配電網故障智能診斷技術綜述*

陶飛達，黃智鵬，王東芳，李桂昌，李永尚

（1.廣東電網有限責任公司河源供電局，廣東河源 517000；2.廣州市奔流電力科技有限公司，廣東廣州 510670）

0 引言

當前配電網的結構越來越復雜，規模越來越大，尤其隨著分布式電源大量接入，對于配電網供電的可靠性提出更高的要求。當配電網發生故障時，調度中心將接收到大量信息，其中包括正確報警信號和錯誤報警信號，同時還需考慮由于保護誤動或拒動，這使得調度人員難以從龐大而復雜的數據中及時診斷故障，因此，發展智能故障診斷系統是非常必要的。

文獻[1]提出了一種基于遺傳算法的故障診斷方法，將故障診斷問題描述為0-1整數規劃問題，利用遺傳算法求解最優解，這種方法有一定容錯性，但容易陷入局部最優造成誤診；文獻[2]提出了一種基于免疫算法的故障診斷方法，免疫算法改進于遺傳算法，克服了遺傳算法容易進入局部最優的缺點，提高了診斷準確性，但是無法處理保護誤動作或拒動的情況。文獻[3]提出了一種基于神經網絡的診斷方法，建立徑向基函數神經網絡進行故障診斷，相比前向神經網絡收斂速度更快，不容易陷入局部最優，但需要訓練樣本較大。文獻[4]提出了一種基于Petri網的故障診斷方法，具有一定容錯性，能夠處理復雜故障，但當配電網結構過于復雜時，Petri網建模困難，運算速度慢。

目前，智能技術迅速發展，在配電網故障診斷領域擁有很好的應用前景，人工智能技術的發展為配電網故障診斷提供了許多新的更有效的方法，國內外學者在此方向上做了多種研究，各種智能技術思想不同，各有優缺點。本文旨在歸納總結故障診斷智能方法的類別、原理，對比各種診斷方法的優缺點，分析智能技術應用于配電網故障診斷的研究方向，展望配電網故障診斷的發展前景。

1 配電網故障智能診斷技術現狀

1.1 專家系統

專家系統是一種智能的推理程序，它將專家知識歸納總結為知識庫，根據相應的推理機制推理答案。專家系統的結構包括數據庫、知識庫、推理機、人機接口、解釋程序和知識獲取程序。專家診斷系統能夠存放專家提供的知識，根據已知信息，通過不斷匹配知識庫中的規則得到結論。專家系統的結構如圖1所示。

專家系統法能夠擁有強大的推理能力，并且對推理結果具備解釋能力，當處理配電網簡單故障時效率較高；但獲取知識、建立知識庫的過程是復雜而困難的，而且當故障信號發生畸變、保護拒動或誤動時，專家系統缺乏識別能力；專家系統的診斷需要在龐大的知識庫中搜索，診斷時間長，不能做到實時顯示的要求。

專家系統在配電網故障診斷中有多種應用，文獻[5]中提出了一種基于專家系統的電網故障診斷技術，以保護動作的數量為故障是否發生的判據，采用遞歸的綜合分析策略，較好地兼顧了故障診斷的快速性和完備性。

專家系統的關鍵在于如何自動獲取知識、補充知識庫；如何使專家系統的診斷具有容錯性；如何加快專家系統的診斷速度。因此，未來專家系統應用于配電網故障診斷發展趨勢應為：（1）專家系統和神經網絡、模糊理論、粗糙集理論等結合應用，利用神經網絡自動獲取知識；（2）利用模糊理論清洗畸變數據，增加容錯性；（3）利用粗糙集理論簡約規則，加快診斷速度。

圖1 專家診斷系統結構

1.2 神經網絡

神經網絡（ANN）模擬人腦的神經元網絡，輸入層神經元的值經過數層映射到達輸出層，使得輸入和輸出建立了某種隱函數關系。通過給定樣本學習，不斷調整神經元之間的映射關系，使輸入和輸出的函數關系逼近真實規律。目前在故障診斷領域應用最廣泛的是基于BP算法的多層感知器神經網絡理論，神經網絡采用基于知識的非線性處理方式，相比傳統診斷方式，其對知識的運用更靈活；同時，對于新型故障，神經網絡能夠通過學習自我完善，具有強大的適應性。

文獻[3]中將神經網絡應用于配電網故障診斷，將斷路器動作信息作為輸入，故障位置作為輸出，其學習過程為：通過樣本訓練，不斷修改網絡權值和閾值，使得輸出結果和參考值一致。在網絡拓撲結構不變情況下故障診斷可靠性較好，但存在延時診斷，處理瞬時故障時可能造成誤診。

神經網絡具有強大的學習能力，用于故障診斷時其容錯性較好，相比于專家系統，避免了將專家知識編入知識庫的繁瑣過程，但神經網絡存在一些缺陷：（1）神經網絡需要大量樣本訓練，在配電網故障診斷領域，獲得足量的訓練樣本是困難的；（2）神經網絡對其診斷過程缺乏解釋能力。

神經網絡在故障診斷領域具有一定應用前景。如何得到完備的訓練樣本庫，如何在避免陷入局部最優的前提下使神經網絡收斂更快，以及如何挖掘出神經網絡蘊含的知識并解釋其診斷過程，仍然是研究神經網絡需要解決的重要問題。

1.3 貝葉斯網絡

貝葉斯網絡是基于概率推理和圖論的數學模型，應用于電網故障診斷時，貝葉斯網絡利用先驗概率和相關知識推理得到各元件故障的概率，以概率的形式展示診斷結果，在解決不確定性和不完備性問題時有很大優勢。

目前，在實際應用中，貝葉斯網絡有一定瓶頸。首先是先驗概率的確定，配電網有多種故障，故障特征也是復雜多樣的，獲取先驗概率有一定難度；其次，貝葉斯網絡需要準確建模，當配電網結構復雜時，建模難度很大。而且由于模型過于復雜導致診斷效率低。

文獻[4]中提出建立時序貝葉斯知識庫，將事件的因果關系和貝葉斯網絡的推理能力相結合，發生故障時，先搜索可能故障的元件，建立貝葉斯網絡模型，同時對缺失的信息作出假設，再通過模型推理判斷出故障元件、誤動和拒動元件。文獻[6]中提出了一種計及可信度的變結構貝葉斯網絡電網故障診斷方法，根據收集到的信息判斷可能發生的故障模式，再建立該模式下的貝葉斯網絡，通過計算事件發生的可信度并加入貝葉斯推理公式，增強了故障診斷的準確性。

貝葉斯網絡以概率展示故障診斷結果，清晰直觀。然而，其解決復雜問題時建模困難，處理效率低。未來的研究將主要集中于自動建模，充分利用時序信息等方面。

1.4 模糊集理論

隸屬度是一個[0，1]的實數，表示某個元素屬于某個集合或者擁有某種屬性的程度，在配電網故障中，每種故障對應于多種故障信號，而一種故障信號也可能在多種故障中出現，調度中心很難辨別接收到的故障信號分別由哪些故障引起的，用隸屬度來描述某個故障特征屬于某種故障的程度，再以隸屬度為參數診斷故障可以使這種模糊的因果關系量化從而便于推理計算。

模糊理論可以描述數據的可信度，從而有助于綜合考慮多種判據，文獻[7]中提出了一種基于模糊理論的多重復合判據的小電流接地系統選線方案，利用模糊理論對多種判據進行實時加權評價，實現單相接地故障選線診斷，相比單一判據，可靠性更高。

模糊理論能夠表達隸屬程度，在故障診斷中常用于數據清洗，對于一個數據，非此即彼的判斷很容易造成誤判，采用隸屬度來進行量化的描述顯然提高了判斷的容錯性。文獻[8]中提出了一種基于模糊理論的專家系統的故障診斷系統，文中將所有原始數據模糊化后在帶入計算，明顯提高了診斷準確性。

在故障診斷中，模糊理論提供的是一種數據處理方法，因此需要和其他技術結合完成故障診斷，廣泛應用于故障診斷過程中的數據處理；優化隸屬度函數使之更加合理是模糊理論未來的發展方向。

1.5 Petri網

近年來，國內外研究者對使用Petri網表達因果關系的知識做了眾多研究，目前，已經有了多種基于Petri網的表示和校驗知識的方法。Petri網之所以能出色的表示知識的推理，是因為其具有并發、不確定、異步的特點，同時擁有較為完善的數學理論支撐，可以建立Petri網模型來表示知識，然后分析、演變Petri網即是知識推理過程。

在故障診斷中，Petri網的應用主要有2種：基于模型的故障診斷和基于知識的故障診斷。前者基于對象行為建立Petri網模型，后者往往與故障樹、專家系統等方法緊密相連。

Petri網能出色的解決含分布式電源的故障診斷問題，并且具備一定的容錯性和適應能力。但是，當配電網故障規模過大時，Petri網結構會非常復雜，影響診斷速度，而且可能導致狀態爆炸。

文獻[9]中建立顏色Petri網故障診斷模型，在含分布式電源的配電網應用效果高效可靠，并且，當網絡結構發生改變時只需修改Petri網顏色即可。文獻[10]中建立了基于多源信息的延時約束加權模糊Petri網故障診斷模型，在含錯誤報警信號是依然能夠診斷故障，并且逆向推理信號的完整性和可靠性，識別誤動和拒動的保護。

1.6 優化算法

基于優化算法的故障診斷即以假想故障為變量，以其和故障信號的匹配程度為適應度，利用優化算法搜索出適應度最高的假想故障。常用于故障診斷的優化算法有遺傳算法、蟻群算法和模擬退火算法等。

依據FTU上報的信息將配電網故障診斷問題轉化為0-1整數規劃問題，以適應度來表示搜索得到的解的優劣，基于優化算法的故障診斷具有一定的容錯性，也能較好的診斷多重故障。基于優化算法的故障診斷主要問題有：（1）收斂速度慢；（2）容易陷入局部最優，導致誤診。

文獻[1]中提出了基于遺傳算法的配電網故障定位方法，該方法能實現多重故障定位，但是只適用于環網單電源運行方式。文獻[2]中提出一種基于免疫算法的配電網故障定位方法。通過仿真對比得出，免疫算法相比遺傳算法具有更好的全局搜索能力，遺傳算法容易陷入局部最優解導致誤判，而免疫算法誤判的可能性小很多。

優化算法的優劣關鍵在于收斂速度和全局搜索能力，因此，之后基于優化算法的故障診斷可以嘗試改進目標函數、設計新的優化算法或者結合多種優化算法綜合考慮。

2 當前技術問題及未來發展方向

目前的故障診斷智能技術中，主要是基于FTU傳回的故障信息的智能診斷技術，而且已趨于成熟。國內外學者創造了多種智能算法以及各種智能技術相結合的診斷方法，在準確性、快速性、容錯性等方面都有較優越性能，但其局限性也是顯而易見的：判據只有FTU上傳的故障信息，不能實現精確定位；處理復雜故障能力較差；FTU工作環境惡劣，出錯可能性較大。總體來說由于采集的故障信息太簡單，無法深入分析故障原因和位置。

目前已有基于行波測距的故障診斷方法，該方法能夠實現精確故障定位，定位精度可達5 m，大大減少了故障排除難度，但由于其成本較高，目前之應用于輸電架空線路和電纜中，在配電網中無應用。目前配電網中使用性能最好的還是基于FTU上傳的故障信息的智能技術。

行波診斷法的發展前景是很好的，其性能明顯優于目前的配電網故障診斷技術，只是成本較高，因此如何減少安裝數量和生產成本是關鍵問題。單種故障信息作為判據進行診斷容易由于信號畸變導致出錯，而且可能存在診斷盲區，無法處理復雜情況等問題，因此，未來的故障診斷技術發展方向應該是基于信息融合的，基于多種故障信息作出故障診斷其性能必然更優。其主要研究方向是：具備多種故障信息采集能力的終端；更快、更準確的故障信息傳輸能力；基于信息融合的故障診斷算法。

3 結束語

智能技術應用于配電網故障診斷，相比于傳統方法體現出了一定的優越性。隨著電力行業向著智能化的方向發展，配電網的功能、結構及各種概念都在不斷發展，故障情況會更加復雜或者出現全新的情況，對于診斷的要求也在不斷提高。

上述所有智能診斷技術都是基于FTU上傳的故障信息作為判據的，單獨使用時各有優缺點，目前趨勢是結合多種智能技術綜合診斷，取長補短，并且在配電網故障診斷領域取得了較好的應用效果。另外，行波測距是一種性能更優的技術，但成本較高，有一定的研究價值。

未來的配電網故障診斷技術是基于信息融合的，這是必然的發展趨勢，但在基于信息融合的故障診斷技術發展成熟之前，基于FTU上傳信息的故障診斷技術的研究依然是有價值的。