面向电网故障诊断的分层免疫模型设计

2021-02-04王守鹏赵冬梅袁敬中高杨姜宇张立斌

广东电力 2021年1期

王守鹏，赵冬梅，袁敬中，高杨，姜宇，张立斌

(1.国网冀北电力有限公司经济技术研究院，北京 100038；2.华北电力大学电气与电子工程学院，北京 102206)

电网故障诊断是电网智能调度决策的基础课题，通过分析判断调度技术支持系统采集的故障信息来找出故障原因、确定故障设备，对于减少停电时间、提高故障处理水平具有重要的意义[1-3]。近年来，为有效提高电网故障诊断水平，许多专家、学者对该课题展开了深入的研究，如专家系统[4-5]、人工神经网络[6-7]、贝叶斯网络[8]、Petri网[9-10]、解析模型[11-12]、数值计算分析[13-14]等。这些研究可在一定程度上解决电网故障诊断问题，并在提高故障信息完整度和精确度方面取得一定成效。然而在实际应用中，如何构建完备的故障诊断模型仍然有许多问题需要解决。

在电网故障诊断的各种算法和模型中，基于先验知识的模式匹配算法能够迅速确定已知的故障，但在故障告警不确定及故障知识不完备时，很难准确诊断故障情况。基于解析模型的故障诊断不需要先验知识，可以有效识别未知故障，但解析模型主观分配权重及应用单目标优化技术求解，诊断结果受主观因素影响。利用电气数据进行数值计算分析的故障诊断可以显著提高诊断结果的准确性，然而在实际应用中，电气量数据的使用会受到数据量级的限制，进而影响诊断效率。单一算法的应用难以避免诊断过程中所面临的这些问题；因此，需要精心挖掘和全面考量各种故障相关因素，进行不同诊断方法的融合，设计更为完备、高效的诊断模型，以解决现有电网故障诊断面临的问题。

免疫系统识别抗原的机制和电网故障诊断识别故障元件的机制具有相似性。免疫系统可以非特异性辨识并消灭抗原，维持机体免于抗原侵扰；电网故障诊断能够检测告警信息并确定故障情况，及时消除故障，避免电网事故的发生。本文借鉴和参照免疫系统的防御机制、有关原理，探究免疫系统与电网故障诊断的相似功能和原理，构建一种能够适用电网故障诊断的分层免疫模型。该模型结合模式匹配、解析模型和数值计算分析等方法，应用开关量数据、电气量数据，分层分步开展故障诊断，有利于诊断系统获得更为高效的性能和更为准确的结果。

1 生物免疫多层防御机制

免疫系统凭借多层防御结构保护机体免受体外、体内各种抗原的侵害，构成对抗原的保护屏障[15]，其结构如图1所示。

图1 多层免疫防御机制Fig.1 Multi-layer immune defense mechanism

在多层防御机制中，固有免疫利用非特异性抗原识别在防御初期发挥重要效用，并能够推动适应性免疫的活化[16]。适应性免疫用以实现固有免疫难以实现的防御机能，其利用免疫记忆和免疫学习特性，在消除抗原的后期和抗原再一次侵害的预防阶段发挥重要作用[17]。

2 电网故障诊断问题的提出与解决思路

2.1 对电网故障诊断系统的要求

对电网故障诊断系统而言，涉及的相关模型及需求复杂多样，在深入研究诊断系统模型和需求的基础上，本文利用数据及方法融合的思想构建诊断系统，须符合以下要求：

a)在故障诊断系统容错性方面：诊断系统面临着保护装置/断路器装置拒动、误动和警报信息异常、丢失时故障征兆混叠现象加剧的问题。因此，诊断系统需要具有在保护装置、断路器装置动作错误或警报信息异常状况下准确辨识故障的能力。

b)在基于先验知识的故障诊断的知识库设计方面：诊断系统很难充分考虑电网运行中可能出现的故障，并且随着电网拓扑结构的日益复杂，获取完整、有效的故障知识变得越发困难。因此，诊断系统需要具备连续学习的能力，可以不断增补和更新故障知识。

c)在基于解析模型的诊断系统求解方面：现有诊断模型采用单目标优化技术求解时会面临主观分配权重及各目标优化进程不可控的问题。因此，诊断系统在求解模型时，需要考虑优化算法的寻优特性，寻求一种能符合真实故障场景的高效智能优化算法。

d)在基于数值计算分析的故障诊断应用电气量方面：诊断系统在使用电气量时面临着数据量级影响的问题。例如，当电网中某一元件故障后，控制中心能够接收到大量的波形数据，包括与故障直接关联和非关联的波形数据。若同时对这些数据进行调用、分析，势必会影响电网故障诊断的效率，严重降低诊断方法的实用性。近年来，基于多源信息的数值分析方法[18-20]亦面临着上述问题。因此，诊断系统需要兼顾开关量与电气量信息的调用，降低故障信息的规模，提升诊断系统的推理效率。

2.2 解决思路

本文基于上述要求，仿效和参照免疫系统的防御机制和有关原理，构建了一种可用于电网故障诊断的分层免疫模型，技术思路概括如下：

a)研究电网故障诊断机理和免疫系统防御机制的相似性，将故障诊断划分为固有诊断层和适应性诊断层，并将分层的诊断模式加入到故障诊断。同时，选取分步诊断的策略，分阶段进行已知故障诊断(利用模式匹配算法)、未知故障诊断(利用解析模型算法)，以实现故障元件的快速、准确诊断识别。

b)为使诊断系统具备较强的适应性，研究模拟免疫系统中的连续学习机制，利用连续学习机制对故障知识进行增补、更新，使系统的功能得到持续改进。

c)为解决现有采用优化技术的诊断模型存在的不足，应用人工免疫系统的相关算法，研究将多目标优化技术应用于电网故障诊断，使其转为多目标优化问题，以减小主观影响导致的误差。

d)仿效免疫系统的防御结构，利用开关信息与电气信息作分级诊断分析。首先调用开关信息进行诊断分析，若产生多重解问题，则调用电气信息进行诊断分析，通过应用分层诊断策略，可提高诊断推理的效率。

3 分层免疫故障诊断模型结构

本文将免疫系统的防御机制和有关原理应用于故障诊断，构建一种能够适用于电网故障诊断的分层免疫模型，如图2所示。

图2 分层免疫故障诊断模型Fig.2 Hierarchical immune fault diagnosis model

该模型搭建2层架构，由固有诊断层与适应性诊断层组成，计及了免疫系统的分层防御机制、固有免疫和适应性免疫互相触发的结构，以及免疫系统的连续学习能力；同时，采用分层、分步诊断的策略，利用各种故障相关信息实现已知故障的快速诊断、未知故障的有效识别和新故障的连续学习等功能。

3.1 固有诊断层

固有诊断层模拟固有免疫系统的防御机制，以体液免疫原理为理论基础，模拟其防御抗原侵扰的机制和结构[15]，起到第1层诊断的作用。该层级由模式匹配模块、故障知识库及体液免疫学习模块构成。利用体液免疫学习模块构造知识库和训练新的故障，对于已知故障，利用模式匹配模块完成快速识别。

该诊断层以开关量信息为输入，实现相互独立的已知故障的有效辨别。该诊断层利用先验知识和模式匹配对故障信息进行诊断分析和知识推理，有利于提升诊断速度。

3.2 适应性诊断层

适应性诊断层模拟适应性免疫系统的防御机制，主要完成固有诊断无法匹配的故障的分析，由未知故障诊断识别模块和故障解集辨识模块组成。

a)未知故障诊断识别模块。构建基于解析模型的诊断模块，根据人工免疫的免疫记忆及免疫学习的原理，将多目标优化的算法[21]应用于故障诊断。通过对构造的多目标模型的求解，诊断出固有诊断层未匹配的故障。同时，将结果反馈到固有诊断层中体液免疫学习模块中连续学习该新故障。

b)故障解集辨识模块。对未知故障诊断识别模块的多重解，调用电气量信息进行诊断分析，建立母线、线路、变压器等故障相关元件的电气量判据，并用判据结果辨识多重解，以确定最终结果。同时也要将该结果反馈到固有诊断层的体液免疫学习模块进行连续学习。

4 分层免疫故障诊断策略

在分层免疫模型中，故障信息利用抗原提呈和激活信号来交互和传递，通过不同诊断层的互相协作，自动更新故障知识，从而优化系统的功能。

在固有诊断层，采用模式匹配方法对实时监测的告警信息和故障知识库中的已知故障知识进行匹配。如果匹配成功，则报送诊断结果，否则触发适应性诊断层，并通过抗原提呈传送该告警信息。在适应性诊断层中，未知故障诊断识别模块优先接收该信息，并且接收固有诊断层传送的激活信号，通过这些传递和交互作用，实现适应性诊断功能。在未知故障诊断识别模块中，通过解析开关量故障信息，确定并求解待优化的解析模型。如果该告警信息未得到确诊(即生成多重解)，那么触发故障解集辨识模块，同时调入与多重解中元件相关的电气信息，完成多重解辨识，获得正确的结果。最后，将适应性诊断层获得的结果利用学习反馈创建故障检测器，保存至固有诊断层的知识库内，以快速响应此类故障。层次间的信号交互如图3所示。

图3 层次间交互Fig.3 Interaction between layers

5 故障诊断系统的实现

以本文设计的模型为系统的主功能模块，搭建适用于调度支持系统的诊断系统，功能结构如图4所示。为了验证设计模型的有效性及可行性，选取基于高层体系结构的仿真系统[22]进行算例分析。

a)算例1：对仿真系统中的五台站设置220 kV Ⅰ母A、B相间短路、2201断路器拒动。与该算例相关的系统拓扑如图5所示，信息预处理后的诊断信息见表1。

图4 系统功能结构Fig.4 System function structure diagram

图5 算例1的系统拓扑Fig.5 System topology in case 1

表1 算例1的故障信息Tab.1 Fault information of case 1

诊断结果为：① 220 kV Ⅰ母故障；②五青Ⅰ线PSL-602GM装置纵联距离保护误动；③ 城五Ⅰ线2281断路器误动；④ 1号主变压器(以下简称“主变”)220 kV侧2201断路器拒动。该结果与设置的故障情况相符。

b)算例2：对仿真系统中的峨眉站设置110 kV Ⅱ母B、C相间短路，并触发2号主变C相发生故障。与该算例相关的系统拓扑图如图6所示，诊断信息见表2。诊断结果为：① 110 kVⅡ母和2号主变故障；② 2号主变RCS-978装置差动保护拒动；③ 峨东线1152断路器误动。该结果与模拟发生的故障情况相符。

可见，采用本文设计的电网故障诊断系统能够定位简单故障的故障设备以及含保护、断路器拒动或误动的复杂故障，仿真结果符合设计要求。