基于Tabu-Roughset的电网故障诊断系统研究

如何有效利用电网调度中心的大量数据进行电网故障诊断是一个重要课题.提出一种基于Tabu-RoughSet 的电网故障诊断系统,包含数据采集、电网故障诊断、基于Web的电网故障诊断结果表示三个模块.在电网故障诊断模块里,利用Roughset 理论对接收到的故障信息建立决策表并构成可辨识矩阵,利用Tabu搜索对可辨识矩阵寻找最优解,迅速准确地给出电网故障诊断结果.基于Web的诊断表示模块能够根据用户提出的查询请求采用可视化技术将诊断结果以基于网络的Web方式显示.实验结果表明,该系统能快速寻找最优解,较好地实现对电网故障的诊断.     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性。该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断。通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位。与规则表示相比,决策树直观、易于理解、维护和修改。     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性.该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断.通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位.与规则表示相比,决策树直观、易于理解、维护和修改.     

组合型交叉熵算法在电网故障诊断中的应用

通过分析交叉熵算法的原理和特征,提出一种基于组合型交叉熵算法的电网故障诊断方法。考虑故障元件与保护器和断路器的动作关系,将电网故障诊断问题表示为使目标函数最小化的0-1整数规划问题,利用组合型交叉熵算法求该问题的最优解,依据最优解的情况识别故障元件。经过与粒子群算法和遗传算法的比较分析,得知本文采用的诊断方法具有收敛速度快、稳定性好等优点。对测试系统上多起故障情况进行了模拟测试,测试结果表明故障诊断结论全部正确,进一步证明了组合型交叉熵算法在电网故障诊断中具有一定的有效性、准确性和实用性。     

电网故障诊断完全解析模型的解集评价与最优解求取

电网故障过程中保护和断路器的动作及其动作告警存在不确定性,致使基于电网保护规则解析的故障诊断模型存在多解问题,如何快速有效地求取最优解是电网故障诊断解析模型实用化的关键。针对此问题,提出一种求取电网故障诊断解析模型最优解的方法,通过解析保护和断路器动作的不确定性和告警信号的不确定性,构建完全解析模型的解集评价指标,将故障诊断问题转换为求取完全解析模型最优解的数学规划问题,然后利用保护和断路器的拒动、误动概率以及告警信号的误报和漏报概率等先验知识,采用随机优化算法求取最优解,并从最优解导出诊断结论。故障诊断算例和实际故障案例的诊断验证了所提出的完全解析模型求解方法的有效性以及相应故障诊断方法的容错性和实用性。     

基于多源数据融合的Alexnet神经网络大电网故障诊断

针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入图片矩阵,对Alexnet进行训练。然后对Alexnet输入图片高维特征提取方法进行分析,提出构造最优分布结构的输入图片矩阵方法,并形成故障诊断模型。最后以海南岛电网遭受台风袭击为场景,搭建仿真模型对Alexnet故障诊断模型进行验证。     

基于粗糙集理论和故障信息网的电网故障诊断方法

在系统发生复杂故障或开关、保护存在较多误动、拒动以及因信道干扰而发生信息丢失等诸多不确定因素的影响下,仅仅利用开关和保护信息的诊断方法难以得出正确的结论。针对此问题,文章提出了一种综合利用电网故障信息的诊断方法。首先以保护、断路器作为条件属性,故障区域作为决策属性,考查各种故障情况并建立决策表。然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性的约简组合,根据故障信息分析处理的结果修正约简组合中相应的属性值,最后按决策规则表进行故障诊断。运用VC＋＋编写了基于该方法的故障诊断软件,算例结果表明,该方法正确、有效,能提高系统的容错性,有效地弥补了利用开关、保护信息诊断的局限性,具有较好的实用价值。     

基于粗糙集理论和故障信息网的电网故障诊断方法

在系统发生复杂故障或开关、保护存在较多误动,拒动以及因信道干扰而发生信息丢失等诸多不确定因素的影响下,仅仅利用开关和保护信息的诊断方法难以得出正确的结论.针对此问题,文章提出了一种综合利用电网故障信息的诊断方法.首先以保护、断路器作为条件属性,故障区域作为决策属性,考查各种故障情况并建立决策表.然后利用基于可辨识矩阵和信息熵的属性约简方法提取最佳属性的约简组合,根据故障信息分析处理的结果修正约简组合中相应的属性值,最后按决策规则表进行故障诊断.运用VC++编写了基于该方法的故障诊断软件,算例结果表明,该方法正确、有效,能提高系统的容错性,有效地弥补了利用开关、保护信息诊断的局限性,具有较好的实用价值.     

预制舱式智能变电站继电保护关键环节故障诊断分析

针对智能变电站继电保护故障引发一系列电网事故,研究预制舱式智能变电站的继电保护关键环节故障诊断方法。首先对继电保护故障诊断所需数据进行预处理,提出基于广义变比辨识的电流测量回路故障诊断方法,通过建立广义变比状态矩阵,实现对故障的判断。同时研究电子式互感器的突变故障问题,在辨别电子式互感器的故障模式和认知一次系统特点的基础上,提出诊断电子式互感器突变故障的方法。通过对长沙某220 kV预制舱式智能变电站Matlab仿真计算,验证了该方法的有效性,为变电站继电保护故障提供一种简单、高效的在线诊断方法。     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

基于关联规则数据挖掘技术的电网故障诊断

在实际的电网故障诊断中,面临如何从海量数据找到真正对于诊断结果有帮助的关键数据以及当故障信息存在不完整或不确定性,甚至关键信息丢失时,会导致故障诊断难以得出正确结论的问题。针对此问题,将关联规则数据挖掘DLG(Direct Large temsests Generation）算法引入到电网故障诊断中。首先以保护、断路器作为条件属性,故障区域作为决策属性,考察各种故障情况并建立原始决策表,然后利用关联规则挖掘进行属性约简,通过修改阈值进行交互式挖掘,直接提取最佳属性约简组合,然后利用最佳属性约简组合形成的约简决策表和关联规则交互式挖掘,针对各种情况的故障信息进行诊断推理。运用C编写了基于该方法的故障诊断软件, 采用四母线配电网系统作为仿真对象,算例结果表明该算法在一定电网规模和保护动作信息不完备的情况下,故障诊断正确性高、容错性好,实用性强。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于最小化路测数据统计分析的电力无线专网网络故障诊断方法

针对电力无线专网广覆盖、功率受限等问题,需要后台实时采集网络状态并对网络故障智能诊断。文中利用固定位置通信终端作为网络状态采集装置实时监测网络关键性能指标,提出了一种基于最小化路测数据的网络故障统计分析框架,并基于Softmax神经网络构建了故障智能诊断模型。文中提出的性能指标统计分析框架能够有效甄别出网络质量劣化程度,故障识别准确率达到89%以上。该方案能够有效提高电力无线专网故障诊断实时性,降低网络运维成本,具有一定实践指导价值。     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

模糊贝叶斯网的变压器故障诊断

目前油中溶解气体的三比值法是变压器故障诊断的有效方法之一。变压器故障诊断中的信息具有随机性和不确定性的特点,文中提出一种基于模糊贝叶斯网络的变压器故障诊断方法。该方法利用贝叶斯表达知识灵活,处理不确定性与关联性问题能力强,模糊集能有效表达模糊事件和信息的特点,利用隶属函数模糊化三比值的分割空间,模糊贝叶斯网络推理获得故障类型。实例证明,该方法在信息不完备条件下诊断准确率高,为变压器故障诊断提供了一条新的理论依据。     

基于小波神经网络和故障录波数据的电网故障类型识别

电力系统发生大面积复杂故障后,调度人员仅仅依靠来自数据采集与监视控制(supervisory control and data acquisition,SCADA)系统的保护和开关接点的变位信息难以做出准确的判断,来自故障录波装置记录的模拟量信息越来越成为故障诊断和系统恢复的重要依据。为了进一步提高超高压输电线路故障类型识别率和计算速度,文中利用提升小波和PNN网络构造了新的小波神经网络故障识别模型,应用bior3．1提升小波对故障电流进行分解,将分解到的 (0,375)Hz频率段的小波系数输入到PNN神经网络。通过 ATP仿真及华东电网实际故障录波数据的测试和比较结果表明:该模型具有很高的识别率和收敛速度,并有望将该模型应用到电网故障诊断系统。     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于量子神经网络的电网故障诊断算法

传统的人工智能方法处理电网故障诊断中交叉数据模式识别问题的效果不甚理想。为此,作者提出运用量子神经网络进行故障诊断的算法,借鉴量子力学的相关概念,不断更新各层神经元的连接权以及隐含层各神经元的量子间隔,以达到提高故障诊断容错性的目的。仿真结果表明,在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于传统神经网络。另外,该算法对存在一定错误数据的故障信息也具有良好的识别能力。