李再華 劉明昆

（1.中國電力科學研究院，北京 100192；2.北京供電公司海淀供電分公司，北京 100086）

1 引言

電網(wǎng)的發(fā)展和社會的進步都對電網(wǎng)的運行提出了更高的要求，加強對電網(wǎng)故障的診斷處理顯得尤為重要。隨著計算機技術(shù)、通信技術(shù)、網(wǎng)絡技術(shù)等的發(fā)展，采用更為先進的智能技術(shù)來改善故障診斷系統(tǒng)的性能，具有重要的研究價值和實際意義。

故障的智能診斷技術(shù)也被稱為智能故障診斷技術(shù)，包括專家系統(tǒng)（Expert System，ES）、人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）、決策樹（Decision Tree，DT）、數(shù)據(jù)挖掘（Data M ining，DM）、模糊論（Fuzzy Theory，F(xiàn)T）、Petri網(wǎng)理論（Petri Network Theory，PNT）、支持向量機（Support Vector Machine，SVM）、仿生學理論（Bionics Theory，BT）的應用等，其中前四種技術(shù)得到了較多的研究，相對比較成熟和常用。本文對電力系統(tǒng)故障診斷領(lǐng)域的智能診斷技術(shù)的發(fā)展現(xiàn)狀以及存在的問題進行綜述，并對解決相關(guān)問題的方法進行了總結(jié)。

2 智能故障診斷技術(shù)發(fā)展現(xiàn)狀

美國是對故障診斷技術(shù)進行系統(tǒng)研究最早的國家之一，1961年美國開始執(zhí)行阿波羅計劃后，出現(xiàn)了一系列設備故障，促使美國航天局和美國海軍積極開展故障診斷研究。目前，美國在航空、航天、核工業(yè)以及軍事部門中診斷技術(shù)占有領(lǐng)先地位，英國在汽車和飛機工業(yè)、發(fā)電機監(jiān)測和診斷方面具領(lǐng)先地位，日本在鋼鐵、化工和鐵路等行業(yè)的診斷技術(shù)方面處于領(lǐng)先地位。據(jù)日本統(tǒng)計，在采用診斷技術(shù)后，事故率減少了75%左右，維修費降低了25%～50%；英國對2000個大型工廠的調(diào)查表明，采用診斷技術(shù)后每年節(jié)省維修費3億英鎊，而用于診斷技術(shù)的費用僅為0.5億英鎊。隨著設備與系統(tǒng)的復雜程度的增加，故障診斷的成本也不斷增加，促使人們開始轉(zhuǎn)向?qū)で蟾摺爸悄堋钡墓收显\斷。

智能故障診斷是相對于傳統(tǒng)的故障診斷而言的。傳統(tǒng)的故障診斷方法可分為基于信號處理的方法和基于數(shù)學模型的方法兩類，需要人工進行信息處理和判斷分析，沒有自學習能力。智能故障診斷是融合了人工智能技術(shù)的新方法，對故障信息有初步的自動分析和學習能力。智能故障診斷是故障診斷技術(shù)發(fā)展進程中的新里程碑。1956年人工智能學科正式誕生，1965年出現(xiàn)了專家系統(tǒng)雛形，1970年以后，人工智能逐步實用化。電網(wǎng)的故障過程難以用數(shù)學模型來進行描述，運行狀態(tài)信息也復雜多變，信號處理極其復雜，而人工智能技術(shù)能夠存儲和利用專家長期積累的經(jīng)驗，能夠模擬人腦的邏輯思維過程進行推理以解決復雜診斷問題；可以不受外界干擾地提供高質(zhì)量的服務，所以得到了廣泛的應用。

電網(wǎng)故障診斷領(lǐng)域常用的人工智能技術(shù)包括專家系統(tǒng)、人工神經(jīng)網(wǎng)絡、決策樹理論等，此外近幾年也出現(xiàn)了數(shù)據(jù)挖掘、模糊理論、粗糙集理論、Petri網(wǎng)絡、貝葉斯網(wǎng)絡、信息融合、信息論、支持向量機、仿生學的應用及多智能體系統(tǒng)等技術(shù)以及上述方法的綜合應用。

專家系統(tǒng)可以匯集若干位專家的知識和經(jīng)驗，進行分析、推理，最終得出正確的結(jié)論，決策水平可以超過單個專家。所以故障診斷專家系統(tǒng)近年來成為熱門研究課題，尤其適合應用于電力系統(tǒng)。1991年，故障診斷專家系統(tǒng)就已經(jīng)占美國電力工業(yè)中專家系統(tǒng)的總數(shù)的41%。故障診斷專家系統(tǒng)除了具備專家系統(tǒng)的一般結(jié)構(gòu)外，還具有自己的特殊性。它具有如下特點：①知識可以從類似系統(tǒng)、設備或工作實際、診斷實例中獲取，即知識來源比較規(guī)范；②診斷的對象是復雜的，行為是動態(tài)的，故障是隨機的，普通人很難判斷，這時就需要通過討論或請專家來進行診斷。

故障診斷專家系統(tǒng)中常用的推理機制可以劃分為正向推理、反向推理、正反向混合推理三種基礎(chǔ)推理結(jié)構(gòu)。正向推理的過程：系統(tǒng)發(fā)生故障時，根據(jù)斷路器和保護的動作信息，按照知識指導的推理策略調(diào)動知識庫在相關(guān)空間中搜索。當規(guī)則的條件部分與診斷輸入信息相匹配，就將該規(guī)則作為可用規(guī)則放入候選隊列中，再通過沖突消解，將其作為進一步推理的證據(jù)直至求得診斷結(jié)果。反向推理是首先提出假設，然后尋找支持該假設的證據(jù)，若所需證據(jù)都能夠找到，則表明該假設成立，反之假設不成立。正反向混合推理機是首先根據(jù)跳閘斷路器的保護信息進行初步推理，得到故障設備的假設，然后根據(jù)所得假設以及斷路器和保護設備之間的邏輯規(guī)則進行反向推理，驗證假定的故障設備的正確性，有效的縮小查找故障范圍。幾十年以來，專家系統(tǒng)得到了大量深入的研究，具體實現(xiàn)方法很多，但是其推理過程的邏輯原理不外乎這三種。

目前已研究的故障診斷專家系統(tǒng)模型有：基于規(guī)則的診斷專家系統(tǒng)、基于案例的診斷專家系統(tǒng)、基于行為的診斷專家系統(tǒng)、基于故障樹的診斷專家系統(tǒng)、基于模糊邏輯的診斷專家系統(tǒng)、基于ANN的診斷專家系統(tǒng)和基于數(shù)據(jù)挖掘的診斷專家系統(tǒng)等。

（1）基于規(guī)則的診斷方法是根據(jù)以往專家診斷的經(jīng)驗，將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗知識進行故障診斷，適合于已具有豐富經(jīng)驗的專業(yè)領(lǐng)域的故障診斷。基于規(guī)則的診斷具有知識表述直觀、形式統(tǒng)一、易理解和解釋方便等優(yōu)點，診斷知識可以通過領(lǐng)域?qū)＜耀@取和繼承。但復雜系統(tǒng)所觀測到的癥狀與所對應診斷之間的聯(lián)系是相當復雜的，通過歸納專家經(jīng)驗來獲取規(guī)則，準確度和通用性不佳。

（2）基于案例的診斷方法適用于領(lǐng)域定理難以表示成規(guī)則形式，而是容易表示成案例形式并且已積累豐富案例的領(lǐng)域（如醫(yī)學診斷）。

（3）基于行為的診斷方法本質(zhì)也是基于規(guī)則的診斷。該方法的關(guān)鍵問題是：故障行為征兆（語義征兆、圖形征兆）的自動獲取難度較大；新故障自動識別和分類，尤其是如何解決多故障情況下的診斷，是該方法的難點。

（4）基于故障樹的診斷專家系統(tǒng)的實質(zhì)是一種改進的基于規(guī)則的專家系統(tǒng)，計算機依據(jù)故障與原因的先驗知識和故障率知識自動輔助生成故障樹?；诠收蠘涞脑\斷方法類似于人類的思維方式，同時吸納了決策樹技術(shù)的優(yōu)點，易于理解，在設備診斷中應用較多。

（5）基于模糊邏輯推理的診斷方法是先建立故障和征兆的模糊規(guī)則庫，再進行模糊邏輯推理的診斷過程。但是故障與征兆的模糊關(guān)系較難確定，且系統(tǒng)的診斷能力依賴模糊知識庫，學習能力差，容易發(fā)生漏診或誤診。

（6）基于神經(jīng)網(wǎng)絡專家系統(tǒng)的診斷方法有較好的容錯性、響應快、強大的學習能力、自適應能力和非線性逼近能力等，但是也存在固有的弱點：①系統(tǒng)性能受到所選擇的訓練樣本集的有效性的限制；②不能解釋自己的推理過程和推理依據(jù)及其存儲知識的意義；③利用和表達知識的方式單一，通常只能采用數(shù)值化的知識；④最根本的一點是神經(jīng)網(wǎng)絡在模擬人類復雜層次的思維方面遠遠不及傳統(tǒng)的專家系統(tǒng)。

（7）基于數(shù)據(jù)挖掘的方法是隨著計算機技術(shù)的發(fā)展而逐步完善的，自從1989年8月由第11屆國際聯(lián)合人工智能學術(shù)會議提出這一概念以來，數(shù)據(jù)挖掘技術(shù)已經(jīng)取得了很大的進步。數(shù)據(jù)挖掘可以是基于數(shù)學理論的，也可以是非數(shù)學的，可以是演繹的，也可以是歸納的。電力系統(tǒng)的故障信息包括故障征兆和故障性質(zhì)，信息量大而且基本規(guī)律穩(wěn)定，適合利用數(shù)據(jù)挖掘技術(shù)進行處理?；跀?shù)據(jù)挖掘的比較新的應用成果有：①2004年，負荷預測專家系統(tǒng)在安徽省電力公司得到應用；②2006年，發(fā)電機故障診斷專家系統(tǒng)在某300MW機組得到應用；③2008年，電網(wǎng)故障診斷專家系統(tǒng)在廊坊電力公司得到應用。如何提高數(shù)據(jù)挖掘的適應性，還需要更多的探索研究。

3 智能故障診斷面臨的問題和對策

電力系統(tǒng)中，設備故障診斷和廠站級的故障診斷經(jīng)過了幾十年的發(fā)展，已經(jīng)比較成熟，而系統(tǒng)級的故障診斷才初露頭角。目前，在故障診斷領(lǐng)域的研究中，對單個設備或者某個具體的故障現(xiàn)象的研究較多，對系統(tǒng)或綜合故障的研究較少；對定量信息利用的研究較多，對定性信息或不確定信息利用的研究較少；依靠單一智能技術(shù)的系統(tǒng)多，信息（特別是多源混合信息）的綜合利用研究較少，協(xié)同技術(shù)的研究應用更少；投入運行的診斷系統(tǒng)多為專家系統(tǒng)，但是離線運行的多，在線運行的很少?；谌斯ぶ悄艿墓收显\斷技術(shù)能夠提高對信息的利用廣度和深度，必將成為診斷技術(shù)發(fā)展的主流。

目前而言，基于規(guī)則的診斷專家系統(tǒng)是最為成熟的專家系統(tǒng)，但是投入實際應用并取得良好效果的專家系統(tǒng)還不多，主要瓶頸是專家系統(tǒng)在規(guī)則庫的快速搜索、更新、擴充等方面存在困難。如何高效地利用日益增加的監(jiān)控信息來完善規(guī)則庫，是專家系統(tǒng)實用化面臨的關(guān)鍵問題。通常把基于淺層知識（人類專家的經(jīng)驗知識）的故障診斷專家系統(tǒng)稱為第一代專家系統(tǒng)，而把基于深層知識（診斷對象的模型知識）的故障診斷專家系統(tǒng)稱為第二代專家系統(tǒng)。近年出現(xiàn)的混合結(jié)構(gòu)的專家系統(tǒng)，是將上述兩層知識結(jié)合使用，以取長補短。計算機技術(shù)和人工智能技術(shù)的快速發(fā)展，是故障診斷技術(shù)進步的契機。

智能故障診斷專家系統(tǒng)技術(shù)在應用中存在的問題有：

（1）知識的獲取和管理問題，也可以說是規(guī)則的表達和維護問題。知識是專家系統(tǒng)行為的核心，如何根據(jù)系統(tǒng)的變化，獲取具有較高適應度和準確度的知識（規(guī)則）。對知識的一致性、冗余性、矛盾性和完備性進行檢驗、維護和管理，是專家系統(tǒng)亟需解決的首要問題。

（2）推理的效率問題，也可以說是如何解決規(guī)則組合爆炸的問題。規(guī)則庫的規(guī)模增大以后，搜索的運算量迅速增長，盡管人們提出了許多算法，規(guī)則組合爆炸的問題還是沒有得到滿意的解決。

（3）故障診斷的在線應用問題。以往的故障診斷離線運行，只能告訴調(diào)度員已有故障是如何發(fā)展的，因為運行方式的多變性，離線故障診斷結(jié)論不一定能夠指導調(diào)度員對電網(wǎng)的實際控制；只有做到在線運行，才能及時幫助調(diào)度員進行控制決策。

（4）故障診斷的動態(tài)分析問題。以往的故障診斷只能進行靜態(tài)分析，忽略了故障動態(tài)過程的大量有用的細節(jié)，尤其是采用了高速保護的大型電網(wǎng)，更加需要分析動態(tài)過程，例如快速相繼開斷過程中的順序和相互關(guān)系、復雜故障中各元件之間的相互影響、電壓崩潰的動態(tài)過程、運行方式切換或調(diào)度控制過程對電網(wǎng)的影響等。

為了解決上述問題，人們進行了大量研究，提出了一些對策，總結(jié)如下：

（1）對于知識的獲取和管理問題，可以采用提高故障診斷系統(tǒng)的學習能力的方法，如ANN、數(shù)據(jù)挖掘、仿生學方法等。這些智能方法都有其優(yōu)點和局限性，需要有針對性地應用。

（2）對于推理的效率問題，可以采用計算速度更快的計算機硬件和軟件算法，通信速度更快的數(shù)據(jù)采集和傳輸手段；數(shù)據(jù)挖掘是從各種復雜故障中發(fā)現(xiàn)最常見的故障或分解出簡單故障的有力手段；建立系統(tǒng)的故障案例庫，可以降低決策分析的計算量，提高診斷推理的效率。

（3）對于故障診斷的在線應用和動態(tài)分析問題，可以采用更能夠反映電網(wǎng)實時運行狀態(tài)的信息，如廣域量測系統(tǒng)、高速保護信息系統(tǒng)和故障錄波信息系統(tǒng)、穩(wěn)定控制系統(tǒng)等提供的動態(tài)數(shù)據(jù)；實時進行電網(wǎng)的靈敏度分析，動態(tài)分析電網(wǎng)的健康狀況；增量挖掘技術(shù)只處理實時的增量數(shù)據(jù)，有在線應用的潛力。

4 智能故障診斷技術(shù)的發(fā)展趨勢

智能故障診斷技術(shù)的發(fā)展趨勢主要有：多信息融合、多智能體協(xié)同、多種算法結(jié)合。

信息融合最早用于軍事領(lǐng)域，定義為一個處理探測、互聯(lián)、估計以及組合多源信息和數(shù)據(jù)的多層次多方面過程，以便獲得準確的狀態(tài)和身份估計、完整而及時的戰(zhàn)場態(tài)勢和威脅估計。它強調(diào)信息融合的三個核心方面：第一，信息融合是在幾個層次上完成對多源信息的處理過程，其中每一層次都表示不同級別的信息抽象；第二，信息融合包括探測、互聯(lián)、相關(guān)、估計以及信息組合；第三，信息融合的結(jié)果包括較低層次上的狀態(tài)和身份估計，以及較高層次上的整個戰(zhàn)術(shù)態(tài)勢估計。多信息融合技術(shù)用于故障診斷是指故障診斷用到的信息的來源多樣化，而且信息處理的廣度和深度均有擴展，信息的加工過程中，強調(diào)既能夠克服單一數(shù)據(jù)源的信息不足和丟失或錯誤的問題，又能夠解決多數(shù)據(jù)源的信息冗余或重復或矛盾的問題，是一種有機的、智能的融合。大連理工大學2001年發(fā)表的研究成果表明，多信息融合技術(shù)的應用能夠明顯提高故障診斷的準確性。

一個智能體就是一個專家系統(tǒng)，多智能體也被稱為群專家系統(tǒng)。多智能體協(xié)同包括多種推理方法或計算功能之間的協(xié)同，以及分布式計算中不同區(qū)域之間的協(xié)同。在電網(wǎng)的故障診斷中，多智能體協(xié)同還可以用于協(xié)調(diào)電網(wǎng)不同區(qū)域之間的協(xié)同。區(qū)域間協(xié)同是通過把大電網(wǎng)分為幾個小電網(wǎng)進行協(xié)同推理計算，降低推理計算的維度和知識存儲來提高速度；功能協(xié)同是利用相互可以交換數(shù)據(jù)和計算結(jié)果的多個子系統(tǒng)同時協(xié)作計算，并行完成不同的子功能，以提高整體的速度。2007年，中國電力科學研究院的學者結(jié)合利用基于規(guī)則推理的方法和基于貝葉斯網(wǎng)絡的診斷方法，對含不確定性信息的復雜故障的診斷進行了多智能體協(xié)同診斷的研究，結(jié)果表明，能夠?qū)崿F(xiàn)更快更準確的診斷。

隨著智能診斷技術(shù)的發(fā)展和研究的深入，人們陸續(xù)提出了大量的新思路和新算法。例如基于規(guī)則的算法、基于案例的算法、基于行為的算法、基于故障樹的算法、基于模糊邏輯的算法、基于ANN的算法和基于數(shù)據(jù)挖掘的算法，還有支持向量機算法、Petri網(wǎng)算法、遺傳算法、魚群算法、蟻群算法、鳥群算法等，各種算法都有其特點和長處。專家系統(tǒng)技術(shù)應用最廣，最為成熟，缺點是學習能力不強；ANN技術(shù)和專家系統(tǒng)技術(shù)相比，其最大的特點是不需要為專業(yè)知識與專家啟發(fā)性的知識轉(zhuǎn)化、知識形成、知識表達方式和知識庫構(gòu)造作大量工作，而只需以領(lǐng)域?qū)＜宜峁┑拇罅亢统浞值墓收蠈嵗纬晒收显\斷ANN模型的訓練樣本集，運用一定的學習算法對樣本集進行訓練。它的推理是隱式的，執(zhí)行計算速度很快。由于ANN具有強的自組織、自學習能力，魯棒性高，免去推理機的構(gòu)造，且推理速度與規(guī)模大小無明顯的關(guān)系，能夠在很大程度上克服專家系統(tǒng)的缺點，因此成為了與專家系統(tǒng)結(jié)合應用最廣的技術(shù)。但是ANN技術(shù)難以適用于運行方式經(jīng)常變化的電力系統(tǒng)；決策樹技術(shù)能夠?qū)ο到y(tǒng)信息進行歸類梳理，可以用于提高專家系統(tǒng)的速度，但是前提是需要建立清晰的數(shù)學模型；數(shù)據(jù)挖掘可以用于量化分析診斷的準確度，但是數(shù)據(jù)挖掘技術(shù)本身還需要進一步完善。研究和實踐表明，這幾種技術(shù)的結(jié)合應用有助于提高故障診斷系統(tǒng)的智能水平、效率或準確度。智能故障診斷技術(shù)的進一步完善，在一定程度上依賴多種算法的結(jié)合緊密度和有效度。

總而言之，智能故障診斷技術(shù)正向提高智能性、快速性、全局性、協(xié)同性的方向發(fā)展，從而產(chǎn)生更加高效和準確的診斷結(jié)果。

5 結(jié)論

智能故障診斷是故障診斷技術(shù)發(fā)展進程中的新里程碑。常用的智能故障診斷技術(shù)有專家系統(tǒng)、人工神經(jīng)網(wǎng)絡、決策樹、數(shù)據(jù)挖掘等，專家系統(tǒng)技術(shù)應用最廣，最為成熟，但是也需要結(jié)合使用其他智能技術(shù)來克服專家系統(tǒng)技術(shù)自身的缺點。智能故障診斷技術(shù)的發(fā)展趨勢主要有多信息融合、多智能體協(xié)同、多種算法結(jié)合等，并向提高智能性、快速性、全局性、協(xié)同性的方向發(fā)展。