基于蚁群算法的容错RBF-NN诊断模型性能评估

文中构造了基于蚁群优化算法(ant colony optimization algorithm,ACOA)的容错径向基函数神经网络(radial basis function neural network,RBF-NN)故障诊断模型,它具有强逼近能力,采用ACOA优化NN可进一步改善泛化性能。该文又考虑了把故障信息受随机因素干扰而产生的变异故障样本加入NN的训练样本集中,以提高NN的容错性能。将该模型用于高压输电线系统和配电网故障诊断,并作容错性能的评估。由仿真测试表明,研究模型的容错性能要优于传统的BP-NN和GA-NN诊断模型。     

基于信息熵与DS证据理论的电网故障诊断方法

为解决传统故障诊断方法在准确性、完备性和容错性等方面的不足,在分析电气量信息特征的基础上,将信息熵理论应用于电力系统故障诊断,得到了故障度熵和Hilbert边际谱熵两类指标,结合DS证据融合理论综合表述电网元件的故障支持度。算例表明,该方法能提高对故障诊断结果的支持度以及故障诊断的准确性与容错性,为基于信息融合原理的故障诊断方法提供了一种有效的信息源。     

基于二进制群智能算法的输电网故障诊断方法

为保证电网故障诊断的准确性与实时性,将二进制粒子群算法(BPSO)和二进制蚁群算法(BACA)引入到电网故障诊断优化模型的求解中,并与遗传算法作了对比分析.对单一故障、多重故障、保护非逻辑性动作、信息丢失等不同故障信息条件下的故障案例进行了仿真.仿真结果表明二进制群智能算法在收敛速度和优化结果方面显著优于GA,同时验证了提出的电网故障诊断方法具有诊断准确和容错性好等优点.     

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．     

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型.与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归.采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力.对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度.     

消费者个体采用决策的企业新产品扩散策略研究

在研究了传统的创新扩散模型上,提出了从微观层面构建的扩散模型方法。解决了Bass模型族作为宏观扩散模型无法和企业微观营销策略很好地结合的缺点,以消费者行为理论为基础,同时考虑了个体消费者微观决策的差异性,大大加强了这项研究的科学性。     

基于RBFNN的高压输电线路故障诊断

本文在对电力系统故障诊断方法进行分析的基础上,利用径向基函数(Radial Basis Function-RBF)网络适合于求解模式识别问题的优势,提出了应用RBF神经网络(简称RBFNN)来实现高压输电线路的故障诊断,建造了基于RBFNN的高压输电线路故障诊断模型结构,并且给出了确定RBF网络最佳聚类数的标准.仿真分析及容错性测试结果表明,本文所提方法能有效地实现高压输电线路系统的故障诊断,而且在网络的训练速度以及对因干扰而畸变的输入信息情况的容错能力方面都优于传统的BP神经网络,对实时信息处理系统具有一定的适用性.     

基于二进制群智能算法的输电网故障诊断方法

为保证电网故障诊断的准确性与实时性,将二进制粒子群算法（BPSO）和二进制蚁群算法（BACA）引入到电网故障诊断优化模型的求解中,并与遗传算法作了对比分析。对单一故障、多重故障、保护非逻辑性动作、信息丢失等不同故障信息条件下的故障案例进行了仿真。仿真结果表明二进制群智能算法在收敛速度和优化结果方面显著优于GA,同时验证了提出的电网故障诊断方法具有诊断准确和容错性好等优点。     

基于事件序列数据挖掘原理的高压输电线系统故障诊断:(二）仿真和容错性能分析

在基于事件序列(SOE)数据挖掘原理的故障诊断模型与方法的基础上,提出了将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统(HVTLS)故障诊断领域.分析了故障诊断模型中变异故障模式的种类及其对故障诊断策略的影响,阐述了基于SOE的数据挖掘HVTLS诊断模型和功能模块的构造.依据输电系统故障事件序列在时空特性的关联性,用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识,将诊断问题的求解转化为寻找与实时故障事件序列模式最相似的、运算操作代价最小的标准故障事件序列模式.以实现对变异事件序列模式中畸变事件的"复原"和纠错,从而确保故障诊断系统的高容错性.     

用HCM聚类算法RBF网络诊断输电线路故障

在分析高压输电线路故障诊断方法的基础上,利用径向基函数(RBF)网络适于求解模式识别问题的优势,建造了基于RBF网络的高压输电线路故障诊断模型结构,来实现高压输电线路的故障诊断。同时采用基于优化原理的HCM算法实现聚类过程,来确定RBF网络的隐含层节点数,使网络的利用效率较高。仿真分析及容错性测试结果表明,该法能有效地实现高压输电线路系统的故障诊断,且在网络的训练速度及对畸变输入信息的容错能力方面都优于传统的BP神经网络(BPNN),对实时信息处理系统有一定适用性。     

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络（NN)实用稳定性理论和对前馈神经网络(feed-forward neural network,NFF)容错性能（fault-tolerance performance,FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。     

基于遗传算法的配电网故障定位

将一个多变量等式约束条件隐含于开关函数中,基于遗传算法建立了改进的配电网故障定位数学模型。根据故障诊断理论中最小集的概念建立了环网开环运行配电网的故障定位统一数学模型,并运用广义分级的处理思想提高了运用该模型进行配电网故障定位时的效率。仿真实验验证了上述模型的正确性和有效性及该故障定位算法在配电网故障定位中的准确性和高容错性。     

反馈式Hopfield神经网络在输电线路故障诊断中的应用

本文提出采用容错性能较高的Ｈｏｐｆｉｅｌｄ联想记忆神经网络来完成输电线路的故障诊断,建造了实现该问题的ＮＮ模型结构,并提出采用基于投影原理的伪逆学习算法。     

基于人工神经网络的变压器励磁涌流的鉴别

研究了基于神经网络方法的电力变压器励磁涌流鉴别。对变压器励磁涌流及故障电流进行了数字仿真,比较了两者在物理特性上的区别。利用Matlab的人工工具箱,分别建立了BP和RBF神经网络模型,对励磁涌流和故障电流的样本进行训练及测试。结果表明,人工神经网络可以正确地区分励磁涌流和故障电流,RBF神经网络能更加快速、准确地判断出变压器的故障。     

基于遗传算法的电网故障诊断分析应用研究

提出了一种采用遗传算法和模拟退化算法的电网故障诊断数学模型，该模型把电力系统故障诊断问题表示为0—1整数规划问题。在此基础上用遗传算法的优化技术进行求解，使计算时间于故障的复杂程度无关，只与电路的规模大小有关，且可以求得多个全局最优解，能够很好地处理分析任意复杂的故障情况。     

基于故障电压比较与多信息融合的广域后备保护算法

为了提高广域后备保护系统的容错性,且使其在复杂工况下具有良好的动作性能,提出一种将故障电压比较和多信息融合相结合的广域后备保护算法。该算法利用本线路和相邻线路的保护动作值加权得到综合值,由其与故障门槛值的比值计算出对应的故障概率。同时利用相量测量单元(Phasor measurement unit,PMU)测得的线路一侧电压电流推算另一侧电压故障分量,以推算值与测量值的比值获得PMU数据对应的故障概率,将两种故障概率加权综合识别故障元件。该算法原理简洁,基于IEEE 4机8节点系统的算例结果表明,该算法在高阻接地、非全相运行再故障、故障转换等工况下具有良好的动作性能,多个保护拒动与误动时均能准确识别故障元件,有较高的容错性。     

配电网故障可观测的实现及馈线终端单元配置方法

定义了配电网的树形结构,确定了树形结构的存储方法及实现故障可观测的流程。建立了馈线终端单元(feeder terminal unit,FTU)优化配置模型,明确了FTU配置数目、布点位置对故障可观测的影响,并通过遗传算法求解FTU优化配置方案。配电网故障可观测及合理配置FTU可降低故障定位及隔离给用户带来的停电风险,IEEE 33节点仿真算例验证了文中模型及方法的有效性。     

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。