证据理论在城市电网规划方案选择中的应用

为解决电网规划综合评判决策(MADM)中的难以定量表达的不确定性问题,应用证据理论从不确定推理的角度,将客观问题中的不确定知识形式化后,进行推理和判断。针对证据理论在实际应用中,由于不注意证据的组合顺序而导致计算时间随组合规则的增加而呈指数上升的问题,指出使用Barnett算法建立数学模型,结合基于证据理论和Barnett算法,给出电网规划综合评判决策的具体过程,有效地解决了电网规划中的不确定性问题。     

基于粗糙集理论和神经网络模型的变电站故障诊断方法

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和神经网络理论的变电站故障诊断方法.即利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行分层挖掘,实行属性优选,再运用神经网络对故障诊断知识进行模式识别.变电站故障诊断实例表明了该方法能有效地缩小问题求解规模,且具有较强的抗干扰能力.     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

基于模糊因果网络的智能变电站故障诊断应用

变电站故障诊断对于事故后系统快速恢复正常运行具有重要的意义。针对变电站故障诊断中不确定信息的多源性和故障诊断的实时性,以变电站的保护信息为基础,提出了基于模糊因果网络（FCE-Nets）的变电站故障诊断方法。根据变电站各保护间的因果关系将元件分成三类基本关联节点,通过故障电气量关联函数改进保护信息的缺失校核机制,利用FCE-Nets进行逆向推理。在云会智能变电站上的应用表明,在变电站发生告警时本方法能够及时有效地进行故障诊断。     

面向属性的决策规则挖掘算法的研究与应用

粗集理论是一种新型处理模糊和不确定知识的数学工具,其中属性约简是它的核心内容。粗集理论的主要思想是在保持分类能力不变的前提下,通过属性约简,导出问题的决策或分类规则。深入研究粗集理论,在属性约简过程中加入了启发式信息,大大提高了挖掘效率,得出了一种新的决策规则挖掘算法。实例分析表明,该算法能够发现良好的决策规则。     

基于推理链的输电网故障诊断

为了提高故障诊断的精度和效率,提出了利用数据信息的时序特性的推理链诊断法,解决了现有故障诊断方法不能综合考虑重合闸、失灵保护和一般元件保护的问题,诊断结果具有对故障的演化过程的解释能力.根据已知故障事实判断故障原因的特征,引入事件集的概念,建立故障信息的逻辑模型,简化问题规模;提出基于推理链的故障诊断方法,确定事件集间的因果逻辑关系并定义约束条件,构造冗余的推理链组合,以先验数据基础上的似然函数确定最优解.实际电力系统发生的故障案例验证了所提方案.     

基于事例和规则混合推理的变电站故障诊断系统

故障诊断是保证电力系统安全运行的重要手段,目前多采用基于规则推理的专家系统,但其知识获取困难,自学习能力差,很难适应电网发展的要求.文中介绍了基于事例推理(CBR)和基于规则推理(RBR)的混合推理的变电站故障诊断专家系统.该系统采用CBR方法确定故障情况,再利用规则评价继电保护和开关的动作情况.事例库包括用RBR系统自动生成的基本事例库及无确定规则的特殊事例,在使用中还可不断地增加新事例以提高系统判断复杂故障的能力.由于采用了混合推理,系统故障诊断快速可靠,动作评价准确,自学习能力也得到很大提高,可减轻运行人员的工作量.     

自适应变电站故障诊断专家系统

设计了自适应变电站故障诊断专家系统(ASFDES)。该系统采用故障诊断自适应策略,能自动适应复杂多变的环境状态。ASFDES由多个子专家系统和核心专家系统组成,子专家系统应用基于规则的不精确推理机制实现快速的故障诊断,核心专家系统应用基于事例的推理机制来提高故障诊断的准确度。实验结果表明,ASFDES是有效的。     

粗集理论在水力机械故障诊断中的应用潜力分析

粗集理论是一种处理模糊性和不精确问题的新型数学工具，为分析和处理不完备信息提供了有力的分析手段。文中对近年来粗集理论在机械故障诊断应用方面作了介绍及评述，并将此方法推广到水力机械故障诊断方面，重点阐述了粗集理论与常见的数据挖掘、人工神经网络、支持向量机等软计算方法的融合，这将为解决水力机械故障诊断中的难题提供一种新的思路和方法。     

基于信度的不确定性推理--证据理论及其在电力系统规划中的应用

文章针对电力系统规划中客观存在的难以定量表达的不确定必问题,应用证据理论从不确定推理的角度探讨计及电力系统规划中的非定量不确定因素的方法,给出了证据理论求解不确定性问题的一般过程,并详细讨论了证据理论在电网规划、厂址选择中的应用。     

基于灰色关联和证据理论的故障诊断方法

本文在证据理论的基础上,结合信息熵和灰色关联算法,提出了一种新的机械故障诊断方法。该方法从信息融合的思想出发,首先依据反映机械故障的信息熵特征,获得基于信息熵的故障诊断标准特征向量。接着采用灰色关联理论建立证据理论的基本概率赋值函数,提出了利用证据理论对单传感器多测量周期证据时域融合和多传感器证据空域融合相结合的时空二级融合算法,最后以基本可信数的决策方法作为故障模式识别依据。通过旋转机械故障的典型实例证明,基于灰色关联和证据理论的机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于D-S证据理论的变压器故障诊断

针对电力变压器故障征兆与原因之间错综复杂的关系,以及单一变压器故障诊断算法精度有限的问题,本文提出一种在D-S证据理论的基础上,结合灰关联熵法和加权K邻近算法的变压器故障诊断新方法。该算法以油中溶解气体分析方法(Dissolved Gases Analysis,简称DGA)为基础,通过灰关联熵法和加权K邻近算法构建证据理论的基本可信度赋值函数,然后利用证据组合规则产生更为可靠的证据信息;最后根据基本可信数最大值确定变压器故障类型。变压器故障诊断实例结果表明该算法能够准确判断出变压器的故障类型,证明了该算法的可行性和有效性。     

基于D-S证据理论的油浸式电力变压器故障诊断

当前对变压器进行故障诊断,主要是利用从分散的传感器收集到的检测信息,但使用单独的传感器采集数据进行判别,由于缺乏对数据的融合分析,易造成诊断中的误判或漏判。提出了一种基于D-S证据理论的油浸式电力变压器故障诊断方法,该方法通过融合数据来处理故障诊断中的不确定度。建立了故障诊断的融合模型,给出了方法的具体实现步骤并应用实例进行计算。结果表明,本方法可以减少诊断中的不确定性,提高故障诊断的准确性。     

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.     

基于数据挖掘模型的高压输电线系统故障诊断

在大多数故障诊断系统中,由于诊断所依据的实时信息在其形成和传递过程中都有可能产生信息的畸变,从而导致故障诊断结果的错误。文中提出利用基于粗糙集理论的数据挖掘模型来处理实时输入信息的畸变和实现输电线系统的故障诊断,它是依据粗糙集定性分析能力对知识域的数据集进行分析,粗糙集的约简是通过遗传算法求取。还给出了构造测试样本的理论准则,从而使检验故障诊断系统的容错性能具有保证和真正的实用价值。通过仿真测试证明,基于数据挖掘模型的故障诊断与基于神经网络模型的故障诊断相比,具有更高的容错性能。     

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,本文提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。     

粗糙集神经网络故障诊断系统的优化方法研究

神经网络的联想能力不足影响它在故障诊断中进一步应用，该文根据粗糙集理论擅长于处理不完整小样本数据的优点，提出了使用粗糙集理论优化BP神经网络故障诊断系统的基本策略，构建了优化的粗集神经网络模型。通过对轴承故障数据和磨削工况分析表明，使用该模型可以有效地减少输入层神经元的个数，改进网络内部结构，提高神经网络模型的学习效率和诊断的准确率，在故障诊断中有良好的应用前景。     

基于模糊粗糙集数据挖掘的汽轮机组故障诊断研究

针对当前专家系统知识获取瓶颈的难题,提出了基于模糊粗糙集数据挖掘的汽轮机组故障诊断方法。模糊粗糙集理论把知识直接与真实或抽象世界有关的不同模式联系在一起,能有效分析处理不精确、不完整等各种不完备信息,并从中发现隐含的知识,揭示潜在的规律。将汽轮机组故障历史数据进行模糊化及离散化处理,构建故障诊断决策表,以决策表作为主要工具,即"知识库",采用模糊粗糙集数据挖掘方法直接从决策表中提取出潜在的诊断规则,为汽轮机组提供有效的故障诊断。提出了基于模糊粗糙集的分类规则学习和约简算法,实现了基于模糊粗糙集数据挖掘的汽轮机组故障诊断系统,其诊断正确率达到了88%。实验表明该方法可行,对汽轮机组故障诊断系统的设计具有借鉴意义和深入研究的价值     

基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术

针对目前浅层机器学习理论在变压器故障诊断上精度不高以及大多数诊断方法参考的信息特征量单一的现状,提出一种基于AdaBoost-RBF算法与Dezert-Smarandache理论(DSmT)的变压器故障诊断方法。选择反映变压器故障信息的油中溶解气体、试验及产气率数据构成诊断参量空间,利用AdaBoost算法改进RBF神经网络算法,应用AdaBoost-RBF算法搭建并行的训练单元构造变压器故障诊断识别框架的基本信度赋值(BBA)。基于多源信息融合的思想,应用DSmT对基本信度赋值进行融合得到最终诊断结论,该理论克服了D-S证据理论无法融合高冲突性证据的局限性。对110 kV变压器进行仿真实例分析,结果表明所提方法具有良好的实用性。     

利用ART1网络进行故障诊断的方法研究

此文系统地阐述了自适应共振理论及ARTl神经网络模型的基本概念、特点、结构和算法。在对故障诊断进行理论分析的基础上，结合ARTl神经网络对输入的要求，提出了一种阈值法结合ARTl神经网络进行故障诊断的方法，并对此方法进行了理论分析和仿真实验。仿真实验表明此方法能够进行正确的故障检测和故障分类。