產(chǎn)品列表PRODUCTS LIST
隨著電網(wǎng)的不斷發(fā)展和電力走向市場,人們對(duì)電網(wǎng)的安全運(yùn)行和供電可靠性的要求越來越高。電力系統(tǒng)發(fā)生故障時(shí)，要求調(diào)度人員迅速準(zhǔn)確的判別故障元件與故障性質(zhì)，及時(shí)處理故障，恢復(fù)電力系統(tǒng)的正常運(yùn)行。輸配電系統(tǒng)是電力系統(tǒng)中發(fā)電廠與電力用戶之間輸送電能與分配電能的中間環(huán)節(jié)，包括各電壓等級(jí)的輸配電線路和變電所。它的故障是不可避免的，而電力系統(tǒng)規(guī)模的不斷擴(kuò)大和各種監(jiān)控設(shè)備的應(yīng)用使得輸配電網(wǎng)絡(luò)故障診斷顯得尤為重要。因?yàn)槠淇煽啃灾笜?biāo)是影響整個(gè)電力系統(tǒng)可靠性的重要因素，其可靠性的改善將給整個(gè)電力系統(tǒng)的安全、可靠性和經(jīng)濟(jì)運(yùn)行帶來巨大的效益。所以研究工作者一直致力于發(fā)展先進(jìn)、準(zhǔn)確、的自動(dòng)故障診斷系統(tǒng).
輸配電網(wǎng)絡(luò)故障診斷主要是對(duì)各級(jí)各類保護(hù)裝置產(chǎn)生的報(bào)警信息、斷路器的狀態(tài)變化信息以及電壓電流等電氣量測量的特征進(jìn)行分析,根據(jù)保護(hù)動(dòng)作的邏輯和運(yùn)行人員的經(jīng)驗(yàn)來推斷可能的故障位置和故障類型。由于這一過程很難用傳統(tǒng)的數(shù)學(xué)方法描述,而人工智能技術(shù)則由于其善于模擬人類處理問題的過程,容易計(jì)及人的經(jīng)驗(yàn)以及具有一定的學(xué)習(xí)能力等特點(diǎn)在這一領(lǐng)域得到了廣泛的應(yīng)用。通過對(duì)網(wǎng)絡(luò)缺陷判斷的認(rèn)知過程的分析，應(yīng)用綜合知識(shí)診斷、模糊理論和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的成果，開發(fā)出一套綜合自動(dòng)邏輯分析判斷系統(tǒng)，可對(duì)缺陷進(jìn)行了分析并提供監(jiān)督處理意見，使檢修人員對(duì)問題的認(rèn)識(shí)更具全面性、有效性和針對(duì)性。本文簡要介紹了相關(guān)的人工智能技術(shù),如專家系統(tǒng)（ES）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、模糊理論（FZ）、遺傳算法（GA）等的基本概念,并在此基礎(chǔ)上按單一智能方法、綜合智能方法的應(yīng)用，分別對(duì)文獻(xiàn)中提出的相應(yīng)的輸配電網(wǎng)絡(luò)故障診斷方法進(jìn)行述評(píng),分析他們在輸配電網(wǎng)絡(luò)故障診斷中應(yīng)用的特點(diǎn)以及存在的主要問題，以促進(jìn)該研究領(lǐng)域的進(jìn)一步發(fā)展。
1單一智能方法
1．1專家系統(tǒng)
專家系統(tǒng)是人工智能應(yīng)用研究zui活躍和zui廣泛的課題之一,它是一個(gè)智能計(jì)算機(jī)程序系統(tǒng),其內(nèi)部具有大量專家水平的某個(gè)領(lǐng)域知識(shí)與經(jīng)驗(yàn),應(yīng)用人工智能技術(shù),根據(jù)某個(gè)領(lǐng)域一個(gè)或多個(gè)人類專家提供的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷,模擬人類專家的決策過程,以解決那些需要專家決定的復(fù)雜問題[1]。按其所求解問題的性質(zhì)，可把它分為幾種類型，其中的診斷專家系統(tǒng)的任務(wù)就是根據(jù)觀察到的情況（數(shù)據(jù)）來推斷出某個(gè)對(duì)象機(jī)能失常（即故障）的原因。
專家系統(tǒng)在輸電網(wǎng)絡(luò)故障診斷中的典型應(yīng)用是基于產(chǎn)生式規(guī)則的系統(tǒng),即把保護(hù)、斷路器的動(dòng)作邏輯以及運(yùn)行人員的診斷經(jīng)驗(yàn)用規(guī)則表示出來,形成故障診斷專家系統(tǒng)的知識(shí)庫,進(jìn)而根據(jù)報(bào)警信息對(duì)知識(shí)庫進(jìn)行推理,獲得故障診斷的結(jié)論?；诋a(chǎn)生式規(guī)則的故障診斷專家系統(tǒng)得以廣泛應(yīng)用主要是由故障診斷和基于產(chǎn)生式規(guī)則的專家系統(tǒng)的特點(diǎn)所決定的。輸電網(wǎng)絡(luò)中保護(hù)的動(dòng)作邏輯一級(jí)保護(hù)與斷路器之間的關(guān)系易于用直觀的、模塊化的規(guī)則表示出來;基于產(chǎn)生式規(guī)則的專家系統(tǒng)允許增加、刪除或修改一些規(guī)則,以確保診斷系統(tǒng)的實(shí)時(shí)性和有效性;能夠在一定程度上解決不確定性問題;能夠給出符合人類語言習(xí)慣的結(jié)論并具有相應(yīng)的解釋能力等。此外,框架法專家系統(tǒng)善于表達(dá)具有分類結(jié)構(gòu)的知識(shí),能夠比較清楚的表達(dá)事物之間的相關(guān)性,可以簡化繼承性知識(shí)的表述和存儲(chǔ),在輸電網(wǎng)絡(luò)報(bào)警信息處理和故障診斷中也有少量應(yīng)用。
文獻(xiàn)[2]提出了一種知識(shí)獲取的多層流式的功能模型,可以自動(dòng)獲取變電站的拓?fù)浣Y(jié)構(gòu)和保護(hù)配置等方面的知識(shí),用于產(chǎn)生變電站停電后的恢復(fù)方案，原理上有創(chuàng)新。文獻(xiàn)[3]介紹了一個(gè)基于專家系統(tǒng)和多媒體技術(shù)開發(fā)的配電變壓器測試與診斷解釋系統(tǒng)，主要用作培訓(xùn)工具，以保留和傳播專家的經(jīng)驗(yàn)與知識(shí)。文獻(xiàn)[4]采用面向?qū)ο蠹夹g(shù)開發(fā)了用于保護(hù)系統(tǒng)設(shè)計(jì)的專家系統(tǒng)，著重考慮了保護(hù)系統(tǒng)設(shè)計(jì)與電力網(wǎng)絡(luò)本身設(shè)計(jì)的協(xié)調(diào)，以確保保護(hù)系統(tǒng)是電力系統(tǒng)運(yùn)行中的一個(gè)繼承的和有效的部分。以輸電線路距離保護(hù)的設(shè)計(jì)為例，揭示了該專家系統(tǒng)的功能。文獻(xiàn)[5]描述了意大利電力公司正在開發(fā)的用于大停電后協(xié)助運(yùn)行人員進(jìn)行系統(tǒng)恢復(fù)的專家系統(tǒng)的主要目標(biāo)與軟件結(jié)構(gòu)。著重介紹了在系統(tǒng)部分挺點(diǎn)時(shí)，如何決定zui適當(dāng)?shù)妮旊娡ǖ缹㈦娏斔偷酵＿\(yùn)的火電廠的機(jī)組，以恢復(fù)其運(yùn)行，同時(shí)保證系統(tǒng)運(yùn)行在安全狀態(tài)。文獻(xiàn)[6]介紹了一個(gè)用于配電變電站恢復(fù)控制的專家系統(tǒng)，作為變電站自動(dòng)化的一個(gè)組成部分。目前只考慮了韓國常見的雙母線、雙斷路器接線方式的變電站。文獻(xiàn)[7]描述了為葡萄牙輸電控制中心研制的智能警報(bào)處理和系統(tǒng)恢復(fù)輔助專家系統(tǒng)的解釋機(jī)制的開發(fā)，增加解釋機(jī)制后明顯改善了專家系統(tǒng)的行為。作者開發(fā)這一專家系統(tǒng)用了七八年的時(shí)間，已經(jīng)達(dá)到實(shí)用水平。文獻(xiàn)[8]用多個(gè)智能代理的思想設(shè)計(jì)了以分布式專家系統(tǒng)為基礎(chǔ)的配電自動(dòng)化的概念性框架。用IA處理不同的專家系統(tǒng)之間的合作，IA之間用標(biāo)準(zhǔn)的信息交換語言KQML來實(shí)現(xiàn)。這樣可以把現(xiàn)有的一些專家系統(tǒng)，如負(fù)荷預(yù)報(bào)、配電系統(tǒng)網(wǎng)絡(luò)重構(gòu)、配電系統(tǒng)恢復(fù)和保護(hù)設(shè)備的協(xié)調(diào)等集成為一個(gè)配電自動(dòng)化系統(tǒng)。
雖然專家系統(tǒng)能夠有效的模擬故障診斷專家完成故障診斷的過程,但是在實(shí)際應(yīng)用中仍存在一定缺陷，其主要問題是知識(shí)獲取的瓶頸問題、知識(shí)難以維護(hù)，以及不能有效的解決故障診斷中許多不確定因素，這些問題大大影響了故障診斷的準(zhǔn)確性。
1．2人工神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)（ANN）是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過程的信息處理系統(tǒng)，自1943年提出以來,已迅速發(fā)展成為與專家系統(tǒng)并列的人工智能技術(shù)的另一個(gè)重要分支。它以其諸多優(yōu)點(diǎn)，如并行分布處理、自適應(yīng)、聯(lián)想記憶等，在智能故障診斷中受到越來越廣泛的重視，而且已顯示出巨大的潛力，并為智能故障診斷的研究開辟了一條新途徑。應(yīng)用ANN技術(shù)實(shí)現(xiàn)故障診斷不同于ES診斷方法。ANN方法通過現(xiàn)場大量的標(biāo)準(zhǔn)樣本學(xué)習(xí)與訓(xùn)練，不斷調(diào)整ANN中的連接權(quán)和閾值，使獲取的知識(shí)隱式分布在整個(gè)網(wǎng)絡(luò)上，并實(shí)現(xiàn)ANN的模式記憶。因此ANN具有強(qiáng)大的知識(shí)獲取能力，并能有效的處理含噪聲數(shù)據(jù)，彌補(bǔ)了ES方法的不足。文獻(xiàn)[9]采用多個(gè)人工神經(jīng)元網(wǎng)絡(luò)實(shí)現(xiàn)故障診斷，每個(gè)ANN負(fù)責(zé)系統(tǒng)中一部分的診斷。類似的方法早有報(bào)道。
ANN在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用主要是故障定位[10~13]和故障類型識(shí)別[14]2個(gè)方面,且文獻(xiàn)[10,11]和[14]的研究較典型.其中,文獻(xiàn)[10,11]分別采用2種不同的神經(jīng)網(wǎng)絡(luò)模型解決故障診斷問題.文獻(xiàn)[10]基于3層前饋神經(jīng)網(wǎng)絡(luò),用全局逼近的BP學(xué)習(xí)算法完成故障定位.而文獻(xiàn)[11]則使用局部逼近的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障定位。文獻(xiàn)[14]則以線路三相電流、三相電壓和零序電流的頻譜密度為輸入,以故障類型為輸出,分別比較了多層前饋網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)在故障類型識(shí)別方面的應(yīng)用。文獻(xiàn)[15]提出擁有限脈沖相應(yīng)（finiteimpulseresponse）ANN構(gòu)造單項(xiàng)和三相變壓器的差動(dòng)保護(hù),這種ANN模型適于處理瞬時(shí)信號(hào)，研究了3種結(jié)構(gòu):*種用于檢測單項(xiàng)變壓器的內(nèi)部故障;第2種用于檢測三相變壓器的內(nèi)部故障;第3中由一組第1種結(jié)構(gòu)的ANN組成,用于檢測三相變壓器的內(nèi)部故障。
需要指出，神經(jīng)網(wǎng)絡(luò)方法雖然有利于克服專家系統(tǒng)的知識(shí)獲取瓶頸、知識(shí)庫維護(hù)困難等問題，但它不適于處理啟發(fā)性知識(shí)。而且，由于ANN技術(shù)本身不夠完備，它的學(xué)習(xí)速度慢，訓(xùn)練時(shí)間長以及解釋功能弱，從而影響了神經(jīng)網(wǎng)絡(luò)的實(shí)用化。同時(shí)，如何設(shè)計(jì)適用于大型輸電網(wǎng)絡(luò)的ANN故障診斷系統(tǒng)仍是一個(gè)有待于進(jìn)一步研究的問題。
ANN一直是一個(gè)比較活躍的研究領(lǐng)域,但研究開發(fā)ANN故障診斷系統(tǒng)時(shí),應(yīng)對(duì)上述問題給予充分的考慮。
文獻(xiàn)[16]將大型輸電網(wǎng)絡(luò)分區(qū),對(duì)各個(gè)區(qū)域分別建立基于BP算法的故障診斷網(wǎng)絡(luò),隨后將這些分布神經(jīng)網(wǎng)絡(luò)的結(jié)果綜合起來得出zui終的故障診斷結(jié)論。文獻(xiàn)[17]針對(duì)用BP網(wǎng)絡(luò)模型進(jìn)行故障診斷過程中輸入樣本情況影響診斷結(jié)果的準(zhǔn)確率的情況，提出了在原有神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)的基礎(chǔ)上再增加一特征輸入節(jié)點(diǎn)，以反映輸入樣本數(shù)據(jù)大小的特征量的新方法，并將之用于電力變壓器，提高了故障診斷的準(zhǔn)確率。文獻(xiàn)[18]則在分析BP算法缺點(diǎn)的基礎(chǔ)上，提出了一種變結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)的zui大值算法，通過簡化訓(xùn)練過程，加快網(wǎng)絡(luò)收斂和診斷推理速度，從而提高故障識(shí)別率，實(shí)現(xiàn)故障的自動(dòng)診斷和智能化綜合保護(hù)。
從文獻(xiàn)[16~18]中可以看出，通過對(duì)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)或算法的改進(jìn)在一定程度上可以提高故障診斷的有效性。而由于專家系統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法在許多方面可以協(xié)調(diào)工作、互為補(bǔ)充，因此，如何取長補(bǔ)短將神經(jīng)網(wǎng)絡(luò)技術(shù)與故障診斷專家系統(tǒng)融為一體，以彌補(bǔ)診斷中的不足，并提供新的診斷技術(shù)和方法，具有很大的潛力和廣闊的前景，是值得我們深入探討和研究的。
1．3模糊理論
在故障診斷中，故障與征兆之間的關(guān)系往往是模糊的，這種模糊性即來自故障與征兆之間關(guān)系的不確定性，又來自故障與征兆在概念描述上的不性，因而診斷結(jié)果也必然是模糊的，解決模糊診斷問題的傳統(tǒng)方法一般根據(jù)專家經(jīng)驗(yàn)在故障征兆空間與故障原因空間之間建立模糊關(guān)系矩陣。常用的方法是將各條模糊推理規(guī)則產(chǎn)生的模糊關(guān)系矩陣進(jìn)行組合，或與或并。隨著模糊理論的發(fā)展及完善,模糊理論的一些優(yōu)點(diǎn)逐步被重視,如模糊理論可適應(yīng)不確定性問題;其模糊知識(shí)庫使用語言變量來表述專家的經(jīng)驗(yàn),更接近人的表達(dá)習(xí)慣;模糊理論能夠得到問題的多個(gè)可能的解決方案,并可以根據(jù)這些方案的模糊度的高低進(jìn)行優(yōu)先程度排序等。目前,模糊理論已被引入輸配電網(wǎng)絡(luò)故障診斷領(lǐng)域.
輸電網(wǎng)絡(luò)故障診斷的不確定因素對(duì)于要求嚴(yán)格匹配搜索的專家系統(tǒng)來說，很容易導(dǎo)致錯(cuò)誤的結(jié)果。當(dāng)在專家系統(tǒng)中融入模糊理論后，由推理變?yōu)榻仆评恚谙喈?dāng)程度上增強(qiáng)了專家系統(tǒng)的容錯(cuò)性。
文獻(xiàn)[19]應(yīng)用多目標(biāo)模糊決策方法進(jìn)行故障測距與故障類型辨識(shí)，并做了現(xiàn)場測試。文獻(xiàn)[20]研究了在配電網(wǎng)絡(luò)中，當(dāng)每個(gè)設(shè)備的運(yùn)行狀況可以大致知道時(shí)，如何決定其適當(dāng)?shù)木S修水平，以兼顧運(yùn)行安全和維修成本。先用模糊集方法描述設(shè)備的運(yùn)行狀況，之后構(gòu)造了決定適當(dāng)維護(hù)水平的模糊現(xiàn)行規(guī)劃模型。
由于一般的模糊系統(tǒng)采用了與專家系統(tǒng)類似的結(jié)構(gòu)，所以它也具有專家系統(tǒng)的一些固有的缺陷：（1）模糊系統(tǒng)在推理時(shí)也要搜索知識(shí)庫內(nèi)一定的規(guī)則集才能得出診斷結(jié)論，所以當(dāng)系統(tǒng)比較大時(shí)完成診斷的速度也比較慢。（2）當(dāng)輸電網(wǎng)絡(luò)的結(jié)構(gòu)或自動(dòng)裝置的配置發(fā)生變化時(shí)，模糊系統(tǒng)的知識(shí)庫或相關(guān)規(guī)則的模糊度也要進(jìn)行相應(yīng)的修改，即模糊系統(tǒng)也存在維護(hù)的問題。（3）模糊系統(tǒng)也不具備學(xué)習(xí)能力?？傊：碚撆c其它人工智能技術(shù)結(jié)合構(gòu)成的診斷系統(tǒng)雖然可以增強(qiáng)處理不確定性的能力，在一定程度上提高診斷的準(zhǔn)確度，但是它不能*消除專家系統(tǒng)所固有的缺點(diǎn)。
1．4遺傳算法
遺傳算法是基于自然選擇和遺傳機(jī)制，在計(jì)算機(jī)上模擬生物進(jìn)化機(jī)制的尋優(yōu)搜索算法。它能在復(fù)雜而龐大的搜索空間中自適應(yīng)的搜索，尋找出*或準(zhǔn)*解，且算法簡單，適用，魯棒性強(qiáng)。遺傳算法對(duì)待求解問題幾乎沒有什么限制，也不涉及常規(guī)優(yōu)化問題求解的復(fù)雜數(shù)學(xué)過程，并能夠得到全局*解或局部*解集，這是它優(yōu)于傳統(tǒng)優(yōu)化技術(shù)之處。
文獻(xiàn)[21~23]嘗試使用遺傳算法解決輸電網(wǎng)絡(luò)故障診斷問題。文章建立了根據(jù)報(bào)警信息估計(jì)故障點(diǎn)的數(shù)學(xué)模型，并從診斷結(jié)果應(yīng)該能夠盡可能解釋所有報(bào)警信息的角度出發(fā)，給出了故障診斷問題的適應(yīng)度函數(shù)，從而將輸電網(wǎng)絡(luò)故障診斷問題轉(zhuǎn)化為0~1整數(shù)規(guī)劃問題。在此基礎(chǔ)上，文獻(xiàn)[21]分別用簡單的和改進(jìn)的遺傳算法實(shí)現(xiàn)了故障診斷系統(tǒng)，對(duì)交叉和變異算子做過調(diào)整的改進(jìn)遺傳算法的故障診斷效果比較理想。文獻(xiàn)[24]延用[21]提出的故障診斷的數(shù)學(xué)模型，設(shè)計(jì)了基于進(jìn)化規(guī)劃方法的故障診斷系統(tǒng)。進(jìn)化規(guī)劃方法與遺傳算法的區(qū)別在于進(jìn)化規(guī)劃的編碼方式不局限二進(jìn)制編碼，因此編碼方式比較靈活，而且進(jìn)化規(guī)劃只采用變異算子和競爭機(jī)制產(chǎn)生下一代。在個(gè)體數(shù)目比較少的情況下計(jì)算效率比較高。
遺傳算法從優(yōu)化的角度出發(fā)基本上可以解決故障診斷問題，尤其是在復(fù)故障或存在保護(hù)、斷路器誤動(dòng)作的情況下，能夠給出全局*或局部*的多個(gè)可能的診斷結(jié)果。但是如何建立合理的輸電網(wǎng)絡(luò)故障診斷模型是使用遺傳算法的主要“瓶頸”。如果能夠建立合理的數(shù)學(xué)模型，那么不僅可以使用遺傳算法解決故障診斷問題，還可以使用其他類似的啟發(fā)式優(yōu)化算法解決故障診斷問題，如螞蟻系統(tǒng)算法、TABU搜索算法等。從不同的交叉和變異算法的應(yīng)用比較可以看出，不同的交叉和變異算子對(duì)結(jié)果的影響比較大，如何確定*的交叉和變異算子及相應(yīng)的參數(shù)也有待進(jìn)一步研究。
2幾種智能方法的綜合
以上各種智能診斷方法，是從不同的途徑去解決故障診斷問題的，但同時(shí)也存在缺陷。為了構(gòu)造性能較好的應(yīng)用智能系統(tǒng)，需要綜合應(yīng)用（集成）ES、NN、GA、FZ這幾種技術(shù)。集成的基本思路是：根據(jù)被求解問題的需要把系統(tǒng)分為若干個(gè)模塊，每個(gè)模塊，分別用ES、NN、GA、FZ技術(shù)實(shí)現(xiàn)，在以某種方式集成來形成主體系統(tǒng)結(jié)構(gòu)，也可采用串接、嵌入或變換模塊的方法來取長補(bǔ)短，構(gòu)造功能完善的應(yīng)用系統(tǒng)。例如，人工神經(jīng)網(wǎng)絡(luò)與模糊理論可以用2種方式結(jié)合：第1種方式是先模糊化神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)而得到的輸出也是一個(gè)模糊數(shù)。第2種方式是根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)設(shè)計(jì)的。因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)的輸出本身就是一個(gè)介于0~1時(shí)間的書，所以可把神經(jīng)網(wǎng)絡(luò)的輸出作為模糊系統(tǒng)的輸入，用模糊系統(tǒng)去解釋神經(jīng)網(wǎng)絡(luò)的輸出。zui終提供給運(yùn)行人員一個(gè)語言化的結(jié)論，便于運(yùn)行人員理解。這在一定程度上彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)不具備解釋能力的弱點(diǎn)。
文獻(xiàn)[25]開發(fā)了一個(gè)電力系統(tǒng)故障診斷的模糊專家系統(tǒng)，以可能性診斷理論為基礎(chǔ)，重點(diǎn)放在處理不確定性問題如保護(hù)和斷路器誤動(dòng)與拒動(dòng)、通信問題引起的信息錯(cuò)誤等。這種方法還可以比較方便的處理多重故障情況。此外，本文還對(duì)故障診斷中的處理不確定性的幾種現(xiàn)有方法作了比較分析。文獻(xiàn)[26]應(yīng)用了一種改進(jìn)的TS方法和專家系統(tǒng)實(shí)現(xiàn)配電系統(tǒng)*網(wǎng)絡(luò)重構(gòu)，優(yōu)化目標(biāo)為損耗zui小和電壓質(zhì)量zui高，同時(shí)保證足夠的供電可靠性。供電可靠性指標(biāo)是根據(jù)在預(yù)想事故發(fā)生的情況下，重構(gòu)后的網(wǎng)絡(luò)結(jié)構(gòu)能否向用戶恢復(fù)供電來衡量的。所采用的改進(jìn)的TS方法可以在搜索過程中自動(dòng)調(diào)整有關(guān)參數(shù)，無需由使用人員憑經(jīng)驗(yàn)給定。文獻(xiàn)[27]結(jié)合ES和ANN實(shí)現(xiàn)對(duì)以變電站故障診斷為基礎(chǔ)的分層分布時(shí)故障診斷系統(tǒng)。文獻(xiàn)[28]基于模糊理論與神經(jīng)網(wǎng)絡(luò)理論，根據(jù)特征氣體法和改良IEC三比值法，建立了模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型。該模型有效的處理了故障診斷中的不確定因素，并具有較強(qiáng)的知識(shí)獲取能力。文獻(xiàn)[29]從基于人類思維發(fā)展模式的角度，融合設(shè)備故障診斷的ES和ANN模型，構(gòu)造了電力變壓器的故障診斷分析系統(tǒng)。
綜上所述，將不同的人工智能技術(shù)結(jié)合在一起,分析不確定因素對(duì)智能診斷系統(tǒng)的影響,從而提高診斷的準(zhǔn)確率，是今后智能診斷的發(fā)展方向。
3其他方法
隨著人工智能技術(shù)的不斷發(fā)展，新的方法也在不斷涌現(xiàn)，其應(yīng)用范圍也在不斷擴(kuò)大，為故障診斷領(lǐng)域注入了新的活力。
文獻(xiàn)[30]采用小波變換對(duì)故障后的暫態(tài)現(xiàn)象進(jìn)行分析，以快速識(shí)別故障類型，可用于高速保護(hù)。文獻(xiàn)[31]提出用小波變換和ANN檢測變壓器故障。先用EMTP程序產(chǎn)生變壓器在正常運(yùn)行和故障時(shí)的信號(hào)（主要是電流信號(hào)），之后用小波變換進(jìn)行處理，提取特征量，zui后用ANN進(jìn)行訓(xùn)練和估計(jì)。通過應(yīng)用小波變換提取重要的特征量，ANN的結(jié)構(gòu)得以簡化，訓(xùn)練速度得到提高。
輸電網(wǎng)絡(luò)中各級(jí)、各類保護(hù)系統(tǒng)反應(yīng)于故障，并有選擇的切除故障的過程整數(shù)于系統(tǒng)同時(shí)發(fā)生或次序發(fā)生的活動(dòng)的范疇，適用于Petri網(wǎng)絡(luò)來描述。文獻(xiàn)[31]以輸電網(wǎng)絡(luò)中的元件為單位，首先研究了故障清除過程的Petri網(wǎng)絡(luò)模型，進(jìn)而對(duì)其求逆得到了故障診斷的Petri網(wǎng)絡(luò)模型，再把它們組合在一起就形成了整個(gè)輸電網(wǎng)絡(luò)的Petri網(wǎng)絡(luò)故障診斷系統(tǒng)。整套系統(tǒng)的物理概念清晰，易于實(shí)現(xiàn)，診斷速度也比較快。此外，文獻(xiàn)[32]還分析了保護(hù)、斷路器的誤操作對(duì)Petri網(wǎng)絡(luò)模型的影響，并分別給出了識(shí)別保護(hù)和斷路器誤操作的模板。
近2年來，從分析、模擬保護(hù)系統(tǒng)動(dòng)作邏輯入手，解決輸電網(wǎng)絡(luò)故障診斷問題也是一種趨勢。除上述方法以外，還有其他基于邏輯的方法，如基于邏輯蘊(yùn)含式的方法，基于外展邏輯的方法等。
4結(jié)語
本文介紹了近年來專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊理論等人工智能技術(shù)在輸配電網(wǎng)絡(luò)故障診斷中的應(yīng)用，分析了其優(yōu)缺點(diǎn)，從中可以看出，依靠單一智能技術(shù)的故障診斷已難以滿足復(fù)雜的輸配電網(wǎng)絡(luò)診斷的全部任務(wù)要求，因此，將多種不同的智能技術(shù)結(jié)合起來的混合診斷系統(tǒng)是智能化故障診斷研究的一個(gè)發(fā)展趨勢。主要結(jié)合的技術(shù)有基于規(guī)則專家系統(tǒng)和ANN的結(jié)合，模糊邏輯、ANN與專家系統(tǒng)的結(jié)合等等。其中，模糊邏輯、ANN與專家系統(tǒng)結(jié)合的診斷模型是發(fā)展前景的也是目前人工智能領(lǐng)域的研究熱點(diǎn)之一。而其中許多問題，例如模糊邏輯與神經(jīng)網(wǎng)絡(luò)的組合機(jī)理、組合后的實(shí)現(xiàn)算法，如何使智能系統(tǒng)既具有ANN的學(xué)習(xí)能力又具有靈活的知識(shí)表達(dá)能力和嚴(yán)謹(jǐn)?shù)倪壿嬓缘?，是值得深入研究的?br />
總之，綜合已有的人工智能技術(shù)，揚(yáng)長避短，并探索新的診斷技術(shù)和理論方法，研究開發(fā)完善的智能輸配電網(wǎng)絡(luò)故障診斷系統(tǒng)是擺在研究工作者面前的重要課題，是今后發(fā)展的主要方向。
會(huì)員_a.png)