人工智能在電力系統(tǒng)故障診斷中的應(yīng)用探索

摘要：近年來，隨著社會(huì)和經(jīng)濟(jì)快速發(fā)展，移動(dòng)儲(chǔ)能設(shè)施、分布式光伏、虛擬電廠等技術(shù)蓬勃發(fā)展，在能源電力系統(tǒng)中應(yīng)用十分普遍。當(dāng)前，電力系統(tǒng)規(guī)模愈發(fā)龐雜，同時(shí)電動(dòng)汽車、屋頂光伏、電采暖等新設(shè)備的大規(guī)模接入也為電力企業(yè)做好供電保障工作帶來巨大的壓力和難度。為適應(yīng)各類新技術(shù)、新設(shè)備以及多元負(fù)荷的大規(guī)模接入，滿足人們生產(chǎn)和生活的需要，構(gòu)建智能電網(wǎng)，確保電網(wǎng)安全穩(wěn)定運(yùn)行， 研究探索人工智能在電力系統(tǒng)故障診斷中的應(yīng)用將具有十分重要的意義。本文主要探討人工智能技術(shù)在電力系統(tǒng)故障診斷領(lǐng)域的應(yīng)用發(fā)展情況，分析比較幾種不同智能診斷技術(shù)方案的特點(diǎn)和優(yōu)勢(shì)，并對(duì)電力系統(tǒng)故障智能診斷與處理技術(shù)的發(fā)展做出了展望。

關(guān)鍵詞：人工智能；電力系統(tǒng)；故障診斷

一、人工智能技術(shù)電力系統(tǒng)故障診斷中的應(yīng)用現(xiàn)狀

現(xiàn)階段，將人工智能和電力系統(tǒng)融合，把人工智能運(yùn)用于電力系統(tǒng)故障診斷，其主要的方法有兩種：專家系統(tǒng)方法和神經(jīng)網(wǎng)絡(luò)方法。專家系統(tǒng)法的優(yōu)點(diǎn)是能夠處理不確定信息、知識(shí)和推理問題，具有一定的理論基礎(chǔ)和知識(shí)水平，但其應(yīng)用范圍小、不穩(wěn)定，只適用于簡(jiǎn)單系統(tǒng)。而神經(jīng)網(wǎng)絡(luò)方法有強(qiáng)大的學(xué)習(xí)功能，可對(duì)不確定信息進(jìn)行識(shí)別、分類、預(yù)測(cè)和處理。

電力系統(tǒng)故障診斷專家系統(tǒng)就是用人工智能方法對(duì)電力系統(tǒng)的運(yùn)行狀況進(jìn)行分析，建立數(shù)學(xué)模型并計(jì)算出故障發(fā)生的可能性大小及相應(yīng)的故障等級(jí)，并根據(jù)已有的知識(shí)和經(jīng)驗(yàn)作出故障判斷，從而達(dá)到解決或處理實(shí)際問題的目的。電力系統(tǒng)故障診斷專家系統(tǒng)的結(jié)構(gòu)主要由以下五個(gè)部分組成：

（1）故障信息的采集，主要由能夠獲得各種參數(shù)的測(cè)量?jī)x器（如繼電保護(hù)、自動(dòng)化裝置、高壓直流輸電、微機(jī)保護(hù)和監(jiān)控裝置等）完成。

（2）建立數(shù)學(xué)模型，包括：故障區(qū)域定位、故障元件識(shí)別、故障類型和程度識(shí)別、設(shè)備參數(shù)變化趨勢(shì)分析等模型。

（3）根據(jù)已經(jīng)獲取的數(shù)據(jù)或信息進(jìn)行分析與推理，根據(jù)推理結(jié)果及專家的知識(shí)作出故障診斷。

（4）對(duì)診斷結(jié)果進(jìn)行解釋，并記錄診斷過程。

（5）知識(shí)庫管理。

目前，專家系統(tǒng)在電力系統(tǒng)故障診斷中的應(yīng)用已相當(dāng)成熟，其特點(diǎn)主要表現(xiàn)在以下八個(gè)方面：

（1）故障診斷的智能化，在診斷過程中采用人工智能技術(shù)，具有很強(qiáng)的分析能力。

（2）對(duì)診斷結(jié)果的解釋和推理過程具有較強(qiáng)的保密性。

（3）能處理復(fù)雜的故障情況，其診斷結(jié)果可能是不準(zhǔn)確或錯(cuò)誤。

（4）具有故障自動(dòng)識(shí)別功能，可以自動(dòng)判斷故障發(fā)生區(qū)域，并能準(zhǔn)確定位故障元件。

（5）可提高系統(tǒng)運(yùn)行維護(hù)水平和工作效率。

（6）能實(shí)時(shí)監(jiān)控電力系統(tǒng)的運(yùn)行狀況，并可根據(jù)出現(xiàn)的異常情況及時(shí)做出相應(yīng)處理措施，減少故障給電力系統(tǒng)帶來的損失。

（7）具有良好的人機(jī)界面，友好，便于對(duì)用戶進(jìn)行培訓(xùn)和使用。

（8）具有知識(shí)數(shù)據(jù)庫管理功能，可存儲(chǔ)各種專家經(jīng)驗(yàn)知識(shí)等數(shù)據(jù)信息。

二、基于模糊神經(jīng)網(wǎng)絡(luò)的故障診斷

模糊神經(jīng)網(wǎng)絡(luò)是一種全新的智能故障診斷方法，其將模糊數(shù)學(xué)、神經(jīng)網(wǎng)絡(luò)技術(shù)、遺傳算法和計(jì)算機(jī)科學(xué)結(jié)合在一起，在沒有足夠?qū)＜抑R(shí)的情況下，僅憑借專家知識(shí)對(duì)系統(tǒng)進(jìn)行建模，利用計(jì)算機(jī)強(qiáng)大的計(jì)算能力來實(shí)現(xiàn)智能診斷。它具有模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，尤其是模糊神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)能力。

以專家系統(tǒng)為基礎(chǔ)的模糊神經(jīng)網(wǎng)絡(luò)在診斷過程中，并不需要得到被控設(shè)備的精確機(jī)理模型，只需要利用被控設(shè)備所提供的大量參數(shù)和運(yùn)行記錄信息就可以對(duì)被控設(shè)備進(jìn)行模糊化處理，從而建立模糊規(guī)則。在此過程中，并不需要事先知道被控對(duì)象的機(jī)理模型，只需對(duì)大量的樣本數(shù)據(jù)進(jìn)行分析處理。目前，基于專家系統(tǒng)和模糊神經(jīng)網(wǎng)絡(luò)的診斷方法已經(jīng)成為故障診斷的主流，大多數(shù)方法都是結(jié)合兩種方法的優(yōu)點(diǎn)對(duì)其進(jìn)行改進(jìn)。

模糊神經(jīng)網(wǎng)絡(luò)技術(shù)通過利用多個(gè)隸屬度函數(shù)對(duì)輸入變量進(jìn)行分類，通過訓(xùn)練建立網(wǎng)絡(luò)的連接權(quán)值矩陣，并利用神經(jīng)網(wǎng)絡(luò)所具有的并行處理功能和記憶能力進(jìn)行多變量數(shù)據(jù)預(yù)測(cè)。

三、基于證據(jù)理論的電力系統(tǒng)故障綜合診斷

基于證據(jù)理論的電力系統(tǒng)故障綜合診斷方法，是基于證據(jù)理論的人工智能技術(shù)和電力系統(tǒng)故障診斷技術(shù)相結(jié)合而產(chǎn)生的一種新型智能診斷方法。該方法利用證據(jù)理論對(duì)不同數(shù)據(jù)進(jìn)行分析處理，提出了相應(yīng)的改進(jìn)算法，從而可有效解決目前傳統(tǒng)方法存在的問題。 證據(jù)理論是一種處理不確定信息和不精確信息的新技術(shù)，它利用不同特征量之間相互依賴關(guān)系或沖突性來表示一個(gè)知識(shí)和它的某些屬性之間是否存在某種對(duì)應(yīng)關(guān)系。這種知識(shí)可以通過觀察、推理或試驗(yàn)獲得，因此，能克服傳統(tǒng)基于統(tǒng)計(jì)方法、模糊理論等方法只能對(duì)單值問題進(jìn)行處理以及因果關(guān)系難以確定等缺點(diǎn)。

（一）基本概率分配函數(shù)的構(gòu)造

在基于證據(jù)理論的電力系統(tǒng)故障綜合診斷中，基本概率分配函數(shù)的構(gòu)造是整個(gè)診斷過程中關(guān)鍵的一步。證據(jù)理論將產(chǎn)生式規(guī)則作為基本概率分配函數(shù)（public-distribution function， PDF）的基本公式，該公式包含不確定性信息的處理，其本質(zhì)是一種概率計(jì)算公式， PDF包括四個(gè)基本要素、信源、證據(jù)、表示不確定性的概率值和各個(gè)證據(jù)之間相互支持度的計(jì)算公式。

證據(jù)間的相互支持度是一種包含兩個(gè)信息的函數(shù)，它表達(dá)了各信源所提供的證據(jù)在組合中所占比例，其中每個(gè)證據(jù)所占比例都可以用信源數(shù)據(jù)或信源位置來表示。

信源數(shù)據(jù)和信源位置所占比例可以通過計(jì)算得到，而所提供的每一種信息在組合中所占比例則可以通過概率計(jì)算公式得到。

1.合成規(guī)則的生成

合成規(guī)則的生成方法有多種，其中基于證據(jù)理論的合成規(guī)則生成方法是基于基本概率分配函數(shù)的，其中得到?jīng)Q策函數(shù)的主要步驟如下：

（1）選取基礎(chǔ)信息中最具代表性的特征屬性值作為決策函數(shù)元素。

（2）對(duì)數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化后的數(shù)據(jù)，作為該決策函數(shù)元素。

（3）以各基本概率分配函數(shù)與標(biāo)準(zhǔn)化后數(shù)據(jù)相乘為基礎(chǔ)信息元素，對(duì)原始決策函數(shù)進(jìn)行修正并作為最終決策。

（4）按照以上步驟繼續(xù)合成其他基本概率分配函數(shù)。

由此得出三個(gè)決策函數(shù)：

D_b={b₁，b₂， b_m}; D_a={a₁，a₂， a_m}; D_b={a₁， a_m}

2.證據(jù)權(quán)重的確定

當(dāng)基于證據(jù)理論的電力系統(tǒng)故障綜合診斷方法應(yīng)用于電力系統(tǒng)運(yùn)行數(shù)據(jù)時(shí)，必須解決如何確定證據(jù)權(quán)重的問題。證據(jù)權(quán)重決定了被專家解釋的可信度，對(duì)專家解釋可信度的大小有很大影響。目前常用的方法有主觀賦權(quán)法、客觀賦權(quán)法和模糊數(shù)學(xué)方法，這幾種方法在一定程度上能減少不確定性并增強(qiáng)可信度，但對(duì)解決實(shí)際問題則往往存在一定缺陷。

主觀賦權(quán)法是利用被專家打分函數(shù)確定專家在所給特征間對(duì)該特征的重要性程度。客觀賦權(quán)法是指通過一些定量的手段來描述多個(gè)證據(jù)之間關(guān)系和權(quán)重分配，即用定量的數(shù)據(jù)來描述指標(biāo)之間的關(guān)系或權(quán)重分配問題，其優(yōu)點(diǎn)是可操作性較強(qiáng)，但缺點(diǎn)是缺乏說服力。

（二）基本可信度分配函數(shù)的計(jì)算及證據(jù)合成規(guī)則

基本可信度分配函數(shù)計(jì)算是基于證據(jù)理論的電力系統(tǒng)故障綜合診斷的核心，主要是針對(duì)不同故障類型，采用不同的計(jì)算方法獲得。本文采用基于概率論的積分函數(shù)法和基于統(tǒng)計(jì)理論的最小二乘法來進(jìn)行基本可信度分配函數(shù)的計(jì)算。積分函數(shù)法是一種利用證據(jù)之間差異程度來評(píng)價(jià)證據(jù)可信度的方法，它是一種通用的合成證據(jù)理論方法。該方法可以給出每一種故障類型對(duì)應(yīng)于相應(yīng)概率分配函數(shù)中不同證據(jù)的分布概率，在應(yīng)用時(shí)只需根據(jù)不同故障類型分別求出其對(duì)應(yīng)的概率分布，再將所有故障類型對(duì)應(yīng)于相應(yīng)概率分布中的基本概率分配函數(shù)進(jìn)行合成，最后根據(jù)合成結(jié)果判斷該故障類型所對(duì)應(yīng)的故障原因。

四、專家系統(tǒng)技術(shù)

專家系統(tǒng)技術(shù)是將某一領(lǐng)域的專家或具有豐富經(jīng)驗(yàn)的工程技術(shù)人員通過科學(xué)程序設(shè)計(jì)，用計(jì)算機(jī)來模擬這些專家進(jìn)行決策。這種軟件系統(tǒng)能以一定的形式表達(dá)知識(shí)，可利用人類專家解決問題的思維過程和經(jīng)驗(yàn)知識(shí)，在不需要大量試驗(yàn)或?qū)嵺`過程中就能進(jìn)行推理和決策。用人工智能技術(shù)開發(fā)專家系統(tǒng)有三種形式：用于解決復(fù)雜工程問題的系統(tǒng)，用于解決特定領(lǐng)域問題的專家系統(tǒng)，用于描述具體應(yīng)用領(lǐng)域（如天氣預(yù)報(bào)）的專用軟件系統(tǒng)。

（一）產(chǎn)生式

專家系統(tǒng)的產(chǎn)生式知識(shí)表示方法包括兩種。

1.自然語言表示法

自然語言表示法是基于專家經(jīng)驗(yàn)和知識(shí)的形式。在這種表示方法中，一個(gè)概念（或知識(shí)）用一個(gè)符號(hào)代替。例如：“治療”用一個(gè)“患”字代替，“大鼠”來代替，這樣就可以用一串符號(hào)代表一個(gè)概念，自然語言產(chǎn)生式就可以用一串符號(hào)來實(shí)現(xiàn)。例如：“治療大鼠”是說某一個(gè)概念或知識(shí)能解決有關(guān)大鼠的問題。另外一種表示方法是以規(guī)則庫來實(shí)現(xiàn)的，這種表示方法又分為兩種：基于規(guī)則的和基于產(chǎn)生式規(guī)則的。

2.模糊集與模糊矩陣表示法

模糊集與模糊矩陣表示法是指把問題中所有相關(guān)因素都視為由其概率函數(shù)決定的對(duì)象。這種表示方法用模糊集合來定義不確定性的水平，將其與矩陣相結(jié)合來建立專家系統(tǒng)產(chǎn)生式。

基于產(chǎn)生式規(guī)則的產(chǎn)生式知識(shí)表示方法是基于知識(shí)的產(chǎn)生式（knowledge based execution），它已有窮狀態(tài)自動(dòng)機(jī)原理為基礎(chǔ)，充分利用了專家經(jīng)驗(yàn)和知識(shí)，這種方法比較容易掌握且學(xué)習(xí)速度快，因此它是專家系統(tǒng)最常用的知識(shí)表示方法。

基于模糊集與模糊矩陣的產(chǎn)生式表示方法是基于規(guī)則的產(chǎn)生式（knowledge based execution）。這種表示法包含兩種方法：模糊集合描述法和模糊矩陣描述法。

（1）過程式。過程式專家系統(tǒng)是用人類解決問題的思維過程來描述專家知識(shí)的，可以把它看作是一個(gè)以知識(shí)庫為基礎(chǔ)的、具有自頂向下逐級(jí)展開的推理系統(tǒng)。

過程是專家系統(tǒng)，包括三個(gè)步驟：

①建立知識(shí)庫（包括領(lǐng)域知識(shí)、經(jīng)驗(yàn)知識(shí)和事實(shí)知識(shí)）。

②根據(jù)需要確定問題并建立相應(yīng)的事實(shí)（背景），并且這一步還可以是一個(gè)或幾個(gè)求解步驟，一般都有若干個(gè)解法。因此，這種專家系統(tǒng)是一個(gè)以領(lǐng)域?yàn)橹行模謱哟蔚闹R(shí)庫系統(tǒng)。

③在得到問題求解步驟后，將知識(shí)庫中的推理規(guī)則與問題求解步驟相結(jié)合來推理出問題最優(yōu)解，即過程式專家系統(tǒng)的結(jié)論。

（2）樹結(jié)構(gòu)。專家系統(tǒng)是一種自頂向下的結(jié)構(gòu)，即知識(shí)表示和推理決策過程都從上到下進(jìn)行。為專家系統(tǒng)各層之間的關(guān)系建立一個(gè)數(shù)據(jù)流，一般稱為事實(shí)數(shù)據(jù)。專家系統(tǒng)的每一層都有一個(gè)用戶界面，用戶可通過該界面對(duì)事實(shí)數(shù)據(jù)進(jìn)行查詢、修改、更新，也可對(duì)整個(gè)專家系統(tǒng)進(jìn)行控制，以實(shí)現(xiàn)對(duì)事實(shí)數(shù)據(jù)的修改、控制以及對(duì)整個(gè)專家系統(tǒng)的控制。

當(dāng)用戶要求修改某一知識(shí)時(shí)，必須將該知識(shí)插入到相應(yīng)層次中；在插入知識(shí)時(shí)，必須按一定順序逐步進(jìn)行，否則會(huì)造成低級(jí)錯(cuò)誤或復(fù)雜錯(cuò)誤。

（二）框架

框架是用來表示知識(shí)的基本元素，包括事實(shí)、規(guī)則、實(shí)例和語言，它既是對(duì)數(shù)據(jù)、規(guī)則等的抽象，也是對(duì)概念和推理的抽象。框架為系統(tǒng)提供了一個(gè)表示知識(shí)的結(jié)構(gòu)，這種結(jié)構(gòu)可以被表達(dá)成一系列可以組合的運(yùn)算。這種運(yùn)算把數(shù)據(jù)轉(zhuǎn)換成概念間關(guān)系，使它能用來表達(dá)各種不同的事實(shí)及推理方法。

框架一般包括以下幾種基本元素：事實(shí)、規(guī)則和實(shí)例，它們是框架的核心。事實(shí)和規(guī)則可以通過編程來定義其類型；實(shí)例必須為對(duì)象實(shí)體或用戶自定義實(shí)體（如工廠設(shè)備），也可以是抽象對(duì)象；規(guī)則是一種函數(shù)，它可以用于執(zhí)行任何特定操作，比如工廠設(shè)備操作中對(duì)變量的取值。

五、結(jié)論

將人工智能應(yīng)用到電力系統(tǒng)故障診斷中，可以對(duì)設(shè)備進(jìn)行更加全面準(zhǔn)確的分析，這將會(huì)對(duì)電力系統(tǒng)的故障處理起到更加好的促進(jìn)作用。但是人工智能技術(shù)在實(shí)際應(yīng)用中還存在著很多問題，由于數(shù)據(jù)量小等因素?zé)o法準(zhǔn)確判斷故障，造成故障診斷結(jié)果不理想，仍需要對(duì)實(shí)際情況進(jìn)行深入研究和探索。

參考文獻(xiàn)：

[1]閆國(guó)珍.對(duì)目前人工智能在電力系統(tǒng)故障診斷中的應(yīng)用探討[J].中國(guó)新通信，2019，21（08）：98.

[2]張瑞強(qiáng).人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].現(xiàn)代信息科技，2019，3（03）：29-31.

[3]鄭健生.人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].科技與創(chuàng)新，2019，（02）：136，139.

[4]梁純，仇文寧.人工智能技術(shù)在船舶電力系統(tǒng)故障診斷中的應(yīng)用[J].艦船科學(xué)技術(shù)，2018，40（16）：52-54.