電力系統(tǒng)故障診斷算法概述

1、電力系統(tǒng)故障診斷算法概述摘要：本文概述了目前電力系統(tǒng)故障診斷的算法研究現(xiàn)狀， 總結(jié)了當前的主 流研究算法專家系統(tǒng)法、模糊理論法、人工神經(jīng)網(wǎng)絡(luò)法、遺傳算法、 petri 網(wǎng)的方法、粗糙集理論、多代理系統(tǒng)、貝葉斯網(wǎng)絡(luò)法以及近似熵算法，并對他們 在電力系統(tǒng)故障診斷應(yīng)用中存在的一些缺點做出了概括。關(guān)鍵詞：申力系統(tǒng)；故障診斷；專家系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)；潰傳算法；0 引言當前，電力系統(tǒng)在國民經(jīng)濟中的地位越來越突出， 因而對電力系統(tǒng)的安全性、 可靠性提出了更高的要求。 現(xiàn)在電網(wǎng)的規(guī)模龐大， 結(jié)構(gòu)趨于復(fù)雜， 區(qū)域之間的聯(lián) 系密切，對電力系統(tǒng)故障診斷的研究意義重大。 電力系統(tǒng)故障診斷是通過各類保 護裝置產(chǎn)生的信息

2、，基于一定的理論和經(jīng)驗來對故障發(fā)生的區(qū)段、故障元器件、 故障性質(zhì)作出快速、準確的處理。雖然國家電網(wǎng)的SCAD/EMS系統(tǒng)在電力系統(tǒng)故 障的獲取方面起到了一定的作用， 但是電網(wǎng)故障時大量的信息遠遠超出了運行人 員的能力，所以迫切的需要一套更加完整的智能電力系統(tǒng)故障診斷系統(tǒng)， 實現(xiàn)對 電網(wǎng)故障的自動快速診斷。但是，電力系統(tǒng)中電力設(shè)備的種類繁多品種不一， 保護裝置配合的復(fù)雜性、 電網(wǎng)結(jié)構(gòu)的變化不確定性， 導(dǎo)致了電網(wǎng)故障診斷是一個復(fù)雜的綜合問題。 近年來 國內(nèi)外許多學者提出了多種故障診斷的技術(shù)和方法，主要包括：專家系統(tǒng)法 ES (Expert System)、模糊理論法 ET(Fuzzy Theory

3、、人工神經(jīng)網(wǎng)絡(luò)法 ANN (Artificial Neural Network )、遺傳算法 GA (Genetic Algorithms)、petri 網(wǎng)法、粗糙集理論 RSTRough Set Theory、多代理系統(tǒng) MA(Multi-agentSystem)、貝葉斯法 BN(belief n etwork、以及近似熵算法。本文對上述方法歸納總結(jié)，闡述了各自在電力網(wǎng)中 的故障診斷的應(yīng)用， 分析各種方法的特點， 并對一些相關(guān)技術(shù)和方法的發(fā)展進行 簡要的介紹。1 電力系統(tǒng)故障診斷國內(nèi)外研究發(fā)展現(xiàn)狀1.1 基于專家系統(tǒng)的方法 ES專家系統(tǒng)ES(Expert System是目前發(fā)展最早相對比較成

4、熟的一種智能技術(shù)。 它是一個智能計算機程序系統(tǒng)， 內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗， 具有大量的專業(yè)知識與經(jīng)驗的程序系統(tǒng)， 利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題一般而言，專家系統(tǒng)大概由 6 部分構(gòu)成 :知識庫、數(shù)據(jù)源、推理機、咨詢說 明、知識學習和人機界面； 其中用來存放系統(tǒng)待解決問題的相關(guān)領(lǐng)域的專業(yè)知識 的知識庫和用來控制、 協(xié)調(diào)整個系統(tǒng)工作的推理機是專家系統(tǒng)的核心。 在電力系 統(tǒng)中，專家系統(tǒng)通過把斷路器、 保護器的動作邏輯結(jié)合運行人員的經(jīng)驗以適當?shù)?表達式和結(jié)構(gòu)形式錄入知識庫， 根據(jù)電網(wǎng)中報警系統(tǒng)所提供的相關(guān)信息由推理機 進行分析， 從而獲得相關(guān)故障診斷結(jié)果， 然后

5、反應(yīng)給調(diào)度員。 專家系統(tǒng)結(jié)合了相 關(guān)的理論知識和專家的經(jīng)驗知識來解決問題， 這樣一方面解決了那些只能依靠解 析才能解決的問題，另一方面縮小了搜索和推理的范圍， 提高了故障診斷的效率。 隨著控制理論和數(shù)學規(guī)劃技術(shù)決策支持不斷在電力系統(tǒng)中的運用和專家系統(tǒng)知 識表達的多樣性， 使得專家系統(tǒng)在電網(wǎng)故障診斷中發(fā)揮了其獨特的作用。 然而隨 著電網(wǎng)互聯(lián)規(guī)模和運行復(fù)雜性越來越大， 運行程度越來越接近極限， 專家系統(tǒng)漸 漸暴露出一些問題，主要歸納有如下幾點： （ 1）專家系統(tǒng)知識庫的靈活性較低。 現(xiàn)在專家系統(tǒng)知識庫知識的獲取還主要是靠人工移植來獲取所需要領(lǐng)域的專業(yè) 知識，當電網(wǎng)中網(wǎng)絡(luò)結(jié)構(gòu)和各種電氣設(shè)備的配置等發(fā)

6、生改變時知識庫就需要作出 相應(yīng)的修改。（ 2）目前的專家系統(tǒng)中知識庫不具備模仿學習的能力。在電力運行的過程中， 一旦出現(xiàn)以前沒有出現(xiàn)過的故障情況時， 該系統(tǒng)不能利用現(xiàn)有的知識 來作出正確的診斷，這樣就很容易造成誤判，直接影響運行人員的操作。 （3）專 家系統(tǒng)的容錯能力低。 在電力故障發(fā)生以后， 斷路器和保護裝置發(fā)生誤動作時專 家系統(tǒng)由于缺乏有效的識別錯誤信息的方法和計算推理能力， 有可能就會做出錯 誤的診斷結(jié)果。（4）知識庫的維護比較困難。 因為電網(wǎng)規(guī)模的擴大直接對專家系 統(tǒng)的規(guī)模提出了更大的要求， 而大規(guī)模的專家系統(tǒng)規(guī)模的維護、 修改難度也逐漸 增大，因此要隨時進行系統(tǒng)的維護和修改需要投入大

7、量的人力和財力。 （5）系統(tǒng) 在故障診斷的過程中很難避免要進行多次迭代， 這樣容易造成推理計算速度變慢 和系統(tǒng)組合的奔潰，從而實時性和有效性將會受到一定的影響。1.2 基于模糊理論的方法 FT模糊理論的方法FT （Fuzzy Theory）是通過經(jīng)典集合理論模糊化，運用語言 變量和近似推理的模糊邏輯， 具有完整推理體系的智能技術(shù)。 模糊理論系統(tǒng)包括 模糊知識庫、 模糊推理機和人機界面等組成。 由于模糊理論使用變量來表達專家 經(jīng)驗，這樣更加符合人們正常的表達習慣， 然后將精確推理模糊化， 在一定程度 上增加了專家系統(tǒng)的容錯能力， 這樣可以適應(yīng)不確定的問題。 在電力系統(tǒng)故障診 斷中，模糊理論主要有

8、兩種情況： 一種是推理機診斷所依據(jù)的信息完全正確， 而 是故障于對應(yīng)的保護裝置、 斷路器狀態(tài)之間關(guān)聯(lián)關(guān)系無法來確定， 以及用模糊隸 屬度對這種可能性描述的度量 ;另一種則是認為診斷所依據(jù)的報警信息有誤，而 根據(jù)電力網(wǎng)絡(luò)拓撲結(jié)構(gòu)與保護裝置、斷路器的動作狀態(tài)提供的報警信息可信度， 再結(jié)合其它只能系統(tǒng)給出的診斷結(jié)果綜合來做出判斷。模糊理論由于其推理理論的特殊性， 在電力故障中常常需要結(jié)合其它幾種方 法一起使用。根據(jù)對其具體應(yīng)用的分析，存在一些問題還待進一步來深入研究。 比如在故障診斷過程中由于所隸屬的函數(shù)關(guān)系的不確定性， 需要建立復(fù)雜的的數(shù) 學模型來適應(yīng)其隸屬度， 還有其模糊邏輯語言規(guī)范性的獲取、

9、遺忘、修改等理論 還不夠成熟，一定程度上成為了模糊理論進一步發(fā)展的瓶頸。1.3 基于人工神經(jīng)網(wǎng)絡(luò)的方法 ANN人工神經(jīng)網(wǎng)絡(luò)的方法 ANN（Artificial Neural Net-work ）是模擬人類神經(jīng)系統(tǒng) 中信息的傳遞、處理過程的一種人工智能技術(shù)，也是 AI 技術(shù)的一個重要分支。 人工神經(jīng)通過專家領(lǐng)域所提供的大量先驗知識和故障實例來構(gòu)成 ANN 所需要的 知識庫樣本，免去了對所涉及的專業(yè)知識進行形成、轉(zhuǎn)化、表達等工作。人工神 經(jīng)方法采用神經(jīng)元及它們之間的有向權(quán)重連接來隱含處理問題所需要的知識， 而 其自學能力、自我組織能力、 容錯能力以及各神經(jīng)元之間計算的相互獨立性、 魯 棒性高，省去

10、了推理機的構(gòu)造， 且推理速度與規(guī)模大小無明顯的關(guān)系， 很快引起 學者們的關(guān)注，使得基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷的研究也日益廣泛。這種方法在電力故障中的體現(xiàn)出其優(yōu)越性的同時也暴露出了該方法的一些 問題，主要包括：（1）在大型電力網(wǎng)絡(luò)中，樣本的完備性直接影響著其性能的好 壞。（2） ）對自身行為和輸出的結(jié)果無法做出合理的解釋。 （3）該方法存在訓練 速度慢，無法收斂甚至可能會陷入局部最優(yōu)。 （4）不擅長處理啟發(fā)性的知識。1.4 基于遺傳算法的方法 GA遺傳算法GA （Genetic Algorithms）最初由美國 Michigan大學J.Holland教授 于 1975 年首先提出來的，是依據(jù)達爾

11、文的生物進化論中所提到的生物進化過程 中自然選擇和遺傳學機理， 通過模仿生物遺傳和進化的進程， 尋求對復(fù)雜問題的 全局最優(yōu)解的優(yōu)化算法。 它依據(jù)適者生存， 優(yōu)勝劣汰的進化規(guī)則， 對包含可能解 的群體進行基于遺傳學的操作， 不斷生成新的群體并使群體不斷進化， 同時以全 局并行搜索優(yōu)化群體中的最優(yōu)個體，以求得滿足要求的最優(yōu)解。電力系統(tǒng)故障診斷過程中， 采用遺傳算法的基本思想是將電網(wǎng)故障診斷描述 為優(yōu)化問題，建立診斷的解析模型，最終都歸結(jié)為無約束 0-1 整規(guī)劃問題，并采 用遺傳算法進行求解數(shù)學模型得到故障設(shè)備。 由于電網(wǎng)故障診斷問題有保護或斷 路器誤動作的復(fù)雜故障情況， 合理的診斷結(jié)果可能有多個，

12、 而且其可信程度一樣。 從優(yōu)化的角度講，就是可能存在多個最優(yōu)解。 求得所有合理的結(jié)果無疑是希望的， 因為這些故障發(fā)生的概率是相等的。 因此遺傳算法在每次迭代中都保留一組候選 解。按其解的優(yōu)劣進行排序， 并按某種指標從中選出一些解， 利用一些遺傳算子 如交叉(crossove)和變異(mutation )等對其進行運算，希望選出的這些解具 有良好的特征，以便產(chǎn)生出優(yōu)良的“后代” ，并且選出的這些解在解空間中相當 分散，增加了求得全局最優(yōu)解的機會， 重復(fù)此過程，直至滿足某種收斂指標為止。遺傳算法的模型由于其嚴密的理論和依據(jù)不完整信息的情況下給出最優(yōu)的 多個可能的結(jié)果， 具有良好的應(yīng)用前景。 但是如

13、何根據(jù)保護配置原則、 斷路器之 間的邏輯關(guān)系來建立目標函數(shù)成為該算法得益推廣的瓶頸。 另外，其在運算過程 中尋優(yōu)過程的隨機性，可能會導(dǎo)致一些最優(yōu)解的漏選 ;而重復(fù)進行求解全局最優(yōu) 解可能會導(dǎo)致計算速度的變慢，直接影響診斷的時效性。1.5 基于 petri 網(wǎng)的方法Petri網(wǎng)是在1962年由德國的Carl Adam Petri在他的博士論文用自動機通 信中首先使用網(wǎng)絡(luò)結(jié)構(gòu)模擬通信系統(tǒng)，這種模型后來以Petri網(wǎng)為名流傳。Petri 網(wǎng)以網(wǎng)絡(luò)理論為基礎(chǔ)， 描述系統(tǒng)中離散隨機事件之間的邏輯關(guān)系， 以代數(shù)矩陣運 算演繹系統(tǒng)中同時發(fā)生、次序發(fā)生或者循環(huán)發(fā)生的各種動態(tài)活動。 Petri 網(wǎng)既可 以通過位

14、置節(jié)點和變遷節(jié)點靜態(tài)地對系統(tǒng)作出分析， 也可以利于各相互節(jié)點上的 令牌動態(tài)地對系統(tǒng)行為作出分析。電力系統(tǒng)故障發(fā)生屬于一個離散事件的動態(tài)系統(tǒng)， 通過系統(tǒng)中各級、 各類保 護的動作反應(yīng)故障， 并把排除故障也視為是一系列事件活動的結(jié)合體， 事件序列 與對應(yīng)的實體聯(lián)系在一起。正是由于 Petri 網(wǎng)獨特的診斷方法，它可以對同時發(fā) 生、次序發(fā)生或者循環(huán)發(fā)生的的故障進行定性和定量的分析， 所以在電網(wǎng)中顯示 出一定的優(yōu)越性。 同時該方法也存在著一些不足： （1）由于電網(wǎng)拓撲結(jié)構(gòu)的復(fù)雜 度大，節(jié)點數(shù)目繁多，建立起完整的 Petri 網(wǎng)需要有足夠多的經(jīng)驗知識，進一步 甚至會產(chǎn)生狀態(tài)空間的爆炸。 （2）對錯誤的識

15、別能力較差， 對誤報警信息不能做 出合理的判斷。（3）時間特征要求高的行為特征基本的 Petri 網(wǎng)不能夠進行有效 的描述，因此對已較為復(fù)雜的系統(tǒng)建模時需要采用高級的 Petri 網(wǎng)。1.5 基于粗糙集理論 RST粗糙集理論RST （Rough Set Theory最早是由波蘭Z.Pawlak教授在1982年提 出的一種研究不完整性和不確定性問題的新型數(shù)學工具。粗糙集理論RST以對觀 察和測量所得數(shù)據(jù)進行分類的能力為基礎(chǔ)，基于一個 （或一組 ）機構(gòu)關(guān)于一些事實 和它分辨某些特點、過程和對象等的能力知識。粗糙集理論RST對于處理不完整 數(shù)據(jù)和不精確知識的表達具有相對好的效果。在電力系統(tǒng)中， 因保

16、護裝置和斷路器誤動作、 信號傳輸誤碼等原因所造成的 錯誤或者不完整報警信息， 其可以用一個模式分類問題描述來解決， 因此很適合 用粗糙集理論RST的決策表方法。通過粗糙集理論所建立的決策表實現(xiàn)其自動化 簡和約簡的搜素，刪除多余屬性后抽取出診斷規(guī)則， 揭示報警信息內(nèi)在的冗余性。 基于粗糙集理論RST的方法主要特點是它可以很好的處理不完整、不確定及信息 冗余的情況， 在中小型電力系統(tǒng)和變電站故障診斷中是較為理想的方法。同時該方法也有一些不足需要進一步去研究， 主要有：（1）先驗信息不能夠有效的利用。 粗糙集理論診斷規(guī)則的獲取對條件集下各種故障情況訓練樣本集有很強的依賴 性，對于先前的一些先驗經(jīng)驗缺

17、乏有效的利用。 （2）在大規(guī)模電網(wǎng)中決策表的形 成比較困難。 在電力系統(tǒng)中如果需要考慮多重故障時， 粗糙集理論所得出的決策 表將會十分龐大。 （3）對于丟失或者出錯的信息是關(guān)鍵信息時，診斷結(jié)果將會受 到較大的影響。1.7 基于多代理系統(tǒng) MAS多代理系統(tǒng)MAS （Multi-agentSyetem）被看作是一個分布式人工智能的試驗 平臺，當一個問題在多個物理上或者邏輯上能形成分解的問題求解實體時， 每個 子問題求解實體僅僅擁有問題求解所需的有限數(shù)據(jù)、 信息和資源， 不同的子問題 求解實體之間必須相互交互才能最終求解問題。在電力系統(tǒng)中，可以通過母線 Age nt單元和在決策過程中充當管理角色的服

18、務(wù)Age nt相互協(xié)調(diào)的情況下，各母線 Agent 單元之間相互作用、通信、交換、合作，形成多代理系統(tǒng) MAS 診斷， 最終得到局部的最優(yōu)目標。這種多代理系統(tǒng)MAS 中 Agent 的自治性和 Agent 之間的相互協(xié)同、合作等特點提供了一種很好的電力故障診斷的建模方法。多代理系統(tǒng) MAS 突出的優(yōu)點在于其在如何協(xié)調(diào)物理上或者邏輯上相互分離、 具有不同的目標的多個 Agent 的行為，使其通過聯(lián)合行動來求解問題， 并且之間 相互協(xié)調(diào)各自的知識、希望、目的、意圖、規(guī)劃、行動，對其信息、資源進行合 理的安排， 最大程度地實現(xiàn)各自的目標和總體目標的最優(yōu)， 實現(xiàn)整個系統(tǒng)的問題 的解決起到重要的作用。故

19、多代理系統(tǒng) MAS 在大型的電力系統(tǒng)中的應(yīng)用有很好 的前景。近年來隨著多代理系統(tǒng) MAS在實踐中的應(yīng)用，還應(yīng)該著重解決各Age nt 之間的知識和行為、協(xié)調(diào)和協(xié)作等。1.8 基于貝葉斯網(wǎng)絡(luò) BN貝葉斯網(wǎng)絡(luò)方法 BN(Bayesian networks亦稱信念網(wǎng)絡(luò)(belief network)，它是 基于概率分析、 圖論的一種不確定性知識表達和推理模型， 一種將因果知識和概 率知識相結(jié)合的信息表示框陰。在貝葉斯網(wǎng)絡(luò)方法BN中，用節(jié)點代表論域中的標量，用標有方向的弧線代表各標量之間的關(guān)系， 然后用節(jié)點和有向弧線組成一 個有向無環(huán)圖。 在此有向無環(huán)圖中， 用有向弧線來反應(yīng)標量之間的定性信息， 用

20、變量之間關(guān)系的強度來表示變量之間的定量信息， 而關(guān)系強度通過子節(jié)點和其父 節(jié)點之間的條件概率來表示。在電力系統(tǒng)故障診斷中，可以利用貝葉斯網(wǎng)絡(luò)方法BN的特征，對故障診斷中存在的不完整、不確定等信息建立完備和不完備信息下的貝葉斯網(wǎng)絡(luò)模型進行 相應(yīng)的診斷。 因此這種方法有著堅實的理論基礎(chǔ)、 靈活多變的表達方法和計算方 法，具有清晰、直觀、簡單的表達元件、各級保護、斷路器之間的關(guān)系，很適合 在大規(guī)模實際電網(wǎng)中實現(xiàn)。 可是由于貝葉斯網(wǎng)絡(luò)中系統(tǒng)參數(shù)設(shè)置方面的限制， 某 些參數(shù)所占的權(quán)重需要采用類似于神經(jīng)網(wǎng)絡(luò)方法中的訓練進行獲得， 這些問題有 待于繼續(xù)進行研究。1.9 近似嫡算法近似嫡(approximat

21、e entropy, ApEn) Pincus在1991年從衡量信號序列復(fù) 雜性的角度提出的， 用于度量信號中產(chǎn)生新模式的概率大?。?信號產(chǎn)生新模式的 概率越大，表明序列的復(fù)雜性越大，用近似嫡去衡量就表現(xiàn)為相應(yīng)的嫡值越大。即近似嫡算法用一非負數(shù)來定量表示某信號序列的復(fù)雜性和不規(guī)則性， 而嫡值隨 序列復(fù)雜性的增加而增大。 在分析近似嫡算法數(shù)學定義的基礎(chǔ)上， 總結(jié)了近似嫡 的特點及機理，分析了其特點都源于 Pincus 對近似嫡的數(shù)學定義。根據(jù)物理本 質(zhì)的分析及綜合相關(guān)文獻論述， 總結(jié)出近似嫡算法適合用于電力系統(tǒng)故障信號分 析的主要特點：（1）近似嫡算法具有較好的抗噪能力， 特別是對偶爾產(chǎn)生的瞬態(tài) 強干擾有較好的承受能力。 這是由于受容限闌值 r 的約束，含有干擾信息的采樣 點與相鄰采樣點聯(lián)成的2點或3點線段與特征向量X（i）的距離必定大于：，因而在 闌值檢測中可以濾除噪聲的干擾。 而電力系統(tǒng)故障信號由于線路結(jié)構(gòu)等因素的影