下载文档原格式
基于遗传算法的电力系统故障诊断研究电力系统故障诊断一直是电力系统领域研究的重点之一。
故障诊断的目的是迅速判断电力系统出现故障的位置，确保电力系统的可靠性和稳定性。
传统的电力系统故障诊断方法主要依靠人工判断和经验，诊断时间长、耗费人力和物力，容易出现误判和漏判断现象。
因此，研究基于遗传算法的电力系统故障诊断方法具有迫切的现实意义。
1、遗传算法简介遗传算法是一种模拟自然进化过程的优化算法。
其基本思想是模拟自然界中生物进化的过程，通过对传代基因的选择和复制，保留适应环境的基因，淘汰不适应环境的基因，从而达到优化问题的目的。
遗传算法具有全局搜索和自适应搜索能力，能够解决大规模、非线性、复杂的优化问题。
在电力系统故障诊断中，遗传算法能够挖掘故障特征信息，并构建适应性强的故障诊断模型。
2、基于遗传算法的电力系统故障诊断方法基于遗传算法的电力系统故障诊断方法主要包括以下步骤：（1）构建适应函数适应函数是遗传算法的评价指标，用来评价种群中个体的适应性。
在电力系统故障诊断中，适应函数的可以考虑系统的稳定性、可靠性和诊断精度等方面。
适应函数的构建需要根据具体诊断问题进行设计。
（2）选择操作选择操作是指根据个体的适应程度，按照一定的选择概率选择优秀的个体，保证他们能够通过基因复制保留到下一代。
在电力系统故障诊断中，选择操作主要根据适应函数的比较结果进行选择。
（3）交叉操作交叉操作是指将某两个个体的染色体信息进行交叉，产生新的个体。
在电力系统故障诊断中，交叉操作可以通过提取两个故障样本之间的公共部分信息，自适应生成一个新的故障诊断模型。
（4）变异操作变异操作是指对某个个体的染色体信息进行变异，产生新的个体。
在电力系统故障诊断中，变异操作可以通过改变故障样本的特征值，生成新的故障样本。
3、基于遗传算法的电力系统故障诊断案例分析在电力系统故障诊断中，遗传算法具有很好的应用前景。
通过对电力系统故障进行分析和研究，可以选择适合的遗传算法模型进行故障诊断。
基于智能算法的电力系统检测与故障诊断电力系统是现代社会基础设施的重要组成部分，其安全运行至关重要。
然而，由于各种原因，电力系统可能会出现故障，给人们的生活和生产带来严重影响。
因此，基于智能算法的电力系统检测与故障诊断成为了一个热门的研究领域。
智能算法是一种利用计算机技术模拟人类智能思维过程的算法。
它通过对大量数据的分析和处理，能够较准确地判断电力系统的运行状态和故障原因，帮助运维人员及时采取相应措施，以保证电力系统的正常运行。
下面将重点介绍基于智能算法的电力系统检测与故障诊断的技术和方法。
首先，基于智能算法的电力系统检测与故障诊断需要采集大量的实时数据。
这些数据包括电流、电压、频率等指标的变化情况。
在采集数据的过程中，可以利用传感器等设备进行实时监测，将数据上传至服务器或专门的数据平台进行存储和处理。
其次，基于智能算法的电力系统检测与故障诊断需要用到数据挖掘和机器学习等技术。
通过对大量的历史数据进行分析和挖掘，可以建立电力系统的模型，并预测其未来的运行状态。
在机器学习算法中，神经网络、遗传算法、支持向量机等方法被广泛应用于电力系统检测与故障诊断中。
这些算法能够根据输入的数据进行训练，并根据训练的结果识别电力系统中的异常情况，并判断故障发生的原因和位置。
另外，基于智能算法的电力系统检测与故障诊断还可以结合专家系统的思想。
专家系统是一种模仿专家决策过程的计算机程序，它可以通过预先设定的规则和知识库来判断电力系统的状态和故障原因。
与机器学习相比，专家系统不需要大量的数据进行训练，但需要专家的知识和经验来提供相应的规则和知识库。
在实际应用中，基于智能算法的电力系统检测与故障诊断可以帮助运维人员快速定位故障，减少故障处理的时间和成本。
通过分析电力系统的工作状态和关键指标，可以提前发现潜在的故障隐患，并进行预警和预防措施。
同时，智能算法还可以优化电力系统的运行策略，提高系统的效率和可靠性。
然而，基于智能算法的电力系统检测与故障诊断也面临着一些挑战。
基于遗传算法的故障检测与诊断技术研究随着工业自动化的不断发展，现代化的制造业越来越依赖于高效可靠的机器和设备。
这些机器和设备的故障会对生产、质量和安全造成很大的影响，因此探究故障检测与诊断技术变得越发重要。
遗传算法作为一种重要的优化算法，在故障检测和诊断领域得到了广泛的应用。
遗传算法的基本思想是模拟生物进化过程，通过自然选择、遗传操作和种群趋于稳定等机制全局搜索最优解。
它是一种适用于多目标、多约束问题的搜索算法，拥有全局搜索能力、鲁棒性和并行计算的优异性能。
在故障检测和诊断领域中，遗传算法可以被应用于分类、特征选择、模式识别、参数优化等问题。
在故障检测和诊断领域，遗传算法的应用可以分为两个层面：故障特征提取和故障定位与分类。
故障特征提取是指从原始数据中提取有助于判别和分类的信息，例如频域特征、时域特征、小波分析等。
通常采用遗传算法对特征进行筛选和优化，以提高故障检测和诊断的准确性和鲁棒性。
而故障定位与分类则是指通过模式识别技术对故障进行定位和分类，遗传算法可以用于模型参数优化、分类器选择和组合以及特征加权等问题。
故障特征提取是故障检测和诊断的关键步骤，它直接影响到后续的故障定位和分类结果。
在遗传算法的帮助下，可以通过对特征子集进行全局搜索，筛选出最优的特征组合以提高分类器的性能。
例如，研究人员可以通过遗传算法从原始数据中提取出最具代表性的频域特征，然后结合多元统计分析和神经网络等技术进行故障检测和诊断，从而协助工程师迅速找到故障根源。
故障定位和分类涉及到模式识别技术的应用，其目标是根据故障产生的信号，进行分类、诊断和定位。
遗传算法可以结合支持向量机、神经网络、高斯混合模型等算法，对模型参数进行优化和选择，以提高分类器的精度和鲁棒性。
例如，某制造企业采用遗传算法结合支持向量机进行机床故障分类，成功地将机床的故障划分为不同的类别，并对故障进行了精细化的定位和诊断。
此外，遗传算法还可以通过特征加权和分类器组合的方式提高系统的可靠性和鲁棒性。
电力系统中基于遗传算法的故障诊断方法研究第一章绪论一、研究背景电力系统是现代社会的重要设施之一，它负责将电能从发电厂输送到各个用户。
然而，在电力系统中，由于各种因素的影响，如气候变化、负荷变化等，电力设备故障是难以避免的。
一旦发生故障，将会导致电力系统的稳定性下降，严重时还会造成设备损坏或停运，给社会和经济带来不可估量的损失。
因此，如何快速、准确地诊断电力系统故障，已成为电力行业的一个重要技术难题。
二、研究目的本文旨在探究基于遗传算法的故障诊断方法在电力系统中的应用，为实现电力系统的智能化、自动化，提高电力设备的安全性和可靠性提供一种新的思路和方法。
第二章相关工作及基本概念一、电力系统故障分类电力系统故障可分为两类：电气故障和机械故障。
其中电气故障包括短路故障、接地故障、过电流故障等；机械故障包括断线、绝缘损坏、设备老化等。
二、遗传算法遗传算法是一种模拟生物进化过程的优化算法，其基本思路是将问题转化为一个基因型的形式，并模拟自然界的基因演化过程寻求最优解。
遗传算法具有全局寻优能力、高效性和自适应性等优点，在优化问题和决策问题中得到了广泛应用。
三、故障诊断方法故障诊断方法包括传统方法和智能方法两种。
传统方法主要包括实验室测试、故障历史记录、专家判断等；智能方法包括神经网络、遗传算法、模糊逻辑、粒子群算法等。
第三章基于遗传算法的电力系统故障诊断方法一、数据采集与预处理在电力系统中，实时采集机组运行状态参数、变压器温度、电流电压等数据，并对数据进行预处理，包括数据去噪、数据重构、特征提取等。
二、基因型设计将电力设备状态参数转换成基因型形式，以便进行进化计算。
基因型设计需要考虑到电力设备故障的复杂性和多样性。
三、适应度函数设计适应度函数是用来评价个体在遗传算法进化过程中的适应性的函数。
在电力系统故障诊断中，适应度函数应该包括故障概率、诊断准确率等指标。
四、遗传算法的运用利用遗传算法对基因型进行进化计算，不断优化个体，使适应度函数不断增大。
基于解析模型和优化技术的电力系统故障诊断（二）实现技术*廖志伟，郭文鑫，董泰福，姜伟，何祥针，文福拴（华南理工大学电气工程学院，广东广州210098）摘要：在本文第一部份对故障诊断优化模型深入研究的基础上，根据并依据现代电网自动化、信息化以及数字化等方面的建设情况，构建了现代电力系统实时故障诊断及分析系统。
本文主要介绍了为对江苏省镇江电力系统的故障诊断软件的组成与功能进行介绍。
关键词：电力系统，故障诊断；优化模型；改进Tabu搜索；简洁覆盖集。
0引言随着调度自动化系统与电力系统自动化的发展，以及故障信息管理系统的逐渐推行和实施，为电力系统故障诊断辅助决策系统的应用提供了实施条件。
本课题组在江苏省电力局科技项目“基于统一信息平台的区域电网故障诊断的研究”中承担故障诊断模型方面的研究，结合诊断试运行地点——江苏电网镇江供电分公司自动化的实际情况及信息平台的特点，实现了地区电网变电站实时故障诊断软件。
下面主要对江苏省镇江电力系统的故障诊断及分析软件的组成以及功能进行了介绍。
1运行环境以及实现技术本项目研究应用对象——江苏电网镇江分公司已建成能量管理系统（SCADA/EMS），可从SCADA中获取实时信息；而该公司的故障信息系统正在建设中，可从中获取到220kV的微机保护信息配置信息，因此本项目诊断模型主要是以SCADA及故障信息系统为信息源，在此基础上展开研究。
该软件系统以Visual C＋＋6.0为主要开发平台，使用SQL-Server数据库，利用Microsoft提供的ODBC（Open Database Connectivity）组件，实现对数据库的访问和操作。
2地区电网故障诊断及仿真系统的结构框架根据对江苏省镇江电力系统的现场应用环境*国家自然科学基金资助项目(50477029);华北电力大学“电力系统保护与动态安全监控教育部重点实验室”开放课题资助的分析，构造出电力系统故障诊断系统总体结构如图1所示。
电力系统中基于遗传算法的优化研究电力系统是国家经济发展的重要支柱之一，在电力系统的运行中，随着能量的转化，电力的质量和效率都成为了技术发展中需要优化的方面，因此，在电力系统中运用数学算法进行优化的研究得到了广泛的关注。
遗传算法是其中的一种重要算法，被广泛应用于电力系统中的优化问题，本文将重点阐述电力系统中基于遗传算法的优化研究。
1. 遗传算法简介遗传算法是模拟生物进化过程的一种计算方法，其基本模型由基因、染色体、适应度函数三部分组成。
基因是代码片段，编码了个体某一特定性状的信息。
染色体就是基因的集合，它代表了个体的一个完整的基因组，该染色体的变化是在演化过程中发生的。
适应度函数是用来评价个体之间优劣程度的函数，即在演化过程中，它的值能够反映个体对问题的适应性。
遗传算法通过复制、交叉、变异和选择这四个基本遗传操作，在各个群体中产出新的个体，使得良好的个体逐渐趋于优化。
2. 电力系统的研究优化问题电力系统中的优化问题是一个多目标的问题，与电力运行的安全性、经济性、环境保护等方面有关。
电力系统的问题主要包括发电机组的优化调度、电力质量的优化和电力的节约等方面。
2.1 发电机组的优化调度电力系统中的发电机组是整个系统的核心，其调度优化能否合理，直接影响到电力系统的质量和效率。
在发电机组的调度中，可以利用遗传算法来进行优化调度。
通过适当的传递优良特性的基因，使新的个体逐步趋于优良，不断优化，求得最优解。
2.2 电力质量的优化电力质量问题在电力系统内已经成为一个关键问题。
电力质量的优化主要是指在电力三相不平衡、电压闪变、频率跳变、电力谐波、电磁干扰等方面对电力质量进行有效的控制。
在优化过程中，可以利用遗传算法对问题进行分析和解决。
2.3 电力的节约在电力系统中，节约电力成为了一个重要课题。
通过遗传算法对于能源中节能的部分进行充分的探讨，能更好的研究和利用电力系统的优化问题。
3. 遗传算法在电力系统中的应用目前，在电力系统领域中，遗传算法已经被广泛应用，下面将分别介绍其在发电机组的优化调度、电力质量的优化和电力节约等方面的应用。
人工智能算法在电力系统故障诊断中的应用人工智能（Artificial Intelligence，简称AI）作为一种前沿技术，在电力系统领域的应用越来越广泛。
特别是在电力系统故障诊断方面，人工智能算法展示出了强大的应用潜力。
本文将探讨人工智能算法在电力系统故障诊断中的具体应用。
一、人工智能算法简介人工智能算法是指一类模拟人类智能行为的计算机算法。
在电力系统故障诊断中，常用的人工智能算法包括神经网络（Neural Network），遗传算法（Genetic Algorithm），模糊逻辑（Fuzzy Logic）等。
这些算法在数据分析、模型训练和故障诊断等方面发挥重要作用。
二、基于神经网络的故障诊断方法神经网络是一种模拟人脑神经元工作机制的计算模型，具有记忆、学习和自适应的能力。
在电力系统故障诊断中，神经网络可以通过训练大量的故障样本，实现对电力系统故障的自动诊断。
通过输入电力系统的实时数据，神经网络可以判断系统是否存在故障，并快速定位故障的具体位置。
三、基于遗传算法的故障诊断方法遗传算法是一种模拟生物进化过程的搜索算法。
在电力系统故障诊断中，遗传算法可以通过对故障的特征参数进行编码，并通过不断进化的方式寻找最优的参数组合，从而实现对故障的诊断与定位。
遗传算法的优点是能够全局搜索，避免陷入局部最优解。
四、基于模糊逻辑的故障诊断方法模糊逻辑是一种能够处理不确定性和模糊信息的推理系统。
在电力系统故障诊断中，模糊逻辑可以通过模糊化输入参数和输出结果，建立模糊规则库，实现对故障的推理和诊断。
相比传统的逻辑推理方法，模糊逻辑在处理模糊和不完全信息方面具有一定的优势。
五、人工智能算法的优势与挑战人工智能算法在电力系统故障诊断中具有以下优势：一是能够处理大量的实时数据，快速诊断故障；二是具有较强的自学习和自适应能力，可以自动优化模型参数；三是能够处理复杂的非线性关系，适用于电力系统多变量的故障诊断。
然而，人工智能算法在应用过程中也面临一些挑战，如数据质量不高、算法的可解释性不强等问题。
应用贝叶斯网络模型的电力系统故障诊断①徐建政1,李 强2,李建超3(1.山东大学电气工程学院,济南250061;2.青岛供电公司,青岛266002;3.聊城供电公司,聊城252053)摘要:遗传算法应用于电力系统故障诊断的一个难题是如何建立合理的数学模型。
针对这一难题,建立了基于元件的贝叶斯网络故障诊断模型,并通过一定的推理规则,根据贝叶斯网络形成遗传算法的目标函数,用遗传算法进行优化求解。
在应用遗传算法时,对传统算法进行了一系列的改进,改善了算法的收敛性能,提出了在迭代过程中推测不完备信息的方法,增强了算法对于大量不完备保护信息的处理能力。
大量算例表明了所述方法的合理性和实用性。
关键词:电力系统;故障诊断;遗传算法;贝叶斯网络中图分类号:TM711 文献标志码:A 文章编号:100328930(2010)0120091205Pow er System F ault Diagnosis Using B ayesian N et work ModelXU Jian2zheng1,L I Qiang2,L I Jian2chao3(1.School of Elect rical Engineering,Shandong University,Jinan250061,China;2.Qingdao Power Supply Company,Qingdao266002,China;3.Liaocheng Power Supply Company,Liaocheng252053,China)Abstract:A problem of Genetic algorithms applied to power system fault diagnosis is how to establish a rea2 sonable mathematical model.In response to this problem,bayesian network model is established for fault diag2 nosis,which is based on components.And then,objective f unction of the genetic algorithm is formed accord2 ing to the Bayesian network by certain reasoning rules.Finally,genetic algorithm is used to solve the fault di2 agnosis problem.In the application of genetic algorithms,a series of improvements are carried out on simple genetic algorithm to improve its convergence performance.A method is proposed to infer the most possible state of missing information in the iterative process,which can enhance the algorithm’s processing capabilities for large numbers of inadequate protection information.Some cases show that the poposed approach is reasona2 ble and practical.K ey w ords:power system;fault diagnosis;genetic algorithm;Bayesian network 目前用于电力系统故障诊断的方法主要有基于人工智能技术的人工神经网络、专家系统、遗传算法[1]、模糊理论[2]、Pet ri网络理论[3,4]、粗糙集理论[5]等。
基于人工智能的电力系统故障检测与诊断方法电力系统是现代社会必不可少的基础设施，它负责将电能从发电厂输送到用户，保障了工业生产和日常生活的正常运转。
然而，由于电力系统规模庞大、复杂性高，故障的发生无法避免，一旦故障发生，需要快速准确地检测和诊断，以保障系统的安全稳定运行。
随着人工智能技术的快速发展，借助人工智能技术进行电力系统故障检测和诊断成为可能。
人工智能的核心是模式识别和学习能力，这符合电力系统故障检测和诊断的要求。
以下将介绍基于人工智能的电力系统故障检测与诊断方法。
首先，基于人工智能的电力系统故障检测与诊断的一种方法是利用机器学习算法。
通过建立故障检测模型，通过大量的电力系统数据进行训练，使机器能够学习到不同故障模式的特征，并能准确地识别故障类型。
常用的机器学习算法包括支持向量机、随机森林和深度学习等。
这些算法能够自动从海量数据中提取有效的特征，并具有较高的准确性和稳定性。
其次，基于人工智能的电力系统故障检测与诊断的另一种方法是利用专家系统。
专家系统是一种基于规则和知识的推理系统，它能够通过人工定义和提取的规则和知识来进行故障检测和诊断。
专家系统中的规则基于电力系统运行经验和专业知识，通过与实际数据进行匹配和推理，可以快速准确地判断故障类型和位置。
专家系统的优势在于可以将人类的经验和知识转化为计算机的推理能力，提高故障检测和诊断的准确性。
另外，基于人工智能的电力系统故障检测与诊断还可以利用深度学习技术。
深度学习是一种模仿人类神经网络结构和工作原理的机器学习方法，它可以自动提取复杂的特征，并具有较强的学习和推理能力。
在电力系统故障检测与诊断中，通过构建深度神经网络模型，可以利用大量的电力系统数据进行训练，从而实现故障类型的准确识别和故障位置的准确定位。
深度学习技术的引入为电力系统故障检测与诊断带来了更高的准确性和效率。
此外，基于人工智能的电力系统故障检测与诊断还可以结合多传感器数据融合的方法。
基于遗传算法的电力系统故障诊断的解析模型与方法第二部分:软件实现文福拴 韩祯祥 田 磊 史觉玮 张怀宇*(浙江大学电机系 杭州310027,*浙江省电力局中调所)摘 要在本文第一部分所发展的故障诊断的解析模型与方法的基础上,首先提出了由计算机自动形成故障诊断的目标函数的方法,这是实现电力系统在线故障诊断所必需的。
之后,介绍了为浙江省电力局开发的电力系统在线故障诊断实用软件的构成与主要功能。
关键词 故障诊断 目标函数1 目标函数的自动形成将本文第一部分发展的故障诊断方法在线实际应用时,其目标函数也即其中的保护与断路器的期望状态值r *k (S )和c *j (S ,R )必须由计算机自动形成。
这是由于网络接线是经常变化的,而r *k (S )和c *j (S ,R )与网络拓扑结构有关,要求调度员在每次网络接线发生变化后人工修改目标函数中相应的r *k (S )和c *j (S ,R )是不切实际的,因此必须开发自动形成目标函数的方法。
此外,为提高运算速度以便于在线运用,故障诊断时应只对停电区域内有关的保护与断路器自动形成目标函数。
以本文第一部分中图1中的元件L 1(s 4)为例,先观察其对应的目标函数(参见本文第一部分),共有下面几项保护与断路器与其相关:L 1Am (即r 4)、L 1Bm (即r 5)、L 1A P (即r 8)、L 1Bp (即r 9)、L 1As (即r 12)、L 1Bs (即r 13)、CB 2(即c 2)、CB 3(即c 3)。
下面将其作分类分析。
第一类为主保护(r 4与r 5),它们的期望目标状态r *的表达式易实现。
即等于该元件的状态值,表达式为:r *4(S )=s 4,r *5(S )=s 4;第二类为第一后备保护(r 8与r 9),它们的期望状态的表达式也易实现。
只需反映出“主保护未动,第一后备保护应动作”这一动作原理即可。
它等于元件的状态值乘以(1-该主保护状态值),其表达式为:r *8(S )=s 4(1-r 4),r *9(S )=s 4(1-r 5);第三类为第二后备保护(r 12与r 13),它们的期望的状态函数较难形成。
从本文第一部分中式(13)与式(14)来看,它们包括了其它一些元件的状态值及一些断路器的状态值;第四类为由保护触发的断路器(c 2与c 3),它们的期望的状态函数c *的表达式在第三类第10卷第3期1998年9月 电力系统及其自动化学报Pr oceedings of t he EP SA Vo l.10N o.3Sept ember 1998 浙江省中青年科技人才培养专项基金和曹光彪高科技发展基金资助项目”资助本文1998年1月15日收到表达式形成后也较容易获得。
因此,我们主要处理第三类的函数表达式。
首先,引入“关联”这个概念。
这里的“关联”意义较广,泛指有联系的元件与保护、保护与断路器、元件与元件间的关系。
元件—保护间的关联,指该保护能划为该元件的主保护、第一后备保护、第二后备保护中的一种;保护—断路器间的关联,指一旦该保护动作,原理上能使这个断路器动作;元件1—元件2间的关联,指元件1的第二后备保护范围能够包括元件2,同时称元件2为元件1的关联元件。
其次,引入几个关联矩阵。
关联矩阵ERA(元件一保护)中的各元素为: er a 1,j =主保护名 j =1第一后备保护名j =2第二后备保护名j =3 ERA 为n e ×3维矩阵,其中n e =2n l +n T +n B +n G ,n l 为总线路数,n T 为总变压器数,n B 为总母线数,n G 为总发电机数,2n L 意指线路两侧的保护分别考虑。
关联矩阵RBA (保护一断路器)中的各元素为: r ba 1,j =0,若保护i 动作,原理上不可以跳开断路器j ;1,若保护i 动作,原理上可以跳开断路器j 。
RBA 为n r ×n c 维矩阵,其中n r 为保护总数目,n c 为断路器总数目。
关联矩阵REA(保护—元件)中的各元素为: r ea 1,j =0,若保护i 不能保护到元件j ;1,若保护i 能保护到元件j 。
这里的保护只包括第二后备保护。
REA 为n ′r ×n ′e 维矩阵,其中n ′r 为第二后备保护数,n ′e为总元件数(n ′e =n L +n T +n B +n G )。
例如,L 1As (r 12)能保护到B (s 2)和L 2(s 5),则有:r ea r 12,s 2=1,rea r 12,s 5=1。
最后,从r *k (S )和c *j (S ,R )的表达式中找规律,以便用计算机自动形成。
对于第一类、第二类的表达式,只要从关联矩阵ERA 中找到相关信息,就可以写出表达式来。
例如,对L 1(s 1),找到era S 1A ,1=r 4,era S 1B ,1=r 5,er a S 1A ,2=r 8,era S 1B ,2=r 9,er a S 1A ,3=r 12,er a S 1B ,3=r 13。
这样关于L 1两端的主保护,第一后备保护的信息都已得到,从而 r *主保护(S )=元件状态值 r *第一后备保护(S )=元件状态值×(1-r 主保护)这里r 主保护为该第一后备保护对应的主保护实际状态值(0:未动作,1:动作),元件为从ERA 中反向找到的某个保护对应的元件名。
例如,r *4(S )=s 4,r *8(S )=s 4(1-era S 1A ,1)=s 4(1-r 4)。
表1 L 1的关联元件表关联元件名关联路径 右侧 L 2 (s 5) B (s 2)左侧 A (s 1)CB 3,CB 4CB 3CB 2(C 3,C 4)(C 3)(C 2) 第三类表达式的自动形成要复杂些。
先从矩阵ERA 中找到L 1两端的第二后备保护名,再从矩阵REA 中找到这些保护保护到的元件。
例如从ERA 中找到L 1在A 侧的第二后备保护名L 1As (r 12),再从REA 中找到L 1的A 侧关联到的元件B (s 2)和L 2(S 5)。
但要写出完整的表达式,即本文第一部分中式(13)与式(14),还需要一个关于断路器的信息。
我们这里引入・9・1998年第3期 基于遗传算法的电力系统故障诊断的解析模型与方法第二部分:软件实现“关联路径”的概念,以便解决这一问题。
“关联路径”指一个元件到另一个元件,从系统结线图上来看,经过的一个或多个断路器的排列。
如L 1和L 2为关联元件,L 2是通过CB 4和CB 3连到L 1的,故L 1到L 2的关联路径为CB 3和CB 4。
为便于描述,建立L 1的关联元件表(表1)。
从这个表中可以写出下列表达式: r *12(S )=1-[1-s 2(1-c 3)][1-s 5(1-c 3)(1-c 4)] r *13(S )=s 1(1-c 2)r *12(S )即为:1-[1-关联元件1的状态值×(1-关联路径上的断路器1的状态值)×(1-关联路径上的断路器2的状态值)×…]×[1-关联元件2的状态值×(1-关联路径上的断路器1的状态值)×(1-关联路径上的断路器2的状态值)×…]×[1-关联元件3的状态值×(1-关联路径上的断路器1的状态值)×…]×…。
这样表达后可以自动形成第三类保护的期望的状态表达式。
第四类为断路器的期望的状态表达式,只需按元件状态REA 保护RBA 断路器的路径找到保护触发断路器名,这些断路器可能不止一个。
记下这些保护名,c *j (S ,R )等于这些保护的期望状态函数值乘以该保护实际状态值所得值中的最大值。
例如对断路器CB 2,从RBA 中找到j =CB 2,且r ba i ,j =1的所有i (i 代表相关的保护的集合)为:r 1(A m ),r 4(L 1Am ),r 8(L 1Ap ),r 12(L 1As ),又有:r *1(S )=s 1,r *4(S )=s 4,r *8(S )=s 4(1-r 4),r *12(S )=1-[1-s 2(1-c 3)][1-s 5(1-c 3)(1-c 4)],所以:c *2(S ,R )=M AX 〈s 1r 1,s 4r 4,s 4(1-r 4)r 8,{1-[1-s 2(1-c 3)][1-s 5(1-c 3)(1-c 4)]}r 12〉这样,在获得矩阵ERA 、REA 与关联元件表后,就可以自动形成r *k (S )与c *j (S ,R )的表达式。
剩下的问题是如何根据系统拓扑结构自动形成元件的关联元件表。
首先,根据REA 确定第二后备保护的保护范围。
之后,在这个范围内搜索出所有的元件名,同时确定搜索路径(即元件与元件间通过哪些断路器相连)。
根据现行的保护整定原则,变压器的第二后备保护范围一般在本变电站内,线路一侧的第二后备保护可以保护到对侧厂站及对侧厂站相邻的下一个厂站内,但一般不会保护到对侧厂站变压器以后的元件。
这个范围已是较保险的,一般情况下故障范围不会蔓延到两个厂站(变电所)外。
这样,对于变压器,我们只在它所在的变电站内进行搜索,首先找到它所连结的断路器K ,再找到开关另一侧元件号e 1,同时记下K 与e 1。
按照同样的步骤,再从e 1开始搜索,找下一个关联元件e 2。
重复上述过程,直到找到的元件不在该变电站内,或者这个变电站里的元件已被搜索完为止。
我们用本文第一部分中的图2中的T1为例解释一下这个过程。
图1 T 1关联元件的搜索过程示意图・10・电力系统及其自动化学报 1998年第3期表2 T 1的关联元件表关联元件名B1A 1B2L 1L 3F1T 2L 2L 4关联路径CB 4CB 2CB 4CB6CB 4CB7CB 4CB9CB 2CB1CB 2CB3CB 4CB6 CB8CB 4CB6 CB1对于线路,可按上述类似步骤进行搜索,限于篇幅,这里不作介绍,可参看文献[1,2]。
当两个元件间有两条或者两条以上的关联路径时,几条路径名都要保存下来。
在本文第一部分所述的故障诊断的目标函数中,对于连接同样两个元件的几条路径是以取其中的最大值进行处理的。
这是考虑到一个元件e 1故障时,另一个元件e 2的第二后备保护的启动可能不单靠一条线路的信息。
但只要有一条路径的信息使之动作,就可以说明e 1故障。
停电区域形成后,上述关联元件表的自动形成就可在这些停电区域中进行。
搜索过程可以根据被扫描到的元件是否属于停电区域为标志。
如果是,则继续搜索;不是,则停止该方向的搜索,而转向下一个方向。
总之,变电站实时结线分析的功能有两个方面:(1)找出待处理的停电区域(可以是一个或几个小网络),以便于用遗传算法快速诊断;(2)找出停电区域的关联元件以及关联路径,便于自动形成目标函数。
