人工智能技术在电力系统故障诊断中应用

《人工智能技术在电力系统故障诊断中应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、人工智能技术在电力系统故障诊断中应用人工智能技术在电力系统故障诊断中应用人工智能技术在电力系统故障诊断中应用人工智能技术在电力系统故障诊断中应用　　一、前言　　在国家智能电网的推动下，电力系统的故障诊断成为了实现电力系统自动化的主要问题。通过人工智能技术对电网参数进行智能化分析，有利于及时诊断故障，从而优化电力系统，保障电力系统的稳定性，减少不必要的损失。　　二、人工智能技术概述　　人工智能技术集脑科学、神经学、信息技术为一体，目前广泛运用于多个领域，同时也是近年来科技领域的一个研究热点。它通过对人脑

2、的原理和行为进行模仿，从而研制出一种自动化的机器，这种机器能分析、识别、发现问题。很多电力企业都运用了这种技术，它提高了电力运行的效率，减少了故障发生的机率，还节约了人力、物力、财力。同时，它也能解决电力系统中非常复杂的问题，比如非线性映射。不仅如此，它还被继电保护所应用。人工智能技术中的神经网络方法，通过采集大量的故障样本，使设备对故障有一定的印象。因此，在发生故障的时候，设备能够快速反应并且发出警报。　　三、人工智能技术的种类　　1.人工神经网络　　人工神经网络是人工智能技术中的一种，它的非线性问

3、题非常复杂，这种技术主要是用在继电保护上，它是通过模仿人的神经系统而研制出来的。此外，人工神经网络还具有比较快的反应能力，能够及时对电力系统进行监控、评估等等。即便是发生了故障，它也能够进行快速的判断，并且对故障的距离、情况等一一进行探测。　　2.智能模糊逻辑　　智能模糊逻辑通过运用模糊理论，输入变量，建立数学模型，能够很好地对电力系统进行规划，并且诊断电力系统故障。如今，智联盟能模糊逻辑已经成为了一种比较成熟和完善的人工智能技术，广泛应用于电力系统当中。　　3.遗传算法　　遗传算法的理论基础是数学模

4、型，它通过借鉴自然遗传机制的随机搜索算法，从而对群体和个体之间的信息进行交换。　　4.混合技术　　所谓的混合技术，就是将遗传算法、人工神经网络、智能模糊逻辑等几种技术合在一起，因为上面所说的几种方法有一定的局限性，甚至还有一些难以克服的缺陷。将这些技术合在一起，就能够更好地解决电力系统中的问题。　　四、人工智能在故障诊断中的应用　　人工智能技术中的模糊理论、专家系统和神经网络在电气设备故障诊断中应用较广泛，特别是在变压器故障诊断、发电机和电动机故障诊断中。目前变压器故障诊断常用方法是取变压器油分解出气

5、体，对气体进行分析来判断故障状态。传统的故障诊断方法无法针对设备故障的不确定性、非线性和复杂性等特点进行诊断，诊断效率较低。而人工智能方法的应用提高了诊断准确率。人工智能技术主要使用模糊逻辑、神经网络和专家系统三种故障诊断方法。如在电动机和发动机的故障诊断中使用人工智能化的故障诊断技术，结合了神经网络和模糊理论，实现了故障诊断知识模糊性与较强的神经网络共同的诊断，相对提高了故障的针对准确率。现在简单的介绍下以下三种故障诊断方法。　　1.模糊逻辑　　模糊逻辑是在模糊集合理论的基础上发展起来的，它采用模糊

6、隶属度的概念来描述不精确、不确定的对象，并采用近似推理规则，使专家知识得以有效表达，且具有很强的容错能力。　　综上可看出，模糊逻辑比较适合用来处理电网故障诊断中继电保护动作的不确定性和故障信息的不完备性。文献[8]不仅引人了保护和断路器的动作信息，而且按额定值将遥测量进行模糊化用于故障诊断，为故障诊断的多信息融合提供了新的思路。采用模糊集理论进行电网故障诊断也存在一些问题：像隶属度函数的选择无明确的标准、可维护性较差等。所以在电网故障诊断领域中，模糊集理论通常与其他诊断方法相结合，互相渗透、取长补短。

7、　　2.神经网络　　作为典型的模拟人类神经系统进行信息传输与数据处理的人工智能技术，神经网络方法最大的特点就在于对于神经元网络的应用。不同神经元之间的沟通连接共同构成了网络运行的基础，对于各种隐含所处理问题的智慧进行权重连接，从而实现诊断与处理。从其运行方式和结构来看，它具有一定的学习能力，能够通过对学习算法的应用实现训练样本的训练，同时完成知识的自我组织与构建，容错能力较强，即使输入信号存在一定的干扰因素，也能在较大程度上给出相对正确的输出结果。同时，系统强大的神经元并行运算能力还能并行处理故障诊断

8、，因为在执行效率上也较为令人满意。众多的神经网络模型中，应用较为广泛和典型的是误差逆传播神经网络。这种网络具有很强的非线性映射能力，同时是一种柔性网络结构，能够随着逆传播的修正不断减少误差，同时还能通过对输入模式的响应做好分类，提升正确率，尤其是对于变压器故障中的油中溶解气体类故障诊断具有较好的应用效果。　　虽然误差逆传播神经网络在故障诊断中有过多次成功的先例，但是随着学习样本的增多，输入输出关系的发杂多样化，这种系统的网络收敛速度不断受到影响，变得越来