CN113484646A - 一种变电站二次回路复杂故障定位装置及诊断方法 - Google Patents

Abstract

本发明公开了一种变电站二次回路复杂故障定位装置及诊断方法，故障定位装置包括主控制CPU、测量单元模块和数据通讯前置单元；所述主控制CPU与数据通讯前置单元进行数据信息的通讯；所述测量单元模块的功能是对事件的各类信息量的采集功能，所述数据通讯前置单元的功能是完成与各测量单元之间的数据通讯，负责临时对数据信息的存储，接收装置主机控制***的命令并向各测量单元下发，完成各测量单元的对时、时钟校正，向主机控制***上送数据。故障定位装置对不同直流确定数据信息采集点进行数据信息的采集及逻辑诊断推理。诊断方法采用模式匹配的数学算法进行分析诊断、推理，对故障的精准推理与定位提供全面的数据信息，从而保证其准确度和有效性。

Description

一种变电站二次回路复杂故障定位装置及诊断方法

技术领域

本发明属于人工智能技术领域，尤其涉及一种变电站二次回路复杂故障定位装置及诊断方法。

背景技术

当前变电站某些二次回路某些复杂故障形成机理复杂(典型的复杂故障包括变电站直流***接地及交直流回路串电故障)，其不同于其它故障的显著特点是故障呈现的个体特征的不确定性。除了具备所明确的一些故障固有特征以外，还具有较多的个体独特的特征，且该个体特征呈现的不确定性。具体体现在如下方面：

对于直流接地故障，不同故障点除了引起变电站直流***对地电压的偏移以外，还呈现的较多不同的故障特征信息。比如不同支路发生的直流接地故障，其接地电阻，直流母线电压的偏移程度存在较多的不同。而不同支路发生接地故障时，其个体特征表现出不确定性。即不同支路发生的接地故障，其接地电阻、直流偏移电压却呈现相同的故障特征。同时，同一支路在不同事件，不同环境条件下所呈现的直流接地特征又不尽相同。对于直流接地故障，现有的直流接地支路选线装置依据直流支路的电流平衡原理进行支路确认，其原理简单、陈旧，检测灵敏度低，对接地故障支路误选、错选、漏选率较高，且无法确定接地支路的具体故障位置，故而无法真正起到有效的故障处理的辅助支撑效果。

其次，对于交直流***串电故障，其屡次的故障特征的个体性较强。有些故障呈现出直流***接地，瞬间复归的特征现象。而有些呈现瞬间监控***频繁误发大量的无关告警信息，瞬时复归的故障特征等等。目前该故障仅能依据经验判断，无可靠的辅助支撑工具。

发明内容

本发明所要解决的技术问题是提供一种变电站二次回路复杂故障定位装置及诊断方法，采用模式匹配的数学算法进行分析诊断、推理，对故障的精准推理与定位提供全面的数据信息，从而保证其准确度和有效性。

为解决上述问题，本发明所采取的技术方案是：

一种变电站二次回路复杂故障定位装置，包括主控制CPU、测量单元模块和数据通讯前置单元；

所述主控制CPU与数据通讯前置单元进行数据信息的通讯；

所述测量单元模块的功能是对事件的各类信息量的采集功能，所述数据通讯前置单元的功能是完成与各测量单元之间的数据通讯，负责临时对数据信息的存储，接收装置主机控制***的命令并向各测量单元下发，完成各测量单元的对时、时钟校正，向主机控制***上送数据。

作为定位装置的进一步改进，所述测量单元模块包括钳型电流测量组件、接触式电压电流测量组件和温度/湿度非电气量测量组件；

一个二次回路的故障发生，认为是一个事件发生，被测量检测点的二次回路故障发生伴随的电气量信息的变化及非电气量信息的变化组成事件的特征变量；

所述钳型电流测量组件、接触式电压电流测量组件和温度/湿度非电气量测量组件完成实时采集所述特征变量的变化，并将数据信息和产生数据的时间信息进行数据记录，并向装置主控制***发送数据。

作为定位装置的进一步改进，所述主控制CPU与变电站监控***进行信息交互，接收变电站监控***发出的命令检测信息，同时将命令推理检测结果向变电站监控***上送，供变电站运维人员调阅，并接收对监控***下发的故障数据更新命令更新自己的数据库。

作为定位装置的进一步改进，所述故障数据是指非已经通过人工认定的某个故障事件，主控制CPU接收监控***的该项指令后，就将该故障事件数据相应的数据测量信息记录积累，成为该类型事件的一个新的样本。

作为定位装置的进一步改进，所述主控制CPU接收监控***下发的时钟报文，完成本主机及数据通讯前置单元、测量单元模块的时钟校正的作用。

一种利用变电站二次回路复杂故障定位装置的诊断方法，对于二次回路复杂故障的首先确定了这样一个事实：如果将某一个直流支路某一个确定位置所发生的复杂故障表述为一个事件，发生的一次事件称为一个样本；对于该事件的多个样本，则某些数据信息呈现出正态分布的物理特性，即依靠一组确定的数据无法做到完全跟其一致的信息，但因为其数据信息在宏观层面上表现出一定的分布特性，而符合该类特性的数据在一定程度上就存在为该类事件的一个样本的可能性，匹配程度越高则符合该事件的概率就越大；二次回路复杂故障如同原子中电子的运行轨迹，在宏观条件下，其运动的轨迹表现为不同的电子云，不同的电子云形状反应其运动轨迹的概率分布特性。

作为诊断方法的进一步改进，基于所述事实，相似度识别的模式匹配的逻辑推理方法如下：对于某事件P，其包含如下特征向量：

P＝[p′₁,p′₂,......,p′_n]；

每个向量包含如下变量：

p′_i＝(f_i1,f_i2,......,f_iq)；

则：

独立事件随机变量的分布特征：

依据统计学理论，对于事件P，其发生的数次事件是相互独立的，其包含的变量值服从正态分布的特征规律，对于n个同类型的独立事件P的事件序列集合：{P₁,P₂,......,P_n}，每个事件P_i中的变量f_i,j，其中{i∈(0～n),j∈(0～q)}服从正态分布的特性；即对于变量f_i,j，其值服从正态概率密度函数的分布特征：

其中变量x即指f_i,j，μ为均值，σ为方差；

对于事件P的集合：{P₁,P₂,......,P_n}中任意一个独立变量f_i,j将会成为一个样本空间

可计算出该变量的均值μ和方差σ；

由此，对于事件P的每一个变量f_ij，均会得到一个均值

由此形成事件P的标准模式：

作为诊断方法的进一步改进，事件特征的权重模型：事件P的变量中，某些变量会发生变化，且有较大数值的变化；但某些变量数值的变化较小，且稳定；同样的事件，其值变化较大、分布概率较高的表明该值的活跃程度较高；同理，变化较小的表明该值的活跃程度较低；

对应事件P，其样本均方差矩阵为：

样本均方差反应了事件的各个变量对其标准均值的偏移程度；

定义变量权重系数S：

s(x)＝σ·f(x)，其中σ为变量的样本均方差，f(x)为其概率分布密度函数；

概率分布密度函数f(x)反应了具备正态分布特性的变量在特定的均值与方差下，其值所对应的概率值的大小，二者乘积的物理意义表明：对于任意的一个样本，函数s(x)反应了与标准模式为参照条件下，特定事件的有关变量的取值参考概率分布特征后与标准模式的匹配程度的量化指标。

作为诊断方法的进一步改进，模式匹配方法如下：

对于发生的一个特定事件P′，判断其与事件P是否属于同一类型的事件，采取如下方式：

S(X)＝P′(X)·P(σ)，即：

用S(X)与标准P_bz内对应的变量绝对差值来反应与标准值之间的差别程度，以矩阵M_cz(X)即：

理想条件、完全匹配状况下，若特定事件P′完全是事件P的一个样本，则M_cz(X)中的各个变量的值应该为0，然而实际情况肯定存在偏差，存在一定量的偏差，不能否定事件P′不是事件P的一个样本。

还需要考虑另一种情况，即上述所说的事件，是针对一个特定事件t_k时的事件，但真实的客观物理事件，一个事件的发生是随着时间不断发展变化的，不同时刻将会对应不同的事件P，即形成一个事件序列的集合：

P_t ^jh＝{P_t1,P_t2,...,P_tk....,P_tm}，事件的模式匹配不应仅仅局限于特定时刻的变量值的匹配，还应考虑事件的发展，即不同时刻的匹配程度，

P_t ^jh中的各个元素将会产生不同对应不同时刻的

由此形成一个差值的序列集合：

集合M_cz|T(X)中的各个元素是由同一个事件随着时间的发展而形成的；事件P发展是存在一定的连续性的，因此其值是有一定的连续关联性的；同理，事件P′不同时刻的值也存在关联性，若事件P′是事件P所形成的一个样本事件，那么尤其所形成的集合M_cz|T(X)的各个元素所包含的各个对应变量之间一定存在线性相关的关系，若其相关程度较高，则可确定P′是事件P的一个样本，和事件P是同性的，否则，则不能认为其属于同一个事件。

作为诊断方法的进一步改进，利用统计学理论的相关系数的概念，检测其变量之间相关程度，分析方法如下：

对于具有m个时刻的所对应的差值集合M_cz|T(X)，集合各元素的两个连续时刻t_i与t_i+1的元素为

而整个集合的样本数据量为m，则其相关系数ρ计算公式：

由此对于事件P的一个独立变量f_ij将会生成一个m个相关系数ρ_i的数据系列，对数据进行求和运算，得到相关系数的数据变量：

显然

对应于事件P的每个变量f_ij，最终会形成相关系数的矩阵：

数据相关性突出的变量，其相关系数接近于1，而小于0.5时，认为其相关程度较低；

当接接近于0时，可认为其不存在任何相关性；因此，对于相似程度较低的数据，将其弱化；考虑以上因素后，对集合ρ_Σ进行数学运算，每个变量运算公式

进行运算，由此得到新的相关系数矩阵ρ′_Σ，它是一个q×n的矩阵；

对于矩阵ρ′_Σ中的各元素的值进行求和：

按照相关系数大于0.6可认为具备相关性的条件，经过数学平方运算后，变为0量6，故当

条件满足时，可推理认为事件P′是事件P的一个样本事件。

采用上述技术方案所产生的有益效果在于：

本发明提供一种对所述复杂故障进行诊断推理的方法及装置。对不同直流确定数据信息采集点。采集点信息包含电流、电压等电气量信息，同时还包括温度、湿度等非电气量信息。采用模式匹配的数学算法进行分析诊断、推理，对故障的精准推理与定位提供全面的数据信息，从而保证其准确度和有效性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是测量单元模块示意图；

图2是装置的数据通讯前置单元示意图；

图3是装置主机硬件机构示意图；

图4是主机CPU控制***软件流程图；

图5是支路的变量简图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。

如图1-3所示，

一种变电站二次回路复杂故障定位装置，包括主控制CPU、测量单元模块和数据通讯前置单元；

测量单元模块的主要功能对事件的各类信息量的采集功能。一个二次回路的故障发生，可以认为是一个事件发生。而该事件的发生将会伴随人工设定的监测点的电气量信息的变化(包含电流、电压信息)及非电气量信息的变化(包含温度、湿度等信息量的变化)。这些信息量将是事件的特征变量的组成部分。测量单元模块完成实时采集这些信息量的变化，并将数据信息、产生数据的时间信息等数据记录，并向装置主控制***发生数据。数据通讯前置单元主要完成与各测量单元之间的数据通讯，负责临时对数据信息的存储，接收装置主机控制***的命令并向各测量单元下发，完成各测量单元的对时、时钟校正，向主机控制***上送数据等。

装置主机***与数据通讯前置单元进行数据信息的通讯。传送数据信息及命令信息。同时，主机CPU***与变电站监控***进行信息交互，主要接收变电站监控***发出的命令检测信息，同时将命令推理检测结果向变电站监控***上送，供变电站运维人员调阅。接收对监控***下发的故障数据更新命令更新自己的数据库。该故障数据是指非已经通过人工认定的某个故障事件，主机接收监控***的该项指令后，就将该故障事件数据相应的数据测量信息记录积累，成为该类型事件的一个新的样本。装置主机提供了人机交互界面，完成程序调试，信息检索等功能。主机***接收监控***下发的时钟报文，完成本主机及数据前置单元、测量单元的时钟校正的作用。

主机CPU控制***软件流程如图4所示，软件***由主程序和中断程序。主程序完成时钟校正、与监控***的命令信息的接收及数据交互。中断程序主要完成故障的诊断推理功能。

本发明提供一种对所述复杂故障进行诊断推理的方法及装置。首先，对不同直流确定数据信息采集点。采集点信息包含电流、电压等电气量信息，同时还包括温度、湿度等非电气量信息。对故障的精准推理与定位提供全面的数据信息，从而保证其准确度和有效性。推理的主旨思想是采用模式匹配的数学算法进行分析诊断、推理。

模式匹配算法是基于一个故障事件所产生的数据信息存在反应其属于其本身事件故障特征的个体性。这里的个体性是指隶属与本故障事件的特征。针对本***，则是指本某支路的某些特定位置所发生故障而所具有的故障特征。

本专利对于二次回路复杂故障的首先确定了这样一个事实：如果将某一个直流支路某一个确定位置所发生的复杂故障表述为一个事件，发生的一次事件称为一个样本。而发生多个该类事件后其所引起的有关数据信息的值不完全确定。即针对一个具备完全确定信息的值去匹配一个事件，则无法匹配到该类型事件。然而，对于该事件的多个样本，则某些数据信息呈现出正态分布的物理特性。即依靠一组确定的数据无法做到完全跟其一致的信息，但因为其数据信息在宏观层面上表现出一定的分布特性，而符合该类特性的数据在一定程度上就存在为该类事件的一个样本的可能性，匹配程度越高则符合该事件的概率就越大。二次回路复杂故障如同原子中电子的运行轨迹。对于单个电子，即使知道其运动参量，也无法确定其后特定时间间隔其所处的位置。但在宏观条件下，其运动的轨迹表现为不同的电子云。不同的电子云形状实际上是反应了其运动轨迹的概率分布特性。

基于以上事实，模式匹配的主旨思路就是借助一定的数学推理算法，以某一个事件已经发生且确定的样本数据为积累，确定其正态分布特性的相关参数信息。对于当前发生的事件，依据数学推理算法，匹配已经存在的事件，由此得到事件的推理。

相似度识别的模式匹配的逻辑推理方法：

对于某事件P，其包含如下特征向量：

P＝[p′₁,p′₂,......,p′_n]；

每个向量包含如下变量：

p′_i＝(f_i1,f_i2,......,f_iq)；

则：

独立事件随机变量的分布特征：

依据统计学理论，自然物理世界中相互的独立的随机事件发生的概率服从正态分布的规律特性。基于此理论，对于事件P，其发生的数次事件是相互独立的。其包含的变量值服从正态分布的特征规律。记对于n个同类型的独立事件P的事件序列集合：{P₁,P₂,......,P_n}，每个事件P_i中的变量f_i,j，其中{i∈(0～n),j∈(0～q)}应服从正态分布的特性。即对于变量f_i,j，其值服从正态概率密度函数的分布特征：

其中变量x即指f_i,j，μ为均值，σ为方差。

对于事件P的集合：{P₁,P₂,......,P_n}中任意一个独立变量f_i,j将会成为一个样本空间

可以计算出该变量的均值μ和方差σ。

由此，对于事件P的每一个变量f_ij，均会得到一个均值

由此形成事件P的标准模式：

事件特征的权重模型：事件P的变量中，某些变量会发生变化，且有较大数值的变化。但某些变量数值的变化较小，且稳定。同样的事件，其值变化较大、分布概率较高的表明该值的活跃程度较高。同理，变化较小的表明该值的活跃程度较低。

对应事件P，其样本均方差矩阵为：

说明：样本均方差反应了事件的各个变量对其标准均值的偏移程度。

定义变量权重系数S：

s(x)＝σ·f(x)，其中σ为变量的样本均方差，f(x)为其概率分布密度函数。

说明：概率分布密度函数f(x)反应了具备正态分布特性的变量在特定的均值与方差下，其值所对应的概率值的大小，二者乘积的物理意义表明：对于任意的一个样本，函数s(x)反应了与标准模式为参照条件下,特定事件的有关变量的取值参考概率分布特征后与标准模式的匹配程度的量化指标。

模式匹配方法简述：

对于发生的一个特定事件P′，判断其与事件P是否属于同一类型的事件，采取如下方式：

S(X)＝P′(X)·P(σ)，即：

用S(X)与标准P_bz内对应的变量绝对差值来反应与标准值之间的差别程度，以矩阵M_cz(X)即：

理想条件、完全匹配状况下，若特定事件P′完全是事件P的一个样本，则M_cz(X)中的各个变量的值应该为0。然而实际情况肯定存在偏差。存在一定量的偏差，不能否定事件P′不是事件P的一个样本。

还需要考虑另一种情况，即上述所说的事件，是针对一个特定事件t_k时的事件。但真实的客观物理事件，一个事件的发生是随着时间不断发展变化的，不同时刻将会对应不同的事件P，即形成一个事件序列的集合：

P_t ^jh＝{P_t1,P_t2,...,P_tk....,P_tm}。事件的模式匹配不应仅仅局限于特定时刻的变量值的匹配，还应考虑事件的发展，即不同时刻的匹配程度。

P_t ^jh中的各个元素将会产生不同对应不同时刻的

由此形成一个差值的序列集合：

显然，集合M_cz|T(X)中的各个元素是由同一个事件随着时间的发展而形成的。事件P发展是存在一定的连续性的，因此其值是有一定的连续关联性的。同理，事件P′不同时刻的值也存在关联性。若事件P′是事件P所形成的一个样本事件，那么尤其所形成的集合M_cz|T(X)的各个元素所包含的各个对应变量之间一定存在线性相关的关系。若其相关程度较高，则可确定P′是事件P的一个样本，和事件P是同性的。否则，则不能认为其属于同一个事件。

利用统计学理论的相关系数的概念，可以检测其变量之间相关程度。分析方法如下：对于具有m个时刻的所对应的差值集合M_cz|T(X)，集合各元素的两个连续时刻t_i与t_i+1的元素为

与

而整个集合的样本数据量为m，则其相关系数ρ计算公式：

由此对于事件P的一个独立变量f_ij将会生成一个m个相关系数ρ_i的数据系列。对数据进行求和运算，得到相关系数的数据变量：

显然

对应于事件P的每个变量f_ij，最终会形成相关系数的矩阵：

数据相关性突出的变量，其相关系数接近于1，而小于0.5时，可认为其相关程度较低。当接接近于0时，可认为其不存在任何相关性。因此，对于相似程度较低的数据，可以将其弱化。考虑以上因素后，对集合ρ_Σ进行数学运算，每个变量运算公式

进行运算，由此得到新的相关系数矩阵ρ′_Σ，它是一个q×n的矩阵。

对于矩阵ρ′_Σ中的各元素的值进行求和：

按照相关系数大于0.6可认为具备相关性的条件，经过数学平方运算后，变为0量6，故当

条件满足时，可推理认为事件P′是事件P的一个样本事件。

前文所述的事件P只一个支路的一个地点的直流接地故障的推理过程。实际上，变电站存在各类不同的支路，包括控制、保护、遥信、录波等支路等类型。对于某220kV断路器第一组控制回路的某位置发生的接地故障，其所形成的样本可以移植到另一个220kV断路器第一组控制回路的某位置发生的接地故障，由此形成另一个支路支路某位置的接地故障的样本。因此，给予事件P一个表征其支路特点的属性M，M＝[m₁,m₂,......,m₃]。其它跟其具有相同特征变量的事件就可以互相移植。当然，事件P包含的变量是率属于其自身的变量。事件P移植后其变量也做相应的关联，变换为移植事件所具有的变量，称为事件变量的映射。映射关系说明如图5所示，事件P与事件Q所属的各相关变量就存在映射变换关系：

以上分析就是对一个二次回路复杂二次回路故障事件的模式匹配的推理过程的智能推理方法。

Claims (10)

1.一种变电站二次回路复杂故障定位装置，其特征在于：包括主控制CPU、测量单元模块和数据通讯前置单元；

所述主控制CPU与数据通讯前置单元进行数据信息的通讯；

所述测量单元模块的功能是对事件的各类信息量的采集功能，所述数据通讯前置单元的功能是完成与各测量单元之间的数据通讯，负责临时对数据信息的存储，接收装置主机控制***的命令并向各测量单元下发，完成各测量单元的对时、时钟校正，向主机控制***上送数据。

2.根据权利要求1所述的一种变电站二次回路复杂故障定位装置，其特征在于：所述测量单元模块包括钳型电流测量组件、接触式电压电流测量组件和温度/湿度非电气量测量组件；一个二次回路的故障发生，认为是一个事件发生，被测量检测点的二次回路故障发生伴随的电气量信息的变化及非电气量信息的变化组成事件的特征变量；

所述钳型电流测量组件、接触式电压电流测量组件和温度/湿度非电气量测量组件完成实时采集所述特征变量的变化，并将数据信息和产生数据的时间信息进行数据记录，并向装置主控制***发送数据。

3.根据权利要求2所述的一种变电站二次回路复杂故障定位装置，其特征在于：所述主控制CPU与变电站监控***进行信息交互，接收变电站监控***发出的命令检测信息，同时将命令推理检测结果向变电站监控***上送，供变电站运维人员调阅，并接收对监控***下发的故障数据更新命令更新自己的数据库。

4.根据权利要求3所述的一种变电站二次回路复杂故障定位装置，其特征在于：所述故障数据是指非已经通过人工认定的某个故障事件，主控制CPU接收监控***的该项指令后，就将该故障事件数据相应的数据测量信息记录积累，成为该类型事件的一个新的样本。

5.根据权利要求4所述的一种变电站二次回路复杂故障定位装置，其特征在于：所述主控制CPU接收监控***下发的时钟报文，完成本主机及数据通讯前置单元、测量单元模块的时钟校正的作用。

6.一种利用变电站二次回路复杂故障定位装置的诊断方法，其特征在于：对于二次回路复杂故障首先确定了这样一个事实：如果将某一个直流支路某一个确定位置所发生的复杂故障表述为一个事件，发生的一次事件称为一个样本；对于该事件的多个样本，则某些数据信息呈现出正态分布的物理特性，即依靠一组确定的数据无法做到完全跟其一致的信息，但因为其数据信息在宏观层面上表现出一定的分布特性，而符合该类特性的数据在一定程度上就存在为该类事件的一个样本的可能性，匹配程度越高则符合该事件的概率就越大；

二次回路复杂故障如同原子中电子的运行轨迹，微观条件下单个电子这某个确定时刻的运动特征是无法确定的，在宏观条件下，其运动的轨迹表现为不同的电子云，不同的电子云形状反应其运动轨迹的概率分布特性。

7.根据权利要求6所述一种利用变电站二次回路复杂故障定位装置的诊断方法，其特征在于：基于所述事实，相似度识别的模式匹配的逻辑推理方法如下：对于某事件P，其包含如下特征向量：

P＝[p′₁,p′₂,......,p′_n]；

每个向量包含如下变量：

p′_i＝(f_i1,f_i2,......,f_iq)；

则：

独立事件随机变量的分布特征：

依据统计学理论，对于事件P，其发生的数次事件是相互独立的，其包含的变量值服从正态分布的特征规律，对于n个同类型的独立事件P的事件序列集合：{P₁,P₂,......,P_n}，每个事件P_i中的变量f_i,j，其中{i∈(0～n),j∈(0～q)}服从正态分布的特性；即对于变量f_i,j，其值服从正态概率密度函数的分布特征：

其中变量x即指f_i,j，μ为均值，σ为方差；

对于事件P的集合：{P₁,P₂,......,P_n}中任意一个独立变量f_i,j将会成为一个样本空间

可计算出该变量的均值μ和方差σ；

由此，对于事件P的每一个变量f_ij，均会得到一个均值

由此形成事件P的标准模式：

8.根据权利要求7所述一种利用变电站二次回路复杂故障定位装置的诊断方法，其特征在于：事件特征的权重模型：事件P的变量中，某些变量会发生变化，且有较大数值的变化；但某些变量数值的变化较小，且稳定；同样的事件，其值变化较大、分布概率较高的表明该值的活跃程度较高；同理，变化较小的表明该值的活跃程度较低；

对应事件P，其样本均方差矩阵为：

样本均方差反应了事件的各个变量对其标准均值的偏移程度；

定义变量权重系数S：

s(x)＝σ·f(x)，其中σ为变量的样本均方差，f(x)为其概率分布密度函数；

概率分布密度函数f(x)反应了具备正态分布特性的变量在特定的均值与方差下，其值所对应的概率值的大小，二者乘积的物理意义表明：对于任意的一个样本，函数s(x)反应了与标准模式为参照条件下，特定事件的有关变量的取值参考概率分布特征后与标准模式的匹配程度的量化指标。

9.根据权利要求8所述一种利用变电站二次回路复杂故障定位装置的诊断方法，其特征在于：模式匹配方法如下：

对于发生的一个特定事件P′，判断其与事件P是否属于同一类型的事件，采取如下方式：S(X)＝P′(X)·P(σ)，即：

用S(X)与标准P_bz内对应的变量绝对差值来反应与标准值之间的差别程度，以矩阵M_cz(X)即：

理想条件、完全匹配状况下，若特定事件P′完全是事件P的一个样本，则M_cz(X)中的各个变量的值应该为0，然而实际情况肯定存在偏差，存在一定量的偏差，不能否定事件P′不是事件P的一个样本；

还需要考虑另一种情况，即上述所说的事件，是针对一个特定事件t_k时的事件，但真实的客观物理事件，一个事件的发生是随着时间不断发展变化的，不同时刻将会对应不同的事件P，即形成一个事件序列的集合：

P_t ^jh＝{P_t1,P_t2,...,P_tk....,P_tm}，事件的模式匹配不应仅仅局限于特定时刻的变量值的匹配，还应考虑事件的发展，即不同时刻的匹配程度，

P_t ^jh中的各个元素将会产生不同对应不同时刻的

由此形成一个差值的序列集合：

集合M_cz|T(X)中的各个元素是由同一个事件随着时间的发展而形成的；事件P发展是存在一定的连续性的，因此其值是有一定的连续关联性的；同理，事件P′不同时刻的值也存在关联性，若事件P′是事件P所形成的一个样本事件，那么尤其所形成的集合M_cz|T(X)的各个元素所包含的各个对应变量之间一定存在线性相关的关系，若其相关程度较高，则可确定P′是事件P的一个样本，和事件P是同性的，否则，则不能认为其属于同一个事件。

10.根据权利要求9所述一种利用变电站二次回路复杂故障定位装置的诊断方法，其特征在于：利用统计学理论的相关系数的概念，检测其变量之间相关程度，分析方法如下：

对于具有m个时刻的所对应的差值集合M_cz|T(X)，集合各元素的两个连续时刻t_i与t_i+1的元素为

与

而整个集合的样本数据量为m，则其相关系数ρ计算公式：

由此对于事件P的一个独立变量f_ij将会生成一个m个相关系数ρ_i的数据系列，对数据进行求和运算，得到相关系数的数据变量：

显然

对应于事件P的每个变量f_ij，最终会形成相关系数的矩阵：

数据相关性突出的变量，其相关系数接近于1，而小于0.5时，认为其相关程度较低；当接接近于0时，可认为其不存在任何相关性；因此，对于相似程度较低的数据，将其弱化；考虑以上因素后，对集合ρ_∑进行数学运算，每个变量运算公式

进行运算，由此得到新的相关系数矩阵ρ′_∑，它是一个q×n的矩阵；

对于矩阵ρ′_∑中的各元素的值进行求和：

按照相关系数大于0.6可认为具备相关性的条件，经过数学平方运算后，变为0量6，故当

条件满足时，可推理认为事件P′是事件P的一个样本事件。

Images