1)在電力系統(tǒng)故障診斷ES研究中，知識(shí)獲取的工作一直給予研究者很大的壓力。如何更有效、更全面的獲取專家知識(shí)，是構(gòu)造一個(gè)完備的ES的診斷系統(tǒng)不得不必須面對的難題。
　　2)ES的知識(shí)表達(dá)：知識(shí)表達(dá)方式和知識(shí)構(gòu)造質(zhì)量是ES成功的關(guān)鍵；專業(yè)知識(shí)和專家啟發(fā)性知識(shí)轉(zhuǎn)化和形成完備的知識(shí)庫仍是故障診斷ES的瓶頸；知識(shí)庫的可維護(hù)性也是極其重要的，知識(shí)庫不完整或不一致可能導(dǎo)致ES推理混亂并得出錯(cuò)誤的結(jié)論。
　　3)ES的高容錯(cuò)性推理：無論何種知識(shí)表達(dá)方式，當(dāng)發(fā)生故障時(shí)，都是依據(jù)故障信息所對應(yīng)知識(shí)庫進(jìn)行樹圖的搜索。而知識(shí)庫是建立在診斷問題所對應(yīng)的知識(shí)樹，它是按預(yù)先領(lǐng)域知識(shí)構(gòu)造成的組合固定的樹，而并非是任意組合的，其自學(xué)習(xí)能力是極有限的。但實(shí)際中的FD－PS問題所依據(jù)的故障信息都屬于實(shí)時(shí)信息，在現(xiàn)實(shí)的環(huán)境中，信息在形成和傳遞過程中發(fā)生信息畸變的可能性是不可避免的，易出現(xiàn)知識(shí)庫沒有涵蓋的新故障情況。會(huì)使得基于知識(shí)推理ES陷入無窮遞歸，無法求解或得出錯(cuò)誤解。故ES的容錯(cuò)能力較差，這是用于實(shí)時(shí)ES的最大局限性。
　　因此，將具有自學(xué)習(xí)和聯(lián)想功能的ANN，基于FST的不確定性推理與ES技術(shù)相結(jié)合，是近年來ES發(fā)展的主要趨勢。

3 基于ANN原理的電力系統(tǒng)故障診斷［21～46］
　　ANN也是AI技術(shù)的一個(gè)重要分支，基于ANN原理的FD－PS與基于ES原理的FD－PS相比，其最大的特點(diǎn)是不需要為專業(yè)知識(shí)與專家啟發(fā)性的知識(shí)轉(zhuǎn)化、知識(shí)形成、知識(shí)表達(dá)方式和知識(shí)庫構(gòu)造作大量工作，而只需以領(lǐng)域?qū)＜宜峁┑拇罅亢统浞值墓收蠈?shí)例，形成故障診斷ANN模型的訓(xùn)練樣本集，運(yùn)用一定的學(xué)習(xí)算法對樣本集進(jìn)行訓(xùn)練。通過有導(dǎo)師監(jiān)督的訓(xùn)練學(xué)習(xí)使ANN實(shí)現(xiàn)知識(shí)的自我組織，自我學(xué)習(xí)能力。經(jīng)學(xué)習(xí)后，在神經(jīng)元及它們之間的有向權(quán)重連接中蘊(yùn)涵了處理問題的知識(shí)，即它的知識(shí)表達(dá)不同于ES的顯形表達(dá)，是隱式的并具有一定的聯(lián)想和泛化能力；對已訓(xùn)練的ANN模型，由于問題的求解就蘊(yùn)涵于ANN的權(quán)值中，因此它的推理也是隱式的，執(zhí)行計(jì)算速度很快。由于ANN具有強(qiáng)的自組織、自學(xué)習(xí)能力，魯棒性高，免去推理機(jī)的構(gòu)造，且推理速度與規(guī)模大小無明顯的關(guān)系［21～24］，很快引起人們的重視，使得基于ANN的故障診斷的研究也日益廣泛。ANN除在電力系統(tǒng)故障診斷中的應(yīng)用外，在故障定位和故障類型識(shí)別等方面也有不少的應(yīng)用。
　　文獻(xiàn)［25］提出基于BP算法FNN模型，對電力系統(tǒng)故障診斷作了初步的研究。為了克服BP算法訓(xùn)練速度慢，陷入局部最小可能的缺點(diǎn)，文獻(xiàn)［26］用附加動(dòng)量因子BP算法對一個(gè)小型的電網(wǎng)模型結(jié)構(gòu)進(jìn)行診斷，并對改進(jìn)BP算法中動(dòng)量因子的取值，F(xiàn)NN的隱層節(jié)點(diǎn)個(gè)數(shù)和層數(shù)對診斷性能的影響進(jìn)行了分析。
　　文獻(xiàn)［27］使用局部逼近的徑向基函數(shù)NN(RBF－NN)實(shí)現(xiàn)對電力系統(tǒng)的故障診斷，通過對一個(gè)小規(guī)模的網(wǎng)絡(luò)結(jié)構(gòu)，對基于BP－FNN、RBF－NN及自適應(yīng)RBF－NN三種故障模型算法進(jìn)行仿真對比，它們均以輸電網(wǎng)絡(luò)中設(shè)備的保護(hù)和斷路器的狀態(tài)作為輸入，可能的故障位置作為輸出，以0，1邏輯值表示輸入、輸出元素激活與否?；趶较蚧瘮?shù)的NN學(xué)習(xí)收斂速度比較快，泛化能力比常規(guī)的BP－FNN更好，但相應(yīng)的應(yīng)用條件也比較嚴(yán)格。
　　FD－PS所依據(jù)的是實(shí)時(shí)故障信息，在信息畸變的情況，盡管FNN具有一定的泛化能力，但仍存在容錯(cuò)性的問題。為提高基于ANN的FD－PS的容錯(cuò)性，文獻(xiàn)［28］利用NN組合模型來提高FD－PS的容錯(cuò)性，文中模仿ES推理方式建立了正、反向推理的FDNN和BTNN，評(píng)定CNN的組合。它們中各個(gè)NN又按故障的類別組合劃分成幾個(gè)相應(yīng)的子NN。其中各FDNNi都接收保護(hù)信息和斷路器的狀態(tài)作為輸入，以表示故障位置(設(shè)備類型、編號(hào))和故障類型的故障編碼為輸出。而BTNNi的輸入、輸出是與FDNNi正好相反，即是FDNN的逆映射。各相應(yīng)的評(píng)定CNNi是故障編碼與主、后備保護(hù)之間的關(guān)聯(lián)。該系統(tǒng)可通過正向、反向NN的相互校核，對某些錯(cuò)誤信息能鑒別，因此對診斷系統(tǒng)的容錯(cuò)性能有一定程度的改善。但該方法使系統(tǒng)的復(fù)雜性增加，特別是電力系統(tǒng)規(guī)模大時(shí)，問題更突出。文獻(xiàn)［29］提出用Boltzmann機(jī)和BP－NN模型組合進(jìn)行故障診斷，將正常的報(bào)警模式存儲(chǔ)于Boltzmann機(jī)中，當(dāng)故障發(fā)生時(shí)，首先將利用Boltzmann機(jī)對實(shí)時(shí)故障信息進(jìn)行糾錯(cuò)處理，再將糾錯(cuò)處理后的輸出作為診斷BP－NN模型的輸入進(jìn)行故障診斷。這樣可在一定程度上實(shí)現(xiàn)對錯(cuò)誤信息的糾錯(cuò)，從而提高診斷的容錯(cuò)性。

 3/7   首頁 上一頁 1 2 3 4 5 6 下一頁 尾頁