学位论文 > 优秀研究生学位论文题录展示

软计算方法及其在电力系统故障诊断中的若干应用研究

作　者: 苏宏升
导　师: 李群湛
学　校: 西南交通大学
专　业: 电力系统及其自动化
关键词: 软计算粗糙集模糊集神经网络故障诊断电力系统
分类号: TM73
类　型: 博士论文
年　份: 2007年
下　载: 660次
引　用: 4次
阅　读: 论文下载

内容摘要

电力系统是一个非常复杂的广域系统，网络互联，错综复杂，纵横几千里。在这个巨型系统内，各种各样的开关、设备、元件以及硬软件交织在一起，交相辉映，形成一个规模庞大、开放的异构系统。另一方面，由于电能在生产和消费过程中不能够贮藏，任一时刻发出的总电能等于系统消费的总电能。因此，电力系统是很有特点的复杂系统。开放的异构系统是一个复杂的系统，对于在不确定、不确知环境中的复杂问题求解和管理成为有关领域研究的核心。随着电力系统的日趋复杂和开放，电力系统面临着许多新问题，如在电力设备故障诊断与维护、无功控制及电网调度等方面。对于这些问题，传统的方法以及某些新出现的方法都不能很好地解决，总是或多或少地存在着问题。而软计算方法的建立和发展却为解决这一问题提供了有效的途径，它们能被用于传统方法和其它新方法未能很好解决的遗留问题。因此，必须针对电力系统的具体问题，提出新的、适合特定领域问题求解的、具有普适性思想和算法。本文基于粗糙集、模糊集和神经网络等软计算的方法和理论，提出并讨论了一些软计算方法及其计算模型，以及这些模型是如何用来求解电力系统问题的。包括它们在某些领域的创新应用以及解答以前我们未能很好理解的问题。具体为：针对变压器故障诊断过程中故障征兆信息的模糊性以及故障群和征兆群之间的复杂对应关系，提出采用粗糙集、模糊集和证据理论进行变压器故障诊断的方法。将模糊信息融合在贝叶斯最优学习器中，提供解决上述问题的另一途径。接着将Vague信息嵌入到贝叶斯最优学习器中，形成能同时处理正、反两方面模糊信息和不确定信息的新的贝叶斯最优学习器。基于上述诊断结果，采用贝叶斯风险决策的概率粗模型，探讨可能的维护策略。采用粗糙集及其它软计算方法对变电站故障信息进行分层挖掘和诊断。对变电站故障区域进行划分，降低问题求解规模，提高可靠性、实时性和准确性，增强抗干扰能力，增加诊断过程的透明性和解释能力。提出采用Kohonen网络离散化方法对汽轮机振动故障诊断决策表连续属性值离散化，并用粗糙集约简，最终采用集成神经网络分类器进行汽轮机振动故障诊断的新方法。

全文目录

摘要  6-8
Abstract  8-12
第一章绪论  12-29
  1.1 引言  12-14
  1.2 软计算方法及其特点  14-17
  1.3 几种重要的软计算方法  17-20
    1.3.1 粗糙集  17-18
    1.3.2 模糊集  18-19
    1.3.3 神经网络  19-20
  1.4 混合计算智能  20-23
    1.4.1 粗糙集、模糊逻辑与神经网络的结合  21
    1.4.2 小波、粗糙集与神经网络的结合  21-22
    1.4.3 粗糙集、神经网络与专家系统的结合  22-23
  1.5 电力系统故障诊断中存在的若干问题  23-25
  1.6 软计算方法在电力系统故障诊断中的优越性  25-26
  1.7 软计算方法在电力系统中的应用现状  26-27
  1.8 论文的主要工作  27-29
第二章软计算方法的基本计算模型  29-36
  2.1 粗集计算  29-30
  2.2 模糊计算  30-31
  2.3 神经计算  31-34
    2.3.1 信息的前向传播  32
    2.3.2 误差的反向传播  32-34
  2.4 软计算方法的集成模式研究  34-36
    2.4.1 软计算方法的组合集成  34
    2.4.2 软计算方法的分层集成  34-35
    2.4.3 软计算方法的容错集成  35
    2.4.4 软计算方法的综合集成  35-36
第三章基于粗糙集、模糊集和证据理论的变压器故障诊断方法  36-48
  3.1 问题的提出  36
  3.2 模糊逻辑基础  36-37
  3.3 两个论域粗集  37-38
  3.4 证据理论  38-40
  3.5 变压器故障诊断证据推理模型  40-41
  3.6 基于粗糙集、模糊集和证据推理的变压器故障诊断方法  41-47
  3.7 小结  47-48
第四章基于粗集、模糊集和贝叶斯最优分类器的变压器故障诊断方法  48-63
  4.1 问题的描述  48-49
  4.2 贝叶斯最优分类器  49-51
    4.2.1 贝叶斯法则  49-50
    4.2.2 贝叶斯最优分类器  50-51
  4.3 基于模糊逻辑的贝叶斯最优分类器  51-52
  4.4 基于VAGUE集的贝叶斯最优分类器  52-57
    4.4.1 VAGUE集  52-53
    4.4.2 基于VAGUE集的贝叶斯最优分类器  53-57
  4.5 贝叶斯风险决策的概率粗模型  57-62
  4.6 小结  62-63
第五章基于粗集和神经网络模型的变电站故障分层诊断方法  63-82
  5.1 问题的提出  63-64
  5.2 粗集理论基础  64-65
  5.3 多层感知器  65-67
  5.4 基于粗集理论的多区域神经分类器变电站故障诊断方法  67-71
  5.5 朴素贝叶斯学习器  71-73
  5.6 基于粗糙集理论的朴素贝叶斯学习器推理方法  73-75
  5.7 基于粗集和神经网络模型的变电站故障分层诊断  75-76
  5.8 变电站故障分层诊断过程  76-81
  5.9 小结  81-82
第六章基于粗集理论的汽轮机振动故障集成神经网络诊断方法  82-102
  6.1 问题的提出  82-83
  6.2 系统描述  83-84
  6.3 基于KOHONEN网络的数据离散化方法  84-87
  6.4 基于粗集理论的决策表属性约简  87-90
  6.5 多层前馈神经网络设计  90-92
  6.6 集成神经网络设计  92-100
  6.7 小结  100-102
第七章结论  102-104
  7.1 本文取得的主要研究成果  102-103
  7.2 需进一步研究的问题  103-104
致谢  104-105
参考文献  105-119
博士期间发表的论文及科研成果  119-120

软计算方法及其在电力系统故障诊断中的若干应用研究

内容摘要

全文目录

相似论文