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。     

基于粗糙集理论的配电网故障诊断方法的研究

本文将粗糙集理论运用到配电网故障诊断中,将保护和断路器等信号作为对故障分类的条件属性集,以决策表为主要工具,通过属性约简和规则提取,实现了在信号缺失情况下配电网的故障诊断。通过算例表明,该方法能有效解决故障诊断中信号不完备的问题,提高配电网故障诊断的诊断性能和应用价值。     

基于粗糙集理论的配电网故障诊断方法的研究

本文将粗糙集理论运用到配电网故障诊断中,将保护和断路器等信号作为对故障分类的条件属性集,以决策表为主要工具,通过属性约简和规则提取,实现了在信号缺失情况下配电网的故障诊断.通过算例表明,该方法能有效解决故障诊断中信号不完备的问题,提高配电网故障诊断的诊断性能和应用价值.     

基于粗糙集与决策树的配电网故障诊断方法

针对配电网发生故障后故障诊断警报信息存在不确定性和不完整性导致难以得出准确诊断结果的问题,提出一种基于粗糙集与决策树的配电网故障诊断算法,实现了对故障样本决策表进行无教师的规则提取。该算法将配电网的原始样本集转化成决策表,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;将产生的规则运用于配电网故障诊断中以实现快速故障诊断。该算法提高了配电网故障诊断的精度和鲁棒性,最后通过算例验证了该算法的有效性。     

一种基于粗糙集理论的电力系统故障诊断和警报处理新方法

尝试应用粗糙集理论来处理因保护装置和断路器误动作、信号传输误码而造成的错误不完整警报信号。提出的方法以决策表徐为主要工具,直接从故障样本集中导出诊断规则,并揭示了警报信息内在冗余性,算例结果表明了该方法的有效性。     

粗糙集结合Petri网进行分区域并行推理的配电网故障诊断方法研究

针对配电网规模庞大且发生故障后警报信息存在不确定性和不完整性的问题,提出了一种粗糙集结合Petri网进行分区域并行推理的配电网故障诊断方法。该方法先将配电网划分为多个独立的区域,对于各个区域分别建立故障决策表,再利用粗糙集对决策表进行属性优选和诊断规则提取,最后构建Petri网模型,通过Petri网的并行推理实现故障诊断。诊断实例证明了该方法不仅诊断快速准确,而且容错能力强、适应性好、灵活性高。     

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。     

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。     

多因素分级Petri网配电故障诊断方法

针对采用概率方法进行故障诊断易造成调度操作风险大的问题,提出一种配电网故障诊断的多因素分级Petri网模型,主要解决断路器或保护拒动、误动等故障信息不确定情况下的故障问题。该方法充分考虑了保护启动信息、保护出口信息、重合闸动作信息、断路器动作信息、事件顺序记录(sequence of event,SOE)时序信息以及连续电气量,实现故障信息不确定情况下的电网故障诊断。当电网故障存在信息不确定情况时,首先将连续电气量和SOE时序信息作为该模型的一级诊断区的输入,然后通过将连续电气量的故障时刻与SOE时序的故障时刻进行比较,根据比较结果判断并激发托肯能量变化的推理过程,给出存在信息不确定的情况下电网故障诊断结果。最后,针对某局部配电网模型进行了仿真验证,结果表明了该方法的有效性。     

电力系统故障诊断的机会约束规划模型与方法

以现有的电力系统故障诊断解析模型为基础,引入机会约束规划来处理故障诊断过程中可能出现的保护/断路器拒动或误动、警报漏报或误报等不确定情况,提出了电力系统故障诊断的机会约束规划模型与方法,并采用基于蒙特卡洛仿真的遗传算法进行求解。该模型充分考虑了诊断过程中不确定性因素出现的可能性,能够适当处理保护/断路器拒动或误动、警报漏报或误报等情况,具有较强的容错能力。最后,用实际电力系统发生过的故障案例对所发展的解析模型和方法进行了仿真测试,得到了与实际故障情况一致的结果,且计算速度满足在线应用的要求。     

On-line fault diagnosis of power substation using connectionistexpert system

This paper proposes a new connectionist (or neural network) expert system for the online fault diagnosis of a power substation. The connectionist expert diagnosis system has similar profile to an expert system, but can be constructed much more easily from elemental samples. These samples associate the faults with their protective relays and breakers as well as the bus voltages and feeder currents. Through an elaborately designed structure, alarm signals are processed by different connectionist models. The output of the connectionist models is then integrated to provide fine final conclusion with a confidence level. The proposed approach has been practically verified by testing on a typical Taiwan Power (Taipower) secondary substation. The test results show that rapid and exactly correct diagnosis is obtained even for fault conditions involving multiple faults or failure operation of protective relays and circuit breakers. Moreover, the system can be transplanted into various substations with little additional implementation effort     

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.     

基于加权模糊时序Petri网络的电网故障诊断模型

提出了一种基于加权模糊时序Petri网络(FTPN)的电网故障智能诊断模型,该模型主要包括停电区域识别、可能故障元件加权FTPN建模、故障元件集求解、保护/断路器动作情况判定4个部分。介绍了故障差错告警差错信息的分类以及故障告警信息时序特性,研究了断路器动作信息及网络拓扑关系,结合广度优先搜索,得到了停电区域识别方法。最后,以新英格兰10机39节点系统为例,建立了母线和线路加权FTPN故障诊断数学模型,并给出该系统的总体结构,结果表明该模型能够快速故障定位,准确提供保护和断路器动作评价信息。     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性。该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断。通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位。与规则表示相比,决策树直观、易于理解、维护和修改。     

基于贝叶斯网络的电网故障诊断

针对电网故障诊断中存在的信息具有不确定性的问题,依据元件故障、保护动作和断路器跳闸之间的内在逻辑关系,由Noisy-Or和Noisy-And节点组成贝叶斯网络和采用类似训练多层前馈神经网络的误差反传算法进行诊断模型的参数学习,分别建立了线路、变压器和母线的通用故障诊断模型;依据元件-保护-断路器间的关联关系,给出了元件诊断贝叶斯网络的自动生成方法,最后对各个元件的诊断网络进行推理,以获得元件的故障概率值。实例仿真表明了该诊断方法的可行性和有效性,无论简单故障或多重故障,并且存在保护和断路器拒动、误动的情况下,都能得到合理有效的诊断结果。     

A new neural networks approach to on-line fault section estimationusing information of protective relays and circuit breakers

This paper proposes a new neural network diagnostic system for online power system fault section estimation using information of relays and circuit breakers. This system has a similar profile of an expert system, but can be constructed much more easily from elemental samples. These samples associate fault section with its primary, local and/or remote protective relays and breakers. The diagnostic system can be applicable to the power system control center for single or multiple fault sections estimation, even in the cases of failure operation of relays and breakers, or error-existent data transmission. The proposed approach has been practically verified by testing on a model power system. The test results, although preliminary, suggest this system can be implemented by various electric utilities with relatively low customization effort     

计及警报信息时序特性的电网故障诊断解析模型

现有的故障诊断解析模型没有利用警报信息的时序特性,对于复杂的多重故障,诊断结果可能有2个甚至多个解,不够明确。文中通过提出动态关联路径的概念,构造了能够充分利用警报信息时序特性的电力系统故障诊断的一种新解析模型,能够合理地描述现代电力系统多种保护配置下保护和断路器的动作时序关系,对于复杂故障可以得到更为明确的诊断结果。最后用实际电力系统所发生过的故障对所提出的方法进行了说明。     

基于多传感器振动信号融合的真空断路器故障诊断

根据真空断路器故障诊断特点,提出了小波包、RBF神经网络与D-S证据理论相结合的决策层信息融合诊断方法。首先,运用小波包—能量谱分析方法对振动信号进行分解处理,提取特征向量,并以此作为诊断的依据;其次,建立神经网络模型,以特征向量为RBF神经网络的输入,进行断路器初步故障诊断;然后将诊断结果作为对各种故障模式的基本概率分配值,利用D-S证据理论,实现对初步诊断结果的融合,从而得到最终的融合诊断结果。实验结果表明,该方法诊断真空断路器故障能取得良好的效果。     

能谱熵向量法及粒子群优化的RBF神经网络在高压断路器机械故障诊断中的应用

高压真空断路器是电力系统开关设备中极其重要的一种高压电器,而高压断路器故障中80%是由于机械特性不良造成,为此通过小波包变换对高压断路器机械振动信号进行了分析,以信号的能谱熵作为特征输入向量,建立了粒子群优化(PSO)径向基函数(RBF)神经网络的高压断路器故障识别系统模型,最后对实际高压断路器振动信号进行获取分析并得到结果。实验结果表明,高压断路器正常信号能谱熵向量各元素分布比较均匀;而故障信号所得能谱熵向量各元素变化较大且有一定变化规律;粒子群优化后的RBF网络模型在正确率、精度等方面高于传统神经网络模型。实验结果表明该方法用于高压断路器的故障诊断是可行的,并且可以为断路器的故障诊断提供更好的理论依据。