肖隆恩，李闫远，熊洋建，王绍坤

（1.三峡大学 电气与新能源学院，湖北 宜昌 443002；2.国网湖北省荆州供电公司检修分公司，湖北 荆州 434000；3.国网河南省电力公司安阳供电公司，河南 安阳 455006）

0 引 言

随着电网自动化程度的提高和变电站的智能化发展，目前的EMS／SCADA系统已基本实现了各种保护动作、开关变位与模拟量信息的采集，但缺乏对所获报警信息作进一步分析和判断功能，海量的报警信息完全依靠调度和监控运行人员人工筛选、判断和处理。当发生停电事故时，难以在极短时间内准确地判断故障的性质和范围，不利于及时采取措施来避免事故范围的扩大。

初期的电力系统故障诊断系统是通过对发生事故后EMS／SCADA中相关的遥信数据的分析得到诊断结果。由于EMS／SCADA不能获取电气暂态数据，因而遥信数据的准确性和完整性对诊断的结果有很大影响［1］。为此，将故障信息系统作为新的数据源引入故障诊断的分析过程中，以进行更可靠的故障诊断［2］。故障信息能够提供故障元件的暂态录波数据，通过分析录波数据能够直接确定故障元件，简化故障诊断的复杂程度。从20世纪90年代以来，广域测量系统采集的数据也被引入到故障诊断领域中［3］。不同于EMS／SCADA与故障信息系统中的信息，广域测量系统可以提供带精确时标的电网实时断面数据，以此准确定位到故障设备。由于多种类型数据源相比单一数据源能更完整地展现故障的发生过程，因此信息融合技术被引入到电力系统故障诊断领域［4，5］，通过融合不同数据源的信息，以得到更准确的诊断结果。

当前国内外已提出了多种故障诊断方法，比较成熟的有基于专家系统、解析模型与人工神经网络的方法。此外，Petri网络、贝叶斯网络、模糊集及粗糙集等技术或方法也被运用于电网故障诊断中，这些方法目前仍处于研究阶段。

1 国内外研究发展现状

1.1 专家系统的诊断方法

专家系统的诊断方法将保护与断路器的动作逻辑和专家经验用规则表达，通过将实际故障信息与规则匹配的方式推理故障元件，具有推理能力强和解释故障过程的特点。依据故障诊断的知识表示以及推理策略的不同，专家系统可分为两类［6］：

（1）基于启发式规则推理的系统。这类系统把保护、开关的动作逻辑与调度员的经验用规则表述成为该系统的知识库，然后通过数据驱动的正向推理把获取的征兆和知识库中的规则作对比，从而给出诊断的结果。文献［7］采用拓扑信息、保护装置动作规则，根据专家经验的启发式知识和告警信号进行不精确反向推理得到故障诊断结果，并对保护装置的数据结构及其与拓扑知识的关系，以及设备误动、拒动的识别和多故障诊断功能中的不确定性进行讨论。

（2）结合正、反推理的系统。这类专家系统采用反向推理，以缩减可能发生事故的范围。文献［8］介绍了基于正反向推理的故障诊断专家系统，讨论了推理规则和发生复杂事故时计算可信度的方法，该系统先由开关跳闸信号提出故障假说，再依据保护与断路器的动作信号验证假说的正确性，最后得到事故元件或范围。

基于专家系统的诊断方法在应用中主要有以下不足：a.大规模专家系统知识库的建立和维护有较大困难；b.专家系统是利用对规则的搜索与匹配进行逻辑推理的，对不确定性信号（如保护与断路器动作不正确、告警信号不完整等）的处理效果不理想，不能有效辨别错误信号，因此容错能力较差；c.在处理多重故障时可能出现组合爆炸及推理速度缓慢的问题。

1.2 解析模型的诊断方法

解析模型的诊断方法是通过构造一个反映保护和断路器实际状态与期望状态间差异的目标函数，然后采用优化算法来求得目标函数最小值，得到的最优解对应的故障假设即是最终的诊断结果。通常采用的算法主要有遗传算法、Tabu算法、蚁群算法和粒子群算法等，这些方法可以解出全局最优或局部最优的故障诊断结果。文献［9］提出了产生事故时保护与开关动作的告警信号对不可观测的保护（即动作信息在调控中心无法获取的保护）状态进行识别的概念，构建了能辨识不可观测保护状态并进行故障诊断的0－1整数规划模型。由于保护和开关有拒动或误动的可能性，且上传的告警信息可能会有误报或丢失的情况，因此文献［10］构建了一种基于模糊外展推理的故障诊断模型，以同时处理这两种不确定因素的影响。

基于解析模型的故障诊断方法具有严密的数学模型，相对于专家系统，简化了逻辑推理的过程，适用于告警信息完整、正确的电网故障诊断中。该方法的不足之处主要有：a.目标函数的构造需要考虑多级后备保护以及对不确定性告警信息的处理能力，因此构建合理的数学模型有一定难度；b.优化算法在求解时有不确定性，可能会遗漏某些最优解；c.在求解的过程中需要迭代，使得故障诊断所需的时间较长。

1.3 人工神经网络的诊断方法

与专家系统相比，人工神经网络（Artificial Neural Networks，ANN）有鲁棒性好、容错性高、学习能力强的优点。目前应用于电网故障诊断的ANN方法主要有以下两种：基于BP算法的前向神经网络与基于径向基函数（Radial Basis Function，RBF）的神经网络。

（1）BP神经网络模型的实现方法：以保护装置动作信号为神经网络的输入，以可能的事故为输出，选择合适的样本对神经网络进行训练。为解决大型电力系统的实时故障诊断问题，文献［11］对大规模电网进行分区，各区域构造基于BP算法的ANN，通过采用分布式处理方式减轻故障变电站和调度中心间的通信负担，并结合各区域得到最终结果。

（2）RBF神经网络有任意函数逼近能力，并且学习速度快，隐藏神经元数目可以于参数优化过程中自动确定，构造RBF神经网络的关键问题就是在训练时进行参数优化。文献［12，13］利用网络分割法把大型电网分为给定数目的连通子网络，各个子网的诊断负担大致相同，并且每个子网边界的元件数量最少，再利用RBF神经网络对各个网络进行诊断。

ANN的长处在于避免了专家系统面对的建立知识库的问题，不用进行推理机的建立。ANN进行故障诊断的不足如下：a.其性能由样本的完备性决定，然而对于大规模电网，难以获得完备的样本集对神经网络进行训练；b.和符号数据库进行交互的能力不强；c.不擅长处理启发性的知识；d.无法保证ANN训练过程中收敛的速度以及不陷入局部最小；e.不能对自身行为及给出的结论做出解释。上述问题制约了神经网络方法应用于大规模电网的在线诊断。

1.4 Petri网的诊断方法

Petri网有直观的图形化表达，可以通过图形的方式表示出系统的功能关系与动态流程，可以利用数学方法对网络特性进行推导与分析，表现系统的结构，分析其动态行为，很适于表示并发、顺序、同步、冲突等事件［14］，从而使复杂的逻辑关系形象化。

文献［15］对各设备构造了故障清除过程（故障—保护动作—断路器动作）的模型，并对其中图形的有向弧反转后获取电力系统故障诊断Petri网模型。考虑到Petri网对告警信号不确定性（保护或开关信号丢失或错误）的处理能力不强，文献［16］对基于Petri网与概率信息的诊断方法进行了讨论，运用Petri网进行建模的同时，通过概率信息对故障诊断中不确定性信号进行处理。

Petri网络的诊断方法能够对复杂的事故演变过程作定性及定量分析，该方法存在的不足之处主要有：a.对大型电力系统应用Petri网建模时，由于元件增多与系统扩大可能导致状态的组合爆炸；b.容错性不高，较难辨识出不正确的告警信息；c.基本的Petri网无法表示对时序要求较高的行为特征，所以对复杂系统建模时，要用到谓词／变迁网、有色时间网等高级Petri网络。

1.5 贝叶斯的诊断方法

贝叶斯网拥有严密的概率论基础，利用图形化的方法来表达知识，用条件概率描述随机变量间的影响，很适于求解不确定的知识表达与推理问题。

文献［17，18］提出由 Noisy－Or与 Noisy－And节点构成贝叶斯网络，构造面向元件的故障诊断模型。该方法结构上模拟了调度员的诊断过程，首先由先验知识对模型参数初始化，再用类似训练多层前馈神经网络的误差反传算法来学习改进参数。文献［19］基于Leaky Noisy－Or贝叶斯网络进行动态建模，讨论了分布式电力系统故障诊断方法。

在电力系统故障诊断中，贝叶斯网存在的问题如下：a.如何对大规模电力系统构造模型，基于系统的模型过于复杂，基于元件的模型又忽略了设备间的关联信息，将造成结果的正确率降低；b.如何得到先验概率参数，概率参数将密切关系到结果的正确率；c.电力系统发生事故后，如何用贝叶斯网来表示保护与断路器的动作这一动态过程。

1.6 模糊理论的诊断方法

模糊理论通过引入语言变量与近似推理的模糊逻辑，适用于解决不确定性问题，其知识库利用语言变量对专家经验进行描述，符合人们的表达习惯。模糊集理论用于故障诊断主要有2类情况：

一类认为所利用的告警信号完整无误，但故障与相应的保护和开关状态之间关系有不确定性，并用模糊隶属度度量该可能性。文献［20］介绍了模糊专家系统的改进模型，使用了模糊推理方法，并对保护装置的误动与拒动进行了研究。

另一类则认为告警信号的可信度不为1，将输入信息模糊化，由电网拓扑与相应的保护、开关状态给出告警信号可信度，然后由专家系统或ANN得到诊断结论的输出［21］。

模糊集方法容错性能很好，能够处理故障诊断中保护动作不确定和告警信号不完整问题，通常要和专家系统、人工神经网络等其它智能方法一起应用，应用中的主要问题在于：a.隶属度函数要求人工设置，所以存在主观性的影响；b.构造大型复杂电网的模糊模型有一定困难，且网络的结构改变后，相关的模糊知识库与规则的模糊度也需要做出修正，故可维护性不好。

1.7 粗糙集理论的诊断方法

粗糙集理论的电网故障诊断方法一般是把输入信息作为事故分类的条件属性，依据各类可能出现的事故构建决策表，对决策表进行简化，从而获取诊断规则［22］。文献［23］采用基于粗糙集理论的数据挖掘模型来处理告警信号错误，使用粗糙集对知识域的数据集进行定性分析。为了不对故障模式空间盲目搜索，采用遗传算法来简化粗糙集的决策表，从而迅速得到最优规则。

粗糙集理论的诊断方法不足之处在于：a.诊断规则的获得由条件属性集下各种故障情况训练样本集决定；b.该方法中的决策表会在复杂事故时变得很大，可能造成组合爆炸的问题。

2 电力系统故障诊断发展趋势

（1）电网故障诊断系统的建模与维护。目前电力系统中，调度自动化平台中事故信息的数据量非常大，因此诊断系统的建模非常复杂。当诊断系统投入运行后，元件的更换与电网结构变化均需要对模型的知识表示、规则设定做相应更改，使得其可维护性能较差。如何简化建模方式，减轻维护工作量是故障诊断系统需要解决的基本问题。

（2）信息不确定时的电网故障诊断方法研究。故障诊断对保护与开关的告警信号完整性与正确性要求较高。因而，当出现数据源测点布置不足、量测元件采样错误、传输通道异常或中断及告警信号上传不同步等问题都将造成诊断出错。如何结合各类数据源上传的事故信息，有效使用冗余信息、识别错误信息、增补遗漏信息并修正时间不同步造成的事件顺序错误是故障诊断系统在线应用的必然需要。

（3）融合多种智能技术的电网故障诊断方法研究。电网故障诊断是多层次、多种类问题的求解过程，因此利用单一的智能方法仅能处理某个或某些方面的问题，诊断效果虽有改善，但不能完全解决电力系统故障诊断中的全部问题，而且只利用一种方法还可能出现一些新问题。所以，结合多种智能方法进行故障诊断将成为未来的发展趋势。

3 结束语

电网故障诊断是与电力系统的安全稳定密切相关的关键问题，自20世纪80年代以来国内外已对此进行了广泛研究，目前已提出很多故障诊断技术及方法，但实际运用中仍然没有得到理想的解决。随着电网规模的逐步扩大，结构更趋复杂化，因此对故障诊断系统提出了更高的要求。本文介绍了电网故障诊断的研究方法，论述了这些方法的特点和需要改进之处，并分析了该领域的一些主要发展方向。如何在现有EMS／SCADA系统下，将各种故障诊断方法有机融合，从而更好地满足实际应用需要，对于保证电力系统安全可靠运行、减少事故的发生与经济损失具有重要意义。

［1］ 张 旭，魏 娟，赵冬梅，等.电网故障诊断的研究历程及展望［J］.电网技术，2013，（10）：2745－2753.

［2］ 何赞峰，赵冬梅，高 曙，等.一种基于故障录波信息的电网故障诊断方法［J］.电网技术，2002，（05）：39－43.

［3］ 周子冠，白晓民，李文锋，等.基于广域测量系统的电网故障在线智能化诊断与分析方法［J］.中国电机工程学报，2009，（13）：1－7.

［4］ 许君德，赵冬梅，张东英，等.基于双数据源的地区电网故障诊断实用化应用［J］.电力系统自动化，2006，（13）：68－72.

［5］ 郭创新，彭明伟，刘 毅.多数据源信息融合的电网故障诊断新方法［J］.中国电机工程学报，2009，（31）：1－7.

［6］ 郭创新，朱传柏，曹一家，等.电力系统故障诊断的研究现状与发展趋势［J］.电力系统自动化，2006，（08）：98－103.

［7］ Lee H J，Ahn B S，Park Y M.A fault diagnosis expert system for distribution substations［J］.Power Delivery，IEEE Transactions on，2000，15（1）：92－97.

［8］ 张学军，刘小冰，阎彩萍，等.基于正反向推理的电力系统故障诊断［J］.电力系统自动化，1998，（05）：30－32，55.

［9］ 文福拴，钱源平，韩祯祥，等.利用保护和断路器信息的电力系统故障诊断与不可观测的保护的状态识别的模型与Tabu搜索方法［J］.电工技术学报，1998，（05）：1－8，51.

［10］韩祯祥，钱源平，文福拴.基于模糊外展推理和Tabu搜索方法的电力系统故障诊断［J］.清华大学学报（自然科学版），1999，（03）：57－61.

［11］Yang H T，Chang W Y，Huang C L.Power system distributed on－line fault section estimation using decision tree based neural nets approach［J］.Power Delivery，IEEE Transactions on，1995，10（1）：540－546.

［12］毕天姝， 严正，文福拴，等.基于径向基函数神经网络的在线分布式故障诊断系统［J］.电网技术，2001，（11）：27－32，37.

［13］毕天姝，焦连伟，严 正，等.用于分布式故障诊断系统的新型网络分割法［J］.电力系统自动化，2001，（16）：16－21.

［14］周 曙.基于贝叶斯网的电力系统故障诊断方法研究［D］.成都：西南交通大学，2010.

［15］Lo K L，Ng H S，Trecat J.Power systems fault diagnosis using Petri nets［C］／／Generation，Transmission and Distribution，IEE Proceedings－.IET，1997，144（3）：231－236.

［16］孙 静，秦世引，宋永华.一种基于Petri网和概率信息的电力系统故障诊断方法［J］.电力系统自动化，2003，（13）：10－14，23.

［17］Limin H，Yongli Z，Ran L，etal.Novel method for power system fault diagnosis based on Bayesian networks［C］.Power System Technology，2004 International Conference on.IEEE，2004，（1）：818－822.

［18］霍利民，朱永利，贾兰英，等.基于贝叶斯网络的电网故障诊断方法［J］.华北电力大学学报，2004，（03）：30－34.

［19］周 曙，王晓茹，钱清泉.基于贝叶斯网的分布式电网故障诊断方法［J］.电网技术，2010，（09）：76－81.

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

［21］Monsef H，Ranjbar A M，Jadid S.Fuzzy rule－based expert system for power system fault diagnosis［J］.IEE Proceedings－Generation，Transmission and Distribution，1997，144（2）：186－192.

［22］栗 然，黎静华，苏立军.基于粗糙集的改进约简算法和决策树的电网故障诊断模型［J］.继电器，2005，（18）：1－5.

［23］廖志伟，孙雅明.基于数据挖掘模型的高压输电线系统故障诊断［J］.电力系统自动化，2001，（15）：15－19.