基于粗集理论的小电流接地系统故障选线研究

针对小电流接地系统中单相接地故障选线困难的问题，提出了一种基于粗集理论的故障选线新方法.在分析小电流接地系统线路零序电流故障特征的基础上，将基于粗集理论的信息融合技术引入故障选线系统.将利用小波分析方法、零序有功分量方法和五次谐波方法提取的故障特征作为条件属性，线路的故障状态作为决策属性.通过对信息系统的约简，得到最小决策规则，该规则即可实现故障选线.仿真结果表明，该方法正确、有效.     

小电流接地系统故障选线的暂态零序电流变化率方法

分析了小电流接地系统发生单相接地故障时暂态零序电流的特点,给出了利用故障线路与非故障线路暂态零序电流变化率差异的选线判据,提出了小电流接地系统故障选线的暂态零序电流变化率方法.该方法不受系统中性点接地方式、电压初相角、过渡电阻的影响,故障判别准确,选线灵敏度高,算法简单,实用性强.最后用Matlab中建立的小电流接地系统仿真模型验证了该方法的有效性.     

小电流接地系统故障仿真分析与研究

针对小电流接地系统单相接地故障接地选线困难的问题,通过理论分析、仿真研究和大量10 kV模拟实验验证,深入研究了该型故障的特征,着重研究了电弧接地故障时暂态零序测量电流的特征,以及故障线路与非故障线路暂态零序测量电流之间的关系。为了提取配电网单相接地故障选线和故障测距的暂态故障特征量,基于ATP仿真系统软件,搭建了小电流接地系统的配电网络仿真模型并综合考虑不同短路时刻和不同接地电弧电阻两个因素,对配电网小电流接地系统的单相接地故障进行了大量仿真。这些暂态特性可为研究基于单相接地故障暂态分析的接地选线方法提供理论依据。     

利用零序暂态电荷识别单相接地故障线路的研究

小电流接地系统单相接地故障选线问题一直没有得到很好解决，针对主变中性点不接地系统提出利用零序暂态电荷实现正确选线的新原理，即检测故障线路和健全线路在一个周期内流过的零序暂态电荷，故障线路零序暂态电荷最多，比较零序暂态电荷的多少就能识别故障线路。该原理与利用零序基波电流选线比较，能够容易、准确地获得故障信息，有利于提高选线准确率和微机选线装置的开发。     

基于零序电流特性的中性点灵活接地系统的故障选线方法

在配电网小电流接地系统中,当发生单相接地故障时线路零序电流信号十分微弱,尤其是高阻接地故障时难以进行准确选线。文中提出了基于新型中性点灵活接地的配电网故障选线新方案,该选线方法在发生单相故障时通过高速电力电子开关在中性点投入小电阻接地支路,将小电流接地系统供电可靠性和大电流接地系统信号明显等优点结合起来,利用零序电流幅值以及并入小电阻前后零序电流相位差的变化作为判据,有效解决了在高阻接地情况下选线不理想的现状,实现配电网故障准确选线。利用PSCAD/EMTDC仿真环境对配电网进行单相接地故障模拟,仿真结果表明在不同故障情况下所提方案具有良好的可靠性和有效性。     

小电流接地系统故障选线分析

小电流接地系统的安全运行对配电网来说是很重要的,它的故障选线问题是关键.在配电网不同的运行方式下,分析了小电流接地系统的稳态故障特征,并对零序电流比幅比相法和五次谐波选线法,进行了仿真.仿真结果表明,在不同运行方式下2种方法可进行互补,可准确、快速地选线,但受到接地电阻和线路长短的影响,且零序电流也受到消弧线圈补偿作用的影响.     

基于概率神经网络的配电网接地故障选线方法

针对小电流接地系统单相接地故障,提出一种基于概率神经网络的配电网接地故障选线方法。采集每条线路在单相接地故障发生时的零序电流暂态信号(一个周波,故障前1/4个周波和故障后3/4个周波),运用db10小波序列进行5层小波包分解。提取零序电流小波能量并将其输入到PNN网络,实现故障线路自动识别。并给出故障选线小波包分解算法和PNN算法的具体步骤,可直接用计算机编程实现。运用Matlab软件对中性点不接地系统和中性点经消弧线圈接地系统均进行了仿真,验证了该方法的可行性与准确性。     

基于VMD和FCM的配电网单相接地故障选线

为了准确识别出小电流接地系统的单相接地故障线路,提出基于VMD与模糊C均值聚类理论相结合的新故障选线方法。当系统发生单相接地故障时,故障和非故障相线路的零序暂态电流会有差异,由此可用VMD电流数据进行分析,提取主要频带信号和能量熵,用FCM算法对能量熵聚类将其分为故障信号类和非故障信号类,从而识别出故障线路。通过仿真证明了此方法选线结果准确、可靠。     

基于暂态电流极性的小电流接地系统故障选线装置

根据均匀传输线路的频率特性,对于空载线路,当频率小于fm时,线路输入阻抗呈容性,线路可用一集中电容等效.小电流接地系统发生单相接地故障时,对零序分量来讲,非故障线路相当于空载.根据这一特点,对小电流接地系统中线路的零序参数相频特性进行研究,得出系统发生单相接地故障时不同频带上暂态零序电流特性.在选定频带(Selected Frequency Band,SFB)内,非故障线路零序电流极性和故障线路相反.应用小波包对各线路的暂态零序电流进行分解,小波包系数的符号代表了相应频带零序电流的极性,通过比较SFB内小波包系数的符号,便可找出故障线路.RTDS(Real Time Digital Simulator)试验结果表明此方法可以准确地实现单相故障选线.     

油田电力系统小电流单相接地故障选线研究

在小电流接地系统中,迅速判定单相接地故障线路是实现配电网保护的关键问题。在分析研究现有故障选线方法的基础上,提出了利用零序全电流的大小和方向进行故障选线的方法。在此研究的基础上,提出了利用零序暂态电荷实现故障选线的新方法,此方法适用于主变中性点经消弧线圈接地系统。经计算机仿真验证,此方法具有选线准确率高、利于微机选线装置实现的优点。     

变精度粗糙集与神经网络在故障诊断中的应用

针对标准的粗糙集理论不能很好地处理带有噪声的数据,而故障诊断信息中难以避免地存在噪声数据,对此,提出了SOM网络-变精度粗糙集-RBF神经网络的故障诊断方法：首先应用SOM网络对故障诊断数据中的连续属性值进行离散化,然后利用变精度粗糙集理论的属性依赖度进行启发式约简,据此得到最优决策系统,最后在最优决策系统的基础上设计RBF神经网络进行故障诊断。实例验证了该方法的可行性,且故障诊断正确率高。     

基于改进粗糙集理论与概率神经网络的变压器故障诊断研究

提出了一种基于改进粗糙集理论与概率神经网络的变压器故障综合诊断方法.利用了粗糙集理论的决策表约简技术,去除冗余信息,并引入可辨识矩阵,更加快速地去除故障冗余属性,减小了约简过程的复杂度.将得到的最小决策表作为改进的概率神经网络的训练样本,提高了PNN的训练速度和诊断的准确率.实例证明,该模型不仅能在信息不完备的情况下进行有效诊断,而且可以提高诊断速率及正判率.     

访问控制中基于粗糙集的授权规则知识发现

为实现访问控制中客体对主体预授权的准确和及时,针对基于信任的访问控制信任和权限的映射问题,将成功交互的实体授权信息作为用于知识发现的数据决策信息表,结合访问控制的授权规则,提出了一种基于粗糙集的授权规则知识发现方法,实现授权规则中的属性约简、知识决策规则的提取.最后,通过算例分析验证了基于粗糙集的授权规则知识发现方法的有效性.     

粗糙集数据分析系统的程序实现

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。首先简述基于粗糙集方法的数据分析系统的基本构成,分析了粗糙集中连续属性离散化的方法,实现了连续属性数据进行数据离散化。围绕不可区分关系和相对正区域两个核心概念,通过知识之间的依赖程度,提出了粗糙集数据分析的算法,通过比较属性约简的数目,选择最少属性数量的约简结果。得到了求取相对核、上(下)近似集、等价关系、相对重要度、属性相对约简、范畴相对约简、最小决策规则等的各种算法的程序实现。给出了利用MATLAB实现该系统约简化、核及最小决策规则的程序。最后给出实际工程系统的程序运行结果,对滚动轴承故障诊断的仿真实例表明,该方法简化了诊断规则,得到较高的故障诊断正确率。对推动粗糙集理论在具体实践中应用具有实际意义。     

基于粗糙集配电网故障定位系统

针对配电网复杂线路,根据故障投诉电话信息构建的故障定位决策表,运用粗糙集理论对决策表进行化简,导出配电网故障定位规则的最小约简形式,揭示故障投诉电话信息内在的冗余性,同时,也能解决故障投诉电话信息不完备情况下的故障定位问题.通过仿真算例表明,该方法简单、可行、定位快速、准确.     

基于粗糙集和神经网络的机械故障诊断研究

提出了粗糙集理论与神经网络结合的机械故障诊断方法,研究了连续属性离散化的SOM方法和条件属性约简的差别矩阵方法,归纳了构建神经网络需考虑的关键问题,用一个算例验证了方法的有效性.结果表明：粗糙集能有效地约简冗余信息,简化神经网络的结构,缩短网络的训练时间,提高诊断的效率;SOM网络能将连续性输入映射成具有理想聚类结果的离散性输出,并能保持数据间的拓扑结构不变;利用差别矩阵对决策表进行约简,结果准确可靠;BP神经网络泛函逼近能力强,能快速准确地完成特征空间到故障空间的映射.     

农村配电网故障定位方法的研究

文章提出了运用粗糙集理论实现农村配电网故障定位的方法。该方法根据配电网拓扑结构利用各用户区故障投诉信息作为条件属性、故障元件作为决策属性,形成故障决策表,并以此决策表为主要工具,然后利用粗糙集方法对决策表进行属性约简和值约简,导出故障决策表的最小约简形式,获得最小诊断规则,保证了规则的客观性,而且在故障投诉电话信息不完备的情况下,仍能达到快速、准确故障定位的目的,具有良好的容错性能。算例表明该方法简单、可行、有效。     

粗糙集神经网络系统在车牌字符识别中的研究

以简化信息处理的复杂性并提高信息处理精度为目标,提出了基于粗糙集神经网络系统的车牌字符识别方法.提取训练样本的特征向量建立决策表,基于粗糙集理论对决策表属性进行约简,由约简后的属性构造神经网络识别器.车牌字符识别试验结果验证了系统的有效性.     

一种多属性和准则定序分类模型

针对经典粗糙集理论在解决定性属性、定量属性以及准则属性同时出现的定序分类问题时能力较弱的这种情况,对经典粗糙集理论进行扩展,并给出了一个基于扩展粗糙集的决策分析方法.该方法使用"不可区分-相似-优势"关系来代替经典粗糙集理论中的不可区分关系来获取知识的粗糙近似.实例验证表明该方法不但能够解决上述问题而且还能处理决策表中可能存在的不一致现象,具有较好的有效性与优越性.