是一種獲取元件的圖像, 利用識別算法對圖像進行處理, 識別元件的質量、 位置、 角度、 判斷所拾取的元件是否合格, 以便調整其貼裝位置和角度的技術。套用於綜合污穢監測信息、雷電監測信息、氣象預警信息等領域。在元件識別故障中，通過建立外部要素矩陣，進行模糊聚類和關聯度計算，最後得到引起故障的可能外部因素集，以幫助系統運行人員快速定位和排除故障，儘快恢復系統正常運行。
基本介紹
- 中文名：元件識別
- 外文名：element ID
- 拼音：yuán jiànshí bié
- 用途：識別元件
- 類別：科學技術
- 套用領域：各行各業
相關算法,閾值確定方法及其優缺點,全局閾值法,局部閾值法,貼裝圖像分割特點,元件識別的套用,表面貼裝元件識別的一種亞像素邊緣檢測方法,基於亞像素的邊緣檢測,元件識別與故障分析,故障元件識別與故障原因分析方法架構,故障診斷,故障影響要素分析,
相關算法
閾值確定方法及其優缺點
閾值分割效果比較優越的確定方法大都是根據圖像的灰度直方圖選擇，因為該方圖反映了圖像的灰度分布特徵，容易藉助背景和目標的雙峰特徵選擇最優閾值。根據閾值的不同作用範圍，可分為全局和局部兩種，前者只在圖像質量較好時有效，後者則適應於較複雜的圖像。
全局閾值法
全局閾值法是指整個圖像採用單一閾值（全局閾值）進行圖像二值化。目前已有多種全局閾值確定方法，如平均灰度值、模態法、疊代法、最大相關法、最大熵法等，其優點為套用範圍比較廣，算法較簡單；對於對比度較高、照度均勻、無陰影的圖像，能達到很好的分割效果。缺點是抗噪能力不強；對目標和背景的灰度有梯度變化的圖像效果較差或失效。
局部閾值法
局部閾值法是用與坐標相關的一組閾值來對圖像各部分分別進行分割（即閾值是坐標的函式）。，討論了11 種局部閾值化方法及它們在二值化圖像時的性能。綜合分析其優點為抗噪能力強：對一些用全局閾值法不易分割的圖像有較好的效果。缺點是算法的時空複雜度增加，影響了圖像處理的速度；容易受到背景灰度不均勻性的影響；如果鄰域視窗內的點全是目標或背景點，或視窗記憶體在個別的突發噪聲點，則分割就會有明顯的錯誤。
貼裝圖像分割特點
在本文所研究的表面貼裝元器件視覺檢測中，視覺系統採集到的像中元件（目標）和吸盤（背景）對比度較高，且元件無陰影，較適於採用全局閾值法進行閾值分割。由對圖像模型的描述知，對雙峰直方圖選取兩峰之間的谷所對應的灰度值作為閾值就可將目標和背景分開（多峰直方圖時也是類似）。 是明顯的多峰直方圖，除三個主要的波峰外， 後半段階梯形各拐角處的灰度值也是其左右鄰域的波峰。因此若選取了整個直方圖的谷就確定了分割圖像的閾值。然而在傳統求谷算法中，對多於兩個波峰的情況，閾值一般選擇主要的兩個波峰的平均值。若取主要的兩個波峰（T1=55，T2=255 ），得到的閾值T=(T1+T2）/2=155。而在實際元器件圖像處理中，經過調試滿足要求的閾值為 130，與計算數值有很大的誤差。因此，需要結合表面貼裝元器件的圖像特點，分析適用於本文研究對象的閾值確定方法。由 直方圖可以看出，兩個波峰之間的間距比較大，中間有很多的跌宕起伏，說明該圖像對比度比較低，僅用兩個主要波峰的平均值去處理將忽略大部分次波峰的灰度變化，從而使得閾值選擇算法的結果誤差很大。因此，本文結合表面貼裝元器件的實際圖像特點，提出基於均谷加權的閾值分割算法，將灰度直方圖不同像素的灰度變化引入到閾值確定算法中，以提高閾值分割的精度。
元件識別的套用
表面貼裝元件識別的一種亞像素邊緣檢測方法
表面貼裝元器件的視覺檢測和定位是影響貼片機整體性能的關鍵因素, 其主要任務包括獲取元件的圖像, 利用識別算法對圖像進行處理, 識別元件的質量、 位置、 角度、 判斷所拾取的元件是否合格, 以便調整其貼裝位置和角度。
在目前現場套用中, 表面貼裝元器件邊緣提取採用的是邊界跟蹤的方法, 即從一個梯度幅值圖像(邊界銳化圖像)著手進行處理, 依據一定的算法和準則, 搜尋到所有邊界上灰度值最大的點為邊緣點, 具體算法過程。但這種算法也存在問題:
(1)邊緣提取點的精確度影響到其後的最小二乘法運算, 任何一個參與運算點位置變化都會改變最小二乘法的結果, 所以當參與運算的邊界點能夠符合實際的邊界軌跡時, 最小二乘法能得到和邊界接近的直線方程, 但若不符合邊界軌跡, 就會產生較大的干擾。
(2)數字圖像的基本組成單位是像素, 進行的邊界銳化算法精度為1個像素, 但實際中像素值的變化是一個漸變的過程, 其差分最大值可能不會出現在單位像素的位置, 而是出現在兩個像素之間, 這時單位像素的精度就滿足不了需要,需引入亞像素的概念。
基於亞像素的邊緣檢測
亞像素邊緣檢測技術最早由Hueckel 提出,在發展過程中形成了一些基本方法,
①幾何方法,利用圖像中某一目標的幾何特徵得到亞像素精度的測量數據, 一般是利用圖像中一些規則形狀的目標, 如圓、三角形、正方形等形狀, 但這種算法精度較低, 對不規則形狀的圖像效果不好。
②矩估計方法, 由於矩是基於積分的運算, 被認為是對噪聲不敏感的穩定特徵, 已被套用於圖像識別等領域。運用到亞像素中的有空間矩, ZOM正交矩等, 定位精度較好, 但算法複雜度較大, 計算時間較長。
③插值法, 是基於亞像素邊緣檢測的原理生成, 主要有線性插值、三次正交多項式插值(即多項式)、樣條插值、雙線性插值四類。對這幾種算法進行了對比研究, 空間矩法和最小二乘法有很高的定位精度, 但其計算時間較長, 並且最小二乘法需要有一定的先驗知識, 而且其抗噪能力較差;插值法計算時間相對較短;樣條插值和雙線性插值的抗噪能力和定位精度都較高, 但計算時間較長一點。樣條插值可以用較少的點反映整個曲線的變化趨勢, 所需的計算量相對雙線性插值要小些, 並且它可以根據情況選擇合適的階數。圖像噪音小, 可用高階樣條, 以便能得到很好的逼近性能, 使邊緣定位更為準確;反之, 噪音大的, 可用低階樣條進行平滑。在樣條插值中套用最多的是三次樣條插值, 因為它既克服了低次樣條在端點上有間斷的一階或二階導數成為角點的情況, 又克服了高次樣條計算量大和出現不一致收斂的現象。在現有的表面貼裝元器件邊緣提取的算法中,也有用到亞像素的概念, , 通過全局特性和局部小領域特性結合的方法, 得到亞像素的精度邊緣, 能達到良好的定位精度, 但此方法只對具有直線邊緣的表面貼裝元器件有良好的效果。對集成塊引腳的測量中用到了樣條插值的算法, 但只是粗略的分析, 沒有具體說明其算法思想。基於以上分析, 本文選擇三次樣條函式作為提取亞像素邊緣點的方法, 並且詳細闡述如何從像素級到亞像素級的遞進邊緣檢
元件識別與故障分析
安全性、穩定性和經濟性是電力系統運行的主要目標。然而，自然災害、誤操作、污穢、雷電以及其它惡劣氣象因素常常會引發電力系統故障;其中，污穢、雷電以及其它惡劣氣象因素引起的故障占絕大多數。我國地域遼闊，輸電網路規模龐大，且東、西部氣候差異很大; 每年春夏兩季，沿海地區颱風、暴雨不斷，電力系統故障頻發，原因包括自然因素、人為因素以及設備自身因素等。 實際運行經驗表明，許多地區的電力系統都有過因天氣狀況惡劣導致輸電線路、變電設備乃至變電站全停或部分停運的情況。由此可見，惡劣外部環境會大大增加電力設備發生故障的可能性，嚴重影響電力系統安全運行。
不同災害天氣條件下可能引發的電力系統故障形式可以有很大區別，同時所引發的故障對電力設備發生故障後，出於安全考慮，一般在設備停運後才去尋找故障原因，而這個故障排統重合閘率較低而雷害時重合閘率則較高。為分析不同災害對電力系統故障的影響，首先對災害形式進行分類。以江蘇電力系統為例，其受到的自然災害主要包括雷電、污穢、降雨、降雪、大風、霜凍、霧霾、高溫、嚴寒等。對於雷電，可分開或綜合考慮落雷密度和強度的影響; 而污穢對電力系統的影響主要是會導致污閃，其影響程度與污穢等級、空氣濕度密切相關。
除過程往往需要花費幾十分鐘以上的時間。國內外在電力系統故障診斷方面已經做了很多研究工作 但問題尚未能很好解決。可靠且高效的故障原因分析可以幫助運行人員有針對性的尋找導致故障的線索 減少排除故障時間。現代電力系統調度中心一般配備了先進的計算機系統，也引入了現代化設備監視和控制電力系統運行狀態以及實時監測設備外部環境狀況 這為故障診斷及故障影響要素分析提供了技術支撐。電力監測技術的不斷發展為電力系統故障影響要素分析提供了愈來愈豐富的信息來源。利用包含外部環境要素等附加信息的電力系統歷史運行數據對故障類型進行分類和確定設備故障形式，之後採用粗糙集、邏輯回歸及人工神經元網路等方法識別故障影響要素和分析故障原因。
綜合考慮了檢修設備和正常運行設備所在區域的氣象條件對檢修的影響，提出了計及可靠性和氣象因素的配電系統短期維修決策方法。]開展了計及天氣預測的電力系統運行可靠性短期評估，建立了基於支持向量機的天氣預測模型。考慮了不同氣象等級和氣象因素對輸電線路故障率的影響，提出了一種基於灰色模糊理論的、計及多種氣象因素的輸電線路運行風險評估方法。前已述及，氣象等要素是導致電力系統故障的主要原因之一，但如何在故障診斷中適當計及這些要素的影響是一個有待深入研究的問題。本文對此問題進行探討，發展利用氣象等影響要素的電力系統故障元件識別與故障原因分析方法，在現有的故障診斷模型 的基礎上進一步利用故障時刻外部要素情況對故障影響要素作了分析。在系統發生故障後，根據故障前後的電力系統網路拓撲結構可以確定停電區域，停電區域中所包括的元件就是可疑故障元件。在此基礎上，以繼電保護和斷路器狀態為故障診斷信息源，構建故障診斷模型，進而識別故障元件。之後，綜合污穢監測信息、雷電監測信息、氣象預警信息以及其它外部環境監測設備信息和故障元件識別結果，對故障元件進行故障影響要素分析。具體地，通過建立外部要素矩陣，進行模糊聚類和關聯度計算，最後得到引起故障的可能外部因素集，以幫助系統運行人員快速定位和排除故障，儘快恢復系統正常運行。
故障元件識別與故障原因分析方法架構
故障元件識別與故障原因分析屬於能量管理系統(EMS)中的高級套用功能，所需數據主要來源於調度自動化系統(SCADA / EMS )、繼電保護及故障錄波系統、污穢監測系統、雷電監測系統和氣象預警系統等電力信息數據採集系統。在電力系統發生故障後，首先啟動故障診斷模組，通過通訊接口從SCADA 系統、保護信息系統以及廣域測量系統(WAMS)單向獲取實時數據並將其存放在故障診斷系統的實時資料庫之中，根據實時採集的數據進行故障元件診斷，之後將元件診斷結果傳送給故障影響要素分析模組。故障影響要素分析模組接收並解析故障診斷模組傳送過來的故障元件診斷結果，並採集實時污穢監測、雷電、氣象以及其它外部信息/ 數據等，分析故障原因，並生成故障影響要素分析報告供系統運行人員查閱和分析
故障診斷
電力系統故障診斷模組主要包括下述三個步驟
(1)停電區域識別。根據故障前後的電力系統網路拓撲結構分析不難識別出故障後的停電區域。停電區域中所包括的元件就是可疑故障元件。
(2)故障元件診斷。根據故障區域內每個可疑故障元件與相應保護、斷路器動作之間的邏輯關係，構建每個元件的加權模糊Petri 網路，通過矩陣運算診斷出故障元件。
(3)保護設備動作評價。根據診斷出的故障元件進行反向推理分析，可以對保護和斷路器的動作情況進行評價，以判斷其誤動和拒動情況。
考慮到江蘇電力系統的實際狀況，時序和電氣量部分，構建了簡化的加權模糊Petri 網路故障診斷模型用於診斷故障元件。Petri 網路是由庫所、變遷以及有向弧組成的用以描述並行事件的有向網路，其動態性質通過變遷的激活和托肯的轉移實現。在滿足規定條件時，變遷激活，托肯按照有向弧的方向從該變遷的輸入庫所轉移至輸出庫所中。定義加權模糊Petri 網為一個九元組:= {P，T，I，O，Acc，U，Thre，W，M} ( 1)式中:P = {p1，p2，… ，pn}為庫所集，n 為庫所數;T= {t1，t2，… ，th}為變遷集，用於表征推理規則，h 為變遷數;I :P→T 為反映庫所到變遷的映射，I =[δij]為n × h 矩陣，當pi是tj的輸入(即存3pi到tj的有向弧)時δij= 1，否則δij= 0;O:T→ P 反映變遷到庫所的映射，O = [γij]為h × n 矩陣，當pj是ti的輸出(存在ti到pj的有向弧)時γij= 1，否則γij= 0;Acc= [aij]為n × n 矩陣，表征一般庫所到達目的庫所的通路，當pi的庫所通路經過pj時aij= 1，否則aij= 0;U = [μ1，μ2，… ，μh]為變遷的置信度向量，若對於任意j 有μj= 1，模型即為不含模糊變數的簡單Petri 網;Thre= [λ1，λ2，…，λh]為變遷的點火閾值向量;W=diag(w1，w1，… ，wn)為輸入弧的權值矩陣，用於反映前提條件對規則的影響程度，其取值與庫所表征的事件類型相關;M = [α(p1)，α(p2)，…，α(pn)]為庫所置信度向量，α(pi)表示庫所pi的置信度。
一個簡單的加權模糊Petri 網的結構，其可用於研究狀態不確定性問題。加權模糊 Petri 網與簡單Petri 網的最大區別在於前者考慮了輸入弧的權值、庫所的置信度、變遷的置信度、機率值的變遷過程等，提高了模型的容錯性和適用性。加權模糊Petri 網的推理過程。若庫所置信度α (p1)≥λt1且α (p2)≥λt1，變遷t1點火，庫所p3的置信度為α(p3)= (α(p1)·w1+ α(p2)·w2)·μ1，其中w1+ w2= 1。若α(p3)≥λt2，α(p4)≥λt3，變遷t2和t3分別點火，因變遷t2和t3都只有1 個前置庫所，故其輸入弧的權值均為1，庫所p5的置信度為α(p5)= max {α(p3)·μ3，α(p4)·μ4}。在加權模糊Petri 網的推理過程中，定義了5 個矩陣運算所需要的運算規則。假設A、B 和C 均為h × n 矩陣，而D 為h × q 矩陣，E 為q × h 矩陣，定義: (1)加法運算元:C = A B，則cij= max (aij，bij) ; (2)比較運算元?:C = A?B，，則當aij≥ bij時cij= 1，否則cij= 0; (3)直乘運算元:C=A B，則cij= aijbij; (4)乘法運算元:C = DE，則cij= max (dikekj)，1 ≤ k ≤ q; (5)矩陣q乘法·:C = D·E，則cij= ∑dikekj。k = 1加權模糊Petri 網經過疊代推理可達到穩態，即庫所置信度矩陣M 的值不再隨疊代進行而變化。假設第k 次疊代得到置信度矩陣M，則獲取第k + 1 次置信度矩陣M(k = 0，1，2，3，…;給定初始狀態M)則令k = k + 1，繼續推理。
故障影響要素分析
故障影響要素
我國地域遼闊、各地氣候及地理狀況差異巨大，這樣在不同地區導致電力系統故障的主要因素也就有所不同。在識別出故障元件之後，需要快速找出故障原因，排除系統故障，儘快恢復系統正常運行。實際電力系統的運行經驗表明，大部分電力設備或元件的故障率會因所處環境狀況的不同而不同，且在惡劣環境下其故障率會急劇增大。以下為江蘇省電力系統所遭受的主要惡劣環境及其特點。
(1)污穢
絕緣子表面污穢直接來源於大氣，污穢程度直接受大氣中各類型污染物含量的影響。隨著空氣中工業排放物的增多和自然揚塵現象的加劇，電力設備在運行過程中，其外絕緣表面積污越來越嚴重。在霧、露、雨、雪等濕度較高的天氣環境下，設備外絕緣污層中的電解質溶於水層，此時外絕緣污層很容易發生污閃，嚴重時直接導致供電設備故障。實際運行經驗表明，污閃一般發生在正常運行電壓下，且事故重合閘成功率較低，容易引起大範圍停電事故。據電力部門事故統計表明，在全國範圍內，污閃是除雷電以外造成系統故障最多的原因，且其造成的損失是其它天氣因素所無法比擬的。由於泄漏電流包含了絕緣子運行狀態的足夠信息且相對容易測量，電力部門現階段主要通過測量泄漏電流來實現對電力設備外絕緣污穢程度的線上實時監測 。
(2)雷電
雷害事故是造成高壓輸電線路跳閘停電的主要原因之一，不過雷擊故障的重合閘成功率相對較高。極大的雷電過電壓具有電磁效應、機械效應和熱效應，會導致電力設備損壞、使輸電線路發生故障、斷路器跳閘，影響正常送電。同時，雷電干擾磁場也會沿著各種電纜竄入設備，使電力設備承受很高的過電壓，以致破壞設備絕緣，造成危害。雷擊故障的分布與地閃密度( 每年每平方公里發生的地閃次數) 的分布有較強的關聯性，雷擊故障應結合當地具體地形地貌特徵、輸電線路絕緣水平、防雷配置等環境因素綜合分析。在上世紀70 年代，美國率先研製出了比較精確的雷電定位系統即LLS (lightning location system)系統 極大地促進了對雷擊故障的研究 其主要由雷電探測系統、雷電定位系統中心站、通信網路和用戶工作站四部分組成。
(3)其它環境要素
一般情況下，降雨會導致電力設備的故障率大大增加，但強降雨一般不會直接導致輸電線路停運。而伴隨著降雨的大風、雷電等氣象災害往往是降雨期間設備故障率增加的主要因素。與此同時，強降雨會在短時間內引發坡面徑流並沖刷坡面，嚴重時引起山體滑坡等災害，使輸電線塔串倒，造成重大損失。颱風災害是影響沿海地區的主要氣象災害之一，其帶來的大風、強降水破壞建築物、引起洪澇、山體滑坡和土石流等災害。颱風是造成輸電線路運行故障的重要原因之一，極大的風速可超過線路原本設計的抗風能力，致使線路橫向撞擊，導致線路相間短路等故障。在霧、毛毛雨、融冰等環境狀況下，污層中的電解質會溶於水中而使絕緣子導電性能增加，使絕緣子的電氣強度大打折扣，造成絕緣子發生污閃事故。高溫天氣使環境溫度升高，輸電線路與周圍環境的溫度差減小，散熱速度下降，線路溫度升高，易導致過負荷運行和線路接地故障等。
故障影響要素分析流程
故障影響要素分析主要針對故障診斷得到的故障元件，採集實時污穢、雷電、氣象以及歷史外部信息數據等，結合歷史運行數據，建立外部要素矩陣 並進行模糊聚類和關聯度計算(得到導致故障發生的可能的外部因素集，從而輔助運行人員快速定位和排除故障。
（1）要素分析信息採集電力系統發生故障後，將故障影響要素分析模組初始化，並使其接受來自故障診斷模組的分析處理結果，包括所診斷出的故障元件、保護和斷路器動作情況、故障測距結果等。同時，故障影響要素分析模組需採集故障元件所在區域在故障發生時段的污穢監測、雷電監測和氣象預警等外部要素信息，以進行下一步的故障影響要素分析。
(2)建立外部要素矩陣
外部要素環境包括污穢、雷電、降雨、大風、降雪、高溫等，採集故障發生時段電力設備所處的多個外部要素環境，並結合歷史運行狀況下電力設備所在區域的外部要素環境，建立電力設備多時刻外部要素矩陣。之後，對此矩陣用最小—最大數據標準化方法進行歸一化處理，使所有外部要素指標歸化到同一個數量級，以便進行綜合測評分析。
(3)建立外部要素相似關係矩陣
電力設備在相似的外部環境下的故障率是相似的。建立外部要素相似關係矩陣是為了將相似的外部要素序列歸為一列，以便研究其共同規律。可以採用相似係數法、距離法和主觀法形成該矩陣。這裡採用距離法中的絕對值減速法，並根據模糊聚類理論將此矩陣通過傳遞閉包法 ( 在很多套用領域，模糊關係具有自反性和對稱性，但不滿足傳遞性，即僅是相似關係。此時可對模糊相似關係 R進行改造，尋找一個包含 R的傳遞閉包，將其轉化為模糊等價關係，進而進行模式分類。這種方法稱為傳遞閉包法) 轉換成外部要素相似關係模糊等價矩陣。
(4)聚類處理
將故障時段電力設備所處的外部要素環境以及其在歷史運行中所處區域的外部要素環境分類有利於對其做進一步分析。可採用λ 截集法處理外部要素相似關係模糊等價矩陣，進行模糊聚類，將電力設備具有相似外部環境的外部要素序列歸結為同一類。聚類水平λ 的大小直接影響分類結果，在λ 由1逐步減小到0的過程中，由外部要素相似關係模糊等價矩陣確定的分類內所含元素逐漸增加，分類數逐漸減少，最後歸併為一類。
(5)關聯度計算
關聯度分析根據外部要素序列之間的相似程度來判斷元件故障時刻的外部要素序列和相應的歷史外部要素序列之間的相似程度。外部要素序列越接近，關聯程度越大。每個外部要素序列包含多項指標，首先計算故障時刻外部要素序列和歷史運行情形下外部要素比較序列中每項外部要素的關聯繫數，再通過加權獲得最終關聯度。
(6)故障原因分析
在完成上述模糊聚類和關聯度計算後，基於加權的思路就可以求出不同外部要素造成本次故障的可能性; 據此對不同外部要素進行排序，把引發本次故障可能性最大的幾種外部要素提供給系統運行人員，輔助其快速分析和排除故障。故障元件識別與故障原因分析系統的實現故障元件識別與故障原因分析系統架構，其功能主要通過七個步驟來實現。
1.程式初始化將系統的各個控制參數和通訊接口程式進行初始化處理，包括讀取系統的所有狀態量並更新靜態資料庫中的信息，通過通訊接口並以IP 加密認證的形式從電網拓撲資料庫、SCADA 系統、保護信息系統、WAMS 系統和外部環境監測系統等單向獲取電力系統內部設備狀態信息及外部環境的實時監測信息，並存放在故障診斷及故障影響要素分析系統的實時資料庫中。此後，根據實時信息通訊協定讀取包括保護動作、斷路器跳閘等狀態變位信息。
2.更新網路結構每當電力系統發生故障或進行檢修的時候，帶電子系統和停電子系統都會發生變化。此時需要再次更新電力系統保護、斷路器等的動作信息，並對電力系統網路拓撲進行分析，得到最新的停電區域，並與故障或檢修發生前的停電區域進行對比，新增的停電區域就是故障區域或檢修區域。將最新的網路結構存儲到電網拓撲結構資料庫，供故障診斷和故障影響要素分析模組調用。
3.信息預處理及啟動檢測信息預處理主要指對警報信息的預處理。電力系統發生故障後，監測設備會上傳大量警報信息到調度中心，包括故障診斷需要的各種保護和斷路器動作信息、與診斷間接關聯的各種裝置異常或警報信息以及雷電、污穢和氣象環境監測信息。此外，還會有影響故障診斷和故障影響要素分析的警報誤報、漏報情況發生，且警報信息會被多次重複上傳並其它無用信息混淆在一起，這會明顯加重調度人員的工作量，這就要求對這些信息進行分類和篩選，以便快速、準確地實現故障診斷和故障影響要素分析。啟動檢測主要用於判斷是否啟動核心故障診斷和故障影響要素分析程式。若判斷為停電檢修，則系統並沒有發生故障，就不需要啟動核心故障診斷和故障影響要素分析程式，此時只需運行更新網路拓撲結構的程式，把變化後的網路拓撲結構存儲到電網拓撲結構資料庫中。
4.故障診斷核心程式故障診斷核心程式是基於加權模糊Petri 網的故障診斷方法開發的。診斷過程主要分為如下幾個步驟: 搜尋停電區域、建立元件的故障診斷模型並進行診斷、評估保護和斷路器的動作行為。故障診斷結束後將診斷結果寫入歷史資料庫中，以便事後分析和日後查詢。
5.故障影響要素分析核心程式電力系統發生故障後，啟動通訊接口程式。通過通訊接口從SCADA 系統、保護信息系統以及WAMS 系統單向獲取實時數據並將其存放在故障診斷系統的實時資料庫中。根據實時採集的數據進行故障元件診斷，之後將診斷結果傳送給故障影響要素分析系統。故障影響要素分析系統接收並解析故障診斷模組傳送過來的元件故障診斷結果，並採集實時污穢監測、雷電、氣象以及歷史外部信息數據等，建立故障影響要素分析模型，生成故障影響要素分析報告，用以輔助系統運行人員定位和排除故障。
6.生成故障診斷綜合分析報告故障診斷綜合分析報告主要用於反映故障發展過程以幫助系統運行人員快速了解故障情況、找到故障原因，為後續故障處理爭取寶貴時間和提供決策支持，並進行事後分析。其主要步驟包括:讀取故障診斷及故障影響要素分析結果。通過對文本檔案的數據讀取，將診斷分析結果按相應的數據結構保存，為後續生成故障診斷綜合分析報告所需數據做準備。數據處理。包括計算事件的相對時間、生成輸出數據、統計廠站和事件排序。程式操作。在數據處理環節後可獲得要輸出到故障診斷綜合分析報告的數據，按統一的報告內容，在故障診斷綜合分析報告中通過C#程式完成對故障設備診斷情況、保護與斷路器動作情況、故障影響要素分析結果的描述。生成報告。故障診斷綜合分析報告所需內容已通過上述步驟全部獲得，最後保存故障診斷綜合分析報告至相應位置供系統運行人員查詢。
7.人機接口及與其它軟體接口人機接口主要包括對故障診斷和故障影響要素分析結果進行圖形界面顯示以及維護人員對核心程式維護的通道。與其它軟體的接口則包括與調度員培訓模擬系統(DTS)等高級套用分析軟體的接口。江蘇電力系統已經高度現代化，具有多種監視和控制電力系統運行狀態的先進設備並可以實時監測設備外部環境狀況，這為故障元件識別和故障原因分析提供了豐富的信息及數據。已經建立了污穢監測系統、大氣環境監測系統、氣象監測系統和輸電線路視頻監控系統等在內的多種外部監測系統，並已接入SCADA 系統、保護信息系統以及WAMS 系統平台，可以對電力設備及其周邊環境進行實時監控。在電力系統發生故障後，該系統可為故障診斷提供繼電保護和斷路器狀態等信息，為故障影響要素分析提供污穢、雷電、氣象等外部環境監測信息，可以有效保證故障元件識別和故障原因分析的順利進行。
