2024年4月18日发(作者：)

第３４卷第６期　

仪　器　仪　表　学　报　

Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｃｉｅｎｔｉｆｉｃ　Ｉｎｓｔｒｕｍｅｎｔ　

Ｖｏ１．３４　Ｎｏ．６　

２０１３年６月　

Ｊｕｎ．２０１３　

架空电力线故障诊断系统的仿真数据生成算法　

吴　华，柳长安，厉启鹏，申晓科　

（华北电力大学控制与计算机工程学院北京１０２２０６）　

术　

摘要：现代社会的发展对电力的依赖性越来越强，为了保障线路的稳定运行，深入进行线路故障诊断的研究显得非常重要。　

但是由于数据缺乏一致性、采集困难等问题，模型训练、测试数据的获取一直困扰着相关研究的开展。为此，提出了一种故障数　

据生成算法ＰＦＧＡ，利用该算法可以生成大量的设备故障数据、单元故障数据及架空电力线路故障数据。由于该算法运用了云　

模型及多智能体系统等机制，生成的故障数据除了包含一定的先验知识外还存在一定的随机性，故障数据也很好地体现了真实　

故障数据的层次关联性、多样性、动态性等特点。利用构建的贝叶斯诊断模型分别利用ＰＦＧＡ和其他算法生成的数据进行诊　

断，结果表明，ＰＦＧＡ生成的数据更符合现实状况，相应的诊断结果也更为可靠。此外，该算法对不同线路状况的适应性也较　

好，研究人员可以根据实际研究情况生成所需的架空电力线路故障数据，以满足各类故障诊断研究对数据的需求。　

关键词：架空电力线路；故障诊断；仿真数据生成算法；多智能体　

中图分类号：ＴＰ２０６　．３　文献标识码：Ａ　国家标准学科分类代码：５２０．２０　

Ｓｉｍｕｌａｔｉｏｎ　ｄａｔａ　ｇｅｎｅｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｆｏｒ　

ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　

ｓｙｓｔｅｍ　ｏｆ　ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　

ｌｉｎｅｓ　

Ｗｕ　Ｈｕａ，Ｌｉｕ　Ｃｈａｎｇ’ａｎ，Ｌｉ　Ｑｉｐｅｎｇ，Ｓｈｅｎ　Ｘｉａｏｋｅ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｃｏｎｔｒｏｌ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈ　Ｃｈｉｎａ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０２２０６，Ｃｈｉｎａ）　

Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｄｅｖｅｌｏｐｍｅｎｔ　ｏｆ　ｍｏｄｅｒｎ　ｓｏｃｉｅｔｙ　ｉｓ　ｉｎｃｒｅａｓｉｎｇｌｙ　ｄｅｐｅｎｄｅｎｔ　ｏｎ　ｅｌｅｃｔｒｉｃ　ｐｏｗｅｒ．Ｔｏ　ｅｎｓｕｒｅ　ｓｔａｂｌｅ　ｏｐｅｒａｔｉｏｎ　

ｏｆ　ｐｏｗｅｒ　ｌｉｎｅｓ，ｉｔ　ｉｓ　ｅｘｔｒｅｍｅｌｙ　ｉｍｐｏｒｔａｎｔ　ｔｏ　ｃａｒｒｙ　ｏｕｔ　ｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｎ　ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅｓ．Ｈｏｗ－　

ｅｖｅｒ，ｄｕｅ　ｔｏ　ｐｏｏｒ　ｄａｔａ　ｃｏｎｓｉｓｔｅｎｃｙ　ａｎｄ　ａｃｑｕｉｓｉｔｉｏｎ　ｄｉｆｆｉｃｕｌｔｙ，ｔｈｅ　ｐｒｏｂｌｅｍｓ，ｓｕｃｈ　ａｓ　ｍｏｄｅｌ　ｔｒａｉｎｉｎｇ　ａｎｄ　ｔｅｓｔ　ｄａｔａ　ａｃｑｕｉ—　

ｓｉｔｉｏｎ，ｈａｖｅ　ｇｒｅａｔｌｙ　ｈｉｎｄｅｒｅｄ　ｔｈｅ　ｒｅｌｅｖａｎｔ　ｒｅｓｅａｒｃｈ　ｗｏｒｋ．Ｔｈｕｓ，ｔｈｉｓ　ｐａｐｅｒ　ｐｒｏｐｏｓｅｓ　ａ　ｆａｕｌｔ　ｄａｔａ　ｇｅｎｅｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　

ｎａｍｅｄ　ＰＦＧＡ（ｐｏｗｅｒ　ｌｉｎｅ　ｆａｕｌｔ　ｄａｔａｓｅｔ　ｇｅｎｅｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ）．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｇｅｎｅｒａｔｅ　ａ　ｌｏｔ　ｏｆ　ｅｑｕｉｐｍｅｎｔ　ｆａｕｌｔ　ｄａ—　

ｔａ，ｕｎｉｔ　ｆａｕｌｔ　ｄａｔａ　ａｎｄ　ｔｈｅ　ｆａｕｌｔ　ｄａｔａ　ｏｆ　ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅｓ．Ｂｅｃａｕｓｅ　ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｕｓｅｓ　ｃｌｏｕｄ　ｍｏｄｅｌ　ａｎｄ　ｍｕｌｔｉ—ａｇｅｎｔ　

ｓｙｓｔｅｍ，ｔｈｅｓｅ　ｇｅｎｅｒａｔｅｄ　ｆａｕｌｔ　ｄａｔａ　ｃｏｎｔａｉｎ　ｎｏｔ　ｏｎｌｙ　ｓｏｍｅ　ｐｒｉｏｒｉ　ｋｎｏｗｌｅｄｇｅ　ｂｕｔ　ａｌｓｏ　ｓｏｍｅ　ｒａｎｄｏｍｎｅｓｓ；ａｎｄ　ｔｈｅｓｅ　ｆａｕｌｔ　

ｄａｔａ　ａｌｓｏ　ｒｅｆｌｅｃｔ　ｔｈｅ　ｈｉｅｒａｒｃｈｉｃａｌ　ｃｏｒｒｅｌａｔｉｏｎ，ｄｉｖｅｒｓｉｔｙ　ａｎｄ　ｄｙｎａｍｉｃｓ　ｏｆ　ｒｅａｌ　ｆａｕｌｔ　ｄａｔａ．Ｔｈｅ　ｄｉａｇｎｏｓｉｓ　ｍｏｄｅｌ　ｃｏｎｓｔｒｕｃ－　

ｔｅｄ　ｗｉｔｈ　Ｄｙｎａｍｉｃ　Ｂａｙｅｓｉａｎ　Ｎｅｔｗｏｒｋ　ｗａｓ　ｕｓｅｄ　ｔｏ　ｉｍｐｌｅｍｅｎｔ　ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｎ　ｔｈｅ　ｄａｔａ　ｇｅｎｅｒａｔｅｄ　ｕｓｉｎｇ　ＰＦＧＡ　ａｎｄ　

ｏｔｈｅｒ　ａｌｇｏｒｉｔｈｍｓ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｄａｔａ　ｇｅｎｅｒａｔｅｄ　ｗｉｔｈ　ＰＦＧＡ　ｃａｎ　ｂｅｔｔｅｒ　ｓｉｍｕｌａｔｅ　ｔｈｅ　ｒｅａｌ　ｃｏｎｄｉｔｉｏｎ　ａｎｄ　ｔｈｅ　

ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｄｉａｇｎｏｓｉｓ　ｒｅｓｕｌｔｓ　ａｒｅ　ｍｏｒｅ　ｒｅｌｉａｂｌｅ　ａｎｄ　ａｃｃｕｒａｔｅ．Ｗｉｔｈ　ＰＦＧＡ　ａｌｇｏｒｉｔｈｍ，ｒｅｓｅａｒｃｈｅｒｓ　ｃａｎ　ｇｅｎｅｒａｔｅ　ｒｅ—　

ｑｕｉｒｅｄ　ｆａｕｌｔ　ｄａｔａ　ｏｆ　ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅｓ　ｂａｓｅｄ　ｏｎ　ａｃｔｕａｌ　ｓｔｕｄｉｅｓ，ａｎｄ　ｆｕｌｉｌｌｆ　ｔｈｅ　ｄａｔａ　ｒｅｑｕｉｒｅｍｅｎｔｓ　ｏｆ　ｖａｒｉｏｕｓ　ｆａｕｌｔ　ｄｉ—　

ａｇｎｏｓｉｓ　ｒｅｓｅａｒｃｈｅｓ．　

Ｋｅｙｗｏｒｄｓ：ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅ；ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ；ｓｉｍｕｌａｔｉｏｎ　ｄａｔａ　ｇｅｎｅｒａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ；ｍｕｌｔｉ—ａｇｅｎｔ　ｓｙｓｔｅｍ　

收稿日期：２０１２－０７　

１１ＱＧ１２）资助项目　

Ｒｅｃｅｉｖｅｄ　Ｄａｔｅ：２０１２－Ｏ７　

基金项目：国家青年自然基金（６１１０５０８３１）、新世纪优秀人才支持计划（ＮＣＥＴ—ｌ１－０６３４）、中央高校基本科研业务费专项资金（１２ＺＸ１６　

第６期　吴华等：架空电力线故障诊断系统的仿真数据生成算法　ｌ３８９　

据能够很好地逼近真实的故障数据，可以很好地应用于故　

引　言　

障诊断模型的训练与测试。与其他算法对比，ＰＦＧＡ表现　

出更好的适用性。　

架空电力线路是电力传输和配送的命脉，其运行状　

态直接关系到整个电网的安全性和可靠性。如果架空电　

力线路的故障得不到正确的判断和解决，便会造成巨大　

的经济损失。所以对架空电力线路各类故障的正确诊断　

成为保证电网稳定运行的重要条件。架空电力线路故障　

诊断一般是通过专家系统、神经网络　、Ｐｅｔｒｉ网、模糊逻　

２．１架空电力线路故障数据分类　

目前对架空电力线路故障数据的分类尚无统一标　

２　架空电力线路故障数据的表示　

准，本文按照故障数据的特点，将架空电力线路故障数据　

辑、粗糙集理论　等技术对变压器、导线、绝缘子以及其　

他附件进行故障的分析建模。故障诊断　模型的构建需　

要大量的架空电力线路故障数据　，原则上所需的故障　

数据应从架空电力线路巡检历史信息中获取，但是以下　

原因制约了研究架空电力线路的故障诊断：　

１）数据采集不完整。由于架空电力线路涉及的设备　

较多，包括导线、架空地线、绝缘子、金具、杆塔、附属设　

备、环境通道等。无论是人工巡检，或是驾驶直升机巡检　

架空电力线路，其观察范围和对象由人决策，必然存在疏　

漏，或因直升机的尺寸限制了观察的区域，从而使得所采　

集的数据不完整，影响整体线路故障的有效诊断。　

２）数据缺乏一致性。由于人为参与的巡检过程缺少　

统一的架空电力线路故障诊断标准，同时，对于故障的评　

价也因人而异。因此不同人不同时间不同地点采集的数　

据间缺少一致性，难以验证故障诊断算法的有效性，这限　

制了故障诊断算法的推广和应用。　

３）数据量有限。由于大部分故障诊断算法依赖较多　

的训练样本数据，而实际中能够记录统计得到的数据非　

常有限，往往数据的数量是固定的，不能根据算法的需要　

任意地增加或减少数据。因此数据的规模限制了故障诊　

断模型的求解和验证。　

由于缺少大量、真实、一致的架空电力线路故障数　

据，大多数故障诊断模型通过仿真软件　获取仿真故障　

数据用于训练与测试。但是仿真软件所能模拟的故障类　

型较少，缺少统一的故障衡量标准，而且算法或硬件的计　

算能力限制了数据采集的规模。由此，本文根据架空电　

力线路故障诊断的需求，构建了一套仿真数据的生成方　

案和实现算法ＰＦＧＡ（ｐｏｗｅｒ　ｌｉｎｅ　ｆａｕｌｔ　ｄａｔａｓｅｔ　ｇｅｎｅｒａｔｉｏｎ　ａｌ－　

ｇｏｒｉｔｈｍ），通过ＰＦＧＡ算法可以仿真得到完整、一致、大量　

的设备故障数据、单元故障数据及架空电力线路故障数　

据，解决了研究或测试故障诊断算法时所需故障数据的　

来源问题，有效保障了故障诊断算法的验证和评估。　

ＰＦＧＡ算法根据架空电力线路设备的构成特点，通过　

高斯概率分布函数及正态云模型仿真架空电力线路设备　

的所有故障数据，然后以设备故障数据为输入，通过多智　

能体系统生成架空输电线路各单元的故障数据及架空电　

力线路的故障数据。实验证明ＰＦＧＡ算法生成的故障数　

分为３类：元数据、经验数据和评估数据。　

１）元数据：元数据处于故障数据体系的最底层，是精　

确数据。这些数据主要用于描述架空电力线路设备的故　

障状态，其中大多数是通过高清摄像头　、红外传感　

器　、紫外传感器　Ｊ、超声波故障检测仪　等测量而得到　

的。这类数据描述了每一个设备的运行状态，是评估架　

空电力线路各个单元故障状态的基础性数据。因此，对　

元数据的采集、整理、加工和处理具有非常重要的作用。　

２）经验数据：经验数据的来源有二，一是通过对历史　

巡检数据进行统计与分析获得规律性数据；二是相关领　

域的专家根据长期从事该方面研究的经历及研究结果总　

结出来的认知数据。架空电力线路各单元的影响权重因　

子，架空电力线路各个设备出现故障的原始概率等都属　

于经验数据，主要用于生成评估性数据及验证仿真结果　

与真实世界的吻合度。　

３）评估数据：评估数据主要用于描述架空电力线路　

及其单元的故障状态。由于对架空电力线路的故障评估　

是人对客观事物的一种主观评价，故评估数据无法通过　

测量得到，一般需要通过相关领域的专家对目标数据分　

析评价得到评估数据。　

２．２故障数据的特点　

故障数据是按照一定规则采集得到设备的状态信　

息，并对该信息量化处理所得到的数据。架空电力线路　

故障数据是对架空电力线路故障状态的量化描述，其本　

质是架空电力线路运行过程中各设备运行状态的具体表　

现，涵盖了杆塔故障、导线故障、绝缘子故障、金具故障、　

附属设施故障、环境通道故障６方面。架空电力线路故　

障数据体系结构如图１所示。　

架空电力线路故障数据体系结构分为３层，第１层故障　

数据是对架空电力线路所有设备（如杆塔、绝缘子、导线、连　

接器、悬垂线夹等）以及每个设备的各个方面（如杆塔的倾斜　

情况、杆塔的生锈情况等）的故障状态的描述，即２．１节中定　

义的元数据，是故障数据体系结构中的基础性数据；第２层　

故障数据是对架空输电线路６个单元故障状态的描述，该数　

据由多智能体系统通过对元数据的评估得到，属于评估数　

据；第３层故障数据是对整个架空电力线路故障状态的总体　

描述，是由第２层数据结合经验数据得到的。　

１３９０　仪器仪表学报　第３　４卷　

图１　架空电力线路故障体系结构　

Ｆｉｇ．１　Ｆａｕｌｔ　ｄａｔａ　ｓｙｓｔｅｍ　ａｒｃｈｉｔｅｃｔｕｒｅ　ｏｆ　

ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅ　

通过对架空电力线路故障数据进行分析可发现它具　

有层次关联性、多样性、随机性、动态性等特点。　

１）故障数据层次关联性。影响架空电力线路故障　

状态因素较多　，这些因素之间都存在着内在联系。　

当用数据的形式表示这些因素时，它们之间不仅相互　

关联而且有层次之分。每一组数据都必然处于架空电　

力线路故障数据体系中的一定层次，有时下层数据的　

变化还会给上一层次的数据带来影响。比如杆塔倾斜　

数据的改变就会直接影响杆塔故障数据的变化，电力　

设备经验数据的改变也会对各架空电力线路单元故障　

数据产生影响。所有各层数据相互结合在一起，就客　

观地反映着架空电力线路故障状态。建立数据间的层　

次关系，客观反映数据的因果成因关系，是数据生成建　

模的主要任务。　

２）故障数据多样性。架空电力线路故障数据的多样　

性主要是由于其设备种类繁多及影响各个设备故障状态　

的因素多种多样而产生的。此外，各因素间存在一定的　

关联，使得对多样性的描述更加复杂。然而通过明确因　

素间的因果关系，确定主要因素，解耦因素问的相关性，　

是简化数据生成建模的必要措施。　

３）故障数据的主观性。主要体现为架空电力线路故　

障数据有些是精确的有些是随机的。例如杆塔的倾斜角　

度、导线的摆动程度等这些数据一般都是经过传感器等　

测量得到的。诸如该类的数据是精确的。而对于杆塔、　

绝缘子或周边环境通道的故障数据而言，需要根据已有　

的精确数据结合相关领域的专家经验综合评判才能得　

到，这些数据受到人为主观判断的影响，故该类数据具有　

主观性。　

４）故障数据的动态性。绝大部分故障数据随时　

间，线路运行状态等各种因素而变化，也随着自然环境　

和周边生态环境的变化而变化的。例如，杆塔生锈会　

随着降雨量和空气潮湿程度的变化而缓慢变化；杆塔　

污染数据也会随着风的强度或生态环境的变化而随时　

变化。这些都是架空电力线路故障数据动态性的很好　

体现。　

２．３故障数据建模　

参考《架空电力线路状态评价导则》　，本文进行了　

具体数据建模，将架空电力线路（Ｌ）分为６个单元：杆塔　

单元：（Ａ）、导线单元（Ｂ）、绝缘子单元（Ｃ）、金具单元　

（Ｄ）、附属设备单元（Ｅ）、环境通道单元（Ｆ）。每个单元　

由若干种电力设备或其附属设备构成。其架空电力线路　

的故障层次结构如图２所示。　

图２架空电力线路故障层次结构图　

Ｆｉｇ．２　Ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅ　ｆａｕｌｔ　

ｈｉｅｒａｒｃｈｙ　ｄｉａｇｒａｍ　

架空电力线路及６个单元状态分为４个等级：良好　

状态（Ｗｅ），注意状态（Ａｔ），异常状态（Ａｂ），故障状态　

（ｓｅ）。其中后３个状态为故障状态的３个不同等级，故　

障严重程度依次递增。每个设备故障有２个基本状态：　

损坏状态（Ｄａ）和正常状态（Ｎｏ）。架空电力线路单元与　

设备故障描述对应表如表１所示。　

第６期　吴华等：架空电力线故障诊断系统的仿真数据生成算法　１３９１　

表Ｉ架空电力线路单元与设备故障描述对应　

Ｔａｂｌｅ　１　Ｔｈｅ　ｍａｐｐｉｎｇ　ｔａｂｌｅ　ｄｅｓｃｒｉｂｉｎｇ　ｏｖｅｒｈｅａｄ　

ｐｏｗｅｒ　ｌｉｎｅ　ｕｎｉｔ　ＶＳ．ｅｑｕｉｐｍｅｎｔ　ｆａｉｌｕｒｅｓ　

线路单元　线路设备故障描述　

Ａ１：铁塔杆塔生锈情况　

Ａ２：铁塔污染情况　

杆塔单元（Ａ）　

Ａ３：铁塔主题部分受破坏情况　

Ｂ１：导线断骨、损伤情况　

导线单元（Ｂ）　

Ｂ２：导线磨损情况　

Ｂ３：导线污染情况　

ｃ１：绝缘子表面污染情况　

ｃ２：绝缘子自爆、闪络情况　

绝缘子单元（Ｃ）　

ｃ３：绝缘子串爬比距污染情况　

●　

Ｄ１：金具生锈情况　

金具单元（Ｄ）　

Ｄ２：金具腐蚀、磨损、松动情况　

Ｄ３：悬垂线夹情况　

Ｅ１：杆塔标致、警示牌安装情况　

附属设施单元（Ｅ）　Ｅ２：爬梯防坠装置安装情况　

Ｅ３：驱鸟、防雷、在线监控、航空警示等　

Ｆ１：架空电力线路附近树木生长情况　

通道环境单元ｃ　Ｆ　茎　凳　ｉ　刷道附近　

１７４：架空电力线路周边居民房屋情况　

３　ＰＦＧＡ仿真数据生成算法　

ＰＦＧＡ算法生成仿真故障数据的主要步骤有：　

１）仿真架空电力线路设备的故障状态信息；　

２）对架空电力线路设备的故障状态信息进行量化、　

映射处理，生成元数据；　

３）将元数据通过多智能体系统模拟专家评估生成各　

个单元对应的评估数据；　

４）按照相关经验数据将各个架空电力线路单元的故　

障数据映射为整个架空电力线路的故障状态；　

５）将仿真得到的各种数据作鉴别、分类、整理估算整　

个架空电力线路的状态。　

这５个步骤中比较关键的是构造元数据和生成评估　

数据。　

３．１元数据的构造　

由于架空电力线路设备种类繁多，故其实际的故障　

检测方式也不相同。对于杆塔、绝缘子、导线、金具等故　

障检测一般是通过各种仪器进行的，其检测结果是一个　

精确的值。但诸如表１中的Ｆｌ“架空电力线路周边树木　

生长情况”，Ｆ４“架空电力线路周边居民房屋情况”等数　

据大多数是由人工巡检得到的，巡检结果也是语言性的　

描述，如“架空电力线路周边树木很多”。为了全面真实　

地反映架空电力线路设备故障情况，ＰＦＧＡ算法架空电　

力线路设备的故障状态信息分为精确性信息和主观性信　

息２种。ＰＦＧＡ算法通过高斯概率分布函数模拟生成架　

空电力线路基本单元故障状态的精确性信息¨　，而通过　

正态云模型函数来生成主观性设备性信息¨　。　

正态云模型是一种定性概念与定量表示相互转化的模　

型，是表征语言原子最重要最有力的工具，比如严重生锈、轻　

度污染等语言原子都可以用云很好地描述，而云的数字特征则　

反映了定性知识的定量特陛。一个基本正态云只需要用期望　

值　、熵　、超熵　３个数字特征就可以完整地表征出来。　

期望值　：普通正态云的论域　中，对应于隶属度最大　

值的基础变量　称为云的期望，它标定了云对象在论域中的　

位置，即云的重心位置，换句话说，　反映了相应的模糊概　

念的信息中心值。熵Ｅｎ：概念模糊度的度量。熵的大小直接　

决定了在论域中可被模糊概念所接受的范围。由期望和熵便　

可确定具有正态分布形式的云期望曲线方程：　

ＭＥＣⅡ（ｕ）＝ｅ－‘“　他　

ＰＦＧＡ算法规定Ａ、Ｂ、ｃ、Ｄ、Ｅ单元所属的设备故障　

信息属于精确性信息，通过高斯概率分布函数生成其故　

障情况，确定设备是损坏状态或者是正常状态，Ｔ表示设　

备为损坏状态，Ｆ为正常状态。对于Ｆ单元所属的设备　

故障数据属于主观性信息通过正态云模型生成其故障情　

况。ＰＦＧＡ算法规定通过０～９的数字来表征事件的严重　

程度，严重程度随着数字的增大而升高。表２描述了架　

空电力线路周边“树木过多”这个概念的隶属度。　

表２“树木过多”的隶属度　

Ｔａｂｌｅ　２　Ｔｈｅ　ｍｅｍｂｅｒｓｈｉｐ　ｄｅｇｒｅｅ　ｏｆ　ｔｈｅ　

ｃｏｎｃｅｐｔ“ｔｏｏ　ｍａｎｙ　ｔｒｅｅｓ”　

故障描述　隶属度　故障描述　隶属度　

０　Ｏ　５　０．６０　

１　Ｏ．１１　６　０．７０　

２　０．２７　７　Ｏ．８Ｏ　

３　０．４４　８　０．９０　

４　０．５５　９　１　

ＰＦＧＡ算法中Ｆ单元所属设备故障程度的语言描述最　

终映射为一个０～９的数字。通过经验数据算法规定映射规　

则为从隶属度Ｉ＞０．８的数字中随机的选取一个为架空电力线　

路设备的故障描述信息。例如若对Ｆ１的语言描述为“某段　

架空电力线路旁边数目过多”，根据表２，Ｆ１的故障描述信息　

为７、８、９三个数字中的任意一个。根据经验数据，ＰＦＧＡ算　

法规定若某节点８０％的故障描述信息大于或等于５，则该节　

点为损坏状态Ｔ，反正为正常状态Ｆ。这样最后Ａ１、Ａ２、…、　

Ｆ４每个节点都会对应一个状态Ｔ或者Ｆ，这些数据构成了第　

１３９２　仪器仪表学报　第３　４卷　

３层元数据。为了使故障数据更加符合实际情况，在元数据　

中加入了一定的随机扰动数据。　

３．２评估数据生成的建模与计算　

由于架空电力线路各个单元（如杆塔）通常由一些　

障状态与得分映射表。根据经验数据Ａ、Ｂ、…、Ｆ　６个单　

元在整个电力线路所占的权重因子分别为０．３、０．２、　

０．１、０．１、０．１、０．２。架空电力线路故障状态根据６个单　

元的分与相应的权重因子相乘后得到。架空电力线路故　

障状态与分数的映射关系同表３。表４为根据ＰＦＧＡ算　

法生成的几组架空电力线路故障数据。　

表３单元故障状态与得分映射表　

设备组成，故其故障状态无法通过简单的测量或累加故　

障状态获得。应通过相关领域的专家评估分析生成评估　

数据。ＰＦＧＡ中故障数据的生成算法就是通过多智能体　

系统模拟专家评估的行为，以架空电力线路各个设备的　

元数据为基础，得到其相对应的高层节点的评估数据。　

通过对专家评估过程研究发现专家进行故障状态评　

估一般分为确定兴趣因子、评估架空电力线路单元故障状　

态、确定权重因子、生成架空电力线路故障状态４个步骤。　

根据专家评估的实际过程，利用多智能体系统模拟　

多个专家按照经验数据评估元数据，进而求得评估结果　

的平均值为最终的故障状态值。评估架空电力线路各单　

元的故障状态信息的流程如图３所示。　

图３仿真故障数据流程图　

Ｆｉｇ．３　Ｓｉｍｕｌａｔｅｄ　ｆａｕｌｔ　ｄａｔａ　ｆｌｏｗ　ｃｈａｒｔ　

本文是通过６个智能体模拟专家行为对架空电力线　

路各单元所属设备故障信息进行评估，最终确定架空电力　

线路各单元故障状态。ＰＦＧＡ算法规定每个智能体确定架　

空电力线路各单元的４个所属设备为其兴趣因子（Ｅ单元　

所属设备全部为兴趣因子），智能体对该单元兴趣因子之　

外的设备不关心。根据经验数据ＰＦＧＡ算法为每个架空　

电力线路单元确定了最能反映该单元故障状况的２种设　

备为其兴趣因子，剩余两个兴趣因子由每个智能体随机确　

定。根据评估规则，若兴趣因子的值为Ｆ则得２５分，若为　

Ｔ得０分。例如Ａ单元的兴趣因子（Ａｌ，Ａ２，Ａ６，Ａ８）＝（Ｔ，　

Ｔ，Ｔ，Ｆ），则Ａ单元得分为２５分。由于Ｅ单元只有３个设　

备，其兴趣因子对应的得分分别为３０，３０，４０。　

最后取６个智能体评估得分的平均分为该架空电力　

线路故障单元的最终得分。表３为架空电力线路单元故　

Ｔａｂｌｅ　３　Ｔｈｅ　ｍａｐｐｉｎｇ　ｔａｂｌｅ　ｏｆ　ｕｎｉｔ　ｆａｕｌｔ　ｓｔａｔｕｓ　ＶＳ．ｓｃｏｒｅ　

故障状态　评估分数　

Ｗｅ　

７６—１００　

Ａｔ　

５１～７５　

Ａｂ　

２６～５０　

Ｓｅ　０～２５　

表４架空电力线路故障数据　

Ｔａｂｌｅ　４　Ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　Ｈｎｅ　ｆａｕｌｔ　ｄａｔａ　

４应用实例分析　

贝叶斯网络。　。进行架空电力线路故障诊断¨　的关　

键在于准确地获得贝叶斯网络的参数，而可靠的训练数据　

是获取贝叶斯网络参数的基础。本文通过ｃ拌编程实现仿　

真数据生成算法，共生成４（ＤＯ例故障仿真数据，将其中　

３　５００例故障仿真数据用于网络模型的训练，５００例故障仿　

真数据用于网络模型的测试。表５是通过贝叶斯网络模　

型通过对３　５００组例仿真数据进行训练获取，条件概率　

（ｃｏｎｄｉｔｉｏｎａｌ　ｐｒｏｂａｂｉｌｉｔｙ　ｔａｂｌｅ，ＣＰＴ）ＣＰＴ表。　

将５００例故障数据用于训练好的贝叶斯模型的测试，成　

功诊断出其中的４５９例故障，成功率为９１．８％。在未诊断成　

功的４１例故障中有３４例将架空电力线路的“故障状态”误　

诊断为注意状态，分析有可能是仿真数据算法未完全考虑基　

本单元故障的关联性导致训练参数有偏差所致。ＰＦＧＡ算　

法的提出使面向架空电力线路故障数据的自动化生成有了　

新的科学依据。根据专家经验结合多智能体机制，通过对故　

第６期　吴华等：架空电力线故障诊断系统的仿真数据生成算法　１３９３　

Ｏ　

８　

障数据特　的归纳及故障数据体系结构的抽象，构建了架空　

电力线路故障数据自动生成系统。该系统生成的故障仿真　

数据可以全面、客观、准确地反映架空电力线路的故障状态，　

为架空电力线路故障诊断模型的训练、测试提供了可靠的数　

据集。图４显示的是由ＰＦＧＡ算法生成的仿真故障数据集　

训练所得到的贝叶斯故障诊断模型的故障诊断成功率。贝　

叶斯故障诊断模型的建模是通过贝叶斯推理工具Ｉｎｆｅｒ．ｎｅｔ　

一

５结　论　

本文针对架空电力线路现有故障数据不完整、不　

致、有限量的情况下，提出了一种仿真数据生成算　

法ＰＦＧＡ算法。ＰＦＧＡ算法通过高斯概率分布函数以　

正态云模型生成元数据，并结合经验数据与仿真专家　

完成的，具体的建模细节本文不再阐述。由图４可以看出随　

着训练数据的增加故障诊断模型的诊断成功率不断提高。　

图４的另外２条曲线分别描述通过未加扰动数据训练所的　

故障诊断模型的诊断成功率，以及由随机数据训练的故障诊　

断模型的诊断成功率。由图４比较可以看出加入干扰数据　

后ＰＦＧＡ算法生成的架空电力线路故障数据更加接近真实　

故障数据，训练所得模型的效果更加优越。可见在现有条件　

的基础上通过ＰＦＧＡ数据仿真算法生成估值数据来训练故　

障诊断模型是一种比较经济、科学的解决方案。　

表５条件概率　

Ｔａｂｌｅ　５　Ｃｏｎｄｉｔｉｏｎａｌ　ｐｒｏｂａｂｉｌｉｔｙ　ｔａｂｌｅ　

Ｏ．２　

Ｏ．１　

评估算法生成评估数据。ＰＦＧＡ算法生成的故障数据　

用于贝叶斯诊断模型的训练，成功率达９１．８％。仿　

真实验将ＰＦＧＡ算法生成的故障数据与其他算法生　

成仿真数据及部分真实数据分别用于贝叶斯诊断模　

型的训练，结果表明通过ＰＦＧＡ算法生成故障数据训　

练的诊断模型的性能明显高于其他仿真算法。本仿　

真数据生成算法对于开展架空电力线故障诊断的研　

究奠定了重要的基础。　

参考文献　

［１］陈伟根，潘羽中，云玉新，等．基于改进小波神经网络算　

法的电力变压器故障诊断方法［Ｊ］．仪器仪表学报，　

２００８，２９（７）：１４８９—１４９３．　

ＣＨＥＮ　Ｗ　Ｇ，ＰＡＮ　ＣＨ，ＹＵＮ　Ｙ　Ｘ，ｅｔ　ａ１．Ｆａｕｌｔ　ｄｉａｇｎｏｓｔｉｃ　

ｍｅｔｈｏｄ　ｆｏｒ　ｐｏｗｅｒ　ｔｒａｎｓｆｏｒｍｅｒ　ｂａｓｅｄ　ｏｎ　ｉｍｐｒｏｖｅｄ　ｗａｖｅｌｅｔ　

ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ａｌｇｏｒｉｔｈｍ『Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｃｉｅｎｔｉｉｆｃ　

Ｉｎｓｔｒｕｍｅｎｔ，２００８，２９（７）：１４８９—１４９３．　

［２］Ｙｕ　Ｊ　Ｌ，ＮＩＵＸ　Ｊ．Ｔｈｅｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆｔｒａｎｓｆｏｍｒｅｒ　ｂａｓｅｄ　ｏｎ　

ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ［Ｃ］．Ｉｎｔｅｒｎｅｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｆｎｏｒｍａｔｉｏｎ　

Ｍａｎａｇｅｍｅｎｔ，Ｉｎｎｏｖａｔｉｏｎ　Ｍａｎａｇｅｍｅｎｔ　ａｎｄ　Ｉｎｄｕｓｔｉｒａｌ　Ｅｎｇｉ—　

ｎｅｅｒ，２０１２：４８７—４８９．　

［３］　孙秋野，张化光，刘鑫蕊．基于粗糙集和遗传算法的变　

压器故障诊断方法［Ｊ］．仪器仪表学报，２００８，２９（１０）：　

２０３４—２０４０．　

ＳＵＮ　Ｑ　Ｙ，ＺＨＡＮＧ　Ｈ　Ｇ，ＬＩＵ　Ｘ　Ｒ．Ｆａｎｈ　ｄｉａｇｎｏｓｉｓ　ｏｆ　

ｔｒａｎｓｆｏｒｍｅｒ　ｂａｓｅｄ　ｏｎ　ｒｏｕｇｈ　ｓｅｔ　ａｎｄ　ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ［Ｊ］．　

Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｃｉｅｎｔｉｆｉｃ　Ｉｎｓｔｒｕｍｅｎｔ，２００８，２９（１０）：　

２０３４－２０４０．　

［４］　ＭＯＨＡＭＥＤ　Ｅ　Ａ，ＴＡＩＡＡＴ　Ｈ　Ａ，ＫＡＭＩＳ　Ｆ　Ａ．Ｆａｕｌｔ　ｄｉａｇ—　

ｎｏｓｉｓ　ｓｙｓｔｅｍ　ｆｏｒ　ｔａｐｐｅｄ　ｐｏｗｅｒ　ｔｒａｎｓｍｉｓｓｉｏｎ　ｌｉｎｅｓ［Ｊ］．　

Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍｓ　Ｒｅｓｅａｒｃｈ，２０１０，８０（５）：　

５９９—６１３．　

［５］　冯佳慧．架空电力线路的运行与常见故障分析［Ｊ］．科　

技信息，２００７（３２）：３１９．　

ＦＥＮＧ　Ｊ　Ｈ．Ａｎａｌｙｓｉｓ　ｏｆ　ｏｐｅｒａｔｉｏｎ　ａｎｄ　ｃｏｍｍｏｎ　ｆａｕｌｔ　ｏｆ　

ｏｖｅｒｈｅａｄ　ｐｏｗｅｒ　ｌｉｎｅｓ［Ｊ］．Ｓｃｉｅｎｃｅ，＆Ｔｅｃｈｎｏｌｏｇｙ　Ｉｎｆｏｒｍａ－　

ｔｉｏｎ，２００７（３２）：３１９．　

［６］ＳＨＯＮＧ　Ｋ　Ｍ，ＫＩＭ　Ｙ　Ｓ，ＫＩＭ　Ｓ　Ｇ．Ｉｍａｇｅｓ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　

ｄｉａｇｎｏｓｉｓ　ｏｆ　ｃｏｒｏｎａ　ｄｉｓｃｈａｒｇｅ　ｏｎ　ｐｏｒｃｅｌａｉｎ　ｉｎｓｕｌａｔｏｒｓ　ａｔ　

２２．９　ｋＶ　Ｄ／Ｌ［Ｃ］．Ｄｉａｇｎｏｓｔｉｃｓ　ｆｏｒ　Ｅｌｅｃｔｉｒｃ　Ｍａｃｈｉｎｅｓ，　

１３９４　仪器仪表学报　第３　４卷　

Ｐｏｗｅｒ　Ｅｌｅｃｔｒｏｎｉｃｓ　ａｎｄ　Ｄｒｉｖｅｓ，２００７：４６２－４６６．　

［７］　

ＷＵ　Ｄ　Ｆ，ＱＩＮ　Ｘ，ＺＨＡＮＧ　Ｘ．Ｒｅｓｅａｒｃｈ　ｏｎ　ｐｏｗｅｒ　ｅｑｕｉｐ—　

ｍｅｎｔ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｉｎｆｒａｒｅｄ　ｔｅｍｐｅｒａｔｕｒｅ　ｍｅａｓ—　

ｕｒｅｍｅｎｔ［Ｃ］．Ｐｏｗｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ　Ｃｏｎｆｅｒ－　

ｅｎｅｅ，２００１：４２１—４２３．　

［８］　

ＺＡＮＧ　ＣＨ　Ｙ，ＹＥ　Ｈ　ＳＨ，ＬＥＩ　Ｈ　Ｃ，ｅｔ　ａ１．Ｕｓｉｎｇ　ｕｌｔｒａｖｉｏｌｅｔ　

ｉｍａｇｉｎｇ　ｍｅｔｈｏｄ　ｔｏ　ｄｅｔｅｃｔ　ｔｈｅ　ｅｘｔｅｒｎａｌ　ｉｎｓｕｌａｔｉｏｎ　ｆａｕｌｔｓ　ｏｆ　

ｅｌｅｃｔｉｒｃ　ｄｅｖｉｃｅ［Ｃ］．ＩＥＥＥ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｌｅｃｔｉｒｃａｌ　Ｉｎｓｕ－　

ｌａｔｉｏｎ　ａｎｄ　Ｄｉｅｌｅｃｔｒｉｃ　Ｐｈｅｎｏｍｅｎａ，２００９：２６－３０．　

［９］　

ＲＥＮ　Ｌ　Ｊ，ＰＥＩ　ＬＥＩ，ＧＵ　ＣＨ　Ｙ．Ｕｌｔｒａｓｏｎｉｃ　ｐａｒｔｉａｌ　ｄｉｓｃｈａｒｇｅ　

ｄｅｔｅｃｔｉｏｎ　ｕｓｉｎｇ　ｎｅｇｅｎｔｒｏｐｙ—ｂａｓｅｄ　ｍａｔｃｈｅｄ　ｆｉｌｔｅｒ［Ｃ］．　

Ｅｌｅｃｔｒｉｃｉｔｙ　Ｄｉｓｔｉｒｂｕｔｉｏｎ（ＣＩＣＥＤ），２０１０　Ｃｈｉｎａ　Ｉｎｔｅｒｎａ—　

ｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ［Ｃ］．２０１１：１－４．　

［１Ｏ］　

Ｑ／ＧＤＷ　１７３－２００８，架空输电线路故障状态评价导则［Ｓ］．　

北京：国家电网总公司，２００８．　

Ｑ／ＧＤＷ　１７３—２００８，Ｇｕｉｄｅ　ｆｏｒ　Ｃｏｎｄｉｔｉｏｎ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　

ｏｖｅｒｈｅａｄ　ｔｒａｎｓｍｉｓｓｉｏｎ　ｌｉｎｅ［Ｓ］．Ｂｅｉｊｉｎｇ：Ｓｔａｔｅ　Ｇｒｉｄ　Ｃｏｃｏ—　

ｒａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ，２００８．　

［１１］　肖德琴，冯健昭，周权，等．基于高斯分布的传感器网　

络信誉模型［Ｊ］．通信学报，２００８，２９（３）：４７—５３，６２．　

ＸＩＡＯ　Ｄ　Ｑ，ＦＥＮＧ　Ｊ　ＺＨ，ＺＨＯＵ　Ｑ，ｅｔ　ａ１．Ｇａｕｓｓ　ｒｅｐｕｔａｔｉｏｎ　

ｆｒａｍｅｗｏｒｋ　ｏｆｒ　ｓｅｎｓｏｒ　ｎｅｔｗｏｒｋｓ『Ｊ］．Ｊｏｕｒｎａｌ　ｏｎ　Ｃｏｍｍｕｎｉ—　

ｃａｔｉｏｎ，２００８，２９（３）：４７＿５３，６２．　

［１２］　

朱永利，宫政，武中利，等．正态云模型在电力变压器　

状态评估中的应用［Ｊ］．华北电力大学学报：自然科学　

版，２０１０，３７（５）：２７—３１．　

ＺＨＵ　Ｙ　Ｌ，ＧＯＮＧ　ＺＨ，ＷＵ　ＺＨ　Ｌ，ｅｔ　ａ１．Ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　

ｏｆ　ｎｏｒｍａｌ　ｃｌｏｕｄ　ｍｏｄｅｌ　ｉｎ　ｃｏｎｄｉｔｉｏｎ　ａｓｓｅｓｓｍｅｎｔ　ｉｎ　ｐｏｗｅｒ　

ｔｒａｎｓｆｏｒｍｅｒｓ『Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｎｏｒｔｈ　Ｃｈｉｎａ　Ｅｌｅｃｔｒｉｃ　ｐｏｗｅｒ　

Ｕｎｉｖｅｒｓｉｔｙ：Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ，２０１０，３７（５）：　

２７．３１．　

［１３］　李海林，郭崇慧，邱望仁．正态云模型相似度计算方　

法［Ｊ］．电子学报，２０１１，３９（１１）：２５６１—２５６７．　

Ｌｌ　Ｈ　Ｌ，ＧＵＯ　ＣＨ　Ｈ，ＱＩＵ　Ｗ　Ｒ．Ｓｉｍｉｌａｒｉｔｙ　ｍｅａｓｕｒｅｍｅｎｔ　

ｂｅｔｗｅｅｎ　ｎｏｒｍａｌ　ｃｌｏｕｄ　ｍｏｄｅｌｓ［Ｊ］．Ａｃｔａ　Ｅｌｅｃｔｒｏｎｉｃａ　

Ｓｉｎｉｃａ，２０１１，３９（１１）：２５６１－２５６７．　

［１４］ＸＵ　Ｂ　Ｇ．Ｉｎｔｅｌｌｉｇｅｎｔ　ｆａｕｌｔ　ｉｆｎｅｒｅｎｃｅ　ｆｏｒ　ｒｏｔａｔｉｎｇ　ｌｆｅｘｉｂｌｅ　ｒｏ—　

ｔｏｒｓ　ｕｓｉｎｇ　Ｂａｙｅｓｉａｎ　ｂｅｌｉｅｆ　ｎｅｔｗｏｒｋ［Ｊ］．Ｅｘｐｅｒｔ　Ｓｙｓｔｅｍ　ｗｉｔｈ　

Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，３９（１）：８１６－８１８．　

［１５］　纪航，刘新平，朱炜．基于贝叶斯网络和ＧｅＮｌｅ软件的　

超高压输电线路综合状态评估新方法［Ｊ］．上海电力，　

２０１１，２４（１）：１４・２０．　

ＪＩ　Ｈ，ＬＩＵ　Ｘ　Ｐ，ＺＨＵ　Ｗ．Ｎｅｗ　ｃｏｍｐｒｅｈｅｎｓｉｖｅ　ｅｖａｌｕａｔｉｏｎ　

ｍｅｔｈｏｄ　ｆｏｒ　ｕｌｔｒａ—ｈｉｇｈ　ｖｏｌｔａｇｅ　ｔｒａｎｓｍｉｓｓｉｏｎ　ｌｉｎｅ　ｂａｓｅｄ　ｏｎ　

ｂａｙｅｓｉａｎ　ｎｅｔｗｏｒｋ　ａｎｄ　ＧｅＮｌｅ　ｓｏｆｔｗａｒｅ［Ｊ］．Ｓｈａｎｇｈａｉ　Ｅｌｅｃ—　

ｔｒｉｃ　Ｐｏｗｅｒ，２０１１，２４（１）：１４－２０．　

［１６］杨正友，彭涛，李健宝，等．基于贝叶斯推断ＬＳＳＶＭ的　

滚动轴承故障诊断［Ｊ］．电子测量与仪器学报，２０１０，　

２４（５）：４２０－４２４．　

ＹＡＮＧ　ＺＨ　Ｙ，ＰＥＮＧ　Ｔ，ＬＩ　Ｊ　Ｂ，ｅｔ　ａ１．Ｂａｙｅｓｉｎａ　ｉｎｆｅｒｅｎｃｅ　ＬＳＳ－　

ＶＭ　ｂａｓｅｄ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｍｅｔｈｏｄ　ｆｏｒ　ｏｒｌｌｉｎｇ　ｂｅａｒｉｎｇ［Ｊ］．Ｊｏｕｒ－　

ｎａ１　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｍｅａｓｕｒｅｍｅｎｔ　ａｎｄ　Ｉｎｓｔｎａｎｅｎｔ，２０１０，２４（５）：　

４２０－４２４．　

作者简介　

＿墓＿　

Ｃｕｒｒｅｎｔｌ

一

ｙ，ｈｅ　ｉｓ　ａ　ｐｒｏｆｅｓｓｏｒ　ａｎｄ　Ｐｈ．Ｄ．ｓｕｐｅｒｖｉ

一一　～一一一　一

ｓｏｒ　ｉｎ　Ｎｏｒｔｈ　Ｃｈｉｎａ　

Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ｕｎｉｖｅｒｓｉｔｙ．Ｈｉｓ　ｒｅｓｅａｒｃｈ　ｆｏｃｕｓｅｓ　ｏｎ　ｉｎｔｅｌｌｉｇｅｎｔ　ｒｏ—　

ｂｏｔ，ａｒｔｉｉｆｃｉａｌ　ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｎｄ　ｉｔｓ　ａｐｐｌｉｃａｔｉｏｎｓ．　

一一　～一