林鴻偉 黃 彥 黃 劼

（國網(wǎng)福建省電力有限公司 福州 350009）

1 引言

變電站是智能電網(wǎng)的重要組成部分，確保變電站穩(wěn)定運(yùn)行為配電網(wǎng)的安全穩(wěn)定性提供了基礎(chǔ)［1］。所以，變電站的故障診斷問題，一直以來都備受廣泛關(guān)注。

當(dāng)變電站發(fā)生故障的時(shí)候，是否能夠快速準(zhǔn)確地找到故障源，例如線路短路故障、母線故障或者設(shè)備故障等等，但是能夠引起這些故障的原因有很多種，這對于提高電力系統(tǒng)可靠運(yùn)行，預(yù)防故障斷電帶來更大的災(zāi)害具有重大意義［2］。但是現(xiàn)在的變電站發(fā)生故障時(shí)，會有很多報(bào)警信息上傳到監(jiān)控系統(tǒng)，此時(shí)，值班人員就難以在大量的故障信息中找出故障源［3］。所以，研究一種能夠根據(jù)監(jiān)控系統(tǒng)采集的故障信息，快速智能地診斷出故障源的方法是十分必要的。

當(dāng)前，對變電站故障的診斷已經(jīng)有了很多研究，比較常用的有神經(jīng)網(wǎng)絡(luò)法、專家系統(tǒng)、模糊理論等。文獻(xiàn)［4］提出了幾種較為常見的變電站主變故障、成因，并提出了故障處理建議；文獻(xiàn)［5］提出了變電站運(yùn)動(dòng)系統(tǒng)常見的故障；文獻(xiàn)［6］對變電站遠(yuǎn)動(dòng)裝置故障進(jìn)行了分析，并有針對性地提出了解決方案；文獻(xiàn)［7］基于IEC61850對采集到的報(bào)警信號進(jìn)行建模，并采用推理機(jī)進(jìn)行故障推算；文獻(xiàn)［8］應(yīng)用粗糙集理論，對變電站的故障診斷知識進(jìn)行分層挖掘，選擇屬性，再運(yùn)用神經(jīng)網(wǎng)絡(luò)對故障診斷知識進(jìn)行模式識別；文獻(xiàn)［9］故障元件的診斷中，建立了針對可能故障區(qū)域的面向設(shè)備的子Petri網(wǎng)模型，降低了診斷的復(fù)雜性。盡管針對我國的變電站故障診斷已經(jīng)有了這么多研究，但是還很少有在變電站發(fā)生故障時(shí)，利用采集到的故障信息，進(jìn)行智能化推理，從而找到故障源，盡快解決變電站故障，快速恢復(fù)配電網(wǎng)的穩(wěn)定供電能力，所以針對目前變電站的運(yùn)行情況，充分利用監(jiān)控系統(tǒng)采集上來的故障信息，進(jìn)行智能推理，從而快速推斷出故障點(diǎn)是很有研究意義的。

2 案例推理理論

1982年，Schank提出了案例推理（Case Based Reasoning，CBR）［10］?，F(xiàn)如今，CBR 理論在輔助決策、智能控制、醫(yī)學(xué)診斷、故障診斷、預(yù)測環(huán)境等領(lǐng)域廣泛發(fā)展［11～13］。

CBR屬于規(guī)則推理范疇，根據(jù)以往經(jīng)驗(yàn)知識解決當(dāng)前問題、對方案進(jìn)行評價(jià)、學(xué)習(xí)新知識。但CBR克服了規(guī)則推理知識的很多缺點(diǎn)：獲取知識存在瓶頸，不能記錄已經(jīng)解決的問題，較難解決領(lǐng)域中例外案例，性能較弱。

案例推理（Case—Based Reasoning，CBR）是將當(dāng)前案例與案例庫中以往已解決問題，進(jìn)行類比推理，利用專家知識，找出已解決相似問題，得出答案解決新問題。CBR通過采集先驗(yàn)知識，建立原始案例庫，優(yōu)化過后的案例庫則為優(yōu)化案例庫，在案例庫中進(jìn)行檢索，獲得近似案例，通過修復(fù)重用，解答新案例，再將解決完問題的案例存儲入案例庫，實(shí)時(shí)擴(kuò)展更新案例庫。CBR是在如下假設(shè)上建立的：

1）正則性：通常事件是正則的。與以往情況相同時(shí)，執(zhí)行同樣操控，會產(chǎn)生相似的結(jié)果。

2）典型性：事件總是重復(fù)發(fā)生。以往遇到的事件很可能在將來也遇到相同的事件。

3）一致性：事情發(fā)生小變動(dòng)，解答也只需要做小的改動(dòng)就可以用來解決問題。

4）適應(yīng)性：實(shí)際生活中的事件很少完全重復(fù)，有小差別的情況經(jīng)常遇見。這種小差別就容易調(diào)整。

數(shù)據(jù)庫是企業(yè)信息系統(tǒng)的基礎(chǔ)信息資源，CBR通過案例庫完成了對以往信息的記憶，在執(zhí)行過程中構(gòu)建大量數(shù)據(jù)的存儲、查詢、和檢索，過程如下：

將案例用知識表現(xiàn)出來，以數(shù)據(jù)結(jié)構(gòu)存儲，表現(xiàn)為當(dāng)有新問題出現(xiàn)時(shí)，將其分解為案例描述和案例解兩部分，利用案例檢索在案例庫中尋找最佳原始案例。案例庫將以往經(jīng)驗(yàn)呈現(xiàn)出來，經(jīng)過案例修正、重用，用于解決新問題。CBR在解決新問題之后，能不斷更新、完善案例庫，使案例庫更適用于解決新問題。

案例推理就是當(dāng)新案例到來時(shí)，利用案例庫中已經(jīng)存儲的案例，通過案例檢索，尋找過去類似的問題和解決方法，根據(jù)新案例和檢索出來的歷史案例在時(shí)間和背景上的差異，將歷史案例進(jìn)行調(diào)整和修改后，用來解決新案例。CBR對比于規(guī)則推理和模型推理，不需要將領(lǐng)域知識的模型顯示出來，不用擔(dān)心知識獲取瓶頸問題，并且系統(tǒng)具有開放性，很快就可以推理出結(jié)果，維護(hù)起來簡單方便。同時(shí)，對案例庫的實(shí)時(shí)更新，使案例庫能夠適應(yīng)于當(dāng)前工況，判斷效果更貼切。案例推理順序圖如圖1。

從圖1可以看出，CBR可以總結(jié)為4R（案例檢索Retrieve，案例重用Reuse，案例調(diào)整和修改Re?vise，案例學(xué)習(xí)Retain）。

案例表示：一般情況下，將案例表示為案例描述和案例解，如圖2所示。

圖2 案例描述

案例檢索（Retrieve）：CBR的一個(gè)重要環(huán)節(jié)就是案例檢索，就是對當(dāng)前案例在案例庫中進(jìn)行搜索，找到與當(dāng)前案例相似度最大的歷史案例，其實(shí)他就是查找和匹配的過程。CBR檢索過程中要實(shí)現(xiàn)的目標(biāo)：檢索出的歷史案例盡量少，檢索出的歷史案例與當(dāng)前案例盡可能相似。

圖1 案例推理循環(huán)圖

最近鄰法（k-nearest neighbor，k-NN）進(jìn)行計(jì)算：k-NN是基于距離的相似度檢索方法，其經(jīng)常被用于各類案例檢索。定義測試案例為x={x1，x2，…，xn}，其中n指屬性個(gè)數(shù)。給定案例庫中的某一案例q，則k-NN計(jì)算測試案例與q案例距離相似度公式為

也就是把當(dāng)前案例的屬性與案例庫中各個(gè)案例的屬性進(jìn)行距離均方根誤差計(jì)算，尋求與當(dāng)前案例最相似的歷史案例。其中ωi為第i個(gè)屬性的權(quán)重。k-NN計(jì)算時(shí)，ωi都為1，不符合實(shí)際應(yīng)用。

案例重用（Reuse）：當(dāng)相似案例被檢索到后，當(dāng)前問題就可以利用檢索到的歷史案例進(jìn)行解決。

案例評價(jià)：評價(jià)后分兩種處理：

檢索到的歷史案例適用于當(dāng)前案例，進(jìn)行案例學(xué)習(xí)。

檢索到的案例不適用當(dāng)前案例，進(jìn)行案例調(diào)整和修改。

案例調(diào)整和修改（Revise）：修改檢索到的案例，使其適合解決當(dāng)前問題，是案例修改。

案例學(xué)習(xí)（Retain）：案例學(xué)習(xí)直接影響著案例庫的優(yōu)越與否。在源案例庫的基礎(chǔ)上，進(jìn)行學(xué)習(xí)積累，不斷將新案例輸入案例庫，以便適應(yīng)更多情況。案例學(xué)習(xí)也有規(guī)則，需要對案例進(jìn)行辨別之后決定是否加入案例庫。

案例學(xué)習(xí)方法：設(shè)案例庫 X=(X1，X2，…，Xi，…，Xm)，i∈[1，m]， Xi是某歷史案例，εi是當(dāng)前案例Y與歷史某案例Xi的相似度，η是提前定義的閾值。

案例庫維護(hù)：隨著新案例的不斷加入，案例庫會不斷擴(kuò)大。這時(shí)就需要對案例庫進(jìn)行處理，包括刪除冗余的案例，及時(shí)更新數(shù)據(jù)庫信息，使案例覆蓋率擴(kuò)大。

3 回聲狀態(tài)網(wǎng)絡(luò)理論

3.1 一種單隱層回升狀態(tài)網(wǎng)絡(luò)

輸出權(quán)值采用最小二乘法計(jì)算的ESN隱層參數(shù)則采取隨機(jī)獲取的方式，因此使得ESN的學(xué)習(xí)速度比傳統(tǒng)的BP網(wǎng)絡(luò)、支持向量機(jī)等學(xué)習(xí)速度提高了數(shù)千倍［14～15］，并具有更優(yōu)的泛化性能。輸出權(quán)值采用最小二乘法計(jì)算的ESN的數(shù)學(xué)模型，如圖1所示。

圖3 輸出權(quán)值采用最小二乘法計(jì)算的ESN的數(shù)學(xué)模型圖

輸出權(quán)值采用最小二乘法計(jì)算的ESN的學(xué)習(xí)方法如下：

1）隨機(jī)選取隱層節(jié)點(diǎn)參數(shù) (ai，bi)，i=1，…，L ，ai為第i個(gè)隱層神經(jīng)元輸入權(quán)值，bi為第i個(gè)隱層神經(jīng)元閾值。2）計(jì)算隱層節(jié)點(diǎn)輸出矩陣H=g(ai， bi， xi) ，

3）計(jì)算隱層到輸出層輸出權(quán)值β：

其中H+是隱層輸出矩陣H的左偽逆矩陣，T為目標(biāo)輸出，即

4）計(jì)算輸出值Oj。當(dāng)訓(xùn)練到誤差（ ||Oj-Tj）小于預(yù)先設(shè)定的常數(shù)ε時(shí)，輸出權(quán)值采用最小二乘法計(jì)算的ESN能夠接近這些訓(xùn)練樣本：

5）求取誤差：

其中，(ai，bi)分別為隱層節(jié)點(diǎn)輸入權(quán)值、閾值，Tj是第 j組數(shù)據(jù)的輸出實(shí)際值，Oj是第 j組數(shù)據(jù)輸出預(yù)測值。

3.2 回升狀態(tài)網(wǎng)絡(luò)求取權(quán)重的步驟

單隱層回聲狀態(tài)網(wǎng)絡(luò)提取屬性權(quán)重的網(wǎng)絡(luò)架構(gòu)如圖4。當(dāng)回聲狀態(tài)過訓(xùn)練后，輸出結(jié)果逼近實(shí)際值，此時(shí)用來計(jì)算各輸入屬性的權(quán)重。在此結(jié)構(gòu)中，有n個(gè)輸入｛x1，…，xn｝，m個(gè)隱層神經(jīng)元｛a1，…，am｝，第j個(gè)隱層神經(jīng)元aj計(jì)算如式（8），輸出結(jié)果計(jì)算如式（9）。

圖4 單隱層神經(jīng)網(wǎng)絡(luò)提取權(quán)重例圖

其中，bj是通過線性化輸入權(quán)重，然后再加上閾值。是xi和aj的連接權(quán)重，是aj與輸出神經(jīng)元之間的連接權(quán)重。在這里x0=1，a0=1。

此回聲狀態(tài)網(wǎng)絡(luò)計(jì)算權(quán)重的方法為相關(guān)性法，計(jì)算隱層zj的關(guān)聯(lián)性公式如式（11）：

輸入節(jié)點(diǎn)xi的相關(guān)性權(quán)重為如式（12）：

案例檢索：

檢索變電站故障點(diǎn)的時(shí)候，利用歐式距離公式進(jìn)行計(jì)算，選出相似度大于閾值ε的案例，表達(dá)式如式（13）：

經(jīng)過歐式距離選擇出來的第k個(gè)案例與當(dāng)前工況進(jìn)行相似度計(jì)算，其計(jì)算公式為式（14）。

找到相似度最大的案例后，取相似度最大的案例，按照報(bào)警信息中的權(quán)重值大小不同，對故障源進(jìn)行排除查看。

4 基于案例推理和回聲狀態(tài)網(wǎng)絡(luò)的變電站故障診斷方法

將變電站故障采用案例推理的形式表達(dá)出來，如表1所示。

表1 變電站故障部分信息表

變電站發(fā)生故障時(shí)的所有的案例特征和案例解包含了所有的故障信息。

將變電站以前發(fā)生的故障，以案例的形式表現(xiàn)出來，并且以案例特征和案例解的形式進(jìn)行存儲，當(dāng)新的故障發(fā)生時(shí)，采用案例匹配的原則，將新案例在案例庫中進(jìn)行檢索，從而找出相似案例，在案例檢索時(shí)采用回聲狀態(tài)網(wǎng)絡(luò)求取案例權(quán)重，然后再根據(jù)權(quán)重的大小確定故障發(fā)生點(diǎn)。

采用回聲狀態(tài)網(wǎng)絡(luò)求取權(quán)值得案例推理算法，在變電站故障診斷中的應(yīng)用流程框架如圖5所示。

5 算例分析

以某變電站故障為例，當(dāng)發(fā)生故障的時(shí)候，系統(tǒng)采集到了如表格2報(bào)警信息。將表格2的報(bào)警故障信息，帶入新的案例推理算法中，根據(jù)基于新的案例推理算法的變電站故障診斷流程圖進(jìn)行推理計(jì)算，最終得到的推理結(jié)果為“線路短路故障，重合闡動(dòng)作”。我們再進(jìn)行推理，由于沒有收到1127線開關(guān)合位信息，所以應(yīng)該檢查是由于開關(guān)合位信號漏發(fā)，還是重合閩失敗造成的。檢查110kV線路故障錄波器錄波文件，可以知道重合閘失敗，所以需要我們手動(dòng)合閘斷路器。合閘后可以正常工作。通過上述的算例仿真可以驗(yàn)證本為算法的有效性。

表2 某變電站事故主要信息

6 結(jié)語

基于新的案例推理的變電站故障診斷技術(shù)，是針對當(dāng)前的變電站發(fā)生故障時(shí)，監(jiān)控系統(tǒng)采集到大量的報(bào)警信息，值班員難以在繁雜的報(bào)警信號中快速高效地找到故障源提出來的。隨著整個(gè)智能變電站技術(shù)的飛速發(fā)展，案例庫不斷得到完善，求取相似案例的時(shí)候就越發(fā)高效。本文所提的基于新的案例推理算法在變電站故障診斷上的應(yīng)用，對于保障電力系統(tǒng)穩(wěn)定性將會起到不可估量的貢獻(xiàn)。