[科普中国]-电网故障诊断的智能技术

背景

电网故障诊断就是通过测量和分析故障后电网中电流、电压等电气量以及保护和断路器动作的开关量变化信息，识别故障元件。良好的诊断策略对于缩短故障时间，防止事故扩大具有重要意义。故障发生时，监控系统采集到的大量故障信息涌入调度中心，基于传统数学模型的诊断方法已很大程度上不能保证诊断的准确性和快速性等要求，而相比较来说，基于智能技术的诊断方法具有明显的优势。智能方法能够模拟、延伸和扩展人类的智能行为，弥补数学模型诊断方法的不足，为电网故障诊断领域开辟了新途径。因此故障诊断方法由传统技术向智能化技术方向发展是该领域未来研究的重点和热点1。

在国内外专家学者对电网故障诊断领域研究成果的基础上，综述了一些当前应用较为广泛的电网故障诊断的智能方法，其中包括专家系统、神经网络、模糊集理论、Petri网等，并相应的给出了简要的介绍，同时分析了这些方法的特点和不足，总结了当前电网故障诊断领域所面临的问题，探讨了该领域在今后的发展中需要重点解决的关键问题和未来的发展趋势。

电网故障诊断的智能方法研究现状基于专家系统的故障诊断方法Feighbaum教授1于1968年开发了第一个专家系统((Expert System)并且具体说明专家系统是一种智能的计算机程序，它通过使用知识与推理过程，求解那些需要专家的知识才能求解的高难度问题。自从70年代人们将专家系统引入到电网的故障诊断领域至今，基于该方法的故障诊断应用较为成功。专家系统在电网故障诊断中的典型应用可以归结为:首先建立故障信息知识库，并用自然语言建立产生式规则;然后基于对这一产生式规则的理解，知识工程师将知识表示成机器语言并通过人机接口储存到知识库中;故障发生时，将故障信息输入到推理机，推理机根据当前输入的故障信息，运用知识库中的知识，按一定的策略进行推理，从而识别出故障元件。

专家系统将专家的知识应用于电网故障诊断，可以保证诊断系统的实时性和有效性，但是基于知识的本质和实现故障诊断的原理没有变，因此当前专家系统还存在着不足：(1)专家知识是人为移植到计算机的，所以难以建立完备的知识库；(2)容错性差，对于保护和断路器的误动作及知识库中不包含的情况，很难给出正确的判断；(3)系统的维护难度非常大，知识库要经常根据实际情况进行更新。

未来的研究中将专家系统与其他智能技术相结合是一种有效的方式，取长补短，弥补专家系统本身的缺陷。有研究将模糊集理论与专家系统结合，通过对电压和电流值以及保护和断路器信息进行模糊推理，能够有效地改善专家系统容错性差的问题。也有采用一种适用于电网故障诊断的整个协同式专家系统的结构体系，并且将其与多智能体技术相结合，克服了单一专家系统的局限性，增强了对复杂故障实时诊断的推理能力2。

基于人工神经网络的故障诊断方法人工神经网络(Artificial Neural Network)是一种模拟神经系统来进行信息处理的数学模型，主要是基于输入和输出关系建立起来的，并由大量简单的处理单元(神经元)广泛互连而形成的复杂网络系统。神经网络能够对大量的训练样本进行分析推理，得到一般规律，从而能对未知的或无法预测的故障信息进行分析判断。目前，前馈神经网络较广泛地应用于电网故障诊断领域，其中最具代表性的是BP(Back Propagation)神经网络和径向基神经网络。

有研究给出了BP神经网络在电网故障诊断中的典型应用:将保护器和断路器的动作信息作为神经网络的输入，可能发生的故障情况作为输出，以此来建立诊断模型;通过大量的故障实例形成训练神经网络的样本集;训练过程中，网络的输入节点加输入信号，此信号向前传播，并不断根据当时的节点活化函数、连接加权系数和给定值进行相应计算，此过程即为学习过程;在学习结束前，若前向计算的输出与期望的输出之间存在误差，则将误差信号反向传播，调整权值和值，直到输出满足要求。

神经网络有强大的学习能力，而且具有容错能力强、鲁棒性好、非线性映射和并行分布处理等特点。然而，神经网络还存在如下缺陷：(1)需要大量的训练样本以供学习，但获取完备优质的样本十分困难；(2)神经网络在诊断过程中被看成是“黑箱”，缺乏对自身行为的解释能力；(3)神经网络不善于处理启发式的规则。未来对基于神经网络的电网故障诊断方法的研究重点还是在选取有价值的训练样本、给予诊断过程解释能力、使适用于大规模电网故障诊断等方面。

基于贝叶斯网络的故障诊断方法贝叶斯网络(Bayesian Network)是一种用来表示和推理不确定性知识的模型，它将概率论的相关知识与图形理论相结合，具有较为严格的理论基础，对解决复杂电网由于不确定因素引起的故障等问题具有明显作用。目前，利用贝叶斯网络技术进行电网故障诊断的研究还处于初期阶段，但是发展的较为迅速。文献采用分层递归的思想，利用粗糙集理论对电网故障信息进行分层挖掘，达到属性优选，然后通过贝叶斯网络进行故障诊断，成功识别出故障元件。结合监测设备的状态信息，利用贝叶斯网络实现了故障情况的提前预测。也有文献基于元件建模，通过设置各节点的先验概率，使得故障信息经过贝叶斯网络后，得到各元件发生故障的概率，以此识别故障元件，若采用某个值作为判断条件，可同时对一个或多个元件的故障进行有效诊断。

贝叶斯网络的诊断模型清晰直观，对于不确定和不完备信息可以进行良好的诊断决策，然而，网络节点赋值需要大量的实际观察或统计分析方法来确定，而且贝叶斯网的训练属于NP难度问题，处理复杂问题时将变得非常困难。未来该领域的研究将主要集中在如何实现贝叶斯网络的自动建模，如何将其与信息融合理论相结合等方面。

基于优化技术的故障诊断方法采用优化技术(Optimization Methods)的故障诊断方法是一种基于数学模型的求解方法。目前，国内外学者提出了多种优化算法，可以将其应用到电网故障诊断领域，而且优化算法在电网规划等方面也有较好的应用。常用的优化算法包括:遗传算法，模拟退火算法和蚁群算法，还有较新的算法如交叉嫡算法。

优化技术应用于电网故障诊断的方法是考虑故障元件与保护器和断路器的动作关系，将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题，然后通过优化算法求解该问题的最优解。有文献基于小生境遗传算法，并结合粗糙集理论，来求取决策表约简，从而抽出诊断规则，提升了对不完备信息的分析能力。

基于优化技术的故障诊断方法具有严密的数学基础和理论依据，用常规的优化算法即能够实现而且能够在诊断信息不全面的条件下，给出局部和全局最优的多个诊断结果。不过该方法还存在的问题是：(1)目标函数的确定比较困难；(2)优化算法的多次迭代，导致诊断时间过长；(3)优化算法在寻优的过程中存在随机因素，可能导致丢失最优解。所以选择更全面的诊断模型以及采用合适的优化算法来提高诊断的准确性和实时性是该领域未来研究的重要方向。

基于支持向量机的故障诊断方法统计学习理论是一种专门研究有限样本情况下机器学习规律的理论，为研究统计模式识别和更广泛的机器学习问题建立了一个较好的理论框架。Vapnik等人根据对统计学习理论的研究，提出了支持向量机(Support Vector Machine)这种全新的模式识别算法，有效地改善了传统分类方法的缺陷，具有充足的理论依据。它在文本分类、故障诊断、手写识别等领域中获得了较多的应用。

故障诊断问题从本质上来说就是一种分类问题，而支持向量机对于有限样本状况下的分类问题具有较强的针对性。有文献通过将粒子群优化算法与支持向量机相结合来进行故障诊断。由于在支持向量机算法中，核函数参数选择的好坏直接影响到诊断结果的准确度，而文中采用的方法能够实现参数的动态选取，达到优化诊断结果的目的3。

支持向量机基于统计学习理论，有效地改善了传统分类方法的缺陷，具有充足的理论依据，对解决有限样本的模式识别问题具有很高的适用性。下一步的研究重点在于如何改进算法，使诊断过程快速并满足实时性的要求以及处理大电网故障诊断、参数的选择等问题。该技术在故障诊断中的应用起步较晚，随着研究的加深，该方法有望成为电网故障诊断领域的实用方法之一。

基于模糊集理论的故障诊断方法美国自动控制专家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隶属函数”来描述差异的中间过渡。模糊集理论(Fuzzy set Theory)将信息模糊化，首先系统获取的信息组成的集合可以看成一种经典集合，按照某种对应法则将集合中的元素映射到 [0，1]这一区间，这样集合中的每一个元素在0和1之间都对应一个实数，这个实数可以表明其隶属于0或1的程度，按照以上对应法则组成的函数就是隶属度函数，该理论就是以隶属度函数为基础建立的。在电网故障诊断领域发展的早期，人们对专家系统应用在故障诊断领域做了较多的研究，然而很少考虑到信息的不确定性，从而导致诊断的不精确。有文献针对电力系统故障诊断问题中的不确定信息给出解决方法，将模糊集理论应用在电网故障诊断领域，通过将故障信息模糊化，不仅可以减小数据信息的存储空间，也能提升诊断精度和容错性。

模糊集理论的特点就是可以处理信息的不确定性，然而基于模糊集理论的故障诊断方法还面临着一些弊端：(1)隶属函数的建立没有一个明确的标准；(2)可维护性差，当电网结构发生变化时，模糊知识库和隶属度也要做相应的变化；(3)大规模电网的模糊诊断模型建立困难。在实际应用中，常常将模糊集理论与其他智能方法相结合(如专家系统、神经网络、Petri网等)，用来分析不确定性信息对诊断系统的影响，提升诊断精度，增强系统的容错性。

基于Petri网技术的故障诊断方法Petri网是德国科学家Carl Adam Petri4于1960到1965年提出的一种数学模型，它利用目标系统中元件之间的关系来构建有向图的组合模型，从而能够准确地表示离散事件发生的顺序、并发和冲突的关系。印度学者 Jenkensl和Khincha在1992年首先将Petri网技术应用于电网的建模中，在这之后Petri网在电力系统的很多领域中得到了应用，并显示出了其良好的应用前景。电网的故障可看成是离散事件，而Petri网是对离散事件组成的系统进行建模和分析的理想工具。

Petri网方法能够定性或定量地对系统中事件发生的各种过程采取准确的分析，同时还具有图形化的结构表示等优点，是对离散事件进行动态建模和分析的有效方法，不过还有一些尚需深入的问题存在，主要是：(1)系统网络拓扑的扩大，易导致建模时发生信息组合爆炸的情况；(2)电网多重故障时，诊断结果不够理想；(3)对于保护和断路器拒动或误动时产生的错误信息不能很好地分析识别。未来的研究中，将高级的Petri网用于复杂电网的故障诊断是一种有效的措施4。

基于信息融合技术的故障诊断方法信息融合(Information fusion)技术实际上是一种多源信息的综合技术，通过对来自不同数据源的信息进行分析和智能化合成，获得被测对象及其性质的最佳一致估计，从而产生比单一信息源更精确、更完全的估计和决策。目前，采用该方法的电网故障诊断已显示出了明显的优势。

采用信息融合技术将开关量与电气量等来自不同数据源的信息综合利用，可以极大地提高诊断系统的实时性和准确性，有效地避免由于故障信息的不确定性而导致的错误诊断。信息融合技术在今后的研究中，重点将放在解决如何选取合适的信息融合方法以及如何在实际中融合更多方面的信息，这会使得电网故障诊断水平上升到一个新高度。

基于MAS的故障诊断方法多智能体(Multi-Agent System， MAS)技术是分布式人工智能技术的重要分支，它是一种将计算机、网络和分布式思想相结合的软件工程技术，能够将目标问题转变成在逻辑上或物理上分离的多个Agent，可分别针对每个Agent来解决问题，而且各个Agent之间相互协调信息得到最终结果，节约了数据和资源。文献将MAS技术应用于电网的故障诊断中，先将诊断系统智能分解，再通过软件技术来协调各Agent中的信息并得出诊断结果，满足了准确性和实时性的要求。有文献提出一种基于智能识别系统的MAS技术。MAS实现了控制过程的在线自适应识别和实时的进行离线故障诊断，同时可以适应和克服大规模电网的复杂性。

故障诊断的模型和架构电网故障诊断中需要构建表述电气设备、保护和断路器关系的解析模型。有文献对于故障时警报信息的时序特性进行研究，结合动态关联路径概念构建了电网故障诊断解析模型，能够更清晰地描述电网保护配置下保护与断路器的动作逻辑和动作时序关系，可以更好地反映多重复杂故障。也有文献研究了保护和断路器发生误动与拒动行为的故障假说，建立了更为完备的诊断模型，不仅可以分析保护与断路器误动、拒动行为，还可以识别漏报或误报的信息。有研究提出了电网故障诊断的完全解析模型，通过建立逻辑约束表达了保护配置与断路器动作规则之间的解析关系，完整地保留了保护动作状态、断路器跳闸状态以及它们误动、拒动之间通过规则解析而形成的藕合关系，提高了模型的鲁棒性和故障诊断的容错能力。上述模型面向继电器层面构建，在应用时不能充分体现保护装置层面的逻辑关系，电网运行中继电保护按成套装置配置，装置内及装置之间由于操作要求和电路联系具有动作一致性5。

在诊断系统建模中，数据格式的定义一般结合具体应用目的由人工设计实现，随意性较大，不够规范。随着电网自动化建设的发展，IEC61970和IEC61850标准的提出为电网故障诊断模型构建提供了新的思路，有文献采用公共信息模型(CIM)，也有文献提出一种统一信息模型，这就为故障诊断模型的构建提供了一个较规范化的模式，可以基于统一的规范进行系统的数据格式设计。然而IEC61970和IEC61850标准设计的初衷是为通讯应用，不体现数据之间的关系，电网故障诊断所需的知识与规则依然需要人工搭建。

电网故障诊断的应用目的是为调度中心的调度员提供智能化的决策，所以诊断的基本架构是基于调度中心构建的。由于当前电网规模的逐步扩大，分层分布式的诊断系统架构和多智能体系统的构建方式相继展开研究，其主要目的在于通过分层分区的方式实现任务分解，降低调度端的解题压力，以完成大电网复杂故障的诊断求解6。

电网故障智能诊断方法应用专家系统智能诊断系统的应用专家系统是发展最早，也是比较成熟的一种人工智能技术一般地说，专家系统是一个具有大量专门知识与经验的程序系统，它根据某个领域的专家提供的知识与经验进行推理和判断，模拟专家的决策过程，以解决那些需要专家决策的复杂问题专家系统的应用领域不同，采用的知识表示方式也可以有所不同。

专家系统在电力网络故障诊断中的典型应用是基于产生式规则的系统，即把保护、断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，形成故障诊断专家系统的知识库，进而根据报警信息对知识库进行推理，获得故障诊断的结沦。该系统允许增加、删除或修改一些规则，以确保诊断系统的实时性和有效性:能够在一定程度上解决不确定性问题:能够给出符合人类语言习惯的结沦并具有相应的解释能力7。

但是需要说明的是，对于电网故障专家诊断系统，获取完备的知识库是形成故障诊断专家系统的瓶颈如果建立的知识库不完备，可能导致专家系统推理失败或给出错误的结论。因为专家系统在推理时要搜索、匹配知识库内一定的规则集才能得出结沦，所以当系统比较大时完成诊断的速度将会比较慢:而电力系统领域专家在实际工作中的思考方式是非常简洁实用的，他们更多的是利用其脑海中己熟知的典型方案，根据对比实际问题，再加以适当修改和调整，从而得到符合实际问题的求解方案。此外，专家系统的容错能力较差，在故障后保护装置或断路器错误动作的情况下，专家系统因缺乏有效的方法识别错误信息，容易造成错误诊断。研究者将专家系统与其它理沦方法结合起来以改善这一缺陷，可望使专家系统得到新的发展与突破。

神经网络智能诊断系统的应用人工神经网络(ANN)是模拟人类神经系统传输、处理信息过程的一种人工智能技术与专家系统相比，人工神经网络最大的特点是采用神经元及他们之间的优先权重连接来隐含处理问题的知识，并具有学习与自学习能力和泛化能力，容错能力较强，即使输入信号带有一定的干扰噪声，仍能给出正确的输出结果。

ANN在电网故障诊断中的应用主要在故障定位和故障类型识别两个方面，其主要问题是:ANN在使用之前需要大量的、有代表性的样本供其学习，且学习算法收敛的速度一般比较慢。学习完成之后，如果系统结构发生变化，则需要增加新的样本重新学习:ANN通常只能给出一个介于0-1之间的数值作为输出，对诊断结果缺乏解释能力，这不利于运行人员理解诊断结果。因此，尽管ANN具有一定的容错能力，但是它不能提供信息帮助运行人员推断不正常动作的装置:此外，如何设计适用于大型输电网络的故障诊断系统仍然是一个有待于进一步研究的问题。

模糊智能诊断方法的应用模糊理沦是将经典的集合理沦模糊化，并引入语言变量和近似推理的模糊逻辑，具有完整的推理体系的智能技术。一般模糊系统的结构与专家系统的结构类似，由模糊知识库、模糊推理机和人机界面等几部分组成，也可以说模糊系统是模糊理沦与专家系统结构的结合8。

目前，模糊理沦己被大量引入输电网络故障诊断领域。输电网络故障诊断的不确定性主要是由保护或断路器误动、拒动，信道传输干扰错误，保护时间偏差等因素造成的。这些不确定因素对于要求严格匹配搜索的专家系统来说，很容易导致错误的结果但在专家系统中融入模糊理沦后，由精确推理变为近似推理，在一定程度上增强了专家系统的容错性。模糊理沦除了与专家系统相结合构成诊断系统外，也可以与其他各种人工智能技术结合在一起，分析不确定因素对智能诊断系统的影响，提高诊断的准确率。只是需要注意的是，模糊理沦所必需的先验信息较难准确获得，这给其应用带来的很大阻力。

当前面临的主要问题及未来发展趋势目前，电网故障诊断领域所面临的主要问题是：(1)各种诊断方法在处理不确定和不完备信息时容错性差，而且直到现在对于该问题仍没有给出明确的解决方式；(2)像前文所介绍的，这些智能方法本身还存在应用的限制和缺陷，而且在目前的实际应用中，大部分电网故障诊断还是只基于一种智能方法；(3)电网的运行方式和网络拓扑结构的变化对故障诊断结果有明显的影响；(4)电网智能故障诊断实用化的研究还不够。

从当前电网故障诊断领域所面临的问题出发，今后的研究重点可以分为以下几个方面：

(1)基于多种智能方法融合的诊断方法研究。目前电网故障诊断的实际应用中，多数还是采用一种智能方法，其中应用较多的是专家系统和优化技术。将多种智能技术融合，取长补短，并在电网故障诊断领域中适时地引入最新的技术，这是未来故障诊断发展的重要趋势。

(2)基于多数据源信息融合技术的诊断方法研究。目前电网故障诊断系统所采用的智能技术大多是利用开关量信息。相比较来说在精确性、容错性等方面，电气量有着更大的优势。将不同数据源的开关量和电气量的信息融合，充分利用多数据源的故障信息，能够使诊断结果更加精确。

(3)基于分布式智能技术的故障诊断研究。采用分布式的故障诊断方法能够将大电网分区后进行分布式故障诊断，有效地解决了面向大电网故障诊断的难题。中国电科院的专家2007年利用贝叶斯网络的诊断方法，以含有不确定性故障信息的大型系统作为平台，进行了MAS协同诊断问题的研究，并取得了很好的诊断结果。

(4)在线电网故障诊断实用化的研究。目前，国内外的专家学者在电网故障诊断理论上的研究已经取得了众多成果，但在实用化研究的方面还十分欠缺。因此在未来的研究中，如何从实用化的角度出发，将理论应用到实际，仍然是一个重要的研究课题。故障诊断预处理功能是整个实用化的故障诊断系统的入口，为后续的运行提供保证，因此对故障诊断预处理功能的研究也是推进电网故障诊断实用化的重要一步。

结语采用智能方法的电网故障诊断是该领域发展过程中新的思路，并且目前已取得大量实质性成果。综述了目前较受关注的电网故障诊断的智能方法，相应介绍了这些方法的特点以及所存在的问题和近年来的研究成果，并指出当前电网故障诊断领域所面临的问题，如实用化不足，处理不确定信息容错性差等，最后探讨了电网故障诊断领域未来的发展趋势。这些智能方法有些还处于理论阶段，而且都有各自的弊端，因此需要在实际工程应用中不断完善，提升电网故障诊断的智能化水平。

电网事故判断是进行事故处理的前提，提高诊断的准确性和快速性具有重要意义。随着电网规模的扩大，为调度员配备高智能、高速度、高质量的实时故障智能诊断判别系统，以协助调度员对电网运行进行实时调整和控制，是非常必要的。