情况。
假定保护和断路器处于因为扰动而导致故障最终处于动作状态下，保护和断路器动作在触发、整定或动作环节可能存在一定的延时误差。因此相对于故障发生时刻，各个告警事件的出现时刻应该在一定区间内。我们将故障切除时间清晰的划分为三个部分，如图1所示。
这些部分满足等式：
式中，为清除故障所需的总时间，为继电器动作时间， 为断路器动作时间， 为延时。用同样的单位，比如“周波”。所有的这些变量都是随机的。对于主保护，通常是“0延时”，但对于本地或者远方后备保护，其延时要能正确匹配。
图1所示的为典型的采用普通切除以及本地后备切除两种方式的测量图。将这些变量定位高斯型随机变量是很合理的，这就意味着总的切除时间通常等于切除故障过程中所涉及的保护设备的平均操作时间之和。同时，高斯随机型变量的分布特性决定了总的故障切除时间的方差会激增。
根据文献8，告警事件的时序特性必须满足一致性约束。
3 基于RTCE-Nets模型构建
为便于叙述，本节以一个简化的输电系统为例来阐述基于RTCE-Nets 的故障诊断模型。如图2所示：
图2为一个简单输电线路，其中L代表线路，代表断路器1， 代表断路器2。
构建输电线路的RTCE-Nets。如图3：
根据CE-Nets矩阵定义，定义关联矩阵。矩阵表示图是否联通。
当所有设备均正常时，关联矩阵为
收到告警，用故障真值状态向量 ：对H的所有信息状态进行验证，是关键环节。根据时序特性进行验证，可以判断出实际运行中的漏报与误报，从而修正真值向量。即，接收正确的报警信息，该点状态为1；没有收到的报警信息，或误报，该点状态为0。修正的真值向量为阶列向量如下所示：
定义设备的故障概率的真值向量 ，根据设备投入时间，故障常数，计算设备的故障概率。概率最大，状态值为1。再次循环，状态值从大到小进行遍历。
故障节点向量： 反映RTCE-Nets中各节点可能发生故障分布。为维列向量，其各个元素的定义如下：
通过上面的四个矩阵，推到事故的演变过程。
首先，关联矩阵的转置矩阵与故障真值状态向量作二进制乘法运算，得到转换新矩阵[11]。二进制乘法采用逻辑乘法，即 。
其次，将生成的矩阵与故障节点向量进行逻辑“与”运算，即
之后，通过得到与元件概率的真值向量进行逻辑“与”运算，即
最后，得到两个向量，根据向量之间时序约束，推到事故演变过程。通过故障概率矩阵，判断信号的可信度。如果向量值为1，表示关联大，为0表示没有关联。
4 算例分析
下图是某地区220kv电力系统的实际故障案例，根据本文的算法分析案例。其中下图为开关的动作状态，如图4所示：
即，断路器C10，C11，C15，C29，C30动作，动作时间解释， 属于保护动作，断路器动作，时间属于。 属于主保护拒动，引发后备保护动作，时间属于 。属于主保护拒动，后备保护拒动，引发远后备保护动作，时间属于。
根据时序故障诊断结果是线路L4短路，断路器C15动作，断路器C14拒动，引发断路器C10，C11，C29动作。线路L8短路，断路器C29动作，断路器C30动作。
但考虑到元件的可靠性，考虑到断路器保护的可靠性，从现场获取断路器C29维护时间早于其他动作的断路器保护的维护时间。从而计算C29基于线路L4故障的后验故障概率为0.678。C29基于线路L8故障的后验故障概率为0.476。故状态真相向量相对于L4为0。相对于L8的真值向量为1。但相对于线路L4的权重大于相对于线路L8的权重。根据RTCEN故障诊断，其诊断结果是线路L4短路，断路器C15动作，断路器C29故障，断路器C14拒动，断路器C10，C11，C30动作。符合实际诊断结果。
5 结语
本文主要研究了基于元件可靠性的时序网络电力系统故障诊断方法。通过引入元件的可靠性，利用告警信息的时序性，形成了对电力系统故障的实时诊断，并且可以对重点信号进行着重处理，对故障概率大的元件加大处理权重，可以更快速的找到故障来源，同时提高诊断的准确度。同时构建了模型，清晰可见告警的来源及保护的动作状态，易于发现它们之间的因果关系。此方法简单实用，在实时故障诊断应用中具有很好的前景。
参考文献
[1]陈玉林，陈允平，孙金莉，邱君玛.电网故障诊断方法综述[J]. 中国电力，2006，05：27-31.
[2]Heung Jae Lee， Bok Shin Ahn， Young Moon Park. A fault diagnosisexpert system for distribution substations[J]. IEEE Trans. on Power Delivery， 2000， 15（1）：92-97.
[3]毕天姝，严正，文福拴，等.基于径向基函数神经网络的在线分布式故障诊断系统[J]. 电网技术，2001，25（11）：27-32.
[4]廖志伟，孙雅明.基于事件序列数据挖掘原理的高压输电线系统故障诊断（一）模型与算法[J].电力系统自动化，2004，04：22-27.
[5]孙雅明，廖志伟. 基于事件序列数据挖掘原理的高压输电线系统故障诊断 （二）仿真和容错性能分析[J].电力系统自动化，2004，05：20-24.
[6]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，2005，13：14-18.
[7]张勇，张岩，文福拴，董明，孙维真，黄远平. 基于时序因果网络的电力系统故障诊断[J].电力系统自动化，2013，09：47-53.
[8]文福拴，韩祯祥.计及警报信息时间特性的故障诊断模型[J]. 电力系统自动化，1999，17：6-9+19.
[9]张凌雁，周曙.电网故障诊断的时间因果贝叶斯网模型[J].电气传动自动化，2012，02：27-32.
[10]朱亚光，马存宝，朱道德，周伟. 概率因果网络在航电系统多故障诊断中的应用[J].计算机工程与应用，2010，07：242-244.
[11]廖志伟，岳苓，文福拴，黄少先，李思岑. 基于混合规则网络和警报时序特性的电力系统故障诊断[J].电力系统自动化，2013，10：72-79.
[12]孙雅明，吕鹏. 基于混合因果网络的配电变电站故障诊断[J].电力系统自动化，2004，13：26-30.
[13]徐国钧，刘永胜，华靓，胡晓琴，杨占胜，包拯民，王予疆，周念成. 基于模糊因果网络的智能变电站故障诊断应用[J].电力系统保护与控制，2013，08：93-98.
[14]曾涛，刘维璠.基于因果网络的多故障诊断系统[J].硅谷，2012，22：32-33.
