因此，将具有自学习和联想功能的ANN，基于FST的不确定性推理与ES技术相结合，是近年来ES发展的主要趋势。
3 基于ANN原理的电力系统故障诊断［21～46］
ANN也是AI技术的一个重要分支，基于ANN原理的FD－PS与基于ES原理的FD－PS相比，其最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造作大量工作，而只需以领域专家所提供的大量和充分的故障实例，形成故障诊断ANN模型的训练样本集，运用一定的学习算法对样本集进行训练。通过有导师监督的训练学习使ANN实现知识的自我组织，自我学习能力。经学习后，在神经元及它们之间的有向权重连接中蕴涵了处理问题的知识，即它的知识表达不同于ES的显形表达，是隐式的并具有一定的联想和泛化能力；对已训练的ANN模型，由于问题的求解就蕴涵于ANN的权值中，因此它的推理也是隐式的，执行计算速度很快。由于ANN具有强的自组织、自学习能力，鲁棒性高，免去推理机的构造，且推理速度与规模大小无明显的关系［21～24］，很快引起人们的重视，使得基于ANN的故障诊断的研究也日益广泛。ANN除在电力系统故障诊断中的应用外，在故障定位和故障类型识别等方面也有不少的应用。
文献［25］提出基于BP算法FNN模型，对电力系统故障诊断作了初步的研究。为了克服BP算法训练速度慢，陷入局部最小可能的缺点，文献［26］用附加动量因子BP算法对一个小型的电网模型结构进行诊断，并对改进BP算法中动量因子的取值，FNN的隐层节点个数和层数对诊断性能的影响进行了分析。
文献［27］使用局部逼近的径向基函数NN(RBF－NN)实现对电力系统的故障诊断，通过对一个小规模的网络结构，对基于BP－FNN、RBF－NN及自适应RBF－NN三种故障模型算法进行仿真对比，它们均以输电网络中设备的保护和断路器的状态作为输入，可能的故障位置作为输出，以0，1逻辑值表示输入、输出元素激活与否。基于径向基函数的NN学习收敛速度比较快，泛化能力比常规的BP－FNN更好，但相应的应用条件也比较严格。
FD－PS所依据的是实时故障信息，在信息畸变的情况，尽管FNN具有一定的泛化能力，但仍存在容错性的问题。为提高基于ANN的FD－PS的容错性，文献［28］利用NN组合模型来提高FD－PS的容错性，文中模仿ES推理方式建立了正、反向推理的FDNN和BTNN，评定CNN的组合。它们中各个NN又按故障的类别组合划分成几个相应的子NN。其中各FDNNi都接收保护信息和断路器的状态作为输入，以表示故障位置(设备类型、编号)和故障类型的故障编码为输出。而BTNNi的输入、输出是与FDNNi正好相反，即是FDNN的逆映射。各相应的评定CNNi是故障编码与主、后备保护之间的关联。该系统可通过正向、反向NN的相互校核，对某些错误信息能鉴别，因此对诊断系统的容错性能有一定程度的改善。但该方法使系统的复杂性增加，特别是电力系统规模大时，问题更突出。文献［29］提出用Boltzmann机和BP－NN模型组合进行故障诊断，将正常的报警模式存储于Boltzmann机中，当故障发生时，首先将利用Boltzmann机对实时故障信息进行纠错处理，再将纠错处理后的输出作为诊断BP－NN模型的输入进行故障诊断。这样可在一定程度上实现对错误信息的纠错，从而提高诊断的容错性。
针对大规模电网故障诊断使得NN模型结构规模扩大而导致NN训练和应用的复杂性，有学者研究提出建立分层分布式的NN群组来解决［30～31］此类问题。文献［30］是根据电网结构分区结构，利用决策树推导构造形成分布式NN诊断群组，将各分布NN的结果综合起来得出故障诊断结论。文献［31］除基于知识模型组成分布式NN外，还根据高压网络保护的层次性，同时还隐含了动作的时间序列，在此基础上提出了具时空特性的分层分布式的NN群组来构造一个完整的高压输电线路故障诊断系统。
在已研究的基于BP－NN的电力系统故障诊断中，大多数的研究更强调如何提高学习算法的收敛速度，克服陷入局部极小点，提高精度；或者根据研究目标的需要改变ANN模型结构，通过对ANN的知识分层分布存储来提高和改善NN泛化能力，联想记忆性能，在此同时也改善了容错性能。但是明显的缺乏对影响ANN容错性的因素和如何提高ANN容错性能的系统性的研究。
从以上对基于ES、ANN的FD－PS问题的分析和讨论可知，它们都有各自的不足。所以在研究具体问题时，根据需要可以将两者结合，解决问题的不同方面［32～33］，可以达到取长补短的效果。文献［32］用NN实现知识获取、知识表示、推理和知识维护，将故障诊断的知识隐含于ANN的连接权矩阵中，将实时信息作为ANN输入信息进行推理。但在某些特殊结构化的推理过程中，由NN来处理会导致结构比效繁琐，这时候由ES来处理可大大地简化知识推理。另外，由ES构造解释模块来实现解释较为方便，更提高系统的透明度。这样就将ES的解释推理能力与ANN的快速执行和学习能力有机的结合起来。文献［33］提出利用一组BP－NN模型和ES进行报警处理，其中每个BP－NN模型负责识别单个变电站或某区段的故障，而由ES根据故障信号确定调用相应的BP－NN诊断模型对故障进行处理，这样还可以利用ES依次调用相关的NN模型而达到识别系统中发生多重故障的情况。
综上分析ANN在故障诊断中应用的局限性为：1)对于有导师学习的ANN模型，具有较好的内插结果和相应的联想容错能力。但ANN外推时误差较大，难以保证解的准确度和容错性能。因此，要确保具有全面的、代表性的样本集提供给ANN训练学习，它们是保证和提高ANN容错性能的一个最基本的因素；2)系统结构发生变化，则有可能需要改变ANN的组成结构，或增加新的样本重新学习获得新知识；3)ANN难以实现基于结构化知识的逻辑推理；4)缺乏解释能力，诊断结果不易于运行人员理解。另外，如何确保ANN训练时收敛的快速性和避免陷入局部最小，也是每一个基于ANN的诊断系统必须面对的问题。
4 基于FST的电力系统故障诊断［34～42］
FST是L．A．Zadeh教授于1965年创立的模糊集合理论基础上发展起来［34～35］，它突破了经典集合用0和1表示非此即彼的清晰概念，而采用模糊隶属度的概念来描述不精确的、不确定事件与现象，并引入语言变量和近似推理的模糊逻辑，来表述专家的经验知识。FST经过多年的研究，已成为具有完整推理体系的人工智能技术之一。在电力系统故障诊断系统中，根据具体知识表达或推理的需要引入FST，使得精确推理相应转换为近似推理，在一定程度上也提高了故障诊断系统的容错性。FST与其它AI技术相结合(如ES、ANN、GA等)相互渗透，取长补短。FST的加入，使各相应智能诊断系统在电力系统故障诊断在分析不确定因素问题上原理更成熟，技术更完善，而性能得到相应的提高。
FST在电力系统故障诊断的应用中分两类情况：第一类认为诊断所依据的信息正确，但故障与对应的动作保护装置和断路器状态之间存在不确定的关联关系，用模糊隶属度来对这种可能性进行描述的度量；另一类则是认为诊断所依据的报警信息的可信度不为1，而根据系统网络拓扑与故障所发生动作保护、断路器状态赋予报警信息的可信度，再由ES或ANN给出故障诊断结果的模糊输出。文献［36］属前一类，认为故障与动作的保护装置之间，动作的保护装置与所控制的断路器之间可以存在不确定的关联关系，可用模糊数学来描述它们之间的关联关系。根据可能的故障，可寻找由故障点到报警信息可能的通路，再寻找故障点与可能动作的保护装置之间，动作的保护装置与可控制的断路器之间关联关系合成总的模糊度，用以表示故障诊断位置可能性的度量。
文献［37～42］属后一类，它先对诊断模型所依据的输入信息模糊化，即认为系统的输入报警信息的可信度不为1。它是根据输电网络拓扑当前情况，对保护、断路器动作行为的统计数据赋予报警信息可信度，通过ANN或ES诊断模型输出模糊数，再由反模糊系统去解释其输出，提供给运行人员一个语言化的结论。
根据模糊系统具体应用的分析结果，得出尚须深入研究的问题：1)对不确定性问题用隶属度函数来描述时，应建立什么样的隶属函数是极其关键的问题，须在足够经验和实验的基础上，有效地建立隶属函数；2)研究诊断系统的结构、设备或自动装置的配置发生变化时，与之有关的模糊知识库或规则的模糊度也要相应的修改，即也存在可维护性问题；3)电力系统故障诊断的不确定性情况是多种多样的，并非是固定不变的，取决于系统中硬件装置的可靠性(如断路器跳闸误跳或拒跳)，诊断系统所依据的实时信息的可信度(如实时信息在传递中出现的畸变可能性与环境有关)等因素。显然，FT对不确定因素的处理只能是有限度的改进。
5 基于GA的电力系统故障诊断［43～49］
GA是建立在Darwin自然选择和Mendel遗传学说基础上，通过模仿生物遗传和进化的进程，寻求对复杂问题的全局最优解的优化算法。它按一定规则对问题解进行字符串编码，模拟人工染色体表示某优化问题的可行解，用随机方法形成初始解群，再按自然选择的原理，通过群体搜索策略和遗传操作，对群体中个体之间的信息交换，使得GA不易陷入局部极小点，能够以很大概率得到全局最优解集或局部最优解集。与传统优化技术不同，GA对待求解问题不需涉及常规优化问题求解的复杂数学过程；同时GA也不需要直接对知识规则和训练样本选择处理，这是它和基于ES、NN诊断系统相比的最大优势之处。
文献［43］研究用GA解决输电网络故障诊断问题。文章根据各类保护动作时段内断路器动作的时序信息，从而将输电网络故障诊断问题转化为0－1整数规划问题，建立了GA的电力系统故障诊断的适应度函数模型，实现任意复杂的故障情况下的故障诊断。
文献［44］用无源信息识别故障区域的方法，将故障诊断问题局限于小的局部网络，在此基础上分别用Boltzmann机法、模拟退火法、简单的和高级的GA实现了故障诊断系统，验证了对交叉和变异算子做过调整的高级GA在诊断信息不完整的情况下，可以有效的找到全局最优解，得到比较理想故障诊断效果。
上一页 [1] [2] [3] [4] [5] 下一页
本文关键字：技术 人工智能 电工文摘，电工技术 - 电工文摘
