基于粗糙集理论和信息融合的变电站故障诊断方法

由于变电站故障诊断信息中含有大量不确定、噪声数据，提出了利用粗糙集理论对大量的诊断征兆信息进行分类，从而获得简约的规则。然后从单个决策表中获得多个简约的决策规则集，再利用信息融合来综合这些简约的规则集进行故障的诊断，从而提高诊断的效率和准确性。从最后仿真比较的结果中可以看出该方法对含有噪声的数据也能获得较好的诊断准确率。     

采用神经网络和专家系统的变电站故障诊断系统

介绍了采用ANN和ES的变电站故障诊断系统，充分利用ES的推理能力和ANN的学习能力。系统首先采用ES对故障报警信息进行预处理，再用ANN方法确定故障情况，最后利用ES评价保护和开关的动作情况。ANN采用RBF网络，提高了训练速度和诊断能力；训练样本包括用ES自动生成基本故障样本，以及无确定规则的特殊样本，提高了系统管理样本的能力。本系统故障诊断快速，动作评价可靠，可减轻运行人员的工作量。     

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。     

基于粗糙集理论的变压器神经网络诊断方法

提出了一种既利用粗糙集理论对大量数据的分析挖掘能 ,又发挥了神经网络的精确分类和学习能力的变压器故障诊断方法 ,可有效诊断和分类变压器故障     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析(PCA)和粗糙集理论结合继而构建决策树的故障诊断方法.该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策.测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率.     

粗糙集、神经网络和专家系统模型用于电力系统故障诊断

针对电力系统变电所故障诊断系统中含有大量不确定信息和实时性要求高的特点,以电力系统变电所开关保护信息为基础,基于智能互不融合的思想,将粗糙集、神经网络和专家系统有机结合在一起,提出一种电力系统变电所故障诊断的新方法。首先在数据采集和预处理的基础上,利用混合聚类法对原始故障诊断样本进行离散化处理,然后利用粗糙集理论对样本决策表进行属性约简,删除冗余信息,得到能够覆盖原始数据特征的具有最小条件属性的相应学习样本集。再运用径向基函数(RBF)神经网络对故障诊断知识进行模式识别,并结合专家系统,利用其推理判断能力,对RBF神经网络的某些输出结果进行必要的修正。最后通过故障诊断实例,说明了方法的有效性。     

基于PCA和粗糙集构建决策树的变电站故障诊断

提出一种基于主元分析（PCA）和粗糙集理论结合继而构建决策树的故障诊断方法。该方法利用PCA对原始故障决策表的条件属性集进行降维处理,得到由主元变量构成的故障决策表,采用等频分割方法对这一决策表的数据离散化,进而采用基于主元属性重要度的粗糙集属性约简算法得到离散后的决策表的最小约简,以约简数据集为样本基于核属性采用一种改进的决策树算法训练学习,构建故障决策树进行诊断决策。测试实例证明了该方法能简化故障诊断系统,提取容错性较强的诊断规则,提高了故障的识别率。     

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。     

粗糙集和BP神经网络在变压器故障诊断中的应用

结合粗糙集和神经网络,运用Visual C++语言编程实现了对变压器的故障诊断.     

基于粗糙集理论的故障诊断决策规则提取方法

为了在故障诊断信息不一致的情况下提取简单有效的诊断规则，提出了一种基于粗糙集理论的决策规则提取方法。该方法从定义的故障诊断决策系统出发，将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集。在应用网络进行故障诊断时，用待诊实例的信息与网络中相应节点的诊断决策规则集进行匹配，即使在故障诊断信息不完备的情况下，也能得到正确的诊断结果。以某往复机械故障为例验证了该方法的有效性。     

基于多Agent联合的变电站故障诊断模型

本文提出了一个多Agent联合的变电站故障诊断模型，并给出了它的体系结构，对模型中的Agent进行了功能层次划分，分析了各功能Agent及其相互关系，讨论了Agent的协同工作策略，冲突消解和黑板调度问题，在该模型中，充分利用Internet有信息资源，采用多Agent在线对集中控制中心所管理的变电站进行故障识别与诊断，每个Agent代表一种智能知识体或智能处理方法，Agent在空间和时间上进行协作，同时采用综合评价Agent，给出对变电站及其设备的诊断与处理结果。     

基于故障群组合优化的变电站故障诊断

为处理好变电站故障诊断问题中故障源和故障征兆间因果关系的不确定性，提出了基于故障群组合优化的故障诊断方法。依据变电站运行方式和保护配置建立保护配合的Petri网模型，用该模型的状态转移方程获取所有的故障群-征兆群对子，创建故障群组合作为已知故障征兆诊断解的适应度函数，并用遗传算法搜索出最优诊断解。实验证明：该方法不仅能有效地辨识出故障源，而且能提供保护装置拒动、断路器拒动、信号传输错误等信息，对现场人员迅速确认故障设备非常有利。     

基于粗糙集理论与模糊Petri网络的油浸电力变压器综合故障诊断

电力变压器故障诊断因果关系的复杂性与模糊性，采用单一智能方法难以准确描述。文中基于智能互补融合的思想，将粗糙集理论与模糊Petri网络有机结合在一起进行油浸电力变压器故障诊断。利用粗糙集信息表简化技术来实现对专家知识的简化与故障特征的压缩，获得最小诊断规则，基于最小诊断规则的Petri网络模型可以有效降低网络结构的复杂性与故障特征获取的难度。同时利用模糊Petri网络实现并行模糊推理，便于描述故障特征的变化及对变压器运行特性的快速分析。故障实例分析表明，文中所提出的智能方法可以有效地进行模糊推理，减小诊断信息的冗余性，诊断效率高，计算快速、准确，结果易于被人理解。     

贝叶斯分类器与粗糙集相结合的变压器综合故障诊断

由于电力变压器故障诊断中的测试数据信息不完备、有偏差，且贝叶斯网络处理不确定性问题能力强，文中提出了用于变压器故障诊断的NB、TAN和BAN三种贝叶斯分类器模型，并提出了贝叶斯网络分类器与粗糙集相结合的变压器故障诊断的新方法，它综合使用溶解气体分析结果和其它电气试验结果作为故障分类所需的属性。其相应的混合分类器为NB粗集、TAN粗集和BAN粗集分类器。实验表明提出的三种混合分类器都适于变压器故障诊断，具有处理信息缺失多的能力和容错特性，克服了粗糙集刚性推理的弱点，其性能明显优于单独使用贝叶斯网络分类器或粗糙集的方法。     

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。     

基于事例和规则混合推理的变电站故障诊断系统

故障诊断是保证电力系统安全运行的重要手段,目前多采用基于规则推理的专家系统,但其知识获取困难,自学习能力差,很难适应电网发展的要求.文中介绍了基于事例推理(CBR)和基于规则推理(RBR)的混合推理的变电站故障诊断专家系统.该系统采用CBR方法确定故障情况,再利用规则评价继电保护和开关的动作情况.事例库包括用RBR系统自动生成的基本事例库及无确定规则的特殊事例,在使用中还可不断地增加新事例以提高系统判断复杂故障的能力.由于采用了混合推理,系统故障诊断快速可靠,动作评价准确,自学习能力也得到很大提高,可减轻运行人员的工作量.     

基于不同RS与NN组合的数据挖掘配电网故障诊断模型

在将基于RS（粗糙集）理论的数据挖掘用于配电网故障定位诊断模型研究的基础上，提出和构造了4类不同的RS与NN（神经网络）组合的故障诊断模型，给出了RS与NN在4类模型中实现不同的互补性，关联关系，应用机理和原则及相应的局限性。通过对5类模型的仿真测试结果比较，证明数据挖掘模型潜在知识发现的重要意义，并对4类模型中RS的应用机理和性能作出全面的评估。文中对RS和数据挖掘研究的评估对其他领域的故障诊断研究具有同样的指导意义。     

基于粗糙集理论的电力变压器故障诊断方法

鉴于电力变压器信息的不完备性及复杂性，基于粗糙集理论提出了一种能较好处理不完备信息的变压器故障诊断模型。基于对大量电力变压器故障征兆及故障类型的分析统计，利用粗糙集进行约简以获取诊断规则。文中详细阐述了在获得各类信息情况下如何利用该模型进行故障诊断；即使缺少某些关键信息时，该模型也能结合欧式距离、神经网络和模糊数学三种方法对约简进行综合匹配，再利用相应的约简及规则集作出故障诊断。该模型还可通过丰富训练样本、修正决策表的自我完善方法使诊断效果不断提高。实例也表明了该方法的有效性。     

基于小波模糊网络的电厂汽轮发电机组故障诊断

针对传统故障诊断方法在汽轮发电机组振动类多重并发故障诊断中的局限性，提出了小波变换与模糊理论相结合的诊断方法。采用二进离散小波变换获取有效的故障特征向量，利用模糊诊断方程进行故障模式分类。通过选择足够的样本对故障诊断方程进行训练，将代表故障的信息输入训练好的诊断方程，由输出结果即可判定故障类型。实际应用表明该方法可以有效诊断汽轮发电机组振动类多重并发故障，诊断结果全面、准确。