介绍了采用ANN和ES的变电站故障诊断系统，充分利用ES的推理能力和ANN的学习能力。系统首先采用ES对故障报警信息进行预处理，再用ANN方法确定故障情况，最后利用ES评价保护和开关的动作情况。ANN采用RBF网络，提高了训练速度和诊断能力；训练样本包括用ES自动生成基本故障样本，以及无确定规则的特殊样本，提高了系统管理样本的能力。本系统故障诊断快速，动作评价可靠，可减轻运行人员的工作量。
关键词：电力系统；故障诊断；专家系统；神经网络
1引言
在电力系统发生事故的情况下，正确而快速的故障诊断，对于电力系统的恢复决策，提高供电可靠性具有重要意义。目前研究的故障诊断主要采用专家系统方法（ES）和人工神经网络方法（ANN）。ES［1，2］具有较强的逻辑推理和符号处理能力，比较适合于电力系统的故障诊断，然而，ES容错和学习能力很弱，知识获取困难，使其应用受到限制。ANN是一种大规模并行分布处理系统，具有鲁棒性好，学习功能强等特点。文献［3］是针对某一个小规模系统，将其故障模式作为样本进行训练，然后将该系统的开关和保护信息作为输入，对故障元件进行判断。对于一个复杂的系统，由于其故障模式太多，训练样本集不便管理，需输入的开关和保护的信息量巨大，单用ANN进行故障诊断非常困难。文献［4］采用面向元件的ANN模型，将电力系统的元件分为线路、变压器和母线，对每类元件都有一个特定的ANN处理其报警信息，确定故障位置。虽然此方法通用性强，且故障识别的方法简单，但由于不能完整的反映网络结构，对复杂性故障的诊断能力欠佳。
本文针对上述情况，提出了综合使用ANN和ES的故障诊断系统，结构如图1所示。系统面向变电站，保证了诊断复杂故障的能力；首先采用ES对故障报警信息进行预处理，使ANN的输入量大大减少；再用ANN方法确定故障情况；最后利用ES评价保护和开关的动作情况。ANN采用RBF网络，提高了训练速度和诊断能力；训练样本包括用ES自动生成基本故障样本，以及无确定规则的特殊样本，提高了系统管理样本的能力。2故障诊断
本系统应用新型径向基函数（RadialBasisFunction，RBF）神经网络解决故障诊断问题，将正交最小二乘（OrthogonalLeastSquare）算法用于优化RBF神经网络参数，训练方法参考文献［5］。RBF神经网络比BP神经网络的训练速度快，故障诊断能力也优于BP神经网络，尤其是对于存在保护和开关不正常动作或多重故障的严重故障情况下，效果更为明显。
神经系统面向变电站，将所有的开关和保护的动作信息作为神经网络的输入。对同一设备一般配备1到2台主保护和相应的后备保护，如果不做预处理直接作为输入，将导致网络规模过于庞大，影响收敛能力和诊断速度，为此系统采用ES对保护的动作信息进行预处理。
ES根据表1，得到所有保护的系数。保护的类型不同，误动和拒动的概率也不同，不能用同一方法处理。系统根据本站的具体情况对各种保护设置误动和拒动的概率T，则正确动作的概率为1－a，修正后的可靠故障系数变为（1－a）×θ。后备保护有远后备和近后备，其动作代表的故障形式不同，鉴于目前电网的可靠性高，本系统只考虑近后备保护动作的情况。由此可见，某台设备的综合保护系数为即其所有关联的保护计算系数算术的平均值，作为神经网络的输入。另外，开关的状态也作为神经网络的输入。上述公式能很好的体现系统的结构和状况，便于诊断由于开关或保护错误动作造成的复杂故障。
3训练样本
神经网络的训练样本对于诊断可靠性有着至关重要的作用，恰当的训练样本可以提高诊断速度和外推能力。本系统开关和保护较多，如果完全由人工生成，不仅难以维护而且准确性得不到保证。考虑到在不发生误动和拒动的情况下，可以根据清晰的规则判断故障情况，因此本系统采用ES自动生成基本训练样本，再加上难以用规则表达的复杂故障样本，生成完整的训练样本集合。
ES使用CLIPS引擎。该引擎由美国宇航局（NASA）开发，利用事先确立的规则库进行推理。该系统由推理引擎、事例库和规则库组成。推理引擎通过事例匹配，激发相关规则，得到推理结果。事的变电站生成不同的事例库。规则库保存在文本文件中，可以添加修改。系统首先对事例进行预处理，利用网络拓扑事例库和设备属性事例库，自动生成保护和开关，保护和一次元件（线路或变压器、母线、电抗器等），开关和一次元件的关联关系（以及保护和设备的远后备关系）；然后根据开关、保护动作与设备故障之间关系自动生成开关、保护动作情况表，经过预处理得到训练样本。
本系统采用开关和保护均正确动作的情况作为训练样本，能够对开关和保护发生一次错误动作的情况做出正确诊断。如要进一步增加诊断能力，只需添加故障规则，加入更复杂的故障样本。由此可见，系统把样本按照规则进行分类，提高了管理样本的能力。
4保护和开关动作评价
保护和开关有三种动作情况：正确，误动和拒动。系统再次使用CLIPS引擎，根据简单的规则评价其动作行为。系统根据故障情况，保护和设备关系以及保护属性，利用保护动作规则库确定保护的动作情况。下面是针对线路主保护正确动作的一条规则：（保护动作信息评价（保护？Protect）（评价＂正确＂））
根据保护开关的动作情况以及开关和保护的对应关系，评价开关动作情况的规则如表2。5系统测试
本系统测试采用如图2所示的变电站接线图。该变电站具有双母线双变压器，六根出线和十二个开关。开关的状态（0／1）和设备的保护系数作为神经网络的输入，即ni＝22，10个系统元件的状态是神经网络的输出，即n0＝10。如果神经网络的某个输出接近1，则认为相应元件故障。由规则自动生成的样本包含10条基本故障情况。为了检验设计神经网络的泛化能力，选取不存在于训练样本集的故障情况作为测试样本。
故障情况1：只有开关B5063跳闸。
ANN进行故障诊断，没有得到故障元件，再由ES评价动作情况可得开关5063误动；
故障情况2：开关B5062、B5063跳闸，5407线主保护5407TLS动作，5407线主保护5407DLP未动作。
ANN进行故障诊断，得到故障元件5407，再由ES评价动作情况可得5407线主保护5407DLP拒动；
故障情况3：开关B5062、B5063、B5061跳闸，由ES评价动作情况可得开关B5061误动。
由测试结果可知，只利用基本训练样本，该系统就可以对开关和保护的不正确动作做出判断。
6结论
本文对神经网络和专家系统在电力系统故障诊断中的应用进行了研究。采用基于RBF的神经网络进行故障诊断；使用专家系统自动生成训练样本，预处理故障报警信息，并对开关和保护的动作情况进行评价。该方法具有很强的通用性，执行速度快，容错性较好，对电力系统故障诊断系统工具的开发具有重要意义，为将人工神经网络和专家系统的结合应用于电力系统的研究开辟了新的领域。参考文献1 赵冬梅，张东英，徐开理，刘君，高曙，杨以涵．分层分布式电网故障诊断专家系统设计．现代电力，2001，18（3）：41－46
2 文福拴，韩祯祥．计及警报信息时间特性的故障诊断模型．电力系统自动化，1999，23（17）：6－9
3 刘应梅，杨宛辉，章健．人工神经网络在变电站故障诊断中的应用．99＇全国高校电力系统及其自动化专业学术年会论文集．成都：1999
4 顾雪平，张文勤，高曙，杨以涵．基于神经网络和元件关联分析的电网故障诊断．华北电力大学学报，1999，26（2）：12－17
5 毕天妹，倪以信，吴复立，杨奇逊．基于新型神经网络的电网故障诊断方法．中国电机工程学报，2002，22（2）：73－78
6 张东英，钟华兵，杨以涵，周孝信．电力系统自动化，2001，25（9）：45－47
7 WenFS，ChangCS．Possibiliscic－diagnosistheoryforfault－sectionestimationandstateidentificationofun－observedprotectiverelaysusingTabu－searchmethod［J］．IEEProceedingsonGeneration，TransmissionsandDistribution，1998，145（6）：722－730
8 KezunovicM．Practicalapplicationsofautomatedfaultanalysis［J］．PowerCon2000InternationalConference，2000，2：819－824电力系统及其自动化学报
