电力系统故障诊断研究现状与发展趋势研究.docVIP

电力系统故障诊断研究现状与发展趋势研究 　　【摘 要】在电力系统故障诊断的研究中，经常采用的方法包括专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论、多Agent技术等。通过对以上方法的特点与适用性进行分析，阐述了其优劣，指出了该领域的关健技术问题和主要发展趋势，以促进该研究领域的进一步发展。 　　【关键词】电力系统；故障诊断；人工智能；优化技术；多Agent技术 　　引言 　　由于气候条件、人为影响等诸多因素，电力系统故障在所难免。同时，随着电力系统的不断发展，大规模、复杂结构的电网使得不同区域之间的关联愈发紧密，大量的报警信息会在短时间内涌入调度中心，远远超出了运行人员的处理能力。一旦系统发生故障，其损失较以往大增[1]。为了适应各种复杂情况下故障的快速、准确识别，最大程度的降低电力设备的损坏，保证用户供电安全，对于电力系统故障诊断的研究具有重要意义。 　　对于电力系统故障诊断，识别故障元件是解决问题的关键也是难点。当发现电力系统故障后，需通过各种手段，了解故障元件所在位置、故障类型以及误动作的装置等等。随着电力系统自动化水平的不断提高，当电网发生故障后，大量的报警信息通过远程终端装置（RTU）传送到各级电网调度中心，可以此作为故障诊断的数据源[2， 3]。 　　专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论、多Agent技术等是目前国内外的电力系统故障诊断所主要采取的技术和方法。以下将分别对各技术理论的发展状况进行介绍。 　　1 国内外研究发展状况 　　1.1 专家系统 　　专家系统（expert system）是一种带有智能功能的计算机程序。其基本原理是在某一领域内，通过一定的规则和推理过程，来解决往往需要具有专家水平的知识和经验才能解决的复杂问题。 　　目前，专家系统已广泛应用于设备故障诊断领域，这一是由于设备故障诊断的技术复杂性，需要结合多方面领域知识的工作，才能胜任此项工作并且高效地解决问题；二是由于设备数量、自动化程度和复杂程度不断提高，专家系统有助于提高故障设备诊断和维修效率，能向设备维修人员提供故障诊断技术咨询和辅助指导。然而，专家系统也有其缺陷，首先，知识库的完备程度是专家系统能否得出正确结论的关键所在，其次是其容错能力较差，可考虑通过与模糊理论结合来进行改善。 　　1.2 人工神经网络 　　人工神经网络（artificial neural network，缩写为ANN）是一种通过模拟人类智能来工作的方法和技术。它只需根据问题组织训练样本，便可以自学方式，获得知识，不需要获取已有的知识库。众多专家学者将ANN用于电力系统故障诊断都取得了很好的效果。 　　当然，人工神经网络也存在其自身的缺陷：首先，人工神经网络在需要大量的学习样本，这对于大型电力系统来说是比较困难的。其次，算法收敛所需时间较长，若系统结构发生变化，则需选择新的样本重新学习。最后，当系统具有较强的非线性或其他不规则特性时误差更为严重。 　　1.3 优化技术 　　在电力系统故障诊断领域，优化技术（optimization methods）正发挥着愈发重要的作用。通过把问题描述成0-1的整数规划问题，进行寻优，从中获取最优解，可以避免人为因素的干扰。目前应用最为广泛的是遗传算法。 　　在电力故障诊断系统中，优化技术的关键是如何形成目标函数。在计算寻优的过程中，所利用的是保护配置原则和保护与断路器之间的逻辑关系，通过这种方式建立的函数关系可自动形成二者间的期望状态，由此。而在寻优过程中，由于存在随机因素，有可能得不到最优解。同时，诊断过程中的迭代速度较慢也是该方法的缺陷。 　　1.4 Petri网络 　　Petri网络由Petri在1962年提出，旨在用于离散事件动态系统建模和分析。对于系统中同时发生、次序发生或循环发生的诸多活动，可用网络来对其进行表述。由于基于Petri网络用于建模时间较长，随着设备的增加和网络扩大，复杂问题的集聚出现容易产生组合爆炸问题。同时，其容错能力较差，对错误报警信息的识别有待提高。 　　1.5 粗糙集理论 　　粗糙集理论（rough set theory）是在1982年由Z. Pawlak提出的，能有效处理各种不确定、不完备信息。粗糙集是一个强大的研究不精确、不完整信息数据分析工具，它能表达和处理不完备信息；以保留关键信息为前提，它能对数据进行充分的化简，得到知识的最小表达；能识别并评估数据之间的依赖关系，揭示出概念简单的模式；能从经验数据中获取易于证实的规则知识，这对于智能控制是特别适合的。 　　当然，粗糙集理论也有其弊端。由于训练样本的质量直接关系到该方法诊断规则的选取，因此故障诊断结果会受到关键信号的影响；同时，与Pet