故障诊断、神经网络和专家系统

运行技术措施

电力设备 传感器信号

预处理数据采集 数据处理信号传输 故障诊断

信号变送系统

（设备近区）

数据采集系统

（设备近区）

信号传输

系统

处理和诊断系统

（主控室）

在线监测的基本框架

故障诊断数据处理原始信号

监测量的随机性

电力设备电力设备完好设备完好设备

故障设备故障设备判断标准判断标准

故障报警 阈值报警

关联报警

趋势报警

一、阈值报警

500MΩ绕组对地绝缘电阻变压器

500pC局部放电量变压器

150ppm油中总烃含量变压器

0.8%介质损耗 tgδ变压器套管“ ”注意值监测量被检测设备

“ ”电力设备检测中常用的 注意值 标准

监测量

时间

阈值

阈值的确定

试验的方法：最直观的方法是通过试验确定阈值，即通过对设备的型式试验和大量的破坏性试验，来获得设备的监测参量与设备故障间的量化关系。但这种方法由于成本和测试周期的原因，对大型电力设备是不可取的。

简化试验法：通过对设备可靠性模型的简化，对其薄弱环节的材料和结构进行试验测试，以确定监测参量的阈值水平。

实际统计法： “ ”有关的导则和规程中给出的各种 注意 值，实际上大多是基于以往停电试验经验的总结。每次在制订规程、导则时，都需要收集和整理现场大量的运行数据及经验，并以此作为故障阈值设定的基础。

监测参量的阈值，决定了设备能够正常运行的基本条件。所以如何保证所设定的阈值能够真实、可靠地反映设备是否存在故障，是阈值报警的关键。

确定阈值的 90%原则 首先需要通过机理分析和基础试验，确定被监测参量与设备故障是相关联的。并进一步对运行设备的监测参量进行统计。阈值的 90%原则是基于 90%的设备是运行正常的，而将其余 10%高于此标准的设备看作内部存在着可能引发事故的早期故障。

监测量

台次

累计台次占总台次的 90%

阈值水平

监测参量的统计分布

例如 80 “ ”年代时，我国在 导则 中所提出的变压器油中溶解气体注意值，如总烃（ C1+C2）： 150ppm，乙炔： 5ppm，氢：150ppm。是在对 19省市 6000多台次变压器的实地调查统计后获得的，如表 2所示。

3.6%150氢5.7%5乙炔5.6%150总烃变压器

及电抗器

6000台 ·次中超过该注意值的比例

“ ” 提出的 注意值(ppm)

气体组分设备名称

因此，对变压器的当前 DGA测值分析中，如某气体含“ ”量超过此 注意值 ，只说明它已属小概率事件，应该引起注意，

但并不能确切地给出该设备有问题的判断。

表 2 “ ”当时 注意值 的统计依据

对于运行设备来说，检测参量的不安全或不可接受的水平一直是一个有争议的问题，实践表明很难把判断有无故障这样一个复杂的具体问题，简单化为仅由一个数值界限去机械地判断。

实际运行经验表明：在某些情况下，监测量虽未达到注意值，但因有的监测参量增长很快，则往往很值得重视；反之，即使略有超过注意值而历年来很少增长的设备，则其危险程度就小得多。

即在实际故障诊断中，不仅要看当前的测值，而且要认真进行多方面的综合比较，例如纵比及横比：此纵比指的是应考虑进行该设备的历史参数（出厂数据、刚投入时的交接试验数据、以前的运行中状况及试验数据等）的比较；而横比是指同一设备不同相间的比较、同类产品的相互比较等。

二、关联报警

关联报警，也称横向比较报警。主要目

的是为了提高报警的准确程度，减小误判率。 同一设备、不同监测量间的关联报警；

— — — 多种传感器组合检测及报警

多台设备、相同监测参量的比较报警。

同一设备、不同监测量间的关联报警

任何电力设备的故障源，都会存在多种物理 -化学表现，所以可以同时在多种监测量中得到反映。例如充油电力设备中的过热性故障和放电性故障。

过热性故障

放电性故障

绕组温度

油中溶解气体

顶层油温

红外探测

超声测量

油中溶解气体

局部放电量

UHF 探测

例 某 230kV故障变压器

内部存在放电性故障

381053144680223553458含量 (ppm)

结论C2H2C2H4C2H6CH4H2CO2CO特征气体

其油中溶解特征气体的监测情况

放电监测情况

放电监测结论：在 B相高压引出线处，存在较强烈的放电点。吊芯检查结果： B相高压引出线的均压球与高压引线接触不良，发生悬浮放电。

多台设备、相同监测参量的比较报警

在电力现场通常会安装多台同一类型的设备，如不同母线上的电流互感器、电压互感器以及三相分体的电力变压器等等。这些设备通常都是同一厂家、同一型号以及相近生产年份的产品，因此其结构和特性是基本接近的。

而且通常多台设备同时发生故障的几率是非常小的（小于百万分之一）。比较报警就是通过对同一类型、不同设备的相同监测量进行比较，来发现设备参量的异常变化。

AA BB CC

母线母线

通常以三相设备的相对变化率作为判断指标：

优点：能够很好地消除由于负荷及环境变化等共性因素导致的误判。

缺点：很难建立统一的标准。

%100×−=χ

χχη i

上式中，， i 为被监测参量， I =1， 2， · · · ， n

为各监测参量的平均值

n

n

ii∑

== 1

χχ

χ

可见因负载变化所导致的突变点已成功地被剔除，而正常的数据变化得到很好的保持。

两试品介损 A1、 A2及相对值的在线测值

2211

33

--15000C

--15000B 检查发现绝缘受潮。

A相绝缘电阻及泄漏电流远差于B、 C相

泄漏电流不大于10μA

--7800A60kV少油断路器

投运 10小时即发生爆炸

tgδ增长过快

tgδ值不大于 1.5%

1.40.41-10000220kV电流互感器

0.1730.152-10000C

0.1250.128-10000B 解体后发现A相受潮

A相 tgδ增长过快，且远大于同设备的 B、 C相

tgδ值不大于 3%

0.960.213-10000A66kV电流互感器

99年98年

解体分析或后果综合分析规程

要求tgδ（ %）泄漏电

流（ μA）

绝缘电阻

（ MΩ）

设备名称

因而只有对各种测得数据及其发展趋势等进行全面的分析对比、综合考虑后，才有可能作出较正确的结论。

“事物千差万别，因此应该具体问题具体分析，不该简单地 一”刀切 。例如表中所列设备的 tgδ “ ”或泄漏电流的测值未超过 规程 的

允许值，但从相间比较或历年比较来分析已很值得注意，事后的解体分析说明了这点。

三、趋势报警

除遭受自然灾害及系统突发性短路事故外，电力设备的故障总有其发生和发展的过程。

在线监测技术为实现故障的连续追踪，提供了良好的技术保证。事实上，如果加强状态检测与故障诊断工作，有许多故障，甚至某些所谓的突发性事故是完全可以避免的。问题的关键是要掌握反映故障情况的特征量，以便进行趋势预测及诊断。

监测量

时间

故障发展趋势的类型

监测量

时间

(1) 线性增长模型

(2) 正二次增长模型

监测量

时间

(3) 负二次增长模型

监测量

时间

通过回归分析，可将监测量的变化模式归纳为三种模式。

线性增长模型： 其监测参量的变化规律可表示为 为 =

k·t + b，监测参量的变化速率为固定的常数，这种故障模式 一般与稳定存在的故障点相对应。通常以增长率 k 作为故障

报警的另一参数 。 。

正二次型 : 监测量的变化规律大致可表示为 为 = a·t 2+

b·t + c ，即监测参量的变化速率 r = a·t + b ，是不断增大的，与时间成正比。这常与迅速发展的故障相对应，故障功率及所涉及的面积在不断变大，这种故障增长模式在这三种类型中是最危险的。

负二次型 : 监测量的变化规律可表示为为 = a·t 2+ b·t + c

((aa<0)<0)，当监测量增大到一定程度后，在该值附近波动而不再发生显著变化。这种情况多与逐渐减弱的或暂时性的故障形式相对应，例如在系统短路情况下的绕组过热及系统过电压情况下发生的局部放电等。

关联趋势报警

常规的故障报警方法只能反映故障当时的特征，而在实际诊断中，不同故障原因所表现的故障征兆有时会非常接近，很难加以区分。但如果进一步考察设备的历史数据，研究故障特征的变化情况，常常可以发现，由于故障机理不同，各种故障的发展过程有着相当大的差异。

0

200

400

600

800

1000

1200

0 200 400 600氢气（ppm）

一氧

化碳（

ppm）

0

100

200300

400

500

600700

800

900

0 200 400 600氢气(ppm)

一氧化碳

(ppm)

(b) 水的锈蚀反应产氢 (a) 局部放电涉及固体绝缘

通过分析监测参量的变化趋势，有利于进一步判断故障的严重程度，评估设备的健康水平。以便决定设备的检修周期，为检修计划的合理安排提供决策依据。

人们习惯于追求精确性和清晰性，总希望将事物以数字的

“ ” “ ”形式清楚地表达出来，如 数字地球 、 数字电力系统 。

但对任何问题绝对精确的描述是不存在的，我们在分析复杂系统时总是采用各种方法对模型乃至参数进行简化。即使是我们作为公理应用的基本定律，也只是在一定程度上是精确的。所以在对客观规律进行描述中，模糊性是绝对的，而精确性是相对的。

模糊理论的创始人 Zadeh提出精确性和模糊性的互克性原理： “ 随着系统复杂性的增长，我们对其特性作出精确而有意义的描述能力相应地降低，当超过一定阈值时，精确性和有意义性将成为

”互相排斥的特征。

模糊诊断

主要来源于日常生活之模糊概念和模糊现象，例如

1. 他哥哥的个子很高。2. 今天天气很冷。3. 中青年科学家。4. 请找一位有 210根头发 ,有 6543 根胡子的人。 (精确描

述 )

请找一位秃头大胡子 的人。 (简练描述 )

5. 一个一个 1500kg1500kg重重物正以物正以 45.3m/s45.3m/s的速度向你的的速度向你的头接近头接近

危险危险

精确的描述精确的描述 简练的描述简练的描述

一、 模糊逻辑的起源

模糊概念来源于我们对外部现象的模糊描述，人类在进行判断、推理中所使用的概念通常都是非精确的。

人类具有很强的模糊划分、模糊判断和模糊推理的能力，以便以最少的词汇表达尽可能多的信息。

“ ”例如下雨，可以划分为 小雨 、 “ ” “ ”中雨 和 大雨 ，人们根据雨下的程度进行判断，就是模糊判断。

“ ”进一步根据这个判断结果猜测今年农业的收成是 好“ ” “ ”、 一般 ，还是 坏 ，就是模糊推论。

这些方法在故障诊断领域尤为重要，因为这种情况非常接近于人类传统的分析过程。

现代数学是以集合论为基础的，是描述各门学科的形式语言。

概念可以用集合表示，而集合间的运算可以表现对概念的判断和推理。

二、 模糊集合

概念的内涵— — 符合此概念的对象所具有的属性。

概念的外延— — 符合此概念的全体对象所构成的集合。

— —创造集合的重要方法 概括原则

任意给定性质 P，便能把所有满足性质 P、同时也仅具有性质 P的对象，汇集在一起，即构成一个集合，用符号表示为

A = a | P ( a ) A —— 表示集合；a —— 表示集合 A中的任一对象，又称集合 A的元素；P(a) — 表示元素 a所具有的性质。 —— 表示把所有具有性质 P的元素 a汇集成一个集合。

用逻辑语言，可将以上概括原则表述为：

（ a ）（ a ∈ A ⇔ P ( a ) ）

传统集合是以二值逻辑 (Binary Logic)为基础的方式来描述事物，元素 x和集合 A的关系只能是是 A或或 A，是一种“ ”非此即彼 的概念。以特征函数表示为：

U

uA

有关论域、集合、元素的文氏图

Ax

AxxA ∉

∈

=

, 0

, 1)(µ

集合存在明确外延的，满足排中律。

模糊集合的定义

给定论域上的模糊集 A是指，对任意元素 u∈U，都指定一个隶属度度 A(u)∈[0,1]与之对应。这意味着做出了一个映射：

µA:U → [0,1]

u |→ µA(u)

这个映射称为 A的隶属函数。

~~~~

~~

~~

~~

模糊集合可由隶属函数所刻画。

当当 A (U) =0,1 时， ， A 便蜕化成传统集合的特征函数， A也蜕化成一个 Cantor集合：

~~~~~~

A = u∈U | µA(u)=1 ~~

所以， 模糊集合是传统集合的扩展， 传统集合是模糊集合的特例。

模糊理论由 L.A. Zadeh于 1965年所提出。

将人类认知过程中 (主要为思考与推理 )之不确定性，以“ ” “ ”数学模式表之。把传统的数学从只有 对 与 错 的二值逻辑

(Binary logic)扩展到含有灰色地带的连续多值 (Continuous multi-

value)逻辑。

“ ”利用 隶属函数 (Membership Function)值来描述一个概念的特质，亦即使用 0与 1之间的数值来表示一个元素属于某一概念的程度，这个值称为该元素对集合的隶属度 (Membership

grade)。

模糊化的优势在于能够使对现实事物的描述，具有更强的概括力、适应性和容错性。

例 1 论域 U如下图所示，圆形是 U上的一个模糊集 A，其 隶属函数

可定义为 :

aa eeddbb cc

~~

A(a)=1， A(b)=0.75 ， A(c)=0.5 ， A(d)=0.25 ，A(e)=0~~ ~~ ~~ ~~ ~~

UU

模糊集合的三种表示方法：

（ 1） Zadeh记法：dcbaedcba

A25.05.075.01025.05.075.01 +++=++++=

（ 2）序偶集合：A = (a， 1)， (b， 0.75) ， (c， 0. 5) ， (d， 0.25) ，

(e， 0)

（ 3）模糊向量：A = (1， 0.75， 0. 5， 0.25， 0)

A =（ 1, 0.2） ,（ 2, 0.5） , （ 3, 0.8 ） , （ 4, 1 ） , （ 5, 0.7）

, （ 6, 0.3 ） , （ 7, 0 ） , （ 8, 0 ）

~~

例 2 房产公司希望把住房分类，以便提供给不同需求的住户，设 U=1,2,· · · , 8表示套房中的房间数量， A=“适合四口人

”家庭的套房 ，则 A是 U上的一个模糊集合。~~

~~

例 3 设 U = 全体实数 ， A=“靠近 10 ”的实数 ，其隶属函数表示为

~~

~~A = ( u , A ( u ) ) | A ( u ) = [ 1 + ( u – 10 )2 ]-1 , u ∈ U

µ (u)

u

0.50.5

11

55 1010 151500

连续隶属函数

两种不确定性对比

事物

确定性现象

非确定性现象

随机现象

模糊现象

对象间存在着必然的联系。满足因果律和排中律。

相同条件，结果不确定。是因果律的破缺。对象间外延不明确。是排中律的破缺。

而隶属度反映了事物间的内在差异，从表面上看似乎是主观的，但是真实世界的反映。是从模糊性中去确定广义的排中律。

概率反映了条件与结果间的内在联系，其客观意义由随机试验中所呈现的频率稳定性得到反映。是在随机性中把握广义的因果律。

三、隶属函数的确定

模糊集合在实际应用中，首先要建立表现模糊集合的隶属函数。由于人们认识事物的局限性以及隶属度的主观性，从而只能得到大致的隶属函数。模糊统计试验中的频率稳定性，反映了隶属函数的客观性。

模糊统计

模糊统计试验的基本要求： (1) 论域 U;

(2) U中的一个固定的元素 u0； (3) U中的一个可变动的普通集合A ， A的每一次固定都是对概念念所作的一个确切划分。 (4) 条件 S，代表对概念念进行划分过程的全部制约因素。

“ ”模糊统计试验是用确定性手段研究 模糊 这种不确定性。

Uu0

A

模糊统计试验 （ u0 固定， A可变

）

模糊统计试验，在每一次试验下，要对 u0是否属于 A

作出一个确切判断。进行 n此试验后，即可计算 u0对 A的隶属频率：

~

n

Au 的次数隶属频率 "" 0 ∈=

实验表明，随着 n的增大，隶属频率将呈现稳定性，从而趋近于 u0对 A的隶属度。

例 4 取年龄论域 [ 0, 100 ]（岁）， A是 U上的一个模糊集，表示模糊概念念 =青年人，选取年龄 u0=27，试用模糊统计来确定u0对 A的隶属度。

根据抽样试验，由 129 “ ”人给出了他们认为 青年人 最适宜的年限。

““ ”青年人 年龄范围统计表”青年人 年龄范围统计表

0.78

101

129

0.790.750.760.760.780.760.780.780.780.770.700.60隶属频率

95857668625347393123146隶属次数

120110100908070605040302010

n

27 “ ”岁对 青年人 的隶属频度

可见， 27 “ ”随对于 青年人 年限的隶属频率大致稳定在0.78附近。因此可取相应隶属度

A( u0 ) = A( 27 ) = 0.78

进一步将年龄分组，每组以中值为代表计算隶属频率，“ ”就不难求出 青年人 的隶属函数。

““ ”青年人 按年龄的隶属频度表”青年人 按年龄的隶属频度表

1

0.5

10 20 30 40

u (岁 )

““ ” 青年人 的隶属函数直方图” 青年人 的隶属函数直方图

戒上型

戒下型

中间型（对称型）

四、常见的模糊隶属函数

X

µ(x) 戒上型 中间型 戒下型

1. 戒上型 （偏小型）

<

≤<−−

≤

=

xa

axa ,aa

xaax

xA

2

2112

2

1

~

0

,1

)(µ

降半梯形分布

a1 a2

0

1

X

µ(x)

a0

1

X

µ(x)

降半正态分布

>

≤= −−

axe

axx ax

A,

,1)(

2

2)(~δ

µ

1. 戒下型 （偏大型）

<

≤<−−

≤

=

xa

axa ,aa

axax

xA

2

2112

1

1

~

1

,0

)(µ

升半梯形分布

a1 a2

0

1

X

µ(x)

0

1

X

µ(x)

升半正态分布

>−

≤= −−

axe

axx ax

A,1

,0)(

2

2)(~δ

µ

a

a b c0

1

X

µ ( x )

>

≤≤−−

≤≤−−

=

cx ,

cxb ,bc

xc

bxa ,ab

ax x<a ,

xA

0

0

)(~µ

三角形隶属函数

3. 中间型（对称型）

a b c0

1

X

µ ( x )

d

≤≤

≤≤

≤

=

otherwise,

dxc ,c-d

x-dcxb,

x<ba ,b-a

x-a

xA

0

1)(~µ

梯形隶属函数

µ0

1

X

µ ( x )

σ

2

2)(

~ )( δµ

µ−−

=x

Aex

正态分布隶属函数

a b c0

1

X

µ ( x )

L ( x ) R ( x )

≤≤−−

≤≤−−

=cxb

bc

bxR

bxaab

axL

xA

)(

)()(~µ

不规则隶属函数

五、模糊推理

“ ” “ ” 在传统逻辑学中对命题进行判断，所得的结论非 真 即 假。

但是人们在日常生活中，对于事物或问题作判断并非都是如此百分之百肯定它的对错，总是对其正确与否存有某种程度的怀疑。而利用模糊集合的逻辑观念来作判断，允许命题的正确程度

“ ” “ ”介于 真 、 假 之间，因此更接近于人的推理习惯。

模糊推理是利用隶属函数取得各规则的适用程度，然后综合各规则的适合度得到适当的推论，即使命题不完全符合判断规则的条件部分，也能依据一致度的高低比较得到合适的推论。

例 5 变压器冷却器的模糊推理方式。

变压器温度的模糊集合

条件规则：规则 1 如果温度低，就将潜油泵停止。规则 2 如果温度适中，就将潜油泵速率维持在中速。

规则 3 如果温度过热，就将潜油泵速率维持在高速。 状态：

温度 is 高动作：

潜油泵 is 高速运行

0

1

低 中等 高

0.5

隶属函数

50 60 70 80

采用模糊诊断或模糊推理，其目的并非要得到一个似是而非的结论。而是希望能够在前提模糊的情况下，得到一个明确稳定的结论。这就需要对推理结果进行解模糊，解模糊的方法很多，如面积中心法、最大平均法和最大隶属度法等等。其中以最大隶属度法最为常用。

解模糊法

模糊诊断的方法是通过所出现的某些征兆的隶属度，来推测各种故障原因的隶属度。 根据设备特征 征 推断设备的状态

故障征兆 Kj， j = 1, 2, …, n

模糊向量 K(µK1, µ K2, …, µKn)

• 故障原因 Di， i = 1, 2, …, m

模糊向量 D (µ D1, µ D2, …, µ Dm)

六、模糊诊断举例

可认为在故障征兆和故障原因之间具有模糊关系 R:

D=K R

这就是故障诊断的模糊关系方程，体现着诊断专家的经验知识。

nmij

mn2m1m

n22221

n11211

)r(

rrr

rrr

rrr

R ×=

⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅⋅

⋅⋅⋅⋅⋅⋅

=

诊断矩阵确定 如何准确地构造诊断矩阵 R是模糊诊断的核心问题。 由专家经验设定初始值。

在实际诊断过程中，根据经验积累对权值进行修正。

集中多名专家分析故障集与征兆集的关系，建立每一种故障与个征兆的联系 rij， j=1,· · · ,n。当 rij=0时，代表征兆与故障无关。 rij越大，则故障原因与征兆之间的关联性就越强。

专家的意见出现矛盾；诊断对象的应用环境和结构特点发生变化。

分析诊断对象、确定征兆集和故障集

建立诊断矩阵，确定诊断算法

输入特征向量

计算 D=K R

选择诊断原则选择诊断原则

最大隶属度原则

输出诊断结果

阈值原则 择近原则

建立建立诊断诊断系统系统

诊断诊断

电气故障诊断实例

根据现场运行经验，可归纳出电力变压器的 14种故障征兆和 11中故障原因 .

电气故障诊断的目的就是尝试根据检测到的故障征兆推测导致故障状态的真实原因。

套管介质损耗明显升高。K14

油中微水含量高。K13

内部出现较明显的局部放电K12

仅氢气含量明显升高。K11

甲烷、氢明显增长。K10

总烃、乙炔含量明显增长。K9

甲烷、乙烯迅速增长，但 CO和 CO2增长较少。K8

变压器绕组直流电阻相间差别过大。K7

电气试验异常。K6

变压器负载正常，但上层油温超过 80°C。K5

铁心绝缘电阻过低。K4

DGA结果严重超标。K3

轻瓦斯保护动作。K2

重瓦斯保护动作。K1

故障征兆

漏磁过热。D11

沿围屏发生树枝状放电D10

套管受潮D9

绝缘纸浸渍不良，导致局部放电。D8

进水受朝。D7

油流带电。D6

悬浮电位放电。D5

分接开关接触不良或引线接触不良。D4

绕组过热。D3

铁心多点接地。D2

匝间短路，过电压导致击穿放电D1

故障原因

DCCD11

AABBCD10

AD9

BABCD8

ABD7

CCDD6

CDCDD5

CCDBACDDD4

CDDDD3

CDACDD2

CBDCBCD1

K14K13K12K11K10K9K8K7K6K5K4K3K2K1

模糊关系矩阵

[注 ] 字母表示因果关系的强弱： A- 密切（ 0.9 ）； B-较密切（ 0.7）； C-有关系（ 0.5）； D-有点关系（ 0.3）；空格为零。

故障实例：某电力变压器发生轻、重瓦斯继电器保护动作，总烃、乙炔含量显著增加，并在局部放电检测中发现存在较大的局部放电量。

故障特征向量： k1=1, µk2=1, µk9=0.9, µk12=0.9, 其余余 kj=0 。

BABCCCK12

ABDBK9

CBDDDDDBK2

CDDCK1

D11D10D8D6D5D4D3D2D1

相应的模糊关系矩阵

根据模糊运算规则：

µD1=0.7, µD2=0.5, µD3=0.5, µD4=0.7, µD5=0.5, µD6=0.3,

µD8=0.5, µD10=0.9, µD11=0.5,

诊断结论：

采用最大隶属度原则进行解模糊，故诊断结论为：可能发生围屏放电（ D10 ）。

实际检查结果：

变压器 A 相围屏内侧夹层处发生树枝状放电。

人工神经网络

从简单感知器

到反向传播网络

背景

故障征兆 故障类型故障类型

征兆空间征兆空间（（ xx11, , xx22,,····））

类型空间类型空间 （ （ yy11, , yy22,,····) )

f (x)

经验

稳定性和容错性

人类大脑人类大脑

自适应性自适应性 对环境的改变能够灵对环境的改变能够灵活调整。活调整。

主要特征主要特征

不会因局部损坏，而不会因局部损坏，而导致信息丢失。导致信息丢失。

人工神经网络是一个分布式和并行的非线性信息处理系统，反映了人脑功能的若

干特性，具有自适应的学习能力。

人工神经网络人工神经网络

输输入入 黑箱黑箱 输输

出出

分类结果输入连接 神经响应神经响应

人工神经网络人工神经网络

µk-

f

连接和输入向量 x

输出 y

阈值函数权值向量 w

∑

w0

w1

wn

x0

x1

xn

)μxwsign(y k

n

0iii += ∑

=

感知器

人工网络基本结构

简单感知器简单感知器

xx11

xx22

xx33

yy22

yy11

wwijij

hh22

hh11

输出层神经元输出层神经元函数函数

输入单元输入单元 输出单元输出单元

多层感知器多层感知器

xx11

xx22

xx33

yy22

yy11

hh11

hh22

hh33

hh44

wwikik wwkjkj

神经元 神经元 hhkk

hh22

hh11

神经元 神经元 hhjj

人工神经网络结构

基本特点基本特点稳定性稳定性容错性容错性自适应自适应并行处理并行处理非线性非线性

人工神经网络

学习与应用

建立神经网络结构确定网络参数 建立训练样本集 对网络进行训练

学习后的神经网络学习后的神经网络可直接用于识别可直接用于识别

学习阶段 使用阶段

学习阶段

输出输出输入输入 神经元神经元函数函数

权值权值修正修正

δδ标准标准

有监督学习有监督学习

学习阶段

输出输出输入输入 神经元神经元函数函数

权值权值修正修正

无监督学习无监督学习

自组织建立自组织建立输出结果输出结果

反向传播

x1

x2

x3

y2

y1

h1

h2

h3

h4

wik wkj

输入层引层

输出层

h2

h1

( )hg n

kkj

n

j

n

k w'

δδ = ( )hgyun

j

n

j

n

j

n

j '

−=δ

∑∆ =n

n

k

n

jkj Hw δη∑∆ =n

n

i

n

kik xw δη

学习算法的基本过程

• 随即分配权值向量；随即分配权值向量；• 直到遇到停止条件直到遇到停止条件

• 初始化 初始化 wwii为为 00• 对每一个训练样本对每一个训练样本 ::

修正 修正 wi:wi: wi = wi + n (t – o) xiwi = wi + n (t – o) xi

• 修正 修正 wi:wi:wi = wi + wiwi = wi + wi

d)d) 直到误差足够小直到误差足够小

ΔΔΔΔ

ΔΔ

ΔΔ

ΔΔ

人工神经网络应用

模式识别 图形识别 故障诊断 声纳定位 控制系统 行销预测 金融预测

局部放电的人工神经网络识别

地

高压

气泵

地高压

纸板

地

高压

纸筒高压

地

纸板

浮动电极

0 5 10 15 20 25-1.2

-1

-0.8

-0.6

-0.4

-0.2

0

0.2

0.4

t (us)

i (m

A)

0 100 200 300 400 500-30

-25

-20

-15

-10

-5

0

5

t (ns)

i(mA

)

0 100 200 300 400 500-50

0

50

100

150

200

250

t (ns)

i (m

A)

0 200 400 600 800 1000-1

-0.5

0

0.5

t (ns)i (

mA

)

油中放电 气泡放电

沿面放电 杂质放电

放电信号的识别正确率（ %）

10090100100BP 网络

杂质小桥

沿面放电

气隙放电

油隙放电

故障类型分类方法

“ ”误识别的样本只有一个为沿面放电的 多峰 情况 ，被误识别为气隙放电。

专家系统与决策支持

Expert System and DSS

近年来，人工智能（近年来，人工智能（ Artificial Artificial

IntelligenceIntelligence，简称，简称 AIAI）理论的出现及其在故障）理论的出现及其在故障诊断中的成功应用，为故障诊断技术的发展开拓诊断中的成功应用，为故障诊断技术的发展开拓了新的途径。利用人工智能的理论和方法，将设了新的途径。利用人工智能的理论和方法，将设备维护人员关于故障诊断的经验和知识加以系统备维护人员关于故障诊断的经验和知识加以系统化，形成专家系统，将有利于故障诊断知识的积化，形成专家系统，将有利于故障诊断知识的积累和扩大。累和扩大。

变电设备劣化和异常情况的判断，在以往完变电设备劣化和异常情况的判断，在以往完全取决于现场维修技术人员的经验。熟练维修人全取决于现场维修技术人员的经验。熟练维修人员的高龄化和经验丰富的年轻设备维修人员的培员的高龄化和经验丰富的年轻设备维修人员的培养不足是当前电力系统运行单位所面临的一个主养不足是当前电力系统运行单位所面临的一个主要问题。要问题。

专家系统是一种具有大量专门知识的程序专家系统是一种具有大量专门知识的程序系统，它根据多个专家提供的专业知识进行推理系统，它根据多个专家提供的专业知识进行推理，模拟专家作出决定的过程，解决通常需要专家，模拟专家作出决定的过程，解决通常需要专家才能解决的复杂问题。借助专家系统的帮助，使才能解决的复杂问题。借助专家系统的帮助，使现场的运行和维护人员可以迅速、准确地将异常现场的运行和维护人员可以迅速、准确地将异常设备分选出来，从而在一定程度上缓解了现场对设备分选出来，从而在一定程度上缓解了现场对维修人员在经验方面的要求。维修人员在经验方面的要求。

什么是专家系统？

功能性定义功能性定义 ::

它是利用人类专家的权威性知识和求解问题方法它是利用人类专家的权威性知识和求解问题方法（推理）来求解那些通常需要人工智能的问题的一（推理）来求解那些通常需要人工智能的问题的一组计算机程序系统；组计算机程序系统；能根据用户提供的数据、信息或事实，运用系统中能根据用户提供的数据、信息或事实，运用系统中存储的专家经验或知识进行推理判断，最后给出结存储的专家经验或知识进行推理判断，最后给出结论及结论的可信度以供用户决策之用；论及结论的可信度以供用户决策之用；能对某一任务提出聪明的建议或智能的决策；能对某一任务提出聪明的建议或智能的决策；能判断自己的推理路线并以简明易懂的方式告诉询能判断自己的推理路线并以简明易懂的方式告诉询问者；问者；可解决人类专家都很难解决的一些问题。可解决人类专家都很难解决的一些问题。

电气设备发生故障的原因涉及到多个方面，很多因电气设备发生故障的原因涉及到多个方面，很多因素与故障之间的关系具有不确定性，只判断单一因素与故障之间的关系具有不确定性，只判断单一因素不能正确识别故障。同理，单一领域的专家不能素不能正确识别故障。同理，单一领域的专家不能全面解决多因素导致的故障。专家的知识是从实践全面解决多因素导致的故障。专家的知识是从实践中形成的，没有明确的诊断标准，难免产生偏差和中形成的，没有明确的诊断标准，难免产生偏差和错误。错误。专家系统能使多个领域众多专家的专业知识和经验专家系统能使多个领域众多专家的专业知识和经验以及他们相互合作解决问题的能力得以总结、综合以及他们相互合作解决问题的能力得以总结、综合、精炼及发展，使特定领域的专家有了通力合作及、精炼及发展，使特定领域的专家有了通力合作及相互参考学习的新场所，有利于特定学科的进一步相互参考学习的新场所，有利于特定学科的进一步发展。发展。专家系统能够高效率、低消耗、准确无误、周密全专家系统能够高效率、低消耗、准确无误、周密全面、迅速而不知疲觉得工作，使人类专家的经验不面、迅速而不知疲觉得工作，使人类专家的经验不再受时间和空间的限制，得以永久保留和广泛推广再受时间和空间的限制，得以永久保留和广泛推广应用。应用。

什么是专家系统？什么是专家系统？

型态性定义型态性定义

具有分离式领域知识库及推理器的智能型信息系具有分离式领域知识库及推理器的智能型信息系 统， 用于解决特定领域的课题。 统， 用于解决特定领域的课题。

“将传统的 数据结构“将传统的 数据结构 ++算法算法 == ”程序 的应用程序模”程序 的应用程序模“式变化成 知识“式变化成 知识 ++推理推理 == ”系统 模式。”系统 模式。

专家系统的局限性：专家系统的局限性：一是知识获取的瓶颈问题，由于知识的获取主要靠一是知识获取的瓶颈问题，由于知识的获取主要靠人工移植；人工移植；其二是知识维护困难，多数采用简单的产生式结构其二是知识维护困难，多数采用简单的产生式结构构造知识库，尚未采用面向对象的知识库构造方式构造知识库，尚未采用面向对象的知识库构造方式，算法比较复杂。，算法比较复杂。其三是由于推理方法简单、诊断策略不灵活，造成其三是由于推理方法简单、诊断策略不灵活，造成推理能力较弱，容易出现匹配冲突，容错能力较差推理能力较弱，容易出现匹配冲突，容错能力较差，推理速度慢，难以满足监测控制实时性的要求。，推理速度慢，难以满足监测控制实时性的要求。这些都是专家系统欲待解决的前沿课题。这些都是专家系统欲待解决的前沿课题。

建立专家系统的条件 是否存在能够解决该问题的人类专家是否存在能够解决该问题的人类专家 ??

如果不存在人类专家，也就无法建立解决问题的规则。如果不存在人类专家，也就无法建立解决问题的规则。 问题是否存在可定义的解答问题是否存在可定义的解答 ??

专家系统被设计为在一组解决方案中选择最恰当的方法。专家系统被设计为在一组解决方案中选择最恰当的方法。 解决问题的具体方案必须适于表述为专家系统的语言。解决问题的具体方案必须适于表述为专家系统的语言。

问题的领域和可理解程度是否限定在有限的范围内问题的领域和可理解程度是否限定在有限的范围内 ?? “ ”广义的常识性问题或者需要很 深 知识的问题都不适于专家“ ”广义的常识性问题或者需要很 深 知识的问题都不适于专家系统。系统。

专家系统只能解决特殊领域的问题。专家系统只能解决特殊领域的问题。 解决问题的方法是否可以文本化解决问题的方法是否可以文本化 ??

问题解决方案可能是决策树、程序手册、使用说明等等。问题解决方案可能是决策树、程序手册、使用说明等等。 一个具有良好定义的问题域能够很容易地建立专家系统。一个具有良好定义的问题域能够很容易地建立专家系统。

专家系统的可应用范围

特定的

广度

有限的 深度

问题域

ExpertSystems

将专家系统将解决的问题定义到如上图中适当“ ” 的阴影区域是非常重要的，问题域不应具有 过宽 的

“ ” 范围和 过深 的可理解水平。

传统专家诊断的缺点

受地域限制；

受年龄限制；

容易疲劳。

为什么使用专家系统 ?

知识的保护 将专家的经验转化为永久的记忆。

将专家从重复繁琐的日常工作中解放出来。

在专业领域为初学者提供专家的建议。 将专家经验广泛地推广。 提高工作效率 .

在紧急状况下提供参考意见 . 尤其在疲劳和精神压力大的情况下。

专家系统与人类专家的对比

要素要素 人类专家人类专家 专家系统专家系统

时效性时效性 工作日工作日 任何时间任何时间地域性地域性 当地当地 无论何处无论何处安全性安全性 不能替代的不能替代的 可替代的可替代的易损坏易损坏 是是 否否性能性能 易变的易变的 恒定的恒定的速度速度 通常较慢通常较慢 通常很快通常很快费用费用 高高 相对廉价的相对廉价的

图 5 专家系统的组成和处理流程

一般专家系统的主要组成

知识库知识库

推理机推理机

监测数据 历史数据 规程 环境经验

知识定义 规则结构

…. .

专家系统

知识表达

数据库 索引

人机交互界面 知识库

推理机

专专家家系系统统

专家系统的建立

专家系统外壳人机界面推理机

知识工程知识获取知识表达

建立专家系统的参与者

领域专家领域专家 知识工程师知识工程师 用户用户

领域专家 在特定领域，具有某种特殊技能的人，能够利用以往的经验，正确地给出问题的解决方案。

知识工程师 专家系统的设计、开发和实现者。 是专家经验到应用规则的转换者。

使用者 将要使用专家系统的用户。 领域专家知识的最终受益者。

智能的一般模型

智慧

知识

信息

Data 语境+

想象力+经验+

知识工程师的智能模型

上下文+

分析 / 精炼+

简明的规则+知识

事实

“ ”原始 数据

决策

知识库

包含专业领域中解决问题的方法性知识 ， 有两种基本的表达方法：

规则 : If-then 模式， 模仿人类专家的思考过程 . (基于规则的推理 )

案例 : 搜集以往相关问题的解决方案，并将其应用到当前须解决的问题中。(基于案例的推理 )

图 6 基于规则的知识表示

知识表达方法

规则的表示方法

IF前提

THEN结论 1

and 选择 1

ELSE结论 2

and 选择 2

记录 :____________参考 :____________

IF 部分是对检验条件的简单描述 , 可用语言或代数表达式表示。

例如 : 今天是星期三 or [X] > 1

如果今天是星期三，则第一条规则为真 . 如果变量 X > 1，则第二条规则为真 .

检验是根据基本信息进行的 :由用户提供的信息；来源于其他规则的信息；

IF

THEN

THEN 是对推理结论的简单描述，与 IF部分的表示类似 , 但结论无需检验，是对事实的陈述。

IF “ ” 今天是星期三 可能是真，也可能是假。

如果 IF 条件 是真， 则 Then “今天是星” 期三 是正确的事实 .

THEN 结论同样可以表示为字符串或代数表达式。

ELSE

ELSE 部分是与 THEN 部分是相同的，只是当“所有的 IF”部分都为假时，才被启用。

ELSE 部分是可选择的，且在大部分规则中都不是必需的。

基于规则推理的举例

基于规则的推理 应用 If-Then 规则 :

1. 如果体温超过 38°C, 则病人严重发烧。2. 如果病人严重发烧并且咳嗽，则病人感冒。

当前事实 :体温超过 38°C, 咳嗽。

应用这两条规则，可以得出病人感冒的结论。

案例的表示方法 案例表示

“ ”考察所有有关的事实，并建立相应 案例 。

考察它们之间的差异。

例： Step 1, 在以往高尔夫赛中行家的用杆案例 :

Case 1: (170 码 , 在平草区 ) ，使用 5号杆 . Case 2: (160 码 ,在平草区 ) ，使用 6号杆 . Case 3: (150 码 ,在平草区 ) ，使用 7号杆 . Case 4: (170 码 , 在深草区 ) ，使用 4号杆

Step 2 在与已有案例不符的情况下，使用以下规则 :

a. 如果球处于平草区 ，并且相应案例是用于深草区的，则应使用更高一个量级的球杆。

b. 如果球处于深草区 ，并且相应案例是用于浅草区的，则应使用更低一个量级的球杆。

Step 3 如果当前球处于 150 码外的深草区，符合 Case

3 (最匹配的案例 ) ，但 Case 3 是适用于浅草区的。进一步使用 Step2中的规则 b，则可以推论出应当使用 6号杆。

专家系统中推理的适用原则

• 何时使用基于规则的推理 ?– 当在专业领域存在专家，并且该专家知识能够很好地解决问题时。

– 当需要给出必要的解释和推理索引时。

• 何时使用基于案例的推理 ?—当用户想要浏览相似的案例时。—当知识库拥有大量典型案例时。

规则的结构树

在办公桌上有电话、计算机、铅笔、法 律文件和 磁盘 .

噪音 ?

Yes

No

黑色 ?

黄色 ?

黑色 ?

白色 ?

电话

计算机

磁盘

法律文件

铅笔

矩形 ?

圆柱形 ?

颜色 ?

颜色 ?

形状 ?

开始

Rule 1: IF 该物品产生噪声，并且颜色是黑色的。 THEN 是电话。

Rule 2: IF 该物品产生噪声，并且颜色是白色的。 THEN 是计算机 。

Rule 3: IF 该物品不产生噪声，且颜色是黑色的。 THEN 是磁盘 。

Rule 4: IF该物品不产生噪声，且颜色是黄色的，且形 状是矩形的 。

THEN 是法律文件 。 Rule 5: IF 该物品不产生噪声，且颜色是黄色， 且形

状是圆柱形的。 THEN 是铅笔 。

推理机控制策略

规则执行的控制策略 反向推理

从假设，即要证明的结论出发，推测可能导致该结论的条件。

一个假设可以当作一个真伪尚未确定的事实。

正向推理从已知事实出发到结论的推理。

使用何种策略 ?

• 何时使用反向推理 ?– 当某个特定的结论需要验证时。– 某些特定类型的问题 : 如诊断问题。– 例如 . 我应当购买这辆大衣吗 ?

• 何时使用正向推理 ?—当你需要得到所有可能的结论时。—某些特定类型的问题 : 预测和控制。—例如，我应当申请那种工作 ?

反向推理

• “ ”采用 目标驱动方式 .

• 如果需要部分信息，则程序将自动检查能够提供该信息的所有规则。

• 在获得第一规则前，程序将链接所有有关的规则

• 目标结论（假设）所需信息沿规则链，按逻辑反向传播 .

反向推理实例 规则 1:

IF今天很热

THEN 去海滩

程序需要知道如果今天热的条件 . 程序将自动检查所有规则，以便找到能够说明今天很热的规则，来支持去海滩的假设。 规则 35:

IF 是夏天

并且 是晴天THEN

今天很热 .

“ ” “ ”如果该规则通过检验，即 是夏天 且 是晴天 , 这两 个条件 ，则规则 1 亦通过检验。该推理链连接了所有应用的

规则，并得到了证实。

正向推理• “ ”采用 条件驱动方式 。

• 正向推理就是简单地依次检验现有条件。

• 亦可代替以用户询问信息的方式。

• 正向推理依赖于获得信息的次序，而反向推理与信息次序无关。

• 多数专家系统都采用正反向混合推理的方式 .

元规则• 元规则 ( 又称控制策略 ) 即如何应用推理策略的规则。

• 基于规则的专家系统是由不同的规则层构成。

• 元规则决定一般性规则的应用标准。

• 例如 : 相同的条件在两条不同规则中，得到了相互矛盾的结论 , 此时应当选择哪条规则呢？（冲突消解问题）

元规则可以激发最近经常使用的规则； 元规则可以激发特定优先级的规则。

元规则举例规则 : 如果信用纪录小于 1年 , 则申请者具有高的信贷风险 .

如果申请者是医生 则申请者具有较低的信贷风险 .

元规则 : 如果存在一条以上的规则符合事实条件，请选用在时间上距当前最近事实所对应的规则。

事实 : 某人 25岁， 某人仅具有 6个月的信用记录， 某人一年内曾三次失业， 某人三个月前成为医生。

“ ”某人是医生 是最近的事实 , 因此该申请是低信贷风险的.

元规则的层次

决策 信

息

—元 元规则

元规则( 关于如何应用规则的规则 )

规则( 领域知识 )

判定树

知识库在大多数情况下，可以判定树的形式构架。

判定树结构可以作为知识表达的模式，也可作为知识推理的模式。

它很大吗？它很大吗？

它吱吱叫吗它吱吱叫吗？？

可能是松鼠可能是松鼠 可能是老鼠可能是老鼠

它是长颈吗它是长颈吗？？

它有长鼻子吗它有长鼻子吗？？

可能是长颈可能是长颈鹿鹿

可能是大象可能是大象它喜欢呆在水里吗它喜欢呆在水里吗？？

可能是犀牛可能是犀牛 可能是河马可能是河马

否 是

否 是 是

是

是

否

否

否

以动物分类为例

搜索策略 专家系统的推理过程，就是进行规则条件与事实的匹配过程。问题求解的目标就是寻找最好的搜索技术，能够给出一条有效的解题途径。搜索策略分为两大类：

盲目搜索。

启发式搜索。

盲目搜索 穷尽式搜索 : 沿判定网络的每一个可能的途径进行搜索，时间开销很大。 宽度优先搜索 : 沿层搜索，对浅问题有效。

AA

BB

EE FF

GG

HH

AA

BB CC DD

EE FF

GG

HH

深度优先搜索 : 沿深度最大的分支搜索。

CC DD

宽度搜索 深度搜索

启发式搜索

启发式搜索需要根据代价函数分析问题域的特性。从而缩小搜索空间。根据这些信息：

确定下一步搜索节点；

确定 后续搜索路径；

将搜索空间中的部分节点，标注上无需搜索的的记号。

诊断专家系统的发展方向

专家系统在电气诊断方面的应用

用于电力设备故障诊断的专家系统最早见于 Riese在 1986年公布的 TOGA系统，其后有很多类似的系统应用到实际工程当中。任何专家系统的质量完全取决于它所采用的判断规则和领域经验的质量。但实际上故障诊断知识的获得是非常困难的，一直是阻碍专家系统应

“ ”用的 瓶颈 问题。

仅靠设计者预先输入的知识进行诊断是不够的，应该是专家系统在实践中不断地获取知识。

故障现象和故障原因之间存在着大量的非一一对应关系，专家系统很难解决

基于神经网络的专家系统

非线性并行处理的神经网络不包含规则，而将诊断规则隐含于权值矩阵中，通过训练使网络中的权值达到某一状态（即学到一定的知识），然后输入实际样本，网络通过非线性映射可将样本空间映射到故障空间，实现绝缘状态的识别和诊断。

神经网络权值通过训练可调整、可修改，可将新的故障事例作为学习样本重新组织训练即可，无需改变网络结构。而以往的专家系统需添加新的规则，有时还可能改变推理机制。

系统输入

系统输出

神经网络模块是系统的核心，它接受经规范化处理后的原始证据输入，给出

处理后的结果

承担知识的规范化及表达方式的转换－是神经网

“络与外界连接的”接口

承担知识的规范化及表达方式的转换－是神经网

“络与外界连接的”接口

两个阶段：1、学习阶段，系统依据专家经验与实例，调整网络的权值，达到知识记忆的目的2、识别阶段，是系统在外界的激发下实现已记忆的联想，实现特定的映射变换。该系统学习的是诊断知识，通过模式匹配实现故障类别的辨别。

具体应用

状态诊断专家系统

• “ ”是基于 状态－措施 策略构建的，设备的基本状态包括： 正常状态 可疑状态 可靠性下降状态 危险状态

• 对应不同的状态采取不同的处理措施

电站设备管理专家系统图形界面

状态诊断专家系统知识库

• 知识来源 《广东省油浸电力变压器状态检修导则》 《电力变压器检修导则》等部颁标准 现场专家的意见

• 表示形式 事实 － 表示变压器的一些基本属性 “规则 － if…then…” 形式，表示事实间的联系和推

理 “ ” “ ”规则的条件部分可以为 或 或者 与 的关系 规则树，以正常状态为例

......

......

变压器正常状态

绝缘油介损不超标

绝缘电阻试验合格

绝缘油简化试验合格

有载开关试验合格

酸值满足油中含气量

满足色谱

试验合格界面

张力满足

烃类气体不超标

氢气含量不超标

相对产气率小于10％

......

...... 变压器本体增幅不超过

30％

专家系统的推理

• 采用反向推理 条件匹配 冲突消解

状态：先判断是否为危险状态，然后可靠性下降状态、

可疑状态、正常状态 具体故障：根据引发故障的可信度不同，将规则排序

深度搜索。

故障实例

• 杭州某变电站一变压器多点接地故障• 南昌发电厂 10 号高厂变 分接开关接触不良

可靠性下降状态

规则A

铁心多点接地

串接电阻,环流<0.1A

色谱跟踪烃类气体再无上升

趋势

规则B

危险状态

否接地环流大于

4A

根据表 3.2

环流降为0.03A

环流值为4.8A

匹配

匹配

匹配

铁心多点接地故障诊断推理

案例推理 (简称 CBR)与人类利用经验解决问题的方式非常相近，当我们遇到一个新的问题，总是会首先联想曾经遇到过的类似情况，从记忆中找出在几个重要特征上与该问题相似的事例，然后把该事例中有关信息和知识引用到新问题的分析和处理过程中。对于象大型机电设备故障诊断这样缺乏明确因果模型、需要大量经验的领域，在辅助专家进行决策方面，案例推理作为一种补充的分析手段是非常有价值的。

案例推理

通常将所要分析的问题称为目标范例，而把联想到的事例称为源范例。简单地说，案例推理就是利用目标范例的提示来得案例库中的源范例，并由源范例来指导对目标范例分析的一种策略。

目标范例

检索信息

源范例库

结论解释

新范例

范例检索 检索方法

候选集 精选规则

案例推理的主要过程

准确、清晰的范例表示是实现有效类比的关键。故障范例的表示应包括两方面的内容：1. 索引标志：主要为检索算法提供基础的检索信息，以便根据某种相似测度对源范例和目标范例进行匹配。2. 故障描述：以文档的形式将以往的故障实例加以保存以便检索应用，故障实例的文档内容应当包括设备的台账信息、运行经历、历次色谱和电气试验数据、故障处理情况、检修结果

以及维修后的运行情况等。

范例表示

一般使用故障的某种特征作为索引来完成检索。由于一般情况下不存在完全的精确匹配，因此要对故障实例与范例间的特征关系进行相似度估计。

范例的检索

较常用的是欧氏距离：

d a aij ih jhh

n

= −=

∑ ( ) 2 12

1

特征距离最小的即为最相思案例。

(1). (1). 故障实例：西北电管局庄头故障实例：西北电管局庄头 #1#1变，型号：变，型号： OSFPS7OSFPS7

—240000/330—240000/330，生产厂：西变，出厂日期：，生产厂：西变，出厂日期： 19911991年，曾发年，曾发生轻瓦斯动作，生轻瓦斯动作， 19961996年年 11月月 1212 日色谱分析结果： 日色谱分析结果：236ppm236ppm ， ， 48ppm48ppm ， ， 13.3ppm13.3ppm ， ， 48ppm48ppm ， ， 88ppm, 88ppm,

638ppm638ppm ， ， 2594ppm2594ppm。电气试验未发现问题，局部放电试。电气试验未发现问题，局部放电试验结果为平均放电量大于验结果为平均放电量大于 2000PC2000PC。。

实例分析

(2). (2). 检索到的最相近的源范例为：东电某变电站检索到的最相近的源范例为：东电某变电站 #1#1主主变，型号变，型号 SFPSL-63000/220SFPSL-63000/220，， 19841984年年 1010月月 1010日轻瓦斯保护日轻瓦斯保护

动作，色谱结果如下： 动作，色谱结果如下： 150ppm150ppm ， ， 27ppm27ppm ， ， 3.6ppm3.6ppm ， ，63ppm63ppm ， ， 90ppm, 420ppm90ppm, 420ppm ， ， 3200ppm3200ppm。预防性试验结果。预防性试验结果均合格，局部放电量大于均合格，局部放电量大于 3000pc3000pc。而其检修结论为：。而其检修结论为： BB、、CC相首端的长垫块尖角烧坏，与其相应的围屏处烧蚀成洞相首端的长垫块尖角烧坏，与其相应的围屏处烧蚀成洞

，表面有树枝状放电通道。 ，表面有树枝状放电通道。

(3). 诊断结果：变压器内部存在严重的树枝状围屏放电，属高度危险状态，须立即停运检修。

(4). 实际检查结果：该主变于 1996年 2月进行解体，发现 A相外数第一层围屏的第一张绝缘纸板有 8个击穿点，第二张绝缘纸板有贯穿性树枝放电。可见与上述源范例的情况是基本一致的。

决策支持决策支持系统以提高决策效益为目标，对决策

者起到支持和辅助作用。决策支持系统不能代替决策者的决策。

电力系统中对大型设备进行解体检修费用很高，而且会造成较大区域的长时间停电，所以除非事先发现某些明显异常的征兆，一般不会对其进行全面的解体检查。即使发现异常情况，也必须先经过详细的外部检查，进行必要的试验，待确定必要的检修项目后才能进行解体修理，需要一个相当复杂的决策过程。

确定目标

设计方案

实施方案

方案选择

• 决策过程：人们为实现一定目标而制定行动方案，并准备组织实施的活动过程，也是一个提出问题、分析问题、解决问题的过程。

环境

包括：环境、历史因素

人们在决策时，一方面须认识环境，了解信息；另一方面，在决策的各个阶段要受到环境的制约。

反馈

影响决策的主要因素

因素 趋势 结果

技术、信息 递增

决策方法上有更多的选择

问题的复杂度故障的严重程度

递增

决策失误的代价很大

技术规程的稳定性

运行环境的变化用户至上政府干预

递减

递增

更多的不确定性

对未来的可预见性下降

电力设备故障的决策系统，是模仿人类专家的推理

“行为，采用 假设 - ”测试 循环为核心的推理过程。首先根据有关故障的初始信息，产生一组可能的故障假设（ Plausible Hypotheses），这些假设应能够解释所有初始信息；

然后，根据这些假设设计进一步的试验计划对初步诊断结论进行证实，指导获取更多的故障信息，直到得到一个对各种故障现象最优的解释，作为最终的诊断结论。

远程诊断

远程诊断就是将诊断技术和 Internet技术结合在一起，为电力设备的维护人员提供方便易用的远程诊断服务：为用户诊断设备的状态，并给出维护建议。

远程诊断服务是开放性的，没有地域上的限制。因此可以集中不同地区的专家进行重要设备的会诊、共同得出合理的技术处理

措施。

资料数据库

油色谱分析报告 专家系统

FMECA数据库

现场用户

实时的专家意见

信息数据诊断结论

变压器 DGA 诊断网页

变压器 DGA 诊断报告

对该变压器进行吊芯检查发现，铁扼下夹件与铁心存在多点接地引起

局部发热。 与诊断结论一致。。

Thank you

Thank you