隨著電網(wǎng)的發(fā)展和電力走向市場(chǎng)，人們對(duì)電網(wǎng)安全運(yùn)行和供電可靠性的要求越來(lái)越高。 電力系統(tǒng)發(fā)生故障時(shí)，安排人員要求迅速準(zhǔn)確地判斷故障因素和故障性質(zhì)，及時(shí)處理故障，恢復(fù)電力系統(tǒng)的正常運(yùn)行。 配電系統(tǒng)是電力系統(tǒng)中電廠與用電者之間電力輸送和電力分配的中間環(huán)節(jié)，包括各電壓級(jí)配電系統(tǒng)和變電站。 其故障是不可避免的，但電力系統(tǒng)規(guī)模的擴(kuò)大和各種監(jiān)控設(shè)備的應(yīng)用使得配電網(wǎng)絡(luò)的故障診斷十分重要。 其可靠性指標(biāo)是影響電力系統(tǒng)整體可靠性的重要因素，其可靠性的改善給電力系統(tǒng)整體的安全、可靠性和經(jīng)濟(jì)運(yùn)行帶來(lái)了巨大的利益。 因此，研究人員致力于發(fā)展先進(jìn)、準(zhǔn)確的自動(dòng)故障診斷系統(tǒng)。 配電網(wǎng)絡(luò)故障診斷主要分析各級(jí)保護(hù)裝置發(fā)生的報(bào)警信息、斷路器狀態(tài)變化信息以及電壓電流等電量測(cè)量特點(diǎn)，根據(jù)保護(hù)動(dòng)作邏輯和駕駛員經(jīng)驗(yàn)推斷可能的故障位置和故障類型。 由于這一過(guò)程用傳統(tǒng)的數(shù)學(xué)方法難以描述，人工智能技術(shù)擅長(zhǎng)模擬人處理問題的過(guò)程，人的經(jīng)驗(yàn)和有一定的學(xué)習(xí)能力等特點(diǎn)在此領(lǐng)域得到廣泛應(yīng)用。 通過(guò)對(duì)網(wǎng)絡(luò)缺陷判斷認(rèn)知過(guò)程的分析，應(yīng)用綜合知識(shí)診斷、模糊理論和神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的zui新成果，開發(fā)綜合自動(dòng)邏輯分析判斷系統(tǒng)，分析缺陷，提供監(jiān)測(cè)處理意見，使檢修人員對(duì)問題的認(rèn)識(shí)更為全面、有效和準(zhǔn)確。 本文在簡(jiǎn)要介紹專家系統(tǒng)( ES )、人工神經(jīng)網(wǎng)絡(luò)( ANN )、模糊理論( FZ )、遺傳算法( GA )等人工智能技術(shù)的基本概念的基礎(chǔ)上，通過(guò)單一智能方法、綜合智能方法的應(yīng)用，評(píng)價(jià)了文獻(xiàn)中提出的相應(yīng)配電網(wǎng)絡(luò)故障診斷方法 1單一智能方法1.1專家系統(tǒng)專家系統(tǒng)是人工智能應(yīng)用研究zui的活躍和zui的廣泛課題之一，它是一個(gè)智能計(jì)算機(jī)程序系統(tǒng)，內(nèi)部具有很多專家級(jí)領(lǐng)域知識(shí)和經(jīng)驗(yàn)，應(yīng)用人工智能技術(shù)， 根據(jù)某一領(lǐng)域的一個(gè)或多個(gè)人類專家提供的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷，應(yīng)用模擬人類專家決策過(guò)程的專家必須決定的復(fù)雜問題和兩種不同的神經(jīng)網(wǎng)絡(luò)模型來(lái)解決故障診斷問題。 文獻(xiàn)[10]基于三層前饋神經(jīng)網(wǎng)絡(luò)，用全局逼近的BP學(xué)習(xí)算法完成故障定位。 文獻(xiàn)[11]利用局部近似徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障定位。 文獻(xiàn)[14]以線路三相電流、三相電壓和零相電流的頻譜密度為輸入，以故障類型為輸出，分別比較了多層前饋網(wǎng)絡(luò)和Kohonen網(wǎng)絡(luò)在故障類型識(shí)別中的應(yīng)用。 文獻(xiàn)[15]提出了受限脈沖對(duì)應(yīng)( finiteimpulseresponse)ANN結(jié)構(gòu)的單相變壓器與三相變壓器的差動(dòng)保護(hù)，該ANN模型適合處理瞬時(shí)信號(hào)，研究了三種結(jié)構(gòu):檢測(cè)用于檢測(cè)單相變壓器內(nèi)部故障的第二類三相變壓器內(nèi)部故障 必須指出，神經(jīng)網(wǎng)絡(luò)的方法有助于克服專家系統(tǒng)獲取知識(shí)的瓶頸、基于知識(shí)的維護(hù)困難等問題，但不適合處理啟發(fā)性知識(shí)。 另外，由于ANN技術(shù)本身不夠，學(xué)習(xí)速度慢，訓(xùn)練時(shí)間長(zhǎng)，說(shuō)明功能弱，影響著神經(jīng)網(wǎng)絡(luò)的實(shí)用化。 同時(shí)，如何設(shè)計(jì)適用于大規(guī)模輸電網(wǎng)絡(luò)的ANN故障診斷系統(tǒng)仍然是一個(gè)值得探討的問題。 ANN一直是一個(gè)活躍的研究領(lǐng)域，在開發(fā)ANN的故障診斷系統(tǒng)時(shí)，充分考慮了應(yīng)對(duì)上述問題。 文獻(xiàn)[16]劃分了大型輸電網(wǎng)絡(luò)，針對(duì)各地區(qū)建立了基于BP算法的故障診斷網(wǎng)絡(luò)，然后綜合這些分布式神經(jīng)網(wǎng)絡(luò)的結(jié)果得出了zui終局的故障診斷結(jié)論。 文獻(xiàn)[17]提出了一種新的方法，當(dāng)網(wǎng)絡(luò)模型在故障診斷中輸入樣本影響診斷結(jié)果的精度時(shí)，除了現(xiàn)有的神經(jīng)網(wǎng)絡(luò)輸入節(jié)點(diǎn)外，還增加了特征輸入節(jié)點(diǎn)，反映了樣本數(shù)據(jù)大小的特征量，并將其應(yīng)用于功率變壓器，提高了故障診斷的精度。 文獻(xiàn)[18]在分析BP算法的缺點(diǎn)的基礎(chǔ)上，提出簡(jiǎn)化訓(xùn)練過(guò)程，加快網(wǎng)絡(luò)收斂和診斷推理速度，提高故障識(shí)別率，實(shí)現(xiàn)故障自動(dòng)診斷和智能綜合保護(hù)。 文獻(xiàn)[16~18]表明，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法的改進(jìn)可以在一定程度上提高故障診斷的有效性。 專家系統(tǒng)的方法和神經(jīng)網(wǎng)絡(luò)的方法可以在很多方面協(xié)調(diào)工作，如何取得長(zhǎng)補(bǔ)充，使神經(jīng)網(wǎng)絡(luò)技術(shù)和故障診斷專家系統(tǒng)一體化，彌補(bǔ)診斷的不足，提供新的診斷技術(shù)和方法，具有很大的潛力和廣闊的前景 1.3模糊理論在故障診斷中故障與征兆的關(guān)系模糊，這種模糊性從故障與征兆關(guān)系的不確定性，以及故障與征兆概念描述上的不確定性來(lái)看，診斷結(jié)果也必然是模糊的，解決模糊診斷問題的傳統(tǒng)方法一般是根據(jù)專家的經(jīng)驗(yàn)在故障征兆空間與故障原因空間之間進(jìn)行模糊的 一般方法是將基于每個(gè)模糊推理規(guī)則的模糊關(guān)系矩陣組合或求和。 隨著模糊理論的發(fā)展和完善，模糊理論的一些優(yōu)點(diǎn)逐漸受到重視，例如模糊理論可以適應(yīng)不確定性問題，其模糊知識(shí)庫(kù)使用語(yǔ)言變量來(lái)表達(dá)專家的經(jīng)驗(yàn)，接近人的表達(dá)習(xí)慣的模糊理論可以得到問題的多種可能解決方案，這些方案的模糊度的高低 目前模糊理論已引入配電網(wǎng)絡(luò)故障診斷領(lǐng)域。 輸電網(wǎng)絡(luò)故障診斷的不確定因素，對(duì)于要求嚴(yán)格匹配的專家系統(tǒng)來(lái)說(shuō)，容易導(dǎo)致錯(cuò)誤的結(jié)果。 在專家系統(tǒng)中嵌入模糊理論后，從推理變?yōu)榻仆评?，專家系統(tǒng)的容錯(cuò)性得到了相當(dāng)強(qiáng)化。 文獻(xiàn)[19]應(yīng)用多目標(biāo)模糊決策方法進(jìn)行故障測(cè)距和故障類型辨識(shí)，并進(jìn)行現(xiàn)場(chǎng)測(cè)試。 文獻(xiàn)[20]研究了在配電網(wǎng)絡(luò)中，在大體了解各設(shè)備運(yùn)行情況時(shí)，如何確定適當(dāng)?shù)木S護(hù)水平，使運(yùn)行安全與維護(hù)成本并存。 首先用模糊集合方法描述設(shè)備運(yùn)行情況，然后構(gòu)建了確定適當(dāng)維護(hù)水平的模糊現(xiàn)行計(jì)劃模型。 由于一般模糊系統(tǒng)采用與專家系統(tǒng)類似的結(jié)構(gòu)，也存在專家系統(tǒng)的固有缺點(diǎn): (1)模糊系統(tǒng)在推理時(shí)搜索知識(shí)庫(kù)中的一定規(guī)則集以得出診斷結(jié)論，因此系統(tǒng)越大完成診斷的速度也越慢。 (2)輸電網(wǎng)絡(luò)結(jié)構(gòu)和自動(dòng)裝置配置發(fā)生變化時(shí)，模糊系統(tǒng)知識(shí)庫(kù)和相關(guān)規(guī)則的模糊度也必須相應(yīng)修正，即模糊系統(tǒng)也存在維護(hù)問題。 (3)模糊系統(tǒng)也沒有學(xué)習(xí)能力。 也就是說(shuō)，結(jié)合模糊理論和其他人工智能技術(shù)構(gòu)成的診斷系統(tǒng)能夠增強(qiáng)處理不確定性的能力，在一定程度上提高診斷的精度，但不能完全消除專家系統(tǒng)固有的缺點(diǎn)。 1.4遺傳算法是一種基于自然選擇和遺傳機(jī)制，在計(jì)算機(jī)上模擬生物進(jìn)化機(jī)制的優(yōu)良搜索算法。 在復(fù)雜、巨大的搜索空間中能夠進(jìn)行自適應(yīng)搜索，能夠找到zui優(yōu)先級(jí)或準(zhǔn)zui優(yōu)先級(jí)解，且算法簡(jiǎn)單、適用性強(qiáng)、魯棒。 遺傳算法在求解問題上幾乎沒有限制，并且與求解常規(guī)優(yōu)化問題的復(fù)雜數(shù)學(xué)過(guò)程無(wú)關(guān)，可以得到總zui優(yōu)先解或局部zui優(yōu)先解集，這優(yōu)于傳統(tǒng)優(yōu)化技術(shù)。 文獻(xiàn)[21~23]試圖用遺傳算法解決輸電網(wǎng)絡(luò)故障診斷問題。 建立了基于報(bào)警信息估計(jì)故障點(diǎn)的數(shù)學(xué)模型，從診斷結(jié)果能夠盡可能解釋所有報(bào)警信息的觀點(diǎn)出發(fā)，給出了故障診斷問題的適應(yīng)度函數(shù)，將輸電網(wǎng)絡(luò)的故障診斷問題轉(zhuǎn)換為0~1整數(shù)規(guī)劃問題。 在此基礎(chǔ)上，文獻(xiàn)[21]分別用簡(jiǎn)單的遺傳算法和改進(jìn)的遺傳算法實(shí)現(xiàn)故障診斷系統(tǒng)，調(diào)整交叉和變異算子的改進(jìn)遺傳算法故障診斷效果理想。 文獻(xiàn)[24]采用[21]提出的故障診斷數(shù)學(xué)模型，設(shè)計(jì)了基于進(jìn)化規(guī)劃方法的故障診斷系統(tǒng). 進(jìn)化規(guī)劃方法與遺傳算法的區(qū)別在于，由于進(jìn)化規(guī)劃的編碼方式不限于二進(jìn)制編碼，編碼方式比較靈活，而且進(jìn)化規(guī)劃僅使用變異算子和競(jìng)爭(zhēng)機(jī)制產(chǎn)生下一代。 個(gè)體數(shù)少的情況下計(jì)算效率高。 遺傳算法基本上可以從優(yōu)化的角度解決故障診斷問題，尤其是在存在恢復(fù)故障、保護(hù)或斷路器誤操作的情況下，可以給出許多全局zui優(yōu)先級(jí)或局部zui優(yōu)先級(jí)的可能診斷結(jié)果。 但是，如何構(gòu)建合理的輸電網(wǎng)絡(luò)故障診斷模型是運(yùn)用遺傳算法的主要“ 瓶頸” 的雙曲馀弦值。 建立合理的數(shù)學(xué)模型，不僅可以用遺傳算法解決故障診斷問題，還可以用其他類似的啟發(fā)式優(yōu)化算法解決故障診斷問題。 不同交叉點(diǎn)和變異算法的應(yīng)用比較表明，不同交叉點(diǎn)和變異算子對(duì)結(jié)果的影響相對(duì)較大，還需要進(jìn)一步研究如何確定zui優(yōu)先級(jí)的交叉點(diǎn)和變異算子及其相應(yīng)參數(shù)。 兩種智能方法綜合以上的各種智能診斷方法可以用不同的方法解決故障診斷問題，但同時(shí)也存在缺陷。 為了構(gòu)建性能良好的應(yīng)用智能系統(tǒng)，需要綜合應(yīng)用ES、NN、GA、FZ這一技術(shù)。 集成的基本思路是根據(jù)解決的問題需要將系統(tǒng)分為若干模塊，各模塊采用ES、NN、GA、FZ技術(shù)實(shí)現(xiàn)，以某種方式集成形成主體系統(tǒng)結(jié)構(gòu)，采用連接、嵌入或轉(zhuǎn)換模塊的方法來(lái)補(bǔ)充長(zhǎng)短，功能完善的應(yīng)用 例如，人工神經(jīng)網(wǎng)絡(luò)和模糊理論可以用兩種方式組合，即首先使神經(jīng)網(wǎng)絡(luò)的輸入模糊，進(jìn)而所得輸出也是模糊數(shù)。 第二種方式是根據(jù)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)設(shè)計(jì)的。 人工神經(jīng)網(wǎng)絡(luò)的輸出本身是0~1小時(shí)的書，所以神經(jīng)網(wǎng)絡(luò)的輸出作為模糊系統(tǒng)的輸入，可以用模糊系統(tǒng)解釋神經(jīng)網(wǎng)絡(luò)的輸出。 zui蕞終為駕駛員提供語(yǔ)言結(jié)論，方便駕駛員理解。 這在某種程度上彌補(bǔ)了神經(jīng)網(wǎng)絡(luò)不具備解釋能力的弱點(diǎn)。 文獻(xiàn)[25]開發(fā)了電力系統(tǒng)故障診斷的模糊專家系統(tǒng)，在可行性診斷理論的基礎(chǔ)上，著重于保護(hù)和斷路器的誤動(dòng)作和拒絕、通信問題引起的信息錯(cuò)誤等不確定性問題。 該方法還能夠相對(duì)容易地處理多個(gè)故障情形。 同時(shí)對(duì)故障診斷中處理的不確定性進(jìn)行了比較分析。 文獻(xiàn)[26]應(yīng)用改進(jìn)的TS方法和專家系統(tǒng)實(shí)現(xiàn)配電系統(tǒng)zui優(yōu)良的網(wǎng)絡(luò)重建，優(yōu)化目標(biāo)為損耗zui小和電壓質(zhì)量zui高，同時(shí)保證充分的供電可靠性。 供電可靠性指標(biāo)是通過(guò)重構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)是否能夠在預(yù)期事故情況下恢復(fù)用戶供電來(lái)測(cè)量的。 改進(jìn)的TS方法現(xiàn)在允許用戶在搜索過(guò)程中自動(dòng)調(diào)整參數(shù)，而無(wú)需經(jīng)驗(yàn)指定參數(shù)。 結(jié)合文獻(xiàn)[27]和ANN實(shí)現(xiàn)基于變電站故障診斷的分層分布時(shí)故障診斷系統(tǒng). 基于文獻(xiàn)[28]模糊理論和神經(jīng)網(wǎng)絡(luò)理論，基于特征氣體法和改進(jìn)IEC三比法，建立了模糊神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷模型. 該模型能有效處理故障診斷中的不確定因素，具有較強(qiáng)的知識(shí)獲取能力。 文獻(xiàn)[29]從基于人的思維發(fā)展模型的角度，融合設(shè)備故障診斷的ES和ANN模型，構(gòu)建了電力變壓器故障診斷分析系統(tǒng)。 綜上所述，結(jié)合不同的人工智能技術(shù)，分析不確定因素對(duì)智能診斷系統(tǒng)的影響，提高診斷精度是未來(lái)智能診斷的發(fā)展方向。 3其他方法隨著人工智能技術(shù)的發(fā)展，新方法也陸續(xù)出現(xiàn)，擴(kuò)大了其應(yīng)用范圍，為故障診斷領(lǐng)域注入了新的活力。 文獻(xiàn)[30]利用小波變換分析了故障后的瞬態(tài)現(xiàn)象，可快速識(shí)別故障類型，用于快速保護(hù)。 文獻(xiàn)[31]提出用小波變換和ANN檢測(cè)變壓器故障。 首先用EMTP程序生成變壓器的正常運(yùn)行和故障時(shí)的信號(hào)(主要是電流信號(hào))，然后用小波變換處理提取特征量，在zui后用ANN進(jìn)行訓(xùn)練和推定。 應(yīng)用小波變換提取重要特征量，簡(jiǎn)化了ANN的結(jié)構(gòu)，提高了訓(xùn)練速度。 輸電網(wǎng)絡(luò)的各類、各種保護(hù)系統(tǒng)對(duì)故障作出反應(yīng)、選擇性切除故障的過(guò)程是系統(tǒng)同時(shí)發(fā)生或依次發(fā)生的活動(dòng)范疇，應(yīng)用于Petri網(wǎng)絡(luò)進(jìn)行描述。 文獻(xiàn)[31]以輸電網(wǎng)中的元件為單位，首先研究故障消除過(guò)程的Petri網(wǎng)模型，然后相反求出故障診斷的Petri網(wǎng)模型，并將其結(jié)合起來(lái)形成了整個(gè)輸電網(wǎng)的Petri網(wǎng)故障診斷系統(tǒng)。 系統(tǒng)總體物理概念明確，易于實(shí)現(xiàn)，診斷速度快。 文獻(xiàn)[32]還分析了保護(hù)、斷路器誤操作對(duì)Petri網(wǎng)絡(luò)模型的影響，提供了識(shí)別保護(hù)和斷路器誤操作的模板。 近年來(lái)，分析電網(wǎng)故障診斷問題，從模擬保護(hù)系統(tǒng)的工作邏輯來(lái)解決也是趨勢(shì)。 除了上述方法以外，還有基于邏輯包含式的方法、基于外展邏輯的方法等基于邏輯的方法。 4結(jié)語(yǔ)本文介紹了近年來(lái)專家系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)、模糊理論等人工智能技術(shù)在輸電網(wǎng)絡(luò)故障診斷中的應(yīng)用，分析了其優(yōu)缺點(diǎn)。 其中，單一智能技術(shù)故障診斷難以滿足復(fù)雜輸電網(wǎng)絡(luò)診斷的所有任務(wù)要求。 因此，多種不同智能技術(shù)相結(jié)合的混合診斷系統(tǒng)是智能故障診斷研究的發(fā)展趨勢(shì)。 主要耦合技術(shù)包括基于規(guī)則的專家系統(tǒng)與ANN耦合、模糊邏輯、ANN與專家系統(tǒng)耦合等。 其中模糊邏輯、ANN與專家系統(tǒng)相結(jié)合的診斷模型zui有發(fā)展前景也是當(dāng)前人工智能領(lǐng)域的研究熱點(diǎn)之一。 許多問題，例如模糊邏輯與神經(jīng)網(wǎng)絡(luò)的組合機(jī)制、組合實(shí)現(xiàn)算法，都值得深入研究如何使智能系統(tǒng)具有ANN的學(xué)習(xí)能力、靈活的知識(shí)表示能力和嚴(yán)格的邏輯性。 總之，綜合現(xiàn)有人工智能技術(shù)，避開長(zhǎng)距離探索新的診斷技術(shù)和理論方法，研制完善的智能配電網(wǎng)絡(luò)故障診斷系統(tǒng)是研究人員面前的重要課題，是今后發(fā)展的主要方向。

以上就是投入式液位計(jì)量表的特點(diǎn)及應(yīng)用文章的全部?jī)?nèi)容