阅读文章--机电之家
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
[ 来源：'d' | 类别：技术 | 时间：2008-6-24 9:15:57 ] [字体：]
廖志伟1，2，孙雅明1，叶青华2
(1．天津大学电气与自动化工程学院，天津300072；
2．华南理工大学电力学院，广州510640)
摘 要：对人工神经网络、专家系统、遗传算法、模糊理论等人工智能技术的基本概念进行了简单的介绍，并从实用化的观点对它们在电力系统故障诊断中的应用特点、存在问题进行分析，最后指出人工智能技术用于电力系统故障诊断的最新发展动向。
关键词：电力系统；故障诊断；人工智能
1 引言
电力系统实时故障诊断问题的研究，一般都是根据在故障过程中，对某些装置和设备所出现的一系列数字和状态信息量进行分析和推理。在此基础上查出导致系统某种功能失调的原因和性质，判断故障发生的元件以及预测故障恶化的发展趋势，得出诊断结论。在电力系统的故障诊断(faultdiagnosis of power system——FD－PS)方面已开展了不少研究，传统型的FD－PS研究是在建立被诊断系统网络拓扑结构模型的基础上，根据发生故障时，系统结构和参数变化，导致系统潮流的变化，进而根据潮流计算的变化判断出故障。但潮流计算和分析处理的耗时量大，会影响诊断速度和快速故障恢复处理。另外正常运行时某些线路潮流值小，接近于0(如线路轻载运行)，故用潮流来判断故障，也不能保证诊断的准确性。所以电力系统故障诊断用传统的数学方法，因系统规模、复杂程度和不确定因素等的限制，系统故障诊断难以达到理想的效果。
由于电力系统的整个故障过程难以用数学模型来进行描述，而AI善于模拟人类分析和处理问题的智能行为，适宜对难以用数学模型分析和求解问题的研究，所以AI技术的发展为FD－PS的研究开辟了新途径和新方法。近十几年来，国内外将AI技术用于电力系统的研究已有不少，并取得了有成效的研究成果，且已有部分成果在实际中得到了应用［1～3］，但转成商用化的数量与研究数量相比实在是太少了，因此在新的世纪中，应致力于将AI的研究推广应用到实际中，作为进一步研究的目标。
本文对国内外已研究的智能型FD－PS作全面分析和归纳，主要对ES、ANN、FST、GA及Petri网络等技术在FD－PS中应用研究进行全面的概述，并在此基础上用实用化的观点来分析它们在FD－PS中应用的特点以及存在的主要问题，对智能技术在FD－PS中的发展趋势进行了探讨。
2 基于ES原理的电力系统故障诊断［4～20］
ES［4～6］是发展最早，也是比较成熟的AI分支之一，它与知识工程研究紧密联系在一起。在ES构造中，它必须涉及所研究问题领域的知识表达方式，知识处理与知识运用方面的理论和方法。ES不仅是融合了书本相关的理论知识来处理各种定性的问题，而且还可总结和利用专家的经验知识(或称启发式知识)来求解问题。它不仅可解决那些依靠解析方法不能解决的问题，也可使所求解问题的知识搜索和推理范围缩小，提高问题求解速度和推理效率；另外ES的解释模块能够对推理所用的知识、推理过程及结论进行解释。在电力系统中，ES在故障诊断和恢复处理方面的研究较多，可根据ES知识表达方式和推理机结构的不同对ES进行划分。
在电力系统故障诊断的ES中，常用的知识表达方式有：基于谓词逻辑表示法，基于产生式规则表示法，基于过程式知识表示法，基于框架式表示法，基于知识模型表示法和基于面向对象表示法。实质上后两种是由于计算机和语言技术、智能技术的发展而形成的，它们是在前三种基础上的新形式和新结构。对它们在电力系统故障诊断应用的特性分析如下：
谓词逻辑法是一种较早的知识描述方法之一。文献［7］提出利用保护和断路器信息来构造知识库，文中使用Prolog语言用谓词逻辑构造三个知识库：1)描述电力系统结构、保护和断路器动作关系及断路器的状态方面的知识；2)描述保护原理方面的知识；3)描述故障位置的规则和启发性知识。它根据故障设备与保护、断路器的信息关系，采用反向推理，实现多重故障、保护和断路器误动、拒动诊断的功能。但谓词逻辑仅仅依据形式逻辑进行，推理过程太冗长，效率低；不便于加入启发性知识；灵活性差。故其应用范围受限制。
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。
1)在电力系统故障诊断ES研究中，知识获取的工作一直给予研究者很大的压力。如何更有效、更全面的获取专家知识，是构造一个完备的ES的诊断系统不得不必须面对的难题。
2)ES的知识表达：知识表达方式和知识构造质量是ES成功的关键；专业知识和专家启发性知识转化和形成完备的知识库仍是故障诊断ES的瓶颈；知识库的可维护性也是极其重要的，知识库不完整或不一致可能导致ES推理混乱并得出错误的结论。
3)ES的高容错性推理：无论何种知识表达方式，当发生故障时，都是依据故障信息所对应知识库进行树图的搜索。而知识库是建立在诊断问题所对应的知识树，它是按预先领域知识构造成的组合固定的树，而并非是任意组合的，其自学习能力是极有限的。但实际中的FD－PS问题所依据的故障信息都属于实时信息，在现实的环境中，信息在形成和传递过程中发生信息畸变的可能性是不可避免的，易出现知识库没有涵盖的新故障情况。会使得基于知识推理ES陷入无穷递归，无法求解或得出错误解。故ES的容错能力较差，这是用于实时ES的最大局限性。
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。
用GA从优化的角度解决故障诊断问题，它能够在诊断信息不完整的情况下给出全局最优或局部最优的多个可能的诊断结果。但在诊断所依据的信息发生畸变，出现复杂的故障模式的时候，也难以保证诊断结果的可靠性。因此如何根据被诊断对象特征，建立能保证高容错性能故障诊断适应度函数，以及如何确定迭代操作结束的准则和保证最终的结果为最优解或近似最优解。这些问题是基于GA应用中需要深入研究的内容。
6 基于Petri网络的电力系统故障诊断［50～56］
Petri网络(Petri net)是由德国数学家C．A．Petri于1960～1965年提出的一种通用的数学模型［50］，是在构造有向图的组合模型的基础上，形成可用矩形运算所描述的严格定义的数学对象。Petri网分析方法既可用于静态的结构分析，又可用于动态的行为分析。它以研究系统的组织结构和动态行为为目标，能够对系统中同时发生，次序发生或循环发生的各种活动过程进行定性或者定量的分析。所以Petri网络是离散事件动态系统建模和分析的理想工具。
电力系统故障属于一个离散事件的动态系统，由系统中各级电压、各类保护动作反映故障，并把切除故障的过程看作一系列事件活动的组成，而事件序列与相应实体联系在一起。动态事件主要包括实体活动(如断路器、继电保护、自动装置等)和信息流活动(如信号的传递，控制指令发送，各监测信号流等)。鉴于电力系统故障动态过程描述的可行性，可确定用Petri网去构造电力系统诊断模型。
文献［51］以输电网络中的设备为单位，首先研究了故障“切除”过程的Petri网络模型，进而对故障诊断的Petri网络模型求解。整个系统的物理概念清晰，数学求解速度快适宜实时性诊断。文中还分析了保护、断路器不正确动作对Petri网络模型的影响，并分别给出了识别保护和断路器不正确动作的模块。对IEEE118节点系统的测试结果表明，Petri网络是一种比较有潜力的模型。但文中对保护多重性配置，时间差异，性能发生变化都未深入讨论，它也正是基于Petri网络原理存在的局限性。
文献［52］文中提出嵌入冗余Petri网方法，它是在原考虑的故障类型Petri网的基础上加入错误伴随式矩阵C。其目的是要解决由于网络中事件序列和信息流不正常时(如保护或断路器的拒动等)的故障诊断。采用差错控制编码技术构造C矩阵，但它必须是在预先设想的前提下构造，而不能自动构造，并且构造复杂，工作量大。而在实际系统中，故障诊断所依据信息的畸变是不确定的，所以它的容错能力是有限的，该类问题与ES差不多。
对大规模电网基于Petri网模型建模时，因设备增加和网络扩大会出现状态的组合爆炸，且基本的Petri网不能描述时间特征要求高的行为特征，因此在复杂系统建模时，需要采用高级的Petri网，如谓词／变迁网，有色时间网等。
7 基于Agent技术的电力系统故障诊断［89～95］
人工智能技术研究的不断发展为故障诊断开辟新途径和新方法提供了可能性。分布式人工智能是在传统AI的基础上发展起来的，主要研究在逻辑上或物理上分散的智能系统如何并行的，或相互协作地进行问题的求解。它分为分布式问题求解和多Agent系统两个方向，多Agent系统被看作是AI的试验平台，当一个问题涉及多个物理或者从逻辑上能形成分解的问题求解实体，每个子问题求解实体仅仅拥有问题求解所需的有限数据、信息和资源，不同的子问题求解实体之间必须相互交互才能最终求解问题。多Agent系统中Agent的自治性以及Agent之间的合作、协同等特征为这类问题提供了一种自然的建模方式。基于多Agent技术的应用研究开始于上世纪80年代，近年来在工业、制造业、经济管理、航天业等领域得到了明显增长［53～54］，成为AI的研究热点之一。
基于多Agent技术也引起了电力系统研究者的关注［77～79］，特别是在近2、3年来，人们尝试着将多Agent技术引入电力系统的故障诊断相关研究和应用中。文献［55］以Agent技术来实现故障恢复系统，系统由数个母线Agent单元和唯一的一个在整个决策过程中充当了管理角色的服务Agent，在服务Agent的协调下，母线Agent单元在故障状态下通过与其他的母线Agent单元相互作用、交换、通讯、合作形成多Agent诊断系统，得到局部最优目标；文献［56］建立了基于多Agent的DIAMOND系统，将数个监控系统和诊断系统集为一个综合的集散系统，简化了问题的处理过程和增加了系统的开放性。
从Agent的特点上看，它区别于传统智能系统的显著特征在于它所具备的与其所处环境，与其它Agent进行交互，协调和协作的能力。AI的研究目标是认识和模拟人类智能行为，单个Agent主要用于模拟个人的智能行为，而多Agent系统则是以模拟人类社会群体智能行为作为最终目标，它通过多个Agent之间的交换或通讯、合作形成了一个多Agent系统。研究多Agent系统意义下的Agent，实际是将多个Agent单元的推理和知识结合起来，创建多智能系统，以完成对更复杂、更大规模的问题的解决起到重要的作用。
8 基于数据挖掘技术的电力系统故障诊断［57～61］
数据库中的知识发现的核心技术——数据挖掘(data mining—DM)是近年来国际上较为活跃的研究领域，是人工智能与数据库技术相结合的产物。它应用一些专门算法从数据中抽取出有效的模式，从大量数据中发现潜在规律，提取有用知识。DM出发点是代替专家从大量的数据中挖掘出隐含于其中的知识，它使数据存储技术进入了一个更高级的阶段。即它不仅利用了数据库的存储功能，对过去的数据进行查询和遍历，能回答“什么”(What)；还能够找出过去数据之间的潜在联系，挖掘出其背后隐藏着的许多重要信息(这些信息是关于数据的整体特征的描述及对发展趋势的预测，在决策生成的过程中具有重要的参考价值)，从而可很好地支持人们的决策，回答出“为什么”(Why)。DM属于客观计算，只和已知数据有关，从而避免了主观和经验因素的影响。因此DM在商业、工业领域中已得到了广泛的应用，显示出了强大的生命力［57～58］。
已有研究人员开始将DM技术引入电力系统故障诊断，并取得了一些成功的经验，利用DM技术用于决策支持和控制［59，60］。如在常规的电力系统运行模式下，需要依赖经验丰富的专家，一旦电力系统发生故障时，系统中保护装置的动作信息自动传递给调度中心。调度员则需要根据经验从这些信息中判断出故障的原因和故障的具体位置，由此来实施具体的隔离故障和恢复处理。为了减少损失要在极短时间内完成，这对调度员的压力很大。这种故障处理模式已无法适应，特别在信息流量庞大的今天。因任何人面对2000个／分钟数据流组成的数据表都不可能进行有效的处理。基于粗糙集的DM方法具较强的定性分析能力［61］，能从给定问题的数据分析，通过不可分辨关系和不可分辨类确定给定问题的近似解，从信息表中去除冗余属性，获取该问题的内在规律，即属性约简，并能估计某一属性的重要程度，得到分类规则的能力。因此，DM可将每一种状态的故障特征提取出来，将其作为调度人员判断电力系统处于何种状态和如何快速做出故障处理和决策的有力工具。
DM技术在电力系统故障诊断中的应用目前正处于起步阶段，解决如何将DM的算法与诊断对象相结合，确定出诊断对象的诊断模型如分类模型、回归模型、时间序列模型、聚类模型、关联模型、序列模型及如何将DM与传统人工智能技术相结合，如获取对象的模糊隶属度是值得进一步深入研究探讨的课题。
9 智能型电力系统故障诊断总结
本文对ES、ANN、模糊逻辑推理、GA等各种人工智能技术在电力系统故障诊断中的应用进行了概括；从实用化的观点，对各种算法的适用特点进行了分析；并指出了人工智能技术在电力系统故障诊断发展的新方向和趋势。
参考文献
1 Liu Chen ching，Daniela A Pierce，Song Haili．Intellige－nt system applications to power systems［J］．IEEE Computer Applications in Power，1999，10(4)：21－24
2 毕天姝，倪以信，杨奇逊．人工智能技术在输电网络故障诊断中的应用述评［J］．电力系统自动化，2000，24(25)：11－16
3 韩桢祥，文福栓，张琦．人工智能在电力系统中的应用［J］．电力系统自动化，2000，24(2)：2－10
4 Dillon T S．Expert System Applications in Power Systems［M］．Prentice Hall，1990
5 孙雅明．人工智能基础［M］．北京：水利电力出版社，1992
6 杨以涵等．专家系统及其在电力系统的应用［M］．北京：水利电力出版社，1995
7 Fukul C，et al．An expert system for fault sectionestimation using information from protective relay and circuit breaker［J］．IEEEPWRD，1986，1(4)：83－91
8 Shahram B Jadio，Jeyasurya B，Khaparde SA．Powersystem fault diagnosis expert system using PROLOG［C］．In：4th IEEE Region 10th International Conference－TENCON＇89，1989：778－78
9 Lee Heung Jae，Ahn Bok Shin，Park Young Moon．Afault diagnosis expert system for distributionsubstations［J］．IEEE transaction on power delivery，2000，15(1)
10 Zhou Guozhong，Sun Yaming．An expert system forswitching operation planning in a dispatching centre［J］．Int．Journal of Engineering Intelligent Systemsfor ElectricalEngineering and communication 1994，2(2)：143－150
11 Pietro B，Ulrico C G．Fault diagnosis through historyreconstruction：An application to power transmissionnetworks［J］．Expert Systems with Applications，1997，12(1)：37－52
12 McArthur S D J，Dysko，et al．The application ofmodel based reasoning within a decision supportsystem for protection engineers［J］．IEEETransaction on Power Delivery，1996，11(4)：1748－1754
13 Mcarthur SD J．Knowledge and modelbased decisionsupport for power system protection engineers［C］．In：Proceedings of International Conference onIntelligent Systems Applications to Power Systems，1996：215－219
14 Xu Kali，Zhou Ming，Ren Jianwen．An object－orientedpower system fault diagnosis expert system［C］．In：International Conference on Electrical Engineering，Hong Kong，1999
15 Hasan K，Ramsay B，Moyes I．Object－oriented expertsystem for power system alarm processing and faultidentification［C］：In Mediterranean Electrotechnical Conference－MELECON 3，1994：909－912
16 Chang Shaohung，Lin Muhshenq，et al．Object－oriented expert systems for fault diagnosis［C］．In：International Conference on Systems，Man and Cybernetics，1993，5：102－107
17 Esp D G，Cahill E T．A real time expert system forfault diagnosis on a transmission network［C］．In：Power System Monitoring and Control，Third International Conference on．IEE Conference Pubilcation n 366，1991：237－240
18 Mcdonald JR，etal．Alarm processing and fault diagn－osis using knowledge based systems for transmissionand distribution network control［J].IEEE PWRS,1992,7(3)
19 Phillip Burrell，Dave Inman．An expert system forthe analysis of faults in an electricity supply network－problems and achievements［J］．Journal of Computers in Industry，1998，37：113－123
20 柳青松，夏道止．基于正反向推理的电力系统故障诊断专家系统［J］．电网技术，1999，23(9)：66－71
21 焦李成．ANN计算［M］．西安：西安电子科技大学，1993
22 焦李成．ANN系统理论［M］．西安：西安电子科技大学，1992
23 杨行峻，郑君里．人工ANN［M］．北京：高等教育出版社，1992
24 Mohamed EIS，Dagmar N．Artificialneuralnetworkswith applications to power systems，tutorial courseand video．IEEE Power Engineering Society，IEEENeural Network Council and IEEE EducationalActivities，ISBN：0－7803－4010－8，NTSC Product No．HV6957，Piscataway，NJ，1996
25 Chan EH P．Application ofneural－network computingin intelligent alarm processing［C］．In：Proceedings of IEEE Conference PICA，1989：246－251
26 Navarro Victor，et al．Artificial neural networks forpower systems diagnosis［C］．In：IEEE InternationalConference on Neural Networks－Conference Proceedings 1994，6：3738－3743
27 Nagabhushana T N，Chandrasekharaiah H S．Faultdiagnosis of electrical power systems usingincremental radial basis function nets［C］．In：Proceedings of the International Conference onEnergy Management and Power Delivery，EMPD 1995，2：560－564
28 Amjady N．On－line fault diagnosis of power systemsby a new expert system［C］．Canadian Conference onElectrical and Computer Engineering，1998，2：731－733
29 Jongejier A G，etal．Neuralnetwork appllied to alarm processing［C］．In：Proc．of ESAP＇89，Seattle，1989
30 Yang H T，Chang W Y，Huang C L．Power systemdistributed on－line fault section estimation usingdecision tree based neural nets approach［J］．IEEE Transactions on Power Delivery，1995，10(1)：540－546
31 Sun Y，Jiang H，Wang D．Fault synthetic recognitionfor an EHV transmission line using a group ofneural networks with a time－space property［J］．IEE Procee－dings－Generation，Transmission and Distribution，1998，145(3)：265－270
32 Yang H T，Chang W Y，Huang Ch L．On－line faultdiagnosis of power substation using connectionistexpert system［J］．IEEE Transactions on Power Systems，1995，10(1)：323－331
33 Karunakaran R，et al．Artificial neural network as adispatcher＇s aid in alarm processing［C］．In：Proceedings of the First International Forum onApplications of NeuralNetworks to Power Systems，1991：167－173
34 Momoh JA，Ma X W，Tomsovic K．Overview andliterature survey offuzzy settheory in power systems［J］．IEEE Transactions on Power Systems，1995，10(3)：1676－1690
35 王平洋，胡兆光．模糊数学在电力系统中的应用［M］．北京：中国电力出版社，1998
36 Cho H J，Park JK．An expertsystem for fault sectiondiagnosis of power systems using fuzzy relations［J］．IEEE Transactions on Power Systems，1997，12(1)：342－348
37 Monsef H，Ranjbar A M，Jadid S．Fuzzy rule－basedexpert system for power system fault diagnosis［J］．IEE Proceedings－Generation，Transmission and Distribution，1997，144(2)：186－192
38 Chang C S，Chen JM，Srinivasan D，et al．Fuzzy logicapproach in power system fault section identification［J］．IEE Proceedings－Generation，Transmission and Distribution，1997，144(5)：406－414
39 Chang C S，Chen JM，Liew A C，etal．Power systemfault diagnosis using fuzzy sets for uncertaintiesprocessing［C］．In：Proceedings of 1996 InternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)，1996：333－338
40 Tang SK，Dillon T S，Khosla R．Application of anintegrated fuzzy，knowledge－based，connectionistcarchitecture forfaultdiagnosis in powersystems［C］．In：Proceedings of 1996 International Conference onIntelligent Systems Applications to Power Systems(ISAP＇96)，Orlando(USA)，1996：188－193
41 Chow M Y，Yee SO，Taylor LS．Recognizing animal－caused faults in power distribution systems usingartificial neural networks［J］．IEEE Transactions on Power Delivery，1993，8(3)：1268－1273
42 Navarro V，Da Silva A L，Zebulum R S．An integrati－on of neural networks and fuzzy logic for power systems diagnosis［C］．In：Proceedings of InternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)：1996：237－241
43 文福栓，韩桢祥等．基于遗传算法的电力系统故障诊断的解析模型与方法第一模型与方法(一)、(二)、(三)［J］．电力系统自动化学报，1998，10(3)：1－18
44 Wen Fushuan，Han Zhenxiang．A refined genetic algo－rithm for fault section estimation in power systemsusing the time sequence information of circuitbreakers［J］．Electric Machines and Power Systems，1996，24：801－815
45 Wen Fushuan，Chang C S．A probabilistic approach toalarm processing in power systems using a refinedgenetic algorithm［C］．In：Proceedings ofInternationalConference on Intelligent Systems Applications toPower Systems(ISAP＇96)，Orlando(USA)：1996：14－19
46 Wen Fushuan，Han Zhenxiang．Fault section estimati－on in power systems using a genetic algorithm［J］．Electric Power Systems Research，1995，34：165－172
47 文福栓，邱家驹，韩桢祥．利用断路器信息诊断电力系统故障的高级遗传算法［J］．电工技术学报，1994，11(2)：58－64
48 LaiLL，Sichanie A G，Gwyn BJ．Comparison betweenevolutionary programming and a genetic algorithm forfault－section estimation［J］．IEE Proceedings－Generation，Transmission and Distribution，1998，145(5)：616－620
49 Nagabhushana T N．Chandrasekharaiah H S．Adaptivefault diagnosis of large interconnected powernetworks using genetic algorithms［J］．Journal of the Indian Institute of Science，1997，77(1)：95－106
50 袁崇义．Petri网原理［M］，北京：电子工业出版社，1998
51 Lo K L，Ng H S，Trecat J．Power systems faultdiagnosis using petri nets［J］．IEE Proceedings－Generations，Transmissions and Distributions，1997，144(3)：231－236
52 Hadjicostis C N，etal．Power system monitoring usingpetri net embeddings［J］．IEE Proceedings－Generation，Transmission and Distribution，2000，147(3)：299－303
53 Wooldridge M J，Jennings N R．Intelligent agent：theory and practice［J］．Knowledge Engineering Reviewing Review．1995，10(2)：115－152
54 吴伟蔚，杨叔子，吴今培．基于智能Agent的故障诊断系统研究［J］，模式识别与人工智能，2000，13(1)：78－81
55 Sanz－Bobi M A，et al．Multi－agent environment forintelligent diagnosis in power systems［C］．In：IEEE ISAPConference，Budapest，Hungary，2001
56 Mangina E E，et al．Multi－agent system knowledgerepresetation for power plant condition monitoringbased on modallogic［C］．In：IEEE ISAPConference，Budapest，Hungary，2001
57 Fu Y．Data mining：tasks，techniques and applications ［J］．IEEEPotentials，1997，16(4)：18－20
58 Fayyad U．Data mining and knowledge discovery：making sense out of data［J］．IEEE Expert Intell．Systems，1996，11(5)：20－25
59 Madan S，Son，Won－Kuk，Bollinger K E．Applicationsof data mining for power systems［C］．In：Proceedingsof IEEE Canadian Conference on Electrical and Computer Engineering，1997，2：403－406
60 廖志伟，孙雅明．数据挖掘技术及其在电力系统中应用的综述．电力系统及其自动化，2001，25(11)：15－19
61 Zhang Qi，Han Zhenxiang，Wen Fushuan．A newapproach for fault diagnosis in power systems basedon rough set theory［C］．In：Proceedings of the 4thInterNational Conference on Advances in Power System Control，Operation and Management，1997
·上篇文章：基于人工智能技术(AI)的火灾探测信息融合系统
·下篇文章：人工智能在电力系统中的应用情况阅读：975人次 【 我也要发表机电论文 】 【 】
相关文章
·基于DSP和FPGA的机器人声控系统设计与实现 2011-3-5 11:23:16
·新手入门：电子元器件常识 2011-3-5 11:19:44
·如何为机器视觉系统选择采集卡 2011-3-5 11:16:07
·ARM的开发步骤 2011-3-5 11:11:31
·光电编码器的原理与应用 2011-3-5 11:10:01
特别声明：机电之家(http://www.jdzj.com)所共享的机电类资料，机电论文、机电类文章、机电企业类管理制度、机电类软件都来自网上收集，其版权归作者本人所有，如果有任何侵犯您权益的地方，请联系我们，我们将马上进行处理。购买的论文都出自原创，保证作者的原创的版权的转让，任何纠纷由法律解决。
相关评论0篇,当前显示最新的5篇
主办：浙江-杭州-机电之家网络运营部浙ICP备05041018号
