張繁斌，范英樂，劉寶童，劉璐，李貝貝，李熙

(國(guó)網(wǎng)江蘇省電力有限公司徐州供電分公司，江蘇 徐州 221000)

電網(wǎng)發(fā)生復(fù)雜故障后，調(diào)控中心在短時(shí)間內(nèi)將會(huì)收到系統(tǒng)采集的及監(jiān)控人員匯報(bào)的各種信息，多類信息從各方面反映了故障情況。極端情況下故障發(fā)生伴隨通道退出，將有大量信息無(wú)法上傳或存在畸變，這就要求調(diào)控人員利用積累的經(jīng)驗(yàn)快速確定故障元件，但這非常依賴調(diào)控人員的經(jīng)驗(yàn)圖譜，在發(fā)生復(fù)雜故障時(shí)，各類不正確的信息會(huì)對(duì)調(diào)控員的正確決策造成干擾，對(duì)電網(wǎng)安全運(yùn)行造成一定隱患。國(guó)外曾發(fā)生過(guò)多次嚴(yán)重電網(wǎng)故障，因不能快速準(zhǔn)確診斷，使得電網(wǎng)恢復(fù)時(shí)間很長(zhǎng)，造成了很大的損失，例如2016年一次強(qiáng)臺(tái)風(fēng)天氣襲擊了南澳大利亞州，導(dǎo)致風(fēng)電機(jī)組大規(guī)模脫網(wǎng)，最終導(dǎo)致了全州大停電事件[1]。2018年3月，巴西北電南送的特高壓直流輸電直流通道阻斷，引起巴西電網(wǎng)大范圍潮流轉(zhuǎn)移，系統(tǒng)振蕩，區(qū)域電網(wǎng)網(wǎng)間聯(lián)絡(luò)線的失步、距離和過(guò)電壓等保護(hù)動(dòng)作跳閘，巴西電網(wǎng)解列為北方、東北和南方3個(gè)獨(dú)立運(yùn)行電網(wǎng)[2]。2020年8月，由于罕見高溫引起的負(fù)荷增長(zhǎng)以及區(qū)域間電力協(xié)調(diào)能力不足，同時(shí)應(yīng)對(duì)新能源波動(dòng)的靈活調(diào)節(jié)能力不足，引起了美國(guó)加州大停電事件[3]。另外巴西發(fā)生的大停電事故，荷蘭的變電站由于失壓故障引發(fā)的大面積停電事件，以及日本由于地質(zhì)災(zāi)害地震海嘯引發(fā)的大停電事件等在全球造成了極其惡劣的影響[4-7]。這些大停電事件的發(fā)生都是由于某個(gè)故障發(fā)生不能及時(shí)判斷處理而引起的連鎖反應(yīng)。若是能在故障發(fā)生后快速準(zhǔn)確識(shí)別故障區(qū)域，那么調(diào)控人員便可在短時(shí)間內(nèi)根據(jù)故障區(qū)域及影響范圍制定合理事故處理方案，便可減輕因電網(wǎng)事故產(chǎn)生的惡劣影響，這也正是本文研究故障定位的重要意義。但是在短時(shí)間內(nèi)正確甄別上傳的正確信息是有一定難度的，正是基于這點(diǎn)，利用人工智能技術(shù)的非線性處理能力便可以很好解決這個(gè)問題。

1 故障定位方法及神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.1 故障定位方法

目前故障元件定位方法有很多人工智能方法，其中神經(jīng)網(wǎng)絡(luò)方法最為適用，有的已應(yīng)用在調(diào)控運(yùn)行中[8-12]。其中專家系統(tǒng)過(guò)多依賴于其在專業(yè)領(lǐng)域積累的經(jīng)驗(yàn)，且維護(hù)煩瑣；Petri網(wǎng)當(dāng)在其處理復(fù)雜問題時(shí)會(huì)出現(xiàn)組合爆炸的情況，對(duì)電網(wǎng)拓?fù)渥兓荒芗皶r(shí)反應(yīng)，且容錯(cuò)能力較弱。神經(jīng)網(wǎng)絡(luò)等人工智能方法在電網(wǎng)應(yīng)用喝多，文獻(xiàn)[13]分析了電網(wǎng)發(fā)展新特點(diǎn)和調(diào)度控制面臨的挑戰(zhàn)，進(jìn)而按照人工智能與現(xiàn)有技術(shù)體系深度融合的思路,開展電網(wǎng)調(diào)控領(lǐng)域人工智能應(yīng)用技術(shù)框架研究，提出了總體思路及目標(biāo)。文獻(xiàn)[14]提供了一種基于長(zhǎng)短期記憶(long short term memory,LSTM)網(wǎng)絡(luò)的電網(wǎng)動(dòng)態(tài)軌跡趨勢(shì)預(yù)測(cè)方法。文獻(xiàn)[15]利用粒子群算法和列文伯格-馬夸爾特算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)，建立了基于粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測(cè)模型。文獻(xiàn)[16]運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建了塔筒傾覆故障模型，可以反映設(shè)備狀態(tài)，檢測(cè)模型特征值的變化趨勢(shì)，實(shí)現(xiàn)塔筒傾覆狀態(tài)的在線檢測(cè)和劣化過(guò)程的早期預(yù)警。

針對(duì)復(fù)雜電網(wǎng)的故障元件定位，神經(jīng)網(wǎng)絡(luò)因其具有強(qiáng)大的非線性處理能力，在應(yīng)用中取得了很好的效果。本文利用BP神經(jīng)網(wǎng)絡(luò)對(duì)故障發(fā)生時(shí)的各類信息進(jìn)行篩選，自動(dòng)弱化畸變信息，強(qiáng)化有用信息，通過(guò)內(nèi)部機(jī)理的非線性運(yùn)算，通過(guò)神經(jīng)網(wǎng)絡(luò)輸出層輸出量化結(jié)果，便可以迅速定位故障元件。

電網(wǎng)的調(diào)控中心是電網(wǎng)運(yùn)行指揮中樞，而調(diào)控人員的決策則是指揮中樞的核心。目前事故后的調(diào)度決策大部分仍以人工分析為主，主要依靠調(diào)控人員以往的處理經(jīng)驗(yàn)，當(dāng)遇到一些特殊情況，例如發(fā)生信息缺失或畸變，根據(jù)已有繁雜信息無(wú)法及時(shí)推斷故障工況時(shí)，便會(huì)在一定程度上加大了調(diào)控人員的工作難度和工作壓力，給準(zhǔn)確快速恢復(fù)供電增加了難度。若在電網(wǎng)發(fā)生故障后，利用BP神經(jīng)網(wǎng)絡(luò)處理非線性問題的能力，通過(guò)對(duì)以往電網(wǎng)的歷史運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)，首先對(duì)各類上傳的信息進(jìn)行判斷篩選，由此再獲得相應(yīng)的故障區(qū)域，以輔助調(diào)控人員的運(yùn)行決策，為其準(zhǔn)確快速處理故障恢復(fù)正常供電提供支撐，同時(shí)能縮短調(diào)控運(yùn)行及檢修人員的判斷時(shí)間，提高處理效率，以致在短時(shí)間內(nèi)消除故障，保證電網(wǎng)安全運(yùn)行。

1.2 神經(jīng)元模型

單個(gè)神經(jīng)元模型是神經(jīng)網(wǎng)絡(luò)最基本的組成單元，也是用來(lái)處理非線性映射的最基本單元，其中ANN應(yīng)用于電網(wǎng)技術(shù)是在20世紀(jì)80年代后期，便形成了BP神經(jīng)網(wǎng)絡(luò)診斷方法。BP神經(jīng)網(wǎng)絡(luò)由若干人工神經(jīng)元連接而成，它是一種處理非線性問題、并可自動(dòng)調(diào)整擬合的智能系統(tǒng)，在處理復(fù)雜問題時(shí)具有獨(dú)特的優(yōu)勢(shì)[17-22]。

神經(jīng)網(wǎng)絡(luò)由單個(gè)神經(jīng)元模型組成，由它來(lái)構(gòu)成各種不同形式的神經(jīng)網(wǎng)絡(luò)，包含3個(gè)基本模型：連接權(quán)值、求和單元、激活函數(shù)。其基本結(jié)構(gòu)如圖1：

圖1 單個(gè)神經(jīng)元模型Fig.1 Single neuron model

連接權(quán)值即連接強(qiáng)度，其正負(fù)代表了激活和抑制狀態(tài)，對(duì)應(yīng)生物中的“突觸”的連接強(qiáng)度，是非線性擬合的重要組成部分；輸入信號(hào)是外界的輸入量，是在求和單元進(jìn)行線性計(jì)算；激活函數(shù)用來(lái)進(jìn)行非線性計(jì)算，并且用于限制輸出振幅，一般在(0,1)之間。可用下列公示表示:

(1)

yk=f(uk+bk)

(2)

上兩式中，xi(i=1,……,m)代表輸入信號(hào)；wik(i=1,……,m)是連接權(quán)值；uk則是經(jīng)過(guò)求和單元之后的輸出；bk為閾值；f(·)為激活函數(shù)；yk為輸出信號(hào)。

1.3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)按照連接形式，最經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)就是前饋型和反饋型。BP神經(jīng)網(wǎng)絡(luò)屬于前饋型，前饋型是指數(shù)據(jù)由上至下單向傳遞，只從輸入層傳遞到輸出層，沒有反饋過(guò)程。圖2則為多層前饋型的拓?fù)浣Y(jié)構(gòu)，其中xi(i=1,……,N)代表輸入信號(hào)，yi(i=1,……,N)代表輸出信號(hào)。信號(hào)的處理方向?yàn)?，輸入?shù)據(jù)通過(guò)輸入層進(jìn)入神經(jīng)網(wǎng)絡(luò)，通過(guò)若干隱含層的非線性處理后，再通過(guò)輸出層輸出結(jié)果。

圖2 前饋型網(wǎng)絡(luò)結(jié)構(gòu)模型Fig.2 Feedforward network structure model

2 BP神經(jīng)網(wǎng)絡(luò)傳播原理

神經(jīng)網(wǎng)絡(luò)有多類算法，其中反向傳播算法是一種易于理解且可行的迭代方法[23-28]，適用于電網(wǎng)故障定位中。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是根據(jù)誤差反向傳播算法訓(xùn)練的。誤差反向傳播算法有兩個(gè)過(guò)程：數(shù)據(jù)的正向傳遞與反向傳遞。其應(yīng)用在電網(wǎng)故障定位時(shí)，首先設(shè)置一個(gè)神經(jīng)網(wǎng)絡(luò)的目標(biāo)值，將各類上傳的信息(例如保護(hù)裝置及開關(guān)狀態(tài))通過(guò)一定規(guī)則轉(zhuǎn)換為數(shù)字量，這些量值依次通過(guò)輸入層、隱含層和輸出層。隱含層的作用是在內(nèi)部通過(guò)激活函數(shù)和連接權(quán)值對(duì)數(shù)據(jù)進(jìn)行非線性計(jì)算，然后將結(jié)果在輸出層輸出；如果輸出結(jié)果與預(yù)期目標(biāo)有差距，且偏差達(dá)不到目標(biāo)值，則將偏差進(jìn)行反向傳遞，按照梯度下降算法繼續(xù)迭代來(lái)更新新的權(quán)值，最終以使得誤差滿足所設(shè)定的目標(biāo)值，此時(shí)通過(guò)迭代形成的權(quán)值就是固定問題所需要的值，將所需要診斷的信息通過(guò)一定規(guī)則轉(zhuǎn)換為數(shù)字量后，通過(guò)已經(jīng)固化權(quán)值的神經(jīng)網(wǎng)絡(luò)的非線性運(yùn)算后，便可得到最終的計(jì)算數(shù)據(jù)，將其按照一定規(guī)則進(jìn)行轉(zhuǎn)換，便可以得到本文故障定位的結(jié)果。

2.1 訓(xùn)練函數(shù)

BP神經(jīng)網(wǎng)絡(luò)中常用的訓(xùn)練函數(shù)有l(wèi)og-sigmoid型函數(shù)logsig、tan-sigmoid型函數(shù)tansig以及純線性函數(shù)purelin。同一訓(xùn)練函數(shù)在不同情境下的效果也不相同的，訓(xùn)練函數(shù)主要用來(lái)全局調(diào)整權(quán)值和閾值，用于達(dá)到整體誤差最小。logsig及其tansig型函數(shù)的輸出范圍分別為(0,1)與(-1,1)。圖3為logsig型函數(shù):

圖3 logsig函數(shù)模型Fig.3 Logsig function model

2.2 反向傳播算法

誤差反向傳播，即從輸出層反向逐層計(jì)算每層誤差，不斷更新權(quán)值、閾值，不斷迭代直至滿足目標(biāo)的要求。

若訓(xùn)練樣本包含P(1-P)個(gè)樣本，誤差的二次型準(zhǔn)則函數(shù)為：

(3)

網(wǎng)絡(luò)對(duì)P個(gè)訓(xùn)練樣本的總體誤差函數(shù)為：

(4)

2.3 反向傳播算法流程

BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)運(yùn)算流程的非線性映射能力強(qiáng)，具有以任意精度逼近目標(biāo)值的計(jì)算能力。以“黑匣子”模式將輸入變量與輸出目標(biāo)值聯(lián)系起來(lái)，可運(yùn)算較復(fù)雜的問題。但也存在著例如容易陷入局部極小值，隱含層節(jié)點(diǎn)數(shù)的選擇沒有嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)依據(jù)等。針對(duì)以上問題的改進(jìn)方法有附加動(dòng)量法、自適應(yīng)學(xué)習(xí)速率法等。BP算法流程主要包含參數(shù)初始化、輸入訓(xùn)練樣本、計(jì)算各層的輸出值、計(jì)算各層的信號(hào)誤差、調(diào)整權(quán)值和閾值等過(guò)程，直至滿足總體訓(xùn)練誤差的要求，如下：

圖4 BP算法流程圖Fig.4 Flow chart of BP algorithm

3 電網(wǎng)故障定位算法

3.1 電網(wǎng)拓?fù)浣Y(jié)構(gòu)

圖5 配電網(wǎng)拓?fù)浣Y(jié)構(gòu)Fig.5 Distribution network topology

本系統(tǒng)劃分成為了五個(gè)故障區(qū)域，分別為Sec1、Sec2、Sec3、Sec4、Sec5；斷路器為QF1、QF2、QF3、QF4、QF5；并且均配有過(guò)電流保護(hù)CO1、CO2、CO3、CO4、CO5；Sec1和Sec3區(qū)域分別裝有距離保護(hù)RR1和RR3，為過(guò)流保護(hù)的后備保護(hù)，其中RR1為Sec2～Sec5提供后備保護(hù)，RR3為Sec4和Sec5提供后備保護(hù)。

為了驗(yàn)證BP建模方法對(duì)電網(wǎng)故障定位的有效性，本小節(jié)以圖5所示的電網(wǎng)結(jié)構(gòu)為例說(shuō)明分析。

3.2 故障決策表的構(gòu)建

故障決策表是用來(lái)作為設(shè)神經(jīng)網(wǎng)絡(luò)輸入和輸出的，通過(guò)1或0來(lái)表示是否動(dòng)作，并根據(jù)電網(wǎng)結(jié)構(gòu)和保護(hù)情況來(lái)構(gòu)建的表即為故障決策表。例如區(qū)域二(Sec2)發(fā)生故障，過(guò)流保護(hù)(CO2)便會(huì)動(dòng)作，則在決策表中，QF2和CO2的值便是1，其余為0。故障決策向量可以寫為[QF1-QF5；CO1(RR1)-CO5；區(qū)域]。其中保護(hù)及斷路器狀態(tài)信息作為輸入向量，五個(gè)故障區(qū)域(Sec1～Sec5)用作神經(jīng)網(wǎng)絡(luò)的輸出向量，若干個(gè)輸入量對(duì)應(yīng)一個(gè)輸出量。本算例中設(shè)置一組向量，根據(jù)保護(hù)及開關(guān)情況，一組向量中共13組狀態(tài)量，其中有12個(gè)為判斷條件，1組為決策結(jié)果，12個(gè)判斷條件對(duì)應(yīng)一個(gè)結(jié)果，判斷條件即為訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸入量，結(jié)果即為輸出量。以故障區(qū)域2為例，其向量為[0 1 0 0 0 0 0 1 0 0 0 0；S2 ]。根據(jù)故障區(qū)域的不同(五個(gè)故障區(qū)域，一個(gè)無(wú)故障區(qū)域)，構(gòu)建13組用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的向量，即訓(xùn)練樣本，用此樣本來(lái)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，最終得到符合要求的網(wǎng)絡(luò)結(jié)構(gòu)。

3.3 故障信息的獲取

故障信息即為故障樣本，用以檢驗(yàn)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)是否具備診斷功能。與故障決策表不同的是此中信息不盡是正確數(shù)據(jù)，此外還含有錯(cuò)誤動(dòng)作信息。在故障信息向量中，表示方法為括號(hào)外為真實(shí)數(shù)據(jù)，括號(hào)內(nèi)數(shù)據(jù)表示為沒有信息畸變時(shí)的正確信息。例如仍以故障區(qū)域2為例，構(gòu)造一故障信息向量[0 1 0 0 0 0 0 1 1(0)0 0 0；S2]，代表“CO3”數(shù)據(jù)發(fā)生了畸變，本身CO3沒有動(dòng)作，但是上傳信息過(guò)程中發(fā)生了畸變，誤傳為動(dòng)作。

3.4 BP神經(jīng)網(wǎng)絡(luò)建模

BP神經(jīng)網(wǎng)絡(luò)建模包含輸入層、輸出層、隱含層以及訓(xùn)練函數(shù)等主要因素的確定，其中以隱含層的確定最為重要。

輸入層的確定：輸入層節(jié)點(diǎn)的確定和樣本有關(guān)，需要根據(jù)特定樣本來(lái)選擇，其中樣本提取出的故障決策表決策元素的數(shù)量便是BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)的數(shù)量，本案例中判斷條件有12個(gè)，故輸入層節(jié)點(diǎn)數(shù)為12。

輸出層的確定:輸出層節(jié)點(diǎn)的確定和診斷區(qū)域有關(guān)，其數(shù)量代表著待診斷的元件或者區(qū)域的數(shù)量，即元件或區(qū)域的數(shù)量與輸出節(jié)點(diǎn)的數(shù)量相等。本案例中輸出有6個(gè)(5個(gè)故障區(qū)域以及1個(gè)無(wú)故障區(qū)域)，故輸出層節(jié)點(diǎn)數(shù)為6。

隱含層節(jié)點(diǎn)數(shù)的確定:隱含層的節(jié)點(diǎn)數(shù)目前的應(yīng)用一般根據(jù)經(jīng)驗(yàn)公式得到。

根據(jù)經(jīng)驗(yàn)公示：

(5)

上式中，m為輸入層節(jié)點(diǎn)數(shù)，n為輸出層的節(jié)點(diǎn)數(shù)，而結(jié)果l則為隱含層的節(jié)點(diǎn)數(shù)，d為0-10之間的整數(shù)，易知m為12，n為6，則根據(jù)上式可以得到隱含層節(jié)點(diǎn)數(shù)在4-14之間。通過(guò)經(jīng)驗(yàn)公式只能得到一個(gè)大致的范圍，并不能確定某一具體的層數(shù)。所以為了選取最合適的隱含層，本文提出一種選取最佳隱含層節(jié)點(diǎn)數(shù)的方法：設(shè)定目標(biāo)誤差0.001，學(xué)習(xí)速率0.01，記錄達(dá)到目標(biāo)誤差產(chǎn)生的訓(xùn)練誤差，選擇最小的即為最合適的節(jié)點(diǎn)數(shù)。

表1 隱含層節(jié)點(diǎn)數(shù)與訓(xùn)練誤差、迭代次數(shù)Tab.1 Number of hidden layer nodes, training error and iteration times

下圖為根據(jù)表1繪制的誤差關(guān)系圖：

圖6 隱含層節(jié)點(diǎn)數(shù)與總體訓(xùn)練誤差、迭代次數(shù)關(guān)系Fig.6 Relationship between the number of hidden layer nodes and the overall training error and the number of iterations

根據(jù)圖6可以，迭代次數(shù)最小的隱含層節(jié)點(diǎn)數(shù)有8、10、11、13、14，而根據(jù)誤差訓(xùn)練曲線圖可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為10或11時(shí)，誤差較小，綜合迭代次數(shù)及訓(xùn)練誤差，本文選擇隱含層節(jié)點(diǎn)數(shù)為10。訓(xùn)練算法則選用trainlm算法。

4 實(shí)例分析

根據(jù)圖5電網(wǎng)拓?fù)浣Y(jié)構(gòu)，首先通過(guò)構(gòu)建好的故障決策表(13組向量)，根據(jù)已經(jīng)確定的BP神經(jīng)網(wǎng)絡(luò)參數(shù)對(duì)其進(jìn)行訓(xùn)練，在達(dá)到所設(shè)定的目標(biāo)值時(shí)便停止迭代，得到一個(gè)訓(xùn)練結(jié)束參數(shù)固化的BP神經(jīng)網(wǎng)絡(luò)，用此神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)再對(duì)不含于初始訓(xùn)練樣本的數(shù)據(jù)進(jìn)行計(jì)算，來(lái)達(dá)到故障定位的目的。訓(xùn)練過(guò)程中的誤差曲線如下：

圖7 訓(xùn)練誤差曲線Fig.7 Training error curve

為了能夠客觀評(píng)價(jià)此神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)故障定位的作用及效果，用此網(wǎng)絡(luò)對(duì)含有畸變量的故障信息表進(jìn)行診斷，進(jìn)而得出診斷結(jié)果進(jìn)行判斷，診斷結(jié)果如下：

表2 診斷結(jié)果Tab.2 Diagnostic results

如表2中的數(shù)值，用(0，1)范圍內(nèi)的數(shù)值來(lái)代表診斷結(jié)果，數(shù)值越大越接近于1，說(shuō)明診斷為本區(qū)域；數(shù)值越小越接近于0，說(shuō)明故障區(qū)域?yàn)楸緟^(qū)域的可能越小。從診斷結(jié)果可以看出，對(duì)于樣本1-5可以正確診斷出故障區(qū)域，對(duì)于樣本6(復(fù)雜故障)未能準(zhǔn)確識(shí)別。說(shuō)明BP神經(jīng)網(wǎng)絡(luò)用于電網(wǎng)故障元件的定位是有效的，在發(fā)生信息畸變的時(shí)候，利用其容錯(cuò)性強(qiáng)的能力可以正確識(shí)別故障區(qū)域，達(dá)到了預(yù)期目標(biāo)。應(yīng)用在電網(wǎng)調(diào)控運(yùn)行時(shí)，可以在發(fā)生故障第一時(shí)間從各類上傳的警告及動(dòng)作信息中判斷出故障區(qū)域，幫助調(diào)控運(yùn)行人員準(zhǔn)確判斷，從而輔助決策，正確處理電網(wǎng)故障，有利于電網(wǎng)安全運(yùn)行。

5 結(jié)論與展望

本文提出了一種基于人工智能技術(shù)進(jìn)行電網(wǎng)故障診斷的新思路，詳細(xì)給出了利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電網(wǎng)故障定位的算法流程，以及各項(xiàng)參數(shù)的確定方法，包含輸入層、輸出層以及隱含層節(jié)點(diǎn)數(shù)的確定方法，給出了具體計(jì)算步驟和分析過(guò)程，最后通過(guò)算例分析說(shuō)明了其有效性和準(zhǔn)確性。結(jié)果表明：

(1)BP神經(jīng)網(wǎng)絡(luò)非線性擬合能力強(qiáng)，利用BP神經(jīng)網(wǎng)絡(luò)其容錯(cuò)性強(qiáng)的特點(diǎn)，模擬人腦非線性擬合的功能，可以看出對(duì)于復(fù)雜的問題的判斷具有很好效果，將其應(yīng)用在電網(wǎng)故障定位中是可行且有效的，有助于電網(wǎng)安全運(yùn)行。

(2)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行電網(wǎng)故障區(qū)域定位，可以很好甄別畸變信息，當(dāng)電網(wǎng)發(fā)生單一故障時(shí)，能夠自動(dòng)過(guò)濾掉畸變無(wú)用信息，準(zhǔn)確地定位故障區(qū)域，得出診斷結(jié)果，有助于調(diào)控運(yùn)行人員準(zhǔn)確快速處理電網(wǎng)故障，保障電網(wǎng)安全運(yùn)行。

(3)在面對(duì)非常復(fù)雜的故障，或所診斷的狀態(tài)信息畸變率比較高時(shí)，診斷結(jié)果存在一定的局限性，因此未來(lái)對(duì)于這種局限性可以融合它類人工智能技術(shù)進(jìn)行改進(jìn)。