本文關鍵詞：人工智能技術在電力系統(tǒng)故障診斷中應用，由筆耕文化傳播整理發(fā)布。

人工智能技術在電力系統(tǒng)故障診斷中應用

廖志偉1，2，孫雅明1，葉青華2

(1．天津大學電氣與自動化工程學院，天津300072；
2．華南理工大學電力學院，廣州510640)

    摘  要：對人工神經(jīng)網(wǎng)絡、專家系統(tǒng)、遺傳算法、模糊理論等人工智能技術的基本概念進行了簡單的介紹，并從實用化的觀點對它們在電力系統(tǒng)故障診斷中的應用特點、存在問題進行分析，最后指出人工智能技術用于電力系統(tǒng)故障診斷的最新發(fā)展動向。
    關鍵詞：電力系統(tǒng)；故障診斷；人工智能

1 引言
　　電力系統(tǒng)實時故障診斷問題的研究，一般都是根據(jù)在故障過程中，對某些裝置和設備所出現(xiàn)的一系列數(shù)字和狀態(tài)信息量進行分析和推理。在此基礎上查出導致系統(tǒng)某種功能失調(diào)的原因和性質(zhì)，判斷故障發(fā)生的元件以及預測故障惡化的發(fā)展趨勢，得出診斷結(jié)論。在電力系統(tǒng)的故障診斷(faultdiagnosis of power system——FD－PS)方面已開展了不少研究，傳統(tǒng)型的FD－PS研究是在建立被診斷系統(tǒng)網(wǎng)絡拓撲結(jié)構模型的基礎上，根據(jù)發(fā)生故障時，系統(tǒng)結(jié)構和參數(shù)變化，導致系統(tǒng)潮流的變化，進而根據(jù)潮流計算的變化判斷出故障。但潮流計算和分析處理的耗時量大，會影響診斷速度和快速故障恢復處理。另外正常運行時某些線路潮流值小，接近于0(如線路輕載運行)，故用潮流來判斷故障，也不能保證診斷的準確性。所以電力系統(tǒng)故障診斷用傳統(tǒng)的數(shù)學方法，因系統(tǒng)規(guī)模、復雜程度和不確定因素等的限制，系統(tǒng)故障診斷難以達到理想的效果。
　　由于電力系統(tǒng)的整個故障過程難以用數(shù)學模型來進行描述，而AI善于模擬人類分析和處理問題的智能行為，適宜對難以用數(shù)學模型分析和求解問題的研究，所以AI技術的發(fā)展為FD－PS的研究開辟了新途徑和新方法。近十幾年來，國內(nèi)外將AI技術用于電力系統(tǒng)的研究已有不少，并取得了有成效的研究成果，且已有部分成果在實際中得到了應用［1～3］，但轉(zhuǎn)成商用化的數(shù)量與研究數(shù)量相比實在是太少了，因此在新的世紀中，應致力于將AI的研究推廣應用到實際中，作為進一步研究的目標。
　　本文對國內(nèi)外已研究的智能型FD－PS作全面分析和歸納，主要對ES、ANN、FST、GA及Petri網(wǎng)絡等技術在FD－PS中應用研究進行全面的概述，并在此基礎上用實用化的觀點來分析它們在FD－PS中應用的特點以及存在的主要問題，對智能技術在FD－PS中的發(fā)展趨勢進行了探討。

2 基于ES原理的電力系統(tǒng)故障診斷［4～20］
　　ES［4～6］是發(fā)展最早，也是比較成熟的AI分支之一，它與知識工程研究緊密聯(lián)系在一起。在ES構造中，它必須涉及所研究問題領域的知識表達方式，知識處理與知識運用方面的理論和方法。ES不僅是融合了書本相關的理論知識來處理各種定性的問題，而且還可總結(jié)和利用專家的經(jīng)驗知識(或稱啟發(fā)式知識)來求解問題。它不僅可解決那些依靠解析方法不能解決的問題，也可使所求解問題的知識搜索和推理范圍縮小，提高問題求解速度和推理效率；另外ES的解釋模塊能夠?qū)ν评硭�用的知識、推理過程及結(jié)論進行解釋。在電力系統(tǒng)中，ES在故障診斷和恢復處理方面的研究較多，可根據(jù)ES知識表達方式和推理機結(jié)構的不同對ES進行劃分。
　　在電力系統(tǒng)故障診斷的ES中，常用的知識表達方式有：基于謂詞邏輯表示法，基于產(chǎn)生式規(guī)則表示法，基于過程式知識表示法，基于框架式表示法，基于知識模型表示法和基于面向?qū)ο蟊硎痉�。實質(zhì)上后兩種是由于計算機和語言技術、智能技術的發(fā)展而形成的，它們是在前三種基礎上的新形式和新結(jié)構。對它們在電力系統(tǒng)故障診斷應用的特性分析如下：
　　謂詞邏輯法是一種較早的知識描述方法之一。文獻［7］提出利用保護和斷路器信息來構造知識庫，文中使用Prolog語言用謂詞邏輯構造三個知識庫：1)描述電力系統(tǒng)結(jié)構、保護和斷路器動作關系及斷路器的狀態(tài)方面的知識；2)描述保護原理方面的知識；3)描述故障位置的規(guī)則和啟發(fā)性知識。它根據(jù)故障設備與保護、斷路器的信息關系，采用反向推理，實現(xiàn)多重故障、保護和斷路器誤動、拒動診斷的功能。但謂詞邏輯僅僅依據(jù)形式邏輯進行，推理過程太冗長，效率低；不便于加入啟發(fā)性知識；靈活性差。故其應用范圍受限制。
　　在FD－PS中，由于各種保護的動作邏輯，保護與斷路器之間的因果關系易于用模塊化的規(guī)則集表示，故不少ES采用產(chǎn)生式規(guī)則來描述知識［8，9］。文獻［8］則根據(jù)診斷的對象不同，將診斷規(guī)則知識庫分為兩類：一類屬于對保護和斷路器進行評價的規(guī)則庫；另一類則是輸電線、變壓器、母線診斷的知識庫。當發(fā)生故障時，將事故信息與相應的規(guī)則庫相匹配，得出故障結(jié)果�；�于產(chǎn)生式規(guī)則的知識表示結(jié)構便于增加、刪除或修改一些規(guī)則。它適宜于表示因果關系的知識，但難于描述電力系統(tǒng)結(jié)構性的知識，且這種知識表達方式對層次性、繼承性知識的表達能力較差，降低了推理的效率。
　　基于框架理論表示法是將概念性和經(jīng)驗性的知識事例、事件細節(jié)，用類似框架的通用數(shù)據(jù)結(jié)構描述的一種結(jié)構化知識表達方式。由于電力系統(tǒng)中網(wǎng)絡結(jié)構復雜，設備之間存在各種拓撲關聯(lián)和電氣關聯(lián)，宜于用框架結(jié)構來描述［5～6，10～11］。文獻［10～11］通過線路框架表示廠站和廠站的連接關系，形成框架網(wǎng)絡，將電網(wǎng)的整個拓撲結(jié)構知識清晰描述�？蚣芸伸`活的形成層次關系，繼承屬性使表達簡單，簡化復雜的推理知識，其缺點是不善于表達過程性的知識。
　　基于知識模型表示法［12，13］用“與，或”邏輯元代替?zhèn)鹘y(tǒng)的經(jīng)驗啟發(fā)式規(guī)則來表示各電力系統(tǒng)設備內(nèi)在功能，各設備與各種輸入信息間的物理連接關系，構造被診斷系統(tǒng)內(nèi)各種設備的知識邏輯模型。這種表達方式描述了對象的整個邏輯推理的過程，就相當于過程式知識描述，不同處是根據(jù)信息的具體情況嵌入相應的邏輯運算，使整體概念和行為更清晰。文獻［12］是通過用“與，或”邏輯元表示斷路器與保護之間多重性關系，并將它們有序連接構成所要診斷的電力系統(tǒng)“前向”邏輯電路模型。當發(fā)生事故時，根據(jù)所得到事故信息輸入電路模型，再由電路模型的輸出與實際斷路器的狀態(tài)相比較，最后給出診斷結(jié)果或相應的診斷假設進行進一步的推理�；�于知識模型表示法是將電力設備表示為等效的邏輯元件，它是局部的整體性，缺乏整個ES的通用性及層次性，并對診斷假設的驗證推理增加了復雜性。
　　面向?qū)ο蟮闹�識表達方法是隨著面向?qū)ο蠹夹g和語言而推出的。將研究問題抽象為類，將類實例化為對象，通過采用繼承和封裝技術，減少了知識表達的冗余性和易于知識庫修改［14～16］。文獻［15］通過分析被診斷系統(tǒng)每個組成設備的屬性，用不同層次類來描述相應的電網(wǎng)組成設備，并由對象的實體來描述整個電網(wǎng)在故障情況下它們的動態(tài)可能行為。在此基礎上將推理機的診斷過程用面向?qū)ο蠹夹g進行處理。這種知識表示方法在本質(zhì)上與框架式表示法沒有質(zhì)的區(qū)別，但由于面向?qū)ο蠹夹g和語言的發(fā)展而賦予新的定義，使其在表達方式上更簡潔、清晰。同時將框架理論的優(yōu)點更充分的發(fā)揮，特別是對邏輯推理過程的適應能力增強。
　　在電力系統(tǒng)故障診斷的ES中，常用的推理機制可以劃歸為正向推理、反向推理、正反向混合推理三種基礎推理結(jié)構。
　　文獻［17］輸電線路故障診斷中采用正向推理。根據(jù)系統(tǒng)發(fā)生故障時，跳閘的斷路器和動作的保護信息作為驅(qū)動輸入，按照知識指導的推理策略調(diào)動知識庫在相關空間中規(guī)則，搜索求得故障診斷的結(jié)果(由網(wǎng)絡結(jié)構信息、斷路器狀態(tài)、斷路器與保護裝置的連接和保護系統(tǒng)的屬性等組成)。當規(guī)則的條件部分與診斷輸入信息相匹配，就將該規(guī)則作為可用規(guī)則放入候選隊列中，再通過沖突消解，將其作為進一步推理的證據(jù)直至得到診斷結(jié)果。
　　反向推理首先提出假設，然后尋找支持該假設的證據(jù)，若所需證據(jù)都能夠找到，則表明該假設成立，反之假設不成立［7］。這種推理方法極少單獨在FD－PS中使用，而是與前向推理相結(jié)合，用于構造正反向混合推理［18～20］。文獻［18］中對輸電線和配電網(wǎng)報警處理和故障診斷ES的推理機是采用基于正反向混合推理機結(jié)構，首先根據(jù)跳閘斷路器的保護信息進行初步推理，得到故障設備的假設。根據(jù)所得假設，再用斷路器和保護設備之間的邏輯規(guī)則進行反向推理，驗證假設的故障設備的正確性，有效的縮小查找故障范圍。
　　綜上所述，基于ES技術的電力系統(tǒng)故障診斷系統(tǒng)的研究已有近20年的歷史。隨著計算機和語言技術、智能技術的發(fā)展，使知識表達形式和結(jié)構也隨之有所相應的變化，在知識獲取和構造方面有很多的改進，其發(fā)展的趨勢是力圖使知識獲取、知識表達工作簡化，進而使故障診斷的推理效率得到提高。但ES基于知識實現(xiàn)故障診斷的推理邏輯過程原理是不變的，因此，在實際應用中的某些缺陷仍不能忽視。
　　1)在電力系統(tǒng)故障診斷ES研究中，知識獲取的工作一直給予研究者很大的壓力。如何更有效、更全面的獲取專家知識，是構造一個完備的ES的診斷系統(tǒng)不得不必須面對的難題。
　　2)ES的知識表達：知識表達方式和知識構造質(zhì)量是ES成功的關鍵；專業(yè)知識和專家啟發(fā)性知識轉(zhuǎn)化和形成完備的知識庫仍是故障診斷ES的瓶頸；知識庫的可維護性也是極其重要的，知識庫不完整或不一致可能導致ES推理混亂并得出錯誤的結(jié)論。
　　3)ES的高容錯性推理：無論何種知識表達方式，當發(fā)生故障時，都是依據(jù)故障信息所對應知識庫進行樹圖的搜索。而知識庫是建立在診斷問題所對應的知識樹，它是按預先領域知識構造成的組合固定的樹，而并非是任意組合的，其自學習能力是極有限的。但實際中的FD－PS問題所依據(jù)的故障信息都屬于實時信息，在現(xiàn)實的環(huán)境中，信息在形成和傳遞過程中發(fā)生信息畸變的可能性是不可避免的，易出現(xiàn)知識庫沒有涵蓋的新故障情況。會使得基于知識推理ES陷入無窮遞歸，無法求解或得出錯誤解。故ES的容錯能力較差，這是用于實時ES的最大局限性。
　　因此，將具有自學習和聯(lián)想功能的ANN，基于FST的不確定性推理與ES技術相結(jié)合，是近年來ES發(fā)展的主要趨勢。

3 基于ANN原理的電力系統(tǒng)故障診斷［21～46］
　　ANN也是AI技術的一個重要分支，基于ANN原理的FD－PS與基于ES原理的FD－PS相比，其最大的特點是不需要為專業(yè)知識與專家啟發(fā)性的知識轉(zhuǎn)化、知識形成、知識表達方式和知識庫構造作大量工作，而只需以領域?qū)＜宜�提供的大量和充分的故障實例，形成故障診斷ANN模型的訓練樣本集，運用一定的學習算法對樣本集進行訓練。通過有導師監(jiān)督的訓練學習使ANN實現(xiàn)知識的自我組織，自我學習能力。經(jīng)學習后，在神經(jīng)元及它們之間的有向權重連接中蘊涵了處理問題的知識，即它的知識表達不同于ES的顯形表達，是隱式的并具有一定的聯(lián)想和泛化能力；對已訓練的ANN模型，由于問題的求解就蘊涵于ANN的權值中，因此它的推理也是隱式的，執(zhí)行計算速度很快。由于ANN具有強的自組織、自學習能力，魯棒性高，免去推理機的構造，且推理速度與規(guī)模大小無明顯的關系［21～24］，很快引起人們的重視，使得基于ANN的故障診斷的研究也日益廣泛。ANN除在電力系統(tǒng)故障診斷中的應用外，在故障定位和故障類型識別等方面也有不少的應用。
　　文獻［25］提出基于BP算法FNN模型，對電力系統(tǒng)故障診斷作了初步的研究。為了克服BP算法訓練速度慢，陷入局部最小可能的缺點，文獻［26］用附加動量因子BP算法對一個小型的電網(wǎng)模型結(jié)構進行診斷，并對改進BP算法中動量因子的取值，F(xiàn)NN的隱層節(jié)點個數(shù)和層數(shù)對診斷性能的影響進行了分析。
　　文獻［27］使用局部逼近的徑向基函數(shù)NN(RBF－NN)實現(xiàn)對電力系統(tǒng)的故障診斷，通過對一個小規(guī)模的網(wǎng)絡結(jié)構，對基于BP－FNN、RBF－NN及自適應RBF－NN三種故障模型算法進行仿真對比，它們均以輸電網(wǎng)絡中設備的保護和斷路器的狀態(tài)作為輸入，可能的故障位置作為輸出，以0，1邏輯值表示輸入、輸出元素激活與否�；�于徑向基函數(shù)的NN學習收斂速度比較快，泛化能力比常規(guī)的BP－FNN更好，但相應的應用條件也比較嚴格。
　　FD－PS所依據(jù)的是實時故障信息，在信息畸變的情況，盡管FNN具有一定的泛化能力，但仍存在容錯性的問題。為提高基于ANN的FD－PS的容錯性，文獻［28］利用NN組合模型來提高FD－PS的容錯性，文中模仿ES推理方式建立了正、反向推理的FDNN和BTNN，評定CNN的組合。它們中各個NN又按故障的類別組合劃分成幾個相應的子NN。其中各FDNNi都接收保護信息和斷路器的狀態(tài)作為輸入，以表示故障位置(設備類型、編號)和故障類型的故障編碼為輸出。而BTNNi的輸入、輸出是與FDNNi正好相反，即是FDNN的逆映射。各相應的評定CNNi是故障編碼與主、后備保護之間的關聯(lián)。該系統(tǒng)可通過正向、反向NN的相互校核，對某些錯誤信息能鑒別，因此對診斷系統(tǒng)的容錯性能有一定程度的改善。但該方法使系統(tǒng)的復雜性增加，特別是電力系統(tǒng)規(guī)模大時，問題更突出。文獻［29］提出用Boltzmann機和BP－NN模型組合進行故障診斷，將正常的報警模式存儲于Boltzmann機中，當故障發(fā)生時，首先將利用Boltzmann機對實時故障信息進行糾錯處理，再將糾錯處理后的輸出作為診斷BP－NN模型的輸入進行故障診斷。這樣可在一定程度上實現(xiàn)對錯誤信息的糾錯，從而提高診斷的容錯性。
　　針對大規(guī)模電網(wǎng)故障診斷使得NN模型結(jié)構規(guī)模擴大而導致NN訓練和應用的復雜性，有學者研究提出建立分層分布式的NN群組來解決［30～31］此類問題。文獻［30］是根據(jù)電網(wǎng)結(jié)構分區(qū)結(jié)構，利用決策樹推導構造形成分布式NN診斷群組，將各分布NN的結(jié)果綜合起來得出故障診斷結(jié)論。文獻［31］除基于知識模型組成分布式NN外，還根據(jù)高壓網(wǎng)絡保護的層次性，同時還隱含了動作的時間序列，在此基礎上提出了具時空特性的分層分布式的NN群組來構造一個完整的高壓輸電線路故障診斷系統(tǒng)。
　　在已研究的基于BP－NN的電力系統(tǒng)故障診斷中，大多數(shù)的研究更強調(diào)如何提高學習算法的收斂速度，克服陷入局部極小點，提高精度；或者根據(jù)研究目標的需要改變ANN模型結(jié)構，通過對ANN的知識分層分布存儲來提高和改善NN泛化能力，聯(lián)想記憶性能，在此同時也改善了容錯性能。但是明顯的缺乏對影響ANN容錯性的因素和如何提高ANN容錯性能的系統(tǒng)性的研究。
　　從以上對基于ES、ANN的FD－PS問題的分析和討論可知，它們都有各自的不足。所以在研究具體問題時，根據(jù)需要可以將兩者結(jié)合，解決問題的不同方面［32～33］，可以達到取長補短的效果。文獻［32］用NN實現(xiàn)知識獲取、知識表示、推理和知識維護，將故障診斷的知識隱含于ANN的連接權矩陣中，將實時信息作為ANN輸入信息進行推理。但在某些特殊結(jié)構化的推理過程中，由NN來處理會導致結(jié)構比效繁瑣，這時候由ES來處理可大大地簡化知識推理。另外，由ES構造解釋模塊來實現(xiàn)解釋較為方便，更提高系統(tǒng)的透明度。這樣就將ES的解釋推理能力與ANN的快速執(zhí)行和學習能力有機的結(jié)合起來。文獻［33］提出利用一組BP－NN模型和ES進行報警處理，其中每個BP－NN模型負責識別單個變電站或某區(qū)段的故障，而由ES根據(jù)故障信號確定調(diào)用相應的BP－NN診斷模型對故障進行處理，這樣還可以利用ES依次調(diào)用相關的NN模型而達到識別系統(tǒng)中發(fā)生多重故障的情況。
　　綜上分析ANN在故障診斷中應用的局限性為：1)對于有導師學習的ANN模型，具有較好的內(nèi)插結(jié)果和相應的聯(lián)想容錯能力。但ANN外推時誤差較大，難以保證解的準確度和容錯性能。因此，要確保具有全面的、代表性的樣本集提供給ANN訓練學習，它們是保證和提高ANN容錯性能的一個最基本的因素；2)系統(tǒng)結(jié)構發(fā)生變化，則有可能需要改變ANN的組成結(jié)構，或增加新的樣本重新學習獲得新知識；3)ANN難以實現(xiàn)基于結(jié)構化知識的邏輯推理；4)缺乏解釋能力，診斷結(jié)果不易于運行人員理解。另外，如何確保ANN訓練時收斂的快速性和避免陷入局部最小，也是每一個基于ANN的診斷系統(tǒng)必須面對的問題。

4 基于FST的電力系統(tǒng)故障診斷［34～42］
　　FST是L．A．Zadeh教授于1965年創(chuàng)立的模糊集合理論基礎上發(fā)展起來［34～35］，它突破了經(jīng)典集合用0和1表示非此即彼的清晰概念，而采用模糊隸屬度的概念來描述不精確的、不確定事件與現(xiàn)象，并引入語言變量和近似推理的模糊邏輯，來表述專家的經(jīng)驗知識。FST經(jīng)過多年的研究，已成為具有完整推理體系的人工智能技術之一。在電力系統(tǒng)故障診斷系統(tǒng)中，根據(jù)具體知識表達或推理的需要引入FST，使得精確推理相應轉(zhuǎn)換為近似推理，在一定程度上也提高了故障診斷系統(tǒng)的容錯性。FST與其它AI技術相結(jié)合(如ES、ANN、GA等)相互滲透，取長補短。FST的加入，使各相應智能診斷系統(tǒng)在電力系統(tǒng)故障診斷在分析不確定因素問題上原理更成熟，技術更完善，而性能得到相應的提高。
　　FST在電力系統(tǒng)故障診斷的應用中分兩類情況：第一類認為診斷所依據(jù)的信息正確，但故障與對應的動作保護裝置和斷路器狀態(tài)之間存在不確定的關聯(lián)關系，用模糊隸屬度來對這種可能性進行描述的度量；另一類則是認為診斷所依據(jù)的報警信息的可信度不為1，，而根據(jù)系統(tǒng)網(wǎng)絡拓撲與故障所發(fā)生動作保護、斷路器狀態(tài)賦予報警信息的可信度，再由ES或ANN給出故障診斷結(jié)果的模糊輸出。文獻［36］屬前一類，認為故障與動作的保護裝置之間，動作的保護裝置與所控制的斷路器之間可以存在不確定的關聯(lián)關系，可用模糊數(shù)學來描述它們之間的關聯(lián)關系。根據(jù)可能的故障，可尋找由故障點到報警信息可能的通路，再尋找故障點與可能動作的保護裝置之間，動作的保護裝置與可控制的斷路器之間關聯(lián)關系合成總的模糊度，用以表示故障診斷位置可能性的度量。
　　文獻［37～42］屬后一類，它先對診斷模型所依據(jù)的輸入信息模糊化，即認為系統(tǒng)的輸入報警信息的可信度不為1。它是根據(jù)輸電網(wǎng)絡拓撲當前情況，對保護、斷路器動作行為的統(tǒng)計數(shù)據(jù)賦予報警信息可信度，通過ANN或ES診斷模型輸出模糊數(shù)，再由反模糊系統(tǒng)去解釋其輸出，提供給運行人員一個語言化的結(jié)論。
　　根據(jù)模糊系統(tǒng)具體應用的分析結(jié)果，得出尚須深入研究的問題：1)對不確定性問題用隸屬度函數(shù)來描述時，應建立什么樣的隸屬函數(shù)是極其關鍵的問題，須在足夠經(jīng)驗和實驗的基礎上，有效地建立隸屬函數(shù)；2)研究診斷系統(tǒng)的結(jié)構、設備或自動裝置的配置發(fā)生變化時，與之有關的模糊知識庫或規(guī)則的模糊度也要相應的修改，即也存在可維護性問題；3)電力系統(tǒng)故障診斷的不確定性情況是多種多樣的，并非是固定不變的，取決于系統(tǒng)中硬件裝置的可靠性(如斷路器跳閘誤跳或拒跳)，診斷系統(tǒng)所依據(jù)的實時信息的可信度(如實時信息在傳遞中出現(xiàn)的畸變可能性與環(huán)境有關)等因素。顯然，F(xiàn)T對不確定因素的處理只能是有限度的改進。

5 基于GA的電力系統(tǒng)故障診斷［43～49］
　　GA是建立在Darwin自然選擇和Mendel遺傳學說基礎上，通過模仿生物遺傳和進化的進程，尋求對復雜問題的全局最優(yōu)解的優(yōu)化算法。它按一定規(guī)則對問題解進行字符串編碼，模擬人工染色體表示某優(yōu)化問題的可行解，用隨機方法形成初始解群，再按自然選擇的原理，通過群體搜索策略和遺傳操作，對群體中個體之間的信息交換，使得GA不易陷入局部極小點，能夠以很大概率得到全局最優(yōu)解集或局部最優(yōu)解集。與傳統(tǒng)優(yōu)化技術不同，GA對待求解問題不需涉及常規(guī)優(yōu)化問題求解的復雜數(shù)學過程；同時GA也不需要直接對知識規(guī)則和訓練樣本選擇處理，這是它和基于ES、NN診斷系統(tǒng)相比的最大優(yōu)勢之處。
　　文獻［43］研究用GA解決輸電網(wǎng)絡故障診斷問題。文章根據(jù)各類保護動作時段內(nèi)斷路器動作的時序信息，從而將輸電網(wǎng)絡故障診斷問題轉(zhuǎn)化為0－1整數(shù)規(guī)劃問題，建立了GA的電力系統(tǒng)故障診斷的適應度函數(shù)模型，實現(xiàn)任意復雜的故障情況下的故障診斷。
　　文獻［44］用無源信息識別故障區(qū)域的方法，將故障診斷問題局限于小的局部網(wǎng)絡，在此基礎上分別用Boltzmann機法、模擬退火法、簡單的和高級的GA實現(xiàn)了故障診斷系統(tǒng)，驗證了對交叉和變異算子做過調(diào)整的高級GA在診斷信息不完整的情況下，可以有效的找到全局最優(yōu)解，得到比較理想故障診斷效果。
　　用GA從優(yōu)化的角度解決故障診斷問題，它能夠在診斷信息不完整的情況下給出全局最優(yōu)或局部最優(yōu)的多個可能的診斷結(jié)果。但在診斷所依據(jù)的信息發(fā)生畸變，出現(xiàn)復雜的故障模式的時候，也難以保證診斷結(jié)果的可靠性。因此如何根據(jù)被診斷對象特征，建立能保證高容錯性能故障診斷適應度函數(shù)，以及如何確定迭代操作結(jié)束的準則和保證最終的結(jié)果為最優(yōu)解或近似最優(yōu)解。這些問題是基于GA應用中需要深入研究的內(nèi)容。

6 基于Petri網(wǎng)絡的電力系統(tǒng)故障診斷［50～56］
　　Petri網(wǎng)絡(Petri net)是由德國數(shù)學家C．A．Petri于1960～1965年提出的一種通用的數(shù)學模型［50］，是在構造有向圖的組合模型的基礎上，形成可用矩形運算所描述的嚴格定義的數(shù)學對象。Petri網(wǎng)分析方法既可用于靜態(tài)的結(jié)構分析，又可用于動態(tài)的行為分析。它以研究系統(tǒng)的組織結(jié)構和動態(tài)行為為目標，能夠?qū)ο到y(tǒng)中同時發(fā)生，次序發(fā)生或循環(huán)發(fā)生的各種活動過程進行定性或者定量的分析。所以Petri網(wǎng)絡是離散事件動態(tài)系統(tǒng)建模和分析的理想工具。
　　電力系統(tǒng)故障屬于一個離散事件的動態(tài)系統(tǒng)，由系統(tǒng)中各級電壓、各類保護動作反映故障，并把切除故障的過程看作一系列事件活動的組成，而事件序列與相應實體聯(lián)系在一起。動態(tài)事件主要包括實體活動(如斷路器、繼電保護、自動裝置等)和信息流活動(如信號的傳遞，控制指令發(fā)送，各監(jiān)測信號流等)。鑒于電力系統(tǒng)故障動態(tài)過程描述的可行性，可確定用Petri網(wǎng)去構造電力系統(tǒng)診斷模型。
    文獻［51］以輸電網(wǎng)絡中的設備為單位，首先研究了故障“切除”過程的Petri網(wǎng)絡模型，進而對故障診斷的Petri網(wǎng)絡模型求解。整個系統(tǒng)的物理概念清晰，數(shù)學求解速度快適宜實時性診斷。文中還分析了保護、斷路器不正確動作對Petri網(wǎng)絡模型的影響，并分別給出了識別保護和斷路器不正確動作的模塊。對IEEE118節(jié)點系統(tǒng)的測試結(jié)果表明，Petri網(wǎng)絡是一種比較有潛力的模型。但文中對保護多重性配置，時間差異，性能發(fā)生變化都未深入討論，它也正是基于Petri網(wǎng)絡原理存在的局限性。
　　文獻［52］文中提出嵌入冗余Petri網(wǎng)方法，它是在原考慮的故障類型Petri網(wǎng)的基礎上加入錯誤伴隨式矩陣C。其目的是要解決由于網(wǎng)絡中事件序列和信息流不正常時(如保護或斷路器的拒動等)的故障診斷。采用差錯控制編碼技術構造C矩陣，但它必須是在預先設想的前提下構造，而不能自動構造，并且構造復雜，工作量大。而在實際系統(tǒng)中，故障診斷所依據(jù)信息的畸變是不確定的，所以它的容錯能力是有限的，該類問題與ES差不多。
　　對大規(guī)模電網(wǎng)基于Petri網(wǎng)模型建模時，因設備增加和網(wǎng)絡擴大會出現(xiàn)狀態(tài)的組合爆炸，且基本的Petri網(wǎng)不能描述時間特征要求高的行為特征，因此在復雜系統(tǒng)建模時，需要采用高級的Petri網(wǎng)，如謂詞／變遷網(wǎng)，有色時間網(wǎng)等。

7 基于Agent技術的電力系統(tǒng)故障診斷［89～95］
　　人工智能技術研究的不斷發(fā)展為故障診斷開辟新途徑和新方法提供了可能性。分布式人工智能是在傳統(tǒng)AI的基礎上發(fā)展起來的，主要研究在邏輯上或物理上分散的智能系統(tǒng)如何并行的，或相互協(xié)作地進行問題的求解。它分為分布式問題求解和多Agent系統(tǒng)兩個方向，多Agent系統(tǒng)被看作是AI的試驗平臺，當一個問題涉及多個物理或者從邏輯上能形成分解的問題求解實體，每個子問題求解實體僅僅擁有問題求解所需的有限數(shù)據(jù)、信息和資源，不同的子問題求解實體之間必須相互交互才能最終求解問題。多Agent系統(tǒng)中Agent的自治性以及Agent之間的合作、協(xié)同等特征為這類問題提供了一種自然的建模方式�；�于多Agent技術的應用研究開始于上世紀80年代，近年來在工業(yè)、制造業(yè)、經(jīng)濟管理、航天業(yè)等領域得到了明顯增長［53～54］，成為AI的研究熱點之一。
    基于多Agent技術也引起了電力系統(tǒng)研究者的關注［77～79］，特別是在近2、3年來，人們嘗試著將多Agent技術引入電力系統(tǒng)的故障診斷相關研究和應用中。文獻［55］以Agent技術來實現(xiàn)故障恢復系統(tǒng)，系統(tǒng)由數(shù)個母線Agent單元和唯一的一個在整個決策過程中充當了管理角色的服務Agent，在服務Agent的協(xié)調(diào)下，母線Agent單元在故障狀態(tài)下通過與其他的母線Agent單元相互作用、交換、通訊、合作形成多Agent診斷系統(tǒng)，得到局部最優(yōu)目標；文獻［56］建立了基于多Agent的DIAMOND系統(tǒng)，將數(shù)個監(jiān)控系統(tǒng)和診斷系統(tǒng)集為一個綜合的集散系統(tǒng)，簡化了問題的處理過程和增加了系統(tǒng)的開放性。
　　從Agent的特點上看，它區(qū)別于傳統(tǒng)智能系統(tǒng)的顯著特征在于它所具備的與其所處環(huán)境，與其它Agent進行交互，協(xié)調(diào)和協(xié)作的能力。AI的研究目標是認識和模擬人類智能行為，單個Agent主要用于模擬個人的智能行為，而多Agent系統(tǒng)則是以模擬人類社會群體智能行為作為最終目標，它通過多個Agent之間的交換或通訊、合作形成了一個多Agent系統(tǒng)。研究多Agent系統(tǒng)意義下的Agent，實際是將多個Agent單元的推理和知識結(jié)合起來，創(chuàng)建多智能系統(tǒng)，以完成對更復雜、更大規(guī)模的問題的解決起到重要的作用。

8 基于數(shù)據(jù)挖掘技術的電力系統(tǒng)故障診斷［57～61］
　　數(shù)據(jù)庫中的知識發(fā)現(xiàn)的核心技術——數(shù)據(jù)挖掘(data mining—DM)是近年來國際上較為活躍的研究領域，是人工智能與數(shù)據(jù)庫技術相結(jié)合的產(chǎn)物。它應用一些專門算法從數(shù)據(jù)中抽取出有效的模式，從大量數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律，提取有用知識。DM出發(fā)點是代替專家從大量的數(shù)據(jù)中挖掘出隱含于其中的知識，它使數(shù)據(jù)存儲技術進入了一個更高級的階段。即它不僅利用了數(shù)據(jù)庫的存儲功能，對過去的數(shù)據(jù)進行查詢和遍歷，能回答“什么”(What)；還能夠找出過去數(shù)據(jù)之間的潛在聯(lián)系，挖掘出其背后隱藏著的許多重要信息(這些信息是關于數(shù)據(jù)的整體特征的描述及對發(fā)展趨勢的預測，在決策生成的過程中具有重要的參考價值)，從而可很好地支持人們的決策，回答出“為什么”(Why)。DM屬于客觀計算，只和已知數(shù)據(jù)有關，從而避免了主觀和經(jīng)驗因素的影響。因此DM在商業(yè)、工業(yè)領域中已得到了廣泛的應用，顯示出了強大的生命力［57～58］。
　　已有研究人員開始將DM技術引入電力系統(tǒng)故障診斷，并取得了一些成功的經(jīng)驗，利用DM技術用于決策支持和控制［59，60］。如在常規(guī)的電力系統(tǒng)運行模式下，需要依賴經(jīng)驗豐富的專家，一旦電力系統(tǒng)發(fā)生故障時，系統(tǒng)中保護裝置的動作信息自動傳遞給調(diào)度中心。調(diào)度員則需要根據(jù)經(jīng)驗從這些信息中判斷出故障的原因和故障的具體位置，由此來實施具體的隔離故障和恢復處理。為了減少損失要在極短時間內(nèi)完成，這對調(diào)度員的壓力很大。這種故障處理模式已無法適應，特別在信息流量龐大的今天。因任何人面對2000個／分鐘數(shù)據(jù)流組成的數(shù)據(jù)表都不可能進行有效的處理�；�于粗糙集的DM方法具較強的定性分析能力［61］，能從給定問題的數(shù)據(jù)分析，通過不可分辨關系和不可分辨類確定給定問題的近似解，從信息表中去除冗余屬性，獲取該問題的內(nèi)在規(guī)律，即屬性約簡，并能估計某一屬性的重要程度，得到分類規(guī)則的能力。因此，DM可將每一種狀態(tài)的故障特征提取出來，將其作為調(diào)度人員判斷電力系統(tǒng)處于何種狀態(tài)和如何快速做出故障處理和決策的有力工具。
　　DM技術在電力系統(tǒng)故障診斷中的應用目前正處于起步階段，解決如何將DM的算法與診斷對象相結(jié)合，確定出診斷對象的診斷模型如分類模型、回歸模型、時間序列模型、聚類模型、關聯(lián)模型、序列模型及如何將DM與傳統(tǒng)人工智能技術相結(jié)合，如獲取對象的模糊隸屬度是值得進一步深入研究探討的課題。

9 智能型電力系統(tǒng)故障診斷總結(jié)
　　本文對ES、ANN、模糊邏輯推理、GA等各種人工智能技術在電力系統(tǒng)故障診斷中的應用進行了概括；從實用化的觀點，對各種算法的適用特點進行了分析；并指出了人工智能技術在電力系統(tǒng)故障診斷發(fā)展的新方向和趨勢。

參考文獻

1　Liu Chen ching，Daniela A Pierce，Song Haili．Intellige－nt system applications to power systems［J］．IEEE Computer Applications in Power，1999，10(4)：21－24
2　畢天姝，倪以信，楊奇遜．人工智能技術在輸電網(wǎng)絡故障診斷中的應用述評［J］．電力系統(tǒng)自動化，2000，24(25)：11－16
3　韓楨祥，文福栓，張琦．人工智能在電力系統(tǒng)中的應用［J］．電力系統(tǒng)自動化，2000，24(2)：2－10
4　Dillon T S．Expert System Applications in Power Systems［M］．Prentice Hall，1990
5　孫雅明．人工智能基礎［M］．北京：水利電力出版社，1992
6　楊以涵等．專家系統(tǒng)及其在電力系統(tǒng)的應用［M］．北京：水利電力出版社，1995
7　Fukul C，et al．An expert system for fault sectionestimation using information from protective relay and circuit breaker［J］．IEEEPWRD，1986，1(4)：83－91
8　Shahram B Jadio，Jeyasurya B，Khaparde SA．Powersystem fault diagnosis expert system using PROLOG［C］．In：4th IEEE Region 10th International Conference－TENCON＇89，1989：778－78
9　Lee Heung Jae，Ahn Bok Shin，Park Young Moon．Afault diagnosis expert system for distributionsubstations［J］．IEEE transaction on power delivery，2000，15(1)
10　Zhou Guozhong，Sun Yaming．An expert system forswitching operation planning in a dispatching centre［J］．Int．Journal of Engineering Intelligent Systemsfor ElectricalEngineering and communication 1994，2(2)：143－150
11　Pietro B，Ulrico C G．Fault diagnosis through historyreconstruction：An application to power transmissionnetworks［J］．Expert Systems with Applications，1997，12(1)：37－52
12　McArthur S D J，Dysko，et al．The application ofmodel based reasoning within a decision supportsystem for protection engineers［J］．IEEETransaction on Power Delivery，1996，11(4)：1748－1754
13　Mcarthur SD J．Knowledge and modelbased decisionsupport for power system protection engineers［C］．In：Proceedings of International Conference onIntelligent Systems Applications to Power Systems，1996：215－219
14　Xu Kali，Zhou Ming，Ren Jianwen．An object－orientedpower system fault diagnosis expert system［C］．In：International Conference on Electrical Engineering，Hong Kong，1999
15　Hasan K，Ramsay B，Moyes I．Object－oriented expertsystem for power system alarm processing and faultidentification［C］：In Mediterranean Electrotechnical Conference－MELECON 3，1994：909－912
16　Chang Shaohung，Lin Muhshenq，et al．Object－oriented expert systems for fault diagnosis［C］．In：International Conference on Systems，Man and Cybernetics，1993，5：102－107
17　Esp D G，Cahill E T．A real time expert system forfault diagnosis on a transmission network［C］．In：Power System Monitoring and Control，Third International Conference on．IEE Conference Pubilcation n 366，1991：237－240
18　Mcdonald JR，etal．Alarm processing and fault diagn－osis using knowledge based systems for transmissionand distribution network control［J].IEEE PWRS,1992,7(3)
19　Phillip Burrell，Dave Inman．An expert system forthe analysis of faults in an electricity supply network－problems and achievements［J］．Journal of Computers in Industry，1998，37：113－123
20　柳青松，夏道止．基于正反向推理的電力系統(tǒng)故障診斷專家系統(tǒng)［J］．電網(wǎng)技術，1999，23(9)：66－71
21　焦李成．ANN計算［M］．西安：西安電子科技大學，1993
22　焦李成．ANN系統(tǒng)理論［M］．西安：西安電子科技大學，1992
23　楊行峻，鄭君里．人工ANN［M］．北京：高等教育出版社，1992
24　Mohamed EIS，Dagmar N．Artificialneuralnetworkswith applications to power systems，tutorial courseand video．IEEE Power Engineering Society，IEEENeural Network Council and IEEE EducationalActivities，ISBN：0－7803－4010－8，NTSC Product No．HV6957，Piscataway，NJ，1996
25　Chan EH P．Application ofneural－network computingin intelligent alarm processing［C］．In：Proceedings of IEEE Conference PICA，1989：246－251
26　Navarro Victor，et al．Artificial neural networks forpower systems diagnosis［C］．In：IEEE InternationalConference on Neural Networks－Conference Proceedings 1994，6：3738－3743
27　Nagabhushana T N，Chandrasekharaiah H S．Faultdiagnosis of electrical power systems usingincremental radial basis function nets［C］．In：Proceedings of the International Conference onEnergy Management and Power Delivery，EMPD 1995，2：560－564
28　Amjady N．On－line fault diagnosis of power systemsby a new expert system［C］．Canadian Conference onElectrical and Computer Engineering，1998，2：731－733
29　Jongejier A G，etal．Neuralnetwork appllied to alarm processing［C］．In：Proc．of ESAP＇89，Seattle，1989
30　Yang H T，Chang W Y，Huang C L．Power systemdistributed on－line fault section estimation usingdecision tree based neural nets approach［J］．IEEE Transactions on Power Delivery，1995，10(1)：540－546
31　Sun Y，Jiang H，Wang D．Fault synthetic recognitionfor an EHV transmission line using a group ofneural networks with a time－space property［J］．IEE Procee－dings－Generation，Transmission and Distribution，1998，145(3)：265－270
32　Yang H T，Chang W Y，Huang Ch L．On－line faultdiagnosis of power substation using connectionistexpert system［J］．IEEE Transactions on Power Systems，1995，10(1)：323－331
33　Karunakaran R，et al．Artificial neural network as adispatcher＇s aid in alarm processing［C］．In：Proceedings of the First International Forum onApplications of NeuralNetworks to Power Systems，1991：167－173
34　Momoh JA，Ma X W，Tomsovic K．Overview andliterature survey offuzzy settheory in power systems［J］．IEEE Transactions on Power Systems，1995，10(3)：1676－1690
35　王平洋，胡兆光．模糊數(shù)學在電力系統(tǒng)中的應用［M］．北京：中國電力出版社，1998
36　Cho H J，Park JK．An expertsystem for fault sectiondiagnosis of power systems using fuzzy relations［J］．IEEE Transactions on Power Systems，1997，12(1)：342－348
37　Monsef H，Ranjbar A M，Jadid S．Fuzzy rule－basedexpert system for power system fault diagnosis［J］．IEE Proceedings－Generation，Transmission and Distribution，1997，144(2)：186－192
38　Chang C S，Chen JM，Srinivasan D，et al．Fuzzy logicapproach in power system fault section identification［J］．IEE Proceedings－Generation，Transmission and Distribution，1997，144(5)：406－414
39　Chang C S，Chen JM，Liew A C，etal．Power systemfault diagnosis using fuzzy sets for uncertaintiesprocessing［C］．In：Proceedings of 1996 InternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)，1996：333－338
40　Tang SK，Dillon T S，Khosla R．Application of anintegrated fuzzy，knowledge－based，connectionistcarchitecture forfaultdiagnosis in powersystems［C］．In：Proceedings of 1996 International Conference onIntelligent Systems Applications to Power Systems(ISAP＇96)，Orlando(USA)，1996：188－193
41　Chow M Y，Yee SO，Taylor LS．Recognizing animal－caused faults in power distribution systems usingartificial neural networks［J］．IEEE Transactions on Power Delivery，1993，8(3)：1268－1273
42　Navarro V，Da Silva A L，Zebulum R S．An integrati－on of neural networks and fuzzy logic for power systems diagnosis［C］．In：Proceedings of InternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)：1996：237－241
43　文福栓，韓楨祥等．基于遺傳算法的電力系統(tǒng)故障診斷的解析模型與方法第一模型與方法(一)、(二)、(三)［J］．電力系統(tǒng)自動化學報，1998，10(3)：1－18
44　Wen Fushuan，Han Zhenxiang．A refined genetic algo－rithm for fault section estimation in power systemsusing the time sequence information of circuitbreakers［J］．Electric Machines and Power Systems，1996，24：801－815
45　Wen Fushuan，Chang C S．A probabilistic approach toalarm processing in power systems using a refinedgenetic algorithm［C］．In：Proceedings ofInternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)：1996：14－19
46　Wen Fushuan，Han Zhenxiang．Fault section estimati－on in power systems using a genetic algorithm［J］．Electric Power Systems Research，1995，34：165－172
47　文福栓，邱家駒，韓楨祥．利用斷路器信息診斷電力系統(tǒng)故障的高級遺傳算法［J］．電工技術學報，1994，11(2)：58－64
48　LaiLL，Sichanie A G，Gwyn BJ．Comparison betweenevolutionary programming and a genetic algorithm forfault－section estimation［J］．IEE Proceedings－Generation，Transmission and Distribution，1998，145(5)：616－620
49　Nagabhushana T N．Chandrasekharaiah H S．Adaptivefault diagnosis of large interconnected powernetworks using genetic algorithms［J］．Journal of the Indian Institute of Science，1997，77(1)：95－106
50　袁崇義．Petri網(wǎng)原理［M］，北京：電子工業(yè)出版社，1998
51　Lo K L，Ng H S，Trecat J．Power systems faultdiagnosis using petri nets［J］．IEE Proceedings－Generations，Transmissions and Distributions，1997，144(3)：231－236
52　Hadjicostis C N，etal．Power system monitoring usingpetri net embeddings［J］．IEE Proceedings－Generation，Transmission and Distribution，2000，147(3)：299－303
53　Wooldridge M J，Jennings N R．Intelligent agent：theory and practice［J］．Knowledge Engineering Reviewing Review．1995，10(2)：115－152
54　吳偉蔚，楊叔子，吳今培．基于智能Agent的故障診斷系統(tǒng)研究［J］，模式識別與人工智能，2000，13(1)：78－81
55　Sanz－Bobi M A，et al．Multi－agent environment forintelligent diagnosis in power systems［C］．In：IEEE ISAPConference，Budapest，Hungary，2001
56　Mangina E E，et al．Multi－agent system knowledgerepresetation for power plant condition monitoringbased on modallogic［C］．In：IEEE ISAPConference，Budapest，Hungary，2001
57　Fu Y．Data mining：tasks，techniques and applications　　［J］．IEEEPotentials，1997，16(4)：18－20
58　Fayyad U．Data mining and knowledge discovery：making sense out of data［J］．IEEE Expert Intell．Systems，1996，11(5)：20－25
59　Madan S，Son，Won－Kuk，Bollinger K E．Applicationsof data mining for power systems［C］．In：Proceedingsof IEEE Canadian Conference on Electrical and Computer Engineering，1997，2：403－406
60　廖志偉，孫雅明．數(shù)據(jù)挖掘技術及其在電力系統(tǒng)中應用的綜述．電力系統(tǒng)及其自動化，2001，25(11)：15－19
61　Zhang Qi，Han Zhenxiang，Wen Fushuan．A newapproach for fault diagnosis in power systems basedon rough set theory［C］．In：Proceedings of the 4thInterNational Conference on Advances in Power System Control，Operation and Management，1997

電力系統(tǒng)及其自動化學報

  本文關鍵詞：人工智能技術在電力系統(tǒng)故障診斷中應用，由筆耕文化傳播整理發(fā)布。