变电站智能告警专家系统的不确定性知识表示

余国清,罗可

摘要： 在变电站智能告警专家系统中，针对业务知识的不确定性和复杂性，文中设计了一种不确定性知识的表示方法，可以使采用该方法构建的知识库更有利于推理机的推理和知识库的自学习。该方法根据领域知识将变电站信号进行分层分类，以子知识库的形式进行知识的组织，克服了知识的复杂性。而且它采用一种模糊产生式表示业务知识，将模糊推理规则映射为模糊产生式，解决了知识的不确定性问题。实验分析表明，该方法适合进行变电站关联信号的告警推理，结合系统对知识的自学习机制，可以有效降低告警的差错率和虚警率。

关键词：专家系统；知识库；模糊产生式；模糊推理

In intelligent alarm expert system for substation, the business knowledge is uncertain and complex. Focusing on these characteristics, this paper designs a method of representation for uncertain knowledge. The knowledge library built using this method is more conductive to carry on fuzzy reasonging and self-learning. Based on the domain knowledge, this method classifies signals of the substation, and organizes the knowledge in the form of sub-knowledge library，to overcome the complexity of knowledge. In order to solve the problem of knowledge's uncertainty, it represents business knowledge by a kind of fuzzy production, and maps the fuzzy reasoning rule to fuzzy production. Experiment results show that this method is suitable for alarm reasoning on related signals of the substation. Combined with the self-learning mechanism for knowledge of the system, the method can reduce the rate of missing alarm and false alarm effectively.

Expert system; Knowledge library; Fuzzy production; Fuzzy reasoning

TM76文献标识码：A

1 引言

为进一步实现变电站无人值班管理，迫切需要在监控系统中建立告警和异常处理的专家系统，对变电站信息进行智能化管理，从中提取告警信息，用以辅助工作人员进行故障判断及处理。

一个完整的专家系统由6部分组成：知识库、数据库、推理机、知识获取机制、解释机制和人机接口，其中知识库和推理机是核心部分[1]，好的知识表示和知识库组织方法可以有效提高系统进行匹配和推理的效率。

为解决一些不确定性问题，模糊逻辑已被引入到故障诊断方法的研究中[2]。本文设计了一种有效的不确定性知识的表示与组织方式。变电站业务知识虽然数量庞大且复杂，可以将它们按设备来源和信号性质进行分类细化；采用模糊产生式表示知识，可以有效地表现知识的不确定性。实验分析表明了该方法对于变电站时序关联信号告警推理的有效性。

2 变电站业务知识的组织形式

变电站智能告警专家系统的知识来源于监控系统获得的大量模拟量、开关量等信息，还包括领域专家长期积累的经验。变电站的时序信号总量庞大，但根据其性质可分为三类：提示信息、告警信息、事故及变位信息。其中，提示类信号在变电站智能告警专家系统中不需特别关注，重点处理的是数量不多，但对变电站运行维护影响较大的告警信号和事故信号。

文献[3]中提到一种分类方法，将变电站常见的异常故障对应的告警信号进行分层分类，归纳总结后共有7大类90种左右，可以覆盖变电站所有的事故及异常告警信号。在这些方法的基础上，结合文献[4]中业务知识的介绍，本系统将各种告警信号以间隔为单位，大致划分为以下单元：(1)线路间隔单元，包括开关机构信号、保护信号、模拟量（三相电流及有功）；对3/2接线，2台开关及保护、线路保护等信号；(2)主变间隔单元，包括三侧开关分合闸信号、三侧开关机构信号、主变保护信号、冷却器及其电源信号、有载调压信号、模拟量（三侧开关各相电流及有功）；(3)母线间隔单元，按电压等级分，不管几组，接该电压等级所有开关跳闸信号、母差保护信号；(4)公共单元组，包括所用电容器、压变回路、直流系统的信号及其它公共信号。

每个单元中所包含的信号，根据其具体设备来源和关联性质，可以进一步地划分，如线路间隔单元中的信号可以再次划分为断路器相关信号、保护及控制回路信号等。各种信号通过层层分类后，可建立相应的子知识库，将同类信号对应的知识存储在同一子知识库中。在查询相关知识时，可以为知识库建立一个知识索引表，把所有相对独立的子知识库联系起来，如图1所示，可以借助索引快速查找到知识所在的子知识库，并且可以根据告警信号所携带的设备间隔等信息，准确地判断出异常出现的具体位置。当索引表中第三级标识相同时，指向的是同一子知识库，其中存储了与该设备相关的所有知识。

3 基于一种模糊产生式的知识表示方法

3.1 模糊产生式

以用途来分类，变电站智能告警专家系统属于故障诊断型专家系统，因此必然要经历从信号到故障的推理过程。但是用监控信号来推理变电站故障，具有一定的不确定性，主要表现在以下几个方面：

(1) 信号的不确定性：监控设施提供的信号，受时间、监控设备性能等因素的影响，并非完全可信；

(2) 推理的不确定性：用来推理某个故障的信号并非是特定的那几个，故障发生时可能只出现了部分信号；

(3) 结论的不确定性：变电站实际发生的故障与推理结论不一定相符，可能并未发生该故障，也可能出现了其它故障。

为使专家系统中的知识能够反映出变电站信息和知识的不确定性，本文基于模糊集理论引人了一种模糊产生式来表示知识。产生式一般用于表示具有因果关系的知识，其基本形式为[5][6]：或者，是产生式的一组前提，各前提之间可以是“与”或者“或”的关系，用于指出该产生式成立的条件；是一组结论或操作，用于说明当前提条件 满足时，应该得出的结论或应该执行的操作。模糊产生式仍采用IF-THEN的形式，其前件和后件均为模糊集，并引入权值、阈值、确信度等参量，可用于表现知识的不确定性，尤其适用于模糊推理。

一个模糊产生式即表示一条模糊推理规则，所以模糊产生式又称为模糊规则，下面参考文献[7][8]给出一种模糊规则的定义。

定义：设R为一种表示合取形式的模糊规则，其形式如下，

其中前件Pi表示规则的前提条件，，它们之间是“与”的关系，后件Q表示结论，前件和后件均为模糊集，Pi和Q的真值M表示隶属度，取值范围为[0,1]；Wi为前提条件Pi的权值，反映Pi在所有前提中所占的比重，根据实际需要进行取值，且；CF为规则的确信度，表示该规则的可信程度，；为规则的“可应用阈值”，，F为控制函数，当时规则可用，函数F可根据实际情况具体设置。

模糊产生式表示知识，主要有以下优点[9]：(1)自然性：用“如果…，则…”的形式表示知识，符合语言习惯和逻辑思维习惯，且简单、自然；(2)有效性：模糊产生式可表示不确定性知识，有利于进行启发性、试探性的推理；(3)模块性：规则与规则之间在结构上相对独立，规则与推理机也相对独立，便于进行规则库(知识库)的维护；(4)清晰性：规则格式固定，由前件与后件构成，结构清晰明了，便于存储和编程实现。

3.2 单个事件的知识表示

变电站某个间隔的监控设备发送出几个告警信号，若这些信号之间毫无关联，说明每一个告警信号代表一个异常/事故，专家系统需尽快做出反应，给出相应的处理方案。针对这种情况，按照索引表为各种设备单元设计单个事件知识库，用于无关联告警信息的故障推理。

单个事件的告警知识，用模糊产生式表示为：IF<告警信号>THEN(阈值)<原因与处理方案>(确信度)。前提为一个告警信号，它的可信度受时间、监控设施性能等因素的影响，用真值表示，在[0,1]内取值，其初始值根据专家经验设置。阈值对于规则的应用给出一个最小值，当信号的真值超过阈值时，该规则才可以应用于推理，结论为可能出现的故障及处理方案。当一个规则的前提信号满足时，其指示的结论故障并不一定发生，因此引入确信度参量CF（），以描述前提条件满足时规则成立的可信程度。CF的初始值可结合该规则相关的历史数据和专家经验进行设置，并可通过自学习机制进行不断的优化。表1以断路器的部分告警信息为例，说明单个告警信息的知识表示与存储结构。

3.3 关联事件的知识表示

在多数情况下，需要处理的告警信号之间是存在着某种联系的。例如在某一时段内出现的时序信号中，有几个信号是由同一间隔内同一设备的运行异常而引起的，则这几个信号就可以称为关联信号。针对这种情况，相应于单个事件告警信息知识库，设计关联事件告警信息知识库，应用于关联事件的告警推理。

用于关联事件推理的告警知识，用模糊产生式表示为：IF<告警信号1>(权值1)and…and<告警信号n>(权值n)THEN(阈值 )<原因与处理方案>(确信度CF)。与单个事件的告警信息不同的是，规则的前提为关联信号，根据每个信号对结论的影响程度选取相应的权值。在模糊推理过程中，即使所需的关联信号没有全部出现，只要出现的信号的真值与权值在相关函数(系统根据实际情况设置)的作用下，计算结果超过规则的阈值，那么该规则就可以应用于下一步的推理。下面仍以断路器为例，说明关联事件告警信息的知识表示与存储结构，如表2所示。

4 性能分析

变电站设备的典型故障按复杂程度可以分为：

(1) 单纯故障：某一种设备发生的一种故障类型，包括线路故障、母线故障、主变故障、电容器故障、电抗器故障、开关拒动故障、重合闸不成功故障、PT故障、CT故障、直流系统故障等；

(2) 组合故障：某几种设备同时发生故障，即上述故障运行方式的不同组合，如线路故障跳闸，开关拒动，失灵保护启动母差动作，跳本线路所在母线其它开关等。

系统把获得的一系列告警信号，根据信号所属设备间隔的不同划分成几组。与其它信号无关联的信号，可查询单个事件告警信息知识库进行匹配，找出相应的处理方案；来源于同一设备间隔的信号，可能为关联信号，查询关联事件告警信息知识库进行不完全匹配，符合匹配模式的规则都要参与计算及推理，此时的推理形式为模糊推理。

基于模糊产生式进行模糊推理，可以合理地表现出系统的不确定性，能够运用人类专家的经验知识进行启发性的搜索、试探性的推理，灵活性较高。

例如，当监控系统中出现液压机构合闸闭锁(a)，液压机构分闸闭锁(b)，断路器控制回路断线(c)三个信号时，可推断出现异常“断路器操作机构故障闭锁分合闸”（Q）。如果运用穷举法推理，只有当三个信号都出现的时候，系统才能做出结论Q，若只出现信号a、b，则无法推得这样的结论。但是，在一般情况下，监控系统受众多因素的影响，获得的信号大多是不完备的，而变电站设备已经出现了异常。此时，穷举法推理的差错率（出现异常却未发现）就会很高。如果采用模糊法，即使信号不完全出现，依然可进行推理。在表2中编号为y-2的规则显示：

，

假设规定F函数为，其中为信号Pi的真值，wi为信号Pi的权值，。不考虑其它因素的影响，信号的真值简单地设置为：出现时值为1，反之为0。当出现a、b两个信号时，通过F函数计算得，是大于等于阈值的，所以该规则可以应用于推理，推得结论为Q，真值为0.665。此结论可信度较高，可提示工作人员进行检查和处理。因此，模糊推理相对于穷举方法，可降低系统的差错率。

当a、b、c三个信号都出现时，查询关联事件知识库，发现不仅规则y-2匹配，规则y-3也匹配，且经过F函数计算，转移函数值都大于等于阈值，因此两个规则都适用。此时不仅可以推得结论Q，还将得到“断路器操作结构N2泄漏或打压过高”的结论。如果断路器并未发生后者所指示的异常，则系统出现虚报警。由此可知，运用模糊推理虽然降低了系统的差错率，却提高了虚警率。

为了降低虚警率和差错率，可采用自学习方法对知识库中的知识进行调权。在知识库中，每条规则知识的相关参量都被明确标注和存储在知识库中，且各个知识规则之间是相对独立的。系统在实际环境中运行时，将运行结果与实际情况不断比较，运用一定的学习算法对知识进行更新，只需在相应位置更改规则知识的参量或在子知识库中添加新的知识规则，其余的知识不受影响。系统通过自学习方式可以不断优化规则中的权值、阈值等参量，尽可能地避免虚报警情况的发生，从而降低虚警率。

5 结论

变电站智能告警专家系统的性能主要取决于知识表示方式的合理性和知识库中所含知识的完善程度。本系统所设计的知识库按设备单元、故障类型进行分类组织知识，可以进行快速的知识匹配；知识库中的知识采用模糊产生式表示，不仅体现了系统知识的不确定性，也利于进行模糊推理，可在一定程度上降低系统的差错率。另外，在知识库的维护中引入自学习机制，有利于系统进行知识精确性的修正和知识总量的扩充，从而达到降低虚警率的目的。

本文作者创新点：作者将变电站中的故障诊断规则，用模糊产生式表示，并采用不完全匹配的模糊推理策略，可有效降低虚警率和差错率，提高诊断结果的准确率。

参考文献

[1] 敖志刚. 人工智能与专家系统导论[M]. 合肥: 中国科学技术大学出版社, 2002: 165-184.

[2] 禹柳飞, 张友斌. 基于模糊逻辑的旋转机组故障诊断方法[J]. 微计算机信息, 2008,9-1: 226-227.

[3] 董勤伟. 变电站集中监控告警信号在线处理专家系统[D]. 南京:东南大学, 2006.

[4] 严胜. 智能电网变电站集中监控告警专家处理系统的研究与应用[J], 中国科技信息, 2009, 17: 25-27.

[5] 严作重. 基于模糊Petri网专家系统的研究[D]. 北京: 北京机械工业自动化研究所, 2009.

[6] S.L. Wang, Y.H. Wu. Reasoning in Fuzzy Production Systems When Input Information is Incomplete[C], IEEE International Fuzzy Systems Conference Proceedings, 1999, 8(3): 1557-1561.

[7] S.M. Chen, S. Member. Weighted Fuzzy Reasoning Using Weighted Fuzzy Petri Nets[J], IEEE Transactions on Knowledge and Data Engineering, 2002, 14(2): 386-397.

[8] 王熙照, 郗亚辉, 董春茹, 安素芳. 加权模糊产生式规则的泛化能力研究[J], 科学技术与工程, 2006, 6(5): 534-539.

[9] 席中洋. 专家系统开发工具的研究与应用[D]. 南京: 南京理工大学, 2003.