人工智能電網(wǎng)故障診斷技術(shù)研究論文

　　【摘要】

　　電力系統(tǒng)是國民經(jīng)濟的基礎(chǔ)，而電網(wǎng)則是整個電力系統(tǒng)中極為重要的一部分，它承擔著輸送、配電以及改變電壓的任務。然而，隨著近年來人民日益用電需求的增長，電網(wǎng)結(jié)構(gòu)以及運行方式也變得日漸復雜，它的故障率也呈現(xiàn)成倍的增長。因此一個可靠和準確的電網(wǎng)故障診斷系統(tǒng)對整個電力系統(tǒng)有著十分重要的意義。本文綜述了目前現(xiàn)有的電網(wǎng)人工智能診斷方法，分析了他們各自的優(yōu)缺點，并提出了一些可能的解決方案，并對未來電網(wǎng)故障診斷技術(shù)進行展望，為提高和完善電網(wǎng)故障診斷技術(shù)提供了可借鑒性的指導。

　　【關(guān)鍵詞】

　　電網(wǎng)；故障診斷；人工智能

　　眾所周知，我國承載著13億人口的用電需求，隨著我國綜合國力的迅速發(fā)展，人們的生活水平和生活質(zhì)量不斷地提高，而隨之帶來的是用電設備的迅速增加、用電需求的不斷地增加。無論是工業(yè)用電還是生活用電，對我國整個電力系統(tǒng)都是一場嚴峻的考驗。這也使得我國的電網(wǎng)結(jié)構(gòu)以及運行方式變得日漸復雜[1]。電力是一個國家的發(fā)展基礎(chǔ)，如果發(fā)生嚴重的斷電事故或者電網(wǎng)系統(tǒng)故障的頻發(fā)，不僅對人民的生活有著嚴重的影響，同時對企業(yè)乃至對整個國民經(jīng)濟造成不可挽回的損失。因此一個可靠準確的電網(wǎng)故障診斷系統(tǒng)對發(fā)現(xiàn)故障設備、診斷故障原因、及時排除故障有著非常重要的意義。電網(wǎng)有著覆蓋范圍廣，運轉(zhuǎn)設備繁多，故障位置難以發(fā)掘等特點。傳統(tǒng)依靠人為的排查電網(wǎng)故障，不僅耗費人力極大，而且可靠性和準確性無法保證，更重要的排查效率不高，無法及時發(fā)現(xiàn)故障位置。據(jù)統(tǒng)計，故障位置的定位要占到整個故障排查時間的1/3[2]，如果能將這一步驟縮短，將極大地提高排除電網(wǎng)故障的效率。隨著近年來人工智能的興起，它逐漸被應用于電網(wǎng)的故障診斷。人工智能（AI）是以計算機為媒介，將人的思維方式賦予其上，讓其可以輔助或替代人類完成某些工作的技術(shù)，它同樣為故障排查時間的縮短提供了可能[3]。

　　1電網(wǎng)故障診斷的研究現(xiàn)狀

　　監(jiān)控系統(tǒng)和數(shù)據(jù)采集系統(tǒng)早已在電網(wǎng)早期的發(fā)展當中得以應用，它可以通過監(jiān)控設備，將電網(wǎng)中各個節(jié)點的電壓或者電流變化等電氣量信息實時反饋，這也為后續(xù)如果電網(wǎng)發(fā)生故障，給工程師們在電網(wǎng)故障診斷時提供了數(shù)據(jù)保障。而人工智能技術(shù)將這些反饋信息加以利用，建立了基于人工智能方法的電網(wǎng)故障診斷系統(tǒng)。常用的診斷方法有，專家系統(tǒng)、人工神經(jīng)網(wǎng)絡、貝葉斯網(wǎng)絡以及模糊推理[4~5]。

　　（1）專家系統(tǒng)：是以計算機技術(shù)為基礎(chǔ)，再結(jié)合專家的經(jīng)驗知識，建立專家知識庫，根據(jù)知識庫來模擬專家的推理過程，它在電網(wǎng)故障診斷當中發(fā)展比較早，相對來說成熟。它的診斷結(jié)果與故障原因有著直接的聯(lián)系，直觀有效的反應了故障特征，與人類診斷思維相似。

　�。�2）人工神經(jīng)網(wǎng)絡：通過模擬人類神經(jīng)系統(tǒng)來處理信息過程的一種人工智能技術(shù)，將電網(wǎng)保護和開關(guān)信息量作為人工神經(jīng)網(wǎng)絡的輸入端，將故障狀態(tài)作為輸出端，選擇適當合適的樣本訓練模型。神經(jīng)網(wǎng)絡的診斷方法只有輸入和輸出，并不需要專業(yè)的知識，因此它的容錯能力要優(yōu)于專家系統(tǒng)，同時也兼顧了神經(jīng)網(wǎng)絡原有的優(yōu)點及學習能力強，具有自適應性。

　�。�3）貝葉斯網(wǎng)絡：它是以貝葉斯公式為基礎(chǔ)發(fā)展起來的一種推理的數(shù)學模型。它可以根據(jù)復雜設備的不確定性和關(guān)聯(lián)性進行概率推理，其關(guān)鍵步驟是建立各個狀態(tài)之間的相關(guān)概率，然后根據(jù)故障特征尋找出發(fā)生故障概率最大的設備。

　�。�4）模糊推理：它是以模糊集為理論基礎(chǔ)，根據(jù)常見的故障源以及故障原因，建立知識數(shù)據(jù)庫，根據(jù)模糊的數(shù)學模型，加以結(jié)合經(jīng)驗，利用模糊隸屬度來描述對象的精確性，最終從數(shù)據(jù)庫中找出類比概率最大的故障原因或者故障元器件，有較強的容錯能力。

　　2研究難點及可能的解決方案

　　電網(wǎng)是一個結(jié)構(gòu)和運行方式復雜的動態(tài)系統(tǒng)，而故障原因更是多種多樣，有時故障信號與故障的原因并沒有直接的關(guān)系，這對在電網(wǎng)故障診斷時很難能發(fā)現(xiàn)故障位置。目前，人工智能方法雖然可以在某種程度上解決電網(wǎng)故障診斷上的某些問題，如診斷效率高、不容易出錯等，但他們也存在各種各樣的缺點。對于人工神經(jīng)網(wǎng)絡，需要訓練樣本，電網(wǎng)的故障還是小樣本，無法采集多樣的故障信息，無法建立相對完善的故障樣本；而且人工神經(jīng)網(wǎng)絡并不能尋找出故障特征和故障原因的直接聯(lián)系；同時計算效率差，有時候會出現(xiàn)不收斂現(xiàn)象。專家系統(tǒng)嚴重依賴知識庫，但并不是所有的故障原因都能從知識庫中找到，完備的知識庫很難獲��；同時專家系統(tǒng)維護難，需要不斷地對知識庫進行補充；其次是它的魯棒性差，當電網(wǎng)故障相對復雜時，它極易出現(xiàn)組合爆炸，導致推理速度過于緩慢，無法進行在線分析，無法診斷大型的電力系統(tǒng)。模糊推理和貝葉斯網(wǎng)絡，他們本質(zhì)上其實都是概率模型，對于貝葉斯網(wǎng)絡，它同樣需要對模型進行訓練，且模型訓練方式復雜，得到的結(jié)果也只是一個故障概率；同時也需要保障訓練樣本的全面性和代表性。模糊推理中，在建立模糊集時隸屬度函數(shù)選擇沒有統(tǒng)一標準，不同的隸屬度函數(shù)所診斷結(jié)果也不盡相同。在電網(wǎng)結(jié)構(gòu)變化時，需要對知識庫立刻修改。因此，針對上述的缺點，各種可能的解決方案也被運用于解決這些問題，例如神經(jīng)網(wǎng)絡，可以將其與遺傳算法相結(jié)合，縮短神經(jīng)網(wǎng)絡搜索最優(yōu)權(quán)值和閾值的時間，提高神經(jīng)網(wǎng)絡在電網(wǎng)故障診斷中的計算效率；對于專家系統(tǒng)和模糊推理，在可以建立共享知識庫，對現(xiàn)有的知識庫進行實時的補充；同時，可以用多方法結(jié)合的方式進行電網(wǎng)故障診斷，對電網(wǎng)故障進行綜合性評價和比較。

　　3未來的發(fā)展趨勢

　　未來是人工智能的時代，而電力系統(tǒng)的可靠穩(wěn)定則是未來中國發(fā)展道路上所要面臨的嚴峻考驗，電網(wǎng)的故障診斷則是該考驗的關(guān)鍵環(huán)節(jié)，目前我國電網(wǎng)故障診斷技術(shù)還不成熟，還存在著許多的不足，許多技術(shù)還僅限于理論階段，并沒有實用以及推廣。因此，未來的電網(wǎng)故障診斷科從以下幾方面著手：

　　①多種診斷方法相結(jié)合，取長補短。

　　②提高智能算法的運行效率，讓其更能高效準確地診斷故障原因及故障位置。

　�、弁瑫r可以發(fā)展電網(wǎng)故障預報技術(shù)，即在電網(wǎng)故障即將出現(xiàn)之前處于亞正常狀態(tài)下，根據(jù)電網(wǎng)采集到的相關(guān)數(shù)據(jù)信息進行合理的分析并預報。調(diào)整電網(wǎng)電氣量來防止設備的進一步損壞或者避免故障的發(fā)生。

　�、茈S著傳感器技術(shù)的發(fā)展，在設備監(jiān)測過程以及電網(wǎng)出現(xiàn)故障階段，我們可以采集到全面的故障信息，對采集的這些信息進行融合和分析，更能有效地排查故障原因。

　　參考文獻

　　[1]郝艷妮.基于信息融合技術(shù)的電網(wǎng)故障診斷研究[D].西南交通大學，2012.

　　[2]劉京津.基于多智能體系的故障診斷技術(shù)在智能電網(wǎng)中的應用[J].電子與封裝，2013，13（12）：43~48.

　　[3]邊莉，邊晨源.電網(wǎng)故障診斷的智能方法綜述[J].電力系統(tǒng)保護與控制，2014，42（3）：146~153.

　　[4]陳玉林，陳允平，孫金莉，邱君瑪.電網(wǎng)故障診斷方法綜述[J].中國電力，2006，39（5）：27~31.

　　[5]張旭，魏娟，趙冬梅，張東英，劉燕華.電網(wǎng)故障診斷的研究歷程及展望[J].電網(wǎng)技術(shù)，2013，37（10）：2745~2753.