基于遗传算法的电力系统故障诊断

《基于遗传算法的电力系统故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要本文主要研究了基于高级遗传算法(RGA)的电力系统故障诊断方法和基于RGA的输电线路故障测距方法。故障诊断是利用保护和断路器信息来判别系统中哪些元件发生了故障、故障种类及原因。故障诊断问题也可以表示成为O一1规划问题。按照元件故障、保护动作和开关跳闸之间的逻辑关系，可以将故障诊断问题表示为无约束的O一1规划问题。遗传算法(GA)是通过模拟生物进化过程来达到自学习与优化的目的。GA是一个迭代过程。在每次迭代中都保留一组候选解。按其解的优劣进行排序，并按某种指标从中选出一些解，利用一些遗传算子如交叉(crossover)和变异(mutation)等对其进行运算。产生新一代的一组候选

2、解，重复此过程，直至满足某种收敛指标为止。简单遗传算法(SGA)存在的最大的问题是“早熟”。即在解群中的一个或几个数字串的适应值远大于其它串的适应值，这些数字串在解群中占主导地位，繁殖机会(即入选匹配集的机会)很多，经过少数几次迭代后解群中的位置有可能全部被该数字串(或其某个后代)占据，这样GA的求解过程就结束了，也即收敛了。但这样很有可能收敛到局部最优解。本文研究了RGA在电力系统故障诊断中的应用，这种方法可以有效地求得全局最优解，与SGA相比RGA的遗传算子中包括了一些新的算子，基本算子的实现方式也不一样。此外SGA中交叉算子发生概率Pc和变异算子发生的概率P1I】是恒定不变的

3、，而RGA中其概率是可变的。RGA很适用于解决电力系统复杂故障情况下的诊断问题。经算例计算表明，所发展的故障诊断的数学模型是正确的，采用的基于RGA的故障诊断方法有在线应用的潜力。随着电力系统的发展，输电线路电压等级和输送容量逐步提高，对高效的故障测距的要求也越来越高。近年来的研究表明，遗传算法在电力系统故障测距领域有一定优势。本文以一简单系统的单相接地故障为例，阐述了GA在这一领域的应用。结果表明，对于通常的系统和故障类型，该方法能够较迅速较准确的完成故障定位。关键词：遗传算法电力系统故障诊断故障测距ABSTRACTThisthesisisdealingwithfaultsect

4、ionestimationandfaultlocationinpowersystemsbyusingtheRefinedGeneticAlgorithms．Usually,faultsectionandfaulttypeareestimatedbyusingtheinformationfromprotectionrelayandcircuitbreaker．Faultsectionestimationandfaulttypeidentificationarecalledfaultdiagnosis，whichcanberesolvedby0-1planmethodusinglogi

5、crelationshipamongthecircuitbreaker,protectionrelayandfaultedunit．Geneticalgorithm(GA)isanoptimalalgorithmwiththeiterationthatsimulatestheprocessofbiologicevolution．AllresolutionsarearrangedintheorderoftheirobjectvaluesineveryiterationSomeofthemareselectedinthearrangedorderandtheyareoperatedby

6、thegeneticoperator,suchascrossoverandmutation，sothatanewgenerationofresolutionisproduced．Repeatthisprocessuntiltosometargettobeneeded．Thereexisttheproblemof“earlymature’’inSGA．Objectvaluesofsomeresolutionsareverylargerthantheothers’andtheresolutionsaredominanttoobtainmuchchoiceofproduction．The

7、seresolutionarefullofallspaceofresolutionatterafewgenerationsandthentheprocessofiterationisfinished，orsaythatitisconvergenLbutitconvergetolocaloptimum．AnewmethodbaseduponRefinedGeneticAlgorithm(RGA)，whichglobaloptimumiseasilyconvergedwi