融合信息理论的电力系统故障诊断解析模型

保护与断路器动作的不确定性和警报信息的不确定性是实际电力系统故障诊断时需要考虑的主要问题。以电力系统故障诊断解析模型为基础,融合信息理论中的方法来解决这一问题。阐述了故障诊断的信息运动过程,在此基础上通过解析分析保护与断路器动作逻辑和警报信息之间的关系,发展了基于信息量损失最小的故障诊断优化模型,充分考虑了警报信号的不确定性。采用改进遗传算法求解。用浙江电力系统实际发生的故障案例说明了该方法具有较强的容错能力且诊断速度快,对于复杂故障案例,计算时间在1 s之内,满足在线故障诊断要求。     

基于粗糙集理论和朴素贝叶斯网络的电网故障诊断方法

电网发生故障后，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。针对此问题，文章提出了一种粗糙集理论和朴素贝叶斯网络相结合的电网故障诊断方法。首先以保护、断路器作为条件属性，故障区域作为决策属性，考察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约简组合，最后以最佳属性约简组合形成的约简决策表建立朴素贝叶斯网络模型，并对节点概率进行训练。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，能提高系统在丢失核属性情况下的容错性，具有较好的实用价值。     

基于改进D-S证据决策准则的电力系统故障诊断

传统的故障诊断方法容易导致“诊断阻塞”以及“维数灾”的问题。针对诊断信息冲突或不健全的缺陷,提出用改进的D—S(Dempster—Shafer)证据决策方法进行电力系统故障的诊断。引入聚焦系数λ,进行证据合成时依据子集的基数大小优化组合信度分配．解决了高冲突证据的死解问题。以电力变压器故障诊断为例进行了分析验证,结果表明：基于改进的决策准则诊断方法具有较好的容错能力,实现信息的互补,突出了故障征兆的共性信息,从而极大地提高了信息的利用率．减少了系统诊断的不确定性。     

计及光伏发电低电压穿越不确定性的主动配电网短路电流概率评估

光伏发电注入电网的短路电流由故障时并网点电压跌落和机组低电压穿越共同决定,而电网故障时光伏低电压穿越能力具有不确定性。该文分析光伏发电并网运行时,在不同端电压跌落下呈现的故障特性;考虑光伏低电压穿越能力的不确定性,用正态分布概率密度函数表征光伏发电脱网的随机特性,建立光伏发电低电压脱网的随机评估模型;进一步结合系统故障信息,基于蒙特卡洛模拟提出计及低电压穿越不确定性的主动配电网短路电流概率评估方法,通过光伏发电短路电流特性、低电压脱网评估模型与故障条件来确定系统短路电流概率分布。最后,通过13节点和50节点配电网算例对该文方法进行验证,该方法综合考虑配电网故障发生和光伏发电低电压脱网的随机因素,所得短路电流结果能准确反映系统的实际短路电流水平。     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合...     

基于量子神经网络信息融合的变压器故障诊断

针对电力变压器故障的多样性和故障信息的不确定性、数据量大及无规律性的特点,提出了基于量子神经网络信息融合的故障诊断方法.将多个电力变压器故障参数信息引入到各子量子神经网络进行局部融合诊断,再将各局部诊断信息引入决策融合网络进行全局融合,最终诊断出5种电力变压器故障并给出可信度评价.实验仿真结果表明:量子神经网络信息融合方法有效,诊断结果可靠,能将不确定性的数据合理地分配到各类故障模式中,故障正判率达到97.78％,远高于BP神经网络信息融合及改良IEC三比值法.     

基于信息融合的大型油浸电力变压器故障诊断

由于大型电力变压器具有互补性，冗余性和较强的不确定性等特点，该文将信息融合的基本思想引入到变压器的故障诊断中，在信息融合的基本框架下，利用反向传播人工神经网络和证据推理技术，建立了一种新型的油浸式电力变压器故障综合诊断的多级决策融合模型，该模型将油中溶解气体分析与常规电气试验的结论紧密结合起来，并充分借鉴现场的运行，诊断和维修经验，具有较强的知识表示及不确定性处理能力。     

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。     

信息融合技术在电力系统故障检测中的应用探讨

电力系统故障产生各种故障信息，对故障信息全面分析、综合处理，能提高故障检测的精度和鲁棒性。为实现对各种传感器检测到的多源故障信息进行有机综合处理，需研究信息综合处理技术。信息融合技术是研究多源信息综合处理的新兴边缘学科，已在军事、信息处理等领域中有着成熟的应用。该文把信息融合技术应用于电力系统故障检测，介绍信息融合故障检测的模型与方法；分析信息融合技术在状态监测、继电保护中的应用技术；并以小电流接地系统故障选线为例，提出研究了模糊信息融合故障选线方法技术，提高了故障选线的灵敏度和可靠性。     

最小信息损失综合短期负荷预测(一)—理论

该文引入信息理论分析电力系统的负荷预测,将其描述为信息决策过程,并提出了短期负荷预测中的最小信息损失(minimization of information loss,MIL)综合模型,利用历史负荷与预测误差的分布情况在信息损失最小的原则下求解最可能的负荷取值。针对MIL综合模型中概率分布的估计问题,文中应用了正态分布参数估计和Parzen窗估计2种不同的方法,给出了各自的算法。     

小波熵证据的信息融合在电力系统故障诊断中的应用

电力系统中快速准确的故障诊断是事故后隔离故障元件、恢复系统正常运行的首要前提,具有重要意义。该文从信息融合的角度出发,提出利用多种小波熵测度的融合来解决电力系统故障诊断问题。小波熵测度由于结合了小波变换和信息熵理论的优势,能快速准确地提取线路故障特征,但由于故障的不确定性和多样性,依靠单一的小波熵测度诊断故障可能出现诊断困难或诊断失真等问题,因此提出采用D-S证据理论对多种小波熵进行信息融合,并采用范数加权平均的方法来建立基本可信度分配,以基本可信数的决策方法来实现故障模式诊断。基于EMTDC和Matlab的仿真证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性和实时性,是故障模式定量诊断的一种可行性新方法。     

采用粗糙集联合规则挖掘算法的分布式电网故障诊断

鉴于传统的人工智能技术在大电网故障诊断应用中存在的局限性,采用分布式的思想来解决该问题,并提出一种基于粗糙集理论的联合规则挖掘算法,该算法能够有效地从分布式信息系统中提取联合规则。为了更好地解决电网故障诊断问题,构建了基于该联合规则挖掘算法的分布式电网故障诊断模型。该模型不仅能够有效地诊断各局部电网内部的故障,而且能够有效地诊断各局部电网之间联络线的故障,弥补了分布式电网故障诊断中联络线故障诊断规则不足的缺陷。对大电网进行分割,不仅能够有效识别各类复杂故障,而且也使得每个局部电网决策表的规模大为减小,同时联合规则挖掘算法也显著地降低了规则提取的复杂度,解决了粗糙集理论在大电网故障诊断中遇到的瓶颈问题。算例表明该方法简单、有效、速度快、容错性好。     

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.     

永磁直流电动机故障机理分析与研究

电机故障特征相量的确立是进行故障诊断的前提。全文对永磁直流电动机生产线上常见故障的机理进行了分析,并在此基础上提出了基于电流分析的永磁直流电动机故障诊断的特征相量确立和提取方法,为进一步实现故障的决策与分离奠定了基础。实验研究表明理论分析与实验结果是一致的。     

基于信息熵最优约简算法的电网故障诊断模型

介绍粗糙集理论及信息熵约简方法,应用粗糙集理论对电网故障样本数据进行分析统计,建立决策表,采用信息熵约简算法对其进行条件属性约简,得到一组最小知识系统,再用粗糙集值约简方法对其进行简化,得到一组故障诊断的最小决策规则集,结合模型进行分析,证明该方法简便、快速、有效。     

UHV变压器故障监测与诊断的信息决策平台

特高压变压器是交流特高压工程的关键设备之一。根据超高压输变电设备多年运行经验,现有的变压器故障监测技术存在以下问题:①变压器诊断方法大多仍局限于气相色谱分析,最终仅能判断出故障征兆,不能实现故障定位;②故障诊断中存在大量专家经验,如何将经验信息化,实现故障诊断自动化是急需解决的问题。为了适应特高压输变电的要求,解决变压器监测技术缺陷,提出了建立以开放式数据库为支持,基于证据推理的特高压变压器故障监测与诊断的决策平台。分析表明,决策平台充分利用色谱数据和电气试验数据的互补信息,实现了变压器故障监测与定位一体化与自动化。     

基于 GA-BRBPNN 的航空自耦变压整流器 故障诊断方法

航空自耦变压整流器(auto-transformer rectifier unit, ATRU)是飞机高压直流电网关键电能变换装置,在运行过程中受高 温、机械应力、荷载波动等因素持续影响,其内部元件可能出现相应故障,进而威胁飞机可靠运行及持续适航。 针对 ATRU 整流 部分故障信号频谱难以区分、诊断准确率不高问题,提出一种遗传算法(genetic algorithm,GA)与贝叶斯正则化反向传播神经网 络(Bayesian regularisation back propagation neural network,BRBPNN)相结合的故障诊断识别方法。 首先,实现 ATRU 故障仿真, 以时频分析方式处理所得信号,从而挖掘不同故障状态的特征信息;随后采用 GA 算法优化 BRBPNN 初始权阈值并建立最优 GA-BRBNPNN 诊断模型,将特征样本输入诊断模型进行故障分类识别,测试模型性能;最后,搭建故障模拟实验平台对实测数 据进行模型验证。 实验结果分析可知,对于仿真故障,该模型诊断准确率可达 99. 46%,对于实测故障,该模型可全部诊断识别 待测样本;由此表明提出的 GA-BRBPNN 优化模型诊断效果好,具有较高实用价值。     

基于PSO-GRNN和D-S证据理论的电网分区故障诊断

针对大电网中保护和断路器误动、拒动、信息丢失等不确定的电网故障信息以及现有电网分区方法的不足,提出了基于粒子群优化广义回归神经网络（PSO-GRNN）和D-S证据理论的电网分区故障诊断方法。首先,通过改进图形分割法将大电网划分为相互重叠的不同区域,降低故障诊断难度。然后在各个区域建立PSO-GRNN诊断模块,根据故障警报信息,并行完成各自的故障诊断任务。最后,采用D-S证据理论对相邻区域的重叠区域进行分析,以实现对重叠区域的综合故障诊断。仿真结果表明,该方法能有效识别非重叠区域和重叠区域的故障,容错能力强,诊断准确率高。     

特征优化和模糊理论在变压器故障诊断中的应用

针对变压器故障特征与故障类型关系模糊造成的三比值法编码缺失、临界值判据缺损以及同时发生的多种故障难以区分问题,提出了基于特征优化和模糊理论的变压器故障诊断方法。将测量空间中的每种故障数据分别通过高斯核函数映射至希尔伯特空间,利用主成分分析法提取主元,以主元张成的特征子空间作为最优故障特征,据此构造该种故障下的故障测度隶属度函数,根据最大隶属度原则判断故障类型。特征子空间既保留了测量空间的故障特征,同时根据核理论维度拓展特点,又能生成更有效度量故障的新特征,从而建立最优故障特征与故障类型的一一对应关系。实例分析表明,该方法的准确率高,能够弥补三比值法的不足。通过比较故障数据对于每种故障的隶属度,能够获知诊断结果的可靠性,当多种故障同时发生时,诊断结果能够为维修人员提供有益参考。