电网故障诊断技术综述

2018-07-12何文博关焕新

东北电力技术 2018年5期

何文博，关焕新

(沈阳工程学院，辽宁　沈阳　110136)

电能作为一种特殊的清洁绿色能源被广泛地应用到国民生产中，随着经济的不断发展以及对电能的愈发依赖，电能的质量、安全以及稳定对社会发展发挥着十分重要的作用。社会经济、生活水平等诸方面的进步都促使电力系统日趋复杂化，这就对电能的持续稳定运行提出了更高的要求。电网作为电能传输的直接载体，由于其长期暴露在自然环境中，难免会出现故障。为快速监测及解决故障，保证电力系统安全可靠运行，需要一套智能的故障诊断系统，能够使运行人员快速准确地判断故障区域并锁定故障元件，从而及时有效地恢复故障区域系统的正常运行，增强供电的持续性和可靠性。

电网故障诊断通常是指调度中心进行的系统级故障诊断，对保护器件发出的故障信号、断路器的动作信息进行处理分析，根据电网保护逻辑和监控人员的经验推断可能的故障位置和故障类型，为相关人员提供依据。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[1]，对电网故障诊断相关的研究成为国内外专家学者关注的焦点，人工智能技术和计算机技术的发展[2]使智能化的故障诊断方法成为该领域的研究热点和重点。

1　故障诊断技术研究现状

电力系统的故障诊断开始于20世纪40年代，主要用于快速定位故障元件。据统计，定位故障元件时间要占故障处理时间的1/3，缩短故障定位时间将显著提高故障处理效率。

1960年，数据采集与监视控制系统(SCADA)应用在电网中，至此电网的故障诊断拥有了数据基础。1969年，Dyliacco和Kraynak利用断路器动作信息和继电器跳闸诊断故障，为故障分析和诊断奠定了基础。20世纪80年代，计算机领域及人工智能的快速发展，推动专家系统在电力部门的应用。1983年Sakaguchi和Matsumoto最先使用专家系统解决电力系统故障。1986年，C Fukui和J Kawakam采用prolog语言设计了电网故障诊断专家系统，构建了电气设备、断路器及继电保护的三者关系，使用SCADA采集的故障信息进行诊断，可以定位故障设备和分析保护器及断路器误动作行为。在这之后，专家系统逐渐成为电网故障诊断最常用的处理方法。1990年后，对于电网故障诊断的研究成果开始记载于我国文献中；遗传算法与神经网络也慢慢地被人们用在故障诊断中，应用遗传算法可以提高定位效率，神经网络可以解决故障中的不确定问题。20世纪90年代后，广域测量系统开始应用在电力系统故障诊断中，它可以将准确坐标以实时断面数据形式传送到电网故障诊断系统。表1为电网故障诊断数据特性。

表1　电网故障诊断数据特性

复合型故障数据源的应用推动了信息融合技术在电网故障诊断中的研究，融合不同时间间隔的数据可以更为详细地描述故障过程，提高识别准确性。后来，Petri网方法、贝叶斯网络法等方法相继被应用到电网故障诊断中。表2为电网故障诊断方法的发展过程。

表2　电网故障诊断发展过程

2　故障诊断常用方法

2.1　专家系统

专家系统发展最早，是一种较成熟的人工智能诊断技术，为包括大量专业知识和经验的系统，可以通过相关领域专家多年的经验和知识进行推断，按照人类专家的思维逻辑做出推理决策，从而处理操作人员无法解决的疑难问题。

专家系统对于确定性信息的故障具有较好的诊断效果，基于不同的故障诊断的知识与推理策略可以分成3类。

a. 基于产生式规则的系统[3-5]。它通过规则把保护器与断路器的动作逻辑以及操作人员的经验表示出来，形成知识库，利用数据驱动做正向推理，最终得到诊断结果。

b. 基于模型的系统[6]。诊断过程有假设和检验两个步骤，通过模型模拟电力系统故障，依据报警信息假设故障元件，在模型基础上进行模拟，将模拟结果与实际报警信息比对，最后确定假设是否成立。

c. 基于正、反向推理的系统[7]。结合正反向推理方法，正向推理过程同b，反向推理可以有效缩小故障范围，采用混合推理，可以提高诊断的适应性与自学能力。

专家系统由于自身特性，存在着一定缺陷：无法获取完善的知识库；对于大系统，诊断时间较长；电网拓扑结构发生变化后，专家系统对应的知识库需要修改；容错能力较差。

2.2　人工神经网路

人工神经网络是模仿人类大脑神经系统进行数据处理的一种技术，与专家系统并列为人工智能技术的分支。神经网络通过历史数据实行样本训练，能够综合现有数据，可以处理现有数学模型或规则难以解决的问题。神经网络故障诊断模型主要基于径向基函数和BP(back propagation)算法，其具有以下优点。

a. 信息独立存储，具有较好的容错能力。

b. 知识包含在连接权重中，自我组织以及自我学习能力强，也有一定的泛化能力。

c. 神经元之间计算相对独立，并行性高。

d. 记忆性好，鲁棒性高。

应用神经网络存在的主要问题有：需要大量典型的样本训练且训练时间较长，对新的系统，要重新训练；只能给出0～1之间的数字结果，缺少对结果的解释能力；无法提供信息帮助操作人员诊断误动作的元件；对于复杂输电网络，建模困难。

2.3　模糊集

模糊集是一种研究不完整数据、处理不确定性知识的数学工具[8]，它将经典理论模糊化并引进了语言变量和模糊推理。模糊集概念(fuzzy set theory,FST)由美国加州大学教授L.A.Zadeh提出，它打破了经典理论用0和1表示的清晰概念，采用模糊隶属度来表示不确定、不精确的事件。FST经过多年来的发展，已成为有完备推理体系的人工智能技术之一。

模糊理论的发展及完善，让其自身的优点被凸显出来，在某些故障中加入FST可以使得精确推理转为近似推理，可以一定程度提高故障诊断的容错性，FST与其他人工智能技术相互结合，用长避短。FST的明显优点是无需精确的数学模型，运用隶属函数与模糊规则，可以实现模糊诊断的智能化，但是，对于复杂系统，建立完整的规则与隶属函数非常困难，耗时也很长。

最近几年，粗糙集通过与其他智能技术结合使用可以一定程度改善其在大规模电网诊断中面临的问题，在关键信息和知识简约方面也获得了成效，但对于如多重关键信息缺失等不可观因素叠加的情况，诊断效果还不理想。

2.4　贝叶斯网络

贝叶斯网络是一种通过结合图论与概率学理论来表示与推断不确定性知识的模型，具有严格的概率理论基础，其中网络流图用来表达知识，概率学理论表明不同知识之间的影响。

贝叶斯网络可以直观清晰地描述故障，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[9]。随着贝叶斯网络在电网故障诊断中的应用，其优点逐渐凸显，但是贝叶斯网络在实际应用中需要获得有效的先验概率才能保证结果的准确，所以贝叶斯网络对单一故障诊断结果较好，复杂故障由于获取先验概率有一定困难，贝叶斯网络对复杂网络故障诊断应用较少。文献[10]提出了一种先验概率的计算方法，可以准确地表达元件故障与保护误动、拒动之间的统计关系，可以处理复杂故障。文献[11]将故障模式分类，搭建了相应故障模式的变结构贝叶斯诊断模型，并把保护器和断路器动作时间可信度加入到诊断推理，提高诊断的准确性。文献[12]结合动态因果推理链与贝叶斯网络，利用时序约束检查漏报、误报的报警，降低了故障信息不确定对诊断的影响。

2.5　Petri网

Petri网是由德国科学家Carl Adam Petri在其博士论文提出的，后来逐渐成为电网故障诊断的方法，它是利用图形和矩阵理论对电力系统构建的各元件关系构建的有向图模型，从而描述电网事件发生顺序，进而进行故障分析。

Petri网诊断模型具有表达图形化、推理过程简单快速等优点[13]，但是对于一些故障Petri网解决效率还不是很高，如对于大电网，模型建立较复杂且运算维数高；对于电网拓扑变化，模型通用性差；信息不确定时容错性低。文献[14]搭建了线路Petri网模型，可以较准确地定位多种故障下的故障元件。文献[15]利用谓词进行推断，将电网诊断分解为各个方向，从而降低运算维数。文献[16]利用分层建模原理，建立了分层模糊Petri网诊断模型，改善了模型的适用性。

3　故障诊断主要问题及发展趋势

3.1　主要问题

电网故障诊断目前所存在的主要问题：①在处理不确定和不完备信息时准确率低，直到现在对于该问题仍没有给出明确的解决方式[17]；②故障诊断的智能方法应用上存在自身的局限和缺陷，实际应用中，故障诊断大部分还只是基于一种诊断方法；③电网的运行模式和结构的变化对电网诊断结果有非常大的影响；④有关电网故障诊断实用化的研究还有所欠缺。