人工智能技术在电力系统故障诊断中应用

人工智能技术在电力系统故障诊断中应用

廖志伟1，2，孙雅明1，叶青华2

(1．天津大学电气与自动化工程学院，天津300072；
2．华南理工大学电力学院，广州510640)

    摘  要：对人工神经网络、专家系统、遗传算法、模糊理论等人工智能技术的基本概念进行了简单的介绍，并从实用化的观点对它们在电力系统故障诊断中的应用特点、存在问题进行分析，最后指出人工智能技术用于电力系统故障诊断的最新发展动向。
    关键词：电力系统；故障诊断；人工智能

1 引言
　　电力系统实时故障诊断问题的研究，一般都是根据在故障过程中，对某些装置和设备所出现的一系列数字和状态信息量进行分析和推理。在此基础上查出导致系统某种功能失调的原因和性质，判断故障发生的元件以及预测故障恶化的发展趋势，得出诊断结论。在电力系统的故障诊断(faultdiagnosis of power system——FD－PS)方面已开展了不少研究，传统型的FD－PS研究是在建立被诊断系统网络拓扑结构模型的基础上，根据发生故障时，系统结构和参数变化，导致系统潮流的变化，进而根据潮流计算的变化判断出故障。但潮流计算和分析处理的耗时量大，会影响诊断速度和快速故障恢复处理。另外正常运行时某些线路潮流值小，接近于0(如线路轻载运行)，故用潮流来判断故障，也不能保证诊断的准确性。所以电力系统故障诊断用传统的数学方法，因系统规模、复杂程度和不确定因素等的限制，系统故障诊断难以达到理想的效果。
　　由于电力系统的整个故障过程难以用数学模型来进行描述，而AI善于模拟人类分析和处理问题的智能行为，适宜对难以用数学模型分析和求解问题的研究，所以AI技术的发展为FD－PS的研究开辟了新途径和新方法。近十几年来，国内外将AI技术用于电力系统的研究已有不少，并取得了有成效的研究成果，且已有部分成果在实际中得到了应用［1～3］，但转成商用化的数量与研究数量相比实在是太少了，因此在新的世纪中，应致力于将AI的研究推广应用到实际中，作为进一步研究的目标。
　　本文对国内外已研究的智能型FD－PS作全面分析和归纳，主要对ES、ANN、FST、GA及Petri网络等技术在FD－PS中应用研究进行全面的概述，并在此基础上用实用化的观点来分析它们在FD－PS中应用的特点以及存在的主要问题，对智能技术在FD－PS中的发展趋势进行了探讨。

2 基于ES原理的电力系统故障诊断［4～20］
　　ES［4～6］是发展最早，也是比较成熟的AI分支之一，它与知识工程研究紧密联系在一起。在ES构造中，它必须涉及所研究问题领域的知识表达方式，知识处理与知识运用方面的理论和方法。ES不仅是融合了书本相关的理论知识来处理各种定性的问题，而且还可总结和利用专家的经验知识(或称启发式知识)来求解问题。它不仅可解决那些依靠解析方法不能解决的问题，也可使所求解问题的知识搜索和推理范围缩小，提高问题求解速度和推理效率；另外ES的解释模块能够对推理所用的知识、推理过程及结论进行解释。在电力系统中，ES在故障诊断和恢复处理方面的研究较多，可根据ES知识表达方式和推理机结构的不同对ES进行划分。
　　在电力系统故障诊断的ES中，常用的知识表达方式有：基于谓词逻辑表示法，基于产生式规则表示法，基于过程式知识表示法，基于框架式表示法，基于知识模型表示法和基于面向对象表示法。实质上后两种是由于计算机和语言技术、智能技术的发展而形成的，它们是在前三种基础上的新形式和新结构。对它们在电力系统故障诊断应用的特性分析如下：
　　谓词逻辑法是一种较早的知识描述方法之一。文献［7］提出利用保护和断路器信息来构造知识库，文中使用Prolog语言用谓词逻辑构造三个知识库：1)描述电力系统结构、保护和断路器动作关系及断路器的状态方面的知识；2)描述保护原理方面的知识；3)描述故障位置的规则和启发性知识。它根据故障设备与保护、断路器的信息关系，采用反向推理，实现多重故障、保护和断路器误动、拒动诊断的功能。但谓词逻辑仅仅依据形式逻辑进行，推理过程太冗长，效率低；不便于加入启发性知识；灵活性差。故其应用范围受限制。
　　在FD－PS中，由于各种保护的动作逻辑，保护与断路器之间的因果关系易于用模块化的规则集表示，故不少ES采用产生式规则来描述知识［8，9］。文献［8］则根据诊断的对象不同，将诊断规则知识库分为两类：一类属于对保护和断路器进行评价的规则库；另一类则是输电线、变压器、母线诊断的知识库。当发生故障时，将事故信息与相应的规则库相匹配，得出故障结果。基于产生式规则的知识表示结构便于增加、删除或修改一些规则。它适宜于表示因果关系的知识，但难于描述电力系统结构性的知识，且这种知识表达方式对层次性、继承性知识的表达能力较差，降低了推理的效率。
　　基于框架理论表示法是将概念性和经验性的知识事例、事件细节，用类似框架的通用数据结构描述的一种结构化知识表达方式。由于电力系统中网络结构复杂，设备之间存在各种拓扑关联和电气关联，宜于用框架结构来描述［5～6，10～11］。文献［10～11］通过线路框架表示厂站和厂站的连接关系，形成框架网络，将电网的整个拓扑结构知识清晰描述。框架可灵活的形成层次关系，继承属性使表达简单，简化复杂的推理知识，其缺点是不善于表达过程性的知识。
　　基于知识模型表示法［12，13］用“与，或”逻辑元代替传统的经验启发式规则来表示各电力系统设备内在功能，各设备与各种输入信息间的物理连接关系，构造被诊断系统内各种设备的知识逻辑模型。这种表达方式描述了对象的整个逻辑推理的过程，就相当于过程式知识描述，不同处是根据信息的具体情况嵌入相应的逻辑运算，使整体概念和行为更清晰。文献［12］是通过用“与，或”逻辑元表示断路器与保护之间多重性关系，并将它们有序连接构成所要诊断的电力系统“前向”逻辑电路模型。当发生事故时，根据所得到事故信息输入电路模型，再由电路模型的输出与实际断路器的状态相比较，最后给出诊断结果或相应的诊断假设进行进一步的推理。基于知识模型表示法是将电力设备表示为等效的逻辑元件，它是局部的整体性，缺乏整个ES的通用性及层次性，并对诊断假设的验证推理增加了复杂性。
　　面向对象的知识表达方法是随着面向对象技术和语言而推出的。将研究问题抽象为类，将类实例化为对象，通过采用继承和封装技术，减少了知识表达的冗余性和易于知识库修改［14～16］。文献［15］通过分析被诊断系统每个组成设备的属性，用不同层次类来描述相应的电网组成设备，并由对象的实体来描述整个电网在故障情况下它们的动态可能行为。在此基础上将推理机的诊断过程用面向对象技术进行处理。这种知识表示方法在本质上与框架式表示法没有质的区别，但由于面向对象技术和语言的发展而赋予新的定义，使其在表达方式上更简洁、清晰。同时将框架理论的优点更充分的发挥，特别是对逻辑推理过程的适应能力增强。
　　在电力系统故障诊断的ES中，常用的推理机制可以划归为正向推理、反向推理、正反向混合推理三种基础推理结构。
　　文献［17］输电线路故障诊断中采用正向推理。根据系统发生故障时，跳闸的断路器和动作的保护信息作为驱动输入，按照知识指导的推理策略调动知识库在相关空间中规则，搜索求得故障诊断的结果(由网络结构信息、断路器状态、断路器与保护装置的连接和保护系统的属性等组成)。当规则的条件部分与诊断输入信息相匹配，就将该规则作为可用规则放入候选队列中，再通过冲突消解，将其作为进一步推理的证据直至得到诊断结果。
　　反向推理首先提出假设，然后寻找支持该假设的证据，若所需证据都能够找到，则表明该假设成立，反之假设不成立［7］。这种推理方法极少单独在FD－PS中使用，而是与前向推理相结合，用于构造正反向混合推理［18～20］。文献［18］中对输电线和配电网报警处理和故障诊断ES的推理机是采用基于正反向混合推理机结构，首先根据跳闸断路器的保护信息进行初步推理，得到故障设备的假设。根据所得假设，再用断路器和保护设备之间的逻辑规则进行反向推理，验证假设的故障设备的正确性，有效的缩小查找故障范围。
　　综上所述，基于ES技术的电力系统故障诊断系统的研究已有近20年的历史。随着计算机和语言技术、智能技术的发展，使知识表达形式和结构也随之有所相应的变化，在知识获取和构造方面有很多的改进，其发展的趋势是力图使知识获取、知识表达工作简化，进而使故障诊断的推理效率得到提高。但ES基于知识实现故障诊断的推理逻辑过程原理是不变的，因此，在实际应用中的某些缺陷仍不能忽视。
　　1)在电力系统故障诊断ES研究中，知识获取的工作一直给予研究者很大的压力。如何更有效、更全面的获取专家知识，是构造一个完备的ES的诊断系统不得不必须面对的难题。
　　2)ES的知识表达：知识表达方式和知识构造质量是ES成功的关键；专业知识和专家启发性知识转化和形成完备的知识库仍是故障诊断ES的瓶颈；知识库的可维护性也是极其重要的，知识库不完整或不一致可能导致ES推理混乱并得出错误的结论。
　　3)ES的高容错性推理：无论何种知识表达方式，当发生故障时，都是依据故障信息所对应知识库进行树图的搜索。而知识库是建立在诊断问题所对应的知识树，它是按预先领域知识构造成的组合固定的树，而并非是任意组合的，其自学习能力是极有限的。但实际中的FD－PS问题所依据的故障信息都属于实时信息，在现实的环境中，信息在形成和传递过程中发生信息畸变的可能性是不可避免的，易出现知识库没有涵盖的新故障情况。会使得基于知识推理ES陷入无穷递归，无法求解或得出错误解。故ES的容错能力较差，这是用于实时ES的最大局限性。
　　因此，将具有自学习和联想功能的ANN，基于FST的不确定性推理与ES技术相结合，是近年来ES发展的主要趋势。

3 基于ANN原理的电力系统故障诊断［21～46］
　　ANN也是AI技术的一个重要分支，基于ANN原理的FD－PS与基于ES原理的FD－PS相比，其最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造作大量工作，而只需以领域专家所提供的大量和充分的故障实例，形成故障诊断ANN模型的训练样本集，运用一定的学习算法对样本集进行训练。通过有导师监督的训练学习使ANN实现知识的自我组织，自我学习能力。经学习后，在神经元及它们之间的有向权重连接中蕴涵了处理问题的知识，即它的知识表达不同于ES的显形表达，是隐式的并具有一定的联想和泛化能力；对已训练的ANN模型，由于问题的求解就蕴涵于ANN的权值中，因此它的推理也是隐式的，执行计算速度很快。由于ANN具有强的自组织、自学习能力，鲁棒性高，免去推理机的构造，且推理速度与规模大小无明显的关系［21～24］，很快引起人们的重视，使得基于ANN的故障诊断的研究也日益广泛。ANN除在电力系统故障诊断中的应用外，在故障定位和故障类型识别等方面也有不少的应用。
　　文献［25］提出基于BP算法FNN模型，对电力系统故障诊断作了初步的研究。为了克服BP算法训练速度慢，陷入局部最小可能的缺点，文献［26］用附加动量因子BP算法对一个小型的电网模型结构进行诊断，并对改进BP算法中动量因子的取值，FNN的隐层节点个数和层数对诊断性能的影响进行了分析。
　　文献［27］使用局部逼近的径向基函数NN(RBF－NN)实现对电力系统的故障诊断，通过对一个小规模的网络结构，对基于BP－FNN、RBF－NN及自适应RBF－NN三种故障模型算法进行仿真对比，它们均以输电网络中设备的保护和断路器的状态作为输入，可能的故障位置作为输出，以0，1逻辑值表示输入、输出元素激活与否。基于径向基函数的NN学习收敛速度比较快，泛化能力比常规的BP－FNN更好，但相应的应用条件也比较严格。
　　FD－PS所依据的是实时故障信息，在信息畸变的情况，尽管FNN具有一定的泛化能力，但仍存在容错性的问题。为提高基于ANN的FD－PS的容错性，文献［28］利用NN组合模型来提高FD－PS的容错性，文中模仿ES推理方式建立了正、反向推理的FDNN和BTNN，评定CNN的组合。它们中各个NN又按故障的类别组合划分成几个相