人工智能在电网故障诊断中的应用

，

(国网泉州供电公司,福建 泉州 362000)

1 引言

电网是电力系统中输送和分配电能的重要环节，因此电网的故障诊断是提高供电可靠性的一种重要手段。随着电子信息技术的发展，监控和数据采集系统(SCADA)的应用，使得操作人员能够在监控中心监控电力系统运行状况。SCADA系统所获得的监控信息是非常有用的，当电网系统发生故障时，如果故障区域比较小，并且继电保护系统能够迅速准确的切断故障源，检修人员就能迅速的找到故障点并启动恢复供电程序；当电力系统发生复杂故障(如越级故障、扩大性故障、多重故障)以及断路器误动或者拒动的情况下，可能导致电力系统的过载和不稳定，继而引发其他故障，并导致故障区域的扩大。复杂故障引发的大量报警信息涌入监控中心，使得运行人员顾此失彼，并无法做出有效的判断和处理。因此，研究一款能够辅助运行人员决策，帮助运行人员快速找到故障区域，缩短供电恢复时间的故障诊断系统是有必要的。同时，随着电网自动化水平的提高，各种采集实时信息和报警信号的远程终端装置(RTU)的应用，使得利用实时信息进行电网故障诊断成为可能。近几十年来，国内外的专家学者提出了许多故障诊断的方法，而现阶段常用的配电网故障诊断方法有：矩阵算法、人工神经网络、遗传算法、粗糙集理论、蚁群算法等。其中，人工神经网络以其优良的并行处理能力，良好的学习能力及不错的泛化和容错性能得到了各国研究专家学者的兴趣。如文献[1-4]，将电网内所有设备作为节点接入网络，而将故障状况作为输出。然而现实中电网规模庞大，存在着多故障现象引起的组合爆炸问题，所以实用起来较为困难。尽管文献[5-6]则对文献[1-4]的方法进行改进，提出了分区域诊断，然而仍然存在组合爆炸的问题，并且诊断方法对拓扑结构有严格要求。

2 诊断系统结构

图1为故障诊断系统框图，当电网发生故障时，电网中各相关元件的继电保护装置动作，切除故障点与其他邻近线路的连接，故障点附近的各个电气元件将不再带电。在故障发生后，各个元件的神经网络模块进行初步诊断，判断故障来源是内部故障或外部故障(外部故障分为发送端(Sending)和接收端(Recving)。当故障来源于内部，各元件上的神经网络模块可以即可快速得到诊断结果，迅速的找到故障元件。当电网发生复杂故障以及断路器误动或是拒动而导致大范围的停电时，由各个区段的综合诊断并将结果发送给模糊专家系统，交由模糊专家系统进行故障决策处理。各个元件的故障诊断是并行处理，缩小了网络规模，提高了故障诊断速度。

图1 故障诊断系统框图

3 元件神经网络诊断模型

随着电力系统的不断发展，电网规模日益庞大复杂。若将每个电网中的元件都当作神经网络的一个节点，不仅网络规模将庞大，降低了计算速度，而且当电网拓扑发生变化时，容易出现错误诊断。因此，本文利用BP神经网络和GRNN将电网的主要元件(变压器、线路和母线)建立故障诊断模型，将电网分割为若干个区段，有效减少神经网络节点的数量和计算规模。电网的主要元件本身都带有继电保护装置，BP网络利用这些元件的状态信息(元件状态是否正常、继电保护装置是否正常工作、是否因为故障跳闸)进行初步诊断。GRNN网络基于BP网络的诊断信息，进行故障诊断，判断是否存在故障以及故障方向。

3.1 变压器神经网络模块

如图2所示变压器神经网络模块，变压器继电保护装置主要由主保护和后备保护组成。其中，主保护包括瓦斯保护、差动保护；后备保护包括过电流保护、接地保护。

图2 变压器神经网络模块

3.2 线路神经网络模块

如图3所示为线路神经网络模块，线路的主保护为高频闭锁距离保护，后备保护为过电流保护。其中I段保护线路全长的80%～90%，其II段应包含线路全长并具有足够裕度，作为正方向故障的判别元件和停止发信元件，动作时停发闭锁信号，III段可作为相邻线路的后备保护。

图3 线路神经网络保护模型

3.3 母线神经网络模块

如图4所示为母线神经网络模型。母线的主保护为纵联电流差动保护，后备保护还有过电压保护。母线保护仅仅只能反映母线本身的故障，其相关的继电保护装置也只能反映母线自身的故障情况。当母线发生故障时，辅助继电器将会给连接到该母线的所有断路器发出跳闸信号。与母线相连接的断路器都装设有设有失灵保护装置，当断路器动作失败后，跳开连接到与该断路器相同母线的其他断路器。

图4 母线神经网络模块

4 复杂故障处理

故障发生在内部时，神经网络系统可以迅速的发现故障。然而在电力系统发生复杂故障以及断路器误动或者拒动的情况下，元件本身的神经网络模块已无法直接得到故障诊断结果。当元件的神经网络模块侦测到故障为外部故障，即该元件的继电保护装置是作为别的电气元件的后备保护而动作，或是故障点不在该元件主保护的保护范围内。随后模糊专家系统结合停电区域邻近区段的初步诊断得到的故障方向和电网拓扑信息，确定哪个元件的继电保护装置动作，继而找出故障原因。如图5所示为一个四母线的小型电网系统，在该系统可能发生故障的元件集合为M-1，M-2，M-3和母线B1。母线B2，B3，B4由于还带电，因此不在可能发生故障的元件集中。

M-X表示区段X(X的取值由1-∞)，它可以代表线路区段或变压器区段。Level-Y(Y取值1～6)表示相关元件故障可能性的置信度。这些Level中的每一个等级都有一个与之对应的隶属函数，其值从0到1.0。值越大(Level越低)表示M-X的发生故障的可能性越大。在停电区域中，可能故障的元件集合M-1、M-2、M-3、B1、B3、B4都有其置信度的等级(Level)，以表示其故障的可能性。该Level值寻找故障区段的问题就转变为求最优解的问题。

典型多目标的决策问题是要在一个对决策者十分重要的准则集或目标集中，记为|O|，所给出的方案域A中选择一个方案ai。评估每个方案获每种选择是否满足每个目标的程度。同时，希望以某种可能方式将加权目标同纵决策函数结合起来。

图5 四母线小型系统

以下为对上述方法的推导。定义有r个目标的集合O={O1，O2，…,Or}，n个方案的域A={a1,a2,…,an}。令Oi表示第i个目标，方案a在Oi中的隶属度，记为μOi(a)，它表示了方案a满足此目标的特定准则的程度，寻求同时满足所有决策目标的函数，因此决策函数D应是全部目标集合[7]:

D=O1∩O2∩…∩Or

(1)

所以，决策函数D对每个方案的隶属度为：

μD(α)=max[μ01(α),μ02(α),…,μor(α)]

(2)

最理想决策方案a*将满足下式的方案：

μD(α*)=min{μD(α)∀a∈A}

(3)

a*-表示最优化解(即最可能故障的元件)；

A-可能发生故障的元件集合(线路或变压器)；

Level-表示相关元件导致故障的置信度。(Very Likely-很有可能,Likely-可能,Less Likely-不太可能,Unlikely-可能性不高,Very Unlikely-极不可能)。

图6(a)，(b)分别表示线路元件或变压器元件初步诊断故障为外部故障(假设主保护失效)，其相邻元件的置信度Level的分布。图6 (a)发生故障后，对于线路区段M-1，其区段内的断路器动作，切除了故障电流。考虑到元件初步诊断得到故障方向，因此故障点可能为M-1，B1或是更为远端的元件。沿着故障方向延伸，其Level等级随之提高。对于M-1来说，M-2是故障元件的可能性只有了L(Likely)， 这要建立在M-2的主保护和后备保护都失效并且故障点在M-1的后备保护范围内的基础上。对于母线B2， 母线B2故障导致M-1段断路器动作的可能性为LL(Less Likely)，前提是B2的主保护和M-2的后备保护都失效。 对于M-3和母线B3，它们是故障点的置信度等级分别是UL(Unlikely)和VUL(Very Unlikely)，前提是M-2，B2的继电保护装置都失效，因此其发生的可能性相对较低。

图6 线路区段或变压器区段诊断为外部故障的置信度分布

图6(b)对应的是故障发生后，变压器M-1断路器动作，其邻近元件的置信度Level值得分布。其分布与线路元件相似，与之不同的是由于变压器的过电流保护没有方向性，无法识别故障电流的方向。如图7所示为线路元件和变压器元件置信度Level值得函数关系曲线。level-1表示最有可能发生故障的等级，当目标段初步诊断故障为外部故障，其值最大可以为0.75。而值1.0(C) 只分配给区段装设有断路器失灵保护且主保护处于检修状态、后备保护能够正常动作的元件。例如，一个主保护处于检修的母线(装设有断路器失灵保护)。因此，level-1和level-2的值在 0.75(VL) 和1.00之间变动；level-3由0.50(L)到0.75(VL)之间变动；level-4由0.25(LL)到0.50(L)之间变动。最后，level-5和level-6分别为0.15(UL)和0.00(VUL)。沿着故障电流方向延伸，更为远端的元件为故障元件的置信度一致视为level-6。

图7 变压器和线路的置信度函数关系曲线

5 测试系统

图8所示为测试系统，测试系统是电网的一个子系统。当故障发生后，该子系统已经被断开的断路器与电网隔开。其中变压器模块T1,线路模块L_C-A,L_B-E和L_A-E在故障发生后，元件的神经网络初步诊断为外部故障，并在图8中标明了各元件神经网络诊断所得到的故障方向(在本测试中，主保护不动作，所有断路器均由后备保护动作)。因此，可能故障元件的集合有T1,B,C,L_B-C,L_B-E和L_C-E。其他诸如母线A,D,E和线路区段L_C-D还带电，因此不可能是故障发生点。各个区段的置信度Level值函数如表1所示。

表1 各可能故障区段故障相关度的Level值表

运用公式(2)，可以得到μD(T1)=0.15;μD(B)=0.25;μD(C)=0.25;μD(L_B-C)=0.50;μD(L_B-E)=0.15;μD(L_C-E)=0.15。运用公式(3)，我们可以得到最理想决策方案,即最可能故障区段为D(a*)=0.50。所以L_B-C是最有可能故障发生的区段，而母线B和C则是第二可能。

图8 测试系统图

6 结论

本文提出了利用BP神经网络和GRNN神经网络建立电网三类元件(线路、变压器和母线)的故障诊断模型。使得各个元件具有初步诊断的能力，大大减少网络的规模。网络并行的处理方式，也能够有效提高计算速度。该系统只针对停电区域，模糊专家系统结合各元件的处初步诊断信息和电网拓扑关系进行故障诊断，能够有效克服拓扑的变化问题，能够用于电网的实时诊断。