配电设备健康状态研究是目前电网资产管理领域一个新的研究方向^[1]。我国配电网具有设备数量巨大、网络覆盖面广的特点，虽然单个资产的价值不高，但是整体价值庞大。由于配电设备数量巨大，所以仅仅依靠人员对所有设备的健康状态进行评价是不现实的，需要引入专家系统，实现对设备健康状态的自动评价。斯坦福大学于1965年设计了首个专家系统，但是在大约20年后专家系统才被引入到电力系统中^[2]。尽管专家系统在电力系统中应用较晚，却得到了很广泛的应用，尤其在故障诊断和规划与设计领域。文献[3]设计了一种基于直觉模糊的变压器油色谱分析故障诊断专家系统。文献[4]设计了一种继电保护检验标准化作业专家系统，系统通过规范有序的引导、控制和帮助，减少了现场人员的繁琐劳动，提高了工作效率。在配电网领域，文献[5]介绍了配电网线路故障的基于模型诊断方法，该方法克服了普通专家系统移植和维护困难的缺点，在实际应用中取得良好的效果。文中在电力系统已有专家系统使用经验的基础上，发挥互联网技术的优势，设计了一种在网络环境下进行工作的配电设备健康状态评价专家系统，根据模糊集理论、证据理论等设计了推理规则，实现了对配电设备的在线评测。

1 专家系统总体设计

文中所述专家系统采用基于规则的专家系统模型设计，专家系统整体框图如图 1所示。

专家系统主要由3个核心部分组成：知识库、推理机和规则集。在3个核心部分以外，专家系统还包括2个辅助部分：数据库接口和终端界面。数据库接口负责为专家系统知识库和推理机提供数据信息，其功能主要包括数据选择、数据格式预处理以及数据缓存等。数据接口可以与配电网领域的数据库建立连接，或者与相应的传感器建立连接，以实现数据的获取；对获取到的数据进行一定的预处理，以使数据格式满足知识库和推理机使用的要求；数据缓存功能则使数据接口具有存储功能，对推理机和知识库暂时用不到的数据进行暂时的存储。

2 知识库设计 2.1 知识源选择

专家系统的知识来源一般被分为4种：领域专家、终端用户、多个专家和参考文献^[6]。前3种来源均需要知识工程师与相关人员进行交流获取，由于获取过程的两端均为人，因此存在着知识表述困难、知识表述不精确以及知识获取不完整或知识获取不正确等情况。最后一种获取方式则是从参考文献中获取，由于参考文献都是经过总结归纳编写的，对知识的表达较为准确，知识的获取者也可以完整地理解知识，因此从参考文献获取知识相较于从人获取知识有着知识易收集、易理解与易使用的优势。

在配电领域，目前国家电网公司制定了大量的标准、导则以及试验规程，这些文件覆盖了电网领域绝大部分的状态评价，指导着电网的日常生产工作。除去国家电网公司制定的标准、导则以及试验规程以外，在国际上，IEEE、IET等组织也制定了电网领域相关的国际标准。尽管配电领域拥有大量的标准、导则以及试验规程等文件，但是这些文件体系庞大，涉及运维、检修以及试验等方方面面，一线人员需要花费大量的精力去翻阅文件，造成工作效率的下降。文中针对此问题，选择配电领域的参考文献作为主要知识来源，利用专家系统实现对参考文献知识的管理和利用，帮助相关人员给出评价对象的健康状态，提高工作效率。

2.2 知识库结构

设计知识库的结构，需要首先研究知识库中存储的知识的特点。本专家系统主要的知识来源是参考文献，通过研究电网公司的相关参考文献发现，参考文献中的知识已经经过了归纳总结，而且电网领域的标准、导则以及试验规程等大多已经表格化，以方便使用者参阅，这种表格化的知识利于在数据库中进行管理，因此专家系统的知识库在数据库平台上进行设计，采用如表 1所示的结构进行知识的存储。

知识存储表采用指标—结论或方法的方式存储知识，由于指标一般为一个区间，因此在实际的存储表中，一个指标需要存储其上限值和下限值，如果指标没有上限，则上限值空缺；如果指标没有下限，则下限值空缺；如果本指标可以为任何数值，则指标上下限值全部空缺。知识表在SQL Server 2008数据库平台上建立，存储知识后的知识存储表如图 2所示。

在图 2中，“低”代表指标的下限，“高”代表指标上限，可以看出表格中存在一些空格。“CH4/H2”指标第一行数值，表示本条知识与“CH4/H2”指标取值无关，第5行和第6行没有上限值，表示该条知识只要大于下限值即满足条件。

3 规则集

规则集是专家系统推理过程中所使用的规则的集合，在本专家系统中，规则集包括模糊隶属度计算函数和DS证据理论推理函数，这2个函数用C#语言编写，被封装为类供推理机调用。

3.1 模糊隶属度计算函数

考虑到实际情况下，参考文献给出的范围可能并不是很精确，尤其在范围的边界处，如果采用简单的IF-THEN匹配模式进行匹配推理，可能造成匹配的失败，得出错误的结论。因此在专家系统中引入模糊集理论，通过计算各指标的模糊隶属度，避免简单IF-THEN推理造成的错误结果。模糊隶属度计算函数主要包含3个模糊函数：戒上型模糊函数μ_U、戒下型模糊函数μ_L和中间对称型模糊函数μ_M。3个函数的具体表达式如下^[7]：

${\mu _{\rm{U}}}(x,{a_{\rm{U}}}) = \left\{ {\begin{array}{*{20}{l}} 1&{x \le {a_{\rm{U}}}}\\ {\frac{{x - {b_{\rm{U}}}}}{{{a_{\rm{U}}} - {b_{\rm{U}}}}}}&{{a_{\rm{U}}} \le x \le {b_{\rm{U}}}}\\ 0&{x \ge {b_{\rm{U}}}} \end{array}} \right.$

(1)

${\mu _{\rm{L}}}(x,{a_{\rm{L}}}) = \left\{ {\begin{array}{*{20}{c}} 0&{x \le {b_{\rm{L}}}}\\ {\frac{{x - {b_{\rm{L}}}}}{{{a_{\rm{L}}} - {b_{\rm{L}}}}}}&{{b_{\rm{L}}} \le x \le {a_{\rm{L}}}}\\ 1&{x \ge {a_{\rm{L}}}} \end{array}} \right.$

(2)

${\mu _{\rm{M}}}(x,{a_{\rm{L}}},{a_{\rm{U}}}) = \left\{ {\begin{array}{*{20}{c}} 0&{x \le {b_{\rm{L}}}}\\ {\frac{{x - {b_{\rm{L}}}}}{{{a_{\rm{L}}} - {b_{\rm{L}}}}}}&{{b_{\rm{L}}} \le x \le {a_{\rm{L}}}}\\ 1&{{a_{\rm{L}}} \le x \le {a_{\rm{U}}}}\\ {\frac{{x - {b_{\rm{U}}}}}{{{a_{\rm{U}}} - {b_{\rm{U}}}}}}&{{a_{\rm{U}}} \le x \le {b_{\rm{U}}}}\\ 0&{x \ge {b_{\rm{U}}}} \end{array}} \right.$

(3)

式中：a_U代表指标上限，a_L代表指标下限。b_U和b_L的计算方法如下式所示：

${b_{\rm{U}}} = (1 + {\lambda _{\rm{U}}}) \cdot {a_{\rm{U}}}$

(4)

${b_{\rm{L}}} = (1 + {\lambda _{\rm{L}}}) \cdot {a_{\rm{L}}}$

(5)

式中：λ_U和λ_L是比例系数，具体取值可以根据专家系统的运行情况进行调整，本文所述专家系统λ_U和λ_L取值均为10%。

模糊隶属度计算函数的工作流程如图 3所示。函数首先获取到边界值a_U、a_L和数据x，然后判断边界值a_U和a_L是否存在，如果不存在则直接输出1；如果存在则继续判断上界a_U是否存在，如果不存在则用戒下型模糊函数μ_L计算并且输出结果；如果上界存在则判断下界是否存在，如果不存在则用戒上型模糊函数μ_U计算结果并且输出；如果下界存在，则用中间对称型模糊函数μ_M计算并输出结果。

3.2 DS证据理论推理函数

DS证据理论可以处理由不知道引起的不确定性的推理^[8]。由于在模糊隶属度函数计算之后得到了各指标对结果的支持函数，而支持函数仅仅给出了指标对结果的隶属性的大小，并不是一个确切的结果，因此引入DS证据理论作为推理方法。

根据DS证据理论的合成规则，结合专家系统的模糊隶属度矩阵的特点，DS证据理论的归一化常数K的计算方式如下^[9]：

$K = \sum\limits_{j = 1}^m {} \prod\limits_{i = 1}^n {{\mu _{ij}}} $

(6)

各经验的所对应的指标融合函数：

${E_j} = \frac{1}{K} \cdot \prod\limits_{i = 1}^n {{p_i}} $

(7)

根据式(6)、(7)，设计DS证据理论推理函数算法流程如图 4所示。

首先推理机将计算好的模糊隶属度函数矩阵作为输入量输入DS证据理论推理函数，推理函数先计算矩阵的行数和列数；之后使用一个双循环计算出归一化常数K；然后计算每个经验的指标融合函数E，最终输出融合函数数组。

4 推理机

推理机负责知识的推理，是专家系统实现知识使用功能的重要组成部分^[10]。本专家系统推理机的主要功能包括：根据设备信息通过数据接口获取评价所需数据、从知识存储表中获取推理所需知识、调用规则集中的规则进行推理以及将最终推理结果输出到客户界面。推理机的工作流程如图 5所示。

首先，用户从图 6所示专家系统主界面选择日期以及设备的编号，然后点击“诊断”按键，系统根据日期和设备编号从数据库中读取数据信息。

之后，系统从知识库中读取与设备相关的知识。由于不同设备的知识是不同的，因此在知识库中不同设备的知识存储于不同的知识表当中，系统需根据设备编号获取设备类型，然后根据设备类型寻找到相应设备的知识表，读取表中知识。

接下来，系统将获取到的数据和知识通过循环的方式，调用模糊隶属度计算函数计算所有知识的模糊隶属度，并且存入模糊隶属度的二维数组当中，形成矩阵。

由于DS证据理论要求单指标的识别函数值和为1^[11]，因此推理机需要对形成的矩阵进行归一化处理，使每个指标对应的所有模糊函数值的和为1。完成归一化处理之后形成新的归一化矩阵，调用DS证据理论推理函数，将整个归一化矩阵输入函数中，函数以一维数组的方式输出融合函数。

最后推理机选取最大融合函数值，并且根据函数值在数组中的位置编号，从知识表中读取设备状态和处理意见进行输出。

5 应用实例

本实例采用110 kV油浸式变压器油色谱数据介绍系统的具体推理过程。

Lagorejer判断法采用油浸式变压器油色谱的相关指标指示变压器的状态，实例以Lagorejer判断法作为知识库中知识。由于Lagorejer判断法共有31条^[12]，限于篇幅，以前8条为例进行分析。

表 2中，状态A表示变压器正常，状态B表示变压器处于中等严重故障状态，1~7表示变压器的7个劣化类型，状态具体描述可查看参考文献。

表 3是变压器油色谱数据，将表 3中数据与表 2中判断法进行对比，发现全部不符合，即无法判断变压器状态。

根据推理机的算法进行分析，计算各指标模糊隶属度，得到表 4。对表 4中的模糊隶属度进行归一化处理，计算结果如表 5所示。用DS证据理论推理函数计算表 5中数据，得到融合函数数组如表 6所示。

从表 6可以知道，推理机判断变压器的状态为B5。而当直接用数据与表 2的判断法匹配时，由于H₂含量大于200 μL/L，所以判断的结果应为B1、B2或B3。但是B1、B2或B3所对应的总烃含量都要求小于300 μL/L，而此时变压器的总烃含量却大于300 μL/L，因此出现无法判断变压器状态的情况。对比直接匹配法，模糊推理判断出了变压器的状态，所以推理机具有模糊决策的能力。

以上过程为整个专家系统的计算推理过程，而当用户在使用专家系统时，只需在图 6所示的专家系统界面中通过点击“日历”图标选取日期，然后选择设备编号，点击“诊断”即可。系统会从数据库中自动选择离选取日期最近的数据作为评价数据用于评价设备的状态。并且在计算出结果后在“状态”一栏中显示诊断结果，在“处理意见”中显示系统提出的建议，在最下面则用表格的方式显示用于评价的数据，供用户查看设备的数据信息。

6 结论

1) 通过引入专家系统实现了配电设备健康状态的在线评价和实时监测，提高设备管理效率。

2) 专家系统从配电领域的参考文献中获取知识，利用模糊集理论和证据理论建立了推理机制，实现了对知识的推理使用。

3) 通过与传统IF-THEN匹配法的推理结果对比，表明本文所采用的推理方式具有模糊推理能力，具有比IF-THEN推理法更好的推理效果。

本文通过对专家系统在配电设备健康状态评价的研究，期望构建一个基于互联网平台的实时在线状态评价系统，实现对配电设备状态的实时监测和数据的收集获取，为今后应用大数据技术对我国配电网进行数据分析提供数据支撑。