基于遗传算法的电力系统故障诊断的解析模型与方法：第二：软件实现

在本文第一部分所发展的故障诊断的解析模型与方法的基础上,首先提出了由计算机自动形成故障 断的目标函数的方法,这是实现电力系统在线故障诊断所必需的。     

基于量子神经网络的电网故障诊断算法

传统的人工智能方法处理电网故障诊断中交叉数据模式识别问题的效果不甚理想。为此,作者提出运用量子神经网络进行故障诊断的算法,借鉴量子力学的相关概念,不断更新各层神经元的连接权以及隐含层各神经元的量子间隔,以达到提高故障诊断容错性的目的。仿真结果表明,在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于传统神经网络。另外,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

基于遗传算法和模拟退火算法的电力系统的故障诊断

根据元件故障与保护动作和断路器跳闸之间的逻辑关系，首先把电力系统的故障诊断问题表示为０－１整数规划问题。在此基础上，采用了两种方法求解，第一种方法是遗传算法，第二种方法是模拟退火算法。这两种方法都能以较大的概率收敛到全局最优解，并能够求得多个最优解。提出的方法理论严密，与当前比较流行的以启发式知识为基础的专家系统方法不同。本文的方法可以处理任意复杂的故障，也可以处理有保护和断路器误动作的情况，且计算时间与故障的复杂程度基本无关。此外，提出的方法原则上适合于并行处理。     

基于量子遗传算法的继电保护定值优化方法

针对现有继电保护定值优化方法的收敛性与灵敏度较差的问题,提出基于量子遗传算法的继电保护定值优化方法。以继电保护动作时间和最小为目标建立优化目标函数,对继电保护的收敛性、选择性以及灵敏性进行约束,设定差级约束、灵敏度约束等约束条件。利用量子遗传算法求解满足约束条件的目标函数最优解,得到优化的继电保护整定值。在验证实验中,所提出的方法表现出较快的收敛速度和较高的灵敏度。     

改进的遗传算法在汕头电网规划中的应用

遗传算法是由自然界生物遗传机理抽象出来而形成的一种新型的优化算法,具有适合于电网规划的独特优点。因此,介绍了遗传算法应用于电网规划的模型和实现步骤,分析了其特点,并提出把改进的自适应代沟遗传算法引入电网规划,经改进的遗传算法在汕头电网规划的网架优化中应用,取得了较好的效果。     

采用量子遗传算法的电力系统PMU最优配置

为实现电力系统同步相量测量装置(PMU)最优配置,根据电力系统网络结构特点,在提出一种判断PMU配置方案是否满足潮流方程直接可解的方法基础上,令不满足潮流方程直接可解的染色体(配置方案)适应度的值为一个很小的常数,实现了基于量子遗传算法的PMU最优配置算法,最后利用IEEE 14I、EEE 30I、EEE 57I、EEE118节点电力系统进行了验证,结果表明了所提方法的正确性,可有效减少PMU配置数目。     

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.     

量子遗传算法在多元函数优化上的应用

针对遗传算法（GA）在函数优化中存在的收敛速度慢、精度低等不足,提出将量子遗传算法（QGA）应用于多元函数的优化问题上。利用Matlab进行实例仿真,结果表明,量子遗传算法的性能要优于GA,QGA具有比GA更快的寻优速度和更高的精确度。     

局部搜索量子遗传算法及其无功优化应用

针对量子遗传算法局部寻优能力差的不足,提出一种局部搜索量子遗传算法,用于电力系统无功优化.该方法将局部搜索引入到量子遗传算法中,先进行全局寻优,当全局寻优搜索到的最优解经过多次迭代没有变化时,在此解附近产生小的寻优区间,进行局部寻优,以使算法同时具有较强的全局和局部搜索能力.复杂测试函数和IEEE30节点测试系统的仿真实验表明,该方法在寻优能力、收敛速度和稳定性方面优于文献中的新量子遗传算法、进化规划等多种方法.     

应用贝叶斯网络模型的电力系统故障诊断

遗传算法应用于电力系统故障诊断的一个难题是如何建立合理的数学模型。针对这一难题,建立了基于元件的贝叶斯网络故障诊断模型,并通过一定的推理规则,根据贝叶斯网络形成遗传算法的目标函数,用遗传算法进行优化求解。在应用遗传算法时,对传统算法进行了一系列的改进,改善了算法的收敛性能,提出了在迭代过程中推测不完备信息的方法,增强了算法对于大量不完备保护信息的处理能力。大量算例表明了所述方法的合理性和实用性。     

量子遗传算法优化的最小二乘支持向量机的风机故障诊断

针对最小二乘支持向量机（LSSVM）在故障诊断过程中的模型参数选择问题,提出了利用全局寻优能力强、收敛速度快的量子遗传算法（QGA）对模型参数进行参数寻优,把LSSVM参数选择问题转化为优化问题。该算法克服了遗传算法优化过程中陷入局部极值的问题,提高了优化性能。利用UCI数据库的数据进行分类验证,相比遗传优化的LSSVM和交叉验证的LSSVM,基于QGA优化的LSSVM模型提高了分类精度。最后,把该模型应用于风力发电机齿轮箱故障诊断中,取得了良好的效果。     

结合遗传算法的人工神经网络在电力变压器故障诊断中的应用

人工神经网络在电力变压器故障诊断中有广泛的应用。常用的反向传播界法存在着容易陷入局部极小点、对初值要求高的缺声、，给故障诊断带来不便。本文提出采用遗传算法优化人工神经网络结构的初仅，将遗传算法与人工神经网络结合起来.迅速得到最佳人工种经网络权值矩阵与阈值向量，实现故障诊断。     

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。     

利用Petri网对电力系统进行故障诊断

利用Ｐｅｔｒｉ网技术对电力系统故障进行建模,并在计算机辅助故障方面进行探讨和研究,这有助于调度人员快速、准确判断事故并给予及时处理。     

电力电子电路故障的遗传进化神经网络诊断

介绍了一种诊断电力电子电路故障的基于改进遗传进化的神经网络混合算法 ,论述了该算法的理论和运算操作步骤后将其用于电力电子三相整流电路的故障诊断。仿真实验证明该法可诊断电力电子三相整流电路故障 ,且收敛速度快 ,诊断准确度高 ,具有实际的工程应用价值     

区域电网故障诊断系统设计

在阐述电网故障诊断必要性和重要意义,以及分析目前电网故障诊断实际现状和实现条件的基础上,提出了一基于故障信息系统平台的面向区域电网的故障诊断系统,给出了其具体的实现方案,并按照电网故障后事故处理流程以及故障信息的层次性等特点,设计了诊断系统的主要功能模块,以此来满足电网事故后分析的各层次的功能需求.文中就诊断知识挖掘、故障简报形成、故障时序分析模块的功能、算法以及难点等方面做了详细论述。