针对大规模电网故障诊断使得NN模型结构规模扩大而导致NN训练和应用的复杂性，有学者研究提出建立分层分布式的NN群组来解决［30～31］此类问题。文献［30］是根据电网结构分区结构，利用决策树推导构造形成分布式NN诊断群组，将各分布NN的结果综合起来得出故障诊断结论。文献［31］除基于知识模型组成分布式NN外，还根据高压网络保护的层次性，同时还隐含了动作的时间序列，在此基础上提出了具时空特性的分层分布式的NN群组来构造一个完整的高压输电线路故障诊断系统。
在已研究的基于BP－NN的电力系统故障诊断中，大多数的研究更强调如何提高学习算法的收敛速度，克服陷入局部极小点，提高精度；或者根据研究目标的需要改变ANN模型结构，通过对ANN的知识分层分布存储来提高和改善NN泛化能力，联想记忆性能，在此同时也改善了容错性能。但是明显的缺乏对影响ANN容错性的因素和如何提高ANN容错性能的系统性的研究。
从以上对基于ES、ANN的FD－PS问题的分析和讨论可知，它们都有各自的不足。所以在研究具体问题时，根据需要可以将两者结合，解决问题的不同方面［32～33］，可以达到取长补短的效果。文献［32］用NN实现知识获取、知识表示、推理和知识维护，将故障诊断的知识隐含于ANN的连接权矩阵中，将实时信息作为ANN输入信息进行推理。但在某些特殊结构化的推理过程中，由NN来处理会导致结构比效繁琐，这时候由ES来处理可大大地简化知识推理。另外，由ES构造解释模块来实现解释较为方便，更提高系统的透明度。这样就将ES的解释推理能力与ANN的快速执行和学习能力有机的结合起来。文献［33］提出利用一组BP－NN模型和ES进行报警处理，其中每个BP－NN模型负责识别单个变电站或某区段的故障，而由ES根据故障信号确定调用相应的BP－NN诊断模型对故障进行处理，这样还可以利用ES依次调用相关的NN模型而达到识别系统中发生多重故障的情况。
综上分析ANN在故障诊断中应用的局限性为：1)对于有导师学习的ANN模型，具有较好的内插结果和相应的联想容错能力。但ANN外推时误差较大，难以保证解的准确度和容错性能。因此，要确保具有全面的、代表性的样本集提供给ANN训练学习，它们是保证和提高ANN容错性能的一个最基本的因素；2)系统结构发生变化，则有可能需要改变ANN的组成结构，或增加新的样本重新学习获得新知识；3)ANN难以实现基于结构化知识的逻辑推理；4)缺乏解释能力，诊断结果不易于运行人员理解。另外，如何确保ANN训练时收敛的快速性和避免陷入局部最小，也是每一个基于ANN的诊断系统必须面对的问题。
4 基于FST的电力系统故障诊断［34～42］
FST是L．A．Zadeh教授于1965年创立的模糊集合理论基础上发展起来［34～35］，它突破了经典集合用0和1表示非此即彼的清晰概念，而采用模糊隶属度的概念来描述不精确的、不确定事件与现象，并引入语言变量和近似推理的模糊逻辑，来表述专家的经验知识。FST经过多年的研究，已成为具有完整推理体系的人工智能技术之一。在电力系统故障诊断系统中，根据具体知识表达或推理的需要引入FST，使得精确推理相应转换为近似推理，在一定程度上也提高了故障诊断系统的容错性。FST与其它AI技术相结合(如ES、ANN、GA等)相互渗透，取长补短。FST的加入，使各相应智能诊断系统在电力系统故障诊断在分析不确定因素问题上原理更成熟，技术更完善，而性能得到相应的提高。
FST在电力系统故障诊断的应用中分两类情况：第一类认为诊断所依据的信息正确，但故障与对应的动作保护装置和断路器状态之间存在不确定的关联关系，用模糊隶属度来对这种可能性进行描述的度量；另一类则是认为诊断所依据的报警信息的可信度不为1，而根据系统网络拓扑与故障所发生动作保护、断路器状态赋予报警信息的可信度，再由ES或ANN给出故障诊断结果的模糊输出。文献［36］属前一类，认为故障与动作的保护装置之间，动作的保护装置与所控制的断路器之间可以存在不确定的关联关系，可用模糊数学来描述它们之间的关联关系。根据可能的故障，可寻找由故障点到报警信息可能的通路，再寻找故障点与可能动作的保护装置之间，动作的保护装置与可控制的断路器之间关联关系合成总的模糊度，用以表示故障诊断位置可能性的度量。
4/7 首页 上一页 2 3 4 5 6 7 下一页 尾页
