论文部分内容阅读
可靠性是电力系统的基本要求之一。但由于气候、人为等多种因素的影响,电力系统的故障是不可避免的。当电力系统发生故障时,就要求运行人员能够迅速判断故障原因、切除故障元件并恢复系统的正常运行,以便减少对电力设备的损坏,保证向用户安全可靠的供电。电力系统发生故障时,保护和断路器可能发生拒动、误动;警报信息在传输过程中可能出现丢失、畸变;故障元件可能有多个。这些都使得实际故障复杂化,个人很难在短时间内做出正确的判断。故障诊断系统可以帮助调度员迅速找出故障元件,是快速恢复供电的前提。遗传算法是将故障诊断的问题转化成0、1整数规划问题,然后用优化算法进行求解,一种比较成熟的电力系统故障诊断方法,已经应用于实际系统中。本文在前人工作的基础上,对遗传算法进行了多项改进——单点故障完全初始化种群、保留前10%优良解、三点交叉等。这些改进,提高了遗传算法的收敛性能。针对实际系统中大量的不完备保护信息,本文采用在迭代过程中估计缺失信息状态的方法,取得了良好的诊断效果。贝叶斯网络和主观贝叶斯方法是两种常用的不确定性推理方法。贝叶斯网络具有清晰直观、便于理解、易于表达数据之间的因果关系等优点。但其参数往往难以求取。而主观贝叶斯方法将知识的输入转化为对LS、LN两个参数的赋值,避免了大量的数据统计工作。考虑到两者优点,本文探索了用主观贝叶斯方法来对贝叶斯网络进行参数设置和推理计算的方法,从而实现了两者的结合。在此基础上,本文首次将主观贝叶斯方法引入到电力系统故障诊断中。用贝叶斯网络进行系统建模,用主观贝叶斯方法进行参数设置和推理计算。在用主观贝叶斯方法进行推理计算时,对贝叶斯网络进行了2步合理的简化,使得算法更为简单高效。针对故障诊断中的不完备信息情况,应用了证据的不确定性推理和比较异常事件数2种方法。在应用比较异常事件数的方法时,为解决大量信息缺失时出现的组合爆炸问题,对贝叶斯网络进行了分层,提出利用已有的继电保护信息推断缺失信息状态、删除不重要的缺失信息等规则,明显减少了计算量。大量算例表明了该方法的合理性和实用性。遗传算法和主观贝叶斯方法是两种截然不同的故障诊断方法。前者通过迭代,逐步接近最优解;后者没有迭代过程,能够直接给出元件发生故障的概率。后者具有更快的诊断速度。算例表明,两者对于多点复杂故障、信息缺失等故障情况有这良好的处理能力,有着一定的应用前景。