电力系统及其自动化论文毕业设计.doc

第1章 绪　　论 1.1 本课题的目的和意义 在电力系统中，电能的集中和分配、电压和电流变换。变压器将各级电压的电网联系起来。变电站故障诊断就是将故障征兆信息从变电站的某些检测量中提取出来，然后通过对这些信息的分析与处理，判断出故障的位置和根源。其中，包括保护开关动作、断路器跳闸等的故障征兆信息，由变电站监控系统和故障录波器的检测量提供，而判断出的故障根源一般是输电线路、变压器、母线和无功补偿设备等。 改革开放以来，电网的规模随着电力系统的发展越来越大，不同区域电网之间的联系也越来越紧密。各类电压等级的变电站数量历年递增，导致电网结构愈加复杂。这也就使得变电所的故障对电力系统的影响范围及严重程度大大增加。同时，各地电力公司正逐步建立和完善集控站系统，越来越多的变电站实现了无人值守，且用户对电能质量的要求越来越高。如何令运行人员快速准确地找到故障位置，辨识、隔离真正的故障元件，使非故障区域迅速恢复至故障前状态，增强供电的可靠性和连续性，是目前的急需解决的问题。 与此同时，变电站不断提高其综合自动化的水平，继电保护与自动装置在变电站中得到了越来越多的应用。这些二次设备会当变电站发生故障时产生大量诸如断路器跳闸、保护装置告警、保护动作、故障录波器动作等等的报警信息。变电站发生故障的瞬间，这些报警信息会不加选择地出现在监控系统的异常窗口内。如果出现复杂的多重故障、断路器或保护出现动作不正常（拒动、误动）、告警信号受干扰丢失等情况时，故障诊断的复杂性问题更会严重凸显。这种情况下，调度运行人员在很短的时间内要阅读这么多未经任何加工处理的报警信息，理解其中的含义并抓住报警信息的实质是相当困难的。这将使现场人员极易产生误判断和误处理，以致扩大事故范围，拖延故障恢复时间，甚至发展成更为严重的停电事故。因此研究变电站智能化故障诊断方法，为调度及运行人员提供辅助判据具有重要的理论意义与实践指导作用。 1.2 国内外研究成果 故障诊断问题的研究，可以追溯到上个世纪的60年代，当时的研究者们试图使用传统数学建模的方法来解决这个问题，但是由于故障诊断的过程和计算技术非常复杂，无法用传统的数学模型和计算方法来描述，以致对变电站故障诊断问题的研究进展极其缓慢。进入七八十年代的中后期，随着人工智能技术的迅猛发展，研究者们也从中找到了一条研究电网故障诊断问题的新路，即：将人工智能技术与电网故障诊断相结合。由于人工智能技术可以模仿人类的思维方式和处理问题的过程，并具有类似人类的学习能力和经验积累，使得这一技术在故障诊断领域里脱颖而出。 目前，将国内外在变电站故障诊断领域应用的人工智能方法进行归纳，可以分为以下几类：基于专家系统(Expert System)的方法、基于人工神经网络(Artificial Neural Network)的方法、基于模糊理论(Fuzzy Theory)的方法、基于Petri网的方法、基于粗糙集（Rough sets）的方法、基于Agent技术、小波分析（Wavelet Analysis）的方法等。 1. 专家系统(Expert System) 最早开发的人工智能技术就是专家系统(Expert System)。它也是众多人工智能技术中发展相对成熟的一种。作为专家系统的创始人之一，费根鲍姆（E．A．Feigenbaum）认为该系统不是一个普通的应用软件，而是一种智能化的计算机程序，可以像专家一样，运用丰富的储备知识和严密的推理步骤解决复杂的问题。专家系统不仅能合理利用各种资料中的理论知识来处理各种定性的问题，而且还可像专家一样进行总结并运用实际经验来求解非定性问题。另外，专家系统在可以快速处理数学解析法不能解决的问题的同时，还能大幅缩小需求解问题的知识搜索范围、减少推理路径，加快解决问题的速度、提高推理效率。 尽管专家系统可以在模拟故障诊断专家的基础上有效地完成故障诊断过程，但是在实际应用过程中仍然不可避免有一定的不足： (1) 由于知识的获取以及对其完备性的验证是一个很困难的过程，因此怎样获取完备的知识库成为故障诊断专家系统的瓶颈问题就在所难免了。 (2) 专家系统毕竟不能像人类一样具有对新事物的学习能力，所以一旦发生储备知识库里无法搜索到的新故障情况，将导致专家系统的错误诊断或不诊断。 (3) 专家系统没有较好的容错能力。当故障后，尤其保护装置和断路器错误动作或者丢失动作信息的时候，专家系统不能有效识别，易产生错误诊断。 (4) 由于电力网络的结构和自动化装置的配置不断变化，作为故障诊断的专家系统，其储备的知识库随之也会进行相应的修改、校核。由此可见，及时更新专家系统的知识库是一项费时费力的工程。 因此，最近几年专家系统呈现一些新的发展趋势：①将ANN与专家系统结合，使之具备自学习与联想的功能；②将模糊理论与专家系统结合，使之可以实