高压断路器担负着电力系统负荷控制和故障保护的重任。高压断路器出现故障往往会危及整个电网的安全运行。例如，断路器在运行时经常会发生拒动故障，从而导致越级跳闸的现象出现，这样不仅会使停电的范围扩大，更会导致电力系统的解列。而“拒动”往往伴随着电流等特征参数的变化，如“分（合）闸电流有效值过小”，因此，根据特征参数和故障间的逻辑关系可对断路器故障进行推理分析。
目前，最基本的高压断路器故障诊断方法是基于规则的逻辑诊断。此外，基于神经网络的故障诊断方法、基于支持向量机的故障诊断方法、小波变换法、希尔伯特黄变换法等也得到了广泛运用。文献[1]结合小波包—特征熵的概念对高压断路器进行故障诊断并取得良好测试效果。
文献[2]运用最小二乘支持向量机与机械振动信号相结合的方法对高压断路器进行故障诊断，试验结果表明，在小样本情况下，诊断结果仍然较好。文献[3]构造了RBF神经网络模型和BP神经网络模型对高压断路器进行故障诊断，仿真结果显示RBF神经网络故障诊断模型的计算速度优于BP神经网络故障诊断模型。
以上研究都是针对微观的电气量信息对高压断路器进行故障诊断，而针对故障的宏观特征之间内在关联性的研究较少。
Petri网作为一种描述事件与关系的系统模型，由于其严谨的推理过程和直观的图形化描述，近年来被广泛应用于故障诊断领域。
文献[4]将Petri网与模糊理论进行有效的结合，提出了模糊Petri网的建模方法，该方法有效地运用了模糊理论的优点，对不确定性事件引发的问题起到了良好的作用。文献[5]对模糊Petri网（Fuzzy Petri Net, FPN）进行了严谨的数学推理，给出了矩阵化的推理过程，为FPN应用的发展奠定了坚实的理论基础。
文献[6]通过正反向推理验证了模糊Petri网的有效性，为模糊Petri网在故障诊断方面的应用打开了大门。文献[7]将自适应算法引入模糊Petri网，提出了自适应模糊Petri网算法，有效地解决了一部分随机性故障、不确定性故障的诊断问题。文献[8]通过在线监测系统对导致故障发生的故障征兆进行实时监测，避免由微小故障引发的大故障事件。文献[9,10]将故障的逻辑关系与Petri网的拓扑结构进行了对应，更加直观地表述故障发生的内在联系。
本文在前人研究的基础上，提出一种适用于断路器的神经模糊Petri网（Neural Fuzzy Petri Net, NFPN）故障诊断方法，该方法以SF6高压断路器作为实例，建立断路器的NFPN模型，从正、反两个方面对NFPN进行详细的正、反演绎推理，采用神经网络算法对权值进行优化，对置信度推理公式进行改良，并辅助于最小割集，得到断路器故障的整体诊断信息和传播方式。最后利用贝叶斯网络和传统Petri网方法对本文所提方法进行了验证。
图1 部分NFPN模型
