人工智能在電網故障診斷中的應用

，

(國網泉州供電公司,福建 泉州 362000)

1 引言

電網是電力系統中輸送和分配電能的重要環節，因此電網的故障診斷是提高供電可靠性的一種重要手段。隨著電子信息技術的發展，監控和數據采集系統(SCADA)的應用，使得操作人員能夠在監控中心監控電力系統運行狀況。SCADA系統所獲得的監控信息是非常有用的，當電網系統發生故障時，如果故障區域比較小，并且繼電保護系統能夠迅速準確的切斷故障源，檢修人員就能迅速的找到故障點并啟動恢復供電程序；當電力系統發生復雜故障(如越級故障、擴大性故障、多重故障)以及斷路器誤動或者拒動的情況下，可能導致電力系統的過載和不穩定，繼而引發其他故障，并導致故障區域的擴大。復雜故障引發的大量報警信息涌入監控中心，使得運行人員顧此失彼，并無法做出有效的判斷和處理。因此，研究一款能夠輔助運行人員決策，幫助運行人員快速找到故障區域，縮短供電恢復時間的故障診斷系統是有必要的。同時，隨著電網自動化水平的提高，各種采集實時信息和報警信號的遠程終端裝置(RTU)的應用，使得利用實時信息進行電網故障診斷成為可能。近幾十年來，國內外的專家學者提出了許多故障診斷的方法，而現階段常用的配電網故障診斷方法有：矩陣算法、人工神經網絡、遺傳算法、粗糙集理論、蟻群算法等。其中，人工神經網絡以其優良的并行處理能力，良好的學習能力及不錯的泛化和容錯性能得到了各國研究專家學者的興趣。如文獻[1-4]，將電網內所有設備作為節點接入網絡，而將故障狀況作為輸出。然而現實中電網規模龐大，存在著多故障現象引起的組合爆炸問題，所以實用起來較為困難。盡管文獻[5-6]則對文獻[1-4]的方法進行改進，提出了分區域診斷，然而仍然存在組合爆炸的問題，并且診斷方法對拓撲結構有嚴格要求。

2 診斷系統結構

圖1為故障診斷系統框圖，當電網發生故障時，電網中各相關元件的繼電保護裝置動作，切除故障點與其他鄰近線路的連接，故障點附近的各個電氣元件將不再帶電。在故障發生后，各個元件的神經網絡模塊進行初步診斷，判斷故障來源是內部故障或外部故障(外部故障分為發送端(Sending)和接收端(Recving)。當故障來源于內部，各元件上的神經網絡模塊可以即可快速得到診斷結果，迅速的找到故障元件。當電網發生復雜故障以及斷路器誤動或是拒動而導致大范圍的停電時，由各個區段的綜合診斷并將結果發送給模糊專家系統，交由模糊專家系統進行故障決策處理。各個元件的故障診斷是并行處理，縮小了網絡規模，提高了故障診斷速度。

圖1 故障診斷系統框圖

3 元件神經網絡診斷模型

隨著電力系統的不斷發展，電網規模日益龐大復雜。若將每個電網中的元件都當作神經網絡的一個節點，不僅網絡規模將龐大，降低了計算速度，而且當電網拓撲發生變化時，容易出現錯誤診斷。因此，本文利用BP神經網絡和GRNN將電網的主要元件(變壓器、線路和母線)建立故障診斷模型，將電網分割為若干個區段，有效減少神經網絡節點的數量和計算規模。電網的主要元件本身都帶有繼電保護裝置，BP網絡利用這些元件的狀態信息(元件狀態是否正常、繼電保護裝置是否正常工作、是否因為故障跳閘)進行初步診斷。GRNN網絡基于BP網絡的診斷信息，進行故障診斷，判斷是否存在故障以及故障方向。

3.1 變壓器神經網絡模塊

如圖2所示變壓器神經網絡模塊，變壓器繼電保護裝置主要由主保護和后備保護組成。其中，主保護包括瓦斯保護、差動保護；后備保護包括過電流保護、接地保護。

圖2 變壓器神經網絡模塊

3.2 線路神經網絡模塊

如圖3所示為線路神經網絡模塊，線路的主保護為高頻閉鎖距離保護，后備保護為過電流保護。其中I段保護線路全長的80%～90%，其II段應包含線路全長并具有足夠裕度，作為正方向故障的判別元件和停止發信元件，動作時停發閉鎖信號，III段可作為相鄰線路的后備保護。

圖3 線路神經網絡保護模型

3.3 母線神經網絡模塊

如圖4所示為母線神經網絡模型。母線的主保護為縱聯電流差動保護，后備保護還有過電壓保護。母線保護僅僅只能反映母線本身的故障，其相關的繼電保護裝置也只能反映母線自身的故障情況。當母線發生故障時，輔助繼電器將會給連接到該母線的所有斷路器發出跳閘信號。與母線相連接的斷路器都裝設有設有失靈保護裝置，當斷路器動作失敗后，跳開連接到與該斷路器相同母線的其他斷路器。

圖4 母線神經網絡模塊

4 復雜故障處理

故障發生在內部時，神經網絡系統可以迅速的發現故障。然而在電力系統發生復雜故障以及斷路器誤動或者拒動的情況下，元件本身的神經網絡模塊已無法直接得到故障診斷結果。當元件的神經網絡模塊偵測到故障為外部故障，即該元件的繼電保護裝置是作為別的電氣元件的后備保護而動作，或是故障點不在該元件主保護的保護范圍內。隨后模糊專家系統結合停電區域鄰近區段的初步診斷得到的故障方向和電網拓撲信息，確定哪個元件的繼電保護裝置動作，繼而找出故障原因。如圖5所示為一個四母線的小型電網系統，在該系統可能發生故障的元件集合為M-1，M-2，M-3和母線B1。母線B2，B3，B4由于還帶電，因此不在可能發生故障的元件集中。

M-X表示區段X(X的取值由1-∞)，它可以代表線路區段或變壓器區段。Level-Y(Y取值1～6)表示相關元件故障可能性的置信度。這些Level中的每一個等級都有一個與之對應的隸屬函數，其值從0到1.0。值越大(Level越低)表示M-X的發生故障的可能性越大。在停電區域中，可能故障的元件集合M-1、M-2、M-3、B1、B3、B4都有其置信度的等級(Level)，以表示其故障的可能性。該Level值尋找故障區段的問題就轉變為求最優解的問題。

典型多目標的決策問題是要在一個對決策者十分重要的準則集或目標集中，記為|O|，所給出的方案域A中選擇一個方案ai。評估每個方案獲每種選擇是否滿足每個目標的程度。同時，希望以某種可能方式將加權目標同縱決策函數結合起來。

圖5 四母線小型系統

以下為對上述方法的推導。定義有r個目標的集合O={O1，O2，…,Or}，n個方案的域A={a1,a2,…,an}。令Oi表示第i個目標，方案a在Oi中的隸屬度，記為μOi(a)，它表示了方案a滿足此目標的特定準則的程度，尋求同時滿足所有決策目標的函數，因此決策函數D應是全部目標集合[7]:

D=O1∩O2∩…∩Or

(1)

所以，決策函數D對每個方案的隸屬度為：

μD(α)=max[μ01(α),μ02(α),…,μor(α)]

(2)

最理想決策方案a*將滿足下式的方案：

μD(α*)=min{μD(α)?a∈A}

(3)

a*-表示最優化解(即最可能故障的元件)；

A-可能發生故障的元件集合(線路或變壓器)；

Level-表示相關元件導致故障的置信度。(Very Likely-很有可能,Likely-可能,Less Likely-不太可能,Unlikely-可能性不高,Very Unlikely-極不可能)。

圖6(a)，(b)分別表示線路元件或變壓器元件初步診斷故障為外部故障(假設主保護失效)，其相鄰元件的置信度Level的分布。圖6 (a)發生故障后，對于線路區段M-1，其區段內的斷路器動作，切除了故障電流。考慮到元件初步診斷得到故障方向，因此故障點可能為M-1，B1或是更為遠端的元件。沿著故障方向延伸，其Level等級隨之提高。對于M-1來說，M-2是故障元件的可能性只有了L(Likely)， 這要建立在M-2的主保護和后備保護都失效并且故障點在M-1的后備保護范圍內的基礎上。對于母線B2， 母線B2故障導致M-1段斷路器動作的可能性為LL(Less Likely)，前提是B2的主保護和M-2的后備保護都失效。 對于M-3和母線B3，它們是故障點的置信度等級分別是UL(Unlikely)和VUL(Very Unlikely)，前提是M-2，B2的繼電保護裝置都失效，因此其發生的可能性相對較低。

圖6 線路區段或變壓器區段診斷為外部故障的置信度分布

圖6(b)對應的是故障發生后，變壓器M-1斷路器動作，其鄰近元件的置信度Level值得分布。其分布與線路元件相似，與之不同的是由于變壓器的過電流保護沒有方向性，無法識別故障電流的方向。如圖7所示為線路元件和變壓器元件置信度Level值得函數關系曲線。level-1表示最有可能發生故障的等級，當目標段初步診斷故障為外部故障，其值最大可以為0.75。而值1.0(C) 只分配給區段裝設有斷路器失靈保護且主保護處于檢修狀態、后備保護能夠正常動作的元件。例如，一個主保護處于檢修的母線(裝設有斷路器失靈保護)。因此，level-1和level-2的值在 0.75(VL) 和1.00之間變動；level-3由0.50(L)到0.75(VL)之間變動；level-4由0.25(LL)到0.50(L)之間變動。最后，level-5和level-6分別為0.15(UL)和0.00(VUL)。沿著故障電流方向延伸，更為遠端的元件為故障元件的置信度一致視為level-6。

圖7 變壓器和線路的置信度函數關系曲線

5 測試系統

圖8所示為測試系統，測試系統是電網的一個子系統。當故障發生后，該子系統已經被斷開的斷路器與電網隔開。其中變壓器模塊T1,線路模塊L_C-A,L_B-E和L_A-E在故障發生后，元件的神經網絡初步診斷為外部故障，并在圖8中標明了各元件神經網絡診斷所得到的故障方向(在本測試中，主保護不動作，所有斷路器均由后備保護動作)。因此，可能故障元件的集合有T1,B,C,L_B-C,L_B-E和L_C-E。其他諸如母線A,D,E和線路區段L_C-D還帶電，因此不可能是故障發生點。各個區段的置信度Level值函數如表1所示。

表1 各可能故障區段故障相關度的Level值表

運用公式(2)，可以得到μD(T1)=0.15;μD(B)=0.25;μD(C)=0.25;μD(L_B-C)=0.50;μD(L_B-E)=0.15;μD(L_C-E)=0.15。運用公式(3)，我們可以得到最理想決策方案,即最可能故障區段為D(a*)=0.50。所以L_B-C是最有可能故障發生的區段，而母線B和C則是第二可能。

圖8 測試系統圖

6 結論

本文提出了利用BP神經網絡和GRNN神經網絡建立電網三類元件(線路、變壓器和母線)的故障診斷模型。使得各個元件具有初步診斷的能力，大大減少網絡的規模。網絡并行的處理方式，也能夠有效提高計算速度。該系統只針對停電區域，模糊專家系統結合各元件的處初步診斷信息和電網拓撲關系進行故障診斷，能夠有效克服拓撲的變化問題，能夠用于電網的實時診斷。