现在电力系统不断革新的同时，系统中设备的科技化程度也在不断提高，传统的故障诊断方法也迫切需要得到改进，基于大数据技术输电线路故障诊断方法开始迈入智能化阶段。大数据分析是指通过数据挖掘、深度学习、信息融合等方法对前期预处理的海量数据进行整合分析，从中挖掘有价值的信息以满足用户需求。
结合电力系统的现状，为了达到充分挖掘电力大数据价值的目的，处理电力大数据时需要从以下三个方面着手：第一，建立与大数据信息匹配的多维数据模型；第二，运用先进的数据挖掘技术提取相关性最高的数据特征；第三，运用多个领域的图形化分析技术提高决策水平。本文主要介绍以下三种基于大数据分析的智能故障诊断的方法：
（1）人工神经网络诊断方法
人工神经网络（Artificial Neural Networks，ANN）与一般人工智能方法相比，拥有强大的自适应学习能力，分布式信息存储能力，并行处理能力，非结构化信息处理能力以及强大的推广能力等。
在神经网络诊断法中人工神经元模拟了脑神经的基本特性，它按照不同的权重接收其他神经元传递来的信号，而输出则是这种加权和信号的非线性函数值。
类似于人脑的结构，人工神经网络由一组结点和连接这些结点的有向链接组成，如图2所示的前馈网络模型，包含输入层、输出层以及介于两者之间的隐藏层（可以有若干层）。每一层都由数量不等的结点组成，每一层的结点通过链接只和下一层的结点相连，这些结点通常被称之为神经元或者单元。
训练ANN是一个很耗时的过程，且对训练数据中的噪音非常敏感，考虑到ANN应用于输电线路故障测距时需要考虑的因素非常多，而且所用的训练样本数据量巨大，导致训练结果很难收敛，因此，ANN实用于输电线路故障测距尚需进一步研究。
（2）故障树分析诊断方法
故障树分析法（Fault Tree Analysis，FTA），又称事故树分析法，是一种将设备或系统中故障形成的可能原因，自上而下按层级细化寻找故障直接原因和间接原因的演绎分析法。在输电线路故障诊断应用中，故障分析树将输电线路运行中最不希望发生的故障设为顶层事件，然后向下逐层列出可能导致该事件发生的全部因素，最后形成故障树，以此描述事件之间的相互联系，从而展开定性和定量分析。
故障树定性分析是故障树分析的核心，定性分析是一个求最小割集的过程。最小割集是指最低限度导致顶上事件发生的基本事件的集合。
故障树定性分析通过求得最小割集，以便于快速地分析系统的故障模式。
而定量分析的目的是：根据已给事件的概率，计算顶层事件的概率。这种方法是比较常用的故障诊断方法，可以将比较复杂的问题简化为几个小问题，主要用于简单对象的离线诊断。
故障模式及影响分析(Fault Modeand Effect Analysis，FMEA) ，是一种从因果法系出发，分析系统结构与系统中每个故障对系统产生的影响以消除潜在故障模式的定性分析方法，该方法属于前瞻性分析方法，在预防事故发生中起到了重要的作用。在输电线路故障诊断应用中，通过制定规范化的FMEA分析表格，首先，明确输电线路运行过程中可能发生的各种潜在故障模式；其次，评估每种故障模式可能带来的影响，以及其严重程度；再者，针对每种故障模式，评估其发生的原因和发生机率的大小；最后，针对危害严重的故障模式，提出相应的解决措施。
FTA能系统地、准确地预测或者发现系统安全性问题，FMEA能定性地分析系统的故障模式及其对系统造成的所有影响。FTA方法先是根据故障间因果关系以及逻辑关系建立起一个以事件为节点的倒树结构，然后对树结构进行简化和计算各基本事件的结构重要度，最后进行定量以及定性分析。若以FMEA为基础建立故障树，能进一步提高FTA的客观性、全面性以及分析结果的有效性。图3是为基于FMEA的故障树分析过程示意图。
（3）模糊模式识别诊断方法
模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分类识别问题。例如，最大隶属度法，就近原则法和模糊聚类法等。模糊模式识别（Fuzzy Pattern Recognition，FPR）的基本思想是指接受现实中存在模糊现象的事实，把这些模糊事件设定为研究对象，并将其转变为计算机能够进行处理的信息，从而达到模式识别的目的。
例如，输电线路系统中有许多这种内涵确定而外延不确定的概念，例如“过电压”、“过电流”等。正因为输电线路系统中的模糊性的存在，这种模糊模式识别的故障诊断方法得到了广泛的应用。 ..
|
