示，将被诊断***的电压和电流互感器预测值与观测值进行一致性模糊检验，检验***观测值与预测值之间的差异，***预测值和观测值不一致，则牵引供电***故障；一致性检验的方法为：s41：计算每个观测点的观测值与预测值的一致性程度，若所有观测点的观测值都与正常模型在该观测点的预测值一致，则***正常，否***故障；每个观测点的观测值和预测值的一致性程度计算方法为：某个观测点为S，在观测点S得到的观测值O_S＝[a，b]，若***正常工作在该点预测值P_S＝[c，d]，S点观测值与预测值的一致性隶属程度为：

φ_c是对预测值的隶属函数，隶属函数一般形式如下： ${\mathrm{\&phi;}}_c\left(x\right)=\left\{\begin{array}{ccc}1& x\&le;d+\mathrm{\&beta;}& x\&GreaterEqual;c-\mathrm{\&alpha;}\\ 0& c\&le;x\&le;d& \\ g\left(x\right)& d<x\&le;d+\mathrm{\&beta;}& c-\mathrm{\&alpha;}<x\&le;c\end{array}\right.$ g(x)可以由专家经验或者实验数据给定，如果则该点观测值与预测值一致，σ为诊断时设定的值，一般由专家给定，或者由数据训练获得。

s42：根据一致性检验结果，判断该观测点的观测值是否与预测值一致，若***观测值与预测值不一致，***故障。

S5：分层一致性诊断；s51：如图3所示，根据观测值与预测值不一致的观测点，将***划分为System＝{S¹_sub₁，S¹_sub₂}，S¹_sub₁＝{b相母线，b相馈线，….，b相接触网}，S¹_sub₂＝{c相母线，c相馈线，….，c相接触网}两个子***；s52：根据步骤S3中子***正常时的预测值，并根据步骤S4中对两个子***的观测值和预测值进行一致性检验的结果进行判断，若子***的所有观测值与预测值一致，则子***正常，该***中所有元件都正常，结束分层一致性诊断，否则子***为故障子***，其中所有元件为故障候选集；结果S¹_sub₂子***正常，S¹_sub₁子***故障。对S¹_sub₁子***故障进行划分S¹_sub₁＝{S²_sub₁，S²_sub₂}，S²_sub₁＝{b相母线，b相馈线，….}，S²_sub₂＝{….，b相接触网}，对这两个子***进行分层一致性诊断，结果为S²_sub₁正常，S²_sub₂为故障子***。

S6：溯因诊断；s61：如图4所示，从元件行为模型中选择故障候选集的故障行为模型，对牵引供电***进行溯因诊断；s611：在元件行为描述库中选择元件接触网的瞬时性故障行为模型，在观测值中加入故障录波器中已经预处理的电压波形图；s612：选择一个子***输入值In_system，若子***输入值都被处理则结束；s613：根据***结构描述库，若子***输入值是元件c_i输入值In_c_i，将输入值代入元件c_i正常行为模型中，(与***输入值相连元件模型中)产生元件c_i输出值Out_c_i，若Out_c_i是观测点所要测量的值，则Out_c_i为子***的诊断预测值；s614：根据***结构描述库，寻找与元件c_i相连的元件，若元件c_j与元件c_i相连且c_j∈S_sub_i，即元件c_i的输出是元件c_j的输入，将Out_c_i作为c_j的输入，进入步骤S62，若元件c_i没有和***中任何元件相连即元件c_i的输出不是任何元件c_j的输入，则回到步骤S613；s615：将Out_c_i作为c_j的输入，代入元件c_j正常行为模型中，(与***输入值相连元件模型中)产生元件c_j输出值Out_c_j，转入步骤S613进行操作。

s62：将诊断预测值与观测值进行解释程度检验，解释程度检验采用如下方法计算：某个观测点为S，在观测点S得到的观测值O_S＝[a，b]，若***正常工作在该点预测值DP_S＝[c，d]，则解释程度为一致性程度为

φ_d为预测值的隶属函数，隶属函数公式如下： ${\mathrm{\&phi;}}_d\left(x\right)=\left\{\begin{array}{ccc}0& x\&le;d+\mathrm{\&beta;}& x\&GreaterEqual;c-\mathrm{\&alpha;}\\ 1& c\&le;x\&le;d& \\ g^t\left(x\right)& d<x\&le;d+\mathrm{\&beta;}& c-\mathrm{\&alpha;}<x\&le;c\end{array}\right.$ g^t(x)可以由专家经验或者实验数据给定；s63：经过检验，所有观测点的诊断预测值对观测值解释程度都有

则该元件为故障元件，转入步骤s61，ε由专家经验或者实验数据给定，根据上述方法诊断的结果之一是接触网瞬时性故障。

S7：比较输出；根据步骤S6诊断出的故障原因和故障位置预测继电保护动作和断路器动作，将预测结果与继电保护和断路器实际动作进行比较，若不一致则断路器发生拒动或误动，进行报警，若一致，则输出故障原因和故障结果。该实施例中的故障结果输出为：接触网永久性故障。

牵引供电智能故障诊断***实施例参见图5和图6，牵引供电智能故障诊断***，包括：存储被诊断***的***描述库的***描述模块；进行实时数据采集、预处理并显示结果的人机对话模块及检测***是否正常并对故障报警的诊断模块；所述***描述模块包括***元件行为描述库、***结构描述库及继电保护和断路器动作描述库；所述人机对话模块包括数据实时信号采集和处理模块及人机对话界面模块；所述***描述模块通过所述诊断模块与人机对话模块相连接；所述诊断模块检测***观测值与实际观测值的一致性：若一致，则***正常；若不一致，则通过分层一致性诊断算法产生候选诊断集，再通过溯因诊断产生故障元件和解释故障原因，并经过将诊断结果和继电保护和断路器动作描述库产生的继电保护和断路器动作预测值进行比较，若实际开关量与预测值一致，则继电保护和断路器均正常；否则，***发生断路器拒动或误动，进行报警并输出。

该智能故障诊断***能够动态监测牵引供电***，一旦***发生故障，能及时在本***中反映出来，调度员通过人机界面填入牵引变电所有关系信息，使得诊断***具有应付多种状况的能力。

为了方便专业人员对某个故障特征进行研究，该***提供了静态输入功能，其输入界面参见图10；在图10中的空格填入如图11所示的数据，即：Umb＝[27.5    30]Imb＝[0.015   0.8]Umc＝[27.5 30]Imc＝[0.015  0.8]Ukb＝[27.5  30]Ikb＝[0.1  0.8]Ukc＝[0    0.01]Ikc＝[0.015 0.08]选择“动态演示”，并在其后的提问选项中选择“有继电保护”，其动态演示及诊断结果参见图12，诊断结果为异相金属性短路，诊断结果示意图参见图13。

Claims (9)

1.牵引供电***智能故障诊断方法，其特征在于：

首先建立被诊断***的***描述库，然后实时采集诊断所需的观测值并对数据进行预处理，根据***元件行为描述库和采集的观测值数据获得***预测值之后，将所述***的预测值与所述观测值进行一致性模糊检验以判断差异，若不一致时对***进行分层一致性诊断以产生故障候选集合，再选择故障行为模型进行溯因诊断以确定故障原因和故障位置，从而预测继电保护动作及断路器动作，通过比较预测动作结果与实际动作的一致性，得出故障原因和结果并报警输出。

2.根据权利要求1所述的牵引供电***智能故障诊断方法，其特征在于：

该方法具体包括如下步骤：

步骤S1：建立***描述库；建立被诊断***的***描述库，包括***元件行为描述库、***结构描述库、继电保护和断路器动作描述库；

步骤S2：数据采集并预处理；实时采集诊断所需的观测值并将数据进行预处理；

步骤S3：获得***预测值；根据***结构模型、元件正常行为模型和***输入值，对***正常时观测点处的测量值进行预测，以获得***预测值；

步骤S4：一致性检验；将被诊断***的电压和电流互感器预测值与观测值进行一致性模糊检验以判断差异，若***观测值与预测值一致，则牵引供电***正常，检验结束；否则，牵引供电***不正常，进入步骤S5；

步骤S5：分层一致性诊断；选择***观测值与预测值不一致的观测点，根据观测点所在位置，将牵引供电***划分成几个不耦合的子***，然后对各子***进行分层一致性诊断，产生故障候选集合；

步骤S6：溯因诊断；从***元件行为描述库中选择故障候选集的故障行为模型进行溯因诊断，以确定故障原因和故障位置；若溯因诊断结果为空，则该故障为未知故障，直接将一致性诊断中的元件作为故障元件，不能解释元件故障行为；

步骤S7：比较输出；根据步骤S6诊断出故障原因和故障位置，预测继电保护动作及断路器动作，将预测结果与继电保护及断路器实际动作相比较，若不一致，则是断路器发生拒动或误动，***报警，若一致，则输出故障原因和故障结果。

3.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述步骤S1中建立***描述库的具体方法为：

s11：建立牵引供电***结构描述库；根据牵引供电***元件与元件之间的输入值和输出值的关系，对整个牵引供电***一次设备接线进行描述，采用稀疏矩阵来描述整个***的结构，若整个***结构为A＝[a₁₁…，a_nn]，a_ij表示元件c_i的输出值是元件c_j的输入值；

s12：建立牵引供电***中各个元件的行为描述库；即是对供电***中的各个元件故障行为和正常行为建立定性或定量模型，以说明元件在某种行为模型下，输出值和输入值之间的关系；

s13：建立继电保护和断路器动作描述库；该描述库是储存牵引供电***的继电保护类型、位置、动作的条件和断路器的位置、编号以及动作的条件。

4.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述步骤S2中获得数据采集及预处理的具体方法包括：

实时采集母线电压、电流互感器，馈线电压电流互感器处的电压、电流、功率及所有诊断需要的电气量；获得继电保护和断路器动作信息及所有诊断需要的开关量；收集故障时电压电流的具体波形；然后对采集的数据进行滤波、除噪的预处理。

5.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述步骤S3中获得***预测值的具体方法为：

s31：从***元件行为描述库选取每个元件的正常行为模型放入不确定推理模块；

s32：选择一个***输入值In_system，若所有的***输入值都被处理了则结束；

s33：根据***元件行为描述库进行判断，若***输入值是元件c_i输入值In_c_i，则将***输入值代入元件c_i正常行为模型中，与***输入值相连的元件模型中产生元件c_i输出值Out_c_i，若元件的c_i输出值是***观测点所要测量的值，则元件的c_i输出值为***预测值；

s34：根据***结构描述库，寻找与元件c_i相连的元件，若元件c_j与元件c_i相连，即元件c_i的输出是元件c_j的输入，将Out_c_i作为c_j的输入，进入步骤s35，若元件c_i没有和***中任何元件相连，即元件c_i的输出不是任何元件c_j的输入，则回到步骤s32；

s35：将Out_c_i作为c_j的输入，代入元件c_j正常行为模型中，与***输入值相连的元件模型中产生元件c_j输出值Out_c_j，然后转入步骤s34进行操作。

6.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述S4中一致性检验的具体方法为：

s41：计算每个观测点的观测值与预测值的一致性隶属程度，计算方法为：某个观测点为S，在观测点S得到的观测值O_S＝[a，b]，若***正常工作在该点预测值P_S＝[c，d]，S点观测值与预测值的一致性隶属程度为

φ_c是对预测值的隶属函数，一般形式如下：

${\mathrm{\&phi;}}_c\left(x\right)=\left\{\begin{array}{ccc}1& x\&le;d+\mathrm{\&beta;}& x\&GreaterEqual;c-\mathrm{\&alpha;}\\ 0& c\&le;x\&le;d& \\ g\left(x\right)& d<x\&le;d+\mathrm{\&beta;}& c-\mathrm{\&alpha;}<x\&le;c\end{array}\right.$

g(x)由专家经验或者实验数据给定，σ为诊断时设定的值，由专家给定或由数据训练获得；

s42：判断该观测点的观测值是否与预测值一致，如果

则该点的观测值与预测值一致，否则，观测值与预测值不一致，***出现故障；

s43：若未获取完所有观测点的观测值，则获取下一观测点的观测值并转入步骤s41；

s44：判断，若所有观测点的观测值都与正常模型在该观测点的预测值一致，则***正常，否则***故障。

7.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述步骤S5中分层一致性诊断的具体方法为：

s51：选择观测值与预测值不一致且所述观测值为***其中一个元件输入的观测点，根据观测点所在位置，将被诊断***划分成两个不耦合的子***System＝{S¹_sub₁，S¹_sub₂}；

s52：根据步骤S3中产生子***S¹_sub_i正常时的预测值，并根据步骤S4中对***S¹_sub_i的观测值和预测值进行一致性检验的结果进行判断，若子***的所有观测值与预测值一致，则子***S¹_sub_i正常，该***中所有元件都正常，结束分层一致性诊断，否则子***为故障子***，其中所有元件为故障候选集；

s53：若S¹_sub_i被判定为故障子***，并且还有观测点在S¹_sub_i中，需要对S¹_sub_i继续划分，回到步骤s51。

8.根据权利要求2所述牵引供电***智能故障诊断方法，其特征在于：

所述步骤S6中溯因判断的具体方法为：

s61：在故障子***中S_sub_i中选择元件c_k∈S_sub_i，计算诊断预测值，计算诊断预测值步骤如下：

s611：在***元件行为描述库中选择元件c_k的故障行为模型和其余元件的正常行为模型；

s612：选择一个子***输入值In_system，若子***输入值都被处理则结束；

s613：根据***结构描述库，若子***输入值是元件c_i输入值In_c_i，将输入值代入元件c_i正常行为模型中，与***输入值相连元件模型中产生元件c_i输出值Out_c_i，若Out_c_i是观测点所要测量的值，则Out_c_i为子***的诊断预测值；

s614：根据***结构描述库，寻找与元件c_i相连的元件，若元件c_j与元件c_i相连且c_j∈S_sub_i，即元件c_i的输出是元件c_j的输入，将Out_c_i作为c_j的输入，进入步骤s62，若元件c_i没有和***中任何元件相连即元件c_i的输出不是任何元件c_j的输入，则回到步骤s613；

s615：将Out_c_i作为c_j的输入，代入元件c_j正常行为模型中，与***输入值相连元件模型中产生元件c_j输出值Out_c_j，转入步骤s613进行操作；

s62：将诊断预测值与观测值进行解释程度检验，解释程度检验采用如下方法计算：在观测点S得到的观测值O_S＝[a，b]，若***正常工作在该点预测值DP_S＝[c，d]，则解释程度为一致性程度为φ_d为预测值的隶属函数，隶属函数公式如下：

${\mathrm{\&phi;}}_d\left(x\right)=\left\{\begin{array}{ccc}0& x\&le;d+\mathrm{\&beta;}& x\&GreaterEqual;c-\mathrm{\&alpha;}\\ 1& c\&le;x\&le;d& \\ g^t\left(x\right)& d<x\&le;d+\mathrm{\&beta;}& c-\mathrm{\&alpha;}<x\&le;c\end{array}\right.$

g^t(x)由专家经验或者实验数据给定，S为观测点；

s63：若所有观测点的诊断预测值对观测值解释程度都有

则该元件为故障元件，转入

步骤s61，ε由专家经验或者实验数据给定。

9.牵引供电智能故障诊断***，其特征在于：

包括：

存储被诊断***的***描述库的***描述模块；

进行实时数据采集、预处理并显示结果的人机对话模块及

检测***是否正常并对故障报警的诊断模块；

所述***描述模块包括***元件行为描述库、***结构描述库及继电保护和断路器动作描述库；所述人机对话模块包括数据实时信号采集和处理模块及人机对话界面模块；所述***描述模块通过所述诊断模块与人机对话模块相连接。

Images