林鴻偉 黃 彥 黃 劼
(國網(wǎng)福建省電力有限公司 福州 350009)
變電站是智能電網(wǎng)的重要組成部分,確保變電站穩(wěn)定運行為配電網(wǎng)的安全穩(wěn)定性提供了基礎[1]。所以,變電站的故障診斷問題,一直以來都備受廣泛關注。
當變電站發(fā)生故障的時候,是否能夠快速準確地找到故障源,例如線路短路故障、母線故障或者設備故障等等,但是能夠引起這些故障的原因有很多種,這對于提高電力系統(tǒng)可靠運行,預防故障斷電帶來更大的災害具有重大意義[2]。但是現(xiàn)在的變電站發(fā)生故障時,會有很多報警信息上傳到監(jiān)控系統(tǒng),此時,值班人員就難以在大量的故障信息中找出故障源[3]。所以,研究一種能夠根據(jù)監(jiān)控系統(tǒng)采集的故障信息,快速智能地診斷出故障源的方法是十分必要的。
當前,對變電站故障的診斷已經(jīng)有了很多研究,比較常用的有神經(jīng)網(wǎng)絡法、專家系統(tǒng)、模糊理論等。文獻[4]提出了幾種較為常見的變電站主變故障、成因,并提出了故障處理建議;文獻[5]提出了變電站運動系統(tǒng)常見的故障;文獻[6]對變電站遠動裝置故障進行了分析,并有針對性地提出了解決方案;文獻[7]基于IEC61850對采集到的報警信號進行建模,并采用推理機進行故障推算;文獻[8]應用粗糙集理論,對變電站的故障診斷知識進行分層挖掘,選擇屬性,再運用神經(jīng)網(wǎng)絡對故障診斷知識進行模式識別;文獻[9]故障元件的診斷中,建立了針對可能故障區(qū)域的面向設備的子Petri網(wǎng)模型,降低了診斷的復雜性。盡管針對我國的變電站故障診斷已經(jīng)有了這么多研究,但是還很少有在變電站發(fā)生故障時,利用采集到的故障信息,進行智能化推理,從而找到故障源,盡快解決變電站故障,快速恢復配電網(wǎng)的穩(wěn)定供電能力,所以針對目前變電站的運行情況,充分利用監(jiān)控系統(tǒng)采集上來的故障信息,進行智能推理,從而快速推斷出故障點是很有研究意義的。
1982年,Schank提出了案例推理(Case Based Reasoning,CBR)[10]?,F(xiàn)如今,CBR 理論在輔助決策、智能控制、醫(yī)學診斷、故障診斷、預測環(huán)境等領域廣泛發(fā)展[11~13]。
CBR屬于規(guī)則推理范疇,根據(jù)以往經(jīng)驗知識解決當前問題、對方案進行評價、學習新知識。但CBR克服了規(guī)則推理知識的很多缺點:獲取知識存在瓶頸,不能記錄已經(jīng)解決的問題,較難解決領域中例外案例,性能較弱。
案例推理(Case—Based Reasoning,CBR)是將當前案例與案例庫中以往已解決問題,進行類比推理,利用專家知識,找出已解決相似問題,得出答案解決新問題。CBR通過采集先驗知識,建立原始案例庫,優(yōu)化過后的案例庫則為優(yōu)化案例庫,在案例庫中進行檢索,獲得近似案例,通過修復重用,解答新案例,再將解決完問題的案例存儲入案例庫,實時擴展更新案例庫。CBR是在如下假設上建立的:
1)正則性:通常事件是正則的。與以往情況相同時,執(zhí)行同樣操控,會產(chǎn)生相似的結果。
2)典型性:事件總是重復發(fā)生。以往遇到的事件很可能在將來也遇到相同的事件。
3)一致性:事情發(fā)生小變動,解答也只需要做小的改動就可以用來解決問題。
4)適應性:實際生活中的事件很少完全重復,有小差別的情況經(jīng)常遇見。這種小差別就容易調(diào)整。
數(shù)據(jù)庫是企業(yè)信息系統(tǒng)的基礎信息資源,CBR通過案例庫完成了對以往信息的記憶,在執(zhí)行過程中構建大量數(shù)據(jù)的存儲、查詢、和檢索,過程如下:
將案例用知識表現(xiàn)出來,以數(shù)據(jù)結構存儲,表現(xiàn)為當有新問題出現(xiàn)時,將其分解為案例描述和案例解兩部分,利用案例檢索在案例庫中尋找最佳原始案例。案例庫將以往經(jīng)驗呈現(xiàn)出來,經(jīng)過案例修正、重用,用于解決新問題。CBR在解決新問題之后,能不斷更新、完善案例庫,使案例庫更適用于解決新問題。
案例推理就是當新案例到來時,利用案例庫中已經(jīng)存儲的案例,通過案例檢索,尋找過去類似的問題和解決方法,根據(jù)新案例和檢索出來的歷史案例在時間和背景上的差異,將歷史案例進行調(diào)整和修改后,用來解決新案例。CBR對比于規(guī)則推理和模型推理,不需要將領域知識的模型顯示出來,不用擔心知識獲取瓶頸問題,并且系統(tǒng)具有開放性,很快就可以推理出結果,維護起來簡單方便。同時,對案例庫的實時更新,使案例庫能夠適應于當前工況,判斷效果更貼切。案例推理順序圖如圖1。
從圖1可以看出,CBR可以總結為4R(案例檢索Retrieve,案例重用Reuse,案例調(diào)整和修改Re?vise,案例學習Retain)。
案例表示:一般情況下,將案例表示為案例描述和案例解,如圖2所示。
圖2 案例描述
案例檢索(Retrieve):CBR的一個重要環(huán)節(jié)就是案例檢索,就是對當前案例在案例庫中進行搜索,找到與當前案例相似度最大的歷史案例,其實他就是查找和匹配的過程。CBR檢索過程中要實現(xiàn)的目標:檢索出的歷史案例盡量少,檢索出的歷史案例與當前案例盡可能相似。
圖1 案例推理循環(huán)圖
最近鄰法(k-nearest neighbor,k-NN)進行計算:k-NN是基于距離的相似度檢索方法,其經(jīng)常被用于各類案例檢索。定義測試案例為x={x1,x2,…,xn},其中n指屬性個數(shù)。給定案例庫中的某一案例q,則k-NN計算測試案例與q案例距離相似度公式為
也就是把當前案例的屬性與案例庫中各個案例的屬性進行距離均方根誤差計算,尋求與當前案例最相似的歷史案例。其中ωi為第i個屬性的權重。k-NN計算時,ωi都為1,不符合實際應用。
案例重用(Reuse):當相似案例被檢索到后,當前問題就可以利用檢索到的歷史案例進行解決。
案例評價:評價后分兩種處理:
檢索到的歷史案例適用于當前案例,進行案例學習。
檢索到的案例不適用當前案例,進行案例調(diào)整和修改。
案例調(diào)整和修改(Revise):修改檢索到的案例,使其適合解決當前問題,是案例修改。
案例學習(Retain):案例學習直接影響著案例庫的優(yōu)越與否。在源案例庫的基礎上,進行學習積累,不斷將新案例輸入案例庫,以便適應更多情況。案例學習也有規(guī)則,需要對案例進行辨別之后決定是否加入案例庫。
案例學習方法:設案例庫 X=(X1,X2,…,Xi,…,Xm),i∈[1,m], Xi是某歷史案例,εi是當前案例Y與歷史某案例Xi的相似度,η是提前定義的閾值。
案例庫維護:隨著新案例的不斷加入,案例庫會不斷擴大。這時就需要對案例庫進行處理,包括刪除冗余的案例,及時更新數(shù)據(jù)庫信息,使案例覆蓋率擴大。
輸出權值采用最小二乘法計算的ESN隱層參數(shù)則采取隨機獲取的方式,因此使得ESN的學習速度比傳統(tǒng)的BP網(wǎng)絡、支持向量機等學習速度提高了數(shù)千倍[14~15],并具有更優(yōu)的泛化性能。輸出權值采用最小二乘法計算的ESN的數(shù)學模型,如圖1所示。
圖3 輸出權值采用最小二乘法計算的ESN的數(shù)學模型圖
輸出權值采用最小二乘法計算的ESN的學習方法如下:
1)隨機選取隱層節(jié)點參數(shù) (ai,bi),i=1,…,L ,ai為第i個隱層神經(jīng)元輸入權值,bi為第i個隱層神經(jīng)元閾值。2)計算隱層節(jié)點輸出矩陣H=g(ai, bi, xi) ,
3)計算隱層到輸出層輸出權值β:
其中H+是隱層輸出矩陣H的左偽逆矩陣,T為目標輸出,即
4)計算輸出值Oj。當訓練到誤差( ||Oj-Tj)小于預先設定的常數(shù)ε時,輸出權值采用最小二乘法計算的ESN能夠接近這些訓練樣本:
5)求取誤差:
其中,(ai,bi)分別為隱層節(jié)點輸入權值、閾值,Tj是第 j組數(shù)據(jù)的輸出實際值,Oj是第 j組數(shù)據(jù)輸出預測值。
單隱層回聲狀態(tài)網(wǎng)絡提取屬性權重的網(wǎng)絡架構如圖4。當回聲狀態(tài)過訓練后,輸出結果逼近實際值,此時用來計算各輸入屬性的權重。在此結構中,有n個輸入{x1,…,xn},m個隱層神經(jīng)元{a1,…,am},第j個隱層神經(jīng)元aj計算如式(8),輸出結果計算如式(9)。
圖4 單隱層神經(jīng)網(wǎng)絡提取權重例圖
其中,bj是通過線性化輸入權重,然后再加上閾值。是xi和aj的連接權重,是aj與輸出神經(jīng)元之間的連接權重。在這里x0=1,a0=1。
此回聲狀態(tài)網(wǎng)絡計算權重的方法為相關性法,計算隱層zj的關聯(lián)性公式如式(11):
輸入節(jié)點xi的相關性權重為如式(12):
案例檢索:
檢索變電站故障點的時候,利用歐式距離公式進行計算,選出相似度大于閾值ε的案例,表達式如式(13):
經(jīng)過歐式距離選擇出來的第k個案例與當前工況進行相似度計算,其計算公式為式(14)。
找到相似度最大的案例后,取相似度最大的案例,按照報警信息中的權重值大小不同,對故障源進行排除查看。
將變電站故障采用案例推理的形式表達出來,如表1所示。
表1 變電站故障部分信息表
變電站發(fā)生故障時的所有的案例特征和案例解包含了所有的故障信息。
將變電站以前發(fā)生的故障,以案例的形式表現(xiàn)出來,并且以案例特征和案例解的形式進行存儲,當新的故障發(fā)生時,采用案例匹配的原則,將新案例在案例庫中進行檢索,從而找出相似案例,在案例檢索時采用回聲狀態(tài)網(wǎng)絡求取案例權重,然后再根據(jù)權重的大小確定故障發(fā)生點。
采用回聲狀態(tài)網(wǎng)絡求取權值得案例推理算法,在變電站故障診斷中的應用流程框架如圖5所示。
以某變電站故障為例,當發(fā)生故障的時候,系統(tǒng)采集到了如表格2報警信息。將表格2的報警故障信息,帶入新的案例推理算法中,根據(jù)基于新的案例推理算法的變電站故障診斷流程圖進行推理計算,最終得到的推理結果為“線路短路故障,重合闡動作”。我們再進行推理,由于沒有收到1127線開關合位信息,所以應該檢查是由于開關合位信號漏發(fā),還是重合閩失敗造成的。檢查110kV線路故障錄波器錄波文件,可以知道重合閘失敗,所以需要我們手動合閘斷路器。合閘后可以正常工作。通過上述的算例仿真可以驗證本為算法的有效性。
表2 某變電站事故主要信息
基于新的案例推理的變電站故障診斷技術,是針對當前的變電站發(fā)生故障時,監(jiān)控系統(tǒng)采集到大量的報警信息,值班員難以在繁雜的報警信號中快速高效地找到故障源提出來的。隨著整個智能變電站技術的飛速發(fā)展,案例庫不斷得到完善,求取相似案例的時候就越發(fā)高效。本文所提的基于新的案例推理算法在變電站故障診斷上的應用,對于保障電力系統(tǒng)穩(wěn)定性將會起到不可估量的貢獻。