论文部分内容阅读
随着我国电力系统规模的不断扩大,用户方面对配电网的要求也越来越高。当系统出现故障时,数据采集系统会收集到大量故障信息,这些信息无序的流入调度中心,难免会有不确定和不准确信息的存在,这对配电网的故障诊断带来很大的影响,同时,大量的冗余数据会影响决策者的判断,也会增加故障诊断的时间。为此,本文将粗糙集理论与遗传算法相结合,同时引入改进粒子群算法对前者进行优化,以此模型进行配电网的故障诊断。 本文首先对一个简单配电网系统,采用粗糙集理论和遗传算法相结合的属性简约算法,对此配网的数据决策表进行约简,在不影响决策属性的前提下,精简了其条件属性,简化了数据;然后将约简前后的数据加以对比,验证了数据约简过程对整个知识库没有产生影响;同时,对于粒子群算法的过早收敛问题,本课题引入了自适应变异算子的思想,很好的解决了粒子群算法的‘早熟’问题。其次,提出了一种非线性惯性权重策略以及自适应变异算子的改进粒子群算法,优化BP网络的权值和阈值,形成了基于粗糙集-人工神经网络算法的改进粒子群网络模型。最后,以配电网实例进行故障诊断。