摘要：电力系统故障诊断是维护电网安全可靠、高效运行的一种有效方法，本文对常用的故障诊断方法如：专家系统、故障树、人工神经网络、Petri网络、粗糙集理论，模糊集理论、贝叶斯网络及优化方法和智能集成方法进行概述，分析其在电力系统故障诊断中的优点与不足，针对电力系统故障诊断面临的问题，在此基础上展望故障诊断方法进一步的研究趋势。
关键词：电力系统，故障诊断，算法
电力系统中快速而准确识别故障区域和元件，对重构电网分配调度恢复供电具有重大意义。电力系统运行状态的有效识别能防止电力系统中关键基础设施损坏、电网停电和系统故障。
电力系统故障诊断是通过利用有关电力系统及其保护装置动作信息和继电保护等信息来判断发生故障的元件、区域，故障类型和做出的修正动作是否合适。在电网规模逐渐扩大，结构更复杂的趋势下，为适应电网复杂多变的情况，准确快速的诊断已发生的故障为恢复电网调度提供决策支持是故障诊断方法发展的方向。目前国内外常用的电力系统故障诊断方法有：①定性分析方法：专家系统、故障树；②定量分析方法有：Petri网络、粗糙集理论、人工神经网络、模糊集理论等方法，下面分别就这几诊断方法做出具体分析，并提出一种基于大数据的信息处理的故障诊断方法设想。
1.电力系统故障诊断方法的研究现状
1.1基于专家系统的电力系统故障诊断
专家系统（Expert System，ES）是将人类专家解决实际问题的经验进行整合，并利用计算机程序来模拟人类专家对实际问题进行推理做出结论。在专家系统诊断方法中，动作逻辑以及保护与断路器之间的关系可以用较为直观、模块化的规则表示出来，并允许增加、删除或修改，以确保诊断系统的实时性和有效性，同时能够给出符合人类语言习惯的结论并具有相应的解释能力。
专家系统主要可分为以下两类：
1)基于启发式的专家系统。其典型应用是将断路器和继电器的动作逻辑进行时间标记以及运行人员的经验用规则表示出来，形成专家系统知识库进而根据报警信息对知识库进行推理，以获得诊断结果。
2)基于正、反推理的专家系统。此系统是结合正反向混合推理方法，根据继电器、自动重合闸和断路器与保护对象之间的逻辑关系建立推理规则，同时通过逆向推理[8]有效缩小可能发生故障的范围，根据继电器的动作和推理得到的假设故障来计算可信度。
该方法在实际应用中也存在不足：①获取完备的专家经验知识库比较困难；②容错能力差，却反识别错误信息的能力；③大型专家系统知识库经常要根据实际情况进行修改，维护工作难度很大。④在知识库规则较多，推理过程中存在冲突、组合爆炸等问题，造成推理速度慢、效率低下。
在专家系统中引入模糊隶属度的概念，利用模糊逻辑进行推理，能够很好改善专家系统的容错能力和提高故障诊断性能。
1.2基于故障树的电力系统故障诊断
故障树（Fault Tree，FT）是通过构建电力系统的故障树及各个子系统的相应故障树，定性分析求解故障树的最小割集，确定系统中所需要考虑的所有可能出现故障的组合并建立故障发生的概率比，依次排查完含有出现故障基本事件的最小割集。FT的搜索快速性还存在四点局限性：①故障树的各树节点之间缺乏逻辑关系，在故障诊断中不能快速定位；②故障树在故障诊断中不能实时数据输出；③树节点之间的识别度低；④受电网系统的复杂度影响大。
1.3 基于Petri网络的电力系统故障诊断
电力系统故障属于一个离散时间的动态系统，若将切除故障的过程看作是一系列事件活动的组成，动态事件主要包括实体活动（如断路器、继电保护装置等）和信息流活动（如信号传递、控制指令发送、各监 测信号流等），Petri网（Petri Net，PN）是分析和离散动态系统建模的理想工具，通过Petri 网络构造诊断模型。
Petri 网具有结构表达图形化、推理搜索快速化以及诊断过程数学化等优点，可以对同时发生、次序发生或循环发生的故障演化过程进行定性和定量的分析，适用于变电站的故障诊断。文献[1]仅需进行简单的矩阵计算，不需要在庞大的解空间中寻找最优解，诊断速度快，并给出了误动作和不确定性信息的模板。但该文是针对一个元件只配置一组保护的情况设计的，没有考虑对同一元件配备多套保护的情况。同时该方法也存在不足之处：①需要足够多的经验知识，遇到大规模的电网时由于设备增加和节点增加容易发生组合爆炸。②容错能力不强，不能很好地识别错误的报警信息。
1.4基于粗糙集理论的电力系统故障诊断
粗糙集理论（Rough Set Theory，RST ）是一种处理信息不完整性和不确定性问题的新型数学工具。RST用于电力系统故障诊断该方法不但可直接从完备的故障征兆样本集中导出正确的诊断结论，而且还能从不完备的故障征兆样本集中导出满意的诊断结论,它揭示了故障征兆信息的冗余性。
文献[4]提出了基于粗糙集理论与二元逻辑运算相结合的属性约简算法以及改进的值约简算法，并将其应用于由断路器和保护作为条件属性、故障区域作为决策属性的诊断决策表的约简过程中，利用决策表的约简形成综合混合知识模型。
用粗糙集理论进行故障诊断，能较强地处理信息不完整和信息冗余的情形。同时该方法也有需要改进之处：①粗糙集方法的诊断规则的获取取决于条件属性集下各种故障情况训练样本集。②当丢失或出错的警报信息是关键信号时，诊断结果将受到影响。③当电网较复杂、庞大时，将导致决策表的规模变大，约简困难，诊断速度和精度降低。
1.5基于人工神经网络的电力系统故障诊断
与专家系统（ES）相比，基于人工神经网络（Artificial Neural Network，ANN)的故障诊断方法具有鲁棒性好、容错能力强和自学能力强等特点。基于ANN 的电力系统故障诊断从该领域的专家提供的大量的实例形成用于故障诊断的神经网络模型和训练样本集，通过学习和训练实现该模型诊断功能，并且具有一定的泛化能力。
目前应用于电力系统故障诊断的ANN有：基于BP（Back Propagation）神经网络、基于径向基函数（Raids Basis Function，RBF）的神经网络和基于智能优化算法的神经网络等。文献[33]给出了典型的故障诊断神经网络BP模型，其实现方法是：以电力系统继电保护信息作为ANN的输入，以可能发生的故障作为其的输出，对ANN进行训练。
基于ANN的诊断方法的主要特点是避免了专家系统故障诊断所面临的知识库构造等难题，不需要推理机的构造。由于ANN训练的完备样本集获取困难，目前该方法只比较适合中小型电力系统的故障诊断。ANN方法在故障诊断应用中存在的问题主要有：①其性能取决于样本是否完备，而大型的电力系统的完备样本集获取非常困难；②与符号数据库交互的功能较弱；③不擅长处理启发性的知识；④不知如何确保ANN训练时收敛的快速性和避免陷人局部最小；⑤缺乏解释自身行为和输出结果的能力。
针对ANN的启发性弱、收敛性和易陷入局部最小的问题，将专家系统、遗传算法和群智能优化算法与ANN结合，对ANN进行训练，提升ANN在电力系统故障诊断中的性能。文献[34]将专家系统与ANN结合，综合了专家系统和人工神经网络各自的优点，充分利用专家系统的推理判断能力和ANN的学习和容错能力，比单独利用专家系统或人工神经网络的电力系统故障诊断系统具有更好的性能。文献[5]使用局部逼近的径向基函数神经网络（RBF）实现故障定位。它以输电网络中所有可能获得的保护和断路器的状态作为输入，将所有可能的故障位置作为输出，并以0,1来表明输入、输出相量激活与否。文献[6]将BP神经网络与遗传算法（GA）结合，采用双重GA循环优化该神经网络的结构和连接权重，可以较好地解决电力系统故障诊断问题。
1.6基于模糊集理论的电力系统故障诊断
模糊集理（Fuzzy Set Theory，FST）将经典集合理论模糊化，采用模糊隶属度的概念来描述不精确、不确定的对象，并引入语言变量和近似推理的模糊逻辑，是具有完整推理体系的智能技术。模糊系统由模糊知识库、模糊推理机和人机界面等几部分组成，提高了系统的容错性，而且其模糊知识库使用语言变量来表述专家的经验，更接近人的表达习惯。
FST在电力系统故障诊断的应用分2类情况：一类认为诊断所依据的信息正确，但故障与对应的动作保护装置和断路器状态之间存在不确定的关联关系，以及用模糊隶属度对这种可能性进行描述的度量。
另一类则认为诊断所依据的报警信息的可信度不为1，而根据系统网络拓扑与故障所发生的动作保护、断路器状态赋予报警信息的可信度，再结合其他故障诊断方法（ANN、Petri、ES）给出故障诊断结果的模糊输出。文献[7]先对诊断模型所依据的输人信息模糊化，根据输、配电网络拓扑的当前情况，对继电器、断路器动作行为的统计数据赋予报警信息可信度，通过ANN或专家系统诊断模型输出模糊数，再由反模糊系统去解释其输出，提供给运行人员易理解的结论。
期刊文章分类查询,尽在期刊图书馆
基于FST的电力系统故障诊断方法在处理信息不确定具有优势，但往往都需要与其他诊断方法结合运用。在深入研究和应用FST，依然存在几点缺陷：①针对不确定性问题采用模糊隶属度时，隶属度函数的建立方法还不够完善；②复杂模型的模糊模型的建立、辨识，语言规则的获取、修改及维护存在难度。
1.7基于信息融合的电力系统故障诊断
信息融合（Information Fusion，IF）通过对多源信息加以自动分析和综合来获得比单源信息更为可靠的结论。目前，基于信息融合的电力系统故障诊断方法主要包括决策层融合方法和特征层融合方法。
特征层融合故障诊断方法主要是利用神经网络（NN）和支持向量（Support Vector Machine，SVM）将多个故障特征进行融合，得到融合后的故障特征用于诊断或者直接输出故障诊断结果。故障特征既可以是从多个传感器数据中得到的，也可以是从相同数据中抽象出来的不同特征。
决策层融合故障诊断方法是对不同传感器数据得到的故障诊断结果或者相同数据经过不同方法得到故障诊断结果利用决策层融合算法进行融合，从而获得一致的更加准确的结论。基于DS证据理论（Dempster-Shafer Evidence Theory）融合的方法是决策层融合故障诊断中研究最多的一类。DS证据理论在处理有不确定性的多属性判决问题时具有突出的优势，他不但能够处理由于不精确引起的不确定性，而且能够处理由于不知道所引起的不确定性。文献[8]将信息融合技术应用于电力系统故障诊断，对故障信息进行综合处理以提高故障检测的精度和鲁棒性。文献[Fault diagnosis using multi-source information fusion]引入模糊隶属度概念到DS证据理论中，可以很好的处理信息充足性、重要性和信息冲突。
基于信息融合的电力系统故障诊断方法利用了多个传感器的互补和冗余信息，但是如何保证这心信息能后被有效利用，以达到提高故障诊断的准确性及减少误报和漏报的目标还有待进一步研究。
1.8基于贝叶斯网络的电力系统故障诊断
贝叶斯网络（Bayesian Network，BN）是一种模拟人类推理过程中因果关系的不确定性处理模型，其网络拓朴结构是一个有向无环图。它的节点用随机变量或命题来标识，将认为有直接关系的命题或变量用弧来连接，能根据己知的网络拓扑模型进行概率事件的推理。贝叶斯网络理论对解决复杂系统不确定因素引起的故障诊断具有很大的优势，被认为是目前不确定知识表达和推理领域的最有效的理论模型之一。将贝叶斯网络技术应用于电力系统故障诊断，能够很好地弥补诊断技术存在的不确定性和数据容错方面的不足。
贝叶斯网络方法能有效地提高诊断精度和速度，且适合较大规模故障信息的复杂性和不确定性。贝叶斯网络逐渐应用于水电机组故障诊断、变压器故障诊断以及架空输电线路的状态估计中，并取得不错效果。
1.9基于优化方法的电力系统故障诊断
基于优化方法（Optimization Method，OM）的电力系统故障诊断是根据设备、保护动作、断路器之间的逻辑关系，设定建立合理的故障诊断的目标函数，优化算法根据通过优化算法寻找使构造的目标函数最小（最大）最优解，找出最能解释故障信息的故障设备和故障类型。
常用的优化方法有遗传算法、模拟退火算法、Tabu搜索算法、贪婪算法等。文献[9]应用量子粒子群优化算法研究故障元件的识别方法，先根据保护动作原理将故障诊断问题表示为0-1整数规划问题，然后用量子粒子群优化算法求解，具有稳定性高、运行速度快等优点。文献[10]利用保护和断路器动作信息的电力系统故障诊断的解析模型，使用遗传算法求解，解决了信息不完整时的电力系统故障诊断问题。
上述方法也有一些问题尚需进一步探讨：①在形成目标函数的过程中，构建具有高容错性能的故障诊断适应度函数，需要考虑多级后备保护时比较困难。②复杂的故障模式或者故障信息畸变直接影响结果的可靠性。③寻优过程的随机性使得优化方法失去某些最优解。④迭代操作结束准则的有效性。
1.10基于智能集成方法的电力系统故障诊断
智能集成（Intelligent Integrated）化故障诊断方法是一种集成多种故障诊断方法策略，对复杂故障进行诊断和监控的有效方法。随着电力系统自动化技术的水平不断提高，电网的规模和结构越来越复杂，面对电力系统故障征兆多样、诱发原因复杂的诊断问题，有时单一的故障诊断方法很难做出全面的诊断结论，这就需要诊断信息、诊断知识和诊断方法等进行集成，从而获得可靠的诊断结果。电力系统故障诊断中的专家系统、模糊集理论、人工神经网络等方法是比较成熟的单一诊断方法，这些方法都有各自的特点和优势，但存在缺点和不足。将这些方法集成，可以综合发挥各种方法的优点，克服其局限性和不足，更能提高电力系统故障诊断的可靠性和效率。
2.电力系统故障诊断方法未来发展趋势
电力系统故障诊断是维护电网安全运行非常重要的一环，综合上述对电力系统故障诊断方法的分析，我们可以知道故障诊断方法在向着快速、高效、智能的方向发展。结合对上述常用的电力系统故障诊断方法的分析，为能更深入的研究适合未来电力系统变化的故障诊断方法，今后的电力系统故障诊断方法的发展方向有以下几个方面：
①大数据模式的故障诊断。电力系统的高维、强非线性、强耦合剂时滞等特性使得很难建立其精确的数学模型。随着智能电网的发展，能源大数据概念的提出，使故障诊断方法所考虑的影响因素不再局限于保护继电器、断路器等数据，而是包含多种类别（如：运行数据、天气数据、历史数据、管理数据等）的巨量的数据。如何根据这些数据对其进行故障诊断和预测就成为保证复杂系统安全可靠运行的关键问题。
②智能集成化故障诊断。电力系统实际运行的复杂性和故障偶发性，以及各种故障诊断方法的不足和缺陷使得单一的故障诊断方法往往无法达到所需要的效果。如何有效的将多种故障诊断方法进行结合，弥补故障诊断方法之间的不足，提高故障诊断性能是具有重要现实意义的研究方向。人工智能在电力系统故障诊断领域中应用非常广泛，如基于专家系统、人工神经网络、遗传算法和模糊推理等方法，将这些智能方法结合利用到故障诊断中，提高故障诊断方法的水平和效率。
③网络化故障诊断现代科学技术和电力设备的发展，需要监测的数据类别越来越多，数据量也越来越大，同时对监测的速度、精度、完整性、可靠性和实时性等要求也越来越高，将故障诊断方法与计算机技术相结合，是今后研究发展电力系统故障诊断方法的重要方向之一。
3.结论
面对电力系统规模不断扩大和结构日趋复杂，对故障诊断方法的要求也在不断提高。本文分别就专家系统、故障树、人工神经网络、Petri网络、粗糙集理论、模糊集理论和优化方法及智能集成等方法在电力系统故障诊断的实际应用中进行定量和定性分析。分析其在电力系统故障诊断中的优势，也总结出在实际问题处理中存在的缺陷、不足，及未来研究发展的方向。随着智能技术的不断发展。将智能技术与故障诊断方法结合应用到电力系统故障诊断中，对重构电网分配调度辅助决策具有重要的指导意义，对维护电力系统的安全、可靠、高效运行，减少事故的经济损失具有重要的理论和现实意义。
参考文献：
[1]Lo K L, Ng H S, Trecat J. Power systems fault diagnosis using Petri nets [J]. IEE Proceedings-Generation, Transmission and Distribution, 1997, 144(3): 231-236.
[2]张琦.一种基于粗糙集理论的电力系统故障诊断和警报处理新方法[J].中国电力,1998, 31(4): 32-35.
[3]晁进,刘文颖,刘勇智, 等. 基于粗糙集理论的电网报警规则自动提取与应用[J]. 电力系统保护与控制,2011,39(8):95-99.
[4]卢鹏, 王锡淮, 肖健梅. 基于粗糙集和图论的电力系统故障诊断方法[J]. 控制与决策, 2013, 28(4): 511-516.
[5]毕天姝, 严正, 文福拴, 等. 基于径向基函数神经网络的在线分布式故障诊断系统[J]. 电网技术, 2001, 25(11): 27-32.
[6]毕天姝,倪以信,吴复立, 等. 基于混合神经网络和遗传算法的故障诊断系统[J].现代电力,2005,22(1): 31-36.
[7]周明, 任建文, 李庚银, 等.基于模糊推理的分布式电力系统故障诊断专家系统[J]. 电力系统自动化, 2001, 25(24): 33-36..
[8]赵熙临. 基于信息融合的电力系统故障诊断技术研究[D]. 武汉: 华中科技大学, 2009.
[9]李晓, 黄纯. 电力系统故障诊断的量子粒子群优化算法[J]. 电力系统及其自动化学报, 2011, 23(4): 61-66.
[10]文福拴. 基于遗传算法的电力系统故障诊断的解析模型与方法: 第一: 模型与方法[J]. 电力系统及其自动化学报, 1998, 10(3): 1-7.
论文作者:熊金龙,朱小健
论文发表刊物:《电力设备》2017年第35期
论文发表时间:2018/5/14
标签：故障诊断论文; 电力系统论文; 方法论文; 故障论文; 专家系统论文; 神经网络论文; 信息论文; 《电力设备》2017年第35期论文;