现代化的过程控制系统正朝着大规模、复杂化的方向发展,这类系统一旦发生故障就可能
造成巨大损失。因此,保障复杂系统的可靠性与安全性具有重要的意义。随着人工智能技术的
发展以及相关领域学科研究的深入,设备故障诊断也朝着智能化方向发展,智能故障诊断为提
高复杂系统的可靠性开辟了新的途径。作为一门交叉学科,智能故障诊断在过去的几十年里飞
速发展,一些新的理论与方法已经成功地应用到实践。总体而言,智能故障诊断方法分为两大
类:基于数学模型的故障诊断方法和基于人工智能的故障诊断方法。
人工神经网络是近年发展起来的交叉学科,涉及生物、电子和计算机等领域,它的发展对
目前和未来科学技术的发展有重要的影响。它是采用物理可实现的系统来模仿人脑神经细胞的
结构和功能。它由很多处理单元有机地联接起来并行地工作,处理单元十分简单,但工作则是
“集体”进行的,它的信息传播和存贮方式与神经网络相似。与现代计算机完全不同,它没有
运算器、存贮器、控制器,代之以简单处理器的组合,信息存贮在处理单元之间的联接上。
由于神经网络具有较强的在线学习能力、非线性映射能力和联想记忆能力,很早就被引入
到电力系统。人工神经网络(Artificial Neural Network,以下简称 ANN)是模拟生物神经
元的结构而提出的一种信息处理方法,具有本质的非线形特征、并行处理能力、强鲁棒性以及
自组织自学习的能力,目前比较成熟的是误差的反传模型算法(BP 算法),它的网络结构及算
法直观、简单,在工业领域中应用较多。经过训练的 ANN 适用于利用分析振动数据对机器进行
监控和故障检测,预测机械部件的疲劳寿命。非线性神经网络补偿和鲁棒控制综合方法的应用
在实时工业控制执行系统中较为有效。还可利用 BP 算法学习正常运行实例调整内部权值,从
而解决非线性问题。因此,对于存在着大量非线性的复杂电力系统来讲,ANN 理论在电力系统
中的应用已涉及到如暂态,动稳态分析,负荷建模和负荷管理,警报处理与故障诊断,配电网
线损计算,故障检测和继电保护等方面。
BP 算法是一种监控学习方法,通过比较输出单元的实际输出和希望值之间的差别,调整
网络路径的权值,以使下一次在相同的输入下,网络的输出接近于希望值。设网络的输入模块
为 p,令其作用下网络输出单元 j 的输出为 Opj。如果输出的希望值是 Tpj,则其误差为 Dpj=Tpj
-Opj。若输入模块的第 i 个单元输入为 Ipi,则就输入模块 p 而言,输入接点 I 与输出接点 j
之间的权值变化量为:
式中,z 是某一个常数。当反复迭代该式时,便可使实际值收敛于目标值。
在神经网络投运前,就应用大量的数据,包括正常运行和不正常运行的,作为其训练内容,
以一定的输入和期望的输出通过 BP 算法不断修改网络的权值。在投运后,还可根据现场的特
定情况进行现场学习,以扩充 ANN 内存知识量。从算法原理看,并行处理能力和非线性功能是
BP 算法的一大优点。
神经网络用于电力系统故障诊断主要集中在对电网的故障处理上。电网中的每一类故障都
会产生一组警报信息,不同类型的故障具有不同的警报组合,因而可以将警报处理和故障诊断
表示为模式识别问题,这样就能用人工神经网络来进行处理。
神经网络进行故障诊断的基本原理是:将故障报警信息量化作为神经网络的输入,神经网
络的输出代表故障诊断的结果。首先对神经网络进行训练学习,即将特定故障对应的报警模式