電力系統故障診斷的研究現狀與發展趨勢分析

王嘉林

（華北電力大學，河北 保定 071000）

電力系統故障的診斷工作主要是通過對系統的元件與系統的故障兩個方向進行診斷，故障的識別是一個相對關鍵的問題。不過，由于電力系統的結構比較復雜，可能會發生由于操作人員的處理能力不強，進而造成錯誤調度的問題。因此，為了能夠更快更合理地進行準確的檢測，就需要提升電力系統診斷管理人員的經驗與工作水平，同時還需要為能源系統的故障診斷提供相應的解決方法與技術支持，比如專家系統和人工神經網絡技術等。

1 電力系統故障診斷國內外的研究發展現狀

1.1 專家系統的診斷技術

電力系統的故障診斷技術方法中，專家系統是一種最早的相對成熟的智能技術，并且已經成功應用到電力系統的故障診斷之中。不過，結合其對故障診斷的關鍵技術與推理策略的了解，分為兩類：

（1）第一種專家系統是啟發式規則推理系統，該專家系統是通過保護和斷路器的動作邏輯，以及工作人員的診斷經驗，結合規則的形式進行表示，從而形成一種專家系統故障診斷知識庫，并通過對數據的正向推理，將其獲取的數據與知識庫中存在的數據進行相應的對比，最后得出相應的理論。當前，對電力系統的故障診斷大多都是該類型的診斷。

（2）第二種專家系統是利用正向與反向推理的系統。該類型的專家系統基于斷路器、繼電保護以及被保護的設備之間存在的邏輯管理，結合正向、反向推理的方式，對其繼電保護的重合度以及故障進行假設，進而有效減少可能發生的故障問題，并確定了其可靠性。因此，故障診斷專家系統的綜合推理使得故障診斷專家系統的適應性得到進一步的提升。

專家系統的主要診斷方法以及最為關鍵的部件是專家系統的知識庫與推理機。進行專家系統構建時，通過有效結合部分保留的歷史數據構成的知識庫，基于相應的算法構建出推理機。輸入新的故障信息時，那么該系統將會結合知識庫中的數據，利用推理機推斷出故障發生原因的可能性（詳細推理過程見圖1）。在故障診斷專家系統結構示意圖中，利用x1、x2....xn來表示故障發生過程中存在的異常特征，并用c1、c2....cn等符號來表示專家系統所診斷出的各種系統故障原因，并使兩者構成了相應的歷史數據。那么，在該歷史知識庫中，每一個相應的案例都包含了一個故障發生時記錄下來的異常特征，并構成了相應的組合。當過程中出現（0，1）時，其代表相應特征的未出現和出現，以及專家系統對其故障診斷出來的故障原因。

圖1 故障診斷專家系統結構示意圖

由上文所述，在專家系統中，c1則代表了歷史數據中發生故障的原因，x1則代表了歷史數據中存在的異常問題特征。

因此，專家系統的知識庫是由歷史數據搭建而成的，不僅包含了知識的本身，同時還包含了專家系統的故障診斷經驗以及決策表，所以通過建立相應的決策表以及利用其他算法來約簡異常特征的維數，可以有效提升其運行的效率。

不過，在相對復雜的故障診斷任務過程當中，依然存在些許缺陷，使數據庫以及完整性的驗證相對困難。因此，專家系統在進行復雜的診斷時，可能會出現組合爆炸或者是推理速度變慢的現象。

1.2 人工神經網絡技術

隨著互聯網時代的到來，云計算技術、物聯網技術、大數據技術以及人工智能技術的快速發展，從一定程度上促進了電網事業的進步。將人工智能技術科學合理地運用到電力系統故障診斷之中，不僅能夠有效解決電力系統故障問題，還有利于提升電力系統的供電安全性與可靠性。所以基于人工智能技術構建出來的人工神經網絡技術與專家系統相比，具有更好的穩定性。現階段應用電力系統故障診斷的神經網絡，主要是基于BP算法網絡，而神經網絡則是基于徑向基函數。所以，其整個的學習過程，結合當前的網絡內部表達形式計算輸入的樣本，比較網絡輸出和預期輸出兩者之間的誤差。當誤差滿足相應的挑戰時，則訓練完成，反之，當誤差的信號進行反向傳輸時，未有效滿足誤差的精度需求，那么其數值與閾值將會被分層調整。所以基于不同區域的基本設計算法，得到相應的故障診斷結果。

在人工智能技術的支持下，建立起來的電力故障信息采集子系統與故障類型子系統，都是利用各項采集系統以及設備進行數據信息收集，并將其傳入到總中心站進行匯總。而采集子系統會將收集到的信息數據傳輸到故障類型診斷子系統當中，進而有效確保最終獲取到的故障數據更加有利于后期電力設備的維護與處理。

由于診斷特殊系統故障所需的費用問題，該診斷方法只適用于供電相對困難的中小企業。而在利用人工神經網絡對電力系統故障進行診斷時，其性能取決于問題樣本的完整性，不過相對較大規模的能源系統，很難獲取到相對完整的樣本。同時，由于缺乏解釋自身行為以及結果的能力，進而使得人工神經網絡診斷技術方法在大型電力系統中的應用受到了限制。所以，如何有效開發一個適用于大型電力系統的故障診斷系統也是當前需要解決的問題。

1.3 優化技術診斷方法

現階段，計算機和人工智能技術的快速發展，國內外的科學家提出了對電力系統進行故障診斷的各項優化算法，將現有的優化算法應用到電網優化當中。不過，將優化算法更新到可利用的狀態中，結合其自適應的虛擬故障值，對電力系統的故障診斷進行顯影的優化，從而使其成為一個無限全局規劃的整體問題。同時再結合遺傳算法，在對電力系統進行故障診斷的過程中，建立一個相應的故障評估模型。結合優化技術、多媒體技術以及數據庫技術構建出一種新的故障診斷系統。通過故障診斷或者是其他相應的優化算法使兩者相互結合，將其診斷轉化為全局的規劃，這樣一來就可以找到最優的解決方式，進而有效提升電力系統故障診斷的速度，從而使得相對復雜的故障問題能夠得到更好的分析。

因此，優化故障診斷的模式具有重要的理論意義，結合組態的原理自動形成所需要的保護和停機條件，通過優化技術構成的診斷模式，建立數學模型提升電力系統的網絡故障診斷速度，才是當前需要研究的方向。

1.4 Petri網診斷方法

Petri網是以網絡理論為基礎的一種診斷方式，通過系統中離散隨機時間之間的邏輯關系，以及帶書矩陣的運算進而演繹系統中，同時發生、次序發生或循環發生的各種類型的動態活動。同時，Petri網不僅可以通過相應的位置階段和變遷階段的靜態對系統做出分析，還有利于各個相互節點之上的動態，對系統的行為進行分析。

電力系統發生故障的原因本質上屬于一個相對離散事件的動態系統，通過對該系統各層級以及各類的保護動作來反映電力系統中的故障問題。并將其排除故障動作視為一系列事件活動的結合體。因此，事件序列與對應的實體相互聯系在一起，是基于Petri網所具備的獨特診斷手段，才可以進一步對電力系統中同時發生、次序發生或者循環發生的故障問題進行定性與定量的分析。所以，Petri網診斷方法在電力系統中具有一定的優越性。但是，也存在的些許不足之處：

（1）當電網結構的復雜程度相對較大、節點較多時，所建立的完整Petri網就需要足夠的經驗知識才能夠進行建設。

（2）針對錯誤問題的識別能力相對較差，對誤報警的信息不能夠做出相對合理的判斷。

（3）基礎Petri網不能夠對時間的特征進行要求，不過由于相對較高的行為特征的描述，在進行相對復雜的系統建模時，就需要采用更高級的Petri網。

2 電力系統故障診斷發展的趨勢分析

首先，現階段我國對電網的建設在不斷加強，計算機技術與網絡技術的發展、數學與智能技術的發展，使電力系統故障診斷方法不斷革新。從現階段對電力系統故障診斷的理論以及相應的方法研究中可以清楚地認識到，故障診斷系統的研究仍然處于理論層次與模型等方面的研究與探索，并沒有向成功且實用的方向發展。其次，由于之前的技術過于陳舊，設施過于粗糙，導致信息資源相對有限，所以電力系統的故障診斷系統，大部分依賴于調度端或者是變電站，之后再通過利用SCADA系統的實時信息或者是站內綜合的自動化系統進行相應的信息收集來實現調度。

隨著當前系統技術與計算機技術以及網絡技術的發展，使電力系統故障錄波專用網絡的建設得到了加強。而電力故障診斷系統的建設，使得大量的信息孤島被紛紛納入到了系統之中。比如，錄波器信息與雷電定位信息、保護裝置信息等設備。通過進行相應的采集、運輸、存儲和處理方式，為電力故障處理提供了強大的信息資源支持。同時，由于該類型的珍貴信息還未在新的電網故障診斷系統中提供相應的基礎支撐。為了進一步使電力系統故障診斷的研究方向得到擴展，在對電力故障診斷理論進行實用化的過程當中，需要充分注重對信息的收集，以及實施對電力系統故障進行診斷的數據倉庫構建和故障綜合信息的預處理及其相應的診斷工作。

3 電力系統故障診斷研究的發展方向

通過對上述電力系統故障診斷技術理論現的狀分析與研究，總結了幾點優勢與不足之處。為了能夠適應當前電網規模的發展，后期對電力系統故障診斷的研究可以從以下幾個方面入手：

3.1 電力系統健康診斷的研究

電力系統的故障診斷是通過結合其故障的特征，以及對已經發生過的故障系統問題進行準確的定位和對故障問題發展程度進行精準的判斷，提出對電力系統的健康診斷研究方向，并對各項設備、網絡技術和系統的實時狀態進行掃描，結合掃描的結果建立起相應的健康檔案。同時，進行動態跟蹤，結合其特征的變化、診斷的健康程度，從而及時發現問題并進行報警，如果到了一定程度，可以對其進行消除。因此，可以清楚地認識到電力系統健康診斷不僅包含了故障的診斷，同時還包含了對故障的預測。所以在內容與時間上都得到了進一步延伸。比如，從內容上，就如同由大病逐漸變成了小病；從時間上來看，則是從故障時逐漸延伸到了平時。所以電力系統的健康診斷，可以做到防患于未然。此外，消除電力系統中前者的故障，從而有效防止突發性事故的發生，減少不必要的損失。但是，該方向的研究相對較少，所以還需要進行深入研究。

3.2 電力系統故障診斷的實用化方向研究

首先，盡管電力系統的故障診斷研究時間相對較長，也在研究過程中取得了相應的成果，但是，對于其實質性的需求還有一定的距離，實用性也相對比較差。因此，需要得到電力企業的進一步支持。其次，還需要結合先進的科研機構的研究實力，對電力系統故障診斷的實用化進行加強研究。通過對當前電力系統的實際發展情況、故障綜合信息的收集與整理得到充分的認識，以及故障診斷數據庫的建立、故障綜合信息的預處理等。同時，對區域的電網故障診斷系統建設，可以利用智能化的診斷方式，實現診斷范圍中的故障分析處理。并為檢修人員在找尋事故原因的過程中提供相應的幫助。

3.3 電網故障發生前的“亞正常”預測

所謂的“亞正常”就是指電網在正常狀態下運行時，其中的某些指標已經逐漸偏離了正常的允許范圍，并且面臨的狀況可能會進一步惡化，因此就將該現象稱為“亞正常”，將“亞正常”的信息向調度員或者運行中心進行反饋，不僅有利于對故障的發生進行提前預測，還能夠及時做出相應的措施來避免該現象的發生。不過，從當前的各項故障診斷方法上來看，沒有能夠在電力系統故障發生前對其“亞正常”的電氣參數以及指標做出相應的反應，所以這也是預防與診斷故障過程中至關重要的部分。

4 結束語

綜上所述，隨著各種診斷技術的層出不窮，使電力系統的正常運行得到了保障。本文通過對電力系統的故障診斷技術進行了簡單的研究，提出了一些改進的措施，指出了其發展趨勢，希望能夠為我國當前電力系統故障診斷工作的研究提供幫助。