芻議人工智能技術在電力系統故障診斷中的應用

蔣羽鵬

摘 要：增強電力系統運行的安全性與穩定性，能夠有效防止重大電力安全事故的發生，保障用戶用電質量的同時，提升電力企業的經濟效益。由于受到多種外界因素的影響，電力系統在運行中會出現不同類型的故障，只有對其進行及時診斷與處理，才能消除其運行中的安全隱患，避免對人們的生命財產安全造成威脅。隨著人工智能技術的發展，在故障診斷中得到廣泛應用，能夠促進工作效率與質量的提升。本文將通過分析人工智能技術的基本概念與種類，探索人工智能技術在電力系統故障診斷中的應用措施。

關鍵詞：人工智能技術;電力系統;故障診斷;應用

中圖分類號：M76 文獻標識碼：A 文章編號：1671-2064（2020）02-0147-02

隨著社會生產生活水平的提升，對于電力資源的需求也在逐年增大，這也給電力系統的運行帶來了新的挑戰。自然環境因素、人為因素和技術因素等等，都會干擾系統的正常運行，導致故障問題的產生，降低了系統運行的可靠性。故障診斷應該保障及時性與精確性，防止對社會用電造成嚴重的影響。隨著智能電網建設的逐步開展，人工智能技術與電力系統的融合度明顯提高，有利于促進電力行業朝著智能化與自動化方向發展。尤其是在當前電力市場競爭逐漸加劇的趨勢下，只有保障供電的連續性與安全性，才能增強電力企業競爭實力。在電力系統中應用人工智能技術時，應該明確該技術的基本原理，根據當前系統運行特點制定針對性技術應用方案。

1人工智能技術概述

人工智能技術是集神經學、腦科學和信息技術為一體的先進技術，在社會各個領域當中得到廣泛應用，是當前科技領域的研究重點。人工智能技術模仿了人腦的工作原理與行為方式，以自動化機器為基礎對問題進行識別、分析和解決。在電力企業的運營生產當中，人工智能技術逐漸得到應用，能夠減輕人力負擔，實現各項資源的優化配置。故障樣本被大量采集后，能夠增強設備對故障的反應速度，以便工作人員及時對其進行處理[1]。人工神經網絡、智能模糊邏輯、遺傳算法和混合邏輯等等，是當前人工智能技術的主要類型。不同技術類型與原理存在較大的差異性，在應用于故障診斷時需要結合技術特點加以合理選擇。

2人工智能技術在電力系統故障診斷中的應用

2.1故障診斷中ES的應用

專家系統（ES）在電力系統故障診斷中的應用已經十分廣泛，屬于AI領域的重點組成部分，在知識工程研究中發揮著關鍵作用。運用ES原理時，需要以知識處理與知識運用的相關理論為基礎。除了能夠對相關定性問題進行處理外，在解決問題的過程中能夠對專家經驗與知識進行總結。因此，消除了傳統解析方法的局限性，縮小了求解問題的知識搜索范圍，促進問題解決效率的提升。在解釋推理所用知識、過程以及結論時，主要借助于專家系統的解釋模塊。將ES應用于電力系統的故障診斷當中，由于在推理結構和表達方式上存在差異，因此也呈現出不同的特點[2]。基于知識模型表示法、基于謂詞邏輯表示法、基于面向對象表示法、基于框架式表示法和基于產生式規則表示法等，是ES在電力系統故障診斷中常用的知識表達方式。

在知識描述過程中，謂詞邏輯法的應用較為普遍，知識庫的構造主要通過保護和斷路器信息實現。該知識庫能夠實現對保護和斷路器動作關系、電力系統結構以及斷路器狀態的描述，同時對保護原理、故障位置規則與啟發性知識等加以描述，多重故障、保護和斷路器誤動、拒動診斷功能得以實現。但是在實際應用中也存在診斷效率與靈活性不高的問題[3]。診斷規則知識庫既能夠合理評價保護和斷路器，也能夠有效診斷變壓器、輸電線和母線等，這是產生式規則的主要特征。在對故障進行分析時，通過對比規則庫和故障信息就可以快速實現，在因果關系分析中的應用較多，但是在系統結構描述中卻呈現出一定的局限性。

2.2故障診斷中ANN的應用

與ES相比較而言，ANN省去了專業知識與專家啟發性知識轉化、知識庫構造等環節，因此能夠大大提升故障診斷的效率。對專家的提供的故障實例進行采集，完成故障診斷ANN模型訓練樣本集的構造，并開展針對性訓練。ANN在監督訓練當中，能夠完成相應知識的自我組織與自我學習，其知識表達方式屬于隱形表達，聯想能力與泛化能力更強。ANN權值當中蘊含著問題的求解，其隱式推理大大提升了計算的速度。規模大小并不會對其推理速度產生影響，而且其魯棒性、自我學習能力和自我組織能力等較強，在故障診斷、故障定位和故障類型識別當中呈現出巨大的優勢。

在構建FNN模型時以BP算法為基礎，對其動量因子取值進行優化，能夠解決訓練速度慢的弊端。同時，也可以運用局部逼近的徑向基函數，對RBF-NN、BP-FNN以及自適應RBF-NN模型進行構造，其輸入和輸出分別為保護和斷路器狀態、故障位置。其具有較快的學習收斂速度與泛化能力[4]。NN組合模型的構建，能夠使基于ANN的FD-PS容錯性得到改善。在故障診斷中也可以采用Boltzmann機和BP-NN模型，在Boltzmann機中存儲報警模式，能夠保障糾錯處理的實時性，結合BP-NN模型完成故障的診斷，使診斷容錯性得到大大提升。

2.3故障診斷中FST的應用

FST的核心是模糊集合理論，對于不確定事件的描述引入了迷糊隸屬的概念，加上近似推理與語言變量模糊邏輯的應用，能夠實現對專家經驗的有效表述。將FST應用于電力系統的故障診斷當中，能夠促進系統容錯性的增強，在實踐應用中通常與ANN、ES和GA等結合使用。在電力系統故障診斷中雖然具有明確的信息，但是動作保護器與斷路器狀態的關聯關系不夠明確，在對其進行描述時就可以應用模糊隸屬度。診斷結果模糊輸出中通常會結合ANN和ES使用，以動作保護、斷路器狀態賦予報警信息的可信度為基礎，模糊化處理診斷模型的輸入信息，其輸出的解釋則由反模糊系統完成，其結論更具語言化特征。當存在不明確的關聯關系時，對其進行描述時運用模糊數學。以可能的故障為基礎，對故障點對報警信息的可能通路進行尋找，明確故障點與保護裝置、保護裝置與斷路器關聯關系的總模糊度，進而實現對故障診斷位置可能性的描述。隸屬函數在對不確定性問題進行描述時，隸屬函數類型成了該工作實施的關鍵問題，同時需要也應該考慮到故障診斷中的不確定性因素、實時信息的可信度因素等等。

2.4故障診斷中GA的應用

以Mendel遺傳學說和Darwin自然選擇學說為基礎，GA逐漸發展起來，在解決復雜性問題時對生物遺傳和進化進程加以模仿。優化問題的可行解以人工染色體表示，初始解群的構建采用隨機方式，以自然選擇為基礎，提升局部或者全局最優解的概率[5]。GA的優點在于省去了繁雜的數學過程，無需選擇處理訓練樣本。在電力系統故障診斷中應用GA時，以0-1整數規劃問題替代故障診斷問題，明確斷路器動作的時序信息，通過故障診斷適應度函數模型的構建，解決了復雜故障問題的診斷難題。故障信息也可以應用無源信息加以識別，故障診斷系統的構建需要依賴于模擬退火法、Boltzmann機法和簡單GA與高級GA等，全局最優解的獲取更加高效而準確。在電力系統故障診斷中應用GA，即使診斷信息缺乏完整性，也能夠得到局部最優或者全局最優的診斷結果。但是，在實踐應用中會受到信息畸變和故障模式復雜性的影響，導致結果可靠性降低。在后續研究工作當中，應該以被診斷對象特征為依據，對故障診斷適應度函數的容錯性加以改進，明確迭代操作結束的準則，同時確保最終結果為近似最優解或者最優解。

2.5故障診斷中Petri的應用

以構造有向圖的組合模型為基礎，Petri網絡能夠運用矩形運算描述嚴格定義的數學對象。無論是在靜態結構分析還是在動態行為分析當中，Petri網分析法都呈現出較大的優勢。在對系統組織結構與動態行為進行研究時，能夠定性、定量分析系統同時循環發生、同時發生和次序發生的活動過程。在離散事件動態系統建模與分析中，Petri網絡得到廣泛應用。電力系統故障就具有動態性和離散性的特點，故障反映在保護動作和系統電壓當中，事件活動有故障切除的過程構成。繼電保護、斷路器和自動裝置等實體活動和控制指令發送、信號傳遞、監測信號流等信息流活動等，是其中的動態事件。因此能夠有效描述電力系統的故障動態過程，診斷模型的構建則可以通過Petri網實現。故障切除過程的Petri網絡模型構建使，以電力設備為基本單位，并對該網絡模型求解。不僅能夠獲得清晰的系統物理概念，而且在診斷中提升了數學求解的速度，能夠保障診斷的實時性。Petri網絡模型會受到斷路器不正確動作的影響，應該設置相應的模塊對其進行識別。在Petri網絡模型的未來發展中，也需要對保護多重性配置、時間差異等進行深入研究。嵌入冗余Petri網的方法也得到應用，錯誤伴隨式矩陣在Petri網中的加入，能夠對事件序列和信息流不正常時的故障診斷進行控制，以差錯控指編碼技術為基礎獲取并分析故障診斷信息。

2.6故障診斷中DM的應用

數據挖掘技術是數據庫知識發現的關鍵技術，實現了數據庫技術與人工智能技術的有機融合[6]。尤其是在當前大數據時代，信息數據呈現出海量化的特征，應用數據挖掘技術能夠實現對有效信息的快速提取，同時明確數據之間的內在規律。在增強數據庫存儲功能的同時，明確過去數據的內在聯系，對其背后隱藏的重要信息進行挖掘。該類信心能夠對數據整體特征加以描述，同時預估其發展趨勢，為決策制定奠定基礎。因此，應用DM能夠大大降低主觀因素對分析判斷的影響，在社會各領域當中得到廣泛應用。在傳統模式下，電力系統故障的診斷需要借助于專家向調度中心傳遞動作信息，調度員再對其進行全面化分析以對故障原因與位置進行判斷，不僅效率低下，而且難以保障問題解決的實效性。數據挖掘技術的應用，則大大減輕了工作人員的負擔，有效適應當前大數據時代下故障診斷的工作要求。

3結語

在電力系統故障診斷中應用人工智能技術，能夠消除人為因素對故障診斷精確性造成的影響，大大提升了系統的運行可靠性，是促進電力行業可持續發展的關鍵。在實踐應用當中，應該明確ES、ANN、FST、GA、Petri和DM等各項技術的基本特點及其在故障診斷中的具體應用方式，并在未來發展中對其進行逐步優化與改進。

參考文獻

[1] 閆國珍.對目前人工智能在電力系統故障診斷中的應用探討[J].中國新通信，2019，21（08）：98.

[2] 張瑞強.人工智能技術在電力系統故障診斷中的運用分析[J].現代信息科技，2019，3（03）：29-31.

[3] 鄭健生.人工智能技術在電力系統故障診斷中的運用分析[J].科技與創新，2019（02）：136+139.

[4] 林允.人工智能技術在電力系統故障診斷中應用[J].中國戰略新興產業，2017（36）：140-141.

[5] 趙啟純.人工智能技術在電力系統故障診斷中的運用分析[J].電腦知識與技術，2017，13（02）：183-185.

[6] 郭步陽.試論人工智能技術在電力系統故障診斷中的應用[J].科技創新與應用，2015（34）：206.