王守鵬，趙冬梅，袁敬中，高楊，姜宇，張立斌

(1.國網(wǎng)冀北電力有限公司經(jīng)濟技術(shù)研究院，北京 100038；2.華北電力大學 電氣與電子工程學院，北京 102206)

電網(wǎng)故障診斷是電網(wǎng)智能調(diào)度決策的基礎課題，通過分析判斷調(diào)度技術(shù)支持系統(tǒng)采集的故障信息來找出故障原因、確定故障設備，對于減少停電時間、提高故障處理水平具有重要的意義[1-3]。近年來，為有效提高電網(wǎng)故障診斷水平，許多專家、學者對該課題展開了深入的研究，如專家系統(tǒng)[4-5]、人工神經(jīng)網(wǎng)絡[6-7]、貝葉斯網(wǎng)絡[8]、Petri網(wǎng)[9-10]、解析模型[11-12]、數(shù)值計算分析[13-14]等。這些研究可在一定程度上解決電網(wǎng)故障診斷問題，并在提高故障信息完整度和精確度方面取得一定成效。然而在實際應用中，如何構(gòu)建完備的故障診斷模型仍然有許多問題需要解決。

在電網(wǎng)故障診斷的各種算法和模型中，基于先驗知識的模式匹配算法能夠迅速確定已知的故障，但在故障告警不確定及故障知識不完備時，很難準確診斷故障情況。基于解析模型的故障診斷不需要先驗知識，可以有效識別未知故障，但解析模型主觀分配權(quán)重及應用單目標優(yōu)化技術(shù)求解，診斷結(jié)果受主觀因素影響。利用電氣數(shù)據(jù)進行數(shù)值計算分析的故障診斷可以顯著提高診斷結(jié)果的準確性，然而在實際應用中，電氣量數(shù)據(jù)的使用會受到數(shù)據(jù)量級的限制，進而影響診斷效率。單一算法的應用難以避免診斷過程中所面臨的這些問題；因此，需要精心挖掘和全面考量各種故障相關(guān)因素，進行不同診斷方法的融合，設計更為完備、高效的診斷模型，以解決現(xiàn)有電網(wǎng)故障診斷面臨的問題。

免疫系統(tǒng)識別抗原的機制和電網(wǎng)故障診斷識別故障元件的機制具有相似性。免疫系統(tǒng)可以非特異性辨識并消滅抗原，維持機體免于抗原侵擾；電網(wǎng)故障診斷能夠檢測告警信息并確定故障情況，及時消除故障，避免電網(wǎng)事故的發(fā)生。本文借鑒和參照免疫系統(tǒng)的防御機制、有關(guān)原理，探究免疫系統(tǒng)與電網(wǎng)故障診斷的相似功能和原理，構(gòu)建一種能夠適用電網(wǎng)故障診斷的分層免疫模型。該模型結(jié)合模式匹配、解析模型和數(shù)值計算分析等方法，應用開關(guān)量數(shù)據(jù)、電氣量數(shù)據(jù)，分層分步開展故障診斷，有利于診斷系統(tǒng)獲得更為高效的性能和更為準確的結(jié)果。

1 生物免疫多層防御機制

免疫系統(tǒng)憑借多層防御結(jié)構(gòu)保護機體免受體外、體內(nèi)各種抗原的侵害，構(gòu)成對抗原的保護屏障[15]，其結(jié)構(gòu)如圖1所示。

圖1 多層免疫防御機制Fig.1 Multi-layer immune defense mechanism

在多層防御機制中，固有免疫利用非特異性抗原識別在防御初期發(fā)揮重要效用，并能夠推動適應性免疫的活化[16]。適應性免疫用以實現(xiàn)固有免疫難以實現(xiàn)的防御機能，其利用免疫記憶和免疫學習特性，在消除抗原的后期和抗原再一次侵害的預防階段發(fā)揮重要作用[17]。

2 電網(wǎng)故障診斷問題的提出與解決思路

2.1 對電網(wǎng)故障診斷系統(tǒng)的要求

對電網(wǎng)故障診斷系統(tǒng)而言，涉及的相關(guān)模型及需求復雜多樣，在深入研究診斷系統(tǒng)模型和需求的基礎上，本文利用數(shù)據(jù)及方法融合的思想構(gòu)建診斷系統(tǒng)，須符合以下要求：

a)在故障診斷系統(tǒng)容錯性方面：診斷系統(tǒng)面臨著保護裝置/斷路器裝置拒動、誤動和警報信息異常、丟失時故障征兆混疊現(xiàn)象加劇的問題。因此，診斷系統(tǒng)需要具有在保護裝置、斷路器裝置動作錯誤或警報信息異常狀況下準確辨識故障的能力。

b)在基于先驗知識的故障診斷的知識庫設計方面：診斷系統(tǒng)很難充分考慮電網(wǎng)運行中可能出現(xiàn)的故障，并且隨著電網(wǎng)拓撲結(jié)構(gòu)的日益復雜，獲取完整、有效的故障知識變得越發(fā)困難。因此，診斷系統(tǒng)需要具備連續(xù)學習的能力，可以不斷增補和更新故障知識。

c)在基于解析模型的診斷系統(tǒng)求解方面：現(xiàn)有診斷模型采用單目標優(yōu)化技術(shù)求解時會面臨主觀分配權(quán)重及各目標優(yōu)化進程不可控的問題。因此，診斷系統(tǒng)在求解模型時，需要考慮優(yōu)化算法的尋優(yōu)特性，尋求一種能符合真實故障場景的高效智能優(yōu)化算法。

d)在基于數(shù)值計算分析的故障診斷應用電氣量方面：診斷系統(tǒng)在使用電氣量時面臨著數(shù)據(jù)量級影響的問題。例如，當電網(wǎng)中某一元件故障后，控制中心能夠接收到大量的波形數(shù)據(jù)，包括與故障直接關(guān)聯(lián)和非關(guān)聯(lián)的波形數(shù)據(jù)。若同時對這些數(shù)據(jù)進行調(diào)用、分析，勢必會影響電網(wǎng)故障診斷的效率，嚴重降低診斷方法的實用性。近年來，基于多源信息的數(shù)值分析方法[18-20]亦面臨著上述問題。因此，診斷系統(tǒng)需要兼顧開關(guān)量與電氣量信息的調(diào)用，降低故障信息的規(guī)模，提升診斷系統(tǒng)的推理效率。

2.2 解決思路

本文基于上述要求，仿效和參照免疫系統(tǒng)的防御機制和有關(guān)原理，構(gòu)建了一種可用于電網(wǎng)故障診斷的分層免疫模型，技術(shù)思路概括如下：

a)研究電網(wǎng)故障診斷機理和免疫系統(tǒng)防御機制的相似性，將故障診斷劃分為固有診斷層和適應性診斷層，并將分層的診斷模式加入到故障診斷。同時，選取分步診斷的策略，分階段進行已知故障診斷(利用模式匹配算法)、未知故障診斷(利用解析模型算法)，以實現(xiàn)故障元件的快速、準確診斷識別。

b)為使診斷系統(tǒng)具備較強的適應性，研究模擬免疫系統(tǒng)中的連續(xù)學習機制，利用連續(xù)學習機制對故障知識進行增補、更新，使系統(tǒng)的功能得到持續(xù)改進。

c)為解決現(xiàn)有采用優(yōu)化技術(shù)的診斷模型存在的不足，應用人工免疫系統(tǒng)的相關(guān)算法，研究將多目標優(yōu)化技術(shù)應用于電網(wǎng)故障診斷，使其轉(zhuǎn)為多目標優(yōu)化問題，以減小主觀影響導致的誤差。

d)仿效免疫系統(tǒng)的防御結(jié)構(gòu)，利用開關(guān)信息與電氣信息作分級診斷分析。首先調(diào)用開關(guān)信息進行診斷分析，若產(chǎn)生多重解問題，則調(diào)用電氣信息進行診斷分析，通過應用分層診斷策略，可提高診斷推理的效率。

3 分層免疫故障診斷模型結(jié)構(gòu)

本文將免疫系統(tǒng)的防御機制和有關(guān)原理應用于故障診斷，構(gòu)建一種能夠適用于電網(wǎng)故障診斷的分層免疫模型，如圖2所示。

圖2 分層免疫故障診斷模型Fig.2 Hierarchical immune fault diagnosis model

該模型搭建2層架構(gòu)，由固有診斷層與適應性診斷層組成，計及了免疫系統(tǒng)的分層防御機制、固有免疫和適應性免疫互相觸發(fā)的結(jié)構(gòu)，以及免疫系統(tǒng)的連續(xù)學習能力；同時，采用分層、分步診斷的策略，利用各種故障相關(guān)信息實現(xiàn)已知故障的快速診斷、未知故障的有效識別和新故障的連續(xù)學習等功能。

3.1 固有診斷層

固有診斷層模擬固有免疫系統(tǒng)的防御機制，以體液免疫原理為理論基礎，模擬其防御抗原侵擾的機制和結(jié)構(gòu)[15]，起到第1層診斷的作用。該層級由模式匹配模塊、故障知識庫及體液免疫學習模塊構(gòu)成。利用體液免疫學習模塊構(gòu)造知識庫和訓練新的故障，對于已知故障，利用模式匹配模塊完成快速識別。

該診斷層以開關(guān)量信息為輸入，實現(xiàn)相互獨立的已知故障的有效辨別。該診斷層利用先驗知識和模式匹配對故障信息進行診斷分析和知識推理，有利于提升診斷速度。

3.2 適應性診斷層

適應性診斷層模擬適應性免疫系統(tǒng)的防御機制，主要完成固有診斷無法匹配的故障的分析，由未知故障診斷識別模塊和故障解集辨識模塊組成。

a)未知故障診斷識別模塊。構(gòu)建基于解析模型的診斷模塊，根據(jù)人工免疫的免疫記憶及免疫學習的原理，將多目標優(yōu)化的算法[21]應用于故障診斷。通過對構(gòu)造的多目標模型的求解，診斷出固有診斷層未匹配的故障。同時，將結(jié)果反饋到固有診斷層中體液免疫學習模塊中連續(xù)學習該新故障。

b)故障解集辨識模塊。對未知故障診斷識別模塊的多重解，調(diào)用電氣量信息進行診斷分析，建立母線、線路、變壓器等故障相關(guān)元件的電氣量判據(jù)，并用判據(jù)結(jié)果辨識多重解，以確定最終結(jié)果。同時也要將該結(jié)果反饋到固有診斷層的體液免疫學習模塊進行連續(xù)學習。

4 分層免疫故障診斷策略

在分層免疫模型中，故障信息利用抗原提呈和激活信號來交互和傳遞，通過不同診斷層的互相協(xié)作，自動更新故障知識，從而優(yōu)化系統(tǒng)的功能。

在固有診斷層，采用模式匹配方法對實時監(jiān)測的告警信息和故障知識庫中的已知故障知識進行匹配。如果匹配成功，則報送診斷結(jié)果，否則觸發(fā)適應性診斷層，并通過抗原提呈傳送該告警信息。在適應性診斷層中，未知故障診斷識別模塊優(yōu)先接收該信息，并且接收固有診斷層傳送的激活信號，通過這些傳遞和交互作用，實現(xiàn)適應性診斷功能。在未知故障診斷識別模塊中，通過解析開關(guān)量故障信息，確定并求解待優(yōu)化的解析模型。如果該告警信息未得到確診(即生成多重解)，那么觸發(fā)故障解集辨識模塊，同時調(diào)入與多重解中元件相關(guān)的電氣信息，完成多重解辨識，獲得正確的結(jié)果。最后，將適應性診斷層獲得的結(jié)果利用學習反饋創(chuàng)建故障檢測器，保存至固有診斷層的知識庫內(nèi)，以快速響應此類故障。層次間的信號交互如圖3所示。

圖3 層次間交互Fig.3 Interaction between layers

5 故障診斷系統(tǒng)的實現(xiàn)

以本文設計的模型為系統(tǒng)的主功能模塊，搭建適用于調(diào)度支持系統(tǒng)的診斷系統(tǒng)，功能結(jié)構(gòu)如圖4所示。為了驗證設計模型的有效性及可行性，選取基于高層體系結(jié)構(gòu)的仿真系統(tǒng)[22]進行算例分析。

a)算例1：對仿真系統(tǒng)中的五臺站設置220 kV Ⅰ母A、B相間短路、2201斷路器拒動。與該算例相關(guān)的系統(tǒng)拓撲如圖5所示，信息預處理后的診斷信息見表1。

圖4 系統(tǒng)功能結(jié)構(gòu)Fig.4 System function structure diagram

圖5 算例1的系統(tǒng)拓撲Fig.5 System topology in case 1

表1 算例1的故障信息Tab.1 Fault information of case 1

診斷結(jié)果為：① 220 kV Ⅰ母故障；②五青Ⅰ線PSL-602GM裝置縱聯(lián)距離保護誤動；③ 城五Ⅰ線2281斷路器誤動；④ 1號主變壓器(以下簡稱“主變”)220 kV側(cè)2201斷路器拒動。該結(jié)果與設置的故障情況相符。

b)算例2：對仿真系統(tǒng)中的峨眉站設置110 kV Ⅱ母B、C相間短路，并觸發(fā)2號主變C相發(fā)生故障。與該算例相關(guān)的系統(tǒng)拓撲圖如圖6所示，診斷信息見表2。診斷結(jié)果為：① 110 kVⅡ母和2號主變故障；② 2號主變RCS-978裝置差動保護拒動；③ 峨東線1152斷路器誤動。該結(jié)果與模擬發(fā)生的故障情況相符。

可見，采用本文設計的電網(wǎng)故障診斷系統(tǒng)能夠定位簡單故障的故障設備以及含保護、斷路器拒動或誤動的復雜故障，仿真結(jié)果符合設計要求。

圖6 算例2的系統(tǒng)拓撲Fig.6 System topology in case 2

表2 算例2的故障信息Tab.2 Fault information of case 2

6 結(jié)束語

本文利用免疫系統(tǒng)的分層防御機制和有關(guān)原理，將固有診斷和適應性診斷結(jié)合起來，設計了面向電網(wǎng)故障診斷的分層免疫模型。該模型構(gòu)建了固有診斷和適應性診斷互相觸發(fā)的結(jié)構(gòu)，建立了基于體液免疫的連續(xù)學習機制，并加入了分步診斷的策略，應用各種相關(guān)的故障信息在不同的診斷層開展診斷分析。

所設計的分層免疫故障診斷模型通過層間交互傳送診斷信號和結(jié)果，具有已知故障的快速識別、未知故障的有效辨別及新故障的連續(xù)學習等功能；同時，該模型能更好地考慮開關(guān)信息與電氣信息，合理調(diào)用信息資源，有助于提高診斷效率。

本文主要對分層免疫故障診斷模型的整體設計及系統(tǒng)功能結(jié)構(gòu)進行詳細描述，下一步將對診斷模型各層級功能的具體實現(xiàn)方式進行更深入的研究。