人工智能技术在电力系统故障诊断中应用及最新发展动向


  在FD-PS中,由于各种保护的动作逻辑,保护与断路器之间的因果关系易于用模块化的规则集表示,故不少ES采用产生式规则来描述知识[8,9]。文献[8]则根据诊断的对象不同,将诊断规则知识库分为两类:一类属于对保护和断路器进行评价的规则库;另一类则是输电线、变压器、母线诊断的知识库。当发生故障时,将事故信息与相应的规则库相匹配,得出故障结果。基于产生式规则的知识表示结构便于增加、删除或修改一些规则。它适宜于表示因果关系的知识,但难于描述电力系统结构性的知识,且这种知识表达方式对层次性、继承性知识的表达能力较差,降低了推理的效率。
  基于框架理论表示法是将概念性和经验性的知识事例、事件细节,用类似框架的通用数据结构描述的一种结构化知识表达方式。由于电力系统中网络结构复杂,设备之间存在各种拓扑关联和电气关联,宜于用框架结构来描述[5~6,10~11]。文献[10~11]通过线路框架表示厂站和厂站的连接关系,形成框架网络,将电网的整个拓扑结构知识清晰描述。框架可灵活的形成层次关系,继承属性使表达简单,简化复杂的推理知识,其缺点是不善于表达过程性的知识。
  基于知识模型表示法[12,13]用“与,或”逻辑元代替传统的经验启发式规则来表示各电力系统设备内在功能,各设备与各种输入信息间的物理连接关系,构造被诊断系统内各种设备的知识逻辑模型。这种表达方式描述了对象的整个逻辑推理的过程,就相当于过程式知识描述,不同处是根据信息的具体情况嵌入相应的逻辑运算,使整体概念和行为更清晰。文献[12]是通过用“与,或”逻辑元表示断路器与保护之间多重性关系,并将它们有序连接构成所要诊断的电力系统“前向”逻辑电路模型。当发生事故时,根据所得到事故信息输入电路模型,再由电路模型的输出与实际断路器的状态相比较,最后给出诊断结果或相应的诊断假设进行进一步的推理。基于知识模型表示法是将电力设备表示为等效的逻辑元件,它是局部的整体性,缺乏整个ES的通用性及层次性,并对诊断假设的验证推理增加了复杂性。
  面向对象的知识表达方法是随着面向对象技术和语言而推出的。将研究问题抽象为类,将类实例化为对象,通过采用继承和封装技术,减少了知识表达的冗余性和易于知识库修改[14~16]。文献[15]通过分析被诊断系统每个组成设备的属性,用不同层次类来描述相应的电网组成设备,并由对象的实体来描述整个电网在故障情况下它们的动态可能行为。在此基础上将推理机的诊断过程用面向对象技术进行处理。这种知识表示方法在本质上与框架式表示法没有质的区别,但由于面向对象技术和语言的发展而赋予新的定义,使其在表达方式上更简洁、清晰。同时将框架理论的优点更充分的发挥,特别是对逻辑推理过程的适应能力增强。
  在电力系统故障诊断的ES中,常用的推理机制可以划归为正向推理、反向推理、正反向混合推理三种基础推理结构。
  文献[17]输电线路故障诊断中采用正向推理。根据系统发生故障时,跳闸的断路器和动作的保护信息作为驱动输入,按照知识指导的推理策略调动知识库在相关空间中规则,搜索求得故障诊断的结果(由网络结构信息、断路器状态、断路器与保护装置的连接和保护系统的属性等组成)。当规则的条件部分与诊断输入信息相匹配,就将该规则作为可用规则放入候选队列中,再通过冲突消解,将其作为进一步推理的证据直至得到诊断结果。
  反向推理首先提出假设,然后寻找支持该假设的证据,若所需证据都能够找到,则表明该假设成立,反之假设不成立[7]。这种推理方法极少单独在FD-PS中使用,而是与前向推理相结合,用于构造正反向混合推理[18~20]。文献[18]中对输电线和配电网报警处理和故障诊断ES的推理机是采用基于正反向混合推理机结构,首先根据跳闸断路器的保护信息进行初步推理,得到故障设备的假设。根据所得假设,再用断路器和保护设备之间的逻辑规则进行反向推理,验证假设的故障设备的正确性,有效的缩小查找故障范围。
  综上所述,基于ES技术的电力系统故障诊断系统的研究已有近20年的历史。随着计算机和语言技术、智能技术的发展,使知识表达形式和结构也随之有所相应的变化,在知识获取和构造方面有很多的改进,其发展的趋势是力图使知识获取、知识表达工作简化,进而使故障诊断的推理效率得到提高。但ES基于知识实现故障诊断的推理逻辑过程原理是不变的,因此,在实际应用中的某些缺陷仍不能忽视。