电力系统故障诊断算法概述

电力系统故障诊断算法概述摘要：本文概述了目前电力系统故障诊断的算法研究现状，总结了当前的主流研究算法——专家系统法、模糊理论法、人工神经网络法、遗传算法、petri网的方法、粗糙集理论、多代理系统、贝叶斯网络法以及近似熵算法，并对他们在电力系统故障诊断应用中存在的一些缺点做出了概括。关键词：申力系统；故障诊断；专家系统；人工神经网络；溃传算法；0引言当前，电力系统在国民经济中的地位越来越突出，因而对电力系统的安全性、可靠性提出了更高的要求。现在电网的规模庞大，结构趋于复杂，区域之间的联系密切，对电力系统故障诊断的研究意义重大。电力系统故障诊断是通过各类保护装置产生的信息，基于一定的理论和经验来对故障发生的区段、故障元器件、故障性质作出快速、准确的处理。虽然国家电网的SCAD/EMS系统在电力系统故障的获取方面起到了一定的作用，但是电网故障时大量的信息远远超出了运行人员的能力，所以迫切的需要一套更加完整的智能电力系统故障诊断系统，实现对电网故障的自动快速诊断。但是，电力系统中电力设备的种类繁多品种不一，保护装置配合的复杂性、电网结构的变化不确定性，导致了电网故障诊断是一个复杂的综合问题。近年来国内外许多学者提出了多种故障诊断的技术和方法，主要包括：专家系统法ES（ExpertSystem）、模糊理论法ET（FuzzyTheory）、人工神经网络法ANN（ArtificialNeuralNetwork）、遗传算法GA（GeneticAlgorithms）、petri网法、粗糙集理论RST（RoughSetTheory）、多代理系统MAS（Multi-agentSystem）、贝叶斯法BN（beliefnetwork）以及近似熵算法。本文对上述方法归纳总结，阐述了各自在电力网中的故障诊断的应用，分析各种方法的特点，并对一些相关技术和方法的发展进行简要的介绍。1电力系统故障诊断国内外研究发展现状1.1基于专家系统的方法ES专家系统ES(ExpertSystem)是目前发展最早相对比较成熟的一种智能技术。它是一个智能计算机程序系统，内部含有大量的某个领域专家水平的知识与经验，具有大量的专业知识与经验的程序系统，利用人类专家的知识和解决问题的方法来处理该领域问题。一般而言，专家系统大概由6部分构成:知识库、数据源、推理机、咨询说明、知识学习和人机界面；其中用来存放系统待解决问题的相关领域的专业知识的知识库和用来控制、协调整个系统工作的推理机是专家系统的核心。在电力系统中，专家系统通过把断路器、保护器的动作逻辑结合运行人员的经验以适当的表达式和结构形式录入知识库，根据电网中报警系统所提供的相关信息由推理机进行分析，从而获得相关故障诊断结果，然后反应给调度员。专家系统结合了相关的理论知识和专家的经验知识来解决问题，这样一方面解决了那些只能依靠解析才能解决的问题，另一方面缩小了搜索和推理的范围，提高了故障诊断的效率。随着控制理论和数学规划技术决策支持不断在电力系统中的运用和专家系统知识表达的多样性，使得专家系统在电网故障诊断中发挥了其独特的作用。然而随着电网互联规模和运行复杂性越来越大，运行程度越来越接近极限，专家系统渐渐暴露出一些问题，主要归纳有如下几点：（1）专家系统知识库的灵活性较低。现在专家系统知识库知识的获取还主要是靠人工移植来获取所需要领域的专业知识，当电网中网络结构和各种电气设备的配置等发生改变时知识库就需要作出相应的修改。（2）目前的专家系统中知识库不具备模仿学习的能力。在电力运行的过程中，一旦出现以前没有出现过的故障情况时，该系统不能利用现有的知识来作出正确的诊断，这样就很容易造成误判，直接影响运行人员的操作。（3）专家系统的容错能力低。在电力故障发生以后，断路器和保护装置发生误动作时专家系统由于缺乏有效的识别错误信息的方法和计算推理能力，有可能就会做出错误的诊断结果。（4）知识库的维护比较困难。因为电网规模的扩大直接对专家系统的规模提出了更大的要求，而大规模的专家系统规模的维护、修改难度也逐渐增大，因此要随时进行系统的维护和修改需要投入大量的人力和财力。（5）系统在故障诊断的过程中很难避免要进行多次迭代，这样容易造成推理计算速度变慢和系统组合的奔溃，从而实时性和有效性将会受到一定的影响。1.2基于模糊理论的方法FT模糊理论的方法FT（FuzzyTheory）是通过经典集合理论模糊化，运用语言变量和近似推理的模糊逻辑，具有完整推理体系的智能技术。模糊理论系统包括模糊知识库、模糊推理机和人机界面等组成。由于模糊理论使用变量来表达专家经验，这样更加符合人们正常的表达习惯，然后将精确推理模糊化，在一定程度上增加了专家系统的容错能力，这样可以适应不确定的问题。在电力系统故障诊断中，模糊理论主要有两种情况：一种是推理机诊断所依据的信息完全正确，而是故障于对应的保护装置、断路器状态之间关联关系无法来确定，以及用模糊隶属度对这种可能性描述的度量;另一种则是认为诊断所依据的报警信息有误，而根据电力网络拓扑结构与保护装置、断路器的动作状态提供的报警信息可信度，再结合其它只能系统给出的诊断结果综合来做出判断。模糊理论由于其推理理论的特殊性，在电力故障中常常需要结合其它几种方法一起使用。根据对其具体应用的分析，存在一些问题还待进一步来深入研究。比如在故障诊断过程中由于所隶属的函数关系的不确定性，需要建立复杂的的数学模型来适应其隶属度，还有其模糊逻辑语言规范性的获取、遗忘、修改等理论还不够成熟，一定程度上成为了模糊理论进一步发展的瓶颈。1.3基于人工神经网络的方法ANN人工神经网络的方法ANN（ArtificialNeuralNet-work）是模拟人类神经系统中信息的传递、处理过程的一种人工智能技术，也是AI技术的一个重要分支。人工神经通过专家领域所提供的大量先验知识和故障实例来构成ANN所需要的知识库样本，免去了对所涉及的专业知识进行形成、转化、表达等工作。人工神经方法采用神经元及它们之间的有向权重连接来隐含处理问题所需要的知识，而其自学能力、自我组织能力、容错能力以及各神经元之间计算的相互独立性、鲁棒性高，省去了推理机的构造，且推理速度与规模大小无明显的关系，很快引起学者们的关注，使得基于人工神经网络的故障诊断的研究也日益广泛。这种方法在电力故障中的体现出其优越性的同时也暴露出了该方法的一些问题，主要包括：（1）在大型电力网络中，样本的完备性直接影响着其性能的好坏。（2）)对自身行为和输出的结果无法做出合理的解释。（3）该方法存在训练速度慢，无法收敛甚至可能会陷入局部最优。（4）不擅长处理启发性的知识。1.4基于遗传算法的方法GA遗传算法GA（GeneticAlgorithms）最初由美国Michigan大学J.Holland教授于1975年首先提出来的，是依据达尔文的生物进化论中所提到的生物进化过程中自然选择和遗传学机理，通过模仿生物遗传和进化的进程，寻求对复杂问题的全局最优解的优化算法。它依据适者生存，优胜劣汰的进化规则，对包含可能解的群体进行基于遗传学的操作，不断生成新的群体并使群体不断进化，同时以全局并行搜索优化群体中的最优个体，以求得满足要求的最优解。电力系统故障诊断过程中，采用遗传算法的基本思想是将电网故障诊断描述为优化问题，建立诊断的解析模型，最终都归结为无约束0-1整规划问题，并采用遗传算法进行求解数学模型得到故障设备。由于电网故障诊断问题有保护或断路器误动作的复杂故障情况，合理的诊断结果可能有多个，而且其可信程度一样。从优化的角度讲，就是可能存在多个最优解。求得所有合理的结果无疑是希望的，因为这些故障发生的概率是相等的。因此遗传算法在每次迭代中都保留一组候选解。按其解的优劣进行排序，并按某种指标从中选出一些解，利用一些遗传算子如交叉（crossover）和变异（mutation）等对其进行运算，希望选出的这些解具有良好的特征，以便产生出优良的“后代”，并且选出的这些解在解空间中相当分散，增加了求得全局最优解的机会，重复此过程，直至满足某种收敛指标为止。遗传算法的模型由于其严密的理论和依据不完整信息的情况下给出最优的多个可能的结果，具有良好的应用前景。但是如何根据保护配置原则、断路器之间的逻辑关系来建立目标函数成为该算法得益推广的瓶颈。另外，其在运算过程中寻优过程的随机性，可能会导致一些最优解的漏选;而重复进行求解全局最优解可能会导致计算速度的变慢，直接影响诊断的时效性。1.5基于petri网的方法Petri网是在1962年由德国的CarlAdamPetri在他的博士论文《用自动机通信》中首先使用网络结构模拟通信系统，这种模型后来以Petri网为名流传。Petri网以网络理论为基础，描述系统中离散随机事件之间的逻辑关系，以代数矩阵运算演绎系统中同时发生、次序发生或者循环发生的各种动态活动。Petri网既可以通过位置节点和变迁节点静态地对系统作出分析，也可以利于各相互节点上的令牌动态地对系统行为作出分析。电力系统故障发生属于一个离散事件的动态系统，通过系统中各级、各类保护的动作反应故障，并把排除故障也视为是一系列事件活动的结合体，事件序列与对应的实体联系在一起。正是由于Petri网独特的诊断方法，它可以对同时发生、次序发生或者循环发生的的故障进行定性和定量的分析，所以在电网中显示出一定的优越性。同时该方法也存在着一些不足：（1）由于电网拓扑结构的复杂度大，节点数目繁多，建立起完整的Petri网需要有足够多的经验知识，进一步甚至会产生状态空间的爆炸。（2）对错误的识别能力较差，对误报警信息不能做出合理的判断。（3）时间特征要求高的行为特征基本的Petri网不能够进行有效的描述，因此对已较为复杂的系统建模时需要采用高级的Petri网。1.5基于粗糙集理论RST粗糙集理论RST(RoughSetTheory)最早是由波兰Z.Pawlak教授在1982年提出的一种研究不完整性和不确定性问题的新型数学工具。粗糙集理论RST以对观察和测量所得数据进行分类的能力为基础，基于一个(或一组)机构关于一些事实和它分辨某些特点、过程和对象等的能力知识。粗糙集理论RST对于处理不完整数据和不精确知识的表达具有相对好的效果。在电力系统中，因保护装置和断路器误动作、信号传输误码等原因所造成的错误或者不完整报警信息，其可以用一个模式分类问题描述来解决，因此很适合用粗糙集理论RST的决策表方法。通过粗糙集理论所建立的决策表实现其自动化简和约简的搜素，删除多余属性后抽取出诊断规则，揭示报警信息内在的冗余性。基于粗糙集理论RST的方法主要特点是它可以很好的处理不完整、不确定及信息冗余的情况，在中小型电力系统和变电站故障诊断中是较为理想的方法。同时该方法也有一些不足需要进一步去研究，主要有：（1）先验信息不能够有效的利用。粗糙集理论诊断规则的获取对条件集下各种故障情况训练样本集有很强的依赖性，对于先前的一些先验经验缺乏有效的利用。（2）在大规模电网中决策表的形成比较困难。在电力系统中如果需要考虑多重故障时，粗糙集理论所得出的决策表将会十分庞大。(3)对于丢失或者出错的信息是关键信息时，诊断结果将会受到较大的影响。1.7基于多代理系统MAS多代理系统MAS(Multi-agentSyetem)被看作是一个分布式人工智能的试验平台，当一个问题在多个物理上或者逻辑上能形成分解的问题求解实体时，每个子问题求解实体仅仅拥有问题求解所需的有限数据、信息和资源，不同的子问题求解实体之间必须相互交互才能最终求解问题。在电力系统中，可以通过母线Agent单元和在决策过程中充当管理角色的服务Agent相互协调的情况下，各母线Agent单元之间相互作用、通信、交换、合作，形成多代理系统MAS诊断，最终得到局部的最优目标。这种多代理系统MAS中Agent的自治性和Agent之间的相互协同、合作等特点提供了一种很好的电力故障诊断的建模方法。多代理系统MAS突出的优点在于其在如何协调物理上或者逻辑上相互分离、具有不同的目标的多个Agent的行为，使其通过联合行动来求解问题，并且