[19]中提出了一種利用Petri網(wǎng)絡和反向傳播算法（BackPropagation，BP）神經(jīng)網(wǎng)絡相結合的故障診斷方法，首先利用自適應模糊Petri網(wǎng)絡對電網(wǎng)故障模型進行建模，然后利用BP神經(jīng)網(wǎng)絡算法對Petri模型中的參數(shù)進行尋優(yōu)，成功減少了電網(wǎng)分析中由于虛報和漏報告警信息造成的判斷錯誤率。文獻REF_Ref68614403\r\h[20]針對電網(wǎng)告警信息傳輸過程中發(fā)生畸變或者保護設備據(jù)動誤動等情況導致的誤診斷問題，提出了基于時序網(wǎng)絡的廣義神經(jīng)網(wǎng)絡優(yōu)化算法，通過獲取電網(wǎng)中各設備的時序關系，結合工作人員收到的告警信息進行故障診斷，可以提高故障診斷的精確性。文獻REF_Ref68614415\r\h[21]提出了一種首先對電力系統(tǒng)中的元件做神經(jīng)網(wǎng)絡建模，如對單個的變壓器、母線和線路等。對原件進行初步診斷后，結合電網(wǎng)的電路連接關系，將單個的元件作為一個節(jié)點，然后通過模糊積分技術對網(wǎng)絡進行分析，該方案將電網(wǎng)故障定位進行了分段處理，神經(jīng)網(wǎng)絡建模靈活且可以適應拓撲結構的變化，對復雜的電網(wǎng)故障有很好的定位能力。文獻REF_Ref68614428\r\h[22]介紹了數(shù)據(jù)驅動的人工智能技術在電力設備狀態(tài)分析中的研究與應用在電力物聯(lián)網(wǎng)和傳感器智能采集迅速發(fā)展的背景下，開展了對與電力設備運行狀態(tài)相關的多源、異構的信息進行分析，并對其中采集到的圖像、文本和時序之間的狀態(tài)特征進行提取，利用人工智能技術找到這些特征和電力設備故障之間的關系，從而達到利用這套系統(tǒng)對設備的運行狀態(tài)達到評估的目的。文獻REF_Ref68614441\r\h[23]中針對風電電站中的故障處理問題，提出了利用ZigBee和B/S平臺的監(jiān)測系統(tǒng)對風電站的多種故障信息進行采集，然后建立云網(wǎng)絡平臺中心，然后對這些采集到的數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡的故障建模處理，對風電站內部的故障進行分類建模，并且結合了實驗數(shù)據(jù)對模型進行了驗證。文獻REF_Ref68614451\r\h[24]利用電網(wǎng)采集到的信息中多層多源的特點，將采集到的信息分成了多源信息融合層和開關量診斷層，分別對兩個信息層進行建模后，再對故障位置進行綜合判斷，該分層模式可以有效地增強故障診斷模型的針對性。專家學者們經(jīng)過多年的研究，在神經(jīng)網(wǎng)絡對電網(wǎng)中的故障判定和電力設備的狀態(tài)評估方面已經(jīng)取得了很大的進展，并且將神經(jīng)網(wǎng)絡廣泛地應用在了各種場景中，提高了故障診斷的效率。但通過神經(jīng)網(wǎng)絡建模對電網(wǎng)故障進行判斷的方法還沒有在大規(guī)模電網(wǎng)中推廣使用。隨著人工智能的不斷發(fā)展，未來神經(jīng)網(wǎng)絡算法與其他智能算法相結合來適應大規(guī)模電網(wǎng)的使用要求，不斷提高神經(jīng)網(wǎng)絡算法在故障判斷方面的效率和準確率也是大家研究的重點。拓撲矩陣在配電網(wǎng)故障定位中的研究根據(jù)網(wǎng)絡拓撲結構進行故障定位也是一個學者們廣泛研究的熱點方向，由于網(wǎng)絡自身的拓撲連接結構已知，那么各個網(wǎng)絡節(jié)點之間的連接方式就會使各設備之間產(chǎn)生某種關聯(lián)。如何找到這些關聯(lián)，為我們完成準確的故障定位提供幫助。拓撲結構進行電網(wǎng)故障診斷的方法是將電網(wǎng)中的各種用電設備、保護裝置和斷路器等之間的邏輯關系用數(shù)學方法進行表示和推理，這種方法具有故障定位簡單快速的優(yōu)點。文獻REF_Ref68614464\r\h[25]提出了一種基于連接拓撲圖的因果網(wǎng)絡故障定位方式，其思路是將繼電保護設備的因果關系梳理出來，然后由因到過果建立一個網(wǎng)絡，可以很好地定位由繼電保護動作不同狀態(tài)而判定的不同故障區(qū)。該方法是其根據(jù)電氣保護設備構建的因果關系矩陣不適合應用于數(shù)據(jù)園區(qū)的測點上，原因在于數(shù)據(jù)中心的設備測點動輒數(shù)萬甚至幾十萬，即使考慮按設備測點聚合后的規(guī)模也相當龐大，對其構建因果關系拓撲的人工成本相當巨大，而且由于專家規(guī)則的原因，故障定位的不確定因素很多，很難梳理出大量設備的因果關系。文獻REF_Ref68614477\r\h[26]在文獻REF_Ref68614464\r\h[25]的基礎上引入了時序判斷，提高了故障定位的準確性，但是其采集故障的時間是以毫秒為單位，以便為各種告警信息的先后順序提供準確地數(shù)據(jù)支持，而數(shù)據(jù)園區(qū)的告警采集系統(tǒng)很難在毫秒之間采集到告警信息，很難滿足時間上的需求。文獻REF_Ref68614497\r\h[27]針對斷路器失靈而導致的電網(wǎng)故障的問題，提出了一種利用多數(shù)據(jù)源綜合分析結合電網(wǎng)拓撲結構的診斷方法，通過斷路器的開斷情況來形成電網(wǎng)拓撲結構的連接矩陣，然后對電網(wǎng)的拓撲結構圖進行停電區(qū)域的搜索，最終確定故障的具體位置，并且通過數(shù)值仿真證明了該方法具有良好的診斷準確率。貝葉斯網(wǎng)絡在配電網(wǎng)故障定位中的研究貝葉斯網(wǎng)絡最早是由Peartl提出的，這是一種將圖論方法和概率論方法相結合的一種機器學習算法，利用概率論中的原理來表述不同網(wǎng)絡連接點之間的關系，即不同告警因素間的關系。利用貝葉斯網(wǎng)絡進行建模，得到的是一個概率圖模型，該模型是一個帶有方向的不含有環(huán)型結構的圖。運用貝葉斯網(wǎng)絡進行故障分析的好處包括，該模型簡單、容易理解、運算過程比較清晰，當告警信息量比較大時，可以有較好的故障診斷能力。文獻REF_Ref68614507\r\h[28]在斷路器和繼電保護中發(fā)生的故障進行快速跟蹤定位的研究中運用了貝葉斯網(wǎng)絡進行推理建模。文獻首先整理了繼電保護和斷路器相關元件的故障征兆集，然后梳理了各個元件之間出現(xiàn)故障后的關聯(lián)關系，然后以采集到的告警數(shù)據(jù)建立貝葉斯網(wǎng)絡模型，計算各個節(jié)點之間的概率關系，最后通過貝葉斯疑似度來推斷可能出現(xiàn)故障的元件，達到故障定位的目的。文獻REF_Ref68614519\r\h[29]設計了一種可變結構式得貝葉斯網(wǎng)絡來對擁有復雜結構的電網(wǎng)故障進行分析，文獻將貝葉斯網(wǎng)絡中的可信度進行了動態(tài)調整，對所分析的電網(wǎng)中的繼電保護和斷路器等裝置的狀態(tài)進行可信度評估，計算各個事物的置信度，然后優(yōu)化貝葉斯推理公式，最終得到更準確的元件故障的概率。文獻REF_Ref68614531\r\h[30]為了分析復雜電網(wǎng)中的故障情況，提出了一種電網(wǎng)中復雜故障的新的推理方法，該文獻將電網(wǎng)拓撲結構和繼電保護、斷路器的動作信息相結合建立了貝葉斯網(wǎng)絡，并且針對兩種繼電保護誤判的情況進行了推演，可以將誤判結果進行糾正，提高了故障判斷的準確度。雖然貝葉斯網(wǎng)絡具有很多優(yōu)點，但是在應用過程中也有著一些問題電網(wǎng)故障診斷的研究綜述與前景展望，比如說進行貝葉斯網(wǎng)絡建模需要獲得系統(tǒng)的各種故障的先驗知識分析，但是對于復雜的系統(tǒng)，這種先驗知識的分析是較為難以獲取的，而且對于特定故障情況中，如果存在繼電保護和斷路器有誤報、漏報等問題時，對利用貝葉斯網(wǎng)絡來進行故障診斷的方法準確度影響較大。所以貝葉斯網(wǎng)絡的故障定位方法還有待提升。除了上述方法外還有阻抗法[31-34]、粒子群算法[35-38]、蝙蝠算法[39-41]、行波法[42-45]、蟻群算法[46-49]和小波分析法[50-53]等也為電網(wǎng)的故障定位提供了有效的辦法。目前，隨著數(shù)據(jù)園區(qū)的不斷擴大和數(shù)字化的不斷提升，很多企業(yè)為了保障園區(qū)內的電力供應，都紛紛加入到園區(qū)故障管理系統(tǒng)的開發(fā)中，但是目前已有的故障管理系統(tǒng)都還是只能做一些簡單的告警收斂工作，很難幫助運維人員準確地定位到故障設備。目前運維人員每天仍需要大量的時間和精力去辨別故障根因，運維管理效率仍需提高。隨著計算機性能的提高和算法研究的不斷深入，如果能夠將先進的大數(shù)據(jù)分析技術融合到數(shù)據(jù)園區(qū)的故障定位中，針對實際的園區(qū)網(wǎng)絡展開針對性的研究，使大數(shù)據(jù)挖掘的結果可以幫助運維人員找到告警信息之間的關聯(lián)關系以及可能的告警根因，將告警信息壓縮成一個或者幾個告警展現(xiàn)