電力系統(tǒng)的故障診斷技術是一門綜合性技術，涉及現(xiàn)代控制理論、信號處理、模式識別、人工智能、小波變換數(shù)理統(tǒng)計、模糊邏輯等多學科理論。本文結合國內外研究，總結了幾種比較實用的診斷方法。
　　
　　隨著電力的大規(guī)模生產，電力設備的結構越來越復雜，功能越來越完善，自動化程度也越來越高，各子系統(tǒng)的關系也越來越密切，一旦設備的某個部分在運轉過程中出現(xiàn)故障，就很可能中斷生產，造成巨大的經濟損失，甚至帶來災難性的后果。為保證電力系統(tǒng)安全、經濟、穩(wěn)定運行，電力設備的故障監(jiān)測診斷將從以時間為基準的方式轉變到以狀態(tài)為基準的方式，其內容包括狀態(tài)監(jiān)測與故障診斷兩個方面：前者通過提取故障的特征信號為狀態(tài)維修提供檢修依據(jù)，后者則分析、處理所采集的狀態(tài)信息。國內外在電力系統(tǒng)故障診斷方而的研究已經取得了大量成果，內容包括特征量、診斷方法等。
　　
　　1.線路變壓器診斷
　　超高壓輸電線路猶如聯(lián)系東西部經濟和全國電網的動脈，當輸電線路發(fā)生故障時，準確、快速地分析以及迅速恢復供電有著舉足輕重的作用。國內外已經在這一領域進行了長期的研究，研究內容包括故障類型、故障定位和輸電線路熱故障（高壓輸電線路的接頭和連接件會出現(xiàn)熱故障點）等；研究方法包括利用專家系統(tǒng)、神經網絡、小波理論和模糊集理論等；使用的手段包括注入信號法、行波檢測法、CPS及紅外熱成像技術等。故障定位的方法有阻抗法、行波檢測法、注入信號法。熱故障診斷方法使用紅外成像技術。利用電氣量和開關量的量測，采用某種算法提高線路故障診斷的精度是目前研究較多的問題。神經網絡的研究最為熱門，但由于其算法復雜，因此多數(shù)停留在理論研究和仿真計算的階段，很少在實際中成功應用。目前，線路故障診斷而對的主要問題是在所需信息不能完全得到的情況下如何提高精度。以及提高故障診斷算法與故障類型的無關度。而注入信號法、行波檢測法等的使用需要額外的設備，有一定的局限性。目前，所要解決的是能夠有一種運用于實際的理論或方法。目前，變壓器故障診斷方面的研究主要集中在故障性質方而，診斷的方法較多，用得最廣的是氣相色譜法，即通過變壓器中出現(xiàn)的各種氣體含量判斷變壓器潛伏性故障。采用的診斷方法主要為數(shù)值方法，另外人工神經網絡方法也被成功應用。變壓器的在線故障診斷尤其是故障定位研究，在國內外仍屬起步階段，這對避免故障惡化、縮短檢修時間是十分必要的。但僅僅依靠油氣量難以做到這一點。
　　
　　2.譜分析方法
　　在故障診斷中比較常用的信號處理方法是譜分析。常用傅里葉譜、沃爾什譜，另外還有濾波、相關分析等。
　　譜分析的目的：信號中包含噪聲，故障信號的時域波形不能清楚地反映故障的特征。而電力電子電路中包含故障信息的關鍵點信號通常具有周期性，因此可以用傅里葉變換將時域中的故障波形變換到頻域，以突出故障特征，實現(xiàn)故障診斷。傅里葉變換是將某一周期函數(shù)分解成各種頻率的正弦分量，類似地，沃爾什變換是將某一函數(shù)分解成一組沃爾什函數(shù)分量。
　　自適應濾波是一種數(shù)字信號的處理統(tǒng)計方法，它不需要知道信號一二階的先驗統(tǒng)計知識，直接利用觀測資料，通過運算改變?yōu)V波器的某些參數(shù)，而使自適應濾波器的輸出能自動跟蹤信號特性的變化。在電力電子系統(tǒng)故障診斷中，可以用自適應處理來實現(xiàn)噪聲抵消，譜線增強等功能，從噪聲背景下提取故障特征，從而實現(xiàn)準確的診斷。
　　
　　3.基于神經網絡的故障診斷方法
　　利用神經網絡的自學習、白歸納能力，經過一定的訓練，建立起故障信號與故障分類之間的映像關系。利用學習后的神經網絡，實現(xiàn)故障診斷。
　　神經網絡是由大量的神經元廣泛互連而成的網絡，這里以BP網絡為例加以介紹。BP網絡（Back Propagation NN）是單向傳播的多層前向網絡，它由輸人層、中間層和輸出層組成，中間層可有若干層，每一層的神經元只接受前一層神經元的輸出。BP網絡中沒有反饋，同一層的節(jié)點之間沒有藕合，每一層的節(jié)點只影響下一層節(jié)點的輸人。BP網絡一般采取的學習算法是：網絡的輸出和希望的輸出進行比較，然后根據(jù)兩者之間的差調整網絡的權值，最終使誤差變?yōu)樽钚　?
　　當電力電子電路發(fā)生故障時，如果能夠利用神經網絡的學習能力，使故障波形與故障原因之間的關系通過神經網絡的學習后保存在其結構和權中，然后將學習好的神經網絡用于故障診斷，神經網絡就可以通過對當前電壓或電流波形的分析，得出故障原因，從而實現(xiàn)故障的在線自動診斷。
　　
　　4.基于GA的電力系統(tǒng)故障診斷
　　GA是建立在Darwin自然選擇和Mendel遺傳學說基礎上，通過模仿生物遺傳和進化的進程，尋求對復雜問題的全局最優(yōu)解的優(yōu)化算法。它按一定規(guī)則對問題解進行字符串編碼，模擬人工染色體表示某優(yōu)化問題的可行解，用隨機方法形成初始解群，再按自然選擇的原理，通過群體搜索策略和遺傳操作，對群體中個體之間的信息交換，使得GA不易陷入局部極小點，能夠以很大概率得到全局最優(yōu)解集或局部最優(yōu)解集。與傳統(tǒng)優(yōu)化技術不同，GA對待求解問題不需涉及常規(guī)優(yōu)化問題求解的復雜數(shù)學過程；同時GA也不需要直接對知識規(guī)則和訓練樣本選擇處理，這是它和基于ES、NN診斷系統(tǒng)相比的最大優(yōu)勢之處。
　　研究用GA解決輸電網絡故障診斷問題。根據(jù)各類保護動作時段內斷路器動作的時序信息，從而將輸電網絡故障診斷問題轉化為0－1整數(shù)規(guī)劃問題，建立了GA的電力系統(tǒng)故障診斷的適應度函數(shù)模型，實現(xiàn)任意復雜的故障情況下的故障診斷；用無源信息識別故障區(qū)域的方法，將故障診斷問題局限于小的局部網絡，在此基礎上分別用Boltzmann機法、模擬退火法、簡單的和高級的GA實現(xiàn)了故障診斷系統(tǒng)，驗證了對交叉和變異算子做過調整的高級GA在診斷信息不完整的情況下，可以有效的找到全局最優(yōu)解，得到比較理想故障診斷效果。
　　用GA從優(yōu)化的角度解決故障診斷問題，它能夠在診斷信息不完整的情況下給出全局最優(yōu)或局部最優(yōu)的多個可能的診斷結果。但在診斷所依據(jù)的信息發(fā)生畸變，出現(xiàn)復雜的故障模式的時候，也難以保證診斷結果的可靠性。因此如何根據(jù)被診斷對象特征，建立能保證高容錯性能故障診斷適應度函數(shù)，以及如何確定迭代操作結束的準則和保證最終的結果為最優(yōu)解或近似最優(yōu)解。這些問題是基于GA應用中需要深入研究的內容。
　　
　　5.結語
　　本文簡要地介紹了電力電子系統(tǒng)故障診斷中常用的幾種提取故障特征的方法，在一些復雜的電力電子系統(tǒng)的故障診斷中，可能需要將多種方法結合起來應用，才能準確地對故障進行診斷和定位，有關這方面的問題今后還有很多工作要做。實際應用表明，這些方法可行、有效，適用性強，具有較高的實用價值。
　　參考文獻
　　[1] 郭創(chuàng)新，朱傳柏，曹一家，吳欣. 電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢[J]. 電力系統(tǒng)自動化，2006，（08）.
　　[2] 劉娜，高文勝，談克雄. 基于組合神經網絡模型的電力變壓器故障診斷方法[J]. 電工技術學報，2003，（02）.
　　[3] 高翔，郭創(chuàng)新，張金江，曹一家. 基于調度數(shù)據(jù)網的變電站智能設備遠程維護系統(tǒng)[J]. 電網技術，2005，（23）.
　　[4] 張金江，郭創(chuàng)新，曹一家，孫?，辛建波，錢維忠，楊健. 變電站設備狀態(tài)監(jiān)測系統(tǒng)及其IEC模型協(xié)調[J]. 電力系統(tǒng)自動化，2009，（20）.
　　 （作者單位：施耐德電氣（中國）投資有限公司廣州分公司 510600）

相關熱詞搜索：電力系統(tǒng) 診斷 研究 電力系統(tǒng)診斷問題的研究 電力系統(tǒng)研究方向 電力系統(tǒng)前沿研究方向