梁纯, 仇文宁[1]2018年在《人工智能技术在船舶电力系统故障诊断中的应用》文中研究表明近年来人工智能技术在很多领域得到了成功应用,特别是故障诊断方面。船舶电力系统是保障船舶自动化系统正常工作的重要组成部分。由于船舶电力系统工作环境恶劣,因而船舶电力系统一旦出现故障将会产生很严重的后果。传统船舶电力系统故障检测费时费力,本文通过对人工智能技术进行分析,研究了人工智能技术在船舶电力系统故障诊断中的应用,提出了一种故障诊断系统架构,重点研究了基于人工神经网络以及专家系统的电力系统故障诊断,设计了神经网络模型,给出了推理机的故障诊断流程。
霍晓峰[2]2017年在《数据挖掘技术在电力系统故障诊断中的应用》文中进行了进一步梳理随着信息技术的日新月异,计算机技术的应用遍布各行各业,海量的信息融入人们的方方面面,现今人们正处在一个信息爆炸的年代。如何有效的处理海量的数据信息,从中找到有价值的数据,就成了各方研究的焦点。在电力行业,电力设备越来越多,电网结构越来越复杂的情况下,如何把采集到的电网数据通过提取和分析,得到有价值的运行诊断信息,数据挖据技术的出现给这种用于电力系统故障诊断中海量信息的处理分析提供了方法。本文中,我们把数据挖据技术应用到了电力系统的故障诊断中,构建了电力系统故障诊断的模型。此模型主要利用决策树把知识的获取和表示结合在一起,使两者的处理能够同步进行。在电力系统故障诊断的模型中,我们改进了数据挖据技术中的决策树算法,并用它完成知识的获取与之结合。本文系统由推理机、解释器、决策树算法模块和图形界面四大模块组成。推理机的主要功能是以决策树算法生成的规则进行推理,解释器主要对推理机所返回的规则和决策树生成或者专家录入的规则进行翻译,决策树算法主要作用是构架一个高效易用的决策树并且生成分类准确的规则供推理机使用,图形界面负责直观的显示输出结果。本实验系统利用.NET平台构架,系统还可以扩展适用的数据样本或者使用数据挖据中其它的算法来处理其它方面的问题。
赵启纯[3]2017年在《人工智能技术在电力系统故障诊断中的运用分析》文中研究说明现代社会我国经济发展正在飞速迈进,人民的物质生活水平也在不断提升,随之而来的是电力资源在人们日常生活中占据着越来越重要的地位,但是也正因为如此,人们日常生活中对于用电安全问题也越来越重视。而电力企业在电力系统故障诊断方面也应该投入更多的精力,只有这样才能保证人们日常生活用电的安全可靠,基于这样的背景下,也随着近些年来人工智能科技的不断进步以及在电力系统故障诊断方面的显著作用。所以,该文就对于人工智能技术在电力系统故障诊断中的实际运用进行科学系统的分析,从各个方面来深入的探究人工智能技术给电力故障检测工作所带来的巨大影响。
张乐信[4]2012年在《基于粗糙集和贝叶斯的电网故障诊断系统的研究应用》文中提出电力在人们的生活和生产中起到非常重要的作用，因此近年来，对电网故障诊断的研究已经成为了一个研究热点。目前学者提出了很多的电网故障诊断方法，如专家系统，人工神经网络，遗传算法等等。这些方法虽然都能在一定程度上解决问题，但是也存在着诸如知识获取困难或参数设置困难等问题。本文在充分研究各种电网故障诊断的方法的基础之上，考虑到电网中的诊断信息存在着冗余性和不完备性的特点，提出了将粗糙集理论和贝叶斯网络相结合的电网故障诊断方法。首先为了避免大规模电网中的决策表太大，导致诊断过程变得复杂的问题，本文首先将电网划分成既独立又互联的子网。然后再对每个子网的决策表使用一种基于信息熵的互信息约简算法进行属性约简，减少决策表中的属性个数，进而降低贝叶斯网络建模和推理的复杂度。当系统接收到实时故障信息后，就可以利用已经建立好的贝叶斯网络模型进行诊断推理，找出在该种实时故障信息发生的条件下，发生概率最大的故障的类型。为了证明基于粗糙集和贝叶斯的电网故障诊断方法的有效性，本文利用Matlab系统进行仿真，仿真结果表明，该种方法无论是对完备的故障诊断信息还是不确定性的故障诊断信息，都能得出理想的诊断结果。正是由于基于粗糙集和贝叶斯的电网故障诊断方法有着正确的诊断结果和良好的容错性，在开发电网可视化管理系统的过程中，将之用在其中的故障诊断和定位模块，并取得了理想的效果。
常培林[5]2015年在《不同技术方法在电力系统故障诊断中的应用》文中研究表明目前,经济社会的发展为电力系统提供了更为广阔的发展空间,同时也使得电力系统结构更加复杂,增加了电力系统管理的难度。在电力系统管理中,故障诊断是其中的一个部分,在保证电力的安全运行方面发挥着重要作用。因此,在电力系统运行中,我们要不断提高电力系统故障诊断水平,从而降低故障的影响范围和程度,促进电力系统的安全高效运行。本文从电力实际情况出发,介绍了几种电力故障诊断技术方法,希望对促进我国电力系统的发展能够有所帮助。
吕雪峰[6]2006年在《基于遗传算法的电力系统故障诊断》文中提出本文通过对电力系统故障诊断的研究,具体完成了以下研究工作:首先,介绍电力系统故障诊断的目的和内容以及目前电力系统故障诊断方法的发展情况,研究了各种故障诊断方法在电力系统故障诊断中的优势和局限性。然后,提出同时利用保护和断路器动作信息的电力系统故障诊断的解析模型,其可以描述为一个无约束 0-1 整数规划问题,将重合闸引入故障诊断的解析模型并且对保护引入贡献因子,给出确定各种保护贡献因子的经验公式。这种模型在一定程度上解决了数据信息不完整时的电力系统故障诊断问题。其次,开发电力系统故障诊断数据信息采集系统,该系统解决了电力系统故障诊断过程中故障特征信息很难实时获取的问题,同时对数据报文进行了详细的分析,提取出故障特征信息,该系统不但可以采集数据,而且还可以将数据信息实时传送至调度,为电力系统大规模在线故障诊断提供了必要的条件。最后,将改进的电力系统故障解析模型应用到电力系统故障诊断当中,研究了在线故障诊断过程中目标函数的自动形成方法,故障区域的判别方法。在线路系统图故障诊断过程中,使用遗传算法得到全部最优解,证明改进的故障诊断解析模型确实在一定程度上解决了电力故障诊断过程中数据信息不完整,难以达到准确识别故障元件的困难。为了进一步验证该模型的诊断效果,将本文故障诊断方法应用于大庆采油一厂东油库变电所做实例测试,故障诊断结果准确合理,符合现场实际情况。
卢敏[7]2004年在《基于Agent的电力系统故障诊断系统的研究》文中研究表明电力系统故障诊断系统能够辅助调度人员处理事故,起到缩短事故处理时间,防止事故扩大的作用,对保证电力系统稳定运行具有重要意义。本文系统了解及比较了在电力系统故障诊断领域中几种人工智能技术的应用情况,同时对Agent的特点、结构、优势以及实现作了深入的研究。在此基础上提出了一种基于多Agent的电力系统故障诊断系统模型,并实现了其中的诊断Agent。诊断Agent 是在原有专家系统的基础上产生的,这种实现方法能够有效利用现有资源,减少开发时间与成本。
王家林, 夏立, 吴正国, 杨宣访[8]2010年在《电力系统故障诊断研究现状与展望》文中进行了进一步梳理概述了专家系统、人工神经网络、优化技术、Petri网络、粗糙集理论、模糊集理论、贝叶斯网络、多Agent技术和基于故障录波器信息等方法在电力系统故障诊断中的应用,并在此基础上对文献中提出的相应的电网故障诊断方法进行述评,分析它们在电网故障诊断中应用的特点以及存在的主要问题,以解决实际工程问题为目标,指出了该领域所面临的问题,并对其发展进行了展望,以促进该研究领域的进一步发展。
马旭辉[9]1996年在《专家系统在电力系统故障诊断中的应用》文中研究指明本文针对中国长城铝业公司高压配电网故障多，分析处理难等问题经过大量的工作后，开发了电力系统故障诊断专家系统(FDES)。 论文首先阐述了专家系统、人工智能与智能工程三者的联系与区别，以及它们与工业自动化发展的关系，并且就专家系统的发展方向作了一定的探讨。针对论文的中心论题，本文第二章详细综述了专家系统在电力系统故障诊断中的应用情况。 为了更好的说明本文的主要研究成果——FDES，本文对其工业背景以及FDES的依托——计算机电力监控系统作了较为详细的介绍，由此说明了构造FDES的原因及意义。 第五章作为本文的核心，着重介绍了FDES的工程实现，表明了FDES的以下特点： ·采用框架系结构表达电网结构知识 ·带启发性知识的深度优先搜索 ·正反向混合推理机制 ·公用实时数据库 ·利用故障波形分析事故 仿真例子表明FDES对电网故障的诊断有较好的效果。
李晓[10]2010年在《基于粒子群算法和量子粒子群算法的电力系统故障诊断》文中指出电力系统故障诊断是指利用保护和断路器的动作信息来推断可能的故障位置,识别故障元件和误动作的保护与断路器,并对保护和断路器的动作情况作出评价；其中故障元件的识别是故障诊断实现的关键。电力系统故障诊断是调度员处理电网事故的辅助工具,可以起到缩短事故处理时间、防止事故扩大和提高电力系统自动化水平的作用。本文对电力系统故障诊断的基本概念、功能要求、目的和意义作了介绍,对国内外现有电力系统故障诊断基本理论和常用方法作了分析和比较；基于继电保护动作规则等常规知识,应用优化技术,将电力系统故障诊断问题转化为0-1整数规划问题,建立了相应的数学模型,并详细探讨了目标函数自动形成方法、故障区域自动识别策略和优化问题求解算法。粒子群算法和量子粒子群算法均是基于群体搜索的新型优化方法,具有并行处理特征,鲁棒性好,易于实现,且计算效率较高。本文介绍了粒子群算法和量子粒子群算法的基本原理,详细论述了2种算法的流程和实现步骤,分析了算法中参数对算法本身的影响,比较了两种算法的特点。在此基础上,应用粒子群算法和量子粒子群算法求解故障诊断优化问题,给出了算法的具体实现步骤,讨论了算法参数选择等注意事项。最后,在给出的故障诊断测试系统上,对多种故障情形进行了仿真。与遗传算法等传统优化算法比较,采用粒子群算法和量子粒子群算法求解故障诊断优化问题稳定性高、收敛特性好、运行速度快；对于复杂故障,采用量子粒子群算法更有效。仿真结果验证了本文方法的可行性和有效性。
参考文献：
[1]. 人工智能技术在船舶电力系统故障诊断中的应用[J]. 梁纯, 仇文宁. 舰船科学技术. 2018
[2]. 数据挖掘技术在电力系统故障诊断中的应用[D]. 霍晓峰. 华北电力大学. 2017
[3]. 人工智能技术在电力系统故障诊断中的运用分析[J]. 赵启纯. 电脑知识与技术. 2017
[4]. 基于粗糙集和贝叶斯的电网故障诊断系统的研究应用[D]. 张乐信. 电子科技大学. 2012
[5]. 不同技术方法在电力系统故障诊断中的应用[J]. 常培林. 科技与企业. 2015
[6]. 基于遗传算法的电力系统故障诊断[D]. 吕雪峰. 大庆石油学院. 2006
[7]. 基于Agent的电力系统故障诊断系统的研究[D]. 卢敏. 华北电力大学（河北）. 2004
[8]. 电力系统故障诊断研究现状与展望[J]. 王家林, 夏立, 吴正国, 杨宣访. 电力系统保护与控制. 2010
[9]. 专家系统在电力系统故障诊断中的应用[D]. 马旭辉. 浙江大学. 1996
[10]. 基于粒子群算法和量子粒子群算法的电力系统故障诊断[D]. 李晓. 湖南大学. 2010