电力系统故障诊断.docx

电力系统故障诊断技术发展趋势 2011-09-28 来源： 中国仪表网 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。 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、人工神经网络、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。 一、国内外研究发展状况 基于专家系统的诊断方法 专家系统（ expertsystem）利用专家推理方法的计算机模型来解决问题，己获得日益广 泛的应用。 目前， 专家系统用于电力系统故障诊断是比较成功的。 根据故障诊断的知识表示和所用推理策略的不同，专家系统主要有 2 类: 基于启发式规则推理的系统。 此类系统把保护、 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， 形成故障诊断专家系统的知识库， 采用数据驱动的正向推理将所获得的征兆与知识库中的规则进行 匹配，进而获得故障诊断的结论。现在大多数故障诊断属于这一类。 结合正、反推理的系统。此类系统结合了正反向混合推理方法，根据断路器和继电 保护与被保护设备之间的逻辑关系建立推理规则， 同时通过反向推理， 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。文献 [4] 介绍了基于事例推理（ CBR ）和基于规则推理 （ RBR ）的混合推理的故障诊断专家系统。 由于采用了混合推理， 提高了故障诊断专家系统的适应性与自学习能力。 基于专家系统的诊断方法的主要特点是可以方便地把保护、 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， 并允许在知识库中增加、 删除或修改一些规则， 以确保诊断系统的实时性和有效性， 同时还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等，比较适合中小型电力系统和变电站的故障诊断。 该方法在实际应用中仍然存在如下主 要缺陷 :①建立知识库及验证其完备性比较困难 ;②容错能力较差，缺乏有效的方法识别错误 信息 ;③大型专家系统的知识库的维护难度很大 ;④专家系统在复杂故障诊断任务中会出现 组合爆炸和推理速度慢的问题。 这些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要，目前主要应用于离线故障分析。 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 —— artificialneuralnetwork ）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（ ackpropagation）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[4] 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，对输入样本进行前向计算 ;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 层调整权值和阀值，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。由于用于 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是 :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