基于径向基函数神经网络和模糊积分融合的电网分区故障诊断

为有效解决分区故障诊断关于互连区域间联络线的诊断问题,提出了基于径向基函数神经网络和模糊积分融合的大电网故障诊断方法。该方法通过网络重叠分区将大电网划分为若干区域,故障发生后根据警报信息选择性触发警报信息所在区域对应的区域径向基函数神经网络诊断模块,然后利用模糊积分关联融合相连区域关于联络线的诊断输出,实现对联络线的故障诊断。该方法不仅可以诊断各区域内部发生的故障,而且能够有效地诊断区域间联络线发生的故障。算例仿真结果表明:该方法简单、有效,能弥补现有电网分区故障诊断方法在联络线故障诊断方面存在的不足,且能够处理各种复杂故障情况,具有良好的故障容错能力。     

基于径向基函数神经网络和模糊积分融合的电网分区故障诊断EI北大核心CSCD

为有效解决分区故障诊断关于互连区域间联络线的诊断问题,提出了基于径向基函数神经网络和模糊积分融合的大电网故障诊断方法。该方法通过网络重叠分区将大电网划分为若干区域,故障发生后根据警报信息选择性触发警报信息所在区域对应的区域径向基函数神经网络诊断模块,然后利用模糊积分关联融合相连区域关于联络线的诊断输出,实现对联络线的故障诊断。该方法不仅可以诊断各区域内部发生的故障,而且能够有效地诊断区域间联络线发生的故障。算例仿真结果表明:该方法简单、有效,能弥补现有电网分区故障诊断方法在联络线故障诊断方面存在的不足,且能够处理各种复杂故障情况,具有良好的故障容错能力。     

采用粗糙集联合规则挖掘算法的分布式电网故障诊断

鉴于传统的人工智能技术在大电网故障诊断应用中存在的局限性,采用分布式的思想来解决该问题,并提出一种基于粗糙集理论的联合规则挖掘算法,该算法能够有效地从分布式信息系统中提取联合规则。为了更好地解决电网故障诊断问题,构建了基于该联合规则挖掘算法的分布式电网故障诊断模型。该模型不仅能够有效地诊断各局部电网内部的故障,而且能够有效地诊断各局部电网之间联络线的故障,弥补了分布式电网故障诊断中联络线故障诊断规则不足的缺陷。对大电网进行分割,不仅能够有效识别各类复杂故障,而且也使得每个局部电网决策表的规模大为减小,同时联合规则挖掘算法也显著地降低了规则提取的复杂度,解决了粗糙集理论在大电网故障诊断中遇到的瓶颈问题。算例表明该方法简单、有效、速度快、容错性好。     

基于模糊积分融合理论的电网故障诊断策略研究

针对电力系统自动化水平不断提高、广域测量技术高速发展的现状,提出一种综合电气故障信号电气量、开关量的多数据源信息融合的电网故障诊断方法。该方法将电气量诊断结果和开关量诊断结果相结合,对电气量采用小波分析提取故障奇异度、故障诊断度;开关量采用时序贝叶斯网络理论建立诊断模型进行诊断,得到各个元件的故障表征。最后,通过模糊积分理论对求得的元件故障概率进行多源信息的融合得出电网故障诊断决策。仿真计算表明,该策略能够将电气量和开关量的故障诊断信息进行融合,得到精确的故障诊断结果。     

基于多种算法融合的区域电网在线故障诊断

电网在线故障诊断是保证电网安全稳定运行的必要措施之一。随着区域电网规模的不断扩大,电网出现故障时会有更多不准确的信息传入调度中心,这势必影响原有在线故障诊断方法的速度和准确性。本文考虑自然灾害对故障区域的影响,将T-S模糊模型、粗糙集理论和遗传算法有效融合,充分利用T-S模糊和粗糙集理论对不精确和不完备信息的知识挖掘与处理能力,基于遗传算法的自适应优势改进粗糙集约简,能够更快、更准确地在线诊断区域电网故障。通过故障诊断算例仿真分析,结果表明了所研究的故障诊断算法具有快速性、准确性、有效性。     

基于模糊神经网络的信息融合在电网故障诊断中的应用

根据电网分布的特点,将多传感器信息融合技术应用于电网的故障诊断中.在电网的不同区域加装传感器网络,将所测结果首先在子模糊神经网络中进行特征级融合,然后再将此结果送至融合中心进行决策级融合,最后得出诊断结论,包括故障类型和故障区域,大量的实验证明该方法是可行的.     

基于模糊神经网络的信息融合在电网故障诊断中的应用

根据电网分布的特点,将多传感器信息融合技术应用于电网的故障诊断中。在电网的不同区域加装传感器网络,将所测结果首先在子模糊神经网络中进行特征级融合,然后再将此结果送至融合中心进行决策级融合,最后得出诊断结论,包括故障类型和故障区域,大量的实验证明该方法是可行的。     

基于信息融合的模拟电路故障诊断方法分析

采用2种基于信息融合故障诊断方法,说明用于模拟电路故障诊断的特点.首先利用指定频率下可测点电压、不同测试频率下输出端电压和测试元件的温度3组测试数据,分别用一个改进的BP网络对电路状态进行预处理,得到每个传感器对各待诊断元件的隶属度函数分配,再分别用模糊融合和D-S融和算法进行决策层信息融合并进行故障定位.仿真结果表明:信息融合方法能够克服基于单一信息诊断的不足,提高电路故障诊断的正确率,对单、多软、硬故障均可识别,D-S融合算法在解决电路故障诊断中的不确定性问题方面优于模糊融合.     

智能电网中电力移动故障诊断平台的设计与实现

智能电网中电力移动故障诊断平台需要同时完成数据分析、电网监控以及故障报警等工作,导致平台无法兼具较高的诊断效率和诊断准确率。为了解决上述问题,设计新型智能电网中电力移动故障诊断平台。故障诊断平台主要由数据库模块、控制模块和人机交互模块3个功能模块组成。平台通过建立了一个通用信息模型对智能电网的拓扑结构进行定义,获取可能出现电力故障的智能电网设备和线路,并提取出其中的电力故障信息。通过分析电力故障信息中的电能阶跃现象和置信度,给出诊断结果并进行报警,实现故障诊断。实验结果证明,所设计的平台诊断效率和诊断准确率均很高。     

基于贝叶斯网的电网多区域复杂故障诊断研究

针对大电网复杂拓扑结构的电网故障情况,先对其进行分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型。利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别。该方法对复杂故障采用多区域并行诊断。算例结果表明,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值。     

基于模糊积分融合技术的变压器故障识别

提出了一种基于模糊积分融合技术的变压器故障诊断新方法。首先建立三比值的隶属函数并对三比值数据进行模糊预处理,再用4个不同的径向基函数神经网络进行故障识别,最后利用模糊积分融合方法将4组诊断结果进行融合处理,得出诊断结果。仿真实例表明这种方法比单个人工神经网络具有更高的故障诊断性能。     

模糊数据融合技术在系统故障诊断中的应用

利用系统故障症状的分散性，提出了一种基于模糊数据融合技术的系统故障诊断方法。首先，为保证量测信号的准确性，采用同源多传感器数据层融合以及多传感器信息优化协调技术对量测数据进行初步处理，为系统故障模糊融合诊断奠定基础；然后，针对同一症状的不同表现信息，采用多个模糊神经网络得到对故障的局部决策，利用模糊积分融合方法，识别出该症状所对应的故障。最后针对某液体火箭发动机的泄漏故障进行仿真，并与常规模糊神经网络故障分类器进行对比。研究表明，在对渐变故障的诊断中，本法较常规模糊神经网络故障分类器具有更好的诊断性能。     

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。     

基于智能信息融合的模拟电路故障定位方法

针对模拟电路故障诊断中存在的测试信息不足、故障定位准确性较低等问题,提出了一种应用智能信息融合技术的模拟电路故障定位方法.该法首先分别采用可测点工作电压及不同测试频率下的电路增益,各用一个独立的神经网络依据改进的BP算法对电路实施初级诊断;然后根据初级诊断结果,运用模糊融合诊断方法进行故障定位.所提方法能充分利用故障信息,对模拟电路的软故障与多故障均可进行诊断,故障定位准确率高.     

电网故障诊断的时间因果贝叶斯网模型

在使用保护和断路器的动作信息进行电网故障诊断时,这些警报的时序特性的加入能够给诊断提供更丰富的信息,使得诊断结果更准确。提出了电网故障诊断的时间因果贝叶斯网模型,采用模糊方式对时间因果关系进行离散化处理,采用模糊运算来合成多个时间因果关系,通过概率计算获得最大可能的故障假说。理论与算例表明该方法有效可行。     

基于BP网络的开关电源故障诊断方法研究

分析了开关电源故障诊断方法研究的现实意义,以BP神经网络、数据模糊化和功能测试理论为基础,针对开关电源电路特征提出了采用功能BP网络与子模块BP网络相结合并行处理方法,首先避免了建立庞大的BP网络,其次解决了大规模模拟电路功能模块串行处理效率低的问题.测试和仿真结果表明,所提出的方法能够有效地诊断模拟电路故障模块和故障元件.     

一种结合模糊TOPSIS法和BP神经网络的变压器故障诊断方法

对变压器绝缘油采取色谱分析并进行故障诊断是目前变压器故障诊断的重要环节。针对传统故障诊断技术中降低状态检测与诊断系统的复杂度和增加系统采集的特征信息量的问题,首次提出将模糊TOPSIS 法用于状态检测信息处理。首先将TOPSIS 法在Vague集下进行扩展,把样本数据的多属性群问题转化为模糊多属性决策问题。然后计算Hausdorff矢量距离,得到可能解与理想解的相对贴近度,进行样本的优劣排序和聚类。在此基础上建立了简单的BP神经网络,实现了不同类型的模式识别。该方法可以快速、准确地判断变压器的运行状态,进而提高了变压器的安全、稳定及经济运行水平。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

基于Tabu-Roughset的电网故障诊断系统研究

如何有效利用电网调度中心的大量数据进行电网故障诊断是一个重要课题。提出一种基于Tabu-RoughSet的电网故障诊断系统,包含数据采集、电网故障诊断、基于Web的电网故障诊断结果表示三个模块。在电网故障诊断模块里,利用Roughset理论对接收到的故障信息建立决策表并构成可辨识矩阵,利用Tabu搜索对可辨识矩阵寻找最优解,迅速准确地给出电网故障诊断结果。基于Web的诊断表示模块能够根据用户提出的查询请求采用可视化技术将诊断结果以基于网络的Web方式显示。实验结果表明,该系统能快速寻找最优解,较好地实现对电网故障的诊断。