文獻［52］文中提出嵌入冗余Petri網方法，它是在原考慮的故障類型Petri網的基礎上加入錯誤伴隨式矩陣C。其目的是要解決由于網絡中事件序列和信息流不正常時(如保護或斷路器的拒動等)的故障診斷。采用差錯控制編碼技術構造C矩陣，但它必須是在預先設想的前提下構造，而不能自動構造，并且構造復雜，工作量大。而在實際系統(tǒng)中，故障診斷所依據信息的畸變是不確定的，所以它的容錯能力是有限的，該類問題與ES差不多。
　　對大規(guī)模電網基于Petri網模型建模時，因設備增加和網絡擴大會出現狀態(tài)的組合爆炸，且基本的Petri網不能描述時間特征要求高的行為特征，因此在復雜系統(tǒng)建模時，需要采用高級的Petri網，如謂詞／變遷網，有色時間網等。

7 基于Agent技術的電力系統(tǒng)故障診斷［89～95］
　　人工智能技術研究的不斷發(fā)展為故障診斷開辟新途徑和新方法提供了可能性。分布式人工智能是在傳統(tǒng)AI的基礎上發(fā)展起來的，主要研究在邏輯上或物理上分散的智能系統(tǒng)如何并行的，或相互協(xié)作地進行問題的求解。它分為分布式問題求解和多Agent系統(tǒng)兩個方向，多Agent系統(tǒng)被看作是AI的試驗平臺，當一個問題涉及多個物理或者從邏輯上能形成分解的問題求解實體，每個子問題求解實體僅僅擁有問題求解所需的有限數據、信息和資源，不同的子問題求解實體之間必須相互交互才能最終求解問題。多Agent系統(tǒng)中Agent的自治性以及Agent之間的合作、協(xié)同等特征為這類問題提供了一種自然的建模方式。基于多Agent技術的應用研究開始于上世紀80年代，近年來在工業(yè)、制造業(yè)、經濟管理、航天業(yè)等領域得到了明顯增長［53～54］，成為AI的研究熱點之一。
    基于多Agent技術也引起了電力系統(tǒng)研究者的關注［77～79］，特別是在近2、3年來，人們嘗試著將多Agent技術引入電力系統(tǒng)的故障診斷相關研究和應用中。文獻［55］以Agent技術來實現故障恢復系統(tǒng)，系統(tǒng)由數個母線Agent單元和唯一的一個在整個決策過程中充當了管理角色的服務Agent，在服務Agent的協(xié)調下，母線Agent單元在故障狀態(tài)下通過與其他的母線Agent單元相互作用、交換、通訊、合作形成多Agent診斷系統(tǒng)，得到局部最優(yōu)目標；文獻［56］建立了基于多Agent的DIAMOND系統(tǒng)，將數個監(jiān)控系統(tǒng)和診斷系統(tǒng)集為一個綜合的集散系統(tǒng)，簡化了問題的處理過程和增加了系統(tǒng)的開放性。
　　從Agent的特點上看，它區(qū)別于傳統(tǒng)智能系統(tǒng)的顯著特征在于它所具備的與其所處環(huán)境，與其它Agent進行交互，協(xié)調和協(xié)作的能力。AI的研究目標是認識和模擬人類智能行為，單個Agent主要用于模擬個人的智能行為，而多Agent系統(tǒng)則是以模擬人類社會群體智能行為作為最終目標，它通過多個Agent之間的交換或通訊、合作形成了一個多Agent系統(tǒng)。研究多Agent系統(tǒng)意義下的Agent，實際是將多個Agent單元的推理和知識結合起來，創(chuàng)建多智能系統(tǒng)，以完成對更復雜、更大規(guī)模的問題的解決起到重要的作用。

8 基于數據挖掘技術的電力系統(tǒng)故障診斷［57～61］
　　數據庫中的知識發(fā)現的核心技術——數據挖掘(data mining—DM)是近年來國際上較為活躍的研究領域，是人工智能與數據庫技術相結合的產物。它應用一些專門算法從數據中抽取出有效的模式，從大量數據中發(fā)現潛在規(guī)律，提取有用知識。DM出發(fā)點是代替專家從大量的數據中挖掘出隱含于其中的知識，它使數據存儲技術進入了一個更高級的階段。即它不僅利用了數據庫的存儲功能，對過去的數據進行查詢和遍歷，能回答“什么”(What)；還能夠找出過去數據之間的潛在聯系，挖掘出其背后隱藏著的許多重要信息(這些信息是關于數據的整體特征的描述及對發(fā)展趨勢的預測，在決策生成的過程中具有重要的參考價值)，從而可很好地支持人們的決策，回答出“為什么”(Why)。DM屬于客觀計算，只和已知數據有關，從而避免了主觀和經驗因素的影響。因此DM在商業(yè)、工業(yè)領域中已得到了廣泛的應用，顯示出了強大的生命力［57～58］。
　　已有研究人員開始將DM技術引入電力系統(tǒng)故障診斷，并取得了一些成功的經驗，利用DM技術用于決策支持和控制［59，60］。如在常規(guī)的電力系統(tǒng)運行模式下，需要依賴經驗豐富的專家，一旦電力系統(tǒng)發(fā)生故障時，系統(tǒng)中保護裝置的動作信息自動傳遞給調度中心。調度員則需要根據經驗從這些信息中判斷出故障的原因和故障的具體位置，由此來實施具體的隔離故障和恢復處理。為了減少損失要在極短時間內完成，這對調度員的壓力很大。這種故障處理模式已無法適應，特別在信息流量龐大的今天。因任何人面對2000個／分鐘數據流組成的數據表都不可能進行有效的處理。基于粗糙集的DM方法具較強的定性分析能力［61］，能從給定問題的數據分析，通過不可分辨關系和不可分辨類確定給定問題的近似解，從信息表中去除冗余屬性，獲取該問題的內在規(guī)律，即屬性約簡，并能估計某一屬性的重要程度，得到分類規(guī)則的能力。因此，DM可將每一種狀態(tài)的故障特征提取出來，將其作為調度人員判斷電力系統(tǒng)處于何種狀態(tài)和如何快速做出故障處理和決策的有力工具。

 6/7   首頁 上一頁 4 5 6 7 下一頁 尾頁