王守鵬, 趙冬梅

(華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206)

電網(wǎng)故障診斷的研究綜述與前景展望

王守鵬, 趙冬梅

(華北電力大學(xué)電氣與電子工程學(xué)院, 北京市 102206)

對電網(wǎng)故障診斷這一研究領(lǐng)域進行了框架性的綜述,分析了其數(shù)據(jù)來源及特性、數(shù)據(jù)預(yù)處理的方式與重要性,評述了各類故障診斷方法的診斷機理、特點與不足,以及近幾年針對不足的改進成果與未來的研究方向,并針對工程實際問題概述了在線診斷系統(tǒng)架構(gòu)模式的設(shè)計。最后,探討了調(diào)控大數(shù)據(jù)背景下電網(wǎng)故障診斷所面臨的問題,并深入分析了在此新形勢下電網(wǎng)故障診斷的發(fā)展方向。

電網(wǎng)故障; 故障診斷; 人工智能; 大數(shù)據(jù)

0 引言

電網(wǎng)故障診斷是實現(xiàn)智能電網(wǎng)自愈功能的重要應(yīng)用。電網(wǎng)發(fā)生故障時,監(jiān)測系統(tǒng)采集到的海量故障警報數(shù)據(jù)從本地自動裝置上送至調(diào)度中心,電網(wǎng)故障診斷能夠從海量的故障數(shù)據(jù)中迅速分析故障相關(guān)數(shù)據(jù),發(fā)現(xiàn)故障原因,輔助調(diào)度運行人員及時進行事故分析與處理,快速恢復(fù)供電,保證了電網(wǎng)安全、可靠運行[1]。自20世紀70年代面向系統(tǒng)層面的電網(wǎng)故障診斷開展研究以來[2],對電網(wǎng)故障診斷相關(guān)技術(shù)的研究成為國內(nèi)外眾多專家學(xué)者所關(guān)注的焦點,并隨著人工智能技術(shù)和計算機技術(shù)的發(fā)展,采用智能化的故障診斷方法成為該領(lǐng)域的研究熱點和重點。隨著《中國電力大數(shù)據(jù)發(fā)展白皮書(2013)》的發(fā)布,以及調(diào)控一體化的全面實施,電網(wǎng)調(diào)控領(lǐng)域進入了大數(shù)據(jù)時代[3],調(diào)控大數(shù)據(jù)背景下,故障診斷的數(shù)據(jù)來源更加多樣,數(shù)據(jù)規(guī)模更加龐大,對電網(wǎng)故障診斷問題進行更為深入的研究具有理論和現(xiàn)實意義。

本文首先對電網(wǎng)故障診斷這一研究領(lǐng)域做了框架性的綜述,包括故障診斷所涉及的數(shù)據(jù)來源、數(shù)據(jù)預(yù)處理、診斷算法、診斷系統(tǒng)架構(gòu)等。深入分析了其數(shù)據(jù)來源及特性、診斷數(shù)據(jù)提取的方式與重要性,評述了各類常用故障診斷方法,并概述了在線診斷系統(tǒng)架構(gòu)模式的設(shè)計。其中,對各類診斷算法簡要介紹了其診斷機理與特點,并分析了其不足,同時評述了近幾年針對這些不足所取得的改進成果,在此基礎(chǔ)上,給出了其今后研究的方向。最后,探討了調(diào)控大數(shù)據(jù)背景下電網(wǎng)故障診斷亟待解決的重要問題,并深入分析了今后的發(fā)展方向。

1 數(shù)據(jù)源及其特性

當電網(wǎng)發(fā)生故障后,首先是故障元件的電壓、電流等電氣量發(fā)生突變,而后與故障元件相關(guān)的繼電保護裝置對監(jiān)測到的故障征兆電氣量進行分析判斷而使保護動作,繼而向?qū)?yīng)的斷路器發(fā)出跳閘信號,驅(qū)動斷路器跳閘,從電網(wǎng)中將故障元件隔離出來以消除故障[4],故障過程的相關(guān)信息見圖1。

圖1 電網(wǎng)故障時的相關(guān)信息Fig.1 Information of power grid fault

由圖1可見,電網(wǎng)發(fā)生故障可分為電氣量變化、保護裝置動作、斷路器跳閘這三個階段[5],且這三個階段包含了大量的反映電力系統(tǒng)故障的數(shù)據(jù)信息。由于這些數(shù)據(jù)信息的特性不同,因此需要利用不同的監(jiān)測系統(tǒng)對其進行采集、儲存和訪問。電網(wǎng)故障診斷正是利用這些監(jiān)測系統(tǒng)的數(shù)據(jù)信息來進行的,這些監(jiān)測系統(tǒng)能夠為電網(wǎng)故障診斷提供全面的數(shù)據(jù)服務(wù),其中包含電網(wǎng)穩(wěn)態(tài)、暫態(tài)、動態(tài)的數(shù)據(jù)和電網(wǎng)歷史和實時的斷面數(shù)據(jù),以及電網(wǎng)的圖形、拓撲等信息,涵蓋了電網(wǎng)故障診斷對數(shù)據(jù)的全部需求[6]。

早在20世紀60年代,數(shù)據(jù)采集與監(jiān)控(SCADA)系統(tǒng)開始應(yīng)用于電力系統(tǒng)[7],這為面向系統(tǒng)層面的電網(wǎng)故障診斷的實現(xiàn)提供了數(shù)據(jù)基礎(chǔ)。至20世紀80年代,隨著計算機技術(shù)的發(fā)展,以SCADA系統(tǒng)提供的數(shù)據(jù)信息為基礎(chǔ),專家系統(tǒng)開始在電網(wǎng)故障診斷中得以應(yīng)用[2]。SCADA系統(tǒng)提供實時的遙信數(shù)據(jù),早期的電網(wǎng)故障診斷以此為主要的數(shù)據(jù)來源,通過對SCADA系統(tǒng)中的相關(guān)遙信數(shù)據(jù)進行分析判斷而得到診斷結(jié)果。SCADA系統(tǒng)的廣泛應(yīng)用促使電網(wǎng)故障診斷技術(shù)得以迅速發(fā)展,但由于其不能對暫態(tài)數(shù)據(jù)進行采集,只能利用保護、斷路器等遙信數(shù)據(jù)進行事件分析,因而診斷結(jié)果的可信度對遙信數(shù)據(jù)的準確性和完備性依賴較大。

隨著數(shù)字式保護等智能電子裝置的普遍應(yīng)用及故障錄波信息網(wǎng)的建立[8],保護故障信息管理系統(tǒng)(RPMS)作為新的數(shù)據(jù)源被應(yīng)用于故障診斷。RPMS提供的數(shù)據(jù)不僅包含了保護動作數(shù)據(jù),而且包含了各廠站的錄波暫態(tài)數(shù)據(jù)[9],從而豐富了故障診斷的數(shù)據(jù)來源,通過對錄波暫態(tài)數(shù)據(jù)的計算分析可完成故障元件的直接判定。RPMS的引入提高了故障診斷分析的準確性,但由于RPMS的數(shù)據(jù)需要構(gòu)建專用的信息采集通道送入調(diào)度中心,從而降低了故障診斷對此類暫態(tài)數(shù)據(jù)的使用效率。

廣域測量系統(tǒng)(WAMS)利用同步相量測量單元(PMU)采集和傳輸帶有精確時標的電網(wǎng)斷面數(shù)據(jù),能夠在電網(wǎng)故障時準確記錄動態(tài)數(shù)據(jù),實現(xiàn)電網(wǎng)動態(tài)過程的監(jiān)視[10]。自20世紀90年代以來,WAMS采集的數(shù)據(jù)也逐步應(yīng)用于電網(wǎng)故障診斷領(lǐng)域[11],不同于SCADA系統(tǒng)與RPMS,WAMS所采集的數(shù)據(jù)帶有精確的時標,且數(shù)據(jù)傳輸實時性更優(yōu),可為電網(wǎng)故障診斷提供更為精準的實時斷面數(shù)據(jù)[12],但因WAMS屬于新技術(shù),造價昂貴且部分關(guān)鍵技術(shù)還不太成熟,導(dǎo)致PMU布點密度不高,并且主要集中在220 kV以上系統(tǒng),阻礙了WAMS的數(shù)據(jù)在電網(wǎng)故障診斷系統(tǒng)中的實用化進程。近年來,中國各大電網(wǎng)均已開始廣泛裝設(shè)PMU,并制定了相關(guān)的技術(shù)規(guī)范[13],隨著PMU實用化的逐步普及,以WAMS的數(shù)據(jù)為基礎(chǔ)的電網(wǎng)故障診斷實用化研究具有廣闊的前景。

隨著智能電網(wǎng)建設(shè)的全面推進,大量自動化裝置與系統(tǒng)被應(yīng)用于電力系統(tǒng)中,使得故障診斷數(shù)據(jù)來源更加多樣化。就目前而言,電網(wǎng)故障診斷所應(yīng)用的數(shù)據(jù)信息主要來自于SCADA系統(tǒng)、RPMS和WAMS,其對數(shù)據(jù)信息的需求如表1所示。此外,地理信息系統(tǒng)(GIS)、D-SCADA、用戶故障報修系統(tǒng)、生產(chǎn)管理系統(tǒng)(PMS)等亦可作為補充或輔助的數(shù)據(jù)信息源應(yīng)用于電網(wǎng)故障診斷。

表1 故障診斷信息需求Table 1 Data required in power grid fault diagnosis

智能電網(wǎng)的建設(shè)為電網(wǎng)故障診斷提供了穩(wěn)固的數(shù)據(jù)基礎(chǔ),如能合理充分地利用上述數(shù)據(jù)信息源進行準確、快速的故障診斷,將會給電網(wǎng)的安全穩(wěn)定運行創(chuàng)造有利條件。

2 故障數(shù)據(jù)信息預(yù)處理

各類監(jiān)測系統(tǒng)在電網(wǎng)故障時提供了海量的故障征兆信息,既包含電壓電流等電氣量信息,又包含保護動作、斷路器跳閘等開關(guān)量信息,以及裝置異常、電壓越限、控制回路斷線、儲能到位等非故障關(guān)鍵信息,這些數(shù)據(jù)信息時空交錯、冗余,如何在這些海量信息中提取出完整的電網(wǎng)故障診斷所需的警報信息是故障診斷能夠順利進行的基礎(chǔ),也是實現(xiàn)故障診斷系統(tǒng)在線應(yīng)用的前提。文獻[4]基于SCADA系統(tǒng)所采集的數(shù)據(jù)信息,采用動態(tài)事件窗生成技術(shù)對故障相關(guān)的警報信息進行捕捉,并結(jié)合保護動作與斷路器跳閘的配伍狀況,從捕捉的警報信息中抽取出故障診斷相關(guān)信息,完整地保留了電網(wǎng)故障診斷所需信息。文獻[14]從知識表示的角度出發(fā),采用故障連接樹及優(yōu)化剪枝技術(shù)對電網(wǎng)拓撲結(jié)構(gòu)數(shù)據(jù)進行知識表達;采用面向?qū)ο蟊硎痉▽Ω黝惐Ｗo數(shù)據(jù)進行抽象形成保護基類及各種保護子類,以實現(xiàn)保護知識表達,從而將完備的故障診斷知識提供給故障診斷模型使用。文獻[15]采用語義分析技術(shù)對調(diào)度自動化系統(tǒng)中的遙信數(shù)據(jù)進行解析,對單條遙信進行關(guān)鍵字符匹配以獲取故障診斷所需的邏輯變量,進而根據(jù)結(jié)線分析、保護類型和屬性、保護跳閘原則建立電氣設(shè)備與斷路器、保護與保護、保護與斷路器之間的關(guān)聯(lián)關(guān)系,完成了故障遙信數(shù)據(jù)到診斷模型的自動對應(yīng)。文獻[16]對故障錄波數(shù)據(jù)進行預(yù)處理,利用提升小波變換從電氣量信息中提取表征故障的特征量,得到電流突變事件序列,以及保護和斷路器動作事件序列。文獻[17]將電網(wǎng)故障時、故障后調(diào)度端接收的遙信、遙測信息,按其性質(zhì)和應(yīng)用對象進行分類,構(gòu)建了一種基于遙信量、遙測量及其相互關(guān)系的信息糾錯模型,該模型可對接收的故障信息進行過濾匹配,以判定信息的真?zhèn)稳笔АｊP(guān)于故障數(shù)據(jù)信息預(yù)處理方面的研究是實現(xiàn)可靠在線故障診斷的前提和基礎(chǔ),此階段的處理水平直接影響到故障診斷的效果,并且其相關(guān)研究成果能夠應(yīng)用于各種故障診斷模型。

3 常用的故障診斷方法

目前,電網(wǎng)故障診斷就是在各級調(diào)度中心通過對開關(guān)量和電氣量這兩類故障征兆信息進行分析判斷,以確定故障元件和故障類型,并對保護和斷路器的動作邏輯進行評價[18]。電網(wǎng)故障時,在能及時獲取故障征兆信息的前提下,采用不同方法來處理不同系統(tǒng)提供的各類數(shù)據(jù),則衍生了不同原理的故障診斷方法。

3.1 專家系統(tǒng)

專家系統(tǒng)是最早應(yīng)用于電網(wǎng)故障診斷領(lǐng)域的智能技術(shù)[19],其將保護、斷路器與設(shè)備的映射關(guān)系和專家經(jīng)驗知識相融合并采用規(guī)則表示,當電網(wǎng)故障時,通過將輸入的告警信息與基于規(guī)則的專家知識庫進行邏輯匹配以診斷出故障元件,并對推理過程及診斷結(jié)論進行相應(yīng)的解釋[20]。

專家系統(tǒng)在電網(wǎng)故障診斷中的應(yīng)用總體來說是比較成熟的,其對確定性信息具有較強的推理能力和故障解釋能力[21]。但目前在其應(yīng)用中仍存在一些缺點:面對規(guī)模和拓撲結(jié)構(gòu)日趨復(fù)雜的電網(wǎng),規(guī)則庫的構(gòu)建難以完備,并且在電網(wǎng)結(jié)構(gòu)變化時,需對規(guī)則庫進行相應(yīng)更新,維護難度非常大;由于元件故障與表征故障的警報信息不存在一一映射關(guān)系,在信息不確定情況下所造成的故障征兆混疊現(xiàn)象異常嚴重,在此背景下對故障的準確辨識亦存在很多困難,需要進一步完善;基于單一規(guī)則知識的專家系統(tǒng)嚴重依賴待診斷系統(tǒng)本身的特征,不具備設(shè)備獨立性,在復(fù)雜電網(wǎng)故障診斷推理中難以診斷專家經(jīng)驗之外的故障,而且在推理時需對規(guī)則庫逐一進行邏輯匹配,診斷推理的計算量較大。近年來,針對電網(wǎng)故障診斷規(guī)則庫的構(gòu)建和維護的問題,文獻[22]將數(shù)據(jù)挖掘技術(shù)和專家系統(tǒng)相結(jié)合,設(shè)計了簡單故障和復(fù)雜連鎖故障的挖掘模型,能夠挖掘增加的監(jiān)控信息來完善規(guī)則庫;文獻[23]用知識網(wǎng)格技術(shù)對專家系統(tǒng)進行優(yōu)化,將傳統(tǒng)專家規(guī)則庫用電力系統(tǒng)故障診斷知識地圖表示,規(guī)則庫的更新不需暫停診斷系統(tǒng),從而顯著改善了規(guī)則庫在線維護的難度。針對信息不確定性問題,文獻[24]將人工神經(jīng)網(wǎng)絡(luò)處理后的告警信息用于專家規(guī)則庫的構(gòu)建,有效改善了不確定因素對診斷結(jié)果的影響,提高了專家系統(tǒng)的容錯能力。為克服傳統(tǒng)專家系統(tǒng)在復(fù)雜電網(wǎng)診斷推理中的缺陷,文獻[25]利用基于模型診斷來開發(fā)故障診斷專家系統(tǒng),根據(jù)測點分布將電網(wǎng)劃分為若干個獨立的子系統(tǒng),降低了診斷推理的計算復(fù)雜性,通過離線推導(dǎo)獲取預(yù)備候選診斷及在線推理確認診斷輸出,縮短了診斷推理的時間;文獻[26]利用有限狀態(tài)自動機對專家系統(tǒng)故障推理進行建模,結(jié)合有限狀態(tài)自動機與產(chǎn)生式推理的特點,構(gòu)建了簡單推理模型,提高了對復(fù)雜故障實時診斷的推理能力。

近年來,眾多專家學(xué)者通過將其他智能技術(shù)與專家系統(tǒng)相結(jié)合以改進專家系統(tǒng)在目前應(yīng)用中的不足,取得了一定成效。然而,在實際應(yīng)用中,通過人工對專家系統(tǒng)進行維護,維護工作異常繁瑣,難以滿足大規(guī)模電力系統(tǒng)在線故障診斷的需求。因此,未來進一步尋求與其他智能技術(shù)相融合,研究構(gòu)建具有一定噪聲耐受能力和自維護、自學(xué)習(xí)能力的基于專家系統(tǒng)的電網(wǎng)故障診斷系統(tǒng)非常重要。

3.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)系統(tǒng)對信息進行并行處理的信息綜合處理系統(tǒng),其以告警信息作為輸入,診斷結(jié)果作為輸出,在信息不確定情況下亦能得到正確診斷結(jié)果[27]。

神經(jīng)網(wǎng)絡(luò)可以解決知識的表示難題,具有推理速度快、容錯性強,魯棒性好、學(xué)習(xí)能力強等優(yōu)點[28]。但在實際應(yīng)用中神經(jīng)網(wǎng)絡(luò)的診斷結(jié)果缺乏解釋能力,僅采用神經(jīng)網(wǎng)絡(luò)難以滿足調(diào)度運行的要求;同時在大規(guī)模電網(wǎng)中往往包含上百個節(jié)點,訓(xùn)練樣本要包含上萬條保護、上百臺斷路器的動作信息,獲取完備的樣本集以構(gòu)建診斷模型存在較大困難;在電網(wǎng)結(jié)構(gòu)發(fā)生變化時需要對樣本進行增加或修改以重新學(xué)習(xí),使得現(xiàn)場維護性較差,訓(xùn)練的快速性亦無法保證,嚴重影響用戶的使用體驗。為解決大規(guī)模電網(wǎng)建模難的問題,文獻[29]將大電網(wǎng)用網(wǎng)絡(luò)重疊分區(qū)法劃分為若干互聯(lián)的區(qū)域,簡化了診斷模型構(gòu)建的難度,并且為解決大電網(wǎng)分區(qū)診斷中存在的聯(lián)絡(luò)線診斷問題,采用模糊積分關(guān)聯(lián)融合互聯(lián)區(qū)域的診斷結(jié)果以完成聯(lián)絡(luò)線的診斷輸出,實現(xiàn)了分區(qū)區(qū)域內(nèi)部和區(qū)域間聯(lián)絡(luò)線的故障診斷。為能夠較好地適應(yīng)電網(wǎng)拓撲結(jié)構(gòu)的變化,文獻[30]以電網(wǎng)單個元件為元胞對象,建立了基于徑向基函數(shù)(RBF)的模糊元胞神經(jīng)網(wǎng)絡(luò)診斷模型,并給出了采用“3-D矩陣”自動生成模型的策略,具有良好的可移植性,并且不受電網(wǎng)規(guī)模的影響,可適用于大規(guī)模電網(wǎng)的故障診斷。在改善網(wǎng)絡(luò)結(jié)構(gòu)及算法效率方面,文獻[31]將改進極限學(xué)習(xí)機應(yīng)用于電網(wǎng)故障診斷,診斷模型的訓(xùn)練無需調(diào)整輸入權(quán)值,使得網(wǎng)絡(luò)模型具有較好的泛化能力;文獻[32]構(gòu)建了多輸出衰減徑向基函數(shù)(MDRBF)神經(jīng)網(wǎng)絡(luò)的診斷模型,該診斷模型相關(guān)結(jié)構(gòu)參數(shù)無需訓(xùn)練即可以任意精度一致逼近,提高了診斷模型的構(gòu)建速度。

雖然,近幾年神經(jīng)網(wǎng)絡(luò)在大規(guī)模電網(wǎng)故障診斷適用性方面的研究中,分區(qū)診斷和面向元件診斷方面的理論研究均有較大發(fā)展,并且將新型神經(jīng)網(wǎng)絡(luò)運用于電網(wǎng)故障診斷亦進一步提高了診斷模型的學(xué)習(xí)效率,但在故障診斷結(jié)果的解釋性和大規(guī)模電網(wǎng)實用化應(yīng)用方面的研究依舊進展緩慢。未來,可與其他智能方法相融合,構(gòu)建與神經(jīng)網(wǎng)絡(luò)的映射關(guān)系,以便尋求能夠使蘊含在神經(jīng)網(wǎng)絡(luò)中的知識得以用語言表述的規(guī)則,從而增強故障診斷的解釋性,并且研究設(shè)計適用于大規(guī)模電網(wǎng)的故障診斷系統(tǒng)亦是重點所在。

3.3 粗糙集

粗糙集是一種研究不完整數(shù)據(jù)、處理不確定性知識的數(shù)學(xué)工具[33]。在電網(wǎng)故障診斷中,粗糙集理論利用告警信息的冗余性對數(shù)據(jù)間的關(guān)系進行挖掘,從故障樣本集中發(fā)現(xiàn)隱含知識,推導(dǎo)出相應(yīng)的診斷規(guī)則[34]。

基于粗糙集理論的診斷方法可在告警信息不完備、不確定情況下進行診斷推理,具有較強的容錯能力。但仍面臨著關(guān)鍵信息缺失或出錯時診斷效果不理想的問題,并且在故障信息冗余度較低時亦會影響知識約簡的效果;此外,面對大規(guī)模電網(wǎng),將會出現(xiàn)決策表過于龐大、構(gòu)建困難的問題,尤其在考慮多重復(fù)雜故障時甚至?xí)霈F(xiàn)“組合爆炸”。近年來,為加強知識約簡效果,文獻[35]利用小生鏡遺傳算法適用于多峰值函數(shù)優(yōu)化的特點對粗糙集決策表進行化簡,并在此基礎(chǔ)上進行值約簡以提取出最優(yōu)診斷規(guī)則,一定程度上避免了知識約簡效果受故障信息影響冗余度較低的問題。文獻[36]將連續(xù)屬性的離散化、屬性約簡和值約簡均轉(zhuǎn)化為可辨識矩陣的化簡問題,提高了算法的執(zhí)行效率,將電壓、電流等連續(xù)信號隨保護、斷路器的信號一同參與到基于粗糙集的故障診斷中,降低了關(guān)鍵信息缺失的影響,提高了故障辨識的精度。針對大規(guī)模電網(wǎng)決策表構(gòu)建困難問題,文獻[37]運用分布式技術(shù)進行故障診斷,將大電網(wǎng)分割為互聯(lián)的局部電網(wǎng),縮小了各局部電網(wǎng)決策表的規(guī)模,從而降低了屬性約簡的計算難度,同時利用基于粗糙集理論的聯(lián)合規(guī)則挖掘算法抽取全局規(guī)則,使規(guī)則提取的復(fù)雜度大為降低,避免了粗糙集在大規(guī)模電網(wǎng)故障診斷應(yīng)用中所面臨的決策表龐大和“組合爆炸”的問題;文獻[38]根據(jù)配電網(wǎng)的拓撲結(jié)構(gòu)進行區(qū)域劃分,通過粗糙集理論對各區(qū)域故障決策表進行屬性優(yōu)選和規(guī)則提取,為建立的對應(yīng)Petri網(wǎng)模型提供簡略、有效的警報信息,一定程度上克服了電網(wǎng)規(guī)模過大存在的處理數(shù)據(jù)量多、運算復(fù)雜的問題。

近年來,通過與其他智能技術(shù)相結(jié)合,一定程度上改善了粗糙集理論在大規(guī)模電網(wǎng)故障診斷應(yīng)用中所面臨的問題,并且在關(guān)鍵信息缺失及知識約簡效果方面亦取得了一定成效,但對于多重關(guān)鍵信息缺失、出錯等不可觀事件連續(xù)疊加的情況,故障診斷效果依然不夠理想。因此,繼續(xù)探討如何在充分利用先驗信息的前提下,有效地利用粗糙集理論進行知識約簡以降低關(guān)鍵信息的影響問題,以及與其他數(shù)據(jù)挖掘技術(shù)相融合以進一步改進粗糙集在當前應(yīng)用中的不足仍是目前及未來的發(fā)展方向。

3.4 貝葉斯網(wǎng)絡(luò)

貝葉斯網(wǎng)絡(luò)是一具有概率標識的有向無環(huán)圖,其將圖論和概率理論相結(jié)合,利用網(wǎng)絡(luò)流圖來表達知識,使用概率理論來描述不同知識成分之間的影響,通過條件概率推理實現(xiàn)電網(wǎng)故障診斷[39]。

貝葉斯網(wǎng)絡(luò)的故障診斷模型直觀、清晰,可在告警信息不確定和不完備情況下較好地實現(xiàn)診斷決策[40]。隨著貝葉斯網(wǎng)絡(luò)在電網(wǎng)故障診斷中的應(yīng)用,其優(yōu)點逐漸顯現(xiàn),然而,實際應(yīng)用中貝葉斯網(wǎng)絡(luò)需獲得有效的先驗概率才可確保診斷結(jié)果的準確性,而在電網(wǎng)復(fù)雜故障時先驗概率的求取具有一定難度;而且由于貝葉斯理論上的嚴密性,當電網(wǎng)結(jié)構(gòu)復(fù)雜時貝葉斯網(wǎng)絡(luò)建模難度很大,所構(gòu)建的模型也較復(fù)雜,影響診斷效率;此外,現(xiàn)有模型的診斷結(jié)果受保護、斷路器動作信息不確定性的影響,在存在多重保護、斷路器誤動或拒動、信息誤報或漏報等事件時,會導(dǎo)致非故障元件的誤判率提升。近年來,針對貝葉斯網(wǎng)絡(luò)模型中的概率參數(shù)計算問題,文獻[41]提出了一種事件采樣的先驗概率計算方法,能夠準確表達元件故障與保護拒動、誤動之間的統(tǒng)計關(guān)系,適合處理復(fù)雜故障。為降低網(wǎng)絡(luò)模型構(gòu)建的復(fù)雜度,文獻[42]對元件故障模式進行分類,構(gòu)建了計及故障模式的變結(jié)構(gòu)貝葉斯診斷模型,有效簡化了貝葉斯網(wǎng)絡(luò)模型,且將保護與斷路器的動作時刻的可信度加入貝葉斯診斷推理,降低了故障元件的誤判率;文獻[43]在此基礎(chǔ)上,將動態(tài)因果推理鏈與貝葉斯網(wǎng)絡(luò)相結(jié)合,建立了相應(yīng)模式的貝葉斯網(wǎng)絡(luò)模型,通過時序約束檢查糾正漏報、誤報的告警,減少了故障信息不確定對故障診斷的影響。為充分利用警報信息的時序?qū)傩?處理好保護、斷路器動作信息不確定性情況,文獻[44]將時序貝葉斯知識庫理論引入電網(wǎng)故障診斷,通過時序約束一致性檢查能夠判斷誤動、拒動、時標出錯等異常,有效減小了非故障元件的故障概率值。

充分利用時序信息以改進傳統(tǒng)貝葉斯網(wǎng)絡(luò)在故障診斷中的不足是近年來基于貝葉斯網(wǎng)絡(luò)的故障診斷的主要發(fā)展趨勢。通過引入時序信息,構(gòu)建蘊含時序?qū)傩缘呢惾~斯診斷模型,在一定程度上提高了診斷的準確度,促進了基于貝葉斯網(wǎng)絡(luò)的故障診斷的進一步發(fā)展,但如何實現(xiàn)貝葉斯網(wǎng)絡(luò)的自動建模以適用于在線應(yīng)用,以及研究與其他數(shù)據(jù)源進行信息融合診斷以構(gòu)建魯棒性更強的診斷模型等方面仍有待深入研究。

3.5 Petri網(wǎng)

Petri網(wǎng)是一加權(quán)有向網(wǎng),能以圖形的方式解釋電網(wǎng)的拓撲結(jié)構(gòu)和并列、次序發(fā)生的動態(tài)行為,可利用數(shù)學(xué)方法對故障信息中隱含的元件、保護、斷路器之間的邏輯關(guān)系進行推理分析[45]。

基于Petri網(wǎng)的電網(wǎng)故障診斷具有診斷模型表達圖形化、推理過程簡單快速等優(yōu)點[46],不過診斷模型還有一些問題尚需深入研究,如大電網(wǎng)建模模型過于龐大復(fù)雜且運算維數(shù)過高;電網(wǎng)拓撲發(fā)生變化模型通用性差;故障信息不確定情況下容錯性低等問題。為此,近年來眾多專家學(xué)者將研究重點集中在高級Petri網(wǎng)的應(yīng)用上,以期改進傳統(tǒng)Petri網(wǎng)在應(yīng)用中的不足。為解決Petri網(wǎng)在大電網(wǎng)建模時所面臨的模型復(fù)雜和運算維數(shù)高的問題,文獻[47]構(gòu)建了有色自控Petri網(wǎng)診斷模型,利用顏色表示元件、保護、斷路器及其相互間的邏輯關(guān)系,從而簡化了模型結(jié)構(gòu);文獻[48]采用謂詞Petri 網(wǎng)進行電網(wǎng)故障診斷,將元件診斷分解為各個方向診斷,降低了運算維數(shù)。為改善Petri網(wǎng)模型通用性差的問題,文獻[49]采用分層建模方法,構(gòu)建了分層、多子網(wǎng)模糊Petri網(wǎng)診斷模型,提高了網(wǎng)絡(luò)拓撲結(jié)構(gòu)變化時模型的通用性;文獻[50]在此診斷模型基礎(chǔ)上,加入了時序信息,通過時序約束交叉檢查法識別斷路器與保護的時序不一致情況并予以修正,在增強模型通用性的同時進一步降低了非故障元件的誤判率。為解決故障信息不確定情況下的故障診斷問題,文獻[51]充分考慮了保護啟動,保護動作、斷路器動作、重合閘動作、SOE動作時序及連續(xù)電氣量等因素,構(gòu)建了多因素分級 Petri 網(wǎng)診斷模型,可以給出保護/斷路器拒動、誤動和信息丟失情況下的準確診斷結(jié)果;文獻[52]將最大似然譯碼字引入Petri網(wǎng)診斷推理,應(yīng)用相關(guān)代價和最大似然可信度之間的關(guān)系識別最佳錯誤圖樣,進而糾正畸變信息,可有效解決畸變或有誤告警信息對診斷結(jié)果的影響問題。

高級Petri網(wǎng)的應(yīng)用在一定程度上解決了傳統(tǒng)Petri網(wǎng)在當前應(yīng)用中所面臨的問題,能夠較好地適用于大規(guī)模電網(wǎng)故障診斷,并且通過在模型中計入電氣量信息和時序信息,提高了Petri網(wǎng)模型在故障信息不確定情況下的診斷容錯性,但多源信息的計入使得Petri網(wǎng)模型更為復(fù)雜,增加了建模的難度。未來,可考慮與其他智能技術(shù)相結(jié)合以降低融入多源信息的Petri網(wǎng)診斷模型的復(fù)雜度,以及考慮如何根據(jù)故障診斷的特點實現(xiàn)Petri 網(wǎng)自動建模,以期加快Petri網(wǎng)從理論研究到在線實用轉(zhuǎn)變的進程。

3.6 解析模型

基于解析模型的電網(wǎng)故障診斷算法的基本思想是根據(jù)電網(wǎng)保護配置和斷路器動作規(guī)則構(gòu)建一個能夠表述電氣設(shè)備與保護、斷路器動作之間邏輯關(guān)系的數(shù)學(xué)模型,將故障診斷問題表示成整數(shù)規(guī)劃問題,進而應(yīng)用智能優(yōu)化算法求解,找出最能解釋告警信息的故障假說[53]。

解析模型具有嚴格的理論依據(jù)和數(shù)學(xué)基礎(chǔ),能夠簡化邏輯推理的過程,并且易于編程實現(xiàn),可以在復(fù)雜故障且伴有較少不確定性信息情況下,給出全局最優(yōu)或局部最優(yōu)的多個可能的故障假說[54]。但是如何利用更多信息建立合理的電網(wǎng)故障診斷解析模型仍然是當前應(yīng)用的主要“瓶頸”,并且當發(fā)生復(fù)雜故障,并存在較多不確定信息時亦無法保證求解的準確性。就目前基于解析模型的故障診斷算法而言,從對數(shù)學(xué)模型的求解來看,各優(yōu)化算法均有其自身的特點,但從故障診斷的實現(xiàn)來看,并沒有顯著的區(qū)別,而且哪種算法更優(yōu)亦很難作出評價,限于篇幅,本文不再對各智能優(yōu)化算法的特點加以闡述,而將論述重點放在數(shù)學(xué)模型的構(gòu)建上。

文獻[55-56]中根據(jù)保護動作原理得到故障過程中保護與斷路器的期望狀態(tài)函數(shù),考慮保護各自狀態(tài)的影響,建立了表征系統(tǒng)電氣設(shè)備狀態(tài)的解析模型;文獻[57-59]在此基礎(chǔ)上,對解析模型進行了改進,其中,文獻[57]將告警信息時序?qū)傩砸牍收显\斷解析模型,結(jié)合動態(tài)關(guān)聯(lián)路徑概念,能夠精確地描述保護與被保護元件及保護與斷路器動作在時序上的邏輯關(guān)系;文獻[58]計及保護、斷路器拒動與誤動的影響,將其拒動與誤動狀況表示成邏輯變量,并作為待優(yōu)化的參數(shù);文獻[59]引入電氣量信息,根據(jù)故障發(fā)生后的電氣量變化特性建立了診斷模型的電氣量判據(jù)。文獻[60-61]綜合考慮保護的雙重配置、斷路器與斷路器失靈保護間的狀態(tài)關(guān)系,以及主、后備保護間的配合關(guān)系等診斷信息特征,重新定義了保護與斷路器的期望狀態(tài)函數(shù),構(gòu)建了一種改進的電網(wǎng)故障診斷解析模型;文獻[62-63]在此改進模型基礎(chǔ)上,考慮了不同類型保護和斷路器對故障的不同影響,對各類保護和斷路器賦予了不同的貢獻因子,并且文獻[62]計及了重合閘因素、文獻[63]計入了方向元件。文獻[64]將元件故障狀態(tài)與斷路器、保護的動作狀態(tài)及誤動與拒動狀態(tài)均表示成邏輯變量,構(gòu)建了能夠?qū)ΡＷo與斷路器的動作邏輯進行完全解析的故障診斷模型;文獻[65]分析了由于保護裝置的電路聯(lián)系及操作行為相關(guān)性所導(dǎo)致的保護拒動行為一致性,構(gòu)建了計及保護動作行為一致性的完全解析模型,從而使診斷模型更加完備。

通過不斷將表征故障的更多信息引入解析模型,使得診斷模型更為完備,最終求得的故障假說亦可對電網(wǎng)故障情況作出更為準確、清晰的解釋。然而,計入的信息越多所構(gòu)建的數(shù)學(xué)模型的維數(shù)就越高,診斷模型也就越復(fù)雜,在進行求解時亦會存在許多不足,其突出表現(xiàn)為:模型權(quán)重的分配具有較大的主觀性;優(yōu)化求解過程中各級保護、斷路器等故障信息在模型中表征的部分的優(yōu)度進程不可控。因此,未來可考慮充分挖掘與利用與故障過程相關(guān)的電氣量信息及非關(guān)鍵故障信息,在前期對現(xiàn)有基于保護、斷路器信息構(gòu)建的解析模型進行不確定信息檢驗與修正,以及考慮構(gòu)建包含多源信息的多目標解析模型以降低模型的復(fù)雜度及求解的維度。

3.7 數(shù)值計算分析

故障錄波裝置及PMU裝置能夠記錄電網(wǎng)故障前后電氣量變化的數(shù)據(jù)信息[5]。采用數(shù)值計算分析的故障診斷方法,主要針對基于故障錄波裝置的RPMS和基于PMU裝置的WAMS提供的數(shù)據(jù),通過計算分析電壓、電流等量測量信息來進行電網(wǎng)故障診斷。

數(shù)值計算分析診斷方法在一定程度上解決了利用保護開關(guān)信息進行故障診斷存在的保護、斷路器誤動或拒動、告警信息畸變或缺失對診斷結(jié)果的影響問題。但仍存在一些問題亟待解決,例如:不能直接反映保護和斷路器的動作行為導(dǎo)致診斷解釋性低;故障錄波器采樣頻率不同、數(shù)據(jù)同步難;故障錄波裝置和PMU裝置在全網(wǎng)布點不全面導(dǎo)致診斷存在盲區(qū)等。為提高診斷結(jié)果的可解釋性,文獻[10]將開關(guān)變位信息和PMU電壓相量信息相結(jié)合來識別故障區(qū)域,利用PMU故障電流信息判別故障設(shè)備,結(jié)合保護信息和電壓跌落時間對保護、開關(guān)動作行為進行評價。針對故障錄波采樣數(shù)據(jù)同步難、頻率不統(tǒng)一等問題,文獻[66]采用全站電流互感器統(tǒng)一標識建模、采樣同步處理及頻率歸一化等技術(shù)來對故障錄波信息進行有效整合,并將差動原理應(yīng)用于故障診斷,不僅解決了采樣頻率不同、數(shù)據(jù)同步難等關(guān)鍵問題,而且實現(xiàn)了僅利用故障錄波信息進行電網(wǎng)故障診斷及保護動作行為評價。為克服PMU布點不足對故障診斷的影響,文獻[67]采用改進的線性整數(shù)規(guī)劃法對PMU進行優(yōu)化配置,以PMU配置點作為潮流指紋特征點,通過故障潮流指紋識別算法獲得支路故障潮流指紋匹配度,以PMU配置點的電壓相量作為RBF神經(jīng)網(wǎng)絡(luò)診斷模型的輸入,得到支路RBF神經(jīng)網(wǎng)絡(luò)故障可信度,進而應(yīng)用模糊積分技術(shù)對這兩個故障指標進行信息融合。

采用電氣量信息的數(shù)值計算分析方法在電網(wǎng)故障診斷中的應(yīng)用,使得電網(wǎng)故障診斷問題能夠轉(zhuǎn)變?yōu)榛祀s系統(tǒng)問題。對電氣量信息進行數(shù)值計算分析的結(jié)果可以映射成一個或一系列故障事件,通過與保護、開關(guān)信息的結(jié)合或不同電氣相關(guān)原理的應(yīng)用,一定程度上解決了單純應(yīng)用電氣量信息進行數(shù)值計算分析所面臨的問題。未來,可深入考慮與保護開關(guān)類數(shù)據(jù)混合應(yīng)用,進行多信源融合綜合診斷以繼續(xù)改善目前應(yīng)用中存在的不足。

3.8 多源信息融合

電網(wǎng)故障診斷所采用的數(shù)據(jù)是多源、異構(gòu)的。在電網(wǎng)發(fā)生故障時,其數(shù)據(jù)信息反映為電氣量、保護和斷路器的異常變化,可以為電網(wǎng)故障診斷提供豐富的數(shù)據(jù)信息。采用多源信息融合技術(shù)的電網(wǎng)故障診斷即是針對不同數(shù)據(jù)源所提供的開關(guān)量信息和電氣量信息進行的綜合故障診斷,其能夠克服利用單一數(shù)據(jù)源進行故障診斷因故障信息的不確定性而導(dǎo)致診斷錯誤的問題[68]。目前,對于多源信息融合的電網(wǎng)故障診斷算法還處于初級階段,但其發(fā)展較為迅速。文獻[69]將信息融合理論引入電網(wǎng)故障診斷輔助決策過程中,使診斷過程中的具體對象與信息融合中的決策、特征、數(shù)據(jù)內(nèi)容相對應(yīng),在多層信息融合框架下,構(gòu)建了電網(wǎng)故障診斷輔助決策模型。文獻[70]針對SCADA和RPMS數(shù)據(jù)源,對于遙信信息,以覆蓋集理論為基礎(chǔ)建立了改進優(yōu)化模型,對于錄波數(shù)據(jù)采用小波分析提取相應(yīng)故障度,進而應(yīng)用改進證據(jù)理論對以上兩種判據(jù)結(jié)果進行數(shù)據(jù)融合。文獻[71]綜合利用SCADA系統(tǒng)、RPMS和WAMS的數(shù)據(jù)信息,對保護、斷路器信息通過時序貝葉斯網(wǎng)絡(luò)進行診斷推理,對錄波電氣量采用小波能量譜分析求取故障特征,對PMU電壓錄波利用改進RBF神經(jīng)網(wǎng)絡(luò)進行分析,進而應(yīng)用改進D-S證據(jù)理論對以上診斷結(jié)果進行融合,并由模糊C均值聚類方法給出最終診斷決策。

近年來,眾多專家學(xué)者已開始從理論層面對基于多源信息融合技術(shù)的電網(wǎng)故障診斷方法進行了研究,但目前的研究多是對各自數(shù)據(jù)源進行獨立診斷,再對診斷結(jié)果進行融合。相比于基于單一信源的故障診斷來說,在診斷容錯性、準確性等方面有顯著提升,但診斷結(jié)果解釋性不強,多源數(shù)據(jù)信息沒有得到充分利用。隨著電網(wǎng)調(diào)控一體化的建成,電網(wǎng)事故處理模式向集中式轉(zhuǎn)變[72],新一代智能電網(wǎng)調(diào)度控制系統(tǒng)實現(xiàn)了電網(wǎng)靜態(tài)和動態(tài)數(shù)據(jù)的采集功能,使得在調(diào)度端即可獲得調(diào)度技術(shù)支持系統(tǒng)采集的各類數(shù)據(jù)信息,從而為深度綜合利用多源信息的電網(wǎng)故障診斷提供了有利條件。因此,為適應(yīng)調(diào)度運行模式轉(zhuǎn)變的需求,應(yīng)考慮從電網(wǎng)、設(shè)備、環(huán)境等多角度出發(fā),對多源數(shù)據(jù)信息進行充分融合,不僅進行診斷結(jié)果層面的融合,而且要進行數(shù)據(jù)處理層面的融合,充分利用數(shù)據(jù)的冗余性,辨識錯誤數(shù)據(jù)、修正畸變數(shù)據(jù)、增補缺失數(shù)據(jù),以實現(xiàn)故障全過程的準確分析和清晰解釋。

4 故障診斷系統(tǒng)的架構(gòu)

在線電網(wǎng)故障診斷系統(tǒng)架構(gòu)設(shè)計屬于工程應(yīng)用問題,它是基于調(diào)度中心數(shù)據(jù)平臺,將診斷功能模塊化,通過模塊間的信息交互實現(xiàn)診斷分析,主要目的是為調(diào)度運行人員提供智能化決策服務(wù)。文獻[73]在文獻[44]基礎(chǔ)上,考慮時序貝葉斯知識庫診斷模型的適用性與通用性,以及故障診斷、圖形化表達與運行實施,設(shè)計了計及時序在線電網(wǎng)故障診斷原型系統(tǒng),該系統(tǒng)包括故障診斷數(shù)據(jù)獲取、時序貝葉斯知識庫模型構(gòu)建、分層因果圖顯示、診斷推理等功能模塊,能夠適用于較大規(guī)模電網(wǎng)故障診斷在線應(yīng)用。文獻[74]在調(diào)度綜合數(shù)據(jù)平臺基礎(chǔ)上,以多智能體系統(tǒng)(MAS)為基礎(chǔ)架構(gòu),設(shè)計了多級分布式故障診斷MAS架構(gòu)模型,該架構(gòu)模型由區(qū)域運行信息、區(qū)域智能體、協(xié)調(diào)智能體、全局診斷智能體等模塊組成,采用分級協(xié)作分布式診斷模式,通過訂閱區(qū)域故障特征信息啟動區(qū)域智能體進行并行診斷,進而在協(xié)調(diào)智能體協(xié)調(diào)下,由全局智能體完成最終診斷,該架構(gòu)模式具有較好的交互診斷性,降低了調(diào)度端的診斷規(guī)模壓力。文獻[75]根據(jù)調(diào)度中心監(jiān)測系統(tǒng)不同的采集特性,運用分階式故障診斷算法,開發(fā)了基于故障信息組群技術(shù)的電網(wǎng)故障智能分析系統(tǒng),其核心系統(tǒng)架構(gòu)由快速故障診斷、保護動作行為分析、錄波信息故障分析等子系統(tǒng)構(gòu)成,各子系統(tǒng)對不同監(jiān)測系統(tǒng)的采集數(shù)據(jù)進行獨立分析,并通過故障信息組群技術(shù)實現(xiàn)數(shù)據(jù)交互,進而由綜合分析子系統(tǒng)做綜合分析得到全局診斷結(jié)果,實現(xiàn)了對多算法、多數(shù)據(jù)源并行的實時綜合故障診斷。

隨著大規(guī)模間歇式能源的接入,以及交直流混聯(lián)、特高壓互聯(lián)大電網(wǎng)的建設(shè),使得電網(wǎng)規(guī)模越來越大、結(jié)構(gòu)亦越來越復(fù)雜,根據(jù)實際工程需求,設(shè)計具有不同功能模塊的分布式并行診斷系統(tǒng)架構(gòu)模型,以期有效解決電網(wǎng)規(guī)模過大,數(shù)據(jù)處理及診斷效率低下的問題,是電網(wǎng)調(diào)度運行人員的迫切需求。

5 新形勢下的發(fā)展方向

隨著新一代智能電力系統(tǒng)建設(shè)的全面推進,中國的電力系統(tǒng)已成為世界上規(guī)模最大的遍及生產(chǎn)經(jīng)營各環(huán)節(jié)的專業(yè)物聯(lián)網(wǎng),甚至于在一定程度上,構(gòu)建了中國最大規(guī)模的“云計算”平臺,為能源資源從空間和時間等多維度進行調(diào)配打下了基礎(chǔ)。對電力行業(yè)來說,電力大數(shù)據(jù)將在未來電力工業(yè)管理和生產(chǎn)的各個方面發(fā)揮巨大的作用,是中國電力工業(yè)在構(gòu)建新一代電力工業(yè)系統(tǒng)過程中,能夠有效應(yīng)對環(huán)境壓力、資源有限等問題,實現(xiàn)綠色可持續(xù)發(fā)展的關(guān)鍵。在此背景下,中國電機工程學(xué)會信息化專委會于2013年3月編制發(fā)布了《中國電力大數(shù)據(jù)發(fā)展白皮書(2013)》,詮釋了電力大數(shù)據(jù)的內(nèi)涵,指出了電力大數(shù)據(jù)將為電力行業(yè)在發(fā)電、輸電、變電、配電、用電、調(diào)度等環(huán)節(jié)帶來重大變革[76]。電網(wǎng)故障診斷基于調(diào)度自動化平臺,其作為電網(wǎng)調(diào)度決策智能化需要解決的基礎(chǔ)課題之一,在電力大數(shù)據(jù)背景下迎來了新的機遇和挑戰(zhàn)。當前,電網(wǎng)調(diào)控一體化使得大量設(shè)備直接接入監(jiān)控系統(tǒng),從而在調(diào)度端即可獲得調(diào)度技術(shù)支持系統(tǒng)采集的各類數(shù)據(jù)信息,這些實時與非實時采集的各類數(shù)據(jù)構(gòu)成了電力大數(shù)據(jù)的可靠來源,大數(shù)據(jù)有了,但適用于電網(wǎng)故障診斷的大數(shù)據(jù)挖掘、知識的獲取,以及多數(shù)據(jù)源的聚合方法及診斷模型的構(gòu)建等,還處于起步階段,適用于電網(wǎng)調(diào)度大數(shù)據(jù)環(huán)境的電網(wǎng)故障診斷研究實質(zhì)性技術(shù)有待突破。在調(diào)控一體化背景下,面對大數(shù)據(jù)環(huán)境,對電網(wǎng)故障診斷提出了更高的要求,今后應(yīng)重點對以下幾方面工作進行深入研究。

1)調(diào)控大數(shù)據(jù)背景下,故障診斷數(shù)據(jù)信息的分析挖掘。調(diào)控大數(shù)據(jù)是大數(shù)據(jù)技術(shù)、理念和方法在電網(wǎng)調(diào)控領(lǐng)域中的應(yīng)用[77],在此背景下,數(shù)據(jù)的種類和規(guī)模迅速增長,電網(wǎng)發(fā)生故障時,在各級調(diào)度中心能夠?qū)崟r獲得數(shù)以萬計的故障警報信息,既包括保護、開關(guān)、電壓電流等故障相關(guān)信息,又包括回路閉鎖、電壓越限、交流斷線等故障弱關(guān)聯(lián)信息,以及能源、天氣等數(shù)據(jù),這些數(shù)據(jù)信息格式各異、種類繁多、相互影響、相互關(guān)聯(lián),并且以“信息孤島”的方式存儲在各個監(jiān)測系統(tǒng)中。如何有效利用軟硬件資源對這些不同來源、不同種類的數(shù)據(jù)信息進行實時、有效的分析挖掘,發(fā)現(xiàn)數(shù)據(jù)間潛在的知識,以服務(wù)于在線故障診斷,是調(diào)控大數(shù)據(jù)時代電網(wǎng)故障診斷的一個重要難題。解決上述難題,可以從如下方面著手:①開展調(diào)控大數(shù)據(jù)環(huán)境下的特征提取和選擇技術(shù)的研究,從海量數(shù)據(jù)中提取需要的特征(知識),如分形理論[78]、深度學(xué)習(xí)[79]等;②開展調(diào)控大數(shù)據(jù)環(huán)境下的數(shù)據(jù)驅(qū)動分析方法的研究,以解決數(shù)據(jù)多元性、異構(gòu)性等問題,如隨機矩陣理論[80];③開展調(diào)控大數(shù)據(jù)環(huán)境下的并行算法的研究,將傳統(tǒng)的數(shù)據(jù)挖掘算法進行并行化,以提升算法的可擴展性和計算效率,如基于 MapReduce的Apriori算法[81]、偏序約簡算法[82]等。

2)多級協(xié)同分布式電網(wǎng)故障診斷模式的研究。近年來智能電網(wǎng)建設(shè)和調(diào)控一體化的不斷深入,使得電網(wǎng)更加復(fù)雜化和規(guī)模化,促使多級協(xié)同分布式診斷技術(shù)[74]越來越得到重視。電力通信網(wǎng)絡(luò)的不斷發(fā)展,使得各級調(diào)控中心之間,以及調(diào)控中心與智能變電站之間的故障警報信息實現(xiàn)了實時和高效共享,為多級協(xié)同分布式電網(wǎng)故障診斷的實現(xiàn)創(chuàng)造了數(shù)據(jù)交互的物理條件。多級協(xié)同分布式診斷采用調(diào)控中心與變電站之間或調(diào)控中心與調(diào)控中心之間進行2級或多級協(xié)同故障診斷的模式,按電網(wǎng)結(jié)構(gòu)形成上級調(diào)控中心—下級調(diào)控中心層次或調(diào)控中心—變電站層次,逐級進行診斷,上級診斷基于下級診斷結(jié)果,進而實現(xiàn)全網(wǎng)綜合故障分析,在一定程度上避免了海量故障數(shù)據(jù)處理所面臨的模型和維護復(fù)雜問題,提高了診斷性能,能較好地滿足調(diào)控大數(shù)據(jù)背景下電網(wǎng)故障診斷不斷發(fā)展的要求,但目前針對該技術(shù)的研究還不夠深入,不同層級之間診斷功能如何實現(xiàn)交互、如何部署等問題均需要進一步深入研究。

3)基于態(tài)勢感知技術(shù)的電網(wǎng)故障診斷系統(tǒng)實用化研究。對于電網(wǎng)故障診斷而言,態(tài)勢感知就是使調(diào)度運行人員能夠了解電網(wǎng)事故發(fā)生原因,并能準確重現(xiàn)故障發(fā)展變化過程,以便采取有效措施,盡快排除故障,恢復(fù)供電,防止事故擴大。在線電網(wǎng)故障診斷一直以來為電網(wǎng)調(diào)度運行所關(guān)注,開發(fā)具有自動建模功能、可視化界面,自適應(yīng)于電網(wǎng)調(diào)度自動化平臺基礎(chǔ)數(shù)據(jù)和復(fù)雜數(shù)據(jù)環(huán)境的故障診斷系統(tǒng),能夠顯著提升調(diào)度運行人員對電網(wǎng)事故的態(tài)勢感知能力,保證電網(wǎng)可靠、安全運行。但截至當前,診斷系統(tǒng)的實用化研究進展依舊緩慢,其主要原因在于診斷系統(tǒng)在線應(yīng)用面臨因信源測點布置不足、信息傳輸通道中斷或異常、量測元件采樣錯誤,以及時序信息上送不同步等因素所導(dǎo)致的診斷模型與數(shù)據(jù)不完整、不精確等諸多現(xiàn)實問題,這些問題還沒有很好的解決方案。并且,在當前調(diào)控大數(shù)據(jù)環(huán)境下,多類型數(shù)據(jù)源采集的數(shù)據(jù)量龐大、格式多樣,使得調(diào)度對故障數(shù)據(jù)的綜合利用更為復(fù)雜,診斷系統(tǒng)面對龐雜的數(shù)據(jù)信息,建模與維護工作異常繁重,制約了系統(tǒng)的可靠運行。此外,現(xiàn)有診斷系統(tǒng)智能化和自動化程度不高,需要調(diào)度運行人員結(jié)合人工經(jīng)驗進行分析,缺乏對電網(wǎng)事故發(fā)展變化情況的態(tài)勢感知能力,隨著電網(wǎng)規(guī)模和運行復(fù)雜度的不斷增加,運行人員的工作壓力逐漸加大,嚴重影響了使用者的用戶體驗。因此,從解決如上影響診斷系統(tǒng)在線應(yīng)用問題的角度出發(fā),加快構(gòu)建基于態(tài)勢感知技術(shù)的在線故障診斷系統(tǒng),增強調(diào)度運行人員的態(tài)勢感知能力,通過態(tài)勢感知實現(xiàn)對電網(wǎng)故障發(fā)生、發(fā)展過程的全面準確掌控,對電網(wǎng)調(diào)度決策智能化具有重要意義。

6 結(jié)語

一直以來電網(wǎng)故障診斷在事故后快速分析、盡快恢復(fù)供電等方面發(fā)揮著重要的作用,并且關(guān)于該領(lǐng)域的研究亦取得了豐碩的成果,尤其在當前智能電網(wǎng)大數(shù)據(jù)環(huán)境下,電網(wǎng)故障診斷作為實現(xiàn)智能電網(wǎng)自愈功能的高級應(yīng)用,其所起的作用越來越重要。本文對電網(wǎng)故障診斷所涉及的整個層面進行了框架性的綜述,力圖從眾多關(guān)于電網(wǎng)故障診斷的研究成果的分析和梳理中,找出該領(lǐng)域的研究重點和難點,以期能夠?qū)@一專業(yè)領(lǐng)域有整體的理解,并明確今后需要重點研究的方向。與此同時,探討了在調(diào)控大數(shù)據(jù)背景下,當前電網(wǎng)故障診斷所需要解決的重要問題與發(fā)展方向,為該專業(yè)領(lǐng)域的進一步發(fā)展提供了可參考的研究思路。

[1] CHEN W H. Online fault diagnosis for power transmission networks using fuzzy digraph models[J]. IEEE Trans on Power Delivery, 2012, 27(2): 688-698.

[2] FUKUI C, KAWAKAMI J. An expert system for fault section estimation using information from protective relays and circuit breakers[J]. IEEE Trans on Power Delivery, 1986, 1(4): 83-90.

[3] 荀挺,張珂珩,薛浩然,等.電網(wǎng)調(diào)控數(shù)據(jù)綜合智能分析決策架構(gòu)設(shè)計[J].電力系統(tǒng)保護與控制,2015,43(11):121-127.

XUN Ting, ZHANG Keheng, XUE Haoran, et al. Framework design of the analysis decision system about the power grid data[J]. Power System Protection and Control, 2015, 43(11): 121-127.

[4] 顧雪平,劉道兵,孫海新,等.面向SCADA系統(tǒng)的電網(wǎng)故障診斷信息的獲取[J].電網(wǎng)技術(shù),2012,36(6):64-70.

GU Xueping, LIU Daobing, SUN Haixin, et al. Acquisition of power system fault diagnosis information from SCADA system[J]. Power System Technology, 2012, 36(6): 64-70.

[5] 閃鑫,趙家慶,張劍,等.基于三態(tài)數(shù)據(jù)的電網(wǎng)在線綜合故障診斷[J].電力系統(tǒng)自動化,2012,36(23):78-81.

SHAN Xin, ZHAO Jiaqing, ZHANG Jian, et al. On-line comprehensive fault diagnosis of power grid based on three-state data[J]. Automation of Electric Power Systems, 2012, 36(23): 78-81.

[6] 曹一家,劉毅,高振興,等.一種大規(guī)模電網(wǎng)故障診斷的多智能體信息融合模型與方法[J].電力自動化設(shè)備,2010,30(7):14-18.

CAO Yijia, LIU Yi, GAO Zhenxing, et al. Model and method of large scale grid fault diagnosis based on multi-agent system and information fusion technology[J]. Electric Power Automation Equipment, 2010, 30(7): 14-18.

[7] RUSSELL J C, MASIELLO R D, BOSE A. Power system control center concepts[C]// IEEE Power Industry Computer Applications Conference, May 15-18, 1979, Cleveland, USA.

[8] 李勛,龔慶武,楊群瑛,等.基于數(shù)據(jù)挖掘技術(shù)的保護設(shè)備故障信息管理與分析系統(tǒng)[J].電力自動化設(shè)備,2011,31(9):88-91.

LI Xun, GONG Qingwu, YANG Qunying, et al. Fault information management and analysis system based on data mining technology for relay protection devices[J]. Electric Power Automation Equipment, 2011, 31(9): 88-91.

[9] 何鳴,王皓,謝紅福.基于數(shù)據(jù)中心的故障信息管理系統(tǒng)[J].電力系統(tǒng)自動化,2008,32(18):104-107.

HE Ming, WANG Hao, XIE Hongfu. A fault information system based on data centre[J]. Automation of Electric Power Systems, 2008, 32(18): 104-107.

[10] 戴志輝,李強.基于停電區(qū)域及廣域同步信息的電網(wǎng)故障快速診斷研究[J].電力系統(tǒng)保護與控制,2010,38(12):50-53.

DAI Zhihui, LI Qiang. Fault diagnosis based on power failure zone and wide-area synchronization information[J]. Power System Protection and Control, 2010, 38(12): 50-53.

[11] WANG C, DOU C X, LI X B, et al. A WAMS/PMU-based fault location technique[J]. Electric Power Systems Research, 2007, 77(8): 936-945.

[12] DOBAKHSHARI A S, RANJBAR A M, et al. A circuit approach to fault diagnosis in power systems by wide area measurement system[J]. International Transactions on Electrical Energy Systems, 2013, 23(8): 1272-1288.

[13] 游家訓(xùn),彭明偉,唐躍中,等.混合量測系統(tǒng)中利用潮流信息的電網(wǎng)故障診斷[J].高電壓技術(shù),2010,36(2):411-416.

YOU Jiaxun, PENG Mingwei, TANG Yuezhong, et al. Fault diagnosis using power flow in hybrid measurements system[J]. High Voltage Engineering, 2010, 36(2): 411-416.

[14] WANG L, CHEN Q, GAO Z J, et al. Knowledge representation and general Petri net models for power grid fault diagnosis[J]. IET Generation, Transmission and Distribution, 2014, 9(9): 866-873.

[15] 張旭,魏娟,趙冬梅,等.一種用于電網(wǎng)故障診斷的遙信信息解析方法[J].中國電機工程學(xué)報,2014,34(22):3824-3833.

ZHANG Xu, WEI Juan, ZHAO Dongmei, et al. An analytic alarm information method for power grid fault diagnosis[J]. Proceedings of the CSEE, 2014, 34(22): 3824-3833.

[16] 廖志偉,岳苓,文福拴,等.基于規(guī)則網(wǎng)的高壓輸電線路故障診斷與保護動作性能評價[J].電力建設(shè),2016,37(2):34-41.

LIAO Zhiwei, YUE Ling, WEN Fushuan, et al. A rule-network based approach for fault diagnosis of HV transmission lines and protection action performance evaluation[J]. Electric Power Construction, 2016, 37(2): 34-41.

[17] 鄧國新,趙冬梅,張旭.對地區(qū)電網(wǎng)故障診斷系統(tǒng)中信息糾錯的研究[J].電力系統(tǒng)保護與控制,2009,37(1):50-54.

DENG Guoxin, ZHAO Dongmei, ZHANG Xu. Research of information identification on the fault diagnosis system for regional power grid[J]. Power System Protection and Control, 2009, 37(1): 50-54.

[18] FERREIRA V H, ZANGHI R, FORTES M Z, et al. A survey on intelligent system application to fault diagnosis in electric power system transmission lines[J]. Electric Power Systems Research, 2016, 136: 135-153.

[19] KEZUNOVIC M, FROMEN C W, SEVCIK D R. An expert system for transmission substation event analysis[J]. IEEE Trans on Power Delivery, 1993, 8(4): 1942-1949.

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

[21] MA D Y, LIANG Y C, ZHAO X S, et al. Multi-BP expert system for fault diagnosis of power system[J]. Engineering Applications of Artificial Intelligence, 2013, 26(3): 937-944.

[22] 李再華,白曉民,周子冠,等.基于特征挖掘的電網(wǎng)故障診斷方法[J].中國電機工程學(xué)報,2010,30(10):16-22.

LI Zaihua, BAI Xiaomin, ZHOU Ziguan, et al. Method of power grid fault diagnosis based on feature mining[J]. Proceedings of the CSEE, 2010, 30(10): 16-22.

[23] 周子冠,白曉民,李再華,等.采用知識網(wǎng)格技術(shù)的智能輸電網(wǎng)故障診斷方法[J].中國電機工程學(xué)報,2010,30(4):8-15.

ZHOU Ziguan, BAI Xiaomin, LI Zaihua, et al. Novel fault diagnosis approach of smart transmission grid based on knowledge grid technology[J]. Proceedings of the CSEE, 2010, 30(4): 8-15.

[24] CARDOSO G, ROLIM J G, ZURN H H. Identifying the primary fault section after contingencies in bulk power systems[J]. IEEE Trans on Power Delivery, 2008, 23(3): 1335-1342.

[25] 江雪晨,王大志,寧一,等.電網(wǎng)故障最優(yōu)診斷的查詢方法[J].高電壓技術(shù),2017,43(4):1311-1316.

JIANG Xuechen, WANG Dazhi, NING Yi, et al. Query method for optimal diagnosis of power system faults[J]. High Voltage Engineering, 2017, 43(4): 1311-1316.

[26] RESHMILA S, DEVANATHAN R. Diagnosis of power system failures using observer based discrete event system[C]// IEEE International Conference on Control, Measurement and Instrumentation, January 8-10, 2016, Kolkata, India.

[27] FLORES A, QUILES E, GARCIA E, et al. Fault diagnosis of electric transmission lines using modular neural networks[J]. IEEE Latin America Transactions, 2016, 14(8): 3663-3668.

[28] THUKARAM D, KHINCHA P, VIJAYNARASIMHA H P. Artificial neural network and support vector machine approach for locating faults in radial distribution systems[J]. IEEE Trans on Power Delivery, 2005, 20(2): 710-721.

[29] XIONG G J, SHI D Y, CHEN J F, et al. Divisional fault diagnosis of large-scale power systems based on radial basis neural network and fuzzy integral[J]. Electric Power Systems Research, 2013, 105: 9-19.

[30] 熊國江,石東源,朱林,等.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)模糊元胞故障診斷[J].電力系統(tǒng)自動化,2014,38(5):59-65.DOI:10.7500/AEPS20130603005.

XIONG Guojiang, SHI Dongyuan, ZHU Lin, et al. Fuzzy cellular fault data diagnosis of power grids based on radial basis function neural network[J]. Automation of Electric Power Systems, 2014, 38(5): 59-65. DOI: 10.7500/AEPS20130603005.

[31] 夏威,張麟,袁秋實,等.改進極限學(xué)習(xí)機應(yīng)用于電網(wǎng)故障診斷[J].電網(wǎng)與清潔能源,2015,31(4):15-19.

XIA Wei, ZHANG Lin, YUAN Qiushi, et al. Improved extreme learning machine applied in power system fault diagnosis[J]. Power System and Clean Energy, 2015, 31(4): 15-19.

[32] 熊國江,石東源,朱林.基于多輸出衰減徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J].電力系統(tǒng)保護與控制,2013,41(21):38-45.

XIONG Guojiang, SHI Dongyuan, ZHU Lin. Fault diagnosis of power grids based on multi-output decay radial basis function neural network[J]. Power System Protection and Control, 2013, 41(21): 38-45.

[33] PAWLAK Z. Rough sets and intelligent data analysis[J]. Information Sciences, 2002, 147(1/2/3/4): 1-12.

[34] HOR C L, CROSSLEY P A, WATSON S J. Building knowledge for substation-based decision support using rough sets[J]. IEEE Trans on Power Delivery, 2007, 22(3): 1372-1379.

[35] 張志毅,袁榮湘,楊同忠,等.基于粗糙集和小生境遺傳算法的電網(wǎng)故障診斷規(guī)則提取[J].電工技術(shù)學(xué)報,2009,24(1):158-163.

ZHANG Zhiyi, YUAN Rongxiang, YANG Tongzhong, et al. Rule extraction for power system fault diagnosis based on the combination of rough sets and niche genetic algorithm[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 158-163.

[36] SUN Q Y, WANG C L, WANG Z L, et al. A fault diagnosis method of smart grid based on rough sets combined with genetic algorithm and tabu search[J]. Neural Computing and Applications, 2013, 23(7/8): 2023-2029.

[37] 栗然,張烈勇,顧雪平,等.采用粗糙集聯(lián)合規(guī)則挖掘算法的分布式電網(wǎng)故障診斷[J].中國電機工程學(xué)報,2010,30(4):28-34.

LI Ran, ZHANG Lieyong, GU Xueping, et al. Distributed fault diagnosis of power networks applying the united rules mining algorithm based on rough set theory[J]. Proceedings of the CSEE, 2010, 30(4): 28-34.

[38] 蘭華,李晉,高奧,等.粗糙集結(jié)合Petri網(wǎng)進行分區(qū)域并行推理的配電網(wǎng)故障診斷方法研究[J].電測與儀表,2012,49(553):13-16.

LAN Hua, LI Jin, GAO Ao, et al. Fault diagnosis of distribution networks by the regional parallel reasoning based on rough set and Petri nets[J]. Electrical Measurement & Instrumentation, 2012, 49(553): 13-16.

[39] ZHU Y L, HUO L M, LU J L. Bayesian networks-based approach for power systems fault diagnosis[J]. IEEE Trans on Power Delivery, 2006, 21(2): 634-639.

[40] MANSOUR M M, WAHAB M A A, SOLIMAN W M. Bayesian networks for fault diagnosis of a large power station and its transmission lines[J]. Electric Power Components and Systems, 2012, 40(8): 845-863.

[41] 周曙,王曉茹,錢清泉.基于貝葉斯網(wǎng)的分布式電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù),2010,34(9):76-81.

ZHOU Shu, WANG Xiaoru, QIAN Qingquan. Bayesian networks based distributed fault diagnosis approach for power grids[J]. Power System Technology, 2010, 34(9): 76-81.

[42] 羅孝輝,童曉陽.計及可信度的變結(jié)構(gòu)貝葉斯網(wǎng)絡(luò)電網(wǎng)故障診斷[J].電網(wǎng)技術(shù),2015,39(9):2658-2664.

LUO Xiaohui, TONG Xiaoyang. Structure-variable Bayesian network for power system fault diagnosis considering credibility[J]. Power System Technology, 2015, 39(9): 2658-2664.

[43] 韓迎春,童曉陽.基于動態(tài)推理鏈的電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù),2017,41(4):1315-1324.

HAN Yingchun, TONG Xiaoyang. Power system fault diagnosis based on dynamic reasoning chain[J]. Power System Technology, 2017, 41(4): 1315-1324.

[44] 孫明蔚,童曉陽,劉新宇,等.運用時序貝葉斯知識庫的電網(wǎng)故障診斷方法[J].電網(wǎng)技術(shù),2014,38(3):715-722.

SUN Mingwei, TONG Xiaoyang, LIU Xinyu, et al. A power system fault diagnosis method using temporal Bayesian knowledge bases[J]. Power System Technology, 2014, 38(3): 715-722.

[45] LUO X, KEZUNOVIC M. Implementing fuzzy reasoning Petri-nets for fault section estimation[J]. IEEE Trans on Power Delivery, 2008, 23(2): 676-685.

[46] ZHANG Y, ZHANG Y, WEN F S, et al. A fuzzy Petri net based approach for fault diagnosis in power systems considering temporal constraints[J]. International Journal of Electrical Power & Energy Systems, 2016, 78: 215-224.

[47] 謝敏,吳亞雄,黃庶,等.基于有色自控Petri網(wǎng)的電網(wǎng)故障區(qū)域識別[J].電力系統(tǒng)保護與控制,2016,44(2):56-64.

XIE Min, WU Yaxiong, HUANG Shu, et al. Identification of fault area in power system based on colored self-modifying Petri nets[J]. Power System Protection and Control, 2016, 44(2): 56-64.

[48] 劉思化,李霞.謂詞Petri網(wǎng)理論在電網(wǎng)故障診斷中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報,2013,25(4):162-166.

LIU Sihua, LI Xia. Power system fault diagnosis by use of predicate Petri net models[J]. Proceedings of the CSU-EPSA, 2013, 25(4): 162-166.

[49] 謝紅濤,童曉陽.基于分層模糊Petri網(wǎng)的電網(wǎng)故障綜合診斷方法[J].電網(wǎng)技術(shù),2012,36(1):246-252.

XIE Hongtao, TONG Xiaoyang. A method of synthetical fault diagnosis for power system based on fuzzy hierarchical Petri net[J]. Power System Technology, 2012, 36(1): 246-252.

[50] 童曉陽,謝紅濤,孫明蔚.計及時序信息檢查的分層模糊Petri網(wǎng)電網(wǎng)故障診斷模型[J].電力系統(tǒng)自動化,2013,37(6):63-68.

TONG Xiaoyang, XIE Hongtao, SUN Mingwei. Power system fault diagnosis model based on layered fuzzy Petri net considering temporal constraint checking[J]. Automation of Electric Power Systems, 2013, 37(6): 63-68.

[51] 賈學(xué)涵,楊東升,鄭薇,等.多因素分級Petri網(wǎng)配電故障診斷方法[J].電網(wǎng)技術(shù),2017,41(3):1015-1021.

JIA Xuehan, YANG Dongsheng, ZHENG Wei, et al. Distribution network fault diagnosis method based on multi-factor hierarchical Petri net[J]. Power System Technology, 2017, 41(3): 1015-1021.

[52] 程學(xué)珍,陳強,于永進,等.基于最大似然譯碼字的Petri網(wǎng)電網(wǎng)故障診斷方法[J].電工技術(shù)學(xué)報,2015,30(15):46-52.

CHENG Xuezhen, CHEN Qiang, YU Yongjin, et al. A fault diagnosis approach of power networks based on maximum likelihood decoding Petri net models[J]. Transactions of China Electrotechnical Society, 2015, 30(15): 46-52.

[53] ZHANG Y, CHUNG C Y, WEN F S, et al. An analytic model for fault diagnosis in power systems utilizing redundancy and temporal information of alarm messages[J]. IEEE Trans on Power Systems, 2016, 31(6): 4877-4886.

[54] GUO W X, WEN F S, LIAO Z W, et al. An analytic model-based approach for power system alarm processing employing temporal constraint network[J]. IEEE Trans on Power Delivery, 2010, 25(4): 2435-2447.

[55] 文福拴,韓禎祥.基于遺傳算法和模擬退火算法的電力系統(tǒng)的故障診斷[J].中國電機工程學(xué)報,1994,14(3):29-35.

WEN Fushuan, HAN Zhenxiang. Fault section estimation in power systems using genetic algorithm and simulated annealing[J]. Proceedings of the CSEE, 1994, 14(3): 29-35.

[56] WEN F S, HAN Z X. Fault section estimation in power systems using a genetic algorithm[J]. Electric Power Systems Research, 1995, 34(3): 165-172.

[57] 郭文鑫,廖志偉,文福拴,等.計及警報信息時序特性的電網(wǎng)故障診斷解析模型[J].電力系統(tǒng)自動化,2008,32(22):26-31.

GUO Wenxin, LIAO Zhiwei, WEN Fushuan, et al. An analytic model for power network fault diagnosis with the temporal information of alarm messages taken into account[J]. Automation of Electric Power Systems, 2008, 32(22): 26-31.

[58] GUO W X, WEN F S, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfunctions of protective relays and circuit breakers[J]. IEEE Trans on Power Delivery, 2010, 25(3): 1393-1401.

[59] 董明,張勇,張巖,等.含電氣量信息的電力系統(tǒng)故障診斷解析模型[J].電力系統(tǒng)自動化,2013,37(6):55-62.

DONG Ming, ZHANG Yong, ZHANG Yan, et al. An analytic model for power system fault diagnosis employing electrical data[J]. Automation of Electric Power Systems, 2013, 37(6): 55-62.

[60] 翁漢琍,毛鵬,林湘寧.一種改進的電網(wǎng)故障診斷優(yōu)化模型[J].電力系統(tǒng)自動化,2007,31(7):66-70.

WENG Hanli, MAO Peng, LIN Xiangning. An improved model for optimizing power system fault diagnosis[J]. Automation of Electric Power Systems, 2007, 31(7): 66-70.

[61] LIN X N, KE S H, LI Z T, et al. A fault diagnosis method of power systems based on improved objective function and genetic algorithm—tabu search[J]. IEEE Trans on Power Delivery, 2010, 25(3): 1268-1274.

[62] 祝志慧,孫云蓮.量子免疫算法在電網(wǎng)故障診斷中的應(yīng)用[J].電力系統(tǒng)保護與控制,2010,38(10):22-25.

ZHU Zhihui, SUN Yunlian. Application of quantum immune algorithm in power system fault diagnosis[J]. Power System Protection and Control, 2010, 38(10): 22-25.

[63] 熊國江,石東源.電網(wǎng)故障診斷改進解析模型及其自適應(yīng)生物地理學(xué)優(yōu)化方法[J].電工技術(shù)學(xué)報,2014,29(4):205-211.

XIONG Guojiang, SHI Dongyuan. An improved analytic model for fault diagnosis of power grids and its self-adaptive biogeography-based optimization method[J]. Transactions of China Electrotechnical Society, 2014, 29(4): 205-211.

[64] 劉道兵,顧雪平,李海鵬.電網(wǎng)故障診斷的一種完全解析模型[J].中國電機工程學(xué)報,2011,31(34):85-93.

LIU Daobing, GU Xueping, LI Haipeng. A complete analytic model for fault diagnosis of power systems[J]. Proceedings of the CSEE, 2011, 31(34): 85-93.

[65] 趙冬梅,張旭,魏娟,等.以重現(xiàn)故障過程為目的的電網(wǎng)故障診斷[J].中國電機工程學(xué)報,2014,34(13):2116-2123.

ZHAO Dongmei, ZHANG Xu, WEI Juan, et al. Power grid fault diagnosis aiming at reproducing the fault process[J]. Proceedings of the CSEE, 2014, 34(13): 2116-2123.

[66] 李乃永,梁軍,李磊,等.基于廣域故障錄波信息的調(diào)度端電網(wǎng)故障診斷系統(tǒng)[J].電力系統(tǒng)自動化,2014,38(16):100-104.DOI:10.7500/AEPS20140112002.

LI Naiyong, LIANG Jun, LI Lei, et al. Fault diagnosis system based on wide-area fault wave recording information at dispatching centre[J]. Automation of Electric Power Systems, 2014, 38(16): 100-104. DOI: 10.7500/AEPS20140112002.

[67] 趙偉,江全元,彭明偉,等.采用信息融合技術(shù)的電網(wǎng)故障診斷方法[J].高電壓技術(shù),2009,35(11):2716-2722.

ZHAO Wei, JIANG Quanyuan, PENG Mingwei, et al. Novel approach of fault diagnosis in power grid using information fusion[J]. High Voltage Engineering, 2009, 35(11): 2716-2722.

[68] LI Z X, YIN X G, ZHANG Z, et al. Wide-area protection fault identification algorithm based on multi-information fusion[J]. IEEE Trans on Power Delivery, 2013, 28(3): 1348-1355.

[69] LIU Y, WANG Y, PENG M W, et al. A fault diagnosis method for power system based on multilayer information fusion structure[C]// IEEE PES General Meeting, July 25-39, 2010, Minneapolis, USA.

[70] 蘇廣寧,張沛超,胡炎,等.基于多源信息的電網(wǎng)故障診斷新方法[J].電力系統(tǒng)自動化,2012,36(1):61-65.

SU Guangning, ZHANG Peichao, HU Yan, et al. A novel fault diagnosis method based on information fusion of multi-resources for power grids[J]. Automation of Electric Power Systems, 2012, 36(1): 61-65.

[71] 高振興,郭創(chuàng)新,俞斌,等.基于多源信息融合的電網(wǎng)故障診斷方法研究[J].電力系統(tǒng)保護與控制,2011,39(6):17-23.

GAO Zhenxing, GUO Chuangxin, YU Bin, et al. Study of a fault diagnosis approach for power grid with information fusion based on multi-data resources[J]. Power System Protection and Control, 2011, 39(6): 17-23.

[72] 閃鑫,戴則梅,張哲,等.智能電網(wǎng)調(diào)度控制系統(tǒng)綜合智能告警研究及應(yīng)用[J].電力系統(tǒng)自動化,2015,39(1):65-72.DOI:10.7500/AEPS20140930016.

SHAN Xin, DAI Zemei, ZHANG Zhe, et al. Research on and application of integrated smart alarm based on smart grid dispatching and control systems[J]. Automation of Electric Power Systems, 2015, 39(1): 65-72. DOI: 10.7500/AEPS20140930016.

[73] 孫明蔚,童曉陽,劉新宇,等.基于時序貝葉斯知識庫的電網(wǎng)故障診斷軟件原型系統(tǒng)設(shè)計[J].電力系統(tǒng)自動化,2014,38(21):77-83.DOI:10.7500/AEPS20130531004.

SUN Mingwei, TONG Xiaoyang, LIU Xinyu, et al. Design of prototype system of fault diagnosis for power system based on temporal Bayesian knowledge bases[J]. Automation of Electric Power Systems, 2014, 38(21): 77-83. DOI: 10.7500/AEPS20130531004.

[74] 朱傳柏,郭創(chuàng)新,曹一家.基于調(diào)度綜合數(shù)據(jù)平臺的大規(guī)模電網(wǎng)分層故障診斷[J].電力系統(tǒng)自動化,2009,33(1):51-65.

ZHU Chuanbai, GUO Chuangxin, CAO Yijia. Hierarchical fault diagnosis model of a large-scale power system based on dispatch integrated information platform[J]. Automation of Electric Power Systems, 2009, 33(1): 51-65.

[75] 夏可青,陳根軍,李力,等.基于多數(shù)據(jù)源融合的實時電網(wǎng)故障分析及實現(xiàn)[J].電力系統(tǒng)自動化,2013,37(24):81-88.

XIA Keqing, CHEN Genjun, LI Li, et al. Real-time analysis of power grid fault based on multi-source information fusion and its application[J]. Automation of Electric Power Systems, 2013, 37(24): 81-88.

[76] 中國電機工程學(xué)會電力信息化專委會.中國電力大數(shù)據(jù)發(fā)展白皮書[M].北京:中國電機工程學(xué)會電力信息化專委會,2013.

[77] ABHISEK U, RASTKO Z. Automated analysis of power systems disturbance records: smart grid big data perspective[C]// IEEE Innovative Smart Grid Technologies, May 20-23, 2014, Kuala Lumpur, Malaysia.

[78] 周國亮,宋亞奇,王桂蘭,等.狀態(tài)監(jiān)測大數(shù)據(jù)存儲及聚類劃分研究[J].電工技術(shù)學(xué)報,2013,28(2):337-344.

ZHOU Guoliang, SONG Yaqi, WANG Guilan, et al. Research of condition monitoring big data storage and clustering[J]. Transactions of China Electrotechnical Society, 2013, 28(2): 337-344.

[79] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

[80] XU X, HE X, AI Q, et al. A correlation analysis method for power systems based on random matrix theory[J]. IEEE Trans on Smart Grid, 2015, PP(99): 1-10.

[81] 曲朝陽,朱莉,張士林.基于Hadoop的廣域測量系統(tǒng)數(shù)據(jù)處理[J].電力系統(tǒng)自動化,2013,37(4):92-97.

QU Zhaoyang, ZHU Li, ZHANG Shilin. Data processing of Hadoop-based wide area measure system[J]. Automation of Electric Power Systems, 2013, 37(4): 92-97.

[82] 李剛,焦譜,文福拴,等.基于偏序約簡的智能電網(wǎng)大數(shù)據(jù)預(yù)處理方法[J].電力系統(tǒng)自動化,2016,40(7):98-106.DOI:10.7500/AEPS20150630012.

LI Gang, JIAO Pu, WEN Fushuan, et al. A partial order reduction based method for big data preprocessing in smart grid environment[J]. Automation of Electric Power Systems, 2016, 40(7): 98-106. DOI: 10.7500/AEPS20150630012.

Research Review and Prospects for Power Grid Fault Diagnosis

WANGShoupeng,ZHAODongmei

(School of Electrical and Electronic Engineering, North China Electric Power University, Beijing 102206, China)

The research on power grid fault diagnosis is reviewed comprehensively. The sources and characteristics of its data, and the ways and importance of data preprocessing are analyzed. The principle, features and shortcomings of various intelligent diagnosis algorithms are briefly treated, the improvement of research results in recent years are discussed and future study directions are proposed. Then according to engineering practice, the architectural design in the online diagnosis system is summarized. Finally, the problem of power grid fault diagnosis in the background of big data in power grid dispatch and control is discussed, while the development trends are elucidated in the new situation.

This work is supported by National Natural Science Foundation of China (No. 51377054) and Fundamental Research Funds of the Central Universities (No. 2017XS019).

power grid fault; fault diagnosis; artificial intelligence; big data

2017-01-26;

2017-05-09。

上網(wǎng)日期: 2017-07-21。

國家自然科學(xué)基金資助項目(51377054);中央高?；究蒲袠I(yè)務(wù)費專項資金資助項目(2017XS019)。

王守鵬(1987—),男,通信作者,博士研究生,主要研究方向:電力系統(tǒng)分析、控制與保護,電網(wǎng)故障診斷。E-mail: wsp_ep@163.com

趙冬梅(1965—),女,博士,教授,博士生導(dǎo)師,主要研究方向:智能技術(shù)在電力系統(tǒng)中的應(yīng)用,電網(wǎng)故障診斷,電力系統(tǒng)分析、運行與控制。E-mail： zhao-dm@ncepu.edu.cn

(編輯 章黎)