搜索
电力系统故障诊断的研究摘要综述了电力系统故障诊断的各种研究方法,包括专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论和多代理技术等。简要分析了这些方法的特点与适用性,评述其存在的主要问题和值得改进之处。最后,以解决实际工程问题为目标,指出了该领域所需解决的关健技术问题和主要发展趋势,以促进该研究领域的进一步发展。引言电力系统故障诊断是通过利用有关电力系统及其保护装置的广泛知识和继电保护等信息来识别故障的元件位置(区域)、类型和误动作的装置,其中故障元件的识别是关键问题。电力系统故障诊断研究具有重要的现实意义。随着电力系统规模的不断扩大和结构的日益复杂,大量的报警信息在短时间内涌人调度中心,远远超过运行人员的处理能力,易使调度员误判、漏判,为了适应各种简单和复杂事故情况下故障的快速、准确识别,需要电力系统故障诊断系统进行决策参考。同时,由于电力系统调度自动化水平不断提高,越来越丰富的报警信息通过各变电所的远程终端装置(RTU),传送到各级电网调度中心,使得利用采集的实时信息进行电力系统故障诊断成为可能。另外,对于电力系统故障的仿真分析和模拟培训,也可以通过电力系统故障诊断系统来提升调度员的经验和水平[1-6]。目前,国内外提出了许多电力系统故障诊断的技术和方法,主要有专家系统、工神经网络、优化技术、Petri网络、模糊集理论、粗糙集理论、多代理技术。本文首先综述了电力系统故障诊断的各种研究方法,评述了这些方法中需要改进之处,并进一步指出了该领域所需解决的关键技术问题和主要发展趋势。它们对构建电力系统故障诊断智能辅助决策系统具有重要的指导意义,对保证电力系统的安全运行、减少事故的经济损失具有重要的理论和现实意义。电力系统故障诊断国内外研究现状基于专家系统的诊断方法专家系统（expertsystem）是发展最早，也是比较成熟的一种人工智能技术。70年代初期专家系统就引进到电力系统故障诊断领域中，因其特点与电力系统故障诊断相切合，至今为止，及与专家系统的故障诊断研究时间最长，研究也最为深入。专家系统在电力系统故障诊断中的应用可以概括为产生诊断规则，依据诊断规则，对电力系统的故障进行诊断。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，将多条规则成为专家系统诊断故障的知识库，进而当故障发生后，将报警信息与知识库中的规则进行比较、推理，以此获得故障诊断的结论，具有直观性、实时性和有效性。此外，也可通过反向推理，有效地缩小可能故障的范围，以动作的继电保护与故障假设的符合程度计算可信度。及与专家系统的电力系统故障诊断方法主要特点是可以直观地将保护、断路器的动作逻辑以及工作人员的诊断经验用规则的方式表达出来，并允许在知识库中添加、删除或者修改一些规则，以确保专家系统诊断方法的实时性与有效性，与此同时，还能够给出符合人类语言习惯的结论，并具备一定的解释能力。但及与专家系统的故障诊断方法也存在一些难以解决的问题：首先，专家系统建立的知识库，以及验证知识库的完备性比较困难；其次，容错能力差，缺乏有效的方法识别错误信息；此外，专家系统若应用在较复杂的电力系统中诊断故障，知识库的维护难度十分大；最终，专家系统在复杂故障诊断任务中会出现组合爆炸以及推理速度慢的问题。以上缺陷使得专家系统难以满足大规模电力系统在线故障诊断的需求，目前专家系统主要应用于中小型电力系统、变电站、以及离线故障诊断、分析中[7,8]。基于人工神经网络的诊断方法与专家系统相比,基于人工神经网络(ANN—artificialneuralnetwork)的故障诊断方法具有鲁棒性好、容错能力强和学习能力强等特点。目前应用于电力系统故障诊断的ANN有:基于BP(backpropagation)算法的前向神经网络和基于径向基函数的神经网络等。文献给出了典型的故障诊断神经网络BP模型,其实现方法是:以电力系统继电保护信息作为ANN的输入,以可能发生的故障作为其输出,选择适当的样本集训练ANN。整个训练过程为:首先根据网络当前的内部表达,对输人样本进行前向计算;然后比较网络的输出与期望输出之间的误差,若误差满足条件,则训练结束,否则,将误差信号按原有的通路反向传播,逐层调整权值和阈值,如此反复,直至达到误差精度要求。文献[5]将大型输电网络分区,对各个区域分别建立基于BP算法的故障诊断网络,然后综合获得最终的故障诊断结果。基于ANN的诊断法可克服专家系统面临的知识库维护的难题。但是，由于ANN训练的完备样本集获取困难，目前该方法只适用于中小型电力系统的故障诊断。ANN方法在故障诊断中存在的主要问题：1、大型电力系统的完备样本集获取困难；2、不擅长处理启发性知识；3、不知如何确保ANN训练时收敛的快速性和避免陷人局部最小；4、缺乏解释自身行为和输出结果的能力。基于ANN的故障诊断法由于上述缺陷的限制，不宜应用于大型电力系统[5,9-11]。基于优化技术的电力系统故障诊断基于优化技术(optimizationmethods)的诊断方法是一种基于数学模型的求解方法,其基本思想是将电力系统故障诊断问题描述成为O一1整数规划问题,并构造一种解析数学模型,利用优化技术寻找问题的最优解。[12]首次建立了根据保护动作和继电器信息识别故障元件的数学模型,并从诊断结果应该尽可能解释所有报警信息的角度出发,给出了故障诊断问题的适应度函数,从而将电力系统故障诊断问题转化为O一1整数规划问题。文献[13]提出了发生故障时的报警信息(即保护动作和断路器跳闸信息)对不可观测的保护(即动作信息在电力系统调度中心不可获取的保护)状态进行识别的新概念,并构造了故障诊断与不可观测的保护状态识别集成的O一1整数规划模型。基于优化技术的诊断方法的主要特点是其诊断模型理论上是严密的,不需要引人启发式知识,用常规的算法即可实现,它比较适合所需信息比较完整的电力系统故障诊断。该方法需要改进之处主要包括:1、如何建立合理的电网故障诊断数学模型,在形成目标函数的过程中,需要考虑多级后备保护时比较困难;2、由于优化方法在寻优过程中存在随机因素,有可能会失去某些最优解;3、由于在诊断过程中必须进行迭代,从而导致速度较慢,提高诊断速度也是一个重要的研究方向[12,13]。基于Petri网络的诊断方法Petri网络是在构造有向图的组合模型的基础上,形成可以用矩形运算所描述的严格定义的数学对象。Petri网络是离散事件动态系统建模和分析的理想工具。电力系统故障发生属于一个离散事件的动态系统,由系统中各级电压的变化、各类保护的动作反映故障,并把切除故障的过程看做一系列事件活动的组成,而事件序列与相应实体联系在一起。动态事件主要包括实体活动(例如断路器、继电保护装置等)和信息流活动(例如信号传递、控制指令发送、各监测信号流等)。鉴于电力系统故障动态过程描述的可行性,可用Petri网络构造电力系统诊断模型。文献「14]以输电网络中的设备为单位,首先研究了故障“切除”过程的Petri网络模型,进而对故障诊断的Petri网络模型求解。文献[15]在此基础上加入了后备保护的模型,进一步发展了基于Petri网络的故障诊断模型。文献[16]提出了嵌人冗余Petri网络方法,它在原考虑的故障类型Petri网络的基础上加人错误伴随式矩阵C,其目的是要解决由于网络中事件序列和信息流不正常时(如保护或断路器的拒动等)的故障诊断。基于Petri网络的诊断方法的主要特点是它可以对同时发生、次序发生或循环发生的故障演化过程进行定性和定量的分析,比较适合于变电站的故障诊断。该方法存在的不足之处主要有:1、对大规模电网基于Petri网络模型建模时,因设备增加和网络扩大会出现状态的组合爆炸;2、Petri网络方法的容错能力较差,不易识别错误的报警信息;3、基本的Petri网络不能描述时间特征要求高的行为特征,因此在复杂系统建模时,需要采用高级的Petri网络,例如谓词/变迁网、有色时间网等[14-16]。基于粗糙集理论的诊断方法粗糙集理论(roughSettheory)是波兰Z.Pawlak教授于1982年提出的一种处理不完整性和不确定性问题的新型数学工具。其主要思想为：在保持根据条件属性分类能力不变的条件下，通过知识约简，除去多余的条件属性，将剩余的条件属性和决策属性导出为决策规则。此诊断方法不需要提供除条件及决策属性之外的任何先验信息，能够有效地分析和处理不确定、不一致、不完整等各种不完备数据，从中发现隐含的知识，解释潜在规律。鉴于该诊断方法的优势，已经有不少研究人员把它引人到故障诊断系统中。文献「12,13〕把粗糙集理论应用于电力系统故障诊断和警报处理,尝试应用粗糙集理论来处理因保护装置和断路器误动作、信号传输误码而造成的错误或不完整警报信号,提出的方法考虑各种可能发生的故障情况,建立决策表(类似于ANN故障诊断的训练样本集),然后实现决策表的自动化简和约简的搜索,删除多余属性后抽取出诊断规则,揭示警报信息内在冗余性。文献[14〕提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法,并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中,利用决策表的约简形成综合混合知识模型。文献[15〕提出和构造了4类不同的粗糙集与神经网络(NN)组合的故障诊断模型,给出了粗糙集与ANN在4类模型中实现不同的互补性、关联关系、应用机理和原则及相应的局限性。基于粗糙集理论的诊断方法的主要特点是:它能较强地处理信息不完整和信息冗余的情形,比较适合中小型电力系统和变电站的故障诊断。该方法需要进一步改进之处有:①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集;②当丢失或出错的警报信息不是关键信号时,不会影响诊断结果;然而,当丢失或出错的警报信息是关键信号时,诊断结果将受到影响;③当考虑发生多重故障时,粗糙集方法将出现决策表十分庞大、甚至出现“组合爆炸”问题。基于模糊集理论的诊断方法模糊集理论(fuzzysettheory)在电力系统故障诊断的应用分2类情况:一类认为诊断所依据的信息正确,但故障与对应的动作保护装置和断路器状态之间存在不确定的关联关系,以及用模糊隶属度对这种可能性进行描述的度量;另一类则认为诊断所依据的报警信息的可信度不为1,而根据系统网络拓扑与故障所发生的动作保护、断路器状态赋予报警信息的可信度,再由专家系统或ANN给出故障诊断结果的模糊输出。文献[16]属前一类,认为故障与动作的保护装置之间、动作的保护装置与所控制的断路器之间可以存在不确定的关联关系,可以用模糊数学来描述它们之间的关联关系。根据可能的故障,可以寻找由故障点到报警信息可能的通路,再寻找故障点与可能动作的保护装置之间、动作的保护装置与可控制的断路器之间关联关系,合成总的模糊度,用以表示故障诊断位置可能性的度量。文献[17〕属后一类,它先对诊断模型所依据的输入信息模糊化,根据输电网络拓扑的当前情况,对保护、断路器动作行为的统计数据赋予报警信息可信度,通过ANN或专家系统诊断模型输出模糊数,再由反模糊系统去解释其输出,提供给运行人员一个语言化的结论。基于模糊集理论的诊断方法的主要特点是:它能处理信息的不确定性,往往需要与其他各种人工智能技术(例如专家系统、ANN等)结合在一起使用。根据对模糊系统具体应用的分析,得出尚须深人研究的问题有:①对不确定性问题用隶属度函数来描述时,应建立什么样的有效隶属函数是极其关键的问题;②大规模复杂系统的模糊模型的建立存在难度,同时,当诊断系统的结构等发生变化时,与其有关的模糊知识库或规则的模糊度也要相应修改,可维护性能较差。（郭）基于多代理系统的诊断方法多代理系统(MAs—multi一agentsystem)被看做是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。MAS中Agent的自治性以及各个Agent之间的合作等特征为