论文部分内容阅读
伴随着中国电力行业的发展,电力网的规模和结构也变得日益复杂,电能用户对输电线路供电可靠性的要求也随之增加。因此,当电力输电线路出现故障时,就要求控制人员能快速确定故障区域、切除故障元件,避免波及到更大的供电区域,影响用户用电的可靠性。本文在对电力输电线路故障诊断的各种人工智能方法进行了深入研究的基础上,首先建立粗糙集-Petri网(Rough Sets-Petri Net,RS-PN)的故障诊断模型,该模型是将保护和断路器信号作为对故障分类的条件属性集,建立考虑各种可能发生故障情况的属性决策表,利用RS对冗余数据的约减优势,得到最优属性决策表,然后根据约减后的数据,利用PN对输电线路进行故障诊断。针对PN无法详细诊断断路器存在误动或拒动的复杂故障,提出了粗糙集-有色Petri网(Rough Sets-Coloured Petri Net,RS-CPN)的故障诊断方法。该方法利用CPN的结线分析功能,采取分层式故障诊断模式,可快速判断出发生简单故障的元件,或找出故障区域。当出现复杂故障时,通过建立故障区域内各自元件独立的传统PN数学模型,结合“元件—保护—断路器”的关联数据库,找出拒动、误动的断路器,从而识别出故障元件。最后,由于考虑到电力输电线路构造的复杂性导致所得数据过于庞大,将分区域并行推理引入到RS-CPN的故障诊断方法中,把电力输电线路划分为多个独立的区域,针对这些区域建立其独立的故障诊断系统。通过具体的输电线路实例对本文中所提出方法进行仿真实验验证,实验结果表明本课题达到了简化诊断模型、提高诊断有效性的目的。