基于遗传算法的电力系统故障诊断的解析模型与方？…

介绍了应用本文前两部分描述的故障诊断方法与实现的软件于浙江电力系统时，ＥＭＳ信息的获取方法以及模拟在线故障诊断的测试结果。     

基于遗传算法的电力系统故障诊断的解析模型与方法：第二：软件实现

在本文第一部分所发展的故障诊断的解析模型与方法的基础上,首先提出了由计算机自动形成故障 断的目标函数的方法,这是实现电力系统在线故障诊断所必需的。     

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。     

基于遗传算法的电力系统分层信息故障诊断方法

分层信息是指在不失信息的完整性和可靠性的基础上 ,把采集信息按目前电力系统通讯规约在时间优先级的规定划分为遥信变位 ,遥测 ,录波三层。在简要说明故障诊断的必要性后 ,说明了采用分层信息和遗传算法的优点 ,论述了基于GA的分层信息故障诊断方法的流程。通过模型系统的算例 ,表明所提出的方法十分有效。     

基于遗传算法的电力系统分层信息故障诊断方法

分层信息是指在不失信息的完整性和可靠性的基础上,把采集信息按目前电力系统通讯规约在时间优先级的规定划分为遥信变位,遥测,录波三层.在简要说明故障诊断的必要性后,说明了采用分层信息和遗传算法的优点,论述了基于GA的分层信息故障诊断方法的流程.通过模型系统的算例,表明所提出的方法十分有效.     

基于粗糙集和小生境遗传算法的电网故障诊断规则提取

用粗糙集理论进行电网的故障诊断,关键是对知识表的约简.本文以粗糙集理论中的决策表为主要工具,首先将继电保护和断路器的动作信号作为对故障分类的条件属性集,故障区域作为对故障分类的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出诊断规则.算例结果说明了本算法的正确性和可行性.     

基于正反向推理的电力系统故障诊断

介绍了一种基于正反向推理的电力系统故障诊断方法。该方法首先根据跳闸断路 器提出故障假说,然后根 据断路器和继电保护的动作信息逐一检验假说的正确性,最后给出 故障设备或故障范围。该方法可以诊断 输电线路、母线、变压器和发电机设备的故障及继电 保护和断路器的非正确动作。文中详细介绍了采用的 推理规则及在复杂情况下计算故障可信 度的方法。对山西电网实际故障事例的测试结果表明,该方法是有 效的。     

应用贝叶斯网络模型的电力系统故障诊断

遗传算法应用于电力系统故障诊断的一个难题是如何建立合理的数学模型。针对这一难题,建立了基于元件的贝叶斯网络故障诊断模型,并通过一定的推理规则,根据贝叶斯网络形成遗传算法的目标函数,用遗传算法进行优化求解。在应用遗传算法时,对传统算法进行了一系列的改进,改善了算法的收敛性能,提出了在迭代过程中推测不完备信息的方法,增强了算法对于大量不完备保护信息的处理能力。大量算例表明了所述方法的合理性和实用性。     

基于模拟进化理论的电力系统的故障诊断

本文提出了利用基于模拟分子进化（ＳｉｍｕｌａｔｅｄＭｏｌｅｃｕｌａｒＥｖｏｌｕｔｉｏｎ──ＳＭＥ）的优化方法诊断电力系统故障的新方法。电力系统故障诊断问题可表示为０－１整数规划问题，利用ＳＭＥ方法可一次得到几个可能的解，这对于诊断复杂的电力系统故障（尤其是有保护或断路器误动作的情况）具有实际意义。这种方法可以同时利用保护和断路器的信息，改进后也可以只利用断路器的信息，适用范围较广。此外，ＳＭＥ方法在适应能力方面优于现有的基于Ｂｏｌｔｚｍａｎｎ机的方法，可以处理任意多重故障，且适于用并行处理机实现。     

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。     

基于改进遗传模拟退火算法的电网无功优化

电网无功优化问题是一个多变量、多约束的混合非线性规划问题,其操作变量既有连续变量又有离散变量,优化过程复杂繁琐.遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化搜索算法,可用于解决含有离散变量的复杂优化问题.针对传统遗传算法的收敛速度慢,易陷入局部最优解等缺陷,提出一种基于遗传模拟退火思想求解电力系统无功优化的新算法,并引入灵敏度分析,对基本遗传算法的编码、初始种群、适应度函数和交叉、变异策略等进行改进.使用本文算法对IEEE14节点进行优化计算,仿真结果证明了本文模型和算法的实用性、可靠性和优越性.     

基于改进遗传模拟退火算法的无功优化

针对目前电力系统无功优化算法所存在的问题,提出了一种将遗传算法与模拟退火算法及牛顿下山法相结合的混合求解算法。首先根据个体适应度值进行自适应交叉和变异操作并采用模拟退火进行个体更新,以便增加群的多样性,避免陷入局部最优;然后采用牛顿下山法加快模拟退火部分的求解过程,并采用十进制整数编码和保存最优个体法来提高计算速度和精度。以IEEE 30-bus系统和一某实际电力系统为例对所提出算法的性能和求解精度进行了测试,结果表明改进的混合遗传算法比传统的遗传算法在计算速度和全局收敛方面有了很大提高。     

应用于架空线路故障的并行退火单端测距算法

电弧闪络在架空输电线路故障中所占比例很高,而大多数的故障测距研究没有考虑到电弧的非线性特性,故提出一种应用于架空输电线路电弧故障的单端测距的算法。该算法用在工程界广为接受的M ayr模型为电弧建模,以计及故障电弧非线性特性引起的电压畸变,并且使用故障点电压积分值信息判断故障位置;在使用故障点电压特征信息基础上,将单端测距问题转化为优化问题,用并行退火算法快速有效地搜索出架空线路的故障点。仿真研究表明,该算法具有较高的测距精度。     

基于模拟退火算法的电力变压器优化设计

将模拟退火算法用于电力变压器优化设计问题的研究,介绍了算法实现过程中各种参数的选择方法并给出了具体算例。试算结果表明利用该算法得到的优化结果是令人满意的。     

一种锐化解空间的基于模拟退火的混合遗传算法

遗传算法是模仿自然界生物个体进化的机理发展而来的一类优化算法，近年来得到广泛的应用，模拟退火算法(Simuladated Annealing，简称SA)则是模仿另一种自然现象-固体退火原理的一类优化算法．分析了两种算法的优缺点，将两种算法进行混合，并引入一种锐化解空间的方法，提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足．     

改进遗传模拟退火算法在配电网络重构中的应用

对遗传模拟退火算法中的交叉、变异操作进行了改进,并实施了最优保留策略,形成了改进遗传模拟退火算法.以网损最小为目标函数,以配电网电压降的限制、线路电流量的限制等为约束条件,建立了配电网络重构优化模型.在考虑配电网自身特点的基础上,利用改进遗传模拟退火算法求解.重构算例说明,该优化方法有效、实用.     

基于SA-PSO的电力系统无功优化

粒子群优化算法是一种简便易行,收敛快速的演化计算方法。但该算法也存在收敛精度不高,易陷入局部极值的缺点。针对这些缺点,对原算法加以改进,引入了自适应的惯性系数和模拟退火算法的思想,提出了一种新的模拟退火粒子群优化(simulated annealing particle swarm optimization,SA-PSO)算法,并将其应用于电力系统无功优化。对IEEE14节点系统进行了仿真计算,并与PSO算法作了比较,结果表明SA-PSO算法全局收敛性能及收敛精度均较PSO算法有了较大提高。     

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...