變電站智能告警專家系統的不確定性知識表示

余國清,羅可

摘要： 在變電站智能告警專家系統中，針對業務知識的不確定性和復雜性，文中設計了一種不確定性知識的表示方法，可以使采用該方法構建的知識庫更有利于推理機的推理和知識庫的自學習。該方法根據領域知識將變電站信號進行分層分類，以子知識庫的形式進行知識的組織，克服了知識的復雜性。而且它采用一種模糊產生式表示業務知識，將模糊推理規則映射為模糊產生式，解決了知識的不確定性問題。實驗分析表明，該方法適合進行變電站關聯信號的告警推理，結合系統對知識的自學習機制，可以有效降低告警的差錯率和虛警率。

關鍵詞：專家系統；知識庫；模糊產生式；模糊推理

In intelligent alarm expert system for substation, the business knowledge is uncertain and complex. Focusing on these characteristics, this paper designs a method of representation for uncertain knowledge. The knowledge library built using this method is more conductive to carry on fuzzy reasonging and self-learning. Based on the domain knowledge, this method classifies signals of the substation, and organizes the knowledge in the form of sub-knowledge library，to overcome the complexity of knowledge. In order to solve the problem of knowledge's uncertainty, it represents business knowledge by a kind of fuzzy production, and maps the fuzzy reasoning rule to fuzzy production. Experiment results show that this method is suitable for alarm reasoning on related signals of the substation. Combined with the self-learning mechanism for knowledge of the system, the method can reduce the rate of missing alarm and false alarm effectively.

Expert system; Knowledge library; Fuzzy production; Fuzzy reasoning

TM76文獻標識碼：A

1 引言

為進一步實現變電站無人值班管理，迫切需要在監控系統中建立告警和異常處理的專家系統，對變電站信息進行智能化管理，從中提取告警信息，用以輔助工作人員進行故障判斷及處理。

一個完整的專家系統由6部分組成：知識庫、數據庫、推理機、知識獲取機制、解釋機制和人機接口，其中知識庫和推理機是核心部分[1]，好的知識表示和知識庫組織方法可以有效提高系統進行匹配和推理的效率。

為解決一些不確定性問題，模糊邏輯已被引入到故障診斷方法的研究中[2]。本文設計了一種有效的不確定性知識的表示與組織方式。變電站業務知識雖然數量龐大且復雜，可以將它們按設備來源和信號性質進行分類細化；采用模糊產生式表示知識，可以有效地表現知識的不確定性。實驗分析表明了該方法對于變電站時序關聯信號告警推理的有效性。

2 變電站業務知識的組織形式

變電站智能告警專家系統的知識來源于監控系統獲得的大量模擬量、開關量等信息，還包括領域專家長期積累的經驗。變電站的時序信號總量龐大，但根據其性質可分為三類：提示信息、告警信息、事故及變位信息。其中，提示類信號在變電站智能告警專家系統中不需特別關注，重點處理的是數量不多，但對變電站運行維護影響較大的告警信號和事故信號。

文獻[3]中提到一種分類方法，將變電站常見的異常故障對應的告警信號進行分層分類，歸納總結后共有7大類90種左右，可以覆蓋變電站所有的事故及異常告警信號。在這些方法的基礎上，結合文獻[4]中業務知識的介紹，本系統將各種告警信號以間隔為單位，大致劃分為以下單元：(1)線路間隔單元，包括開關機構信號、保護信號、模擬量（三相電流及有功）；對3/2接線，2臺開關及保護、線路保護等信號；(2)主變間隔單元，包括三側開關分合閘信號、三側開關機構信號、主變保護信號、冷卻器及其電源信號、有載調壓信號、模擬量（三側開關各相電流及有功）；(3)母線間隔單元，按電壓等級分，不管幾組，接該電壓等級所有開關跳閘信號、母差保護信號；(4)公共單元組，包括所用電容器、壓變回路、直流系統的信號及其它公共信號。

每個單元中所包含的信號，根據其具體設備來源和關聯性質，可以進一步地劃分，如線路間隔單元中的信號可以再次劃分為斷路器相關信號、保護及控制回路信號等。各種信號通過層層分類后，可建立相應的子知識庫，將同類信號對應的知識存儲在同一子知識庫中。在查詢相關知識時，可以為知識庫建立一個知識索引表，把所有相對獨立的子知識庫聯系起來，如圖1所示，可以借助索引快速查找到知識所在的子知識庫，并且可以根據告警信號所攜帶的設備間隔等信息，準確地判斷出異常出現的具體位置。當索引表中第三級標識相同時，指向的是同一子知識庫，其中存儲了與該設備相關的所有知識。

3 基于一種模糊產生式的知識表示方法

3.1 模糊產生式

以用途來分類，變電站智能告警專家系統屬于故障診斷型專家系統，因此必然要經歷從信號到故障的推理過程。但是用監控信號來推理變電站故障，具有一定的不確定性，主要表現在以下幾個方面：

(1) 信號的不確定性：監控設施提供的信號，受時間、監控設備性能等因素的影響，并非完全可信；

(2) 推理的不確定性：用來推理某個故障的信號并非是特定的那幾個，故障發生時可能只出現了部分信號；

(3) 結論的不確定性：變電站實際發生的故障與推理結論不一定相符，可能并未發生該故障，也可能出現了其它故障。

為使專家系統中的知識能夠反映出變電站信息和知識的不確定性，本文基于模糊集理論引人了一種模糊產生式來表示知識。產生式一般用于表示具有因果關系的知識，其基本形式為[5][6]：或者，是產生式的一組前提，各前提之間可以是“與”或者“或”的關系，用于指出該產生式成立的條件；是一組結論或操作，用于說明當前提條件 滿足時，應該得出的結論或應該執行的操作。模糊產生式仍采用IF-THEN的形式，其前件和后件均為模糊集，并引入權值、閾值、確信度等參量，可用于表現知識的不確定性，尤其適用于模糊推理。

一個模糊產生式即表示一條模糊推理規則，所以模糊產生式又稱為模糊規則，下面參考文獻[7][8]給出一種模糊規則的定義。

定義：設R為一種表示合取形式的模糊規則，其形式如下，

其中前件Pi表示規則的前提條件，，它們之間是“與”的關系，后件Q表示結論，前件和后件均為模糊集，Pi和Q的真值M表示隸屬度，取值范圍為[0,1]；Wi為前提條件Pi的權值，反映Pi在所有前提中所占的比重，根據實際需要進行取值，且；CF為規則的確信度，表示該規則的可信程度，；為規則的“可應用閾值”，，F為控制函數，當時規則可用，函數F可根據實際情況具體設置。

模糊產生式表示知識，主要有以下優點[9]：(1)自然性：用“如果…，則…”的形式表示知識，符合語言習慣和邏輯思維習慣，且簡單、自然；(2)有效性：模糊產生式可表示不確定性知識，有利于進行啟發性、試探性的推理；(3)模塊性：規則與規則之間在結構上相對獨立，規則與推理機也相對獨立，便于進行規則庫(知識庫)的維護；(4)清晰性：規則格式固定，由前件與后件構成，結構清晰明了，便于存儲和編程實現。

3.2 單個事件的知識表示

變電站某個間隔的監控設備發送出幾個告警信號，若這些信號之間毫無關聯，說明每一個告警信號代表一個異常/事故，專家系統需盡快做出反應，給出相應的處理方案。針對這種情況，按照索引表為各種設備單元設計單個事件知識庫，用于無關聯告警信息的故障推理。

單個事件的告警知識，用模糊產生式表示為：IF<告警信號>THEN(閾值)<原因與處理方案>(確信度)。前提為一個告警信號，它的可信度受時間、監控設施性能等因素的影響，用真值表示，在[0,1]內取值，其初始值根據專家經驗設置。閾值對于規則的應用給出一個最小值，當信號的真值超過閾值時，該規則才可以應用于推理，結論為可能出現的故障及處理方案。當一個規則的前提信號滿足時，其指示的結論故障并不一定發生，因此引入確信度參量CF（），以描述前提條件滿足時規則成立的可信程度。CF的初始值可結合該規則相關的歷史數據和專家經驗進行設置，并可通過自學習機制進行不斷的優化。表1以斷路器的部分告警信息為例，說明單個告警信息的知識表示與存儲結構。

3.3 關聯事件的知識表示

在多數情況下，需要處理的告警信號之間是存在著某種聯系的。例如在某一時段內出現的時序信號中，有幾個信號是由同一間隔內同一設備的運行異常而引起的，則這幾個信號就可以稱為關聯信號。針對這種情況，相應于單個事件告警信息知識庫，設計關聯事件告警信息知識庫，應用于關聯事件的告警推理。

用于關聯事件推理的告警知識，用模糊產生式表示為：IF<告警信號1>(權值1)and…and<告警信號n>(權值n)THEN(閾值 )<原因與處理方案>(確信度CF)。與單個事件的告警信息不同的是，規則的前提為關聯信號，根據每個信號對結論的影響程度選取相應的權值。在模糊推理過程中，即使所需的關聯信號沒有全部出現，只要出現的信號的真值與權值在相關函數(系統根據實際情況設置)的作用下，計算結果超過規則的閾值，那么該規則就可以應用于下一步的推理。下面仍以斷路器為例，說明關聯事件告警信息的知識表示與存儲結構，如表2所示。

4 性能分析

變電站設備的典型故障按復雜程度可以分為：

(1) 單純故障：某一種設備發生的一種故障類型，包括線路故障、母線故障、主變故障、電容器故障、電抗器故障、開關拒動故障、重合閘不成功故障、PT故障、CT故障、直流系統故障等；

(2) 組合故障：某幾種設備同時發生故障，即上述故障運行方式的不同組合，如線路故障跳閘，開關拒動，失靈保護啟動母差動作，跳本線路所在母線其它開關等。

系統把獲得的一系列告警信號，根據信號所屬設備間隔的不同劃分成幾組。與其它信號無關聯的信號，可查詢單個事件告警信息知識庫進行匹配，找出相應的處理方案；來源于同一設備間隔的信號，可能為關聯信號，查詢關聯事件告警信息知識庫進行不完全匹配，符合匹配模式的規則都要參與計算及推理，此時的推理形式為模糊推理。

基于模糊產生式進行模糊推理，可以合理地表現出系統的不確定性，能夠運用人類專家的經驗知識進行啟發性的搜索、試探性的推理，靈活性較高。

例如，當監控系統中出現液壓機構合閘閉鎖(a)，液壓機構分閘閉鎖(b)，斷路器控制回路斷線(c)三個信號時，可推斷出現異常“斷路器操作機構故障閉鎖分合閘”（Q）。如果運用窮舉法推理，只有當三個信號都出現的時候，系統才能做出結論Q，若只出現信號a、b，則無法推得這樣的結論。但是，在一般情況下，監控系統受眾多因素的影響，獲得的信號大多是不完備的，而變電站設備已經出現了異常。此時，窮舉法推理的差錯率（出現異常卻未發現）就會很高。如果采用模糊法，即使信號不完全出現，依然可進行推理。在表2中編號為y-2的規則顯示：

，

假設規定F函數為，其中為信號Pi的真值，wi為信號Pi的權值，。不考慮其它因素的影響，信號的真值簡單地設置為：出現時值為1，反之為0。當出現a、b兩個信號時，通過F函數計算得，是大于等于閾值的，所以該規則可以應用于推理，推得結論為Q，真值為0.665。此結論可信度較高，可提示工作人員進行檢查和處理。因此，模糊推理相對于窮舉方法，可降低系統的差錯率。

當a、b、c三個信號都出現時，查詢關聯事件知識庫，發現不僅規則y-2匹配，規則y-3也匹配，且經過F函數計算，轉移函數值都大于等于閾值，因此兩個規則都適用。此時不僅可以推得結論Q，還將得到“斷路器操作結構N2泄漏或打壓過高”的結論。如果斷路器并未發生后者所指示的異常，則系統出現虛報警。由此可知，運用模糊推理雖然降低了系統的差錯率，卻提高了虛警率。

為了降低虛警率和差錯率，可采用自學習方法對知識庫中的知識進行調權。在知識庫中，每條規則知識的相關參量都被明確標注和存儲在知識庫中，且各個知識規則之間是相對獨立的。系統在實際環境中運行時，將運行結果與實際情況不斷比較，運用一定的學習算法對知識進行更新，只需在相應位置更改規則知識的參量或在子知識庫中添加新的知識規則，其余的知識不受影響。系統通過自學習方式可以不斷優化規則中的權值、閾值等參量，盡可能地避免虛報警情況的發生，從而降低虛警率。

5 結論

變電站智能告警專家系統的性能主要取決于知識表示方式的合理性和知識庫中所含知識的完善程度。本系統所設計的知識庫按設備單元、故障類型進行分類組織知識，可以進行快速的知識匹配；知識庫中的知識采用模糊產生式表示，不僅體現了系統知識的不確定性，也利于進行模糊推理，可在一定程度上降低系統的差錯率。另外，在知識庫的維護中引入自學習機制，有利于系統進行知識精確性的修正和知識總量的擴充，從而達到降低虛警率的目的。

本文作者創新點：作者將變電站中的故障診斷規則，用模糊產生式表示，并采用不完全匹配的模糊推理策略，可有效降低虛警率和差錯率，提高診斷結果的準確率。

參考文獻

[1] 敖志剛. 人工智能與專家系統導論[M]. 合肥: 中國科學技術大學出版社, 2002: 165-184.

[2] 禹柳飛, 張友斌. 基于模糊邏輯的旋轉機組故障診斷方法[J]. 微計算機信息, 2008,9-1: 226-227.

[3] 董勤偉. 變電站集中監控告警信號在線處理專家系統[D]. 南京:東南大學, 2006.

[4] 嚴勝. 智能電網變電站集中監控告警專家處理系統的研究與應用[J], 中國科技信息, 2009, 17: 25-27.

[5] 嚴作重. 基于模糊Petri網專家系統的研究[D]. 北京: 北京機械工業自動化研究所, 2009.

[6] S.L. Wang, Y.H. Wu. Reasoning in Fuzzy Production Systems When Input Information is Incomplete[C], IEEE International Fuzzy Systems Conference Proceedings, 1999, 8(3): 1557-1561.

[7] S.M. Chen, S. Member. Weighted Fuzzy Reasoning Using Weighted Fuzzy Petri Nets[J], IEEE Transactions on Knowledge and Data Engineering, 2002, 14(2): 386-397.

[8] 王熙照, 郗亞輝, 董春茹, 安素芳. 加權模糊產生式規則的泛化能力研究[J], 科學技術與工程, 2006, 6(5): 534-539.

[9] 席中洋. 專家系統開發工具的研究與應用[D]. 南京: 南京理工大學, 2003.