电网故障诊断方法综述及发展趋势

曹 磊 孙日高 常正胜 盖 迪

（1.东北石油大学电气信息工程学院；2.大庆油田有限责任公司天然气分公司；3.中国石油化工股份有限公司金陵分公司）

电力系统故障诊断是利用SCADA、WAMS及故障录波系统等不同的故障信息源所提供的信息结合电气工程专业知识来识别故障元件、故障区域、故障类型以及误动作，其中核心的问题就是如何识别出故障元件。 现如今，电力系统的规模越来越大，结构也变得越来越复杂，当出现故障时，大量的报警信息会短时间内一起涌入调度中心，由于运行人员的能力各不相同，所以出现误判和漏判在所难免，为了能够在不同的故障下都得出准确的诊断结果，这就需要电力系统故障诊断系统进行决策参考。 与此同时，由于通信技术的不断提高，故障信息的实时采集已基本实现，不管是电气量还是开关量，都能以不同的形式传入调度中心，如此多的故障信息给故障诊断提供了有力的支持，另外，通过PSCAD、PSASP 等电力系统仿真软件也可以不同程度地提高调度员的经验和水平。 当前，国内外关于故障诊断的方法很多，主要有专家系统、人工神经网络、贝叶斯网络、模糊集理论、粗糙集理论、Petri 网、解析模型及多源信息融合等。

笔者首先对各种诊断方法进行了综述，然后指出这些方法中需要改进的地方，最后指出故障诊断领域发展的趋势。 这些方法对故障诊断意义重大，在一定程度上减少了经济损失，保证了电力系统的安全运行。

1 国内外研究发展现状

1.1 专家系统

在电网故障诊断领域应用最早的智能算法就是专家系统，该算法将故障信息作为输入，故障元件作为输出， 其诊断过程其实就是规则匹配的过程［1～3］。 文献［4］以网格技术为基础，创造出一种新型电网故障诊断技术， 在专家系统中充分利用知识网格技术的特点， 实现了专家系统的更新与维护同步，通过改变知识节点的方法，可实现故障知识地图的在线更新， 将专家系统不容易维护和更新的漏洞进行了填补； 在专家系统容错误性信息差的方面， 专家和学者们试图通过引入其他的智能算法进行改善和解决。 为了实现不确定情况下的专家系统诊断，文献［5］把专家系统和人工神经网络相结合，实现了对故障的准确判断。

1.2 人工神经网络

人工神经网络是通过对生物神经系统进行研究而得出的，可以对信息进行并行处理，效率比较高。 该方法有很强的容错能力，即使信息不太确定， 也能够通过计算得到正确的输出结果。人工神经网络取得的突破主要是在知识的表示上，通过改变知识的表示让诊断变得更快，而且容错性和学习能力上也有了一定的提高。 但神经网络也存在不足之处，比如在实际的应用中不能较好地解释故障诊断的结果，而且由于人工神经网络需要大量的训练样本，这些样本的获取非常不易，这也影响了神经网络的发展，此外，仅仅采用人工神经网络也不能很好地满足调度运行的要求，一旦电网的拓扑结构发生改变，训练样本也要进行相应的改变，这无疑增加了系统的维护难度，且降低了诊断的快速性，所以该方法在故障诊断结果的解释性和大规模电网实用化应用方面还没有取得决定性的突破。 人工神经网络在未来的改进方向主要在两个方面，一是增强诊断结果的解释能力，可以把神经网络同一些智能算法相结合， 从网络映射中寻找语言表达规则；二是增强系统的适应能力，当电网结构变化或者是更大电网时也具有适用性和实用性。 在具体到用人工神经网络进行故障诊断时，首先要利用故障样本进行大量的训练， 以保护信息作为输入，故障诊断的结果作为输出，其具体过程是用对应的学习方法，形成函数关系，从而在高维度空间模拟，形成超曲面，这样就能更好地对不可预测的故障信息进行诊断。 在利用人工神经网络进行电网故障诊断时，文献［6］采用径向基函数（RBF）神经网络，输入量还是保护动作信息，在对RBF 参数进行优化时采用了最小二乘法，输出元件对应的参数越接近1， 则该元件故障的可能性也就越大。 文献［7］在RBF 的基础上建立了模糊元胞诊断法， 该方法遮蔽了人工神经网络的诊断过程，虽然诊断的准确度和快速性得到了提高，但是还是没有解决对诊断结果的解释问题，同样该方法也需要大量的训练样本，实施起来比较困难。

1.3 贝叶斯网络

在利用贝叶斯网络进行故障诊断时，继电保护和电网元件的映射关系可以用图形来描述，由保护动作信息到诊断出故障元件的过程可以用概率来进行表示，当用概率来表示不确定信息引起的故障问题时，效果会很明显［8，9］。 随着贝叶斯网络在电网故障诊断中的应用，它的优点也逐渐显示出来，然而，实际应用中为了确保诊断结果准确， 贝叶斯网络需要获得有效的先验概率，先验概率求取的难度会因故障的不同而不同，而且贝叶斯网络建模的难易程度和电网结构规模有关，规模越大，建模越困难，从而也就影响了诊断的速度，此外保护动作信息不准确也会影响诊断的结果。 最近几年，由于信息系统会提供时序信息，所以发展的方向是在贝叶斯网络中充分利用时序信息，构建的贝叶斯模型把时序信息包含进去，从而提高了故障诊断的可信度，推动了贝叶斯在故障诊断中的进程，但是把贝叶斯模型用于在线分析的技术还有待提高。 文献［10］在对开关量信息进行故障诊断时，先用粗糙集对开关量信息筛选一遍，以此来提高信息的准确度，使得诊断的结果受误动、拒动的干扰变小。 文献［11］首先建立每个可疑故障元件蕴含时序的贝叶斯知识库， 然后将知识库中的信息形成两个集合，一个是时序一致，另一个是时序不一致，在对元件可能出现故障的概率进行计算时，主要是利用了可疑节点进行排列组合后的分析求解。 充分的先验知识才能保证得到的诊断结果准确，但是大电网的故障样本是很不容易获得的，这就成为贝叶斯网络在电网故障诊断发展中的绊脚石。

1.4 模糊集理论

模糊集理论有两种类型应用在电力系统故障诊断中，第1 种是设报警信息的可信度不是1，动作保护和断路器状态能够根据可报警信息给定数值，然后通过专家系统或随机集等方法得到故障的诊断结果；第2 种是假设上传的报警信息完全正确， 以模糊隶属度来描述断路器跳闸、故障和保护动作之间关联的可能性。 文献［12］就采用第1 种方法，在得到故障信息后，先用模糊化的方法对信息进行预处理， 然后再利用专家系统、人工神经网络建模，最后输出诊断结果。 文献［13］利用的是第2 种类型的模糊集理论，对于可疑故障元件，为了获得度量故障诊断位置的总模糊度，要对故障点到报警信息的所有途径进行筛选、排查，然而以模糊集理论为基础进行故障诊断仍然存在各种各样的问题，尤其是在模糊隶属度函数的选择和大规模电网模糊设计方面。

1.5 粗糙集理论

粗糙集理论是一种数据挖掘技术。 该技术能够处理不完整、不精确且不确定的信息［14～16］。在电网故障诊断中，粗糙集理论在对各数据之间的数据进行挖掘时，主要是利用时序告警信息的冗余性质。 诊断规则是从对训练样本的总结和推导得来的，基于粗糙集理论的诊断方法，其优点是能够较好地处理信息不完备的情况，也就是说有较强的容错能力。 但是仍然不能做到当关键信息丢失或断路器误动下的无误差诊断，而且故障信息的冗余度很大程度上影响了对知识的简约效果。另外，当电网规模比较大时，决策表的构建比较困难，而且蕴含的信息量比较庞大，如果对复杂故障进行诊断极有可能出现“组合爆炸”现象，因此粗糙集发展的主要方向还是如何充分利用先验信息，进一步降低错误信息对知识简约过程的影响，还有就是如何将其他性能优越的算法和粗糙集进行充分融合，利用各自的优点来改进粗糙集应用方面的不足。 在对故障进行分布式诊断思想的基础上，文献［17］先分割网络图形，形成特性基本相似的自网络连通图，有效地解决了决策表“组合爆炸”的问题，然而还是无法避免粗糙集知识的简约能力受信息冗余度的影响，一旦丢失关键信息，故障诊断的结果也就不尽如人意。

1.6 Petri 网

Petri 网是一种能够解释电网故障行为的加权有向网。 它可以对故障信息中元件和保护的关系利用数学理论方法来进行分析，从而解释电网的拓扑结构和并列、次序发生的动态行为［18～20］。基于Petri 网的电网故障诊断的优点是：以图形化的形式表达诊断模型，推理过程简单、快速，但诊断模型仍存在不足，电网越大，建立的诊断模型也就越大、越复杂，同时计算量也随之增大，诊断速度降低；故障诊断模型会随着电网拓扑的变化而变化，而且容错性不高，模型会随着电网规模的扩大而变得繁杂等。 近年来，许多专家学者主要研究高级Petri 网的应用，主要目的是为了弥补传统Petri 网在建模方面和应用方面的不足。 将来，还可以将Petri 网故障诊断技术与其他智能技术相结合， 以降低模型的复杂性， 还可以考虑让Petri 网从离线诊断应用到在线诊断中去。 如果想实现在线诊断，主要应针对Petri 网的自动建模和诊断速度两方面进行研究，Petri 网根据诊断系统中不同元件的连接方式、拓扑模型和动作逻辑关系建立有向模型，该模型描述离散事件的并发模式、发生顺序和冲突，并满足电网故障诊断中开关动作的离散动态要求。

文献［21］是以母线和线路作为主要对象搭建Petri 网模型的，该模型可以对不同的故障类型进行故障选线。 文献［22］所采用的方法主要提高了Petri 网对不确定信息的容错性，该方法将电网中不完备的信息问题考虑进来，在Petri 网中加入模糊集理论， 形成模糊Petri 网电力系统诊断模型。 在文献［22］方法的基础上，文献［23］给所有变迁的有向弧赋予了不同的权重，从而体现出了每条报警信息和诊断结果间的关联程度，然而当该模型应用在大电网时， 模型结构过于庞大，而且对电网的适应性也不足。 文献［24］的方法改善了Petri 网模型对网络拓扑变化的适应性问题，该方法是根据元件故障的不同发展方向建立子模型，以此来提高模型的适应性问题。 文献［25］改善了Petri 网在大电网中适应性和模型结构的问题，该方法提出了有色Petri 网模型，是将库所中的托肯以不同的颜色来表示，颜色不同代表报警信息的状态不同，而且还将同一类库所进行了合并， 使模型的规模不随电网结构的变化而变化，但是有色Petri 网模型还是没有解决在不确定信息情况下容错性差的问题。 文献［26］用复合色来代表信号的置信度，也是一种基于模糊有色Petri网的方法，通过对信号置信度的处理提高了诊断的容错能力，但是没有考虑信息的权重，而且也没有利用时序信息。

1.7 解析模型

把解析模型用在故障诊断中的基本思想是用一个数学模型来表述断路器和保护之间的动作情况和从属关系， 用数学方法解决电网故障诊断的问题， 最终求得的数据或者字母就代表故障元件或整定值［27，28］。解析模型可以简化故障后的逻辑推理过程， 具有强大的数学基础和严格的理论依据， 而且这个过程用计算机语言实现的时候难度不大， 即便是信息不确定或者发生了多重故障， 编程后依然能给出符合要求的多个解，对应的也就是多个故障假说。 其难点在于建立解析模型时如何更多地利用故障信息，并且当发生复杂故障时，虽然可以得到全解，但是无法保证解的准确性。 解析模型未来的发展方向在于将故障后的关键信息和非关键信息充分地利用起来，在预处理阶段，先对不确定信息进行修正与检验， 然后再建立起多目标的解析模型，以此来充分发挥多信息的作用，从而降低模型的求解难度。

1.8 多源信息融合

电网故障诊断所采用的数据是多源、 异构的。 当电网发生故障时，其数据信息反映为电气量、保护和断路器的异常变化，可以为电网故障诊断提供丰富的数据信息。 采用多源信息融合技术的电网故障诊断即针对不同数据源所提供的开关量信息和电气量信息进行综合故障诊断，它能够克服利用单一数据源进行故障诊断因故障信息的不确定性而导致诊断错误的问题。 目前，对于多源信息融合的电网故障诊断算法还处于初级阶段，但其发展较为迅速。 文献［29］将信息融合理论引入电网故障诊断辅助决策过程中，使诊断过程中的具体对象与信息融合中的决策、特征、数据内容相对应，在多层信息融合框架下构建了电网故障诊断辅助决策模型。 文献［30］针对SCADA 和RPMS 数据源，对于遥信信息，以覆盖集理论为基础建立了改进优化模型，对于录波数据采用小波分析提取相应故障度，进而应用改进证据理论对以上两种判据结果进行数据融合。 文献［31］综合利用SCADA 系统、RPMS 和WAMS的数据信息，对保护、断路器信息通过时序贝叶斯网络进行诊断推理，对录波电气量采用小波能量谱分析求取故障特征， 对PMU 电压录波利用改进RBF 神经网络进行分析，进而应用改进D-S证据理论对以上诊断结果进行融合， 并由模糊C均值聚类方法给出最终诊断决策。

2 电网故障诊断的发展趋势

随着电网规模的不断扩大， 计算机技术、数学智能算法、 通信及网络技术等的不断发展，在电网故障诊断方面会不断涌现出新的方法，但是从这些诊断方法的研究和应用上来看，大部分都停留在理论和模型阶段，并没有充分地与实际结合起来，尤其是成型的实用系统，至今没有太大的发展。 由于故障诊断需要系统提供故障信息，而之前设备比较简陋， 不能提供丰富的故障信息，从以前学者和专家的论文中可以看出，电网故障诊断系统的故障信息大部分都建立在SCADA 系统上，利用SCADA 系统的开关量信息和信息的时序性来实现诊断。 随着通信技术的不断发展， 相继出现了故障录波系统和WAMS 系统，这些系统的建设，让更多的信息孤岛也能传进系统中去， 对故障后的开关量和电气量信息经过采集、传输、存储和处理，为电网故障诊断提供了更多的信息，拓宽了故障诊断的研究方向。 因此，当故障诊断方法的理论同实际结合时，对于故障信息的采集和整理阶段要特别重视，包括数据库的构建、冗余数据的处理及特征提取等。

为了让电网故障诊断技术进一步发展，今后的工作重点应放在以下4 个方面：

a. 当信息缺失时故障诊断方法的研究。 当前的一些故障诊断方法都是在信息无误的情况下进行的，没有考虑信息传输过程中出现错误的情况，然而保护的拒动、误动在所难免，而且由于信息通道容易受通信设备干扰，很难保证信息完全正确。 实际上，要是将保护或者断路器的状态信息都上传到调度中心，将会面临费用和布线的问题，而且很多发展中国家的调度中心并没有很完善的继电保护信息系统。 因此，很多假设故障信息没有错误的诊断方法，在这种情况下就不能进行正确的诊断，需要进一步提供假设前提，这样一来，就不太符合实际情况。 截止当前，对继电保护信息不完整情况下的电力系统故障诊断问题仍然没有一个完善的解决方法，这是电力系统故障诊断领域中有待解决的主要难题之一。

b. 将各种不同的智能技术进行融合的故障诊断方法的研究。 由前文的诊断方法可以看出，采用单一的诊断方法只能够解决某些特定的问题，诊断性能有待提高，而且不可能有效解决电网故障诊断面临的所有难题，甚至一些诊断方法引入了新的问题。 因此，将多种智能诊断方法进行融合具有光明的发展前景。 所以说，时刻关注智能科学领域方面的发展，在合适的时候将这些前沿科学技术引入电网故障诊断中去，比如随机集理论、数据挖掘及粗糙集理论等，这些将来肯定会为诊断领域拓宽道路。 基于现在的研究成果，取其精华，去其糟粕，采用多种智能技术进行融合是一个非常值得关注的研究方向［32］。

c. 电力系统健康诊断的研究。 故障诊断的实质是根据故障信息的特征，对已经发生的故障进行查找，这个内容可以进一步拓展。 文献［33］提出一个新的关于故障诊断的概念：电力系统健康诊断。 这个概念是指通过一定的工具对系统的状态进行实时监测， 建立起关于系统的健康档案，并对之进行动态跟踪，根据系统状态的变化和特征量的提取，及时发现症状并且报警，故障严重时还可以进行相关的切除动作。 很明显，健康诊断不仅涵盖了故障诊断，还包含了故障预测的概念，但是相比这两个单独的行为，健康诊断在内容和时间上都进行了进一步的拓展，在内容上等同于从大患到小疾，在时间上，相当于从定点到持续。 它可以做到防患于未然，在应对突发性事件上效果显著，从而可以大幅度减少突发事件带来的经济损失。 电力系统健康诊断的想法很前卫，也非常具有挑战性。 但是目前这方面的实际工作还是不够多，还需要进一步研究与发展。

d. 电力系统故障诊断的实用化研究。 尽管故障诊断已经有了很长的研究历史， 也成果显著，但还是不能完全满足需求，理论向实际的过渡不太理想。 现如今需要进一步推进的是将科研机构同相关电力企业联合起来，这样就能更好地开展电网故障诊断实用化的研究。 与电力系统的实际情况相结合，将故障信息的收集和整理作为一项重要任务去做，包括数据库的构建、故障信息的预处理及冗余数据的剔除等［34～36］。 在实际应用中去发现问题， 采取智能化的方法进行诊断分析，为电力工作人员提供辅助分析和决策手段。

3 结束语

完善的诊断方法是电网安全稳定运行的坚强后盾，20 世纪80 年代国内外就已经开始了大量的电力系统故障诊断方法研究，并且提出了一些建设性的方法，虽然某种程度上加快了诊断技术的发展，但在实际应用中仍然或多或少存在一些缺点。 电网规模不断变大，随之故障诊断的要求也就变高。 笔者综述了电网故障诊断的重要研究方法，并指出各种方法的不足之处，最后说明了故障诊断领域的主要发展方向。 它们对构建电力系统故障诊断智能辅助决策系统具有指导意义，对保证电力系统的安全运行、减少事故发生和经济损失具有重要的理论和现实意义。