配电网故障智能诊断技术综述*

陶飞达，黄智鹏，王东芳，李桂昌，李永尚

（1.广东电网有限责任公司河源供电局，广东河源 517000；2.广州市奔流电力科技有限公司，广东广州 510670）

0 引言

当前配电网的结构越来越复杂，规模越来越大，尤其随着分布式电源大量接入，对于配电网供电的可靠性提出更高的要求。当配电网发生故障时，调度中心将接收到大量信息，其中包括正确报警信号和错误报警信号，同时还需考虑由于保护误动或拒动，这使得调度人员难以从庞大而复杂的数据中及时诊断故障，因此，发展智能故障诊断系统是非常必要的。

文献[1]提出了一种基于遗传算法的故障诊断方法，将故障诊断问题描述为0-1整数规划问题，利用遗传算法求解最优解，这种方法有一定容错性，但容易陷入局部最优造成误诊；文献[2]提出了一种基于免疫算法的故障诊断方法，免疫算法改进于遗传算法，克服了遗传算法容易进入局部最优的缺点，提高了诊断准确性，但是无法处理保护误动作或拒动的情况。文献[3]提出了一种基于神经网络的诊断方法，建立径向基函数神经网络进行故障诊断，相比前向神经网络收敛速度更快，不容易陷入局部最优，但需要训练样本较大。文献[4]提出了一种基于Petri网的故障诊断方法，具有一定容错性，能够处理复杂故障，但当配电网结构过于复杂时，Petri网建模困难，运算速度慢。

目前，智能技术迅速发展，在配电网故障诊断领域拥有很好的应用前景，人工智能技术的发展为配电网故障诊断提供了许多新的更有效的方法，国内外学者在此方向上做了多种研究，各种智能技术思想不同，各有优缺点。本文旨在归纳总结故障诊断智能方法的类别、原理，对比各种诊断方法的优缺点，分析智能技术应用于配电网故障诊断的研究方向，展望配电网故障诊断的发展前景。

1 配电网故障智能诊断技术现状

1.1 专家系统

专家系统是一种智能的推理程序，它将专家知识归纳总结为知识库，根据相应的推理机制推理答案。专家系统的结构包括数据库、知识库、推理机、人机接口、解释程序和知识获取程序。专家诊断系统能够存放专家提供的知识，根据已知信息，通过不断匹配知识库中的规则得到结论。专家系统的结构如图1所示。

专家系统法能够拥有强大的推理能力，并且对推理结果具备解释能力，当处理配电网简单故障时效率较高；但获取知识、建立知识库的过程是复杂而困难的，而且当故障信号发生畸变、保护拒动或误动时，专家系统缺乏识别能力；专家系统的诊断需要在庞大的知识库中搜索，诊断时间长，不能做到实时显示的要求。

专家系统在配电网故障诊断中有多种应用，文献[5]中提出了一种基于专家系统的电网故障诊断技术，以保护动作的数量为故障是否发生的判据，采用递归的综合分析策略，较好地兼顾了故障诊断的快速性和完备性。

专家系统的关键在于如何自动获取知识、补充知识库；如何使专家系统的诊断具有容错性；如何加快专家系统的诊断速度。因此，未来专家系统应用于配电网故障诊断发展趋势应为：（1）专家系统和神经网络、模糊理论、粗糙集理论等结合应用，利用神经网络自动获取知识；（2）利用模糊理论清洗畸变数据，增加容错性；（3）利用粗糙集理论简约规则，加快诊断速度。

图1 专家诊断系统结构

1.2 神经网络

神经网络（ANN）模拟人脑的神经元网络，输入层神经元的值经过数层映射到达输出层，使得输入和输出建立了某种隐函数关系。通过给定样本学习，不断调整神经元之间的映射关系，使输入和输出的函数关系逼近真实规律。目前在故障诊断领域应用最广泛的是基于BP算法的多层感知器神经网络理论，神经网络采用基于知识的非线性处理方式，相比传统诊断方式，其对知识的运用更灵活；同时，对于新型故障，神经网络能够通过学习自我完善，具有强大的适应性。

文献[3]中将神经网络应用于配电网故障诊断，将断路器动作信息作为输入，故障位置作为输出，其学习过程为：通过样本训练，不断修改网络权值和阈值，使得输出结果和参考值一致。在网络拓扑结构不变情况下故障诊断可靠性较好，但存在延时诊断，处理瞬时故障时可能造成误诊。

神经网络具有强大的学习能力，用于故障诊断时其容错性较好，相比于专家系统，避免了将专家知识编入知识库的繁琐过程，但神经网络存在一些缺陷：（1）神经网络需要大量样本训练，在配电网故障诊断领域，获得足量的训练样本是困难的；（2）神经网络对其诊断过程缺乏解释能力。

神经网络在故障诊断领域具有一定应用前景。如何得到完备的训练样本库，如何在避免陷入局部最优的前提下使神经网络收敛更快，以及如何挖掘出神经网络蕴含的知识并解释其诊断过程，仍然是研究神经网络需要解决的重要问题。

1.3 贝叶斯网络

贝叶斯网络是基于概率推理和图论的数学模型，应用于电网故障诊断时，贝叶斯网络利用先验概率和相关知识推理得到各元件故障的概率，以概率的形式展示诊断结果，在解决不确定性和不完备性问题时有很大优势。

目前，在实际应用中，贝叶斯网络有一定瓶颈。首先是先验概率的确定，配电网有多种故障，故障特征也是复杂多样的，获取先验概率有一定难度；其次，贝叶斯网络需要准确建模，当配电网结构复杂时，建模难度很大。而且由于模型过于复杂导致诊断效率低。

文献[4]中提出建立时序贝叶斯知识库，将事件的因果关系和贝叶斯网络的推理能力相结合，发生故障时，先搜索可能故障的元件，建立贝叶斯网络模型，同时对缺失的信息作出假设，再通过模型推理判断出故障元件、误动和拒动元件。文献[6]中提出了一种计及可信度的变结构贝叶斯网络电网故障诊断方法，根据收集到的信息判断可能发生的故障模式，再建立该模式下的贝叶斯网络，通过计算事件发生的可信度并加入贝叶斯推理公式，增强了故障诊断的准确性。

贝叶斯网络以概率展示故障诊断结果，清晰直观。然而，其解决复杂问题时建模困难，处理效率低。未来的研究将主要集中于自动建模，充分利用时序信息等方面。

1.4 模糊集理论

隶属度是一个[0，1]的实数，表示某个元素属于某个集合或者拥有某种属性的程度，在配电网故障中，每种故障对应于多种故障信号，而一种故障信号也可能在多种故障中出现，调度中心很难辨别接收到的故障信号分别由哪些故障引起的，用隶属度来描述某个故障特征属于某种故障的程度，再以隶属度为参数诊断故障可以使这种模糊的因果关系量化从而便于推理计算。

模糊理论可以描述数据的可信度，从而有助于综合考虑多种判据，文献[7]中提出了一种基于模糊理论的多重复合判据的小电流接地系统选线方案，利用模糊理论对多种判据进行实时加权评价，实现单相接地故障选线诊断，相比单一判据，可靠性更高。

模糊理论能够表达隶属程度，在故障诊断中常用于数据清洗，对于一个数据，非此即彼的判断很容易造成误判，采用隶属度来进行量化的描述显然提高了判断的容错性。文献[8]中提出了一种基于模糊理论的专家系统的故障诊断系统，文中将所有原始数据模糊化后在带入计算，明显提高了诊断准确性。

在故障诊断中，模糊理论提供的是一种数据处理方法，因此需要和其他技术结合完成故障诊断，广泛应用于故障诊断过程中的数据处理；优化隶属度函数使之更加合理是模糊理论未来的发展方向。

1.5 Petri网

近年来，国内外研究者对使用Petri网表达因果关系的知识做了众多研究，目前，已经有了多种基于Petri网的表示和校验知识的方法。Petri网之所以能出色的表示知识的推理，是因为其具有并发、不确定、异步的特点，同时拥有较为完善的数学理论支撑，可以建立Petri网模型来表示知识，然后分析、演变Petri网即是知识推理过程。

在故障诊断中，Petri网的应用主要有2种：基于模型的故障诊断和基于知识的故障诊断。前者基于对象行为建立Petri网模型，后者往往与故障树、专家系统等方法紧密相连。

Petri网能出色的解决含分布式电源的故障诊断问题，并且具备一定的容错性和适应能力。但是，当配电网故障规模过大时，Petri网结构会非常复杂，影响诊断速度，而且可能导致状态爆炸。

文献[9]中建立颜色Petri网故障诊断模型，在含分布式电源的配电网应用效果高效可靠，并且，当网络结构发生改变时只需修改Petri网颜色即可。文献[10]中建立了基于多源信息的延时约束加权模糊Petri网故障诊断模型，在含错误报警信号是依然能够诊断故障，并且逆向推理信号的完整性和可靠性，识别误动和拒动的保护。

1.6 优化算法

基于优化算法的故障诊断即以假想故障为变量，以其和故障信号的匹配程度为适应度，利用优化算法搜索出适应度最高的假想故障。常用于故障诊断的优化算法有遗传算法、蚁群算法和模拟退火算法等。

依据FTU上报的信息将配电网故障诊断问题转化为0-1整数规划问题，以适应度来表示搜索得到的解的优劣，基于优化算法的故障诊断具有一定的容错性，也能较好的诊断多重故障。基于优化算法的故障诊断主要问题有：（1）收敛速度慢；（2）容易陷入局部最优，导致误诊。

文献[1]中提出了基于遗传算法的配电网故障定位方法，该方法能实现多重故障定位，但是只适用于环网单电源运行方式。文献[2]中提出一种基于免疫算法的配电网故障定位方法。通过仿真对比得出，免疫算法相比遗传算法具有更好的全局搜索能力，遗传算法容易陷入局部最优解导致误判，而免疫算法误判的可能性小很多。

优化算法的优劣关键在于收敛速度和全局搜索能力，因此，之后基于优化算法的故障诊断可以尝试改进目标函数、设计新的优化算法或者结合多种优化算法综合考虑。

2 当前技术问题及未来发展方向

目前的故障诊断智能技术中，主要是基于FTU传回的故障信息的智能诊断技术，而且已趋于成熟。国内外学者创造了多种智能算法以及各种智能技术相结合的诊断方法，在准确性、快速性、容错性等方面都有较优越性能，但其局限性也是显而易见的：判据只有FTU上传的故障信息，不能实现精确定位；处理复杂故障能力较差；FTU工作环境恶劣，出错可能性较大。总体来说由于采集的故障信息太简单，无法深入分析故障原因和位置。

目前已有基于行波测距的故障诊断方法，该方法能够实现精确故障定位，定位精度可达5 m，大大减少了故障排除难度，但由于其成本较高，目前之应用于输电架空线路和电缆中，在配电网中无应用。目前配电网中使用性能最好的还是基于FTU上传的故障信息的智能技术。

行波诊断法的发展前景是很好的，其性能明显优于目前的配电网故障诊断技术，只是成本较高，因此如何减少安装数量和生产成本是关键问题。单种故障信息作为判据进行诊断容易由于信号畸变导致出错，而且可能存在诊断盲区，无法处理复杂情况等问题，因此，未来的故障诊断技术发展方向应该是基于信息融合的，基于多种故障信息作出故障诊断其性能必然更优。其主要研究方向是：具备多种故障信息采集能力的终端；更快、更准确的故障信息传输能力；基于信息融合的故障诊断算法。

3 结束语

智能技术应用于配电网故障诊断，相比于传统方法体现出了一定的优越性。随着电力行业向着智能化的方向发展，配电网的功能、结构及各种概念都在不断发展，故障情况会更加复杂或者出现全新的情况，对于诊断的要求也在不断提高。

上述所有智能诊断技术都是基于FTU上传的故障信息作为判据的，单独使用时各有优缺点，目前趋势是结合多种智能技术综合诊断，取长补短，并且在配电网故障诊断领域取得了较好的应用效果。另外，行波测距是一种性能更优的技术，但成本较高，有一定的研究价值。

未来的配电网故障诊断技术是基于信息融合的，这是必然的发展趋势，但在基于信息融合的故障诊断技术发展成熟之前，基于FTU上传信息的故障诊断技术的研究依然是有价值的。