电力系统的故障模式诊断.docxVIP

电力系统故障诊断的研究 摘要 综述了电力系统故障诊断的各种研究方法,包括专家系统、人工神经网络、优化技术、 Petri?网络、粗糙集理论、模糊集理论和多代理技术等。简要分析了这些方法的特点与适用性, 评述其存在的主要问题和值得改进之处。最后,以解决实际工程问题为目标,指出了该领域所需 解决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。 引言 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的广泛知识和继电保护等信息来 识别故障的元件位置(区域)、类型和误动作的装置,其中故障元件的识别是关键问题。电力系统 故障诊断研究具有重要的现实意义。随着电力系统规模的不断扩大和结构的日益复杂,大量的报 警信息在短时间内涌人调度中心,远远超过运行人员的处理能力,易使调度员误判、漏判,为了适 应各种简单和复杂事故情况下故障的快速、准确识别,需要电力系统故障诊断系统进行决策参考。 同时,由于电力系统调度自动化水平不断提高,越来越丰富的报警信息通过各变电所的远程终端 装置(RTU),传送到各级电网调度中心,使得利用采集的实时信息进行电力系统故障诊断成为可能。 另外,对于电力系统故障的仿真分析和模拟培训,也可以通过电力系统故障诊断系统来提升调度 员的经验和水平[1-6]。目前,国内外提出了许多电力系统故障诊断的技术和方法,主要有专家系 统、工神经网络、优化技术、Petri?网络、模糊集理论、粗糙集理论、多代理技术。 本文首先综述了电力系统故障诊断的各种研究方法,评述了这些方法中需要改进之处,并进 一步指出了该领域所需解决的关键技术问题和主要发展趋势。它们对构建电力系统故障诊断智 能辅助决策系统具有重要的指导意义,对保证电力系统的安全运行、减少事故的经济损失具有重 要的理论和现实意义。 电力系统故障诊断国内外研究现状 基于专家系统的诊断方法 专家系统（expert?system）是发展最早，也是比较成熟的一种人工智能技术。70?年代初 期专家系统就引进到电力系统故障诊断领域中，因其特点与电力系统故障诊断相切合，至今为 止，及与专家系统的故障诊断研究时间最长，研究也最为深入。专家系统在电力系统故障诊断 中的应用可以概括为产生诊断规则，依据诊断规则，对电力系统的故障进行诊断。即把保护、 断路器的动作逻辑以及运行人员的诊断经验用规则表示出来，将多条规则成为专家系统诊断故 障的知识库，进而当故障发生后，将报警信息与知识库中的规则进行比较、推理，以此获得故 障诊断的结论，具有直观性、实时性和有效性。此外，也可通过反向推理，有效地缩小可能故 障的范围，以动作的继电保护与故障假设的符合程度计算可信度。 及与专家系统的电力系统故障诊断方法主要特点是可以直观地将保护、断路器的动作逻辑 以及工作人员的诊断经验用规则的方式表达出来，并允许在知识库中添加、删除或者修改一些 规则，以确保专家系统诊断方法的实时性与有效性，与此同时，还能够给出符合人类语言习惯 的结论，并具备一定的解释能力。但及与专家系统的故障诊断方法也存在一些难以解决的问题： 首先，专家系统建立的知识库，以及验证知识库的完备性比较困难；其次，容错能力差，缺乏 有效的方法识别错误信息；此外，专家系统若应用在较复杂的电力系统中诊断故障，知识库的 维护难度十分大；最终，专家系统在复杂故障诊断任务中会出现组合爆炸以及推理速度慢的问 题。以上缺陷使得专家系统难以满足大规模电力系统在线故障诊断的需求，目前专家系统主要 应用于中小型电力系统、变电站、以及离线故障诊断、分析中[7,8]。 基于人工神经网络的诊断方法 与专家系统相比,基于人工神经网络(ANN—artificial?neural?network)的故障诊断方法具 有鲁棒性好、容错能力强和学习能力强等特点。目前应用于电力系统故障诊断的?ANN?有:基于 BP(back?propagation)算法的前向神经网络和基于径向基函数的神经网络等。文献给出了典型 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 发生的故障作为其输出,选择适当的样本集训练?ANN。整个训练过程为:首先根据网络当前的内 部表达,对输人样本进行前向计算;然后比较网络的输出与期望输出之间的误差,若误差满足条件,则 训练结束,否则,将误差信号按原有的通路反向传播,逐层调整权值和阈值,如此反复,直至达到误 差精度要求。文献[5]将大型输电网络分区,对各个区域分别建立基于?BP?算法的故障诊断网络, 然后综合获得最终的故障诊断结果。 基于?ANN?的诊断法可克服专家系统面临的知识库维护的难题。但是，由于?ANN?训练的完备样本 集获取困难，目前该方法只适用于中小型电力系统的故障诊断。ANN?方法在故障诊断中存在的 主要问题：1、大型电力系统的