电网故障诊断的研究现状和发展趋势

摘 要：综述目前在电网故障诊断中应用较为广泛的智能算法，包括：专家系统，人工神经网络，模糊集理论，Petri网，多智能体技术和信息融合技术等。简要介绍各种智能算法的理论概念以及在电网故障诊断的一些研究成果。指出各种智能算法的优势和缺陷，以及未来的发展趋势。

关键词：电网；故障诊断；智能算法；研究现状；发展趋势

DOI：10.16640/j.cnki.37-1222/t.2018.17.176

1 引言

当前坚强智能电网的建设已经接近尾声，面对即将到来的全面的智能电网，电网的故障诊断越来越成为一个重要的问题。电网的故障诊断即当电网发生故障后，断路器等保护开关动作以及根据电网中电压，电流波形的变化判断故障类型，找到故障位置，识别故障元件。电网发生故障时会瞬间导致各种异常，大量报警信息汇入控制中心，在短时间内迅速判断故障位置并切断故障源是很困难的，因此需要快速准确的故障诊断方法。目前对于电网故障诊断已经有很多研究成果，基于人工智能算法的故障诊断方法相较于传统的依靠调度员经验分析有很大的优势。也是未来的发展趋势。本文综述当前在电网故障诊断应用较为广泛的智能算法，包括：专家系统，人工神经网络，模糊集理论，Petri网，多智能体技术和信息融合技术等[1，2]。并参考国内外在电网故障诊断方面的研究成果的基础上，介绍各种智能算法在电网故障诊断的一些应用，并指出优点和不足。总结当前电网故障诊断方面面临的亟待解决的问题，以及未来的研究方向。

2 电网故障诊断研究现状

2.1 基于专家系统的故障诊断

專家系统[3]（Expert System）最早由Feighbaum教授于1968年提出，把专家经验编辑成程序，通过知识推理解决一些复杂的问题。从70年代开始被引入到电网故障诊断中，陆续出现了很多研究成果，并取得了较为成功的效果。在电网故障诊断中应用的流程：首先建立故障信息知识库和产生式规则，然后故障发生时，推理机接收到故障信息，依靠知识库中的推理规则识别故障元件。

专家系统在电网故障诊断中依靠专家的知识可以高效地解决很多复杂故障问题，但目前专家系统还有很多缺陷：（1）知识库中的专家经验知识需要实时更新以满足故障诊断的需要，后续工作量大。（2）保护和断路器误动或拒动时，由于知识库不全面，可能会给出错误的诊断结果，容错性差。对于专家系统的缺陷，未来可以通过和其它智能算法结合形成优势互补。文献[4]运用模糊集理论优化专家系统，利用模糊集对不确定信息的推理能力改善专家系统的容错性。

2.2 基于人工神经网络的故障诊断

人工神经网络[5]（Artificial Neural Network）是模拟人类神经系统来进行信息处理的智能算法，通过大量基本的处理单元互联形成的复杂的神经网络系统。神经网络的优势在于具有强大的学习能力，可以通过训练样本不断的进行优化推理规则，并具有一定的预测能力，对未知的问题具有一定的解决能力。目前研究中，在电网故障诊断应用最广泛的是前馈神经网络，其中最有特色的是BP（Back Propagation）神经网络和径向基神经网络。文献[6]运用主成分分析法优化神经网络，达到诊断时神经网络输入量大量缩减的效果，减少样本驯良时间的同时抑制了噪声的干扰。

神经网络虽然有强大的学习能力、容错能力、良好的鲁棒性等，但仍有如下缺点：（1）神经网络的学习需要大量样本，而完备优质样本的获取和收集是很困难的。（2）神经网络缺乏对自身推理过程的解释能力。（3）神经网络对于启发式规则的推理比较困难。在未来，神经网络在电网故障诊断的研究中，重点需要解决的问题还是有价值样本的获取、对自身诊断推理过程的解释等。这样才能逐渐适用于大规模电网的故障诊断。

2.3 基于Petri网的故障诊断

Petri网最早是由德国Petri博士在1960年提出的，Petri网有严谨的数学公式表达，也有形象的图形表示，利用各个元件间的关系构成有向图的数学模型。对于描述离散事件的顺发、并发等有独特的优势。90年代初被引入到电网的故障诊断建模中，表现出良好的故障诊断效果，具有很好的应用前景。电网的故障是典型的离散事件，Petri网正是处理和解决离散事件问题的理想模型。

Petri网可以有效地对离散事件的建模和分析，并有诸多优点。但随着对Petri网应用研究的深入，逐渐暴露出一些问题：（1）Petri网目前只适用于小型电网故障诊断，对于网络拓扑较大的系统，易发生状态空间爆炸的情况。（2）对于保护和断路器拒动、误动等多重复杂故障，容易得出错误的诊断结果。未来的研究方向是将Petri网和别的智能算法相结合或对Petri网自身升级，利用高级Petri网进行复杂电网的故障诊断。文献[7]提出方向性加权模糊Petri网即一种高级Petri网模型，提高了诊断的自适应性和容错性。

2.4 基于优化技术的故障诊断

优化技术是多种智能算法的统称。常见的优化算法有：遗传算法，蚁群算法，粒子群优化算法和交叉熵算法等。目前优化技术在电网故障诊断领域的应用也有比较好的效果。在电网故障诊断应用中，优化技术的推理是根据故障元件于保护和断路器的动作关系，将故障问题表示为目标函数最小化的0-1整数规划的最优解问题。文献[8]利用改进粒子群算法解析整体诊断模型，提高了诊断准确性。

基于优化技术的电网故障诊断方法有严谨的推理和理论基础，通常的优化算法都可以实现正确的故障诊断。且在故障信息残缺或不足的情况下，也能够给出多个局部和全面的诊断结果。同样该方法也存在自身的缺陷：（1）寻找目标函数比较困难；（2）优化算法的诊断过程需要数据一次一次的迭代，直到满足要求，所以耗时较长；（3）迭代过程中可能陷入局部优值或由于随机因素丢失最优解。所以在未来优化技术的应用中，全面的数学模型和更快的迭代收敛是一个重要的研究方向。

2.5 基于MAS技术的故障诊断

多智能体（Multi-Agent System， MAS）技术是分布式人工智能技术的一种，它是一种软件工程技术，综合了计算机、网络和分布式思想。能够将一个复杂的问题拆分为多个Agent，然后对于每个Agent逐个击破，最后通过各个Agent之间信息的相互协调得出最终结果。文献[9]提出基于MAS技术的电网故障诊断，首先智能分解诊断系统，然后协调各Agent得出综合诊断结果，具有良好的准确性和实时性。

MAS分布式电网故障诊断系统，具有启发性、鲁棒性和可扩展性。适用于大型分布式电网故障的复杂性等要求，通过多智能体协调工作，可以实时处理大电网复杂性故障。目前的研究也仅限于理论，未来如何将多Agent系统运用在实际运行的电网中是需要重点研究的问题。

2.6 基于信息融合技术的故障诊断

信息融合是多数据源信息融合技术[10]的简称，即通过不同的数据源获取信息，分别进行分析和处理，然后通过融合算法得出综合结果，最终的估计和决策比任何单一信息源精度更高。目前，在电网故障诊断方面，该方法的应用研究已经表现出其明显的优越性。文献[11]结合小波神经网络和证据理论，分别进行数据层的故障分析和决策层信息融合框架的构建，提高故障诊断准确性。

将不同数据源的开关量和电气量信息进行融合的故障诊断方法，可以避免由于单一数据源信息残缺或不完备造成的误诊情况，同时提高了诊断系统的实时性。在之后的研究中，信息融合技术主要解决更合适的信息融合技术的选取以及在实际中的应用。

3 当前需要解决的问题及未来发展趋势

当前电网的故障诊断方面还有如下问题需要解决：（1）每种智能方法都存在自身的缺陷，都不适合单独的用于故障诊断。（2）对于不完备信息的故障易得到错误的结果，容错性差。（3）目前的研究大多是理论上的，缺乏在实际电网中应用的研究。

基于当前面临的问题，电网故障诊断在未来的研究大概分为以下几个方面：（1）综合利用多种智能方法进行故障诊断的研究。在目前的研究中，基本都是采用单一的智能算法，短板比较明显。而将多种智能方法良好衔接，综合利用，可以形成优势互补、取长补短。得到更好的故障诊断效果。（2）多数据源信息融合的故障诊断研究。当前电网故障诊断大多利用保护和断路器等开关量信息。但是开关量信息有其本身的局限性，且保护开关的误动、拒动会应影响故障的判断。相对而言，利用电气量信息则更加快速，准确。最后将开关量信息和电气量信息进行融合的故障诊断，是未来一个重要的研究方向。（3）分布式智能技术的故障诊断研究。我国电网飞速发展，对于大规模电网的故障诊断，分布式的处理是一个非常有效的方向。当前研究成果比较多的多智能体技术就是一种分布式故障诊断方法。

4 结语

在我国智能电网的环境下，采用人工智能算法进行电网故障诊断是必然的趋势，且目前已经取得很多的研究成果。本文综述了目前研究比较多的智能算法及近年来的研究成果，并介绍了这些方法的优势、缺陷和在当前电网故障诊断中面临的问题。最后分析了在未来电网故障诊断的发展趋势。尽管研究成果众多，但都还是处于理论阶段，缺乏在实际运行电网中的应用研究。因此在改进智能算法的同时，也要不断完善在实际工程中的应用，保障电网运行的安全与稳定。

参考文献：

[1]李紅卫，杨东升，孙一兰等.智能故障诊断技术研究综述与展望[J].计算机工程与设计，2013，34（02）：632-637.

[2]鄂加强.智能故障诊断及其应用[M].长沙：湖南大学出版社， 2006：64-65.

[3]Joseph Giarratano.专家系统原理与编程[M].北京：机械工业出版社，2000：20-23.

[4]Lee H J，Park D Y，Ahn B S，et al.A fuzzy expert system for the integrated fault diagnosis[J].IEEE Trans on Power Delivery，2000，15（02）：833-838.

[5]胡守仁，余少波，戴葵.神经网络导论[M].长沙：国防科技出版社，1992：2-3.

[6]Khom foi S，Tolbert L M.Fault diagnosis system for a multilevel inverter using a principal component neural network[C]//Power Electronics Specialists Conference，37th IEEE，2006：1-7.

[7]杨健维，何正友，臧天磊.基于方向性加权模糊Petri网的电网故障诊断方法[J].中国电机工程学报，2010，30（34）：42-49.

[8]刘道兵，顾雪平，李海鹏.电网故障诊断的一种安全解析模型[J]. 中国电机工程学报，2011，31（34）：85-92.

[9]Lekkas G P，Avouris N M，Papakonstantinou G.Development of distributed problem solving system for dynamic environments[J].IEEE Trans on System Man and Cyberneties， 1995，25（03）：400-414.

[10]刘同明，夏祖勋，解洪成.信息融合技术及其应用[M].北京： 国防工业出版社，1998：12-13.

[11]FENG Dengchao，Disa Pereira J M.Study on information fusion based on wavelet neural network and evidence theory in fault diagnosis[C]// Electronic Measurement and Instruments， 8th International Conference on，2007：3522-3526.

作者信息：田海霖（1991-），男，河南商丘人，研究生在读，研究方向：智能电网故障诊断。