基于一种新的案例推理算法的变电站智能故障诊断方法研究∗

林鸿伟 黄 彦 黄 劼

（国网福建省电力有限公司 福州 350009）

1 引言

变电站是智能电网的重要组成部分，确保变电站稳定运行为配电网的安全稳定性提供了基础［1］。所以，变电站的故障诊断问题，一直以来都备受广泛关注。

当变电站发生故障的时候，是否能够快速准确地找到故障源，例如线路短路故障、母线故障或者设备故障等等，但是能够引起这些故障的原因有很多种，这对于提高电力系统可靠运行，预防故障断电带来更大的灾害具有重大意义［2］。但是现在的变电站发生故障时，会有很多报警信息上传到监控系统，此时，值班人员就难以在大量的故障信息中找出故障源［3］。所以，研究一种能够根据监控系统采集的故障信息，快速智能地诊断出故障源的方法是十分必要的。

当前，对变电站故障的诊断已经有了很多研究，比较常用的有神经网络法、专家系统、模糊理论等。文献［4］提出了几种较为常见的变电站主变故障、成因，并提出了故障处理建议；文献［5］提出了变电站运动系统常见的故障；文献［6］对变电站远动装置故障进行了分析，并有针对性地提出了解决方案；文献［7］基于IEC61850对采集到的报警信号进行建模，并采用推理机进行故障推算；文献［8］应用粗糙集理论，对变电站的故障诊断知识进行分层挖掘，选择属性，再运用神经网络对故障诊断知识进行模式识别；文献［9］故障元件的诊断中，建立了针对可能故障区域的面向设备的子Petri网模型，降低了诊断的复杂性。尽管针对我国的变电站故障诊断已经有了这么多研究，但是还很少有在变电站发生故障时，利用采集到的故障信息，进行智能化推理，从而找到故障源，尽快解决变电站故障，快速恢复配电网的稳定供电能力，所以针对目前变电站的运行情况，充分利用监控系统采集上来的故障信息，进行智能推理，从而快速推断出故障点是很有研究意义的。

2 案例推理理论

1982年，Schank提出了案例推理（Case Based Reasoning，CBR）［10］。现如今，CBR 理论在辅助决策、智能控制、医学诊断、故障诊断、预测环境等领域广泛发展［11～13］。

CBR属于规则推理范畴，根据以往经验知识解决当前问题、对方案进行评价、学习新知识。但CBR克服了规则推理知识的很多缺点：获取知识存在瓶颈，不能记录已经解决的问题，较难解决领域中例外案例，性能较弱。

案例推理（Case—Based Reasoning，CBR）是将当前案例与案例库中以往已解决问题，进行类比推理，利用专家知识，找出已解决相似问题，得出答案解决新问题。CBR通过采集先验知识，建立原始案例库，优化过后的案例库则为优化案例库，在案例库中进行检索，获得近似案例，通过修复重用，解答新案例，再将解决完问题的案例存储入案例库，实时扩展更新案例库。CBR是在如下假设上建立的：

1）正则性：通常事件是正则的。与以往情况相同时，执行同样操控，会产生相似的结果。

2）典型性：事件总是重复发生。以往遇到的事件很可能在将来也遇到相同的事件。

3）一致性：事情发生小变动，解答也只需要做小的改动就可以用来解决问题。

4）适应性：实际生活中的事件很少完全重复，有小差别的情况经常遇见。这种小差别就容易调整。

数据库是企业信息系统的基础信息资源，CBR通过案例库完成了对以往信息的记忆，在执行过程中构建大量数据的存储、查询、和检索，过程如下：

将案例用知识表现出来，以数据结构存储，表现为当有新问题出现时，将其分解为案例描述和案例解两部分，利用案例检索在案例库中寻找最佳原始案例。案例库将以往经验呈现出来，经过案例修正、重用，用于解决新问题。CBR在解决新问题之后，能不断更新、完善案例库，使案例库更适用于解决新问题。

案例推理就是当新案例到来时，利用案例库中已经存储的案例，通过案例检索，寻找过去类似的问题和解决方法，根据新案例和检索出来的历史案例在时间和背景上的差异，将历史案例进行调整和修改后，用来解决新案例。CBR对比于规则推理和模型推理，不需要将领域知识的模型显示出来，不用担心知识获取瓶颈问题，并且系统具有开放性，很快就可以推理出结果，维护起来简单方便。同时，对案例库的实时更新，使案例库能够适应于当前工况，判断效果更贴切。案例推理顺序图如图1。

从图1可以看出，CBR可以总结为4R（案例检索Retrieve，案例重用Reuse，案例调整和修改Re⁃vise，案例学习Retain）。

案例表示：一般情况下，将案例表示为案例描述和案例解，如图2所示。

图2 案例描述

案例检索（Retrieve）：CBR的一个重要环节就是案例检索，就是对当前案例在案例库中进行搜索，找到与当前案例相似度最大的历史案例，其实他就是查找和匹配的过程。CBR检索过程中要实现的目标：检索出的历史案例尽量少，检索出的历史案例与当前案例尽可能相似。

图1 案例推理循环图

最近邻法（k-nearest neighbor，k-NN）进行计算：k-NN是基于距离的相似度检索方法，其经常被用于各类案例检索。定义测试案例为x={x1，x2，…，xn}，其中n指属性个数。给定案例库中的某一案例q，则k-NN计算测试案例与q案例距离相似度公式为

也就是把当前案例的属性与案例库中各个案例的属性进行距离均方根误差计算，寻求与当前案例最相似的历史案例。其中ωi为第i个属性的权重。k-NN计算时，ωi都为1，不符合实际应用。

案例重用（Reuse）：当相似案例被检索到后，当前问题就可以利用检索到的历史案例进行解决。

案例评价：评价后分两种处理：

检索到的历史案例适用于当前案例，进行案例学习。

检索到的案例不适用当前案例，进行案例调整和修改。

案例调整和修改（Revise）：修改检索到的案例，使其适合解决当前问题，是案例修改。

案例学习（Retain）：案例学习直接影响着案例库的优越与否。在源案例库的基础上，进行学习积累，不断将新案例输入案例库，以便适应更多情况。案例学习也有规则，需要对案例进行辨别之后决定是否加入案例库。

案例学习方法：设案例库 X=(X1，X2，…，Xi，…，Xm)，i∈[1，m]， Xi是某历史案例，εi是当前案例Y与历史某案例Xi的相似度，η是提前定义的阈值。

案例库维护：随着新案例的不断加入，案例库会不断扩大。这时就需要对案例库进行处理，包括删除冗余的案例，及时更新数据库信息，使案例覆盖率扩大。

3 回声状态网络理论

3.1 一种单隐层回升状态网络

输出权值采用最小二乘法计算的ESN隐层参数则采取随机获取的方式，因此使得ESN的学习速度比传统的BP网络、支持向量机等学习速度提高了数千倍［14～15］，并具有更优的泛化性能。输出权值采用最小二乘法计算的ESN的数学模型，如图1所示。

图3 输出权值采用最小二乘法计算的ESN的数学模型图

输出权值采用最小二乘法计算的ESN的学习方法如下：

1）随机选取隐层节点参数 (ai，bi)，i=1，…，L ，ai为第i个隐层神经元输入权值，bi为第i个隐层神经元阈值。2）计算隐层节点输出矩阵H=g(ai， bi， xi) ，

3）计算隐层到输出层输出权值β：

其中H+是隐层输出矩阵H的左伪逆矩阵，T为目标输出，即

4）计算输出值Oj。当训练到误差（ ||Oj-Tj）小于预先设定的常数ε时，输出权值采用最小二乘法计算的ESN能够接近这些训练样本：

5）求取误差：

其中，(ai，bi)分别为隐层节点输入权值、阈值，Tj是第 j组数据的输出实际值，Oj是第 j组数据输出预测值。

3.2 回升状态网络求取权重的步骤

单隐层回声状态网络提取属性权重的网络架构如图4。当回声状态过训练后，输出结果逼近实际值，此时用来计算各输入属性的权重。在此结构中，有n个输入｛x1，…，xn｝，m个隐层神经元｛a1，…，am｝，第j个隐层神经元aj计算如式（8），输出结果计算如式（9）。

图4 单隐层神经网络提取权重例图

其中，bj是通过线性化输入权重，然后再加上阈值。是xi和aj的连接权重，是aj与输出神经元之间的连接权重。在这里x0=1，a0=1。

此回声状态网络计算权重的方法为相关性法，计算隐层zj的关联性公式如式（11）：

输入节点xi的相关性权重为如式（12）：

案例检索：

检索变电站故障点的时候，利用欧式距离公式进行计算，选出相似度大于阈值ε的案例，表达式如式（13）：

经过欧式距离选择出来的第k个案例与当前工况进行相似度计算，其计算公式为式（14）。

找到相似度最大的案例后，取相似度最大的案例，按照报警信息中的权重值大小不同，对故障源进行排除查看。

4 基于案例推理和回声状态网络的变电站故障诊断方法

将变电站故障采用案例推理的形式表达出来，如表1所示。

表1 变电站故障部分信息表

变电站发生故障时的所有的案例特征和案例解包含了所有的故障信息。

将变电站以前发生的故障，以案例的形式表现出来，并且以案例特征和案例解的形式进行存储，当新的故障发生时，采用案例匹配的原则，将新案例在案例库中进行检索，从而找出相似案例，在案例检索时采用回声状态网络求取案例权重，然后再根据权重的大小确定故障发生点。

采用回声状态网络求取权值得案例推理算法，在变电站故障诊断中的应用流程框架如图5所示。

5 算例分析

以某变电站故障为例，当发生故障的时候，系统采集到了如表格2报警信息。将表格2的报警故障信息，带入新的案例推理算法中，根据基于新的案例推理算法的变电站故障诊断流程图进行推理计算，最终得到的推理结果为“线路短路故障，重合阐动作”。我们再进行推理，由于没有收到1127线开关合位信息，所以应该检查是由于开关合位信号漏发，还是重合闽失败造成的。检查110kV线路故障录波器录波文件，可以知道重合闸失败，所以需要我们手动合闸断路器。合闸后可以正常工作。通过上述的算例仿真可以验证本为算法的有效性。

表2 某变电站事故主要信息

6 结语

基于新的案例推理的变电站故障诊断技术，是针对当前的变电站发生故障时，监控系统采集到大量的报警信息，值班员难以在繁杂的报警信号中快速高效地找到故障源提出来的。随着整个智能变电站技术的飞速发展，案例库不断得到完善，求取相似案例的时候就越发高效。本文所提的基于新的案例推理算法在变电站故障诊断上的应用，对于保障电力系统稳定性将会起到不可估量的贡献。