電網故障診斷的研究現狀和發展趨勢

摘 要：綜述目前在電網故障診斷中應用較為廣泛的智能算法，包括：專家系統，人工神經網絡，模糊集理論，Petri網，多智能體技術和信息融合技術等。簡要介紹各種智能算法的理論概念以及在電網故障診斷的一些研究成果。指出各種智能算法的優勢和缺陷，以及未來的發展趨勢。

關鍵詞：電網；故障診斷；智能算法；研究現狀；發展趨勢

DOI：10.16640/j.cnki.37-1222/t.2018.17.176

1 引言

當前堅強智能電網的建設已經接近尾聲，面對即將到來的全面的智能電網，電網的故障診斷越來越成為一個重要的問題。電網的故障診斷即當電網發生故障后，斷路器等保護開關動作以及根據電網中電壓，電流波形的變化判斷故障類型，找到故障位置，識別故障元件。電網發生故障時會瞬間導致各種異常，大量報警信息匯入控制中心，在短時間內迅速判斷故障位置并切斷故障源是很困難的，因此需要快速準確的故障診斷方法。目前對于電網故障診斷已經有很多研究成果，基于人工智能算法的故障診斷方法相較于傳統的依靠調度員經驗分析有很大的優勢。也是未來的發展趨勢。本文綜述當前在電網故障診斷應用較為廣泛的智能算法，包括：專家系統，人工神經網絡，模糊集理論，Petri網，多智能體技術和信息融合技術等[1，2]。并參考國內外在電網故障診斷方面的研究成果的基礎上，介紹各種智能算法在電網故障診斷的一些應用，并指出優點和不足。總結當前電網故障診斷方面面臨的亟待解決的問題，以及未來的研究方向。

2 電網故障診斷研究現狀

2.1 基于專家系統的故障診斷

專家系統[3]（Expert System）最早由Feighbaum教授于1968年提出，把專家經驗編輯成程序，通過知識推理解決一些復雜的問題。從70年代開始被引入到電網故障診斷中，陸續出現了很多研究成果，并取得了較為成功的效果。在電網故障診斷中應用的流程：首先建立故障信息知識庫和產生式規則，然后故障發生時，推理機接收到故障信息，依靠知識庫中的推理規則識別故障元件。

專家系統在電網故障診斷中依靠專家的知識可以高效地解決很多復雜故障問題，但目前專家系統還有很多缺陷：（1）知識庫中的專家經驗知識需要實時更新以滿足故障診斷的需要，后續工作量大。（2）保護和斷路器誤動或拒動時，由于知識庫不全面，可能會給出錯誤的診斷結果，容錯性差。對于專家系統的缺陷，未來可以通過和其它智能算法結合形成優勢互補。文獻[4]運用模糊集理論優化專家系統，利用模糊集對不確定信息的推理能力改善專家系統的容錯性。

2.2 基于人工神經網絡的故障診斷

人工神經網絡[5]（Artificial Neural Network）是模擬人類神經系統來進行信息處理的智能算法，通過大量基本的處理單元互聯形成的復雜的神經網絡系統。神經網絡的優勢在于具有強大的學習能力，可以通過訓練樣本不斷的進行優化推理規則，并具有一定的預測能力，對未知的問題具有一定的解決能力。目前研究中，在電網故障診斷應用最廣泛的是前饋神經網絡，其中最有特色的是BP（Back Propagation）神經網絡和徑向基神經網絡。文獻[6]運用主成分分析法優化神經網絡，達到診斷時神經網絡輸入量大量縮減的效果，減少樣本馴良時間的同時抑制了噪聲的干擾。

神經網絡雖然有強大的學習能力、容錯能力、良好的魯棒性等，但仍有如下缺點：（1）神經網絡的學習需要大量樣本，而完備優質樣本的獲取和收集是很困難的。（2）神經網絡缺乏對自身推理過程的解釋能力。（3）神經網絡對于啟發式規則的推理比較困難。在未來，神經網絡在電網故障診斷的研究中，重點需要解決的問題還是有價值樣本的獲取、對自身診斷推理過程的解釋等。這樣才能逐漸適用于大規模電網的故障診斷。

2.3 基于Petri網的故障診斷

Petri網最早是由德國Petri博士在1960年提出的，Petri網有嚴謹的數學公式表達，也有形象的圖形表示，利用各個元件間的關系構成有向圖的數學模型。對于描述離散事件的順發、并發等有獨特的優勢。90年代初被引入到電網的故障診斷建模中，表現出良好的故障診斷效果，具有很好的應用前景。電網的故障是典型的離散事件，Petri網正是處理和解決離散事件問題的理想模型。

Petri網可以有效地對離散事件的建模和分析，并有諸多優點。但隨著對Petri網應用研究的深入，逐漸暴露出一些問題：（1）Petri網目前只適用于小型電網故障診斷，對于網絡拓撲較大的系統，易發生狀態空間爆炸的情況。（2）對于保護和斷路器拒動、誤動等多重復雜故障，容易得出錯誤的診斷結果。未來的研究方向是將Petri網和別的智能算法相結合或對Petri網自身升級，利用高級Petri網進行復雜電網的故障診斷。文獻[7]提出方向性加權模糊Petri網即一種高級Petri網模型，提高了診斷的自適應性和容錯性。

2.4 基于優化技術的故障診斷

優化技術是多種智能算法的統稱。常見的優化算法有：遺傳算法，蟻群算法，粒子群優化算法和交叉熵算法等。目前優化技術在電網故障診斷領域的應用也有比較好的效果。在電網故障診斷應用中，優化技術的推理是根據故障元件于保護和斷路器的動作關系，將故障問題表示為目標函數最小化的0-1整數規劃的最優解問題。文獻[8]利用改進粒子群算法解析整體診斷模型，提高了診斷準確性。

基于優化技術的電網故障診斷方法有嚴謹的推理和理論基礎，通常的優化算法都可以實現正確的故障診斷。且在故障信息殘缺或不足的情況下，也能夠給出多個局部和全面的診斷結果。同樣該方法也存在自身的缺陷：（1）尋找目標函數比較困難；（2）優化算法的診斷過程需要數據一次一次的迭代，直到滿足要求，所以耗時較長；（3）迭代過程中可能陷入局部優值或由于隨機因素丟失最優解。所以在未來優化技術的應用中，全面的數學模型和更快的迭代收斂是一個重要的研究方向。

2.5 基于MAS技術的故障診斷

多智能體（Multi-Agent System， MAS）技術是分布式人工智能技術的一種，它是一種軟件工程技術，綜合了計算機、網絡和分布式思想。能夠將一個復雜的問題拆分為多個Agent，然后對于每個Agent逐個擊破，最后通過各個Agent之間信息的相互協調得出最終結果。文獻[9]提出基于MAS技術的電網故障診斷，首先智能分解診斷系統，然后協調各Agent得出綜合診斷結果，具有良好的準確性和實時性。

MAS分布式電網故障診斷系統，具有啟發性、魯棒性和可擴展性。適用于大型分布式電網故障的復雜性等要求，通過多智能體協調工作，可以實時處理大電網復雜性故障。目前的研究也僅限于理論，未來如何將多Agent系統運用在實際運行的電網中是需要重點研究的問題。

2.6 基于信息融合技術的故障診斷

信息融合是多數據源信息融合技術[10]的簡稱，即通過不同的數據源獲取信息，分別進行分析和處理，然后通過融合算法得出綜合結果，最終的估計和決策比任何單一信息源精度更高。目前，在電網故障診斷方面，該方法的應用研究已經表現出其明顯的優越性。文獻[11]結合小波神經網絡和證據理論，分別進行數據層的故障分析和決策層信息融合框架的構建，提高故障診斷準確性。

將不同數據源的開關量和電氣量信息進行融合的故障診斷方法，可以避免由于單一數據源信息殘缺或不完備造成的誤診情況，同時提高了診斷系統的實時性。在之后的研究中，信息融合技術主要解決更合適的信息融合技術的選取以及在實際中的應用。

3 當前需要解決的問題及未來發展趨勢

當前電網的故障診斷方面還有如下問題需要解決：（1）每種智能方法都存在自身的缺陷，都不適合單獨的用于故障診斷。（2）對于不完備信息的故障易得到錯誤的結果，容錯性差。（3）目前的研究大多是理論上的，缺乏在實際電網中應用的研究。

基于當前面臨的問題，電網故障診斷在未來的研究大概分為以下幾個方面：（1）綜合利用多種智能方法進行故障診斷的研究。在目前的研究中，基本都是采用單一的智能算法，短板比較明顯。而將多種智能方法良好銜接，綜合利用，可以形成優勢互補、取長補短。得到更好的故障診斷效果。（2）多數據源信息融合的故障診斷研究。當前電網故障診斷大多利用保護和斷路器等開關量信息。但是開關量信息有其本身的局限性，且保護開關的誤動、拒動會應影響故障的判斷。相對而言，利用電氣量信息則更加快速，準確。最后將開關量信息和電氣量信息進行融合的故障診斷，是未來一個重要的研究方向。（3）分布式智能技術的故障診斷研究。我國電網飛速發展，對于大規模電網的故障診斷，分布式的處理是一個非常有效的方向。當前研究成果比較多的多智能體技術就是一種分布式故障診斷方法。

4 結語

在我國智能電網的環境下，采用人工智能算法進行電網故障診斷是必然的趨勢，且目前已經取得很多的研究成果。本文綜述了目前研究比較多的智能算法及近年來的研究成果，并介紹了這些方法的優勢、缺陷和在當前電網故障診斷中面臨的問題。最后分析了在未來電網故障診斷的發展趨勢。盡管研究成果眾多，但都還是處于理論階段，缺乏在實際運行電網中的應用研究。因此在改進智能算法的同時，也要不斷完善在實際工程中的應用，保障電網運行的安全與穩定。

參考文獻：

[1]李紅衛，楊東升，孫一蘭等.智能故障診斷技術研究綜述與展望[J].計算機工程與設計，2013，34（02）：632-637.

[2]鄂加強.智能故障診斷及其應用[M].長沙：湖南大學出版社， 2006：64-65.

[3]Joseph Giarratano.專家系統原理與編程[M].北京：機械工業出版社，2000：20-23.

[4]Lee H J，Park D Y，Ahn B S，et al.A fuzzy expert system for the integrated fault diagnosis[J].IEEE Trans on Power Delivery，2000，15（02）：833-838.

[5]胡守仁，余少波，戴葵.神經網絡導論[M].長沙：國防科技出版社，1992：2-3.

[6]Khom foi S，Tolbert L M.Fault diagnosis system for a multilevel inverter using a principal component neural network[C]//Power Electronics Specialists Conference，37th IEEE，2006：1-7.

[7]楊健維，何正友，臧天磊.基于方向性加權模糊Petri網的電網故障診斷方法[J].中國電機工程學報，2010，30（34）：42-49.

[8]劉道兵，顧雪平，李海鵬.電網故障診斷的一種安全解析模型[J]. 中國電機工程學報，2011，31（34）：85-92.

[9]Lekkas G P，Avouris N M，Papakonstantinou G.Development of distributed problem solving system for dynamic environments[J].IEEE Trans on System Man and Cyberneties， 1995，25（03）：400-414.

[10]劉同明，夏祖勛，解洪成.信息融合技術及其應用[M].北京： 國防工業出版社，1998：12-13.

[11]FENG Dengchao，Disa Pereira J M.Study on information fusion based on wavelet neural network and evidence theory in fault diagnosis[C]// Electronic Measurement and Instruments， 8th International Conference on，2007：3522-3526.

作者信息：田海霖（1991-），男，河南商丘人，研究生在讀，研究方向：智能電網故障診斷。