刍议人工智能技术在电力系统故障诊断中的应用

蒋羽鹏

摘 要：增强电力系统运行的安全性与稳定性，能够有效防止重大电力安全事故的发生，保障用户用电质量的同时，提升电力企业的经济效益。由于受到多种外界因素的影响，电力系统在运行中会出现不同类型的故障，只有对其进行及时诊断与处理，才能消除其运行中的安全隐患，避免对人们的生命财产安全造成威胁。随着人工智能技术的发展，在故障诊断中得到广泛应用，能够促进工作效率与质量的提升。本文将通过分析人工智能技术的基本概念与种类，探索人工智能技术在电力系统故障诊断中的应用措施。

关键词：人工智能技术;电力系统;故障诊断;应用

中图分类号：M76 文獻标识码：A 文章编号：1671-2064（2020）02-0147-02

随着社会生产生活水平的提升，对于电力资源的需求也在逐年增大，这也给电力系统的运行带来了新的挑战。自然环境因素、人为因素和技术因素等等，都会干扰系统的正常运行，导致故障问题的产生，降低了系统运行的可靠性。故障诊断应该保障及时性与精确性，防止对社会用电造成严重的影响。随着智能电网建设的逐步开展，人工智能技术与电力系统的融合度明显提高，有利于促进电力行业朝着智能化与自动化方向发展。尤其是在当前电力市场竞争逐渐加剧的趋势下，只有保障供电的连续性与安全性，才能增强电力企业竞争实力。在电力系统中应用人工智能技术时，应该明确该技术的基本原理，根据当前系统运行特点制定针对性技术应用方案。

1人工智能技术概述

人工智能技术是集神经学、脑科学和信息技术为一体的先进技术，在社会各个领域当中得到广泛应用，是当前科技领域的研究重点。人工智能技术模仿了人脑的工作原理与行为方式，以自动化机器为基础对问题进行识别、分析和解决。在电力企业的运营生产当中，人工智能技术逐渐得到应用，能够减轻人力负担，实现各项资源的优化配置。故障样本被大量采集后，能够增强设备对故障的反应速度，以便工作人员及时对其进行处理[1]。人工神经网络、智能模糊逻辑、遗传算法和混合逻辑等等，是当前人工智能技术的主要类型。不同技术类型与原理存在较大的差异性，在应用于故障诊断时需要结合技术特点加以合理选择。

2人工智能技术在电力系统故障诊断中的应用

2.1故障诊断中ES的应用

专家系统（ES）在电力系统故障诊断中的应用已经十分广泛，属于AI领域的重点组成部分，在知识工程研究中发挥着关键作用。运用ES原理时，需要以知识处理与知识运用的相关理论为基础。除了能够对相关定性问题进行处理外，在解决问题的过程中能够对专家经验与知识进行总结。因此，消除了传统解析方法的局限性，缩小了求解问题的知识搜索范围，促进问题解决效率的提升。在解释推理所用知识、过程以及结论时，主要借助于专家系统的解释模块。将ES应用于电力系统的故障诊断当中，由于在推理结构和表达方式上存在差异，因此也呈现出不同的特点[2]。基于知识模型表示法、基于谓词逻辑表示法、基于面向对象表示法、基于框架式表示法和基于产生式规则表示法等，是ES在电力系统故障诊断中常用的知识表达方式。

在知识描述过程中，谓词逻辑法的应用较为普遍，知识库的构造主要通过保护和断路器信息实现。该知识库能够实现对保护和断路器动作关系、电力系统结构以及断路器状态的描述，同时对保护原理、故障位置规则与启发性知识等加以描述，多重故障、保护和断路器误动、拒动诊断功能得以实现。但是在实际应用中也存在诊断效率与灵活性不高的问题[3]。诊断规则知识库既能够合理评价保护和断路器，也能够有效诊断变压器、输电线和母线等，这是产生式规则的主要特征。在对故障进行分析时，通过对比规则库和故障信息就可以快速实现，在因果关系分析中的应用较多，但是在系统结构描述中却呈现出一定的局限性。

2.2故障诊断中ANN的应用

与ES相比较而言，ANN省去了专业知识与专家启发性知识转化、知识库构造等环节，因此能够大大提升故障诊断的效率。对专家的提供的故障实例进行采集，完成故障诊断ANN模型训练样本集的构造，并开展针对性训练。ANN在监督训练当中，能够完成相应知识的自我组织与自我学习，其知识表达方式属于隐形表达，联想能力与泛化能力更强。ANN权值当中蕴含着问题的求解，其隐式推理大大提升了计算的速度。规模大小并不会对其推理速度产生影响，而且其鲁棒性、自我学习能力和自我组织能力等较强，在故障诊断、故障定位和故障类型识别当中呈现出巨大的优势。

在构建FNN模型时以BP算法为基础，对其动量因子取值进行优化，能够解决训练速度慢的弊端。同时，也可以运用局部逼近的径向基函数，对RBF-NN、BP-FNN以及自适应RBF-NN模型进行构造，其输入和输出分别为保护和断路器状态、故障位置。其具有较快的学习收敛速度与泛化能力[4]。NN组合模型的构建，能够使基于ANN的FD-PS容错性得到改善。在故障诊断中也可以采用Boltzmann机和BP-NN模型，在Boltzmann机中存储报警模式，能够保障纠错处理的实时性，结合BP-NN模型完成故障的诊断，使诊断容错性得到大大提升。

2.3故障诊断中FST的应用

FST的核心是模糊集合理论，对于不确定事件的描述引入了迷糊隶属的概念，加上近似推理与语言变量模糊逻辑的应用，能够实现对专家经验的有效表述。将FST应用于电力系统的故障诊断当中，能够促进系统容错性的增强，在实践应用中通常与ANN、ES和GA等结合使用。在电力系统故障诊断中虽然具有明确的信息，但是动作保护器与断路器状态的关联关系不够明确，在对其进行描述时就可以应用模糊隶属度。诊断结果模糊输出中通常会结合ANN和ES使用，以动作保护、断路器状态赋予报警信息的可信度为基础，模糊化处理诊断模型的输入信息，其输出的解释则由反模糊系统完成，其结论更具语言化特征。当存在不明确的关联关系时，对其进行描述时运用模糊数学。以可能的故障为基础，对故障点对报警信息的可能通路进行寻找，明确故障点与保护装置、保护装置与断路器关联关系的总模糊度，进而实现对故障诊断位置可能性的描述。隶属函数在对不确定性问题进行描述时，隶属函数类型成了该工作实施的关键问题，同时需要也应该考虑到故障诊断中的不确定性因素、实时信息的可信度因素等等。

2.4故障诊断中GA的应用

以Mendel遗传学说和Darwin自然选择学说为基础，GA逐渐发展起来，在解决复杂性问题时对生物遗传和进化进程加以模仿。优化问题的可行解以人工染色体表示，初始解群的构建采用随机方式，以自然选择为基础，提升局部或者全局最优解的概率[5]。GA的优点在于省去了繁杂的数学过程，无需选择处理训练样本。在电力系统故障诊断中应用GA时，以0-1整数规划问题替代故障诊断问题，明确断路器动作的时序信息，通过故障诊断适应度函数模型的构建，解决了复雜故障问题的诊断难题。故障信息也可以应用无源信息加以识别，故障诊断系统的构建需要依赖于模拟退火法、Boltzmann机法和简单GA与高级GA等，全局最优解的获取更加高效而准确。在电力系统故障诊断中应用GA，即使诊断信息缺乏完整性，也能够得到局部最优或者全局最优的诊断结果。但是，在实践应用中会受到信息畸变和故障模式复杂性的影响，导致结果可靠性降低。在后续研究工作当中，应该以被诊断对象特征为依据，对故障诊断适应度函数的容错性加以改进，明确迭代操作结束的准则，同时确保最终结果为近似最优解或者最优解。

2.5故障诊断中Petri的应用

以构造有向图的组合模型为基础，Petri网络能够运用矩形运算描述严格定义的数学对象。无论是在静态结构分析还是在动态行为分析当中，Petri网分析法都呈现出较大的优势。在对系统组织结构与动态行为进行研究时，能够定性、定量分析系统同时循环发生、同时发生和次序发生的活动过程。在离散事件动态系统建模与分析中，Petri网络得到广泛应用。电力系统故障就具有动态性和离散性的特点，故障反映在保护动作和系统电压当中，事件活动有故障切除的过程构成。继电保护、断路器和自动装置等实体活动和控制指令发送、信号传递、监测信号流等信息流活动等，是其中的动态事件。因此能够有效描述电力系统的故障动态过程，诊断模型的构建则可以通过Petri网实现。故障切除过程的Petri网络模型构建使，以电力设备为基本单位，并对该网络模型求解。不仅能够获得清晰的系统物理概念，而且在诊断中提升了数学求解的速度，能够保障诊断的实时性。Petri网络模型会受到断路器不正确动作的影响，应该设置相应的模块对其进行识别。在Petri网络模型的未来发展中，也需要对保护多重性配置、时间差异等进行深入研究。嵌入冗余Petri网的方法也得到应用，错误伴随式矩阵在Petri网中的加入，能够对事件序列和信息流不正常时的故障诊断进行控制，以差错控指编码技术为基础获取并分析故障诊断信息。

2.6故障诊断中DM的应用

数据挖掘技术是数据库知识发现的关键技术，实现了数据库技术与人工智能技术的有机融合[6]。尤其是在当前大数据时代，信息数据呈现出海量化的特征，应用数据挖掘技术能够实现对有效信息的快速提取，同时明确数据之间的内在规律。在增强数据库存储功能的同时，明确过去数据的内在联系，对其背后隐藏的重要信息进行挖掘。该类信心能够对数据整体特征加以描述，同时预估其发展趋势，为决策制定奠定基础。因此，应用DM能够大大降低主观因素对分析判断的影响，在社会各领域当中得到广泛应用。在传统模式下，电力系统故障的诊断需要借助于专家向调度中心传递动作信息，调度员再对其进行全面化分析以对故障原因与位置进行判断，不仅效率低下，而且难以保障问题解决的实效性。数据挖掘技术的应用，则大大减轻了工作人员的负担，有效适应当前大数据时代下故障诊断的工作要求。

3结语

在电力系统故障诊断中应用人工智能技术，能够消除人为因素对故障诊断精确性造成的影响，大大提升了系统的运行可靠性，是促进电力行业可持续发展的关键。在实践应用当中，应该明确ES、ANN、FST、GA、Petri和DM等各项技术的基本特点及其在故障诊断中的具体应用方式，并在未来发展中对其进行逐步优化与改进。

参考文献

[1] 闫国珍.对目前人工智能在电力系统故障诊断中的应用探讨[J].中国新通信，2019，21（08）：98.

[2] 张瑞强.人工智能技术在电力系统故障诊断中的运用分析[J].现代信息科技，2019，3（03）：29-31.

[3] 郑健生.人工智能技术在电力系统故障诊断中的运用分析[J].科技与创新，2019（02）：136+139.

[4] 林允.人工智能技术在电力系统故障诊断中应用[J].中国战略新兴产业，2017（36）：140-141.

[5] 赵启纯.人工智能技术在电力系统故障诊断中的运用分析[J].电脑知识与技术，2017，13（02）：183-185.

[6] 郭步阳.试论人工智能技术在电力系统故障诊断中的应用[J].科技创新与应用，2015（34）：206.