畢業論文基于遺傳算法的復雜電網故障診斷方法的研究-資料下載頁

　　

【正文】 表線路，T代表變壓器，S和R代表線路的首末兩端，m代表主保護，p代表近后備保護（第一后備保護），s代表遠后備保護（第二后備保護），還有f表示斷路器的失靈保護。圖6 算例系統圖 故障以及報警信息的分析當母線B2以及變壓器T3同時發生故障的時候，斷路器以及保護的動作過程會發生以下變化：首先變壓器的主保護T3m會發生動作，斷路器QF14拒動，斷路器QF16斷開，失靈保護QF14f會動作，使QF12，13，19斷開。然后母線B2的主保護B2m發生動作，斷路器QF10拒動，斷路器QF4，6，8斷開，失靈保護QF10f拒動，引起線路保護L3Rs發生動作，斷路器QF28斷開。最后接收到L3Rs ，T3m，T3p， QF14f，QF4，QF6，QF8，QF12，QF16，QF19，QF27動作的警告信息。通過以上收到的警告信息，能夠確定：={1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0}；={1, 1, 1, 0, 1, 1, 0, 1, 1, 1}。以及對M和D部分分量的確定：， 均等于0。 故障診斷求解以及結果分析通過以上的相關故障診斷的警告情況結果，確定出優化后的目標函數：上式中w1=，w2=，w3=100。通過遺傳算法的優化計算方法求解，隨機的初始化40個目標，迭代 次 數 設 置成1000。同時為了方便收斂，在初始群的R與C分別在 R` 與 C` 附近取值，M 與 D部分未確定的 分量 在零向量 的附近取值。在多次的實驗之后，發現每次的結果都能再迭代200次之前收斂，并且目標函數E（G），最優的算子為G*。并且：S*= {1, 0, 1, 0, 0}R*= {1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0}C*= {1, 1, 1, 0, 1, 1, 0, 1, 1, 1}M*= {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0}D*= {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0}上述所表示的是：1) 母線B2以及變壓器T3同時發生故障。2) 變壓器的主保護T3m與線路L3的遠后備保護動作以及斷路器失靈保護QF14f動作。3) 部分斷路器QF4，QF6，QF8，QF12，QF13，QF16，QF19，QF27斷開。4) 斷路器QF10與QF14拒動并且失靈保護QF10f拒動。5) 根據對比R*和R`以及C*和C`可以知道T3p動作警告信息發生誤報并且保護B2m警告信息漏報。基于遺傳算法的故障解析模型的診斷方法在案例中的測試結果如下表：表1 故障診斷的結果電網故障保護和斷路器的警報信息診斷結論評價A3與B6故障A3m，B6m，QF21，QF22，QF23，QF25，QF26，…QF30A3，B6故障，QF24以及QF26f漏報，QF26拒動正確A3與T5故障A3m，T5p，QF21，QF26，QF28，QF30A3，T5故障，QF26f以及QF22漏報，QF24拒動正確T7故障T7m，QF34f，QF32，QF33，QF37，QF38，QF39T7故障，QF36f漏報，T1m，QF34以及QF36拒動正確L3與L4故障L4Sp，L5Sp，L4Rm，L5Rm，QF9，QF10，QF24，QF26，QF30，QF28fL3與L4故障，L4Sm，L5Sm以及QF28拒動正確 本章小結本章首先通過介紹故障診斷的解析模型，然后引出基于遺傳算法的故障診斷解析模型，并確定其目標函數，然后通過一個經典算例的系統來驗證。從保護以及斷路器的故障診斷信息中獲得相關結論。充分的利用了遺傳算法對復雜電網故障診斷的研究，得到令人滿意的效果。不僅反映了本文所建立的模型以及目標函數的正確性，也說明了遺傳算法在復雜電網故障診斷中的可行性與有效性。結 論近些年來，電力系統規模的日益擴大及其不斷復雜化的設備給故障診斷的準確性、及時性帶來很大的挑戰。并且，隨著電網自動化水平的不斷提高，越來越多的自動裝置應用到電力系統中，當電網發生故障時，大量的報警信息會迅速地、不加選擇地涌入控制中心，特別是同時出現多種故障并伴隨有保護和斷路器拒動、誤動的情況時，故障診斷問題將會變得異常復雜。目前，電網故障診斷方法按照其診斷原理可歸納為基于推理的人工智能方法、基于不確定性理論的故障診斷方法、基于優化思想的故障診斷方法和多種故障診斷方法融合的診斷方法這四類，而人工神經網絡因其能模擬人類大腦處理問題的過程及經驗并具有強大的自學能力以及對不完備數據的處理能力，而被廣泛應用于電網故障診斷領域。1. 研究成果本文主要做了以下幾點工作：1) 了解并介紹了電網故障診斷的相關內容以及其各種方法；2) 深入的學習并介紹了遺傳算法在電網故障診斷中的原理以及其應用；3) 通過建立解析模型并由案例分析驗證了其方法的有效性與可行性。2. 展望由于時間的關系，本文所研究的仍然不夠完整，對基于遺傳算法的故障診斷研究依然有很多需要后續工作。主要存在以下幾點內容：1）診斷更大的電網，考慮更多的故障類型。本文在電網故障診斷部分，網絡規模較小，且算例中考慮的保護類型較少，主要考慮了線路主保護、后備保護和母線主保護以及變壓器主保護，不能普遍反應復雜電網故障診斷的情況。故在后續學習中，可以考慮更大規模的電網，并按照實際配置的保護情況來建立診斷模型。2）與其它診斷方法融合，提高診斷效率如果診斷的電網較復雜，規模更大，則利用文中基于遺傳算法的故障診斷模型就會變得很復雜，因此融合多種方法，最快并且最優地進行故障診斷，成為當前的一大熱點。在完成論文的過程中，還遇到了很多其它問題以及在處理過程中存在各種各樣的不足，這將成為我今后學習、研究的目標，以使得本文建立的基于遺傳算法復雜電網故障診斷的模型得到不斷的完善和改進。參考文獻[1] 孫可，韓禎祥，曹一家. 復雜電網連鎖故障模型評述[J]. 電網技術,2005,(13):19.[2] 石立寶,史中英,姚良忠，倪以信，Masoud [J]. 電網技術，2010，(03):4854.[3] ：華北電力大學，2005.[4] ，2008.[5] Park Y M，Kim G W，Shon，J M. A logic based expert systems for fault diagnosis of power system[J]. IEEE Transactions on Power System, 1997, 12(1)：363369.[6] Fukui C. Kawakami，J. An expert system for fault section estimation using information from protective relays and circuit breaks. IEEE Transactions on Power System, 1986，1(4)：8390.[7] T. Minakawa，Member, M. Kunugi， Member. Development and implementation of a power system fault diagnosis expert system. IEEE Transactions on Power Systems, (2)：932940.[8] [J]. 電力系統及其自動化學報,2001，(01)：4145.[9] Tanaka H, et al. Design and evaluation of neural network for fault diagnosis. Proc. Of ESAP`89，USA，1989.[10] 文福栓, 韓禎祥. 基于遺傳算法和模擬退火算法的電力系統的故障診斷[J]． 中國電機工程學報,1994,14(3)：2935.[11] , . Fault section estimation in power systems using a genetic algorithm. Journal of Electric Power System s Research，1995，34(3)：165172.[12] , . Probabilistic approach for faultsection estimation in power systems based on a refined genetic algorithm. IEE . Tvansm Distrib. (2).[13] WENFS，CHANGCS．Probabilistic approach for faultsection estimation in power system based on a refined genetic algorithm[J]．IEE Proceedings： Generation，Transmission and Distribution，1997，144(2)：160168．[14] 文福拴, 韓禎祥等. 基于遺傳算法的電力系統故障診斷的解析模型與方法(一). 電力系統及其自動化學報, 1998, 10(9)：17.[15] 文福拴, 韓禎祥等. 基于遺傳算法的電力系統故障診斷的解析模型與方法(二). 電力系統及其自動化學報, 1998, 10(9)：813.[16] 文福拴, 韓禎祥等. 基于遺傳算法的電力系統故障診斷的解析模型與方法(三). 電力系統及其自動化學報, 1999, 11(3)：813.[17] 許儀勛, 陸拯, 郭志忠. 基于遺傳算法的電力系統分層信息故障診斷方法. 電力系統自動化, 2000, 28(10)：1518.[18] 段玉倩, 賀家李. 遺傳算法及其改進. 電力系統及其自動化學報, 1998 , 10(3)：3952.[19] 李慧玲,李春明. 一種基于遺傳算法和神經網絡的故障診斷方法[J]. 電力科學與工程,2011,(04)：4347. [20] 孟祥萍,潘瑩,耿衛星,霍飛,高燕. 混沌免疫遺傳算法在電力系統故障診斷中應用[J]. 電力自動化設備,2007,(05)：8183.