1)在电力系统故障诊断ES研究中，知识获取的工作一直给予研究者很大的压力。如何更有效、更全面的获取专家知识，是构造一个完备的ES的诊断系统不得不必须面对的难题。
2)ES的知识表达：知识表达方式和知识构造质量是ES成功的关键；专业知识和专家启发性知识转化和形成完备的知识库仍是故障诊断ES的瓶颈；知识库的可维护性也是极其重要的，知识库不完整或不一致可能导致ES推理混乱并得出错误的结论。
3)ES的高容错性推理：无论何种知识表达方式，当发生故障时，都是依据故障信息所对应知识库进行树图的搜索。而知识库是建立在诊断问题所对应的知识树，它是按预先领域知识构造成的组合固定的树，而并非是任意组合的，其自学习能力是极有限的。但实际中的FD－PS问题所依据的故障信息都属于实时信息，在现实的环境中，信息在形成和传递过程中发生信息畸变的可能性是不可避免的，易出现知识库没有涵盖的新故障情况。会使得基于知识推理ES陷入无穷递归，无法求解或得出错误解。故ES的容错能力较差，这是用于实时ES的最大局限性。
因此，将具有自学习和联想功能的ANN，基于FST的不确定性推理与ES技术相结合，是近年来ES发展的主要趋势。
3 基于ANN原理的电力系统故障诊断［21～46］
ANN也是AI技术的一个重要分支，基于ANN原理的FD－PS与基于ES原理的FD－PS相比，其最大的特点是不需要为专业知识与专家启发性的知识转化、知识形成、知识表达方式和知识库构造作大量工作，而只需以领域专家所提供的大量和充分的故障实例，形成故障诊断ANN模型的训练样本集，运用一定的学习算法对样本集进行训练。通过有导师监督的训练学习使ANN实现知识的自我组织，自我学习能力。经学习后，在神经元及它们之间的有向权重连接中蕴涵了处理问题的知识，即它的知识表达不同于ES的显形表达，是隐式的并具有一定的联想和泛化能力；对已训练的ANN模型，由于问题的求解就蕴涵于ANN的权值中，因此它的推理也是隐式的，执行计算速度很快。由于ANN具有强的自组织、自学习能力，鲁棒性高，免去推理机的构造，且推理速度与规模大小无明显的关系［21～24］，很快引起人们的重视，使得基于ANN的故障诊断的研究也日益广泛。ANN除在电力系统故障诊断中的应用外，在故障定位和故障类型识别等方面也有不少的应用。
文献［25］提出基于BP算法FNN模型，对电力系统故障诊断作了初步的研究。为了克服BP算法训练速度慢，陷入局部最小可能的缺点，文献［26］用附加动量因子BP算法对一个小型的电网模型结构进行诊断，并对改进BP算法中动量因子的取值，FNN的隐层节点个数和层数对诊断性能的影响进行了分析。
文献［27］使用局部逼近的径向基函数NN(RBF－NN)实现对电力系统的故障诊断，通过对一个小规模的网络结构，对基于BP－FNN、RBF－NN及自适应RBF－NN三种故障模型算法进行仿真对比，它们均以输电网络中设备的保护和断路器的状态作为输入，可能的故障位置作为输出，以0，1逻辑值表示输入、输出元素激活与否。基于径向基函数的NN学习收敛速度比较快，泛化能力比常规的BP－FNN更好，但相应的应用条件也比较严格。
FD－PS所依据的是实时故障信息，在信息畸变的情况，尽管FNN具有一定的泛化能力，但仍存在容错性的问题。为提高基于ANN的FD－PS的容错性，文献［28］利用NN组合模型来提高FD－PS的容错性，文中模仿ES推理方式建立了正、反向推理的FDNN和BTNN，评定CNN的组合。它们中各个NN又按故障的类别组合划分成几个相应的子NN。其中各FDNNi都接收保护信息和断路器的状态作为输入，以表示故障位置(设备类型、编号)和故障类型的故障编码为输出。而BTNNi的输入、输出是与FDNNi正好相反，即是FDNN的逆映射。各相应的评定CNNi是故障编码与主、后备保护之间的关联。该系统可通过正向、反向NN的相互校核，对某些错误信息能鉴别，因此对诊断系统的容错性能有一定程度的改善。但该方法使系统的复杂性增加，特别是电力系统规模大时，问题更突出。文献［29］提出用Boltzmann机和BP－NN模型组合进行故障诊断，将正常的报警模式存储于Boltzmann机中，当故障发生时，首先将利用Boltzmann机对实时故障信息进行纠错处理，再将纠错处理后的输出作为诊断BP－NN模型的输入进行故障诊断。这样可在一定程度上实现对错误信息的纠错，从而提高诊断的容错性。
3/7 首页 上一页 1 2 3 4 5 6 下一页 尾页
