电网故障诊断的研究综述与前景展望
2017-11-11王守鹏赵冬梅
王守鹏, 赵冬梅
(华北电力大学电气与电子工程学院, 北京市 102206)
电网故障诊断的研究综述与前景展望
王守鹏, 赵冬梅
(华北电力大学电气与电子工程学院, 北京市 102206)
对电网故障诊断这一研究领域进行了框架性的综述,分析了其数据来源及特性、数据预处理的方式与重要性,评述了各类故障诊断方法的诊断机理、特点与不足,以及近几年针对不足的改进成果与未来的研究方向,并针对工程实际问题概述了在线诊断系统架构模式的设计。最后,探讨了调控大数据背景下电网故障诊断所面临的问题,并深入分析了在此新形势下电网故障诊断的发展方向。
电网故障; 故障诊断; 人工智能; 大数据
0 引言
电网故障诊断是实现智能电网自愈功能的重要应用。电网发生故障时,监测系统采集到的海量故障警报数据从本地自动装置上送至调度中心,电网故障诊断能够从海量的故障数据中迅速分析故障相关数据,发现故障原因,辅助调度运行人员及时进行事故分析与处理,快速恢复供电,保证了电网安全、可靠运行[1]。自20世纪70年代面向系统层面的电网故障诊断开展研究以来[2],对电网故障诊断相关技术的研究成为国内外众多专家学者所关注的焦点,并随着人工智能技术和计算机技术的发展,采用智能化的故障诊断方法成为该领域的研究热点和重点。随着《中国电力大数据发展白皮书(2013)》的发布,以及调控一体化的全面实施,电网调控领域进入了大数据时代[3],调控大数据背景下,故障诊断的数据来源更加多样,数据规模更加庞大,对电网故障诊断问题进行更为深入的研究具有理论和现实意义。
本文首先对电网故障诊断这一研究领域做了框架性的综述,包括故障诊断所涉及的数据来源、数据预处理、诊断算法、诊断系统架构等。深入分析了其数据来源及特性、诊断数据提取的方式与重要性,评述了各类常用故障诊断方法,并概述了在线诊断系统架构模式的设计。其中,对各类诊断算法简要介绍了其诊断机理与特点,并分析了其不足,同时评述了近几年针对这些不足所取得的改进成果,在此基础上,给出了其今后研究的方向。最后,探讨了调控大数据背景下电网故障诊断亟待解决的重要问题,并深入分析了今后的发展方向。
1 数据源及其特性
当电网发生故障后,首先是故障元件的电压、电流等电气量发生突变,而后与故障元件相关的继电保护装置对监测到的故障征兆电气量进行分析判断而使保护动作,继而向对应的断路器发出跳闸信号,驱动断路器跳闸,从电网中将故障元件隔离出来以消除故障[4],故障过程的相关信息见图1。
图1 电网故障时的相关信息Fig.1 Information of power grid fault
由图1可见,电网发生故障可分为电气量变化、保护装置动作、断路器跳闸这三个阶段[5],且这三个阶段包含了大量的反映电力系统故障的数据信息。由于这些数据信息的特性不同,因此需要利用不同的监测系统对其进行采集、储存和访问。电网故障诊断正是利用这些监测系统的数据信息来进行的,这些监测系统能够为电网故障诊断提供全面的数据服务,其中包含电网稳态、暂态、动态的数据和电网历史和实时的断面数据,以及电网的图形、拓扑等信息,涵盖了电网故障诊断对数据的全部需求[6]。
早在20世纪60年代,数据采集与监控(SCADA)系统开始应用于电力系统[7],这为面向系统层面的电网故障诊断的实现提供了数据基础。至20世纪80年代,随着计算机技术的发展,以SCADA系统提供的数据信息为基础,专家系统开始在电网故障诊断中得以应用[2]。SCADA系统提供实时的遥信数据,早期的电网故障诊断以此为主要的数据来源,通过对SCADA系统中的相关遥信数据进行分析判断而得到诊断结果。SCADA系统的广泛应用促使电网故障诊断技术得以迅速发展,但由于其不能对暂态数据进行采集,只能利用保护、断路器等遥信数据进行事件分析,因而诊断结果的可信度对遥信数据的准确性和完备性依赖较大。
随着数字式保护等智能电子装置的普遍应用及故障录波信息网的建立[8],保护故障信息管理系统(RPMS)作为新的数据源被应用于故障诊断。RPMS提供的数据不仅包含了保护动作数据,而且包含了各厂站的录波暂态数据[9],从而丰富了故障诊断的数据来源,通过对录波暂态数据的计算分析可完成故障元件的直接判定。RPMS的引入提高了故障诊断分析的准确性,但由于RPMS的数据需要构建专用的信息采集通道送入调度中心,从而降低了故障诊断对此类暂态数据的使用效率。
广域测量系统(WAMS)利用同步相量测量单元(PMU)采集和传输带有精确时标的电网断面数据,能够在电网故障时准确记录动态数据,实现电网动态过程的监视[10]。自20世纪90年代以来,WAMS采集的数据也逐步应用于电网故障诊断领域[11],不同于SCADA系统与RPMS,WAMS所采集的数据带有精确的时标,且数据传输实时性更优,可为电网故障诊断提供更为精准的实时断面数据[12],但因WAMS属于新技术,造价昂贵且部分关键技术还不太成熟,导致PMU布点密度不高,并且主要集中在220 kV以上系统,阻碍了WAMS的数据在电网故障诊断系统中的实用化进程。近年来,中国各大电网均已开始广泛装设PMU,并制定了相关的技术规范[13],随着PMU实用化的逐步普及,以WAMS的数据为基础的电网故障诊断实用化研究具有广阔的前景。
随着智能电网建设的全面推进,大量自动化装置与系统被应用于电力系统中,使得故障诊断数据来源更加多样化。就目前而言,电网故障诊断所应用的数据信息主要来自于SCADA系统、RPMS和WAMS,其对数据信息的需求如表1所示。此外,地理信息系统(GIS)、D-SCADA、用户故障报修系统、生产管理系统(PMS)等亦可作为补充或辅助的数据信息源应用于电网故障诊断。
表1 故障诊断信息需求Table 1 Data required in power grid fault diagnosis
智能电网的建设为电网故障诊断提供了稳固的数据基础,如能合理充分地利用上述数据信息源进行准确、快速的故障诊断,将会给电网的安全稳定运行创造有利条件。
2 故障数据信息预处理
各类监测系统在电网故障时提供了海量的故障征兆信息,既包含电压电流等电气量信息,又包含保护动作、断路器跳闸等开关量信息,以及装置异常、电压越限、控制回路断线、储能到位等非故障关键信息,这些数据信息时空交错、冗余,如何在这些海量信息中提取出完整的电网故障诊断所需的警报信息是故障诊断能够顺利进行的基础,也是实现故障诊断系统在线应用的前提。文献[4]基于SCADA系统所采集的数据信息,采用动态事件窗生成技术对故障相关的警报信息进行捕捉,并结合保护动作与断路器跳闸的配伍状况,从捕捉的警报信息中抽取出故障诊断相关信息,完整地保留了电网故障诊断所需信息。文献[14]从知识表示的角度出发,采用故障连接树及优化剪枝技术对电网拓扑结构数据进行知识表达;采用面向对象表示法对各类保护数据进行抽象形成保护基类及各种保护子类,以实现保护知识表达,从而将完备的故障诊断知识提供给故障诊断模型使用。文献[15]采用语义分析技术对调度自动化系统中的遥信数据进行解析,对单条遥信进行关键字符匹配以获取故障诊断所需的逻辑变量,进而根据结线分析、保护类型和属性、保护跳闸原则建立电气设备与断路器、保护与保护、保护与断路器之间的关联关系,完成了故障遥信数据到诊断模型的自动对应。文献[16]对故障录波数据进行预处理,利用提升小波变换从电气量信息中提取表征故障的特征量,得到电流突变事件序列,以及保护和断路器动作事件序列。文献[17]将电网故障时、故障后调度端接收的遥信、遥测信息,按其性质和应用对象进行分类,构建了一种基于遥信量、遥测量及其相互关系的信息纠错模型,该模型可对接收的故障信息进行过滤匹配,以判定信息的真伪缺失。关于故障数据信息预处理方面的研究是实现可靠在线故障诊断的前提和基础,此阶段的处理水平直接影响到故障诊断的效果,并且其相关研究成果能够应用于各种故障诊断模型。
3 常用的故障诊断方法
目前,电网故障诊断就是在各级调度中心通过对开关量和电气量这两类故障征兆信息进行分析判断,以确定故障元件和故障类型,并对保护和断路器的动作逻辑进行评价[18]。电网故障时,在能及时获取故障征兆信息的前提下,采用不同方法来处理不同系统提供的各类数据,则衍生了不同原理的故障诊断方法。
3.1 专家系统
专家系统是最早应用于电网故障诊断领域的智能技术[19],其将保护、断路器与设备的映射关系和专家经验知识相融合并采用规则表示,当电网故障时,通过将输入的告警信息与基于规则的专家知识库进行逻辑匹配以诊断出故障元件,并对推理过程及诊断结论进行相应的解释[20]。
专家系统在电网故障诊断中的应用总体来说是比较成熟的,其对确定性信息具有较强的推理能力和故障解释能力[21]。但目前在其应用中仍存在一些缺点:面对规模和拓扑结构日趋复杂的电网,规则库的构建难以完备,并且在电网结构变化时,需对规则库进行相应更新,维护难度非常大;由于元件故障与表征故障的警报信息不存在一一映射关系,在信息不确定情况下所造成的故障征兆混叠现象异常严重,在此背景下对故障的准确辨识亦存在很多困难,需要进一步完善;基于单一规则知识的专家系统严重依赖待诊断系统本身的特征,不具备设备独立性,在复杂电网故障诊断推理中难以诊断专家经验之外的故障,而且在推理时需对规则库逐一进行逻辑匹配,诊断推理的计算量较大。近年来,针对电网故障诊断规则库的构建和维护的问题,文献[22]将数据挖掘技术和专家系统相结合,设计了简单故障和复杂连锁故障的挖掘模型,能够挖掘增加的监控信息来完善规则库;文献[23]用知识网格技术对专家系统进行优化,将传统专家规则库用电力系统故障诊断知识地图表示,规则库的更新不需暂停诊断系统,从而显著改善了规则库在线维护的难度。针对信息不确定性问题,文献[24]将人工神经网络处理后的告警信息用于专家规则库的构建,有效改善了不确定因素对诊断结果的影响,提高了专家系统的容错能力。为克服传统专家系统在复杂电网诊断推理中的缺陷,文献[25]利用基于模型诊断来开发故障诊断专家系统,根据测点分布将电网划分为若干个独立的子系统,降低了诊断推理的计算复杂性,通过离线推导获取预备候选诊断及在线推理确认诊断输出,缩短了诊断推理的时间;文献[26]利用有限状态自动机对专家系统故障推理进行建模,结合有限状态自动机与产生式推理的特点,构建了简单推理模型,提高了对复杂故障实时诊断的推理能力。
近年来,众多专家学者通过将其他智能技术与专家系统相结合以改进专家系统在目前应用中的不足,取得了一定成效。然而,在实际应用中,通过人工对专家系统进行维护,维护工作异常繁琐,难以满足大规模电力系统在线故障诊断的需求。因此,未来进一步寻求与其他智能技术相融合,研究构建具有一定噪声耐受能力和自维护、自学习能力的基于专家系统的电网故障诊断系统非常重要。
3.2 人工神经网络
人工神经网络是模拟生物神经系统对信息进行并行处理的信息综合处理系统,其以告警信息作为输入,诊断结果作为输出,在信息不确定情况下亦能得到正确诊断结果[27]。
神经网络可以解决知识的表示难题,具有推理速度快、容错性强,鲁棒性好、学习能力强等优点[28]。但在实际应用中神经网络的诊断结果缺乏解释能力,仅采用神经网络难以满足调度运行的要求;同时在大规模电网中往往包含上百个节点,训练样本要包含上万条保护、上百台断路器的动作信息,获取完备的样本集以构建诊断模型存在较大困难;在电网结构发生变化时需要对样本进行增加或修改以重新学习,使得现场维护性较差,训练的快速性亦无法保证,严重影响用户的使用体验。为解决大规模电网建模难的问题,文献[29]将大电网用网络重叠分区法划分为若干互联的区域,简化了诊断模型构建的难度,并且为解决大电网分区诊断中存在的联络线诊断问题,采用模糊积分关联融合互联区域的诊断结果以完成联络线的诊断输出,实现了分区区域内部和区域间联络线的故障诊断。为能够较好地适应电网拓扑结构的变化,文献[30]以电网单个元件为元胞对象,建立了基于径向基函数(RBF)的模糊元胞神经网络诊断模型,并给出了采用“3-D矩阵”自动生成模型的策略,具有良好的可移植性,并且不受电网规模的影响,可适用于大规模电网的故障诊断。在改善网络结构及算法效率方面,文献[31]将改进极限学习机应用于电网故障诊断,诊断模型的训练无需调整输入权值,使得网络模型具有较好的泛化能力;文献[32]构建了多输出衰减径向基函数(MDRBF)神经网络的诊断模型,该诊断模型相关结构参数无需训练即可以任意精度一致逼近,提高了诊断模型的构建速度。
虽然,近几年神经网络在大规模电网故障诊断适用性方面的研究中,分区诊断和面向元件诊断方面的理论研究均有较大发展,并且将新型神经网络运用于电网故障诊断亦进一步提高了诊断模型的学习效率,但在故障诊断结果的解释性和大规模电网实用化应用方面的研究依旧进展缓慢。未来,可与其他智能方法相融合,构建与神经网络的映射关系,以便寻求能够使蕴含在神经网络中的知识得以用语言表述的规则,从而增强故障诊断的解释性,并且研究设计适用于大规模电网的故障诊断系统亦是重点所在。
3.3 粗糙集
粗糙集是一种研究不完整数据、处理不确定性知识的数学工具[33]。在电网故障诊断中,粗糙集理论利用告警信息的冗余性对数据间的关系进行挖掘,从故障样本集中发现隐含知识,推导出相应的诊断规则[34]。
基于粗糙集理论的诊断方法可在告警信息不完备、不确定情况下进行诊断推理,具有较强的容错能力。但仍面临着关键信息缺失或出错时诊断效果不理想的问题,并且在故障信息冗余度较低时亦会影响知识约简的效果;此外,面对大规模电网,将会出现决策表过于庞大、构建困难的问题,尤其在考虑多重复杂故障时甚至会出现“组合爆炸”。近年来,为加强知识约简效果,文献[35]利用小生镜遗传算法适用于多峰值函数优化的特点对粗糙集决策表进行化简,并在此基础上进行值约简以提取出最优诊断规则,一定程度上避免了知识约简效果受故障信息影响冗余度较低的问题。文献[36]将连续属性的离散化、属性约简和值约简均转化为可辨识矩阵的化简问题,提高了算法的执行效率,将电压、电流等连续信号随保护、断路器的信号一同参与到基于粗糙集的故障诊断中,降低了关键信息缺失的影响,提高了故障辨识的精度。针对大规模电网决策表构建困难问题,文献[37]运用分布式技术进行故障诊断,将大电网分割为互联的局部电网,缩小了各局部电网决策表的规模,从而降低了属性约简的计算难度,同时利用基于粗糙集理论的联合规则挖掘算法抽取全局规则,使规则提取的复杂度大为降低,避免了粗糙集在大规模电网故障诊断应用中所面临的决策表庞大和“组合爆炸”的问题;文献[38]根据配电网的拓扑结构进行区域划分,通过粗糙集理论对各区域故障决策表进行属性优选和规则提取,为建立的对应Petri网模型提供简略、有效的警报信息,一定程度上克服了电网规模过大存在的处理数据量多、运算复杂的问题。
近年来,通过与其他智能技术相结合,一定程度上改善了粗糙集理论在大规模电网故障诊断应用中所面临的问题,并且在关键信息缺失及知识约简效果方面亦取得了一定成效,但对于多重关键信息缺失、出错等不可观事件连续叠加的情况,故障诊断效果依然不够理想。因此,继续探讨如何在充分利用先验信息的前提下,有效地利用粗糙集理论进行知识约简以降低关键信息的影响问题,以及与其他数据挖掘技术相融合以进一步改进粗糙集在当前应用中的不足仍是目前及未来的发展方向。
3.4 贝叶斯网络
贝叶斯网络是一具有概率标识的有向无环图,其将图论和概率理论相结合,利用网络流图来表达知识,使用概率理论来描述不同知识成分之间的影响,通过条件概率推理实现电网故障诊断[39]。
贝叶斯网络的故障诊断模型直观、清晰,可在告警信息不确定和不完备情况下较好地实现诊断决策[40]。随着贝叶斯网络在电网故障诊断中的应用,其优点逐渐显现,然而,实际应用中贝叶斯网络需获得有效的先验概率才可确保诊断结果的准确性,而在电网复杂故障时先验概率的求取具有一定难度;而且由于贝叶斯理论上的严密性,当电网结构复杂时贝叶斯网络建模难度很大,所构建的模型也较复杂,影响诊断效率;此外,现有模型的诊断结果受保护、断路器动作信息不确定性的影响,在存在多重保护、断路器误动或拒动、信息误报或漏报等事件时,会导致非故障元件的误判率提升。近年来,针对贝叶斯网络模型中的概率参数计算问题,文献[41]提出了一种事件采样的先验概率计算方法,能够准确表达元件故障与保护拒动、误动之间的统计关系,适合处理复杂故障。为降低网络模型构建的复杂度,文献[42]对元件故障模式进行分类,构建了计及故障模式的变结构贝叶斯诊断模型,有效简化了贝叶斯网络模型,且将保护与断路器的动作时刻的可信度加入贝叶斯诊断推理,降低了故障元件的误判率;文献[43]在此基础上,将动态因果推理链与贝叶斯网络相结合,建立了相应模式的贝叶斯网络模型,通过时序约束检查纠正漏报、误报的告警,减少了故障信息不确定对故障诊断的影响。为充分利用警报信息的时序属性,处理好保护、断路器动作信息不确定性情况,文献[44]将时序贝叶斯知识库理论引入电网故障诊断,通过时序约束一致性检查能够判断误动、拒动、时标出错等异常,有效减小了非故障元件的故障概率值。
充分利用时序信息以改进传统贝叶斯网络在故障诊断中的不足是近年来基于贝叶斯网络的故障诊断的主要发展趋势。通过引入时序信息,构建蕴含时序属性的贝叶斯诊断模型,在一定程度上提高了诊断的准确度,促进了基于贝叶斯网络的故障诊断的进一步发展,但如何实现贝叶斯网络的自动建模以适用于在线应用,以及研究与其他数据源进行信息融合诊断以构建鲁棒性更强的诊断模型等方面仍有待深入研究。
3.5 Petri网
Petri网是一加权有向网,能以图形的方式解释电网的拓扑结构和并列、次序发生的动态行为,可利用数学方法对故障信息中隐含的元件、保护、断路器之间的逻辑关系进行推理分析[45]。
基于Petri网的电网故障诊断具有诊断模型表达图形化、推理过程简单快速等优点[46],不过诊断模型还有一些问题尚需深入研究,如大电网建模模型过于庞大复杂且运算维数过高;电网拓扑发生变化模型通用性差;故障信息不确定情况下容错性低等问题。为此,近年来众多专家学者将研究重点集中在高级Petri网的应用上,以期改进传统Petri网在应用中的不足。为解决Petri网在大电网建模时所面临的模型复杂和运算维数高的问题,文献[47]构建了有色自控Petri网诊断模型,利用颜色表示元件、保护、断路器及其相互间的逻辑关系,从而简化了模型结构;文献[48]采用谓词Petri 网进行电网故障诊断,将元件诊断分解为各个方向诊断,降低了运算维数。为改善Petri网模型通用性差的问题,文献[49]采用分层建模方法,构建了分层、多子网模糊Petri网诊断模型,提高了网络拓扑结构变化时模型的通用性;文献[50]在此诊断模型基础上,加入了时序信息,通过时序约束交叉检查法识别断路器与保护的时序不一致情况并予以修正,在增强模型通用性的同时进一步降低了非故障元件的误判率。为解决故障信息不确定情况下的故障诊断问题,文献[51]充分考虑了保护启动,保护动作、断路器动作、重合闸动作、SOE动作时序及连续电气量等因素,构建了多因素分级 Petri 网诊断模型,可以给出保护/断路器拒动、误动和信息丢失情况下的准确诊断结果;文献[52]将最大似然译码字引入Petri网诊断推理,应用相关代价和最大似然可信度之间的关系识别最佳错误图样,进而纠正畸变信息,可有效解决畸变或有误告警信息对诊断结果的影响问题。
高级Petri网的应用在一定程度上解决了传统Petri网在当前应用中所面临的问题,能够较好地适用于大规模电网故障诊断,并且通过在模型中计入电气量信息和时序信息,提高了Petri网模型在故障信息不确定情况下的诊断容错性,但多源信息的计入使得Petri网模型更为复杂,增加了建模的难度。未来,可考虑与其他智能技术相结合以降低融入多源信息的Petri网诊断模型的复杂度,以及考虑如何根据故障诊断的特点实现Petri 网自动建模,以期加快Petri网从理论研究到在线实用转变的进程。
3.6 解析模型
基于解析模型的电网故障诊断算法的基本思想是根据电网保护配置和断路器动作规则构建一个能够表述电气设备与保护、断路器动作之间逻辑关系的数学模型,将故障诊断问题表示成整数规划问题,进而应用智能优化算法求解,找出最能解释告警信息的故障假说[53]。
解析模型具有严格的理论依据和数学基础,能够简化逻辑推理的过程,并且易于编程实现,可以在复杂故障且伴有较少不确定性信息情况下,给出全局最优或局部最优的多个可能的故障假说[54]。但是如何利用更多信息建立合理的电网故障诊断解析模型仍然是当前应用的主要“瓶颈”,并且当发生复杂故障,并存在较多不确定信息时亦无法保证求解的准确性。就目前基于解析模型的故障诊断算法而言,从对数学模型的求解来看,各优化算法均有其自身的特点,但从故障诊断的实现来看,并没有显著的区别,而且哪种算法更优亦很难作出评价,限于篇幅,本文不再对各智能优化算法的特点加以阐述,而将论述重点放在数学模型的构建上。
文献[55-56]中根据保护动作原理得到故障过程中保护与断路器的期望状态函数,考虑保护各自状态的影响,建立了表征系统电气设备状态的解析模型;文献[57-59]在此基础上,对解析模型进行了改进,其中,文献[57]将告警信息时序属性引入故障诊断解析模型,结合动态关联路径概念,能够精确地描述保护与被保护元件及保护与断路器动作在时序上的逻辑关系;文献[58]计及保护、断路器拒动与误动的影响,将其拒动与误动状况表示成逻辑变量,并作为待优化的参数;文献[59]引入电气量信息,根据故障发生后的电气量变化特性建立了诊断模型的电气量判据。文献[60-61]综合考虑保护的双重配置、断路器与断路器失灵保护间的状态关系,以及主、后备保护间的配合关系等诊断信息特征,重新定义了保护与断路器的期望状态函数,构建了一种改进的电网故障诊断解析模型;文献[62-63]在此改进模型基础上,考虑了不同类型保护和断路器对故障的不同影响,对各类保护和断路器赋予了不同的贡献因子,并且文献[62]计及了重合闸因素、文献[63]计入了方向元件。文献[64]将元件故障状态与断路器、保护的动作状态及误动与拒动状态均表示成逻辑变量,构建了能够对保护与断路器的动作逻辑进行完全解析的故障诊断模型;文献[65]分析了由于保护装置的电路联系及操作行为相关性所导致的保护拒动行为一致性,构建了计及保护动作行为一致性的完全解析模型,从而使诊断模型更加完备。
通过不断将表征故障的更多信息引入解析模型,使得诊断模型更为完备,最终求得的故障假说亦可对电网故障情况作出更为准确、清晰的解释。然而,计入的信息越多所构建的数学模型的维数就越高,诊断模型也就越复杂,在进行求解时亦会存在许多不足,其突出表现为:模型权重的分配具有较大的主观性;优化求解过程中各级保护、断路器等故障信息在模型中表征的部分的优度进程不可控。因此,未来可考虑充分挖掘与利用与故障过程相关的电气量信息及非关键故障信息,在前期对现有基于保护、断路器信息构建的解析模型进行不确定信息检验与修正,以及考虑构建包含多源信息的多目标解析模型以降低模型的复杂度及求解的维度。
3.7 数值计算分析
故障录波装置及PMU装置能够记录电网故障前后电气量变化的数据信息[5]。采用数值计算分析的故障诊断方法,主要针对基于故障录波装置的RPMS和基于PMU装置的WAMS提供的数据,通过计算分析电压、电流等量测量信息来进行电网故障诊断。
数值计算分析诊断方法在一定程度上解决了利用保护开关信息进行故障诊断存在的保护、断路器误动或拒动、告警信息畸变或缺失对诊断结果的影响问题。但仍存在一些问题亟待解决,例如:不能直接反映保护和断路器的动作行为导致诊断解释性低;故障录波器采样频率不同、数据同步难;故障录波装置和PMU装置在全网布点不全面导致诊断存在盲区等。为提高诊断结果的可解释性,文献[10]将开关变位信息和PMU电压相量信息相结合来识别故障区域,利用PMU故障电流信息判别故障设备,结合保护信息和电压跌落时间对保护、开关动作行为进行评价。针对故障录波采样数据同步难、频率不统一等问题,文献[66]采用全站电流互感器统一标识建模、采样同步处理及频率归一化等技术来对故障录波信息进行有效整合,并将差动原理应用于故障诊断,不仅解决了采样频率不同、数据同步难等关键问题,而且实现了仅利用故障录波信息进行电网故障诊断及保护动作行为评价。为克服PMU布点不足对故障诊断的影响,文献[67]采用改进的线性整数规划法对PMU进行优化配置,以PMU配置点作为潮流指纹特征点,通过故障潮流指纹识别算法获得支路故障潮流指纹匹配度,以PMU配置点的电压相量作为RBF神经网络诊断模型的输入,得到支路RBF神经网络故障可信度,进而应用模糊积分技术对这两个故障指标进行信息融合。
采用电气量信息的数值计算分析方法在电网故障诊断中的应用,使得电网故障诊断问题能够转变为混杂系统问题。对电气量信息进行数值计算分析的结果可以映射成一个或一系列故障事件,通过与保护、开关信息的结合或不同电气相关原理的应用,一定程度上解决了单纯应用电气量信息进行数值计算分析所面临的问题。未来,可深入考虑与保护开关类数据混合应用,进行多信源融合综合诊断以继续改善目前应用中存在的不足。
3.8 多源信息融合
电网故障诊断所采用的数据是多源、异构的。在电网发生故障时,其数据信息反映为电气量、保护和断路器的异常变化,可以为电网故障诊断提供丰富的数据信息。采用多源信息融合技术的电网故障诊断即是针对不同数据源所提供的开关量信息和电气量信息进行的综合故障诊断,其能够克服利用单一数据源进行故障诊断因故障信息的不确定性而导致诊断错误的问题[68]。目前,对于多源信息融合的电网故障诊断算法还处于初级阶段,但其发展较为迅速。文献[69]将信息融合理论引入电网故障诊断辅助决策过程中,使诊断过程中的具体对象与信息融合中的决策、特征、数据内容相对应,在多层信息融合框架下,构建了电网故障诊断辅助决策模型。文献[70]针对SCADA和RPMS数据源,对于遥信信息,以覆盖集理论为基础建立了改进优化模型,对于录波数据采用小波分析提取相应故障度,进而应用改进证据理论对以上两种判据结果进行数据融合。文献[71]综合利用SCADA系统、RPMS和WAMS的数据信息,对保护、断路器信息通过时序贝叶斯网络进行诊断推理,对录波电气量采用小波能量谱分析求取故障特征,对PMU电压录波利用改进RBF神经网络进行分析,进而应用改进D-S证据理论对以上诊断结果进行融合,并由模糊C均值聚类方法给出最终诊断决策。
近年来,众多专家学者已开始从理论层面对基于多源信息融合技术的电网故障诊断方法进行了研究,但目前的研究多是对各自数据源进行独立诊断,再对诊断结果进行融合。相比于基于单一信源的故障诊断来说,在诊断容错性、准确性等方面有显著提升,但诊断结果解释性不强,多源数据信息没有得到充分利用。随着电网调控一体化的建成,电网事故处理模式向集中式转变[72],新一代智能电网调度控制系统实现了电网静态和动态数据的采集功能,使得在调度端即可获得调度技术支持系统采集的各类数据信息,从而为深度综合利用多源信息的电网故障诊断提供了有利条件。因此,为适应调度运行模式转变的需求,应考虑从电网、设备、环境等多角度出发,对多源数据信息进行充分融合,不仅进行诊断结果层面的融合,而且要进行数据处理层面的融合,充分利用数据的冗余性,辨识错误数据、修正畸变数据、增补缺失数据,以实现故障全过程的准确分析和清晰解释。
4 故障诊断系统的架构
在线电网故障诊断系统架构设计属于工程应用问题,它是基于调度中心数据平台,将诊断功能模块化,通过模块间的信息交互实现诊断分析,主要目的是为调度运行人员提供智能化决策服务。文献[73]在文献[44]基础上,考虑时序贝叶斯知识库诊断模型的适用性与通用性,以及故障诊断、图形化表达与运行实施,设计了计及时序在线电网故障诊断原型系统,该系统包括故障诊断数据获取、时序贝叶斯知识库模型构建、分层因果图显示、诊断推理等功能模块,能够适用于较大规模电网故障诊断在线应用。文献[74]在调度综合数据平台基础上,以多智能体系统(MAS)为基础架构,设计了多级分布式故障诊断MAS架构模型,该架构模型由区域运行信息、区域智能体、协调智能体、全局诊断智能体等模块组成,采用分级协作分布式诊断模式,通过订阅区域故障特征信息启动区域智能体进行并行诊断,进而在协调智能体协调下,由全局智能体完成最终诊断,该架构模式具有较好的交互诊断性,降低了调度端的诊断规模压力。文献[75]根据调度中心监测系统不同的采集特性,运用分阶式故障诊断算法,开发了基于故障信息组群技术的电网故障智能分析系统,其核心系统架构由快速故障诊断、保护动作行为分析、录波信息故障分析等子系统构成,各子系统对不同监测系统的采集数据进行独立分析,并通过故障信息组群技术实现数据交互,进而由综合分析子系统做综合分析得到全局诊断结果,实现了对多算法、多数据源并行的实时综合故障诊断。
随着大规模间歇式能源的接入,以及交直流混联、特高压互联大电网的建设,使得电网规模越来越大、结构亦越来越复杂,根据实际工程需求,设计具有不同功能模块的分布式并行诊断系统架构模型,以期有效解决电网规模过大,数据处理及诊断效率低下的问题,是电网调度运行人员的迫切需求。
5 新形势下的发展方向
随着新一代智能电力系统建设的全面推进,中国的电力系统已成为世界上规模最大的遍及生产经营各环节的专业物联网,甚至于在一定程度上,构建了中国最大规模的“云计算”平台,为能源资源从空间和时间等多维度进行调配打下了基础。对电力行业来说,电力大数据将在未来电力工业管理和生产的各个方面发挥巨大的作用,是中国电力工业在构建新一代电力工业系统过程中,能够有效应对环境压力、资源有限等问题,实现绿色可持续发展的关键。在此背景下,中国电机工程学会信息化专委会于2013年3月编制发布了《中国电力大数据发展白皮书(2013)》,诠释了电力大数据的内涵,指出了电力大数据将为电力行业在发电、输电、变电、配电、用电、调度等环节带来重大变革[76]。电网故障诊断基于调度自动化平台,其作为电网调度决策智能化需要解决的基础课题之一,在电力大数据背景下迎来了新的机遇和挑战。当前,电网调控一体化使得大量设备直接接入监控系统,从而在调度端即可获得调度技术支持系统采集的各类数据信息,这些实时与非实时采集的各类数据构成了电力大数据的可靠来源,大数据有了,但适用于电网故障诊断的大数据挖掘、知识的获取,以及多数据源的聚合方法及诊断模型的构建等,还处于起步阶段,适用于电网调度大数据环境的电网故障诊断研究实质性技术有待突破。在调控一体化背景下,面对大数据环境,对电网故障诊断提出了更高的要求,今后应重点对以下几方面工作进行深入研究。
1)调控大数据背景下,故障诊断数据信息的分析挖掘。调控大数据是大数据技术、理念和方法在电网调控领域中的应用[77],在此背景下,数据的种类和规模迅速增长,电网发生故障时,在各级调度中心能够实时获得数以万计的故障警报信息,既包括保护、开关、电压电流等故障相关信息,又包括回路闭锁、电压越限、交流断线等故障弱关联信息,以及能源、天气等数据,这些数据信息格式各异、种类繁多、相互影响、相互关联,并且以“信息孤岛”的方式存储在各个监测系统中。如何有效利用软硬件资源对这些不同来源、不同种类的数据信息进行实时、有效的分析挖掘,发现数据间潜在的知识,以服务于在线故障诊断,是调控大数据时代电网故障诊断的一个重要难题。解决上述难题,可以从如下方面着手:①开展调控大数据环境下的特征提取和选择技术的研究,从海量数据中提取需要的特征(知识),如分形理论[78]、深度学习[79]等;②开展调控大数据环境下的数据驱动分析方法的研究,以解决数据多元性、异构性等问题,如随机矩阵理论[80];③开展调控大数据环境下的并行算法的研究,将传统的数据挖掘算法进行并行化,以提升算法的可扩展性和计算效率,如基于 MapReduce的Apriori算法[81]、偏序约简算法[82]等。
2)多级协同分布式电网故障诊断模式的研究。近年来智能电网建设和调控一体化的不断深入,使得电网更加复杂化和规模化,促使多级协同分布式诊断技术[74]越来越得到重视。电力通信网络的不断发展,使得各级调控中心之间,以及调控中心与智能变电站之间的故障警报信息实现了实时和高效共享,为多级协同分布式电网故障诊断的实现创造了数据交互的物理条件。多级协同分布式诊断采用调控中心与变电站之间或调控中心与调控中心之间进行2级或多级协同故障诊断的模式,按电网结构形成上级调控中心—下级调控中心层次或调控中心—变电站层次,逐级进行诊断,上级诊断基于下级诊断结果,进而实现全网综合故障分析,在一定程度上避免了海量故障数据处理所面临的模型和维护复杂问题,提高了诊断性能,能较好地满足调控大数据背景下电网故障诊断不断发展的要求,但目前针对该技术的研究还不够深入,不同层级之间诊断功能如何实现交互、如何部署等问题均需要进一步深入研究。
3)基于态势感知技术的电网故障诊断系统实用化研究。对于电网故障诊断而言,态势感知就是使调度运行人员能够了解电网事故发生原因,并能准确重现故障发展变化过程,以便采取有效措施,尽快排除故障,恢复供电,防止事故扩大。在线电网故障诊断一直以来为电网调度运行所关注,开发具有自动建模功能、可视化界面,自适应于电网调度自动化平台基础数据和复杂数据环境的故障诊断系统,能够显著提升调度运行人员对电网事故的态势感知能力,保证电网可靠、安全运行。但截至当前,诊断系统的实用化研究进展依旧缓慢,其主要原因在于诊断系统在线应用面临因信源测点布置不足、信息传输通道中断或异常、量测元件采样错误,以及时序信息上送不同步等因素所导致的诊断模型与数据不完整、不精确等诸多现实问题,这些问题还没有很好的解决方案。并且,在当前调控大数据环境下,多类型数据源采集的数据量庞大、格式多样,使得调度对故障数据的综合利用更为复杂,诊断系统面对庞杂的数据信息,建模与维护工作异常繁重,制约了系统的可靠运行。此外,现有诊断系统智能化和自动化程度不高,需要调度运行人员结合人工经验进行分析,缺乏对电网事故发展变化情况的态势感知能力,随着电网规模和运行复杂度的不断增加,运行人员的工作压力逐渐加大,严重影响了使用者的用户体验。因此,从解决如上影响诊断系统在线应用问题的角度出发,加快构建基于态势感知技术的在线故障诊断系统,增强调度运行人员的态势感知能力,通过态势感知实现对电网故障发生、发展过程的全面准确掌控,对电网调度决策智能化具有重要意义。
6 结语
一直以来电网故障诊断在事故后快速分析、尽快恢复供电等方面发挥着重要的作用,并且关于该领域的研究亦取得了丰硕的成果,尤其在当前智能电网大数据环境下,电网故障诊断作为实现智能电网自愈功能的高级应用,其所起的作用越来越重要。本文对电网故障诊断所涉及的整个层面进行了框架性的综述,力图从众多关于电网故障诊断的研究成果的分析和梳理中,找出该领域的研究重点和难点,以期能够对这一专业领域有整体的理解,并明确今后需要重点研究的方向。与此同时,探讨了在调控大数据背景下,当前电网故障诊断所需要解决的重要问题与发展方向,为该专业领域的进一步发展提供了可参考的研究思路。
[1] CHEN W H. Online fault diagnosis for power transmission networks using fuzzy digraph models[J]. IEEE Trans on Power Delivery, 2012, 27(2): 688-698.
[2] FUKUI C, KAWAKAMI J. An expert system for fault section estimation using information from protective relays and circuit breakers[J]. IEEE Trans on Power Delivery, 1986, 1(4): 83-90.
[3] 荀挺,张珂珩,薛浩然,等.电网调控数据综合智能分析决策架构设计[J].电力系统保护与控制,2015,43(11):121-127.
XUN Ting, ZHANG Keheng, XUE Haoran, et al. Framework design of the analysis decision system about the power grid data[J]. Power System Protection and Control, 2015, 43(11): 121-127.
[4] 顾雪平,刘道兵,孙海新,等.面向SCADA系统的电网故障诊断信息的获取[J].电网技术,2012,36(6):64-70.
GU Xueping, LIU Daobing, SUN Haixin, et al. Acquisition of power system fault diagnosis information from SCADA system[J]. Power System Technology, 2012, 36(6): 64-70.
[5] 闪鑫,赵家庆,张剑,等.基于三态数据的电网在线综合故障诊断[J].电力系统自动化,2012,36(23):78-81.
SHAN Xin, ZHAO Jiaqing, ZHANG Jian, et al. On-line comprehensive fault diagnosis of power grid based on three-state data[J]. Automation of Electric Power Systems, 2012, 36(23): 78-81.
[6] 曹一家,刘毅,高振兴,等.一种大规模电网故障诊断的多智能体信息融合模型与方法[J].电力自动化设备,2010,30(7):14-18.
CAO Yijia, LIU Yi, GAO Zhenxing, et al. Model and method of large scale grid fault diagnosis based on multi-agent system and information fusion technology[J]. Electric Power Automation Equipment, 2010, 30(7): 14-18.
[7] RUSSELL J C, MASIELLO R D, BOSE A. Power system control center concepts[C]// IEEE Power Industry Computer Applications Conference, May 15-18, 1979, Cleveland, USA.
[8] 李勋,龚庆武,杨群瑛,等.基于数据挖掘技术的保护设备故障信息管理与分析系统[J].电力自动化设备,2011,31(9):88-91.
LI Xun, GONG Qingwu, YANG Qunying, et al. Fault information management and analysis system based on data mining technology for relay protection devices[J]. Electric Power Automation Equipment, 2011, 31(9): 88-91.
[9] 何鸣,王皓,谢红福.基于数据中心的故障信息管理系统[J].电力系统自动化,2008,32(18):104-107.
HE Ming, WANG Hao, XIE Hongfu. A fault information system based on data centre[J]. Automation of Electric Power Systems, 2008, 32(18): 104-107.
[10] 戴志辉,李强.基于停电区域及广域同步信息的电网故障快速诊断研究[J].电力系统保护与控制,2010,38(12):50-53.
DAI Zhihui, LI Qiang. Fault diagnosis based on power failure zone and wide-area synchronization information[J]. Power System Protection and Control, 2010, 38(12): 50-53.
[11] WANG C, DOU C X, LI X B, et al. A WAMS/PMU-based fault location technique[J]. Electric Power Systems Research, 2007, 77(8): 936-945.
[12] DOBAKHSHARI A S, RANJBAR A M, et al. A circuit approach to fault diagnosis in power systems by wide area measurement system[J]. International Transactions on Electrical Energy Systems, 2013, 23(8): 1272-1288.
[13] 游家训,彭明伟,唐跃中,等.混合量测系统中利用潮流信息的电网故障诊断[J].高电压技术,2010,36(2):411-416.
YOU Jiaxun, PENG Mingwei, TANG Yuezhong, et al. Fault diagnosis using power flow in hybrid measurements system[J]. High Voltage Engineering, 2010, 36(2): 411-416.
[14] WANG L, CHEN Q, GAO Z J, et al. Knowledge representation and general Petri net models for power grid fault diagnosis[J]. IET Generation, Transmission and Distribution, 2014, 9(9): 866-873.
[15] 张旭,魏娟,赵冬梅,等.一种用于电网故障诊断的遥信信息解析方法[J].中国电机工程学报,2014,34(22):3824-3833.
ZHANG Xu, WEI Juan, ZHAO Dongmei, et al. An analytic alarm information method for power grid fault diagnosis[J]. Proceedings of the CSEE, 2014, 34(22): 3824-3833.
[16] 廖志伟,岳苓,文福拴,等.基于规则网的高压输电线路故障诊断与保护动作性能评价[J].电力建设,2016,37(2):34-41.
LIAO Zhiwei, YUE Ling, WEN Fushuan, et al. A rule-network based approach for fault diagnosis of HV transmission lines and protection action performance evaluation[J]. Electric Power Construction, 2016, 37(2): 34-41.
[17] 邓国新,赵冬梅,张旭.对地区电网故障诊断系统中信息纠错的研究[J].电力系统保护与控制,2009,37(1):50-54.
DENG Guoxin, ZHAO Dongmei, ZHANG Xu. Research of information identification on the fault diagnosis system for regional power grid[J]. Power System Protection and Control, 2009, 37(1): 50-54.
[18] FERREIRA V H, ZANGHI R, FORTES M Z, et al. A survey on intelligent system application to fault diagnosis in electric power system transmission lines[J]. Electric Power Systems Research, 2016, 136: 135-153.
[19] KEZUNOVIC M, FROMEN C W, SEVCIK D R. An expert system for transmission substation event analysis[J]. IEEE Trans on Power Delivery, 1993, 8(4): 1942-1949.
[20] LEE H J, PARK D Y, AHN B S, et al. A fuzzy expert system for the integrated fault diagnosis[J]. IEEE Trans on Power Delivery, 2000, 15(2): 833-838.
[21] MA D Y, LIANG Y C, ZHAO X S, et al. Multi-BP expert system for fault diagnosis of power system[J]. Engineering Applications of Artificial Intelligence, 2013, 26(3): 937-944.
[22] 李再华,白晓民,周子冠,等.基于特征挖掘的电网故障诊断方法[J].中国电机工程学报,2010,30(10):16-22.
LI Zaihua, BAI Xiaomin, ZHOU Ziguan, et al. Method of power grid fault diagnosis based on feature mining[J]. Proceedings of the CSEE, 2010, 30(10): 16-22.
[23] 周子冠,白晓民,李再华,等.采用知识网格技术的智能输电网故障诊断方法[J].中国电机工程学报,2010,30(4):8-15.
ZHOU Ziguan, BAI Xiaomin, LI Zaihua, et al. Novel fault diagnosis approach of smart transmission grid based on knowledge grid technology[J]. Proceedings of the CSEE, 2010, 30(4): 8-15.
[24] CARDOSO G, ROLIM J G, ZURN H H. Identifying the primary fault section after contingencies in bulk power systems[J]. IEEE Trans on Power Delivery, 2008, 23(3): 1335-1342.
[25] 江雪晨,王大志,宁一,等.电网故障最优诊断的查询方法[J].高电压技术,2017,43(4):1311-1316.
JIANG Xuechen, WANG Dazhi, NING Yi, et al. Query method for optimal diagnosis of power system faults[J]. High Voltage Engineering, 2017, 43(4): 1311-1316.
[26] RESHMILA S, DEVANATHAN R. Diagnosis of power system failures using observer based discrete event system[C]// IEEE International Conference on Control, Measurement and Instrumentation, January 8-10, 2016, Kolkata, India.
[27] FLORES A, QUILES E, GARCIA E, et al. Fault diagnosis of electric transmission lines using modular neural networks[J]. IEEE Latin America Transactions, 2016, 14(8): 3663-3668.
[28] THUKARAM D, KHINCHA P, VIJAYNARASIMHA H P. Artificial neural network and support vector machine approach for locating faults in radial distribution systems[J]. IEEE Trans on Power Delivery, 2005, 20(2): 710-721.
[29] XIONG G J, SHI D Y, CHEN J F, et al. Divisional fault diagnosis of large-scale power systems based on radial basis neural network and fuzzy integral[J]. Electric Power Systems Research, 2013, 105: 9-19.
[30] 熊国江,石东源,朱林,等.基于径向基函数神经网络的电网模糊元胞故障诊断[J].电力系统自动化,2014,38(5):59-65.DOI:10.7500/AEPS20130603005.
XIONG Guojiang, SHI Dongyuan, ZHU Lin, et al. Fuzzy cellular fault data diagnosis of power grids based on radial basis function neural network[J]. Automation of Electric Power Systems, 2014, 38(5): 59-65. DOI: 10.7500/AEPS20130603005.
[31] 夏威,张麟,袁秋实,等.改进极限学习机应用于电网故障诊断[J].电网与清洁能源,2015,31(4):15-19.
XIA Wei, ZHANG Lin, YUAN Qiushi, et al. Improved extreme learning machine applied in power system fault diagnosis[J]. Power System and Clean Energy, 2015, 31(4): 15-19.
[32] 熊国江,石东源,朱林.基于多输出衰减径向基函数神经网络的电网故障诊断[J].电力系统保护与控制,2013,41(21):38-45.
XIONG Guojiang, SHI Dongyuan, ZHU Lin. Fault diagnosis of power grids based on multi-output decay radial basis function neural network[J]. Power System Protection and Control, 2013, 41(21): 38-45.
[33] PAWLAK Z. Rough sets and intelligent data analysis[J]. Information Sciences, 2002, 147(1/2/3/4): 1-12.
[34] HOR C L, CROSSLEY P A, WATSON S J. Building knowledge for substation-based decision support using rough sets[J]. IEEE Trans on Power Delivery, 2007, 22(3): 1372-1379.
[35] 张志毅,袁荣湘,杨同忠,等.基于粗糙集和小生境遗传算法的电网故障诊断规则提取[J].电工技术学报,2009,24(1):158-163.
ZHANG Zhiyi, YUAN Rongxiang, YANG Tongzhong, et al. Rule extraction for power system fault diagnosis based on the combination of rough sets and niche genetic algorithm[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 158-163.
[36] SUN Q Y, WANG C L, WANG Z L, et al. A fault diagnosis method of smart grid based on rough sets combined with genetic algorithm and tabu search[J]. Neural Computing and Applications, 2013, 23(7/8): 2023-2029.
[37] 栗然,张烈勇,顾雪平,等.采用粗糙集联合规则挖掘算法的分布式电网故障诊断[J].中国电机工程学报,2010,30(4):28-34.
LI Ran, ZHANG Lieyong, GU Xueping, et al. Distributed fault diagnosis of power networks applying the united rules mining algorithm based on rough set theory[J]. Proceedings of the CSEE, 2010, 30(4): 28-34.
[38] 兰华,李晋,高奥,等.粗糙集结合Petri网进行分区域并行推理的配电网故障诊断方法研究[J].电测与仪表,2012,49(553):13-16.
LAN Hua, LI Jin, GAO Ao, et al. Fault diagnosis of distribution networks by the regional parallel reasoning based on rough set and Petri nets[J]. Electrical Measurement & Instrumentation, 2012, 49(553): 13-16.
[39] ZHU Y L, HUO L M, LU J L. Bayesian networks-based approach for power systems fault diagnosis[J]. IEEE Trans on Power Delivery, 2006, 21(2): 634-639.
[40] MANSOUR M M, WAHAB M A A, SOLIMAN W M. Bayesian networks for fault diagnosis of a large power station and its transmission lines[J]. Electric Power Components and Systems, 2012, 40(8): 845-863.
[41] 周曙,王晓茹,钱清泉.基于贝叶斯网的分布式电网故障诊断方法[J].电网技术,2010,34(9):76-81.
ZHOU Shu, WANG Xiaoru, QIAN Qingquan. Bayesian networks based distributed fault diagnosis approach for power grids[J]. Power System Technology, 2010, 34(9): 76-81.
[42] 罗孝辉,童晓阳.计及可信度的变结构贝叶斯网络电网故障诊断[J].电网技术,2015,39(9):2658-2664.
LUO Xiaohui, TONG Xiaoyang. Structure-variable Bayesian network for power system fault diagnosis considering credibility[J]. Power System Technology, 2015, 39(9): 2658-2664.
[43] 韩迎春,童晓阳.基于动态推理链的电网故障诊断方法[J].电网技术,2017,41(4):1315-1324.
HAN Yingchun, TONG Xiaoyang. Power system fault diagnosis based on dynamic reasoning chain[J]. Power System Technology, 2017, 41(4): 1315-1324.
[44] 孙明蔚,童晓阳,刘新宇,等.运用时序贝叶斯知识库的电网故障诊断方法[J].电网技术,2014,38(3):715-722.
SUN Mingwei, TONG Xiaoyang, LIU Xinyu, et al. A power system fault diagnosis method using temporal Bayesian knowledge bases[J]. Power System Technology, 2014, 38(3): 715-722.
[45] LUO X, KEZUNOVIC M. Implementing fuzzy reasoning Petri-nets for fault section estimation[J]. IEEE Trans on Power Delivery, 2008, 23(2): 676-685.
[46] ZHANG Y, ZHANG Y, WEN F S, et al. A fuzzy Petri net based approach for fault diagnosis in power systems considering temporal constraints[J]. International Journal of Electrical Power & Energy Systems, 2016, 78: 215-224.
[47] 谢敏,吴亚雄,黄庶,等.基于有色自控Petri网的电网故障区域识别[J].电力系统保护与控制,2016,44(2):56-64.
XIE Min, WU Yaxiong, HUANG Shu, et al. Identification of fault area in power system based on colored self-modifying Petri nets[J]. Power System Protection and Control, 2016, 44(2): 56-64.
[48] 刘思化,李霞.谓词Petri网理论在电网故障诊断中的应用[J].电力系统及其自动化学报,2013,25(4):162-166.
LIU Sihua, LI Xia. Power system fault diagnosis by use of predicate Petri net models[J]. Proceedings of the CSU-EPSA, 2013, 25(4): 162-166.
[49] 谢红涛,童晓阳.基于分层模糊Petri网的电网故障综合诊断方法[J].电网技术,2012,36(1):246-252.
XIE Hongtao, TONG Xiaoyang. A method of synthetical fault diagnosis for power system based on fuzzy hierarchical Petri net[J]. Power System Technology, 2012, 36(1): 246-252.
[50] 童晓阳,谢红涛,孙明蔚.计及时序信息检查的分层模糊Petri网电网故障诊断模型[J].电力系统自动化,2013,37(6):63-68.
TONG Xiaoyang, XIE Hongtao, SUN Mingwei. Power system fault diagnosis model based on layered fuzzy Petri net considering temporal constraint checking[J]. Automation of Electric Power Systems, 2013, 37(6): 63-68.
[51] 贾学涵,杨东升,郑薇,等.多因素分级Petri网配电故障诊断方法[J].电网技术,2017,41(3):1015-1021.
JIA Xuehan, YANG Dongsheng, ZHENG Wei, et al. Distribution network fault diagnosis method based on multi-factor hierarchical Petri net[J]. Power System Technology, 2017, 41(3): 1015-1021.
[52] 程学珍,陈强,于永进,等.基于最大似然译码字的Petri网电网故障诊断方法[J].电工技术学报,2015,30(15):46-52.
CHENG Xuezhen, CHEN Qiang, YU Yongjin, et al. A fault diagnosis approach of power networks based on maximum likelihood decoding Petri net models[J]. Transactions of China Electrotechnical Society, 2015, 30(15): 46-52.
[53] ZHANG Y, CHUNG C Y, WEN F S, et al. An analytic model for fault diagnosis in power systems utilizing redundancy and temporal information of alarm messages[J]. IEEE Trans on Power Systems, 2016, 31(6): 4877-4886.
[54] GUO W X, WEN F S, LIAO Z W, et al. An analytic model-based approach for power system alarm processing employing temporal constraint network[J]. IEEE Trans on Power Delivery, 2010, 25(4): 2435-2447.
[55] 文福拴,韩祯祥.基于遗传算法和模拟退火算法的电力系统的故障诊断[J].中国电机工程学报,1994,14(3):29-35.
WEN Fushuan, HAN Zhenxiang. Fault section estimation in power systems using genetic algorithm and simulated annealing[J]. Proceedings of the CSEE, 1994, 14(3): 29-35.
[56] WEN F S, HAN Z X. Fault section estimation in power systems using a genetic algorithm[J]. Electric Power Systems Research, 1995, 34(3): 165-172.
[57] 郭文鑫,廖志伟,文福拴,等.计及警报信息时序特性的电网故障诊断解析模型[J].电力系统自动化,2008,32(22):26-31.
GUO Wenxin, LIAO Zhiwei, WEN Fushuan, et al. An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account[J]. Automation of Electric Power Systems, 2008, 32(22): 26-31.
[58] GUO W X, WEN F S, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfunctions of protective relays and circuit breakers[J]. IEEE Trans on Power Delivery, 2010, 25(3): 1393-1401.
[59] 董明,张勇,张岩,等.含电气量信息的电力系统故障诊断解析模型[J].电力系统自动化,2013,37(6):55-62.
DONG Ming, ZHANG Yong, ZHANG Yan, et al. An analytic model for power system fault diagnosis employing electrical data[J]. Automation of Electric Power Systems, 2013, 37(6): 55-62.
[60] 翁汉琍,毛鹏,林湘宁.一种改进的电网故障诊断优化模型[J].电力系统自动化,2007,31(7):66-70.
WENG Hanli, MAO Peng, LIN Xiangning. An improved model for optimizing power system fault diagnosis[J]. Automation of Electric Power Systems, 2007, 31(7): 66-70.
[61] LIN X N, KE S H, LI Z T, et al. A fault diagnosis method of power systems based on improved objective function and genetic algorithm—tabu search[J]. IEEE Trans on Power Delivery, 2010, 25(3): 1268-1274.
[62] 祝志慧,孙云莲.量子免疫算法在电网故障诊断中的应用[J].电力系统保护与控制,2010,38(10):22-25.
ZHU Zhihui, SUN Yunlian. Application of quantum immune algorithm in power system fault diagnosis[J]. Power System Protection and Control, 2010, 38(10): 22-25.
[63] 熊国江,石东源.电网故障诊断改进解析模型及其自适应生物地理学优化方法[J].电工技术学报,2014,29(4):205-211.
XIONG Guojiang, SHI Dongyuan. An improved analytic model for fault diagnosis of power grids and its self-adaptive biogeography-based optimization method[J]. Transactions of China Electrotechnical Society, 2014, 29(4): 205-211.
[64] 刘道兵,顾雪平,李海鹏.电网故障诊断的一种完全解析模型[J].中国电机工程学报,2011,31(34):85-93.
LIU Daobing, GU Xueping, LI Haipeng. A complete analytic model for fault diagnosis of power systems[J]. Proceedings of the CSEE, 2011, 31(34): 85-93.
[65] 赵冬梅,张旭,魏娟,等.以重现故障过程为目的的电网故障诊断[J].中国电机工程学报,2014,34(13):2116-2123.
ZHAO Dongmei, ZHANG Xu, WEI Juan, et al. Power grid fault diagnosis aiming at reproducing the fault process[J]. Proceedings of the CSEE, 2014, 34(13): 2116-2123.
[66] 李乃永,梁军,李磊,等.基于广域故障录波信息的调度端电网故障诊断系统[J].电力系统自动化,2014,38(16):100-104.DOI:10.7500/AEPS20140112002.
LI Naiyong, LIANG Jun, LI Lei, et al. Fault diagnosis system based on wide-area fault wave recording information at dispatching centre[J]. Automation of Electric Power Systems, 2014, 38(16): 100-104. DOI: 10.7500/AEPS20140112002.
[67] 赵伟,江全元,彭明伟,等.采用信息融合技术的电网故障诊断方法[J].高电压技术,2009,35(11):2716-2722.
ZHAO Wei, JIANG Quanyuan, PENG Mingwei, et al. Novel approach of fault diagnosis in power grid using information fusion[J]. High Voltage Engineering, 2009, 35(11): 2716-2722.
[68] LI Z X, YIN X G, ZHANG Z, et al. Wide-area protection fault identification algorithm based on multi-information fusion[J]. IEEE Trans on Power Delivery, 2013, 28(3): 1348-1355.
[69] LIU Y, WANG Y, PENG M W, et al. A fault diagnosis method for power system based on multilayer information fusion structure[C]// IEEE PES General Meeting, July 25-39, 2010, Minneapolis, USA.
[70] 苏广宁,张沛超,胡炎,等.基于多源信息的电网故障诊断新方法[J].电力系统自动化,2012,36(1):61-65.
SU Guangning, ZHANG Peichao, HU Yan, et al. A novel fault diagnosis method based on information fusion of multi-resources for power grids[J]. Automation of Electric Power Systems, 2012, 36(1): 61-65.
[71] 高振兴,郭创新,俞斌,等.基于多源信息融合的电网故障诊断方法研究[J].电力系统保护与控制,2011,39(6):17-23.
GAO Zhenxing, GUO Chuangxin, YU Bin, et al. Study of a fault diagnosis approach for power grid with information fusion based on multi-data resources[J]. Power System Protection and Control, 2011, 39(6): 17-23.
[72] 闪鑫,戴则梅,张哲,等.智能电网调度控制系统综合智能告警研究及应用[J].电力系统自动化,2015,39(1):65-72.DOI:10.7500/AEPS20140930016.
SHAN Xin, DAI Zemei, ZHANG Zhe, et al. Research on and application of integrated smart alarm based on smart grid dispatching and control systems[J]. Automation of Electric Power Systems, 2015, 39(1): 65-72. DOI: 10.7500/AEPS20140930016.
[73] 孙明蔚,童晓阳,刘新宇,等.基于时序贝叶斯知识库的电网故障诊断软件原型系统设计[J].电力系统自动化,2014,38(21):77-83.DOI:10.7500/AEPS20130531004.
SUN Mingwei, TONG Xiaoyang, LIU Xinyu, et al. Design of prototype system of fault diagnosis for power system based on temporal Bayesian knowledge bases[J]. Automation of Electric Power Systems, 2014, 38(21): 77-83. DOI: 10.7500/AEPS20130531004.
[74] 朱传柏,郭创新,曹一家.基于调度综合数据平台的大规模电网分层故障诊断[J].电力系统自动化,2009,33(1):51-65.
ZHU Chuanbai, GUO Chuangxin, CAO Yijia. Hierarchical fault diagnosis model of a large-scale power system based on dispatch integrated information platform[J]. Automation of Electric Power Systems, 2009, 33(1): 51-65.
[75] 夏可青,陈根军,李力,等.基于多数据源融合的实时电网故障分析及实现[J].电力系统自动化,2013,37(24):81-88.
XIA Keqing, CHEN Genjun, LI Li, et al. Real-time analysis of power grid fault based on multi-source information fusion and its application[J]. Automation of Electric Power Systems, 2013, 37(24): 81-88.
[76] 中国电机工程学会电力信息化专委会.中国电力大数据发展白皮书[M].北京:中国电机工程学会电力信息化专委会,2013.
[77] ABHISEK U, RASTKO Z. Automated analysis of power systems disturbance records: smart grid big data perspective[C]// IEEE Innovative Smart Grid Technologies, May 20-23, 2014, Kuala Lumpur, Malaysia.
[78] 周国亮,宋亚奇,王桂兰,等.状态监测大数据存储及聚类划分研究[J].电工技术学报,2013,28(2):337-344.
ZHOU Guoliang, SONG Yaqi, WANG Guilan, et al. Research of condition monitoring big data storage and clustering[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 337-344.
[79] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
[80] XU X, HE X, AI Q, et al. A correlation analysis method for power systems based on random matrix theory[J]. IEEE Trans on Smart Grid, 2015, PP(99): 1-10.
[81] 曲朝阳,朱莉,张士林.基于Hadoop的广域测量系统数据处理[J].电力系统自动化,2013,37(4):92-97.
QU Zhaoyang, ZHU Li, ZHANG Shilin. Data processing of Hadoop-based wide area measure system[J]. Automation of Electric Power Systems, 2013, 37(4): 92-97.
[82] 李刚,焦谱,文福拴,等.基于偏序约简的智能电网大数据预处理方法[J].电力系统自动化,2016,40(7):98-106.DOI:10.7500/AEPS20150630012.
LI Gang, JIAO Pu, WEN Fushuan, et al. A partial order reduction based method for big data preprocessing in smart grid environment[J]. Automation of Electric Power Systems, 2016, 40(7): 98-106. DOI: 10.7500/AEPS20150630012.
Research Review and Prospects for Power Grid Fault Diagnosis
WANGShoupeng,ZHAODongmei
(School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)
The research on power grid fault diagnosis is reviewed comprehensively. The sources and characteristics of its data, and the ways and importance of data preprocessing are analyzed. The principle, features and shortcomings of various intelligent diagnosis algorithms are briefly treated, the improvement of research results in recent years are discussed and future study directions are proposed. Then according to engineering practice, the architectural design in the online diagnosis system is summarized. Finally, the problem of power grid fault diagnosis in the background of big data in power grid dispatch and control is discussed, while the development trends are elucidated in the new situation.
This work is supported by National Natural Science Foundation of China (No. 51377054) and Fundamental Research Funds of the Central Universities (No. 2017XS019).
power grid fault; fault diagnosis; artificial intelligence; big data
2017-01-26;
2017-05-09。
上网日期: 2017-07-21。
国家自然科学基金资助项目(51377054);中央高校基本科研业务费专项资金资助项目(2017XS019)。
王守鹏(1987—),男,通信作者,博士研究生,主要研究方向:电力系统分析、控制与保护,电网故障诊断。E-mail: wsp_ep@163.com
赵冬梅(1965—),女,博士,教授,博士生导师,主要研究方向:智能技术在电力系统中的应用,电网故障诊断,电力系统分析、运行与控制。E-mail： zhao-dm@ncepu.edu.cn
(编辑 章黎)
