电力系统及其自动化——论文

-1-第1章绪论1.1本课题的目的和意义在电力系统中，电能的集中和分配、电压和电流的变换都是在变电站中实现的。作为电力输配电系统中极其关键的环节，变电站通过变压器将各级电压的电网联系起来。变电站故障诊断就是将故障征兆信息从变电站的某些检测量中提取出来，然后通过对这些信息的分析与处理，判断出故障的位置和根源。其中，包括保护开关动作、断路器跳闸等的故障征兆信息，由变电站监控系统和故障录波器的检测量提供，而判断出的故障根源一般是输电线路、变压器、母线和无功补偿设备等]2,1[。改革开放以来，电网的规模随着电力系统的发展越来越大，不同区域电网之间的联系也越来越紧密。各类电压等级的变电站数量历年递增，导致电网结构愈加复杂。这也就使得变电所的故障对电力系统的影响范围及严重程度大大增加。同时，各地电力公司正逐步建立和完善集控站系统，越来越多的变电站实现了无人值守，且用户对电能质量的要求越来越高。如何令运行人员快速准确地找到故障位置，辨识、隔离真正的故障元件，使非故障区域迅速恢复至故障前状态，增强供电的可靠性和连续性，是目前的急需解决的问题。与此同时，变电站不断提高其综合自动化的水平，继电保护与自动装置在变电站中得到了越来越多的应用。这些二次设备会当变电站发生故障时产生大量诸如断路器跳闸、保护装置告警、保护动作、故障录波器动作等等的报警信息。变电站发生故障的瞬间，这些报警信息会不加选择地出现在监控系统的异常窗口内。如果出现复杂的多重故障、断路器或保护出现动作不正常（拒动、误动）、告警信号受干扰丢失等情况时，故障诊断的复杂性问题更会严重凸显。这种情况下，调度运行人员在很短的时间内要阅读这么多未经任何加工处理的报警信息，理解其中的含义并抓住报警信息的实质是相当困难的]3[。这将使现场人员极易产生误判断和误处理，以致扩大事故范围，拖延故障恢复时间，甚至发展成更为严重的停电事故。因此研究变电站智能化故障诊断方法，为调度及运行人员提供辅助判据具有重要的理论意义与实践指导作用。1.2国内外研究成果故障诊断问题的研究，可以追溯到上个世纪的60年代，当时的研究者们试图使用传统数学建模的方法来解决这个问题，但是由于故障诊断的过程和计算技术非常复杂，无法用传统的数学模型和计算方法来描述，以致对变电站故障诊断问题的研究进展极其缓慢。进入七八十年代的中后期，随着人工智能技术的迅猛发展，研究者们也从中找到了一条研究电网故障诊断问题的新路，即：将人工智能技术与电网故障诊断相结合。由于人工智能技术可以模仿人类的思维方式和处理问题的过程，并具有类似人类的学习能力和经验积累，使得这一技术在故障诊断领域里脱颖而出。目前，将国内外在变电站故障诊断领域应用的人工智能方法进行归纳，可以分为以下几类：基于专家系统(ExpertSystem)的方法、基于人工神经网络(ArtificialNeuralNetwork)的方法、基于模糊理论(FuzzyTheory)的方法、基于Petri网的方法、基于粗糙集（Roughsets）的方法、基于Agent技术、小波分析（WaveletAnalysis）的方法等]5,4[。1.专家系统(ExpertSystem)最早开发的人工智能技术就是专家系统(ExpertSystem)。它也是众多人工智能技术中发展相对成熟的一种。作为专家系统的创始人之一，费根鲍姆（E．A．Feigenbaum）认为该系统不是一个普通的应用软件，而是一种智能化的计算机程序，可以像专家一样，运用丰富的储备知识和严密的推理步骤解决复杂的问题。专家系统不仅能合理利用各种资料中的理论知识来处理各种定性的问题，而且还可像专家一样进行总结并运用实际经验来求解非定性问题。另外，专家系统在可以快速处理数学解析法不能解决的问题的同时，还能大幅缩小需求解问题的知识搜索范围、减少推理路径，加快解决问题的速度、提高推理效率]7,6[。尽管专家系统可以在模拟故障诊断专家的基础上有效地完成故障诊断过程，但是在实际应用过程中仍然不可避免有一定的不足：-3-(1)由于知识的获取以及对其完备性的验证是一个很困难的过程，因此怎样获取完备的知识库成为故障诊断专家系统的瓶颈问题就在所难免了。(2)专家系统毕竟不能像人类一样具有对新事物的学习能力，所以一旦发生储备知识库里无法搜索到的新故障情况，将导致专家系统的错误诊断或不诊断。(3)专家系统没有较好的容错能力。当故障后，尤其保护装置和断路器错误动作或者丢失动作信息的时候，专家系统不能有效识别，易产生错误诊断。(4)由于电力网络的结构和自动化装置的配置不断变化，作为故障诊断的专家系统，其储备的知识库随之也会进行相应的修改、校核。由此可见，及时更新专家系统的知识库是一项费时费力的工程]8[。因此，最近几年专家系统呈现一些新的发展趋势：①将ANN与专家系统结合，使之具备自学习与联想的功能；②将模糊理论与专家系统结合，使之可以实现不确定性推理；③将粗糙集与专家系统结合，使其知识库具有容错能力。2.人工神经网络(ArtificialNeuralNetwork)人工神经网络(ArtificialNeuralNetwork)是一种采用模仿人类神经系统工作的原理来进行信息传输、处理的人工智能方法]10,9[。相较于专家系统，通过神经元及神经元间的有向权重连接来隐含处理那些系统的知识是其最大的优点。除此之外，人工神经网络还具有以下优势：(1)在学习的能力方面，人工神经网络的学习过程首先是确定其基本结构，紧接着用算法进行样本的训练，最终完成自身对知识的理解和组织。整个学习过程结束后，人工神经网络还具备了一定程度的泛化能力；(2)在容错能力方面，即使输入信号带有一些噪声干扰，人工神经网络也可以输出正确的结果，容错的能力相对还是比较强的。(3)在执行速度方面，神经元之间相对独立，都是各自进行计算，这样有利于系统内事件的并行处理，所以执行速度相对还是比较快的。当然，在故障诊断领域的应用中，ANN也存在以下的几点问题：(a)ANN不能够对电网拓扑结构进行描述和表示，所以通常只能在一些规模较小的并且采用固定接线的电网中应用；(b)在应用ANN分析处理问题前，需要学习足够多典型的样本，另外学习过程所采用的算法往往收敛的速度不快；(c)ANN不善于分析那些带有启发性的知识。由于它缺少对诊断结果进行解释的功能，运行人员在理解结论时存在一定障碍]11[。3.模糊理论(FuzzyTheory)模糊理论(FuzzyTheory)是通过对传统的集合论模糊化，同时引入语言变量以及近似推理的模糊逻辑来解决任何不确定性问题的一种智能化技术。该理论更加符合人类的表达习惯，其知识库利用语言变量来使用专家掌握的经验。故障诊断中不可避免的存在不确定因素，而专家系统要求匹配一致，否则极易产生错误结果。将模糊理论引入到专家系统方法中，推理就由精确向近似转变，专家系统的容错能力也就得到了极大的提高[12]。模糊理论也不可避免地存在一定的不足。在运用模糊理论进行分析时，经常需要类似于基本概率指派函数、模糊隶属函数和有关统计概率分布等的数据附加信息或先验知识，而要获得这些信息是有一定的难度的。4.Petri网(Petrinet)Petri网(Petrinet)是在19621960—年间由德国数学家PetriA..C提出的一种通用的数学模型。它采用可视化图形描述离散事件系统的静态结构及动态行为，易于理解。同时因为Petri网能够描述离散事件系统的结构，所以它可以抓住系统中事件的先后和异同步等特征。电力系统的继电保护的基本要求之一就是选择性。当电网发生故障时，各类保护会有选择地切除故障。这个过程用Petri网络描述特别适宜，因为它就是系统同时发生或次序发生的活动]13[。在利用Petri网理论对大型电网建模时，设备增多与网络扩大会导致状态的组合爆炸。同时，对于时间特征要求高的行为，基本Petri网不具备描述能力。因此采用高级Petri网进行大型复杂系统的建模势在必行。5.粗糙集理论(RoughSetsTheory)上世纪末，Z．Pawlak教授等人提出了一种处理不确定问题和不精确数据的方法，粗糙集理论(RoughSetsTheory)。该方法研究的对象是不完整数据，可以处理不精确的知识，并对知识进行学习和归纳。它与概率统计和模糊集理论处理问题的方法都不相同，最大特点是只需要求解问题时要求处理的数据集合，其他的任何先验信息都不没必要提供，因此可以相对客观的表达和处理不确定-5-的问题]14[。变电站的故障诊断可以归结为模式分类问题，粗糙集决策表方法对于解决这类问题是相当适宜的。另外，变电站中存在因为断路器及保护装置误动或拒动、通信装置故障等原因造成的信号不完备问题。粗糙集理论在容错力方面的优势在解决该问题上可以充分发挥[15,16]。1.3粗糙集结合Petri网方法的可行性分析变电站的故障诊断就是依据断路器和保护的动作情况判断故障元件、误动作的断路器和保护等，其中最为关键的是对故障元件的识别。因为一旦识别出了故障元件，就可以利用保护动作的原理结合逻辑推理对误动作的断路器和保护进行识别]17[。用于故障诊断的信息主要由继电保护动作信号、断路器动作情况、自动重合闸动作情况、故障录波器信息等构成。这些信息之间有很强的因果关系，一些信息通常是由另一些信息的出现而产生，也就是说这些信息之间的冗余度很高，这也为粗糙集的应用提供了必要条件。运用粗糙集可以通过属性和属性值的约简排除冗余的条件属性和属性值，获得最简的诊断规则。其诊断效率大大提高。然而，利用粗糙集规则进行推理决策过程中，当数据量较大时，对规则进行查表匹配的计算量将挺大。Petri网理论在有向图和矩阵运算的基础上，对系统的静态结构和动态过程进行描述和推理的一种方法。Petri网方法的知识库系统具有结构规范、形式简单的特点，所以空间搜索和推理的效率高。Petri网可以利用简单的矩阵运算演绎推理的动态过程，求解速度快，可用于变电站的实时故障诊断。然而，Petri网方法不具备对知识加以处理的能力，只能进行知识的表达与推理。换句话说它的建立就是依靠先验知识。如果先验知识存在冗余信息，Petri网模型的规模就会过大，直接影响推理的效率。在使用规则知识进行决策和推理的这个问题上，粗糙集理论和Petri网理论可以很好的进行互补。首先，粗糙集理论不仅可以进行知识的约简，还可以进行不确定信息的处理，最终可以实现知识的属性优选，可以获得最佳的决策规则。其次，将这些决策规则用Petri网理论进行描述建立模型。这样就可以利用Petri网理论在推理过程中的优点，最终实现高效的诊断。将粗糙集理论和Petri网理论进行结合，不仅仅可以克服粗糙集的查表搜索过程计算量大的问题，还可以解决Petri网络的先验知识存在冗余性问题。这样它们各自的优点也就可以得到充分的发挥。1.4本课题研究的主要工作通过阅读大量文献，本文分析了变电站故障诊断的特点以及故障诊断信息的来源，系统全面地对国内外变电站故障诊断的方法进行了归纳和总结，在此基础上对变电站故障诊断问题进行了探索和研究。目前变电站故障诊断课题面临的主要问题是故障信息的不确定性和不完备性。这类问题很适合用粗糙集(RS)理论来解决。但利用粗糙集规则进行推理决策过程中，当数据量较大时，对规则进行查表匹配的计算量将特别大。因此本文将Petri网和粗糙集理论相结合，利用Petri网对粗糙集理论提取出的诊断规则进行描述，再利用Petri网并行推理的能力，实现了高效的变电站故障诊断。同时考虑到变电站的扩建通常一次只针对某一个电压等级，故将变电站按电压等级划分为多个相对独立的区域，针对每个区域进行了诊断模型的建立，从而提高了诊断的灵活性和适用性。主要的研究内容如下：(1)针对粗糙集理论及Petri网模型的特点，对粗糙集理论结合Petri网方法在变电站故障诊断应用中的可行性和优势进行分析，确立了基于粗糙集理论和Petri网模型的变电站故障诊断方法。(2)变电站的故障诊断以故障后所表现的征兆信息为分析和研究的基础，本文系统地分析了变电站故障数据的来源，并对变电站常见的故障进行了整理。(3