电力系统故障的智能诊断综述

李再华 刘明昆

（1.中国电力科学研究院，北京 100192；2.北京供电公司海淀供电分公司，北京 100086）

1 引言

电网的发展和社会的进步都对电网的运行提出了更高的要求，加强对电网故障的诊断处理显得尤为重要。随着计算机技术、通信技术、网络技术等的发展，采用更为先进的智能技术来改善故障诊断系统的性能，具有重要的研究价值和实际意义。

故障的智能诊断技术也被称为智能故障诊断技术，包括专家系统（Expert System，ES）、人工神经网络（Artificial Neural Network，ANN）、决策树（Decision Tree，DT）、数据挖掘（Data M ining，DM）、模糊论（Fuzzy Theory，FT）、Petri网理论（Petri Network Theory，PNT）、支持向量机（Support Vector Machine，SVM）、仿生学理论（Bionics Theory，BT）的应用等，其中前四种技术得到了较多的研究，相对比较成熟和常用。本文对电力系统故障诊断领域的智能诊断技术的发展现状以及存在的问题进行综述，并对解决相关问题的方法进行了总结。

2 智能故障诊断技术发展现状

美国是对故障诊断技术进行系统研究最早的国家之一，1961年美国开始执行阿波罗计划后，出现了一系列设备故障，促使美国航天局和美国海军积极开展故障诊断研究。目前，美国在航空、航天、核工业以及军事部门中诊断技术占有领先地位，英国在汽车和飞机工业、发电机监测和诊断方面具领先地位，日本在钢铁、化工和铁路等行业的诊断技术方面处于领先地位。据日本统计，在采用诊断技术后，事故率减少了75%左右，维修费降低了25%～50%；英国对2000个大型工厂的调查表明，采用诊断技术后每年节省维修费3亿英镑，而用于诊断技术的费用仅为0.5亿英镑。随着设备与系统的复杂程度的增加，故障诊断的成本也不断增加，促使人们开始转向寻求更具“智能”的故障诊断。

智能故障诊断是相对于传统的故障诊断而言的。传统的故障诊断方法可分为基于信号处理的方法和基于数学模型的方法两类，需要人工进行信息处理和判断分析，没有自学习能力。智能故障诊断是融合了人工智能技术的新方法，对故障信息有初步的自动分析和学习能力。智能故障诊断是故障诊断技术发展进程中的新里程碑。1956年人工智能学科正式诞生，1965年出现了专家系统雏形，1970年以后，人工智能逐步实用化。电网的故障过程难以用数学模型来进行描述，运行状态信息也复杂多变，信号处理极其复杂，而人工智能技术能够存储和利用专家长期积累的经验，能够模拟人脑的逻辑思维过程进行推理以解决复杂诊断问题；可以不受外界干扰地提供高质量的服务，所以得到了广泛的应用。

电网故障诊断领域常用的人工智能技术包括专家系统、人工神经网络、决策树理论等，此外近几年也出现了数据挖掘、模糊理论、粗糙集理论、Petri网络、贝叶斯网络、信息融合、信息论、支持向量机、仿生学的应用及多智能体系统等技术以及上述方法的综合应用。

专家系统可以汇集若干位专家的知识和经验，进行分析、推理，最终得出正确的结论，决策水平可以超过单个专家。所以故障诊断专家系统近年来成为热门研究课题，尤其适合应用于电力系统。1991年，故障诊断专家系统就已经占美国电力工业中专家系统的总数的41%。故障诊断专家系统除了具备专家系统的一般结构外，还具有自己的特殊性。它具有如下特点：①知识可以从类似系统、设备或工作实际、诊断实例中获取，即知识来源比较规范；②诊断的对象是复杂的，行为是动态的，故障是随机的，普通人很难判断，这时就需要通过讨论或请专家来进行诊断。

故障诊断专家系统中常用的推理机制可以划分为正向推理、反向推理、正反向混合推理三种基础推理结构。正向推理的过程：系统发生故障时，根据断路器和保护的动作信息，按照知识指导的推理策略调动知识库在相关空间中搜索。当规则的条件部分与诊断输入信息相匹配，就将该规则作为可用规则放入候选队列中，再通过冲突消解，将其作为进一步推理的证据直至求得诊断结果。反向推理是首先提出假设，然后寻找支持该假设的证据，若所需证据都能够找到，则表明该假设成立，反之假设不成立。正反向混合推理机是首先根据跳闸断路器的保护信息进行初步推理，得到故障设备的假设，然后根据所得假设以及断路器和保护设备之间的逻辑规则进行反向推理，验证假定的故障设备的正确性，有效的缩小查找故障范围。几十年以来，专家系统得到了大量深入的研究，具体实现方法很多，但是其推理过程的逻辑原理不外乎这三种。

目前已研究的故障诊断专家系统模型有：基于规则的诊断专家系统、基于案例的诊断专家系统、基于行为的诊断专家系统、基于故障树的诊断专家系统、基于模糊逻辑的诊断专家系统、基于ANN的诊断专家系统和基于数据挖掘的诊断专家系统等。

（1）基于规则的诊断方法是根据以往专家诊断的经验，将其归纳成规则，通过启发式经验知识进行故障诊断，适合于已具有丰富经验的专业领域的故障诊断。基于规则的诊断具有知识表述直观、形式统一、易理解和解释方便等优点，诊断知识可以通过领域专家获取和继承。但复杂系统所观测到的症状与所对应诊断之间的联系是相当复杂的，通过归纳专家经验来获取规则，准确度和通用性不佳。

（2）基于案例的诊断方法适用于领域定理难以表示成规则形式，而是容易表示成案例形式并且已积累丰富案例的领域（如医学诊断）。

（3）基于行为的诊断方法本质也是基于规则的诊断。该方法的关键问题是：故障行为征兆（语义征兆、图形征兆）的自动获取难度较大；新故障自动识别和分类，尤其是如何解决多故障情况下的诊断，是该方法的难点。

（4）基于故障树的诊断专家系统的实质是一种改进的基于规则的专家系统，计算机依据故障与原因的先验知识和故障率知识自动辅助生成故障树。基于故障树的诊断方法类似于人类的思维方式，同时吸纳了决策树技术的优点，易于理解，在设备诊断中应用较多。

（5）基于模糊逻辑推理的诊断方法是先建立故障和征兆的模糊规则库，再进行模糊逻辑推理的诊断过程。但是故障与征兆的模糊关系较难确定，且系统的诊断能力依赖模糊知识库，学习能力差，容易发生漏诊或误诊。

（6）基于神经网络专家系统的诊断方法有较好的容错性、响应快、强大的学习能力、自适应能力和非线性逼近能力等，但是也存在固有的弱点：①系统性能受到所选择的训练样本集的有效性的限制；②不能解释自己的推理过程和推理依据及其存储知识的意义；③利用和表达知识的方式单一，通常只能采用数值化的知识；④最根本的一点是神经网络在模拟人类复杂层次的思维方面远远不及传统的专家系统。

（7）基于数据挖掘的方法是随着计算机技术的发展而逐步完善的，自从1989年8月由第11届国际联合人工智能学术会议提出这一概念以来，数据挖掘技术已经取得了很大的进步。数据挖掘可以是基于数学理论的，也可以是非数学的，可以是演绎的，也可以是归纳的。电力系统的故障信息包括故障征兆和故障性质，信息量大而且基本规律稳定，适合利用数据挖掘技术进行处理。基于数据挖掘的比较新的应用成果有：①2004年，负荷预测专家系统在安徽省电力公司得到应用；②2006年，发电机故障诊断专家系统在某300MW机组得到应用；③2008年，电网故障诊断专家系统在廊坊电力公司得到应用。如何提高数据挖掘的适应性，还需要更多的探索研究。

3 智能故障诊断面临的问题和对策

电力系统中，设备故障诊断和厂站级的故障诊断经过了几十年的发展，已经比较成熟，而系统级的故障诊断才初露头角。目前，在故障诊断领域的研究中，对单个设备或者某个具体的故障现象的研究较多，对系统或综合故障的研究较少；对定量信息利用的研究较多，对定性信息或不确定信息利用的研究较少；依靠单一智能技术的系统多，信息（特别是多源混合信息）的综合利用研究较少，协同技术的研究应用更少；投入运行的诊断系统多为专家系统，但是离线运行的多，在线运行的很少。基于人工智能的故障诊断技术能够提高对信息的利用广度和深度，必将成为诊断技术发展的主流。

目前而言，基于规则的诊断专家系统是最为成熟的专家系统，但是投入实际应用并取得良好效果的专家系统还不多，主要瓶颈是专家系统在规则库的快速搜索、更新、扩充等方面存在困难。如何高效地利用日益增加的监控信息来完善规则库，是专家系统实用化面临的关键问题。通常把基于浅层知识（人类专家的经验知识）的故障诊断专家系统称为第一代专家系统，而把基于深层知识（诊断对象的模型知识）的故障诊断专家系统称为第二代专家系统。近年出现的混合结构的专家系统，是将上述两层知识结合使用，以取长补短。计算机技术和人工智能技术的快速发展，是故障诊断技术进步的契机。

智能故障诊断专家系统技术在应用中存在的问题有：

（1）知识的获取和管理问题，也可以说是规则的表达和维护问题。知识是专家系统行为的核心，如何根据系统的变化，获取具有较高适应度和准确度的知识（规则）。对知识的一致性、冗余性、矛盾性和完备性进行检验、维护和管理，是专家系统亟需解决的首要问题。

（2）推理的效率问题，也可以说是如何解决规则组合爆炸的问题。规则库的规模增大以后，搜索的运算量迅速增长，尽管人们提出了许多算法，规则组合爆炸的问题还是没有得到满意的解决。

（3）故障诊断的在线应用问题。以往的故障诊断离线运行，只能告诉调度员已有故障是如何发展的，因为运行方式的多变性，离线故障诊断结论不一定能够指导调度员对电网的实际控制；只有做到在线运行，才能及时帮助调度员进行控制决策。

（4）故障诊断的动态分析问题。以往的故障诊断只能进行静态分析，忽略了故障动态过程的大量有用的细节，尤其是采用了高速保护的大型电网，更加需要分析动态过程，例如快速相继开断过程中的顺序和相互关系、复杂故障中各元件之间的相互影响、电压崩溃的动态过程、运行方式切换或调度控制过程对电网的影响等。

为了解决上述问题，人们进行了大量研究，提出了一些对策，总结如下：

（1）对于知识的获取和管理问题，可以采用提高故障诊断系统的学习能力的方法，如ANN、数据挖掘、仿生学方法等。这些智能方法都有其优点和局限性，需要有针对性地应用。

（2）对于推理的效率问题，可以采用计算速度更快的计算机硬件和软件算法，通信速度更快的数据采集和传输手段；数据挖掘是从各种复杂故障中发现最常见的故障或分解出简单故障的有力手段；建立系统的故障案例库，可以降低决策分析的计算量，提高诊断推理的效率。

（3）对于故障诊断的在线应用和动态分析问题，可以采用更能够反映电网实时运行状态的信息，如广域量测系统、高速保护信息系统和故障录波信息系统、稳定控制系统等提供的动态数据；实时进行电网的灵敏度分析，动态分析电网的健康状况；增量挖掘技术只处理实时的增量数据，有在线应用的潜力。

4 智能故障诊断技术的发展趋势

智能故障诊断技术的发展趋势主要有：多信息融合、多智能体协同、多种算法结合。

信息融合最早用于军事领域，定义为一个处理探测、互联、估计以及组合多源信息和数据的多层次多方面过程，以便获得准确的状态和身份估计、完整而及时的战场态势和威胁估计。它强调信息融合的三个核心方面：第一，信息融合是在几个层次上完成对多源信息的处理过程，其中每一层次都表示不同级别的信息抽象；第二，信息融合包括探测、互联、相关、估计以及信息组合；第三，信息融合的结果包括较低层次上的状态和身份估计，以及较高层次上的整个战术态势估计。多信息融合技术用于故障诊断是指故障诊断用到的信息的来源多样化，而且信息处理的广度和深度均有扩展，信息的加工过程中，强调既能够克服单一数据源的信息不足和丢失或错误的问题，又能够解决多数据源的信息冗余或重复或矛盾的问题，是一种有机的、智能的融合。大连理工大学2001年发表的研究成果表明，多信息融合技术的应用能够明显提高故障诊断的准确性。

一个智能体就是一个专家系统，多智能体也被称为群专家系统。多智能体协同包括多种推理方法或计算功能之间的协同，以及分布式计算中不同区域之间的协同。在电网的故障诊断中，多智能体协同还可以用于协调电网不同区域之间的协同。区域间协同是通过把大电网分为几个小电网进行协同推理计算，降低推理计算的维度和知识存储来提高速度；功能协同是利用相互可以交换数据和计算结果的多个子系统同时协作计算，并行完成不同的子功能，以提高整体的速度。2007年，中国电力科学研究院的学者结合利用基于规则推理的方法和基于贝叶斯网络的诊断方法，对含不确定性信息的复杂故障的诊断进行了多智能体协同诊断的研究，结果表明，能够实现更快更准确的诊断。

随着智能诊断技术的发展和研究的深入，人们陆续提出了大量的新思路和新算法。例如基于规则的算法、基于案例的算法、基于行为的算法、基于故障树的算法、基于模糊逻辑的算法、基于ANN的算法和基于数据挖掘的算法，还有支持向量机算法、Petri网算法、遗传算法、鱼群算法、蚁群算法、鸟群算法等，各种算法都有其特点和长处。专家系统技术应用最广，最为成熟，缺点是学习能力不强；ANN技术和专家系统技术相比，其最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造作大量工作，而只需以领域专家所提供的大量和充分的故障实例，形成故障诊断ANN模型的训练样本集，运用一定的学习算法对样本集进行训练。它的推理是隐式的，执行计算速度很快。由于ANN具有强的自组织、自学习能力，鲁棒性高，免去推理机的构造，且推理速度与规模大小无明显的关系，能够在很大程度上克服专家系统的缺点，因此成为了与专家系统结合应用最广的技术。但是ANN技术难以适用于运行方式经常变化的电力系统；决策树技术能够对系统信息进行归类梳理，可以用于提高专家系统的速度，但是前提是需要建立清晰的数学模型；数据挖掘可以用于量化分析诊断的准确度，但是数据挖掘技术本身还需要进一步完善。研究和实践表明，这几种技术的结合应用有助于提高故障诊断系统的智能水平、效率或准确度。智能故障诊断技术的进一步完善，在一定程度上依赖多种算法的结合紧密度和有效度。

总而言之，智能故障诊断技术正向提高智能性、快速性、全局性、协同性的方向发展，从而产生更加高效和准确的诊断结果。

5 结论

智能故障诊断是故障诊断技术发展进程中的新里程碑。常用的智能故障诊断技术有专家系统、人工神经网络、决策树、数据挖掘等，专家系统技术应用最广，最为成熟，但是也需要结合使用其他智能技术来克服专家系统技术自身的缺点。智能故障诊断技术的发展趋势主要有多信息融合、多智能体协同、多种算法结合等，并向提高智能性、快速性、全局性、协同性的方向发展。