電網故障診斷技術綜述

何文博，關煥新

(沈陽工程學院，遼寧　沈陽　110136)

電能作為一種特殊的清潔綠色能源被廣泛地應用到國民生產中，隨著經濟的不斷發展以及對電能的愈發依賴，電能的質量、安全以及穩定對社會發展發揮著十分重要的作用。社會經濟、生活水平等諸方面的進步都促使電力系統日趨復雜化，這就對電能的持續穩定運行提出了更高的要求。電網作為電能傳輸的直接載體，由于其長期暴露在自然環境中，難免會出現故障。為快速監測及解決故障，保證電力系統安全可靠運行，需要一套智能的故障診斷系統，能夠使運行人員快速準確地判斷故障區域并鎖定故障元件，從而及時有效地恢復故障區域系統的正常運行，增強供電的持續性和可靠性。

電網故障診斷通常是指調度中心進行的系統級故障診斷，對保護器件發出的故障信號、斷路器的動作信息進行處理分析，根據電網保護邏輯和監控人員的經驗推斷可能的故障位置和故障類型，為相關人員提供依據。自20世紀70年代面向系統層面的電網故障診斷開展研究以來[1]，對電網故障診斷相關的研究成為國內外專家學者關注的焦點，人工智能技術和計算機技術的發展[2]使智能化的故障診斷方法成為該領域的研究熱點和重點。

1　故障診斷技術研究現狀

電力系統的故障診斷開始于20世紀40年代，主要用于快速定位故障元件。據統計，定位故障元件時間要占故障處理時間的1/3，縮短故障定位時間將顯著提高故障處理效率。

1960年，數據采集與監視控制系統(SCADA)應用在電網中，至此電網的故障診斷擁有了數據基礎。1969年，Dyliacco和Kraynak利用斷路器動作信息和繼電器跳閘診斷故障，為故障分析和診斷奠定了基礎。20世紀80年代，計算機領域及人工智能的快速發展，推動專家系統在電力部門的應用。1983年Sakaguchi和Matsumoto最先使用專家系統解決電力系統故障。1986年，C Fukui和J Kawakam采用prolog語言設計了電網故障診斷專家系統，構建了電氣設備、斷路器及繼電保護的三者關系，使用SCADA采集的故障信息進行診斷，可以定位故障設備和分析保護器及斷路器誤動作行為。在這之后，專家系統逐漸成為電網故障診斷最常用的處理方法。1990年后，對于電網故障診斷的研究成果開始記載于我國文獻中；遺傳算法與神經網絡也慢慢地被人們用在故障診斷中，應用遺傳算法可以提高定位效率，神經網絡可以解決故障中的不確定問題。20世紀90年代后，廣域測量系統開始應用在電力系統故障診斷中，它可以將準確坐標以實時斷面數據形式傳送到電網故障診斷系統。表1為電網故障診斷數據特性。

表1　電網故障診斷數據特性

復合型故障數據源的應用推動了信息融合技術在電網故障診斷中的研究，融合不同時間間隔的數據可以更為詳細地描述故障過程，提高識別準確性。后來，Petri網方法、貝葉斯網絡法等方法相繼被應用到電網故障診斷中。表2為電網故障診斷方法的發展過程。

表2　電網故障診斷發展過程

2　故障診斷常用方法

2.1　專家系統

專家系統發展最早，是一種較成熟的人工智能診斷技術，為包括大量專業知識和經驗的系統，可以通過相關領域專家多年的經驗和知識進行推斷，按照人類專家的思維邏輯做出推理決策，從而處理操作人員無法解決的疑難問題。

專家系統對于確定性信息的故障具有較好的診斷效果，基于不同的故障診斷的知識與推理策略可以分成3類。

a. 基于產生式規則的系統[3-5]。它通過規則把保護器與斷路器的動作邏輯以及操作人員的經驗表示出來，形成知識庫，利用數據驅動做正向推理，最終得到診斷結果。

b. 基于模型的系統[6]。診斷過程有假設和檢驗兩個步驟，通過模型模擬電力系統故障，依據報警信息假設故障元件，在模型基礎上進行模擬，將模擬結果與實際報警信息比對，最后確定假設是否成立。

c. 基于正、反向推理的系統[7]。結合正反向推理方法，正向推理過程同b，反向推理可以有效縮小故障范圍，采用混合推理，可以提高診斷的適應性與自學能力。

專家系統由于自身特性，存在著一定缺陷：無法獲取完善的知識庫；對于大系統，診斷時間較長；電網拓撲結構發生變化后，專家系統對應的知識庫需要修改；容錯能力較差。

2.2　人工神經網路

人工神經網絡是模仿人類大腦神經系統進行數據處理的一種技術，與專家系統并列為人工智能技術的分支。神經網絡通過歷史數據實行樣本訓練，能夠綜合現有數據，可以處理現有數學模型或規則難以解決的問題。神經網絡故障診斷模型主要基于徑向基函數和BP(back propagation)算法，其具有以下優點。

a. 信息獨立存儲，具有較好的容錯能力。

b. 知識包含在連接權重中，自我組織以及自我學習能力強，也有一定的泛化能力。

c. 神經元之間計算相對獨立，并行性高。

d. 記憶性好，魯棒性高。

應用神經網絡存在的主要問題有：需要大量典型的樣本訓練且訓練時間較長，對新的系統，要重新訓練；只能給出0～1之間的數字結果，缺少對結果的解釋能力；無法提供信息幫助操作人員診斷誤動作的元件；對于復雜輸電網絡，建模困難。

2.3　模糊集

模糊集是一種研究不完整數據、處理不確定性知識的數學工具[8]，它將經典理論模糊化并引進了語言變量和模糊推理。模糊集概念(fuzzy set theory,FST)由美國加州大學教授L.A.Zadeh提出，它打破了經典理論用0和1表示的清晰概念，采用模糊隸屬度來表示不確定、不精確的事件。FST經過多年來的發展，已成為有完備推理體系的人工智能技術之一。

模糊理論的發展及完善，讓其自身的優點被凸顯出來，在某些故障中加入FST可以使得精確推理轉為近似推理，可以一定程度提高故障診斷的容錯性，FST與其他人工智能技術相互結合，用長避短。FST的明顯優點是無需精確的數學模型，運用隸屬函數與模糊規則，可以實現模糊診斷的智能化，但是，對于復雜系統，建立完整的規則與隸屬函數非常困難，耗時也很長。

最近幾年，粗糙集通過與其他智能技術結合使用可以一定程度改善其在大規模電網診斷中面臨的問題，在關鍵信息和知識簡約方面也獲得了成效，但對于如多重關鍵信息缺失等不可觀因素疊加的情況，診斷效果還不理想。

2.4　貝葉斯網絡

貝葉斯網絡是一種通過結合圖論與概率學理論來表示與推斷不確定性知識的模型，具有嚴格的概率理論基礎，其中網絡流圖用來表達知識，概率學理論表明不同知識之間的影響。

貝葉斯網絡可以直觀清晰地描述故障，可在告警信息不確定和不完備情況下較好地實現診斷決策[9]。隨著貝葉斯網絡在電網故障診斷中的應用，其優點逐漸凸顯，但是貝葉斯網絡在實際應用中需要獲得有效的先驗概率才能保證結果的準確，所以貝葉斯網絡對單一故障診斷結果較好，復雜故障由于獲取先驗概率有一定困難，貝葉斯網絡對復雜網絡故障診斷應用較少。文獻[10]提出了一種先驗概率的計算方法，可以準確地表達元件故障與保護誤動、拒動之間的統計關系，可以處理復雜故障。文獻[11]將故障模式分類，搭建了相應故障模式的變結構貝葉斯診斷模型，并把保護器和斷路器動作時間可信度加入到診斷推理，提高診斷的準確性。文獻[12]結合動態因果推理鏈與貝葉斯網絡，利用時序約束檢查漏報、誤報的報警，降低了故障信息不確定對診斷的影響。

2.5　Petri網

Petri網是由德國科學家Carl Adam Petri在其博士論文提出的，后來逐漸成為電網故障診斷的方法，它是利用圖形和矩陣理論對電力系統構建的各元件關系構建的有向圖模型，從而描述電網事件發生順序，進而進行故障分析。

Petri網診斷模型具有表達圖形化、推理過程簡單快速等優點[13]，但是對于一些故障Petri網解決效率還不是很高，如對于大電網，模型建立較復雜且運算維數高；對于電網拓撲變化，模型通用性差；信息不確定時容錯性低。文獻[14]搭建了線路Petri網模型，可以較準確地定位多種故障下的故障元件。文獻[15]利用謂詞進行推斷，將電網診斷分解為各個方向，從而降低運算維數。文獻[16]利用分層建模原理，建立了分層模糊Petri網診斷模型，改善了模型的適用性。

3　故障診斷主要問題及發展趨勢

3.1　主要問題

電網故障診斷目前所存在的主要問題：①在處理不確定和不完備信息時準確率低，直到現在對于該問題仍沒有給出明確的解決方式[17]；②故障診斷的智能方法應用上存在自身的局限和缺陷，實際應用中，故障診斷大部分還只是基于一種診斷方法；③電網的運行模式和結構的變化對電網診斷結果有非常大的影響；④有關電網故障診斷實用化的研究還有所欠缺。

3.2　發展趨勢

a. 未來的發展趨勢是著重研究多種診斷方法融合。電網故障診斷多種方法各有優缺點，但可以融合多種診斷方法，使優勢互補，從而提高故障診斷的準確率。

b. 開展多數據源信息融合技術的診斷。電網故障診斷大多使用開關量數據，相對而言，電氣量在精確性和容錯性上有很大優勢。融合多種數據源的開關量和電氣量信息，有利于診斷結果更準確。

c. 開展在線電網故障診斷實用化研究。現如今，國內外的學者專家對于電網故障的理論研究已取得了較為滿意的成果，但是對于實際應用的適用性研究還不夠充足。如何從實用化的角度出發，將理論應用到實際，仍然是一個重要的研究課題[18-19]。

4　結束語

本文綜述了目前主要的電網故障診斷的智能方法，闡明了各類方法的特點和不足，介紹了近幾年取得的改進成果，最后提出了故障診斷的主要問題和未來的發展趨勢，為電網故障診斷技術的研究提供一定理論參考。