基于混合推理的煤礦電網線路故障預警研究

□張佰尚 李向陽 李 軍

[哈爾濱工業大學 哈爾濱 150001]

引言

在我國的能源結構中，煤炭占據著十分重要的地位。近年來，煤礦的電力供應不足及斷電事故發生較為頻繁，嚴重地影響了煤炭的正常供應及礦工的生命安全。如何對煤礦電網線路異常狀況進行預警，并及時排除安全隱患已經成為煤礦生產安全亟需解決的問題。

目前，國內外研究人員對電網預警研究做了相關研究，并取得了一定的成果。Li Ji、Wang Lifang和Yan Li[1]使用基于面向服務框架的先進云服務解決方法來建立可行的、高效的、符合需求的智能電網檢測和預警系統。該系統具有可重用性、需求可變動性，并具備商業處理能力。Tieying Zhao和Na Wang[2]使用模糊綜合評價對電網低電壓狀態進行預警，這提高了預警系統的準確性和可靠性，但是其需要大量數據進行計算。Hui Ren[3]等從復雜系統的觀點出發，通過使用快速計算技術和系統參數來識別系統與預警狀態的距離進行預警，可以較好進行預警，但是該系統無法處理非線性問題。Shuqing Zhang、Xiaorong Xie和Jingtao Wu[4]在進行震蕩分析的Prony算法的基礎上提出了低頻率震蕩的檢測預警框架，使用了包括預過濾器設計和Prony分析結果關聯在內的信號處理技術，使系統更加準確。然而，有關煤礦電網預警的研究并不多。孫學軍[5]使用多主機分層、分布式結構配置的形式設計了開放式結構的煤礦電網檢測預警系統。該系統的最大特點是高可靠、智能化和層次化。牛鑫[6]使用模糊綜合評判方法進行煤礦電網預警，提高了系統的準確性，但是電壓影響指標的選取可能會對結果造成一定的影響。喬淑云、李德臣和邵曉根[7]運用自動控制理論和生物神經網絡原理設計了煤礦電網災害預警系統，實現了電網預警的數字化和智能化。同時，喬淑云等[8]還設計了包含信息層、控制層和設備層的煤礦電網監控預警系統，從而實現煤礦電網參數信息測控并進行科學預警。通過研究可以發現，煤礦電網預警研究多關注通過對供電設備的檢測，使用云服務、震蕩分析等先進技術實現對煤礦電網的自動化、數字化預警。但是，目前研究中還存在一些問題，比較明顯的是現有的預警系統主要以硬件為主，關注系統的結構建設及系統間信息傳輸方式，而在預警系統的軟件及分析決策方面還存在著很大不足。

本文主要采用規則推理和案例推理這樣的人工智能的方法實現煤礦電網線路故障的預警決策分析，從而增強煤礦電網的智能分析功能。規則推理（Rule-Вased Reasoning,RВR）適于表示和推理邏輯性知識[9]，能夠提供領域性知識（例如適合進行分類[10]），具有很強的解釋能力[11]；案例推理（Case-Вased Reasoning,CВR）適于表示和推理隱式的經驗性知識，實現非固定模型化決策[12]，具備很強的學習能力[13]，將二者按照松散耦合序列模型[14]進行集成形成電網預警Agent，可以取得優勢互補。

一、煤礦電網故障預警Agent的體系結構

本文將RВR和CВR集成形成了煤礦電網線路預警Agent，其內部結構如圖1。

圖1 煤礦電網線路故障預警Agent內部結構圖

該Agent由四個模塊組成：RВR、CВR、知識庫和案例庫。供電設備實時監測設備僅僅傳輸供電設備溫度、電阻值等實時數據，并無電網預警功能。該Agent可以通過實時數據在事故發生前發出預警。其中RВR負責對傳輸到Agent的供電設備監測數據進行判別分析并做出預警。如果數據沒有異常，RВR將判別結果輸出并顯示“正常狀態”；如果數據出現異常，RВR將根據異常狀況發出分級警報并激活CВR。CВR模塊負責對RВR模塊提出的異常數據進行預警事件匹配，并提出煤礦電網線路異常的原因，最后將隱患排除措施顯示給用戶。知識庫儲存RВR進行煤礦電網數據判別所需要的規則以及激活CВR所需的規則，其與RВR為單向數據交換。案例庫儲存煤礦電網預警案例，供CВR進行決策分析，其與CВR為雙向數據交換，即當CВR被激活時，CВR向案例庫進行案例查詢；當完成電網線路故障預警信息分析后，CВR將數據存入案例庫。數據在這四個模塊的流動和交互形成了煤礦電網預警Agent。

二、基于RВR的煤礦電網線路檢測數據判別

（一）煤礦電網線路故障預警指標選取

煤礦電網線路由電纜、接頭、斷路器組成，這些元件的工作狀態影響整條線路的工作狀態。因此，本文選取整條線路的元件作為評估指標，同時為了便于分析并使用二進制方式對不同狀態進行編碼，見表1。

表1 煤礦電網線路故障預警指標

（二）基于AHP和證據理論的煤礦電網線路故障預警評判方法

按照線路負荷級別信息、電纜狀態監測指標、斷路器本體狀態監測指標對煤礦電網線路故障預警的影響程度大小使用AHP方法建立一級指標的比較矩陣，并根據該矩陣計算一級指標權重，如表2所示。

表2 煤礦電網線路故障預警一級指標權重

為了判斷該矩陣的可信性，本文對該矩陣結果進行一致性檢驗，檢驗結果為：λ max=3.084，C.I.=0.042，C.R.=0.072，符合一致性檢驗要求。

二級指標權重的確定方法與一級指標相同，具體值如表3所示。

表3 煤礦電網線路故障預警二級指標權重

部分煤礦電網線路故障預警的二級指標參數的獲取需要使用相關的測量方法，如使用小波奇異值分析法、低頻疊加法等方法獲取電纜絕緣狀態參數，使用動態時間規整法等方法獲取斷路器本體監測狀態。雖然這些方法具備一定的準確性，但是仍然存在著一些誤差。為了消除測量誤差的影響，本文將D/S證據理論中的信任函數加入預警指標來提高預警的準確性，同時將不同測量方法的準確率作為二級指標的信任函數，具體見表4。

表4 煤礦電網線路故障預警二級指標信任函數

由此，我們可以對煤礦電網線路故障預警的評判方法，如式1。

（三）基于RВR的煤礦電網線路故障評判結果生成

規則集是RВR生成評判結果和進行推理的基礎，本文使用產生式規則建立規則集。每條規則語句由IF-THEN構成，表達形式為

IF Xi1is wi1and Xi2is wi2and …Xinis winTHEN CLASS is Ci

煤礦電網中某一元件的損壞即會造成電網事故，所以電網預警首先需要對單一元件進行預警；同時，不同的線路承擔不同的輸電任務，連接不同的機器設備，單一元件的狀態并不能代表某一線路的工作狀況，所以電網預警還需要對電網線路進行預警，并提示工作人員格外關注預警線路并排除隱患。所以，本文針對煤礦電網的這一特點進行兩種預警：煤礦電網整體預警和基于單一元件的預警。

1．煤礦電網線路故障單一元件預警

單一元件預警包括電纜電阻值預警、電纜接頭溫度變化預警和斷路器本體預警，其預警結果分別為X2、X3、X4。同樣，取單一元件預警的權重適中者為最小閾值，則X2、X3、X4的預警閾值分別為0.1、0.12、0.18。如果單一元件的測量結果高于閾值，則預警結果為1，否則為0。

由此，本文得出電纜電阻值預警產生式規則為：

IF X21or X22or X23≧0.1

THEN CLASS is X2=1；

IF X21or X22or X23﹤0.1

THEN CLASS is X2=0.

電纜接頭溫度變化預警產生式規則為：

IF X24or X25or X26or X27or X28or X29≧0.12

THEN CLASS is X3=1；

IF X24or X25or X26or X27or X28or X29﹤0.12

THEN CLASS is X3=0.

斷路器本體預警產生式規則為：

IF X31or X32or X33or X34or X35or X36≧0.18

THEN CLASS is X4=1；

IF X31or X32or X33or X34or X35or X36﹤0.18

THEN CLASS is X4=0.

2．煤礦電網線路故障整體預警

對于煤礦電網線路故障整體預警，本文使用最小閾值V來偵測電網線路故障。其中，二級指標參數選取權重適中者為閾值指標。因此，本文得出煤礦電網線路故障預警閾值

將煤礦電網線路故障整體預警結果表示為X1，如果線路故障測量結果超出閾值，那么X1=1，否則X1=0。由此本文得出煤礦電網線路故障整體預警產生式規則：

IF Xi1is wi1and Xi2is wi2and …Xin≧0.145

THEN CLASS is X1=1；

IF Xi1is wi1and Xi2is wi2and …Xin﹤0.145

THEN CLASS is X1=0.

三、基于CВR煤礦電網線路故障應急分析

（一）基于框架表示法的煤礦電網線路故障案例表示及相似度計算

目前，案例表示常用的方法有本體表示法、面向對象表示法、XML表示法和框架表示法。其中，框架表示法具有結構性和層次性，特別適合表示結構性強的靜態知識[15]。煤礦電網線路故障隱患排除具有較強的結構性，所以本文使用框架表示法表示案例，通過將框架嵌套形成煤礦電網線路故障案例框架。

表5 煤礦電網線路故障案例頂層框架

表6 煤礦電網線路故障預警特征

表7 煤礦電網線路故障隱患排除

由于該案例的主要屬性為確定數屬性，而海明距離可以將確定數屬性距離測量標準化[16]，所以本文使用海明距離來計算源案例與歷史案例的局部相似性，其計算公式如式（3）。

其中，sima為源案例與目標案例的局部相似性，ti為源案例，ci為歷史案例，Amaxi為屬性i中的最大值，Amini為屬性i中的最小值。

在計算源案例與歷史案例的全局相似性時，需要使用屬性權重。由于煤礦電網線路故障屬于短板問題，一個元件的破壞就可能對整個電網產生重大影響，所以每個檢索屬性權重均為25%，由此可以得出全局相似性計算公式（4）。

（二）基于組合相似算法和RВR的煤礦電網線路故障案例適配

由于煤礦電網線路故障案例的特征集和隱患排除方式集之間具有一一對應的關系，所以本文可以通過對目標案例和源案例屬性集的比較發現相同的屬性集，使用源案例屬性集的隱患排除方式來指導目標案例隱患排除。當所檢索到的相似案例中沒有與目標案例屬性相同的案例時，本文使用RВR來完成案例適配。該案例適配方法的流程如圖2。

1.組合相似算法的原理及算法實現

組合相似算法的原理來源于知識論，在知識論中有嚴格的定義和定理。

定義[17]一個知識系統可以用一個四元組來表示：S=(U,A,V,f)。其中，U為論域，為非空有限對象的集合；A=C∪D，C∩D=Φ，其中，C為條件屬性集，D為決策屬性集；V=∪Va，其中，Va是屬性a的值域；f是U×A→V的函數。

圖2 基于組合算法和RВR的煤礦電網線路故障案例適配流程圖

在該定義中，條件屬性和決策屬性具備一一對應的關系，即當兩個案例的條件屬性相同時，其決策屬性也相同。那么，我們可以通過相似屬性的組合得出決策屬性的組合。本文根據該原理提出了組合相似算法：

Step1：根據解元素參數對照表，確定影響目標案例決策屬性集的條件屬性集。

Step2：比較最相似案例與目標案例的條件屬性集，并找出這些條件屬性集所對應的決策屬性集。

Step3：根據所找出的決策屬性集生成目標案例的決策屬性集。

Step4：查看目標案例的決策屬性集生成是否完整，若決策屬性集生成完整則停止，否則對此相似案例重復Step2和Step3。

2.RВR適配規則的生成

如果對所有相似案例的相同條件屬性所對應的決策屬性組合之后，目標案例的決策屬性集還不完整，那么RВR適配模塊將被激活，用來生成不完全的決策屬性集。根據煤礦電網元件故障處理措施，本文得出RВR適配規則：

IF X22=1 THEN“對電纜進行維護”；

IF X23=1 THEN“更換電纜”；

IF X25or X26or X27or X28=1 THEN “檢查修復接頭”；

IF X29=1 THEN“更換接頭”；

IF X32or X33or X34or X35=1 THEN “對斷路器本體進行修復”；

IF X36=1 THEN“更換斷路器本體”

RВR適配規則的生成可以完成對組合相似算法未能適配的決策屬性集完成適配。

四、算例

本文選取潞安集團王莊煤礦電網一條出線Ⅲ類負荷回路對該Agent的預警過程進行實例驗證。

電網在線監測到斷路器本體的操作電壓過低、電纜電阻值為39、電纜接頭溫度變化為6℃。

根據檢測數據所在的區間，Agent可以得出這三種檢測數據的權重分別為0.15、0.1和0.22。考慮到所得數據的置信度，根據式（1）Agent計算出以上指標的權重分別為0.143、0.09和0.198。通過和閾值進行比較，Agent對電纜電阻值和斷路器本體發出預警。同時，根據式（1）Agent可以判別該條線路的狀態，計算結果為0.204，遠遠高于閾值。Agent對整體線路進行預警。

RВR模塊發出預警的同時激活CВR模塊進行隱患排除分析。Agent根據式（3）檢索到一些相似的案例，并發現最為相似的案例1的整體預警值、電纜電阻預警值、電纜接頭溫度變化預警值和原案例相似。因此，Agent使用案例1電纜電阻預警值的隱患排除方式，即在“礦井輸電線路3”“更換電纜”。但是，案例1中的斷路器本體預警值并不和原案例相似。Agent查找與斷路器本體預警值相似的案例得到案例2，并使用案例2的隱患排除方式，即對“礦井輸電線路3井上斷路器本體”“維修”。從而，Agent完成了煤礦電網預警和分析決策任務。

五、結論

煤礦電網線路故障診斷對于煤炭生產和煤炭供應具有重要意義。目前的煤礦電網線路故障預警研究多數側重于在線測量和硬件設計。本文使用RВR和CВR混合推理的智能技術實現對煤礦電網線路故障預警，其中RВR模塊使用AHP和證據理論完成故障線路預警；CВR模塊使用組合相似算法和RВR產生規則相結合的方法實現對預警案例的適配。該方法對煤礦電網故障線路預警和分析具有一定的實踐意義。

[1]LI Ji,WANG Lifang,YAN Li.Cloud Service based intelligent power monitoring and early-warning system [A]//Jianzhong Wu .2012 IEEE Innovative Smart Grid Technologies-Asia(ISGT Asia) [C].Washington,DC,USA:IEEE Computer Society,2012:1-4.

[2]IREQ A I,MATH P S.Hydro-Quebec Robust detection and analysis of power system oscillations using the Teager-Kaiser energy operator[J].IEEE Transactions on Power Systems,2011,26(1):323-333.

[3]REN H,FAN Xiaozhou,WATTS D,et al.Early warning mechanism for power systemlarge cascading failures[A]//Nirmal Nair.2012 IEEE International Conference on Power System Technology[C].Washington,DC,USA:IEEE Computer Society,2012:1-6.

[4]ZHANG Shuqing,XIE Xiaorong,WU Jingtao.WAMS-based detection and early-warning of low-frequency oscillations in large-scale power systems [J].Electric Power Systems Research,2008,78(5):897-906.

[5]孫學軍.基于開放式結構的煤礦電網實時預警系統設計與實現[J].中國煤炭,2011,37(8):68-71.

[6]牛鑫,劉艷昌,邱紅軍.煤礦電網低電壓預警系統研究[J].河南科技學院學報,2012,41(3):87-90.

[7]喬淑云,李德臣,邵曉根.煤礦電網災害監控預警系統的設計與實現[J].工礦自動化,2009,32(1):51-58.

[8]喬淑云,李德臣.監控預警系統在煤礦電網中的應用研究[J].計算機工程與設計,2008,29(23):6161-6163.

[9]XIONG Ning.Fuzzy rule-based similarity model enables learning from small case bases [J].Applied Soft Computing,2013,13(4):2057-2064.

[10]LAO S I,CHOY K L,HO G T S,et al.Achieving quality assurance functionality in the food industry using a hybrid case-based reasoning and fuzzy logic approach[J].Expert Systems with Applications,2012,39(5):5251-5261.

[11]XIONG Ning.Learning fuzzy rules for similarity assessment in case-based reasoning[J].Expert Systems with Applications,2011,38(9):10780-10786.

[12]KUO J Y,HUANG Fu-Chu,MA Shang-Pin,et al.Applying hybrid learning approach to RoboCup's strategy[J].Journal of Systems and Software,2013,86(7):1933-1944.

[13]LEELAND A M.Case-based reasoning:processes,suitability and applications [M].New York:Nova Science Publishers,2011.

[14]PRENTZAS J,HATZILYGEROUDIS I.Categorizing Approaches Combining Rule-Вased and Case-Вased Reasoning[J].Expert Systems,2007,24(2):97-122.

[15]LIAO Zhenliang,MAO Xuewei,HANNAM P M,et al.Adaptation methodology of CВR for environmental emergency preparedness system based on an Improved Genetic Algorithm[J].Expert Systems with Applications,2012,39(8):7029-7040.

[16]XIE Xiaolong,LIN Lin,ZHONG Shisheng.Handling missing values and unmatched features in a CВR system for hydro-generator design[J].Computer-Aided Design,2013,45(6):963-976.

[17]武民民,宋良圖,黃偉,等.基于替代算法的案例推理災害救助系統[J].計算機系統應用,2009,18(4):11-13.