電網故障診斷的研究現狀與發展趨勢

肖隆恩，李閆遠，熊洋建，王紹坤

（1.三峽大學 電氣與新能源學院，湖北 宜昌 443002；2.國網湖北省荊州供電公司檢修分公司，湖北 荊州 434000；3.國網河南省電力公司安陽供電公司，河南 安陽 455006）

0 引 言

隨著電網自動化程度的提高和變電站的智能化發展，目前的EMS／SCADA系統已基本實現了各種保護動作、開關變位與模擬量信息的采集，但缺乏對所獲報警信息作進一步分析和判斷功能，海量的報警信息完全依靠調度和監控運行人員人工篩選、判斷和處理。當發生停電事故時，難以在極短時間內準確地判斷故障的性質和范圍，不利于及時采取措施來避免事故范圍的擴大。

初期的電力系統故障診斷系統是通過對發生事故后EMS／SCADA中相關的遙信數據的分析得到診斷結果。由于EMS／SCADA不能獲取電氣暫態數據，因而遙信數據的準確性和完整性對診斷的結果有很大影響［1］。為此，將故障信息系統作為新的數據源引入故障診斷的分析過程中，以進行更可靠的故障診斷［2］。故障信息能夠提供故障元件的暫態錄波數據，通過分析錄波數據能夠直接確定故障元件，簡化故障診斷的復雜程度。從20世紀90年代以來，廣域測量系統采集的數據也被引入到故障診斷領域中［3］。不同于EMS／SCADA與故障信息系統中的信息，廣域測量系統可以提供帶精確時標的電網實時斷面數據，以此準確定位到故障設備。由于多種類型數據源相比單一數據源能更完整地展現故障的發生過程，因此信息融合技術被引入到電力系統故障診斷領域［4，5］，通過融合不同數據源的信息，以得到更準確的診斷結果。

當前國內外已提出了多種故障診斷方法，比較成熟的有基于專家系統、解析模型與人工神經網絡的方法。此外，Petri網絡、貝葉斯網絡、模糊集及粗糙集等技術或方法也被運用于電網故障診斷中，這些方法目前仍處于研究階段。

1 國內外研究發展現狀

1.1 專家系統的診斷方法

專家系統的診斷方法將保護與斷路器的動作邏輯和專家經驗用規則表達，通過將實際故障信息與規則匹配的方式推理故障元件，具有推理能力強和解釋故障過程的特點。依據故障診斷的知識表示以及推理策略的不同，專家系統可分為兩類［6］：

（1）基于啟發式規則推理的系統。這類系統把保護、開關的動作邏輯與調度員的經驗用規則表述成為該系統的知識庫，然后通過數據驅動的正向推理把獲取的征兆和知識庫中的規則作對比，從而給出診斷的結果。文獻［7］采用拓撲信息、保護裝置動作規則，根據專家經驗的啟發式知識和告警信號進行不精確反向推理得到故障診斷結果，并對保護裝置的數據結構及其與拓撲知識的關系，以及設備誤動、拒動的識別和多故障診斷功能中的不確定性進行討論。

（2）結合正、反推理的系統。這類專家系統采用反向推理，以縮減可能發生事故的范圍。文獻［8］介紹了基于正反向推理的故障診斷專家系統，討論了推理規則和發生復雜事故時計算可信度的方法，該系統先由開關跳閘信號提出故障假說，再依據保護與斷路器的動作信號驗證假說的正確性，最后得到事故元件或范圍。

基于專家系統的診斷方法在應用中主要有以下不足：a.大規模專家系統知識庫的建立和維護有較大困難；b.專家系統是利用對規則的搜索與匹配進行邏輯推理的，對不確定性信號（如保護與斷路器動作不正確、告警信號不完整等）的處理效果不理想，不能有效辨別錯誤信號，因此容錯能力較差；c.在處理多重故障時可能出現組合爆炸及推理速度緩慢的問題。

1.2 解析模型的診斷方法

解析模型的診斷方法是通過構造一個反映保護和斷路器實際狀態與期望狀態間差異的目標函數，然后采用優化算法來求得目標函數最小值，得到的最優解對應的故障假設即是最終的診斷結果。通常采用的算法主要有遺傳算法、Tabu算法、蟻群算法和粒子群算法等，這些方法可以解出全局最優或局部最優的故障診斷結果。文獻［9］提出了產生事故時保護與開關動作的告警信號對不可觀測的保護（即動作信息在調控中心無法獲取的保護）狀態進行識別的概念，構建了能辨識不可觀測保護狀態并進行故障診斷的0－1整數規劃模型。由于保護和開關有拒動或誤動的可能性，且上傳的告警信息可能會有誤報或丟失的情況，因此文獻［10］構建了一種基于模糊外展推理的故障診斷模型，以同時處理這兩種不確定因素的影響。

基于解析模型的故障診斷方法具有嚴密的數學模型，相對于專家系統，簡化了邏輯推理的過程，適用于告警信息完整、正確的電網故障診斷中。該方法的不足之處主要有：a.目標函數的構造需要考慮多級后備保護以及對不確定性告警信息的處理能力，因此構建合理的數學模型有一定難度；b.優化算法在求解時有不確定性，可能會遺漏某些最優解；c.在求解的過程中需要迭代，使得故障診斷所需的時間較長。

1.3 人工神經網絡的診斷方法

與專家系統相比，人工神經網絡（Artificial Neural Networks，ANN）有魯棒性好、容錯性高、學習能力強的優點。目前應用于電網故障診斷的ANN方法主要有以下兩種：基于BP算法的前向神經網絡與基于徑向基函數（Radial Basis Function，RBF）的神經網絡。

（1）BP神經網絡模型的實現方法：以保護裝置動作信號為神經網絡的輸入，以可能的事故為輸出，選擇合適的樣本對神經網絡進行訓練。為解決大型電力系統的實時故障診斷問題，文獻［11］對大規模電網進行分區，各區域構造基于BP算法的ANN，通過采用分布式處理方式減輕故障變電站和調度中心間的通信負擔，并結合各區域得到最終結果。

（2）RBF神經網絡有任意函數逼近能力，并且學習速度快，隱藏神經元數目可以于參數優化過程中自動確定，構造RBF神經網絡的關鍵問題就是在訓練時進行參數優化。文獻［12，13］利用網絡分割法把大型電網分為給定數目的連通子網絡，各個子網的診斷負擔大致相同，并且每個子網邊界的元件數量最少，再利用RBF神經網絡對各個網絡進行診斷。

ANN的長處在于避免了專家系統面對的建立知識庫的問題，不用進行推理機的建立。ANN進行故障診斷的不足如下：a.其性能由樣本的完備性決定，然而對于大規模電網，難以獲得完備的樣本集對神經網絡進行訓練；b.和符號數據庫進行交互的能力不強；c.不擅長處理啟發性的知識；d.無法保證ANN訓練過程中收斂的速度以及不陷入局部最小；e.不能對自身行為及給出的結論做出解釋。上述問題制約了神經網絡方法應用于大規模電網的在線診斷。

1.4 Petri網的診斷方法

Petri網有直觀的圖形化表達，可以通過圖形的方式表示出系統的功能關系與動態流程，可以利用數學方法對網絡特性進行推導與分析，表現系統的結構，分析其動態行為，很適于表示并發、順序、同步、沖突等事件［14］，從而使復雜的邏輯關系形象化。

文獻［15］對各設備構造了故障清除過程（故障—保護動作—斷路器動作）的模型，并對其中圖形的有向弧反轉后獲取電力系統故障診斷Petri網模型。考慮到Petri網對告警信號不確定性（保護或開關信號丟失或錯誤）的處理能力不強，文獻［16］對基于Petri網與概率信息的診斷方法進行了討論，運用Petri網進行建模的同時，通過概率信息對故障診斷中不確定性信號進行處理。

Petri網絡的診斷方法能夠對復雜的事故演變過程作定性及定量分析，該方法存在的不足之處主要有：a.對大型電力系統應用Petri網建模時，由于元件增多與系統擴大可能導致狀態的組合爆炸；b.容錯性不高，較難辨識出不正確的告警信息；c.基本的Petri網無法表示對時序要求較高的行為特征，所以對復雜系統建模時，要用到謂詞／變遷網、有色時間網等高級Petri網絡。

1.5 貝葉斯的診斷方法

貝葉斯網擁有嚴密的概率論基礎，利用圖形化的方法來表達知識，用條件概率描述隨機變量間的影響，很適于求解不確定的知識表達與推理問題。

文獻［17，18］提出由 Noisy－Or與 Noisy－And節點構成貝葉斯網絡，構造面向元件的故障診斷模型。該方法結構上模擬了調度員的診斷過程，首先由先驗知識對模型參數初始化，再用類似訓練多層前饋神經網絡的誤差反傳算法來學習改進參數。文獻［19］基于Leaky Noisy－Or貝葉斯網絡進行動態建模，討論了分布式電力系統故障診斷方法。

在電力系統故障診斷中，貝葉斯網存在的問題如下：a.如何對大規模電力系統構造模型，基于系統的模型過于復雜，基于元件的模型又忽略了設備間的關聯信息，將造成結果的正確率降低；b.如何得到先驗概率參數，概率參數將密切關系到結果的正確率；c.電力系統發生事故后，如何用貝葉斯網來表示保護與斷路器的動作這一動態過程。

1.6 模糊理論的診斷方法

模糊理論通過引入語言變量與近似推理的模糊邏輯，適用于解決不確定性問題，其知識庫利用語言變量對專家經驗進行描述，符合人們的表達習慣。模糊集理論用于故障診斷主要有2類情況：

一類認為所利用的告警信號完整無誤，但故障與相應的保護和開關狀態之間關系有不確定性，并用模糊隸屬度度量該可能性。文獻［20］介紹了模糊專家系統的改進模型，使用了模糊推理方法，并對保護裝置的誤動與拒動進行了研究。

另一類則認為告警信號的可信度不為1，將輸入信息模糊化，由電網拓撲與相應的保護、開關狀態給出告警信號可信度，然后由專家系統或ANN得到診斷結論的輸出［21］。

模糊集方法容錯性能很好，能夠處理故障診斷中保護動作不確定和告警信號不完整問題，通常要和專家系統、人工神經網絡等其它智能方法一起應用，應用中的主要問題在于：a.隸屬度函數要求人工設置，所以存在主觀性的影響；b.構造大型復雜電網的模糊模型有一定困難，且網絡的結構改變后，相關的模糊知識庫與規則的模糊度也需要做出修正，故可維護性不好。

1.7 粗糙集理論的診斷方法

粗糙集理論的電網故障診斷方法一般是把輸入信息作為事故分類的條件屬性，依據各類可能出現的事故構建決策表，對決策表進行簡化，從而獲取診斷規則［22］。文獻［23］采用基于粗糙集理論的數據挖掘模型來處理告警信號錯誤，使用粗糙集對知識域的數據集進行定性分析。為了不對故障模式空間盲目搜索，采用遺傳算法來簡化粗糙集的決策表，從而迅速得到最優規則。

粗糙集理論的診斷方法不足之處在于：a.診斷規則的獲得由條件屬性集下各種故障情況訓練樣本集決定；b.該方法中的決策表會在復雜事故時變得很大，可能造成組合爆炸的問題。

2 電力系統故障診斷發展趨勢

（1）電網故障診斷系統的建模與維護。目前電力系統中，調度自動化平臺中事故信息的數據量非常大，因此診斷系統的建模非常復雜。當診斷系統投入運行后，元件的更換與電網結構變化均需要對模型的知識表示、規則設定做相應更改，使得其可維護性能較差。如何簡化建模方式，減輕維護工作量是故障診斷系統需要解決的基本問題。

（2）信息不確定時的電網故障診斷方法研究。故障診斷對保護與開關的告警信號完整性與正確性要求較高。因而，當出現數據源測點布置不足、量測元件采樣錯誤、傳輸通道異常或中斷及告警信號上傳不同步等問題都將造成診斷出錯。如何結合各類數據源上傳的事故信息，有效使用冗余信息、識別錯誤信息、增補遺漏信息并修正時間不同步造成的事件順序錯誤是故障診斷系統在線應用的必然需要。

（3）融合多種智能技術的電網故障診斷方法研究。電網故障診斷是多層次、多種類問題的求解過程，因此利用單一的智能方法僅能處理某個或某些方面的問題，診斷效果雖有改善，但不能完全解決電力系統故障診斷中的全部問題，而且只利用一種方法還可能出現一些新問題。所以，結合多種智能方法進行故障診斷將成為未來的發展趨勢。

3 結束語

電網故障診斷是與電力系統的安全穩定密切相關的關鍵問題，自20世紀80年代以來國內外已對此進行了廣泛研究，目前已提出很多故障診斷技術及方法，但實際運用中仍然沒有得到理想的解決。隨著電網規模的逐步擴大，結構更趨復雜化，因此對故障診斷系統提出了更高的要求。本文介紹了電網故障診斷的研究方法，論述了這些方法的特點和需要改進之處，并分析了該領域的一些主要發展方向。如何在現有EMS／SCADA系統下，將各種故障診斷方法有機融合，從而更好地滿足實際應用需要，對于保證電力系統安全可靠運行、減少事故的發生與經濟損失具有重要意義。

［1］ 張 旭，魏 娟，趙冬梅，等.電網故障診斷的研究歷程及展望［J］.電網技術，2013，（10）：2745－2753.

［2］ 何贊峰，趙冬梅，高 曙，等.一種基于故障錄波信息的電網故障診斷方法［J］.電網技術，2002，（05）：39－43.

［3］ 周子冠，白曉民，李文鋒，等.基于廣域測量系統的電網故障在線智能化診斷與分析方法［J］.中國電機工程學報，2009，（13）：1－7.

［4］ 許君德，趙冬梅，張東英，等.基于雙數據源的地區電網故障診斷實用化應用［J］.電力系統自動化，2006，（13）：68－72.

［5］ 郭創新，彭明偉，劉 毅.多數據源信息融合的電網故障診斷新方法［J］.中國電機工程學報，2009，（31）：1－7.

［6］ 郭創新，朱傳柏，曹一家，等.電力系統故障診斷的研究現狀與發展趨勢［J］.電力系統自動化，2006，（08）：98－103.

［7］ Lee H J，Ahn B S，Park Y M.A fault diagnosis expert system for distribution substations［J］.Power Delivery，IEEE Transactions on，2000，15（1）：92－97.

［8］ 張學軍，劉小冰，閻彩萍，等.基于正反向推理的電力系統故障診斷［J］.電力系統自動化，1998，（05）：30－32，55.

［9］ 文福拴，錢源平，韓禎祥，等.利用保護和斷路器信息的電力系統故障診斷與不可觀測的保護的狀態識別的模型與Tabu搜索方法［J］.電工技術學報，1998，（05）：1－8，51.

［10］韓禎祥，錢源平，文福拴.基于模糊外展推理和Tabu搜索方法的電力系統故障診斷［J］.清華大學學報（自然科學版），1999，（03）：57－61.

［11］Yang H T，Chang W Y，Huang C L.Power system distributed on－line fault section estimation using decision tree based neural nets approach［J］.Power Delivery，IEEE Transactions on，1995，10（1）：540－546.

［12］畢天姝， 嚴正，文福拴，等.基于徑向基函數神經網絡的在線分布式故障診斷系統［J］.電網技術，2001，（11）：27－32，37.

［13］畢天姝，焦連偉，嚴 正，等.用于分布式故障診斷系統的新型網絡分割法［J］.電力系統自動化，2001，（16）：16－21.

［14］周 曙.基于貝葉斯網的電力系統故障診斷方法研究［D］.成都：西南交通大學，2010.

［15］Lo K L，Ng H S，Trecat J.Power systems fault diagnosis using Petri nets［C］／／Generation，Transmission and Distribution，IEE Proceedings－.IET，1997，144（3）：231－236.

［16］孫 靜，秦世引，宋永華.一種基于Petri網和概率信息的電力系統故障診斷方法［J］.電力系統自動化，2003，（13）：10－14，23.

［17］Limin H，Yongli Z，Ran L，etal.Novel method for power system fault diagnosis based on Bayesian networks［C］.Power System Technology，2004 International Conference on.IEEE，2004，（1）：818－822.

［18］霍利民，朱永利，賈蘭英，等.基于貝葉斯網絡的電網故障診斷方法［J］.華北電力大學學報，2004，（03）：30－34.

［19］周 曙，王曉茹，錢清泉.基于貝葉斯網的分布式電網故障診斷方法［J］.電網技術，2010，（09）：76－81.

［20］Lee H J，Park D Y，Ahn B S，et al.A fuzzy expert system for the integrated fault diagnosis［J］.Power Delivery，IEEE Transactions on，2000，15（2）：833－838.

［21］Monsef H，Ranjbar A M，Jadid S.Fuzzy rule－based expert system for power system fault diagnosis［J］.IEE Proceedings－Generation，Transmission and Distribution，1997，144（2）：186－192.

［22］栗 然，黎靜華，蘇立軍.基于粗糙集的改進約簡算法和決策樹的電網故障診斷模型［J］.繼電器，2005，（18）：1－5.

［23］廖志偉，孫雅明.基于數據挖掘模型的高壓輸電線系統故障診斷［J］.電力系統自動化，2001，（15）：15－19.