現(xiàn)在電力系統(tǒng)不斷革新的同時，系統(tǒng)中設(shè)備的科技化程度也在不斷提高，傳統(tǒng)的故障診斷方法也迫切需要得到改進，基于大數(shù)據(jù)技術(shù)輸電線路故障診斷方法開始邁入智能化階段。大數(shù)據(jù)分析是指通過數(shù)據(jù)挖掘、深度學習、信息融合等方法對前期預(yù)處理的海量數(shù)據(jù)進行整合分析，從中挖掘有價值的信息以滿足用戶需求。

　　結(jié)合電力系統(tǒng)的現(xiàn)狀，為了達到充分挖掘電力大數(shù)據(jù)價值的目的，處理電力大數(shù)據(jù)時需要從以下三個方面著手：第一，建立與大數(shù)據(jù)信息匹配的多維數(shù)據(jù)模型；第二，運用先進的數(shù)據(jù)挖掘技術(shù)提取相關(guān)性最高的數(shù)據(jù)特征；第三，運用多個領(lǐng)域的圖形化分析技術(shù)提高決策水平。本文主要介紹以下三種基于大數(shù)據(jù)分析的智能故障診斷的方法：

　　（1）人工神經(jīng)網(wǎng)絡(luò)診斷方法

　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）與一般人工智能方法相比，擁有強大的自適應(yīng)學習能力，分布式信息存儲能力，并行處理能力，非結(jié)構(gòu)化信息處理能力以及強大的推廣能力等。

　　在神經(jīng)網(wǎng)絡(luò)診斷法中人工神經(jīng)元模擬了腦神經(jīng)的基本特性，它按照不同的權(quán)重接收其他神經(jīng)元傳遞來的信號，而輸出則是這種加權(quán)和信號的非線性函數(shù)值。

　　類似于人腦的結(jié)構(gòu)，人工神經(jīng)網(wǎng)絡(luò)由一組結(jié)點和連接這些結(jié)點的有向鏈接組成，如圖2所示的前饋網(wǎng)絡(luò)模型，包含輸入層、輸出層以及介于兩者之間的隱藏層（可以有若干層）。每一層都由數(shù)量不等的結(jié)點組成，每一層的結(jié)點通過鏈接只和下一層的結(jié)點相連，這些結(jié)點通常被稱之為神經(jīng)元或者單元。

　　訓(xùn)練ANN是一個很耗時的過程，且對訓(xùn)練數(shù)據(jù)中的噪音非常敏感，考慮到ANN應(yīng)用于輸電線路故障測距時需要考慮的因素非常多，而且所用的訓(xùn)練樣本數(shù)據(jù)量巨大，導(dǎo)致訓(xùn)練結(jié)果很難收斂，因此，ANN實用于輸電線路故障測距尚需進一步研究。

　　（2）故障樹分析診斷方法

　　故障樹分析法（Fault Tree Analysis，F(xiàn)TA），又稱事故樹分析法，是一種將設(shè)備或系統(tǒng)中故障形成的可能原因，自上而下按層級細化尋找故障直接原因和間接原因的演繹分析法。在輸電線路故障診斷應(yīng)用中，故障分析樹將輸電線路運行中最不希望發(fā)生的故障設(shè)為頂層事件，然后向下逐層列出可能導(dǎo)致該事件發(fā)生的全部因素，最后形成故障樹，以此描述事件之間的相互聯(lián)系，從而展開定性和定量分析。

　　故障樹定性分析是故障樹分析的核心，定性分析是一個求最小割集的過程。最小割集是指最低限度導(dǎo)致頂上事件發(fā)生的基本事件的集合。

　　故障樹定性分析通過求得最小割集，以便于快速地分析系統(tǒng)的故障模式。

　　而定量分析的目的是：根據(jù)已給事件的概率，計算頂層事件的概率。這種方法是比較常用的故障診斷方法，可以將比較復(fù)雜的問題簡化為幾個小問題，主要用于簡單對象的離線診斷。

　　故障模式及影響分析(Fault Modeand Effect Analysis，F(xiàn)MEA) ，是一種從因果法系出發(fā)，分析系統(tǒng)結(jié)構(gòu)與系統(tǒng)中每個故障對系統(tǒng)產(chǎn)生的影響以消除潛在故障模式的定性分析方法，該方法屬于前瞻性分析方法，在預(yù)防事故發(fā)生中起到了重要的作用。在輸電線路故障診斷應(yīng)用中，通過制定規(guī)范化的FMEA分析表格，首先，明確輸電線路運行過程中可能發(fā)生的各種潛在故障模式；其次，評估每種故障模式可能帶來的影響，以及其嚴重程度；再者，針對每種故障模式，評估其發(fā)生的原因和發(fā)生機率的大小；最后，針對危害嚴重的故障模式，提出相應(yīng)的解決措施。

　　FTA能系統(tǒng)地、準確地預(yù)測或者發(fā)現(xiàn)系統(tǒng)安全性問題，F(xiàn)MEA能定性地分析系統(tǒng)的故障模式及其對系統(tǒng)造成的所有影響。FTA方法先是根據(jù)故障間因果關(guān)系以及邏輯關(guān)系建立起一個以事件為節(jié)點的倒樹結(jié)構(gòu)，然后對樹結(jié)構(gòu)進行簡化和計算各基本事件的結(jié)構(gòu)重要度，最后進行定量以及定性分析。若以FMEA為基礎(chǔ)建立故障樹，能進一步提高FTA的客觀性、全面性以及分析結(jié)果的有效性。圖3是為基于FMEA的故障樹分析過程示意圖。

　�。�3）模糊模式識別診斷方法

　　模糊模式識別方法是利用模糊數(shù)學中的概念、原理與方法解決分類識別問題。例如，最大隸屬度法，就近原則法和模糊聚類法等。模糊模式識別（Fuzzy Pattern Recognition，F(xiàn)PR）的基本思想是指接受現(xiàn)實中存在模糊現(xiàn)象的事實，把這些模糊事件設(shè)定為研究對象，并將其轉(zhuǎn)變?yōu)橛嬎銠C能夠進行處理的信息，從而達到模式識別的目的。

　　例如，輸電線路系統(tǒng)中有許多這種內(nèi)涵確定而外延不確定的概念，例如“過電壓”、“過電流”等。正因為輸電線路系統(tǒng)中的模糊性的存在，這種模糊模式識別的故障診斷方法得到了廣泛的應(yīng)用。