針對(duì)大規(guī)模電網(wǎng)故障診斷使得NN模型結(jié)構(gòu)規(guī)模擴(kuò)大而導(dǎo)致NN訓(xùn)練和應(yīng)用的復(fù)雜性，有學(xué)者研究提出建立分層分布式的NN群組來解決［30～31］此類問題。文獻(xiàn)［30］是根據(jù)電網(wǎng)結(jié)構(gòu)分區(qū)結(jié)構(gòu)，利用決策樹推導(dǎo)構(gòu)造形成分布式NN診斷群組，將各分布NN的結(jié)果綜合起來得出故障診斷結(jié)論。文獻(xiàn)［31］除基于知識(shí)模型組成分布式NN外，還根據(jù)高壓網(wǎng)絡(luò)保護(hù)的層次性，同時(shí)還隱含了動(dòng)作的時(shí)間序列，在此基礎(chǔ)上提出了具時(shí)空特性的分層分布式的NN群組來構(gòu)造一個(gè)完整的高壓輸電線路故障診斷系統(tǒng)。
　　在已研究的基于BP－NN的電力系統(tǒng)故障診斷中，大多數(shù)的研究更強(qiáng)調(diào)如何提高學(xué)習(xí)算法的收斂速度，克服陷入局部極小點(diǎn)，提高精度；或者根據(jù)研究目標(biāo)的需要改變ANN模型結(jié)構(gòu)，通過對(duì)ANN的知識(shí)分層分布存儲(chǔ)來提高和改善NN泛化能力，聯(lián)想記憶性能，在此同時(shí)也改善了容錯(cuò)性能。但是明顯的缺乏對(duì)影響ANN容錯(cuò)性的因素和如何提高ANN容錯(cuò)性能的系統(tǒng)性的研究。
　　從以上對(duì)基于ES、ANN的FD－PS問題的分析和討論可知，它們都有各自的不足。所以在研究具體問題時(shí)，根據(jù)需要可以將兩者結(jié)合，解決問題的不同方面［32～33］，可以達(dá)到取長(zhǎng)補(bǔ)短的效果。文獻(xiàn)［32］用NN實(shí)現(xiàn)知識(shí)獲取、知識(shí)表示、推理和知識(shí)維護(hù)，將故障診斷的知識(shí)隱含于ANN的連接權(quán)矩陣中，將實(shí)時(shí)信息作為ANN輸入信息進(jìn)行推理。但在某些特殊結(jié)構(gòu)化的推理過程中，由NN來處理會(huì)導(dǎo)致結(jié)構(gòu)比效繁瑣，這時(shí)候由ES來處理可大大地簡(jiǎn)化知識(shí)推理。另外，由ES構(gòu)造解釋模塊來實(shí)現(xiàn)解釋較為方便，更提高系統(tǒng)的透明度。這樣就將ES的解釋推理能力與ANN的快速執(zhí)行和學(xué)習(xí)能力有機(jī)的結(jié)合起來。文獻(xiàn)［33］提出利用一組BP－NN模型和ES進(jìn)行報(bào)警處理，其中每個(gè)BP－NN模型負(fù)責(zé)識(shí)別單個(gè)變電站或某區(qū)段的故障，而由ES根據(jù)故障信號(hào)確定調(diào)用相應(yīng)的BP－NN診斷模型對(duì)故障進(jìn)行處理，這樣還可以利用ES依次調(diào)用相關(guān)的NN模型而達(dá)到識(shí)別系統(tǒng)中發(fā)生多重故障的情況。
　　綜上分析ANN在故障診斷中應(yīng)用的局限性為：1)對(duì)于有導(dǎo)師學(xué)習(xí)的ANN模型，具有較好的內(nèi)插結(jié)果和相應(yīng)的聯(lián)想容錯(cuò)能力。但ANN外推時(shí)誤差較大，難以保證解的準(zhǔn)確度和容錯(cuò)性能。因此，要確保具有全面的、代表性的樣本集提供給ANN訓(xùn)練學(xué)習(xí)，它們是保證和提高ANN容錯(cuò)性能的一個(gè)最基本的因素；2)系統(tǒng)結(jié)構(gòu)發(fā)生變化，則有可能需要改變ANN的組成結(jié)構(gòu)，或增加新的樣本重新學(xué)習(xí)獲得新知識(shí)；3)ANN難以實(shí)現(xiàn)基于結(jié)構(gòu)化知識(shí)的邏輯推理；4)缺乏解釋能力，診斷結(jié)果不易于運(yùn)行人員理解。另外，如何確保ANN訓(xùn)練時(shí)收斂的快速性和避免陷入局部最小，也是每一個(gè)基于ANN的診斷系統(tǒng)必須面對(duì)的問題。

4 基于FST的電力系統(tǒng)故障診斷［34～42］
　　FST是L．A．Zadeh教授于1965年創(chuàng)立的模糊集合理論基礎(chǔ)上發(fā)展起來［34～35］，它突破了經(jīng)典集合用0和1表示非此即彼的清晰概念，而采用模糊隸屬度的概念來描述不精確的、不確定事件與現(xiàn)象，并引入語言變量和近似推理的模糊邏輯，來表述專家的經(jīng)驗(yàn)知識(shí)。FST經(jīng)過多年的研究，已成為具有完整推理體系的人工智能技術(shù)之一。在電力系統(tǒng)故障診斷系統(tǒng)中，根據(jù)具體知識(shí)表達(dá)或推理的需要引入FST，使得精確推理相應(yīng)轉(zhuǎn)換為近似推理，在一定程度上也提高了故障診斷系統(tǒng)的容錯(cuò)性。FST與其它AI技術(shù)相結(jié)合(如ES、ANN、GA等)相互滲透，取長(zhǎng)補(bǔ)短。FST的加入，使各相應(yīng)智能診斷系統(tǒng)在電力系統(tǒng)故障診斷在分析不確定因素問題上原理更成熟，技術(shù)更完善，而性能得到相應(yīng)的提高。
　　FST在電力系統(tǒng)故障診斷的應(yīng)用中分兩類情況：第一類認(rèn)為診斷所依據(jù)的信息正確，但故障與對(duì)應(yīng)的動(dòng)作保護(hù)裝置和斷路器狀態(tài)之間存在不確定的關(guān)聯(lián)關(guān)系，用模糊隸屬度來對(duì)這種可能性進(jìn)行描述的度量；另一類則是認(rèn)為診斷所依據(jù)的報(bào)警信息的可信度不為1，而根據(jù)系統(tǒng)網(wǎng)絡(luò)拓?fù)渑c故障所發(fā)生動(dòng)作保護(hù)、斷路器狀態(tài)賦予報(bào)警信息的可信度，再由ES或ANN給出故障診斷結(jié)果的模糊輸出。文獻(xiàn)［36］屬前一類，認(rèn)為故障與動(dòng)作的保護(hù)裝置之間，動(dòng)作的保護(hù)裝置與所控制的斷路器之間可以存在不確定的關(guān)聯(lián)關(guān)系，可用模糊數(shù)學(xué)來描述它們之間的關(guān)聯(lián)關(guān)系。根據(jù)可能的故障，可尋找由故障點(diǎn)到報(bào)警信息可能的通路，再尋找故障點(diǎn)與可能動(dòng)作的保護(hù)裝置之間，動(dòng)作的保護(hù)裝置與可控制的斷路器之間關(guān)聯(lián)關(guān)系合成總的模糊度，用以表示故障診斷位置可能性的度量。

 4/7   首頁 上一頁 2 3 4 5 6 7 下一頁 尾頁