人工智能在电力系统故障诊断中的应用
摘要 简要介绍了人工智能技术的概念及其在输配电网络故障诊断中的应用，分析了各种方法的优缺点，并提出今后的发展方向，以促进该领域的进一步发展。
关键词 故障诊断 人工智能 输配电网络 专家系统 神经网络 模糊理论 遗传算法
The Application of Artificial Intelligent Technologies for
Fault Diagnosis in Power System
Zhang Hailin Yang Ping Han Pu
North China Electric Power University, Baoding, 071003 Shanghai University for Electric Power, Shanghai, 200090
Abstract This paper briefly introduces the basic concepts of the intelligent technologies for fault diagnosis, including expert system, artificial neural network, fuzzy theory, genetic algorithm and so on ,and illustrates the applications of corresponding methods for power system fault diagnosis .Their features and disadvantages are also discussed for further research and development.
Key words fault diagnosis artificial intelligence power network expert system
neural network fuzzy theory genetic algorithm
0 引言
随着电网的不断发展和电力走向市场,人们对电网的安全运行和供电可靠性的要求越来越高。电力系统发生故障时，要求调度人员迅速准确的判别故障元件与故障性质，及时处理故障，恢复电力系统的正常运行。输配电系统是电力系统中发电厂与电力用户之间输送电能与分配电能的中间环节，包括各电压等级的输配电线路和变电所。它的故障是不可避免的，而电力系统规模的不断扩大和各种监控设备的应用使得输配电网络故障诊断显得尤为重要。因为其可靠性指标是影响整个电力系统可靠性的重要因素，其可靠性的改善将给整个电力系统的安全、可靠性和经济运行带来巨大的效益。所以研究工作者一直致力于发展先进、准确、高效的自动故障诊断系统.
输配电网络故障诊断主要是对各级各类保护装置产生的报警信息、断路器的状态变化信息以及电压电流等电气量测量的特征进行分析,根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型。由于这一过程很难用传统的数学方法描述,而人工智能技术则由于其善于模拟人类处理问题的过程,容易计及人的经验以及具有一定的学习能力等特点在这一领域得到了广泛的应用。通过对网络缺陷判断的认知过程的分析，应用综合知识诊断、模糊理论和神经网络等人工智能技术的最新成果，开发出一套综合自动逻辑分析判断系统，可对缺陷进行了分析并提供监督处理意见，使检修人员对问题的认识更具全面性、有效性和针对性。本文简要介绍了相关的人工智能技术,如专家系统(ES)、人工神经网络(ANN)、模糊理论(FZ)、遗传算法(GA)等的基本概念,并在此基础上按单一智能方法、综合智能方法的应用，分别对文献中提出的相应的输配电网络故障诊断方法进行述评,分析他们在输配电网络故障诊断中应用的特点以及存在的主要问题，以促进该研究领域的进一步发展。
1 单一智能方法
1．1 专家系统
专家系统是人工智能应用研究最活跃和最广泛的课题之一,它是一个智能计算机程序系统,其内部具有大量专家水平的某个领域知识与经验,应用人工智能技术,根据某个领域一个或多个人类专家提供的知识和经验进行推理和判断,模拟人类专家的决策过程,以解决那些需要专家决定的复杂问题[1]。按其所求解问题的性质，可把它分为几种类型，其中的诊断专家系统的任务就是根据观察到的情况（数据）来推断出某个对象机能失常（即故障）的原因。
专家系统在输电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,获得故障诊断的结论。基于产生式规则的故障诊断专家系统得以广泛应用主要是由故障诊断和基于产生式规则的专家系统的特点所决定的。输电网络中保护的动作逻辑一级保护与断路器之间的关系易于用直观的、模块化的规则表示出来;基于产生式规则的专家系统允许增加、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论并具有相应的解释能力等。此外,框架法专家系统善于表达具有分类结构的知识,能够比较清楚的表达事物之间的相关性,可以简化继承性知识的表述和存储,在输电网络报警信息处理和故障诊断中也有少量应用。
文献[2]提出了一种知识获取的多层流式的功能模型,可以自动获取变电站的拓扑结构和保护配置等方面的知识,用于产生变电站停电后的恢复方案，原理上有创新。文献[3]介绍了一个基于专家系统和多媒体技术开发的配电变压器测试与诊断解释系统，主要用作培训工具，以保留和传播专家的经验与知识。文献[4]采用面向对象技术开发了用于保护系统设计的专家系统，着重考虑了保护系统设计与电力网络本身设计的协调，以确保保护系统是电力系统运行中的一个继承的和有效的部分。以输电线路距离保护的设计为例，揭示了该专家系统的功能。文献[5]描述了意大利电力公司正在开发的用于大停电后协助运行人员进行系统恢复的专家系统的主要目标与软件结构。着重介绍了在系统部分挺点时，如何决定最适当的输电通道将电力输送到停运的火电厂的机组，以恢复其运行，同时保证系统运行在安全状态。文献[6]介绍了一个用于配电变电站恢复控制的专家系统，作为变电站自动化的一个组成部分。目前只考虑了韩国常见的双母线、双断路器接线方式的变电站。文献[7]描述了为葡萄牙输电控制中心研制的智能警报处理和系统恢复辅助专家系统的解释机制的开发，增加解释机制后明显改善了专家系统的行为。作者开发这一专家系统用了七八年的时间，已经达到实用水平。文献[8]用多个智能代理的思想设计了以分布式专家系统为基础的配电自动化的概念性框架。用IA处理不同的专家系统之间的合作，IA之间用标准的信息交换语言KQML来实现。这样可以把现有的一些专家系统，如负荷预报、配电系统网络重构、配电系统恢复和保护设备的协调等集成为一个配电自动化系统。
虽然专家系统能够有效的模拟故障诊断专家完成故障诊断的过程,但是在实际应用中仍存在一定缺陷，其主要问题是知识获取的瓶颈问题、知识难以维护，以及不能有效的解决故障诊断中许多不确定因素，这些问题大大影响了故障诊断的准确性。
1．2 人工神经网络
人工神经网络（ANN）是模拟人脑组织结构和人类认知过程的信息处理系统，自1943年首次提出以来,已迅速发展成为与专家系统并列的人工智能技术的另一个重要分支。它以其诸多优点，如并行分布处理、自适应、联想记忆等，在智能故障诊断中受到越来越广泛的重视，而且已显示出巨大的潜力，并为智能故障诊断的研究开辟了一条新途径。应用ANN技术实现故障诊断不同于ES诊断方法。ANN方法通过现场大量的标准样本学习与训练，不断调整ANN中的连接权和阈值，使获取的知识隐式分布在整个网络上，并实现ANN的模式记忆。因此ANN具有强大的知识获取能力，并能有效的处理含噪声数据，弥补了ES方法的不足。文献[9]采用多个人工神经元网络实现故障诊断，每个ANN负责系统中一部分的诊断。类似的方法早有报道。
ANN在输电网络故障诊断中的应用主要是故障定位[10~13]和故障类型识别[14]2个方面,且文献[10,11]和[14]的研究较典型.其中,文献[10,11]分别采用2种不同的神经网络模型解决故障诊断问题.文献[10]基于3层前馈神经网络,用全局逼近的BP学习算法完成故障定位.而文献[11]则使用局部逼近的径向基函数神经网络实现故障定位。文献[14]则以线路三相电流、三相电压和零序电流的频谱密度为输入,以故障类型为输出,分别比较了多层前馈网络和Kohonen网络在故障类型识别方面的应用。文献[15]提出拥有限脉冲相应(finite impulse response)ANN构造单项和三相变压器的差动保护,这种ANN模型适于处理瞬时信号，研究了3种结构:第一种用于检测单项变压器的内部故障;第2种用于检测三相变压器的内部故障;第3中由一组第1种结构的ANN组成,用于检测三相变压器的内部故障。
需要指出，神经网络方法虽然有利于克服专家系统的知识获取瓶颈、知识库维护困难等问题，但它不适于处理启发性知识。而且，由于ANN技术本身不够完备，它的学习速度慢，训练时间长以及解释功能弱，从而影响了神经网络的实用化。同时，如何设计适用于大型输电网络的ANN故障诊断系统仍是一个有待于进一步研究的问题。
ANN一直是一个比较活跃的研究领域,但研究开发ANN故障诊断系统时,应对上述问题给予充分的考虑。
文献[16]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,随后将这些分布神经网络的结果综合起来得出最终的故障诊断结论。文献[17]针对用BP网络模型进行故障诊断过程中输入样本情况影响诊断结果的准确率的情况，提出了在原有神经网络输入节点的基础上再增加一特征输入节点，以反映输入样本数据大小的特征量的新方法，并将之用于电力变压器，提高了故障诊断的准确率。文献[18]则在分析BP算法缺点的基础上，提出了一种变结构神经网络的最大值算法，通过简化训练过程，加快网络收敛和诊断推理速度，从而提高故障识别率，实现故障的自动诊断和智能化综合保护。
从文献[16~18]中可以看出，通过对神经网络结构或算法的改进在一定程度上可以提高故障诊断的有效性。而由于专家系统方法与神经网络方法在许多方面可以协调工作、互为补充，因此，如何取长补短将神经网络技术与故障诊断专家系统融为一体，以弥补诊断中的不足，并提供新的诊断技术和方法，具有很大的潜力和广阔的前景，是值得我们深入探讨和研究的。
1．3 模糊理论
在故障诊断中，故障与征兆之间的关系往往是模糊的，这种模糊性即来自故障与征兆之间关系的不确定性，又来自故障与征兆在概念描述上的不精确性，因而诊断结果也必然是模糊的，解决模糊诊断问题的传统方法一般根据专家经验在故障征兆空间与故障原因空间之间建立模糊关系矩阵。常用的方法是将各条模糊推理规则产生的模糊关系矩阵进行组合，或与或并。随着模糊理论的发展及完善,模糊理论的一些优点逐步被重视,如模糊理论可适应不确定性问题;其模糊知识库使用语言变量来表述专家的经验,更接近人的表达习惯;模糊理论能够得到问题的多个可能的解决方案,并可以根据这些方案的模糊度的高低进行优先程度排序等。目前,模糊理论已被引入输配电网络故障诊断领域.
输电网络故障诊断的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。当在专家系统中融入模糊理论后，由精确推理变为近似推理，在相当程度上增强了专家系统的容错性。
文献[19]应用多目标模糊决策方法进行故障测距与故障类型辨识，并做了现场测试。文献[20]研究了在配电网络中，当每个设备的运行状况可以大致知道时，如何决定其适当的维修水平，以兼顾运行安全和维修成本。先用模糊集方法描述设备的运行状况，之后构造了决定适当维护水平的模糊现行规划模型。
由于一般的模糊系统采用了与专家系统类似的结构，所以它也具有专家系统的一些固有的缺陷：（1）模糊系统在推理时也要搜索知识库内一定的规则集才能得出诊断结论，所以当系统比较大时完成诊断的速度也比较慢。（2）当输电网络的结构或自动装置的配置发生变化时，模糊系统的知识库或相关规则的模糊度也要进行相应的修改，即模糊系统也存在维护的问题。（3）模糊系统也不具备学习能力。总之，模糊理论与其它人工智能技术结合构成的诊断系统虽然可以增强处理不确定性的能力，在一定程度上提高诊断的准确度，但是它不能完全消除专家系统所固有的缺点。
1． 4 遗传算法
遗传算法是基于自然选择和遗传机制，在计算机上模拟生物进化机制的寻优搜索算法。它能在复杂而庞大的搜索空间中自适应的搜索，寻找出最优或准最优解，且算法简单，适用，鲁棒性强。遗传算法对待求解问题几乎没有什么限制，也不涉及常规优化问题求解的复杂数学过程，并能够得到全局最优解或局部最优解集，这是它优于传统优化技术之处。
文献[21~23]尝试使用遗传算法解决输电网络故障诊断问题。文章首次建立了根据报警信息估计故障点的数学模型，并从诊断结果应该能够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，从而将输电网络故障诊断问题转化为0~1整数规划问题。在此基础上，文献[21]分别用简单的和改进的遗传算法实现了故障诊断系统，对交叉和变异算子做过调整的改进遗传算法的故障诊断效果比较理想。文献[24]延用[21]提出的故障诊断的数学模型，设计了基于进化规划方法的故障诊断系统。进化规划方法与遗传算法的区别在于进化规划的编码方式不局限二进制编码，因此编码方式比较灵活，而且进化规划只采用变异算子和竞争机制产生下一代。在个体数目比较少的情况下计算效率比较高。
遗传算法从优化的角度出发基本上可以解决故障诊断问题，尤其是在复故障或存在保护、断路器误动作的情况下，能够给出全局最优或局部最优的多个可能的诊断结果。但是如何建立合理的输电网络故障诊断模型是使用遗传算法的主要“瓶颈”。如果能够建立合理的数学模型，那么不仅可以使用遗传算法解决故障诊断问题，还可以使用其他类似的启发式优化算法解决故障诊断问题，如蚂蚁系统算法、TABU搜索算法等。从不同的交叉和变异算法的应用比较可以看出，不同的交叉和变异算子对结果的影响比较大，如何确定最优的交叉和变异算子及相应的参数也有待进一步研究。
2 几种智能方法的综合
以上各种智能诊断方法，是从不同的途径去解决故障诊断问题的，但同时也存在缺陷。为了构造性能较好的应用智能系统，需要综合应用（集成）ES、NN、GA、FZ这几种技术。集成的基本思路是：根据被求解问题的需要把系统分为若干个模块，每个模块，分别用ES、NN、GA、FZ技术实现，在以某种方式集成来形成主体系统结构，也可采用串接、嵌入或变换模块的方法来取长补短，构造功能完善的应用系统。例如，人工神经网络与模糊理论可以用2种方式结合：第1种方式是先模糊化神经网络的输入，进而得到的输出也是一个模糊数。第2种方式是根据神经网络的特点设计的。因为人工神经网络的输出本身就是一个介于0~1时间的书，所以可把神经网络的输出作为模糊系统的输入，用模糊系统去解释神经网络的输出。最终提供给运行人员一个语言化的结论，便于运行人员理解。这在一定程度上弥补了神经网络不具备解释能力的弱点。
文献[25]开发了一个电力系统故障诊断的模糊专家系统，以可能性诊断理论为基础，重点放在处理不确定性问题如保护和断路器误动与拒动、通信问题引起的信息错误等。这种方法还可以比较方便的处理多重故障情况。此外，本文还对故障诊断中的处理不确定性的几种现有方法作了比较分析。文献[26]应用了一种改进的TS方法和专家系统实现配电系统最优网络重构，优化目标为损耗最小和电压质量最高，同时保证足够的供电可靠性。供电可靠性指标是根据在预想事故发生的情况下，重构后的网络结构能否向用户恢复供电来衡量的。所采用的改进的TS方法可以在搜索过程中自动调整有关参数，无需由使用人员凭经验给定。文献[27]结合ES和ANN实现对以变电站故障诊断为基础的分层分布时故障诊断系统。文献[28]基于模糊理论与神经网络理论，根据特征气体法和改良IEC三比值法，建立了模糊神经网络的变压器故障诊断模型。该模型有效的处理了故障诊断中的不确定因素，并具有较强的知识获取能力。文献[29]从基于人类思维发展模式的角度，融合设备故障诊断的ES和ANN模型，构造了电力变压器的故障诊断分析系统。
综上所述，将不同的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,从而提高诊断的准确率，是今后智能诊断的发展方向。
3 其他方法
随着人工智能技术的不断发展，新的方法也在不断涌现，其应用范围也在不断扩大，为故障诊断领域注入了新的活力。
文献[30]采用小波变换对故障后的暂态现象进行分析，以快速识别故障类型， 可用于高速保护。文献[31]提出用小波变换和ANN检测变压器故障。先用EMTP程序产生变压器在正常运行和故障时的信号（主要是电流信号），之后用小波变换进行处理，提取特征量，最后用ANN进行训练和估计。通过应用小波变换提取重要的特征量，ANN的结构得以简化，训练速度得到提高。
输电网络中各级、各类保护系统反应于故障，并有选择的切除故障的过程整数于系统同时发生或次序发生的活动的范畴，适用于Petri 网络来描述。文献[31]以输电网络中的元件为单位，首先研究了故障清除过程的Petri网络模型，进而对其求逆得到了故障诊断的Petri网络模型，再把它们组合在一起就形成了整个输电网络的Petri网络故障诊断系统。整套系统的物理概念清晰，易于实现，诊断速度也比较快。此外，文献[32]还分析了保护、断路器的误操作对Petri网络模型的影响，并分别给出了识别保护和断路器误操作的模板。
近2年来，从分析、模拟保护系统动作逻辑入手，解决输电网络故障诊断问题也是一种趋势。除上述方法以外，还有其他基于逻辑的方法，如基于逻辑蕴含式的方法，基于外展逻辑的方法等。
4 结语
本文介绍了近年来专家系统、人工神经网络、模糊理论等人工智能技术在输配电网络故障诊断中的应用，分析了其优缺点，从中可以看出，依靠单一智能技术的故障诊断已难以满足复杂的输配电网络诊断的全部任务要求，因此，将多种不同的智能技术结合起来的混合诊断系统是智能化故障诊断研究的一个发展趋势。主要结合的技术有基于规则专家系统和ANN的结合，模糊逻辑、ANN与专家系统的结合等等。其中，模糊逻辑、ANN与专家系统结合的诊断模型是最具发展前景的也是目前人工智能领域的研究热点之一。而其中许多问题，例如模糊逻辑与神经网络的组合机理、组合后的实现算法，如何使智能系统既具有ANN的学习能力又具有灵活的知识表达能力和严谨的逻辑性等，是值得深入研究的。
总之，综合已有的人工智能技术，扬长避短，并探索新的诊断技术和理论方法，研究开发完善的智能输配电网络故障诊断系统是摆在研究工作者面前的重要课题，是今后发展的主要方向。
参考文献
[1] 蔡自兴，徐光祐. 人工智能及其应用. 清华大学出版社. 2000.1 p131~134.
[2] Aoki A R, Torres G L, Souza L E D. Knowledge’s Acquisition for AI Planning of Restoration of Substations Using Functional Modeling. In: ISAP’99. Rio de Janeiro (Brazil):1999
[3] Garcia A C B,Ferraz I N, Ferraz I N,Belhot R. Intekkigent System for Transformers Tests. In: ISAP’99. Rio de Janeiro(Brazil):1999
[4] EI—Arroudi K, McGillis D T, Joos G. A Knowledge-Based Approach to the Desigb of Protection Systems. In: ISAP’99. Rio de Janeiro(Brazil):1999
[5] Casamatta F, Stefano A D, Gallantki M, et al. Serse---A Software Support Tool for the Restoration of Emil Power System. In:ISAP’99. Rio de Janeiro (Brazil):1999
[6] Lee H J, Park Y M, Park J K, et al. Intelligent Restorative Control Wystem for Substation Automation. In:ISAP’99. Rio de Janeiro (Brazil):1999
[7] Malheiro N, Vale Z A,Ramos C, et al. An Explanation Mechanism for a Real Time Expert System: A Client-Server Approach. In:ISAP’99. Rio de Janeiro(Brazil):1999
[8] Tsai M S. Conceptual Design of Distributed Rule Based Expert System for Distribution Automation. In:ISAP’99. Rio de Janeiro(Brazil):1999
[9] Rodrigues M A P, Souza J C X, Schilling M T. Building Local Neural classifiers for Alarm Handling and Fault Location in Electrical Power Systems. In:ISAP’99. Rio de Janeiro(Brazil):1999
[10] Aygen Z E, Seker S,Bagriyanik M,et al.Fault Section Estimation in Electrical Power Systems Using Artificial Neural Network Approach .In: IEEE Transmission and Distribution Conference. New Orleans(LA):1999
[11] Narendra K G, Sood V K,Khorasani K,et al. Application of a Radial Basis Function(RBF) Neural Network for Fault Diagnosis in a HVDC System.IEEE Transactions on Power Systems,1998,13(1):177-183
[12] Yang H T, Chang W Y, Huang C L.Power system Distributed On-Line Fault Sectin Estimation Using Decision Tree based Neural Nets Approach. IEEE Transactions on Power Delivery, 1995,10(1):540~546
[13] Sun Y, Jiang H,Wang D.Fault Synthetic Recognition for an EHV Transmission Line Using a Group of Neural Networks with a Time-Space Property. IEE Proceedings---Generation, Transmission and Distribution, 1998,145(3):265-270
[14] Wang Xiaoru , Wu Sitao, Qian Qingquan . Neural Network Approach to Power Transmission Line Fault Classification. In: International Conference on Information, Communication and Signal Processing. USA:1997
[15] Orille A L,Balencia J A,Khalil N. A Differential Protection for Single and Three-Phrase Power Transformer Using FIRANN. In:ISAP’99. Rio de Janeiro(Brazil):1999
[16] Yang H T, Chang W Y, Huang C L.Power system Distributed On-Line Fault Sectin Estimation Using Decision Tree based Neural Nets Approach. IEEE Transactions on Power Delivery, 1995,10(1):540~546
[17] 丁晓群等，基于BP网络的故障诊断方法的改进 电网技术 1998，22（11）
[18] 倪远平 人工智能用于故障诊断的方法研究 电气传动自动化 1998，20（4）
[19] Insfran A H D, Silva A P A S, Torres G L. Fault Diagnosis Using Fuzzy Sets. In:ISAP’99. Rio de Janeiro(Brazil):1999
[20] Sittithumwat A, Tomsovic K, Soudi F. Optimizing Maintenance Resources in Distribution System with limited Information. In:ISAP’99. Rio de Janeiro(Brazil):1999
[21] Wen Fushuan , Han Zhenxiang. A Refined Genetic Algorithm for Fault Section Estination in Power Systems Using the Time Sequence Information of Circuit Breakers. Electric Machines and Power Systems, 1996,24:801~815
[22] Wen Fushuan , Chang C S. A Probabilistic Approach to Alarm Processing in Power systems Using a Refined Genetic Algorithm. In: Proceedings of 1996 International Conference on Intelligent Systems Applications to Power Systems(ISAP’96).Orlando(USA):1996.14~19
[23] When Fushuan, Han Zhenxiang. Fault Section Estimation in Power Systems Using a Genetic Algorithm. Electric Power Systems Research,1995,34:165~172
[24] Lai L L, Sichanie A G, Gwyn B J.Comparison Between Evolutionary Programming and a Genetic Algorithm for Fault-Section Estimation. IEE Proceedings—Generation, Transmission and Distribution.1998,145(5):616~620
[25] Park K Y,Ahn B S,Kim S H, et al. Dealing Uncertainties in the Fault Diagnosis System. In: ISAP’99.Riode Janeiro (Brazil):1999
[26] Toune S, Genji T, Fujita N, et al. Optimal Network Reconfiguration Considering Customer Reliability. In:ISAP’99.Riode Janeiro (Brazil):1999
[27] 陈皓 电力系统变电站实时故障诊断技术 中国电力 1999 32（5）
[28] 张慧媛 丁扬 宋林 基于模糊神经网络的变压器故障诊断新方法 华北电力大学学报 1998 25（2）
[29] 周建华 胡敏强 周鹗 基于思维模式融合故障诊断的专家系统与神经网络电工技术学报 1999 14（2）
[30] Silveira P M D, Seara R, Zurn H H. Fault-Type Identification Using Wavelet Transform. In:ISAP’99. Riode Janeiro(Brazil):1999
[31] Wang H, Butler K L. Detection of Transformer Winding Faults Using Wavelet Analysis and Neural Network. In:ISAP’99.Tio de Janeiro(Brazil):1999
[32] Lo K L,Ng H S,Grant D M,et al.Estended Petri Net Models for Fault Diagnosis for Substation Automation. IEE Proceedings---Generation, Transmission and Distribution
