芻議人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用

蔣羽鵬

摘 要：增強(qiáng)電力系統(tǒng)運(yùn)行的安全性與穩(wěn)定性，能夠有效防止重大電力安全事故的發(fā)生，保障用戶用電質(zhì)量的同時(shí)，提升電力企業(yè)的經(jīng)濟(jì)效益。由于受到多種外界因素的影響，電力系統(tǒng)在運(yùn)行中會出現(xiàn)不同類型的故障，只有對其進(jìn)行及時(shí)診斷與處理，才能消除其運(yùn)行中的安全隱患，避免對人們的生命財(cái)產(chǎn)安全造成威脅。隨著人工智能技術(shù)的發(fā)展，在故障診斷中得到廣泛應(yīng)用，能夠促進(jìn)工作效率與質(zhì)量的提升。本文將通過分析人工智能技術(shù)的基本概念與種類，探索人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用措施。

關(guān)鍵詞：人工智能技術(shù);電力系統(tǒng);故障診斷;應(yīng)用

中圖分類號：M76 文獻(xiàn)標(biāo)識碼：A 文章編號：1671-2064（2020）02-0147-02

隨著社會生產(chǎn)生活水平的提升，對于電力資源的需求也在逐年增大，這也給電力系統(tǒng)的運(yùn)行帶來了新的挑戰(zhàn)。自然環(huán)境因素、人為因素和技術(shù)因素等等，都會干擾系統(tǒng)的正常運(yùn)行，導(dǎo)致故障問題的產(chǎn)生，降低了系統(tǒng)運(yùn)行的可靠性。故障診斷應(yīng)該保障及時(shí)性與精確性，防止對社會用電造成嚴(yán)重的影響。隨著智能電網(wǎng)建設(shè)的逐步開展，人工智能技術(shù)與電力系統(tǒng)的融合度明顯提高，有利于促進(jìn)電力行業(yè)朝著智能化與自動化方向發(fā)展。尤其是在當(dāng)前電力市場競爭逐漸加劇的趨勢下，只有保障供電的連續(xù)性與安全性，才能增強(qiáng)電力企業(yè)競爭實(shí)力。在電力系統(tǒng)中應(yīng)用人工智能技術(shù)時(shí)，應(yīng)該明確該技術(shù)的基本原理，根據(jù)當(dāng)前系統(tǒng)運(yùn)行特點(diǎn)制定針對性技術(shù)應(yīng)用方案。

1人工智能技術(shù)概述

人工智能技術(shù)是集神經(jīng)學(xué)、腦科學(xué)和信息技術(shù)為一體的先進(jìn)技術(shù)，在社會各個領(lǐng)域當(dāng)中得到廣泛應(yīng)用，是當(dāng)前科技領(lǐng)域的研究重點(diǎn)。人工智能技術(shù)模仿了人腦的工作原理與行為方式，以自動化機(jī)器為基礎(chǔ)對問題進(jìn)行識別、分析和解決。在電力企業(yè)的運(yùn)營生產(chǎn)當(dāng)中，人工智能技術(shù)逐漸得到應(yīng)用，能夠減輕人力負(fù)擔(dān)，實(shí)現(xiàn)各項(xiàng)資源的優(yōu)化配置。故障樣本被大量采集后，能夠增強(qiáng)設(shè)備對故障的反應(yīng)速度，以便工作人員及時(shí)對其進(jìn)行處理[1]。人工神經(jīng)網(wǎng)絡(luò)、智能模糊邏輯、遺傳算法和混合邏輯等等，是當(dāng)前人工智能技術(shù)的主要類型。不同技術(shù)類型與原理存在較大的差異性，在應(yīng)用于故障診斷時(shí)需要結(jié)合技術(shù)特點(diǎn)加以合理選擇。

2人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用

2.1故障診斷中ES的應(yīng)用

專家系統(tǒng)（ES）在電力系統(tǒng)故障診斷中的應(yīng)用已經(jīng)十分廣泛，屬于AI領(lǐng)域的重點(diǎn)組成部分，在知識工程研究中發(fā)揮著關(guān)鍵作用。運(yùn)用ES原理時(shí)，需要以知識處理與知識運(yùn)用的相關(guān)理論為基礎(chǔ)。除了能夠?qū)ο嚓P(guān)定性問題進(jìn)行處理外，在解決問題的過程中能夠?qū)＜医?jīng)驗(yàn)與知識進(jìn)行總結(jié)。因此，消除了傳統(tǒng)解析方法的局限性，縮小了求解問題的知識搜索范圍，促進(jìn)問題解決效率的提升。在解釋推理所用知識、過程以及結(jié)論時(shí)，主要借助于專家系統(tǒng)的解釋模塊。將ES應(yīng)用于電力系統(tǒng)的故障診斷當(dāng)中，由于在推理結(jié)構(gòu)和表達(dá)方式上存在差異，因此也呈現(xiàn)出不同的特點(diǎn)[2]?；谥R模型表示法、基于謂詞邏輯表示法、基于面向?qū)ο蟊硎痉ā⒒诳蚣苁奖硎痉ê突诋a(chǎn)生式規(guī)則表示法等，是ES在電力系統(tǒng)故障診斷中常用的知識表達(dá)方式。

在知識描述過程中，謂詞邏輯法的應(yīng)用較為普遍，知識庫的構(gòu)造主要通過保護(hù)和斷路器信息實(shí)現(xiàn)。該知識庫能夠?qū)崿F(xiàn)對保護(hù)和斷路器動作關(guān)系、電力系統(tǒng)結(jié)構(gòu)以及斷路器狀態(tài)的描述，同時(shí)對保護(hù)原理、故障位置規(guī)則與啟發(fā)性知識等加以描述，多重故障、保護(hù)和斷路器誤動、拒動診斷功能得以實(shí)現(xiàn)。但是在實(shí)際應(yīng)用中也存在診斷效率與靈活性不高的問題[3]。診斷規(guī)則知識庫既能夠合理評價(jià)保護(hù)和斷路器，也能夠有效診斷變壓器、輸電線和母線等，這是產(chǎn)生式規(guī)則的主要特征。在對故障進(jìn)行分析時(shí)，通過對比規(guī)則庫和故障信息就可以快速實(shí)現(xiàn)，在因果關(guān)系分析中的應(yīng)用較多，但是在系統(tǒng)結(jié)構(gòu)描述中卻呈現(xiàn)出一定的局限性。

2.2故障診斷中ANN的應(yīng)用

與ES相比較而言，ANN省去了專業(yè)知識與專家啟發(fā)性知識轉(zhuǎn)化、知識庫構(gòu)造等環(huán)節(jié)，因此能夠大大提升故障診斷的效率。對專家的提供的故障實(shí)例進(jìn)行采集，完成故障診斷ANN模型訓(xùn)練樣本集的構(gòu)造，并開展針對性訓(xùn)練。ANN在監(jiān)督訓(xùn)練當(dāng)中，能夠完成相應(yīng)知識的自我組織與自我學(xué)習(xí)，其知識表達(dá)方式屬于隱形表達(dá)，聯(lián)想能力與泛化能力更強(qiáng)。ANN權(quán)值當(dāng)中蘊(yùn)含著問題的求解，其隱式推理大大提升了計(jì)算的速度。規(guī)模大小并不會對其推理速度產(chǎn)生影響，而且其魯棒性、自我學(xué)習(xí)能力和自我組織能力等較強(qiáng)，在故障診斷、故障定位和故障類型識別當(dāng)中呈現(xiàn)出巨大的優(yōu)勢。

在構(gòu)建FNN模型時(shí)以BP算法為基礎(chǔ)，對其動量因子取值進(jìn)行優(yōu)化，能夠解決訓(xùn)練速度慢的弊端。同時(shí)，也可以運(yùn)用局部逼近的徑向基函數(shù)，對RBF-NN、BP-FNN以及自適應(yīng)RBF-NN模型進(jìn)行構(gòu)造，其輸入和輸出分別為保護(hù)和斷路器狀態(tài)、故障位置。其具有較快的學(xué)習(xí)收斂速度與泛化能力[4]。NN組合模型的構(gòu)建，能夠使基于ANN的FD-PS容錯性得到改善。在故障診斷中也可以采用Boltzmann機(jī)和BP-NN模型，在Boltzmann機(jī)中存儲報(bào)警模式，能夠保障糾錯處理的實(shí)時(shí)性，結(jié)合BP-NN模型完成故障的診斷，使診斷容錯性得到大大提升。

2.3故障診斷中FST的應(yīng)用

FST的核心是模糊集合理論，對于不確定事件的描述引入了迷糊隸屬的概念，加上近似推理與語言變量模糊邏輯的應(yīng)用，能夠?qū)崿F(xiàn)對專家經(jīng)驗(yàn)的有效表述。將FST應(yīng)用于電力系統(tǒng)的故障診斷當(dāng)中，能夠促進(jìn)系統(tǒng)容錯性的增強(qiáng)，在實(shí)踐應(yīng)用中通常與ANN、ES和GA等結(jié)合使用。在電力系統(tǒng)故障診斷中雖然具有明確的信息，但是動作保護(hù)器與斷路器狀態(tài)的關(guān)聯(lián)關(guān)系不夠明確，在對其進(jìn)行描述時(shí)就可以應(yīng)用模糊隸屬度。診斷結(jié)果模糊輸出中通常會結(jié)合ANN和ES使用，以動作保護(hù)、斷路器狀態(tài)賦予報(bào)警信息的可信度為基礎(chǔ)，模糊化處理診斷模型的輸入信息，其輸出的解釋則由反模糊系統(tǒng)完成，其結(jié)論更具語言化特征。當(dāng)存在不明確的關(guān)聯(lián)關(guān)系時(shí)，對其進(jìn)行描述時(shí)運(yùn)用模糊數(shù)學(xué)。以可能的故障為基礎(chǔ)，對故障點(diǎn)對報(bào)警信息的可能通路進(jìn)行尋找，明確故障點(diǎn)與保護(hù)裝置、保護(hù)裝置與斷路器關(guān)聯(lián)關(guān)系的總模糊度，進(jìn)而實(shí)現(xiàn)對故障診斷位置可能性的描述。隸屬函數(shù)在對不確定性問題進(jìn)行描述時(shí)，隸屬函數(shù)類型成了該工作實(shí)施的關(guān)鍵問題，同時(shí)需要也應(yīng)該考慮到故障診斷中的不確定性因素、實(shí)時(shí)信息的可信度因素等等。

2.4故障診斷中GA的應(yīng)用

以Mendel遺傳學(xué)說和Darwin自然選擇學(xué)說為基礎(chǔ)，GA逐漸發(fā)展起來，在解決復(fù)雜性問題時(shí)對生物遺傳和進(jìn)化進(jìn)程加以模仿。優(yōu)化問題的可行解以人工染色體表示，初始解群的構(gòu)建采用隨機(jī)方式，以自然選擇為基礎(chǔ)，提升局部或者全局最優(yōu)解的概率[5]。GA的優(yōu)點(diǎn)在于省去了繁雜的數(shù)學(xué)過程，無需選擇處理訓(xùn)練樣本。在電力系統(tǒng)故障診斷中應(yīng)用GA時(shí)，以0-1整數(shù)規(guī)劃問題替代故障診斷問題，明確斷路器動作的時(shí)序信息，通過故障診斷適應(yīng)度函數(shù)模型的構(gòu)建，解決了復(fù)雜故障問題的診斷難題。故障信息也可以應(yīng)用無源信息加以識別，故障診斷系統(tǒng)的構(gòu)建需要依賴于模擬退火法、Boltzmann機(jī)法和簡單GA與高級GA等，全局最優(yōu)解的獲取更加高效而準(zhǔn)確。在電力系統(tǒng)故障診斷中應(yīng)用GA，即使診斷信息缺乏完整性，也能夠得到局部最優(yōu)或者全局最優(yōu)的診斷結(jié)果。但是，在實(shí)踐應(yīng)用中會受到信息畸變和故障模式復(fù)雜性的影響，導(dǎo)致結(jié)果可靠性降低。在后續(xù)研究工作當(dāng)中，應(yīng)該以被診斷對象特征為依據(jù)，對故障診斷適應(yīng)度函數(shù)的容錯性加以改進(jìn)，明確迭代操作結(jié)束的準(zhǔn)則，同時(shí)確保最終結(jié)果為近似最優(yōu)解或者最優(yōu)解。

2.5故障診斷中Petri的應(yīng)用

以構(gòu)造有向圖的組合模型為基礎(chǔ)，Petri網(wǎng)絡(luò)能夠運(yùn)用矩形運(yùn)算描述嚴(yán)格定義的數(shù)學(xué)對象。無論是在靜態(tài)結(jié)構(gòu)分析還是在動態(tài)行為分析當(dāng)中，Petri網(wǎng)分析法都呈現(xiàn)出較大的優(yōu)勢。在對系統(tǒng)組織結(jié)構(gòu)與動態(tài)行為進(jìn)行研究時(shí)，能夠定性、定量分析系統(tǒng)同時(shí)循環(huán)發(fā)生、同時(shí)發(fā)生和次序發(fā)生的活動過程。在離散事件動態(tài)系統(tǒng)建模與分析中，Petri網(wǎng)絡(luò)得到廣泛應(yīng)用。電力系統(tǒng)故障就具有動態(tài)性和離散性的特點(diǎn)，故障反映在保護(hù)動作和系統(tǒng)電壓當(dāng)中，事件活動有故障切除的過程構(gòu)成。繼電保護(hù)、斷路器和自動裝置等實(shí)體活動和控制指令發(fā)送、信號傳遞、監(jiān)測信號流等信息流活動等，是其中的動態(tài)事件。因此能夠有效描述電力系統(tǒng)的故障動態(tài)過程，診斷模型的構(gòu)建則可以通過Petri網(wǎng)實(shí)現(xiàn)。故障切除過程的Petri網(wǎng)絡(luò)模型構(gòu)建使，以電力設(shè)備為基本單位，并對該網(wǎng)絡(luò)模型求解。不僅能夠獲得清晰的系統(tǒng)物理概念，而且在診斷中提升了數(shù)學(xué)求解的速度，能夠保障診斷的實(shí)時(shí)性。Petri網(wǎng)絡(luò)模型會受到斷路器不正確動作的影響，應(yīng)該設(shè)置相應(yīng)的模塊對其進(jìn)行識別。在Petri網(wǎng)絡(luò)模型的未來發(fā)展中，也需要對保護(hù)多重性配置、時(shí)間差異等進(jìn)行深入研究。嵌入冗余Petri網(wǎng)的方法也得到應(yīng)用，錯誤伴隨式矩陣在Petri網(wǎng)中的加入，能夠?qū)κ录蛄泻托畔⒘鞑徽r(shí)的故障診斷進(jìn)行控制，以差錯控指編碼技術(shù)為基礎(chǔ)獲取并分析故障診斷信息。

2.6故障診斷中DM的應(yīng)用

數(shù)據(jù)挖掘技術(shù)是數(shù)據(jù)庫知識發(fā)現(xiàn)的關(guān)鍵技術(shù)，實(shí)現(xiàn)了數(shù)據(jù)庫技術(shù)與人工智能技術(shù)的有機(jī)融合[6]。尤其是在當(dāng)前大數(shù)據(jù)時(shí)代，信息數(shù)據(jù)呈現(xiàn)出海量化的特征，應(yīng)用數(shù)據(jù)挖掘技術(shù)能夠?qū)崿F(xiàn)對有效信息的快速提取，同時(shí)明確數(shù)據(jù)之間的內(nèi)在規(guī)律。在增強(qiáng)數(shù)據(jù)庫存儲功能的同時(shí)，明確過去數(shù)據(jù)的內(nèi)在聯(lián)系，對其背后隱藏的重要信息進(jìn)行挖掘。該類信心能夠?qū)?shù)據(jù)整體特征加以描述，同時(shí)預(yù)估其發(fā)展趨勢，為決策制定奠定基礎(chǔ)。因此，應(yīng)用DM能夠大大降低主觀因素對分析判斷的影響，在社會各領(lǐng)域當(dāng)中得到廣泛應(yīng)用。在傳統(tǒng)模式下，電力系統(tǒng)故障的診斷需要借助于專家向調(diào)度中心傳遞動作信息，調(diào)度員再對其進(jìn)行全面化分析以對故障原因與位置進(jìn)行判斷，不僅效率低下，而且難以保障問題解決的實(shí)效性。數(shù)據(jù)挖掘技術(shù)的應(yīng)用，則大大減輕了工作人員的負(fù)擔(dān)，有效適應(yīng)當(dāng)前大數(shù)據(jù)時(shí)代下故障診斷的工作要求。

3結(jié)語

在電力系統(tǒng)故障診斷中應(yīng)用人工智能技術(shù)，能夠消除人為因素對故障診斷精確性造成的影響，大大提升了系統(tǒng)的運(yùn)行可靠性，是促進(jìn)電力行業(yè)可持續(xù)發(fā)展的關(guān)鍵。在實(shí)踐應(yīng)用當(dāng)中，應(yīng)該明確ES、ANN、FST、GA、Petri和DM等各項(xiàng)技術(shù)的基本特點(diǎn)及其在故障診斷中的具體應(yīng)用方式，并在未來發(fā)展中對其進(jìn)行逐步優(yōu)化與改進(jìn)。

參考文獻(xiàn)

[1] 閆國珍.對目前人工智能在電力系統(tǒng)故障診斷中的應(yīng)用探討[J].中國新通信，2019，21（08）：98.

[2] 張瑞強(qiáng).人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].現(xiàn)代信息科技，2019，3（03）：29-31.

[3] 鄭健生.人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].科技與創(chuàng)新，2019（02）：136+139.

[4] 林允.人工智能技術(shù)在電力系統(tǒng)故障診斷中應(yīng)用[J].中國戰(zhàn)略新興產(chǎn)業(yè)，2017（36）：140-141.

[5] 趙啟純.人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].電腦知識與技術(shù)，2017，13（02）：183-185.

[6] 郭步陽.試論人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用[J].科技創(chuàng)新與應(yīng)用，2015（34）：206.