一种基于模糊规则和遗传算法的凝汽器故障诊断方法的研究

该文总结了汽轮机组凝汽器低真空常见故障，建立了凝汽器典型故障集。介绍了基于信息熵的故障征兆提取方法，建立了凝汽器故障征兆集。在利用模糊规则的故障诊断方法基础上，提出了一种基于模糊规则和遗传算法的凝汽器故障诊断方法。通过遗传算法对用于故障诊断的模糊规则进行精简，消除了低置信度规则的影响，从而提高了故障诊断效率。最后，将该文提出的方法用于某汽轮机组凝汽器故障诊断中，结果表明该方法行之有效，且易于工程实现。     

免疫遗传法结合概率因果模型诊断变压器故障

为了对电力变压器的绝缘故障进行诊断,提出了一种免疫遗传算法结合概率因果模型的故障诊断方法。该法先用概率因果模型将电力变压器的故障诊断问题转化为最优化求解问题,再将概率因果模型的似然值函数作为免疫遗传算法的抗原,故障诊断的解作为其抗体,对电力变压器进行故障诊断。基于生物系统的免疫遗传算法既保留了遗传算法随机全局并行搜索的特点,又在相当大程度上避免未成熟收敛,确保快速收敛于全局最优解。实例分析证明,该方法能有效诊断电力变压器的故障,具有较高的诊断准确率。     

只利用断路器信息诊断电力系统故障的高级遗传算法

本文研究了基于断路器跳闸时序信息的电力系统故障诊断方法。主要包括三个方面的工作：①首次构造了只利用在各类保护（如主保护、第一后备保护和第二后备保护等等）动作时段内断路器跳闸的分段时序信息识别故障元件的０－１规划模型。②提出了应用无源信息识别故障区域的方法，有效地把故障诊断问题局限于某（些）个小的局部网络之中，大大加快了故障诊断的速度。③探讨了高级遗传算法（ＲｅｆｉｎｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ──ＲＧＡ）在电力系统故障诊断中的应用，这种方法可以有效地求得多个全局最优解，很适用于解决电力系统复杂故障情况下的诊断问题。经算例计算表明，所发展的故障诊断的数学模型是正确的，采用的基于高级遗传算法的故障诊断方法有在线应用的潜力。     

概率因果网络在汽轮机故障诊断中的应用

在分析了汽轮机振动故障特点的基础上,提出了用遗传算法进行汽轮机等旋转机械故障诊断问题,定义了遗传算法求解故障诊断问题的概率因果网络,给出了求解故障诊断的数学表达式和适合汽轮机等旋转机械的故障集、征兆集、因果强度和先验概率表。建立了汽轮机故障诊断模型指出表达式的最小值的集合对应于故障集和征兆集,该模型能有效地识别出汽轮机的多故障,弥补了专家系统和神经网络等诊断方法不能正确诊断多故障的不足。     

基于遗传算法的数模混合电路故障诊断

本文针对数模混合电路故障诊断特点,采用Multisim仿真向电路注入故障模式,提出采用遗传算法进行故障诊断的方法。在对遗传算法的基本原理和步骤进行介绍的基础上,运用一种改进的遗传算法对具体电路进行了故障诊断,算法实例证明了该方法的有效性。     

智能调度故障决策系统研究

文章研究一种利用多种类电网信息的智能调度故障决策系统,针对电网信息采集易受干扰而出现信息丢失或畸变等实际问题,提出基于遗传算法故障诊断原理,给出了基于遗传算法的故障数学模型,仿真验证了模型的有效性,并体现了高容错性。     

GA-BP神经网络在光伏阵列故障检测中的应用研究

BP神经网络在进行光伏阵列故障检测时,故障诊断性能易受局部极值影响,且收敛速度过慢.针对这一问题,利用遗传算法(GA)的全局搜索能力,找到BP神经网络初始权值阈值的最优解,可以有效克服BP神经网络上述缺陷,并高效完成对光伏阵列的故障诊断.对比光伏阵列正常状态与不同故障状态下的输出特性,选定电压电流作为输入,故障状态为输出,建立GA-BP故障诊断模型,将经过遗传算法优化后的BP神经网络与经典的BP神经网络相比较,通过仿真验证,GA-BP神经网络不仅可以更快速地进行故障诊断,还提高了故障诊断的准确率.     

电力系统故障诊断的量子粒子群优化算法

电力系统故障诊断是利用保护和断路器的动作信息来推断可能的故障位置.其中故障元件的识别是故障诊断实现的关键.文中应用量子粒子群优化算法研究故障元件的识别方法,先根据保护动作原理将故障诊断问题表示为0-1整数规划问题,然后用量子粒子群优化算法求解.与标准PSO算法和传统遗传算法比较,文中采用的量子粒子群优化算法具有稳定性高...     

基于故障群组合优化的变电站故障诊断

为处理好变电站故障诊断问题中故障源和故障征兆间因果关系的不确定性，提出了基于故障群组合优化的故障诊断方法。依据变电站运行方式和保护配置建立保护配合的Petri网模型，用该模型的状态转移方程获取所有的故障群-征兆群对子，创建故障群组合作为已知故障征兆诊断解的适应度函数，并用遗传算法搜索出最优诊断解。实验证明：该方法不仅能有效地辨识出故障源，而且能提供保护装置拒动、断路器拒动、信号传输错误等信息，对现场人员迅速确认故障设备非常有利。     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

基于分布估计算法和遗传算法融合的神经网络故障诊断模型研究

本文构造了基于分布估计算法(Estimation of Distribution Algorithm,EDA)和遗传算法(GeneticAlgorithm,GA)融合的神经网络(Neural Network,NN)故障诊断模型。传统的GA看作是对生物进化"微观"层面上的模拟,则EDA是对生物进化"宏观"层面上的建模,是一种全新的进化模式。EDA与GA融合的实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服NN陷入局部最小,提高NN的泛化能力,使故障诊断的容错性能得到有效改善。将该模型用于高压输电线系统的故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN模型和单纯GA优化NN模型。因此,新诊断模型是有一定的理论和实用价值的。     

基于混合神经网络和遗传算法的故障诊断系统

故障诊断对于事故后快速恢复具有重要意义。多种人工智能技术在其中得以应用, 然而快速、准确的故障诊断仍是一个悬而未决的难题, 尤其在保护和断路器不正常动作或多重故障的情况下, 故障诊断更为困难。提出了一种基于神经网络 (ANN) 和遗传算法 (GA) 的故障诊断方法, 它采用三层前向神经网络执行诊断功能, 双重 GA循环优化该神经网络的结构和连接权重。第一重 GA循环用于优化神经网络结构, 第二重 GA循环进一步优化神经网络的连接权重。两重 GA循环可以搜索确定用于故障诊断的最优神经网络。有关的数学模型和算法流程在文中作了详细介绍。以4-母线简单电力系统为例, 进行了计算机仿真计算。结果表明, 基于混合神经网络和遗传算法的故障诊断系统优于传统的BP神经网络, 可以较好地解决故障诊断问题。     

基于BAS-IGA的含分布式电源配电网故障定位

针对遗传算法解决含分布式电源配电网故障区段定位易早熟收敛的问题,提出了一种基于天牛须搜索算法和改进遗传算法相结合的故障定位方法。该方法首先利用天牛须搜索算法产生高质量的初始种群,其次通过构造遗传算法数学模型、优化3种遗传算子和调节交叉变异概率对遗传算法进行改进,最终经遗传迭代产生最优解,达到精确定位故障区段的目的。以IEEE33节点配电网模型为例,分别针对单重故障、多重故障以及信息畸变情况进行仿真。仿真结果表明,提出的优化算法定位准确率为100%,且收敛速度快、容错性好。     

基因多点交叉遗传算法在变压器故障诊断中的应用

文中提出了一种基因多点交叉遗传算法,设计了基于该遗传算法、自动调整网络参数、连接权重和偏差的最优神经网络,建立了一套集溶解气体分析(DGA)技术、遗传算法和神经网络为一体的变压器故障诊断系统.由于基因多点交叉遗传算法的全局搜索能力和神经网络的高度非线性映射属性,文中的故障诊断系统能够较好地自动识辨变压器油中溶解气体与故障的对应关系,离线试验和现场运行结果表明,该诊断系统对变压器的过热、放电和受潮等故障诊断有一定的准确性.     

基于遗传算法的配电网故障定位

将一个多变量等式约束条件隐含于开关函数中，基于遗传算法建立了改进的配电网故障定位数学模型。根据故障诊断理论中最小集的概念建立了环网开环运行配电网的故障定位统一数学模型，并运用广义分级的处理思想提高了运用该模型进行配电网故障定位时的效率。仿真实验验证了上述模型的正确性和有效性及该故障定位算法在配电网故障定位中的准确性和高容错性。     

基于GA与RS的电力系统输电线路故障诊断

针对电力系统中存在着各种故障,及断路器跳闸进而引起大范围停电的情况,提出了一种基于建模-简约-优化的多源信息融合的智能故障诊断方法.通过对电力系统输电线路故障的原因分析,确定基于遗传算法的故障诊断规则.再利用粗糙集理论对故障动作决策表进行最大限度的约简,此方法保留了关键信息同时得到了知识的最小表达,能够更快更准确的诊断出故障发生的位置.通过实验证明:文中所提出故障诊断模型高效便捷,可应用于大型电力系统的故障诊断,尤其是输电线路方面的故障诊断,在诊断电力线路故障方面提供了一个切实有效的方法.     

基于GA-PSO-BP的发电机组故障诊断

介绍了一种具有遗传算法中的选择、交叉、变异操作的遗传—粒子群算法(GA-PSO),解释了用于BP神经网络的参数优化过程。阐述了通过转子振动试验台上的仿真将GA-PSO-BP用于发电机组故障诊断的测试,表明GA-PSO-BP在训练速度及诊断准确率等方面优于传统BP及PSO-BP。     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点,并对其应用于电力变压器故障诊断进行了仿真,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

GA-BP混合算法在变压器色谱诊断法中的应用

将一种改进的遗传操作与人工神经网络相结合的混合算法应用于电力变压器的故障诊断,有效地解决了常规BP算法易陷入局部极小、收敛速度慢和基本遗传算法早熟等缺点。实例仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。     

基于遗传算法的电力系统故障诊断的解析模型与方法──第一部分 : 模型与方法

本文共分三部分。第一部分发展了电力系统故障诊断的解析模型与基于遗传算法的方法;第二部分首先提出了用计算机自动形成故障诊断的目标函数的方法,这是实现在线故障诊断所必需的。之后介绍了为浙江省电力局开发的在线故障诊断实用软件的组成与功能;第三部分介绍了将该软件应用于浙江省２２０ｋＶ以上电力系统时其ＥＭＳ信息的获取方法及模拟在线测试结果。这里是第一部分,着重介绍了所发展的同时利用保护和断路器信息的故障诊断的解析模型。其在数学上是一个无约束０－１整数规划模型,借助于充分利用断路器的跳阐信息。这种模型在一定程度上解决了保护信息不完整时的电力系统的故障诊断问题。之后,概述了利用实时网络拓扑分析方法识别故障平息后的停电（故障）区域的方法,从而可将故障诊断局限于这些小的停电区域之中,以大大节省计算时间。此外,还简要介绍了用遗传算法求解故障诊断问题的基本步骤。