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。     

基于多变量决策树与粗糙集的配电网故障诊断

采用多变量决策树方法对配电网故障进行分类;运用粗糙集理论对故障特征进行提取,构造了多变量决策树;利用粗糙集具有较强的处理不确定和不完备信息的能力,对决策表的条件属性进行约简处理;同时,利用决策树具有快速学习及分类的优势对约简后的决策表进行诊断规则提取。最后用实际的配电网模型对该方法进行了验证。     

基于模型的配电网故障诊断关键问题研究

现有配电网故障诊断方法主要是根据故障后保护装置产生的报警信息,断路器的状态变化信息来推断可能故障位置和类型,属于后验故障诊断方法。基于模型诊断方法(Model-based diagnosis, MBD )则直接利用电压电流等量测量来判断故障元件,可以在保护装置和断路器动作前进行故障定位,具有一定的故障预警功能。给出一个完整的基于模型的配电网诊断方案,采用优化的离散二进制粒子群算法（BPSO, Binary Particle Swarm Optimization）求取冲突集的最小碰集,诊断识别过程中以贝叶斯后验概率形式量化了候选诊断的衡量标准,从而降低诊断过程中的不确定度。最后以某10 kV配电网为诊断实例,通过实际建模、编程和实验,取得了良好的效果。     

基于故障投诉电话信息的配电网故障诊断方法

运用模糊集理论实现配电网故障定位,根据配电网的拓扑结构,提出实现网络自动分层的方法,再在获得足够故障投诉电话信息的前提下,利用模糊集理论实现故障定位。详细介绍了网络的自动分层原理及其算法、故障定位中基于投诉信息的模糊集原理与应用示例。运用VB 5.0及MS Access 实现了配电网的故障诊断应用程序,对实际配电网的大量仿真表明,该方法简单、有效。     

基于改进遗传算法的配电网故障诊断

针对传统配电网故障诊断系统的不足，提出基于改进GA的配电网故障诊断方法．提出节点表示配电网络的模型描述方法，将配电网基本组成元件归纳为进线断路器、开关和线路3类．在实现拓扑分区的基础上，深入研究适应度函数和遗传算子及参数等的改进．仿真实验表明该方法的有效性和高容错性．     

基于粗糙集理论的配电网故障风险评估

为了避免或减少由于配电网故障引起的停电损失,提出了一种基于粗糙集理论的配电网故障风险评估方法。根据配电网历史故障风险情况和专家经验,将各种故障时的全部可预知风险评估指标和相应的风险等级数据组成一个原始数据表,利用粗糙集理论的属性约简和属性值约简功能对该数据表约简,得到最小规则集,即为最终的配电网故障风险评估模型。实例分析结果表明,该方法能够准确地在线预测配电网故障风险等级,对于提高供电可靠性和电能质量具有重要作用。     

基于神经网络模式的配电网故障定位

统一矩阵故障定位法在信息畸变模式下可能会造成误判;遗传算法则存在目标函数构造瓶颈问题。基于新型神经网络模式的配电网故障定位方法利用了FTU的特征量实现故障定位,具有一定的容错能力。仿真结果证明了该方法的有效性。     

基于粗糙集理论的配电网故障诊断研究

鉴于粗糙集理论在处理不精确问题时,不需要提供待求解问题所需处理的数据集合之处的任何先验信息,运用粗糙集理论研究了因保护装置和断路器误动或拒动,通信装置的故障等原因造成的不完备警报信号模式下的配网故障诊断新方法。该方法把保护和断路器的信号作为对故障分类的条件属性集,考虑了各种可能发生的故障情况,以此建立决策表,然后实现决策表的自动化简和约简的搜索并利用决策表的约简形式,区分关键信号和非关键信号,直接从故障样本集中导出诊断规则,从而达到在不完备警报模式下快速准确地故障诊断的目的,揭示了警信息集合内在的冗余性。该文以VB6．0为主界面,运用Visual C 语言编程实现对故障区域的诊断,通过实际配电网的大量仿真表明：该方法简单,有效,具有良好的容错性能。     

基于模糊集理论的配电网故障定位研究

配电网出现故障如能尽快定位对于减少用户的停电时间有重要作用。研究了利用故障电话的信息和模糊集理论来进行故障定位的方法,提出了一种解决方法,并给出了算例进行分析,证明其可行性。     

智能配电网故障定位系统的设计与实现

探讨人工智能算法在配电网故障定位中的应用,重点阐述粗糙集理论、神经网络人工智能算法在故障判断和定位中的处理过程。使用粗糙集理论在处理不确定信息方面提出的算法处理配电网自动化采集的海量信息,过滤故障定位所需的故障判断数据,在此基础上结合神经网络拓扑实现对配电网故障的快速准确定位。     

基于遗传算法的配电网故障定位和隔离

目前配网的故障定位和隔离采用故障电流分析方法,在实时信息序列中存在畸变信息时有可能错判或误判。本提出基于遗传算法的配电网故障定位和隔离,能进行全局寻优求解,并通过对实时信息进行０、１编码和构造评价函数实现寻优。当这时信息中出现畸变信息时,能自动纠错和进行准确的故障定位,并具有高容错性能。仿真结果证明了该方法的有效性。     

汽轮发电机组振动故障诊断的粗糙集模型

在机械故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题。文中提出了一种基于粗糙集理论的汽轮发电机组振动故障诊断模型。该模型从包含冗余和不一致信息的原始数据出发,利用遗传算法实现了故障征兆属性约简;然后通过给出的值约简算法进一步产生了带有置信度和覆盖度的最大广义决策规则集,建立了用于故障诊断的规则库。在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据提出的规则进行综合评价,并得出诊断结论。最后给出了该诊断模型的一般结构。     

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.     

基于粗糙集理论的电力设备故障诊断方法

电力设备的故障诊断可以看成一个模式分类问题,每一个电力设备故障对应一组特征集。笔者提出了根据电力设备故障案例的故障状况和故障的相关检测参数,建立故障诊断决策表(即“知识库”),并以决策表为主要工具,采用粗糙集理论方法,直接从故障样本集中导出诊断规则,为电力设备提供有效的故障诊断。采用这一方法,在通过信息网络实现远程诊断等过程中,在用户所获取的故障参数信息数据不完备的情况下,有可能为电力设备故障诊断服务提供一条新途径。     

基于神经网络的模拟电路故障诊断法

基于反传神经网络,本文提出了一种模拟电路故障诊断的新方法。这一方法较好地解决了单一硬故障字典法在计算机内存和速度要求以及处理容差和噪声方面存在的问题,为模拟电路的故障诊断在线应用提供了一种新的可行途径。     

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。     

基于油中溶解气体分析数据挖掘的变压器绝缘故障诊断

充分利用粗糙集理论对知识的约简能力与模糊径向基函数(RBF)神经网络优良的分类诊断能力,基于粗糙集与RBF网络实现数据挖掘的电力变压器绝缘故障诊断。该方法一方面将粗糙集作为RBF神经网络的前置,对经离散化的样本集进行约简,形成精简的规则集,将高于一定可信度的挖掘规则用于电力变压器故障诊断;另一方面,将粗糙集挖掘的低于可信度要求的规则所对应的挖掘样本,作为模糊RBF神经网络的训练样本集,同时将粗糙集对这些样本的聚类结果作为模糊RBF神经网络的聚类因子,在此基础上构建改进的4层RBF神经网络,用来诊断不能用粗糙集挖掘的规则诊断的事例。经检验,系统具有较好的分类诊断能力。     

基于粗糙集理论和朴素贝叶斯分类算法的汽轮发电机振动故障诊断

汽轮发电机组结构及振动的复杂性使其故障具有多层次性和随机性,以及故障信息不完整性等特点。对此,提出了一种基于粗糙集理论与朴素贝叶斯分类算法的汽轮发电机组振动故障诊断方法。通过粗糙集理论求取最小属性约简集,并在此基础上利用朴素贝叶斯分类算法诊断出故障概率最大的区,最后针对具体的故障设定值对该方法进行验证。实际算例结果表明,该方法能在故障信息不完整甚至丢失核心属性的情况下得到较好的诊断结果,提高了系统诊断的容错性。