林鴻偉 黃 彥 黃 劼
(國網(wǎng)福建省電力有限公司 福州 350009)
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。
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。
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。
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。
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。
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
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)。