基于粗糙集理論和量子神經網絡的電網故障診斷方法研究.pdf

1、變電站自動化和無人值班是當今電網調度自動化領域的熱門課題。隨著電網規(guī)模的不斷擴大，當電網發(fā)生故障尤其是復雜故障或自動裝置動作不正常，開關、保護存在誤動、拒動以及因信道干擾而發(fā)生的信息丟失等諸多不確定因素時，電力系統(tǒng)響應將會復雜化，給電網故障診斷造成很多困難。因此，有必要發(fā)展一種受錯誤信息干擾小、容錯性強的故障診斷方法，以協(xié)助調度人員迅速識別故障，保證電力系統(tǒng)的安全穩(wěn)定運行。這對于保證系統(tǒng)安全運行以及提高供電可靠性是一個非常有意義的研究課

2、題。以往的研究表明，即使是容錯性較強的人工神經網絡，處理交叉數(shù)據模式識別問題的效果也不夠理想，在樣本出現(xiàn)錯誤數(shù)據特別是多重故障的情況時，提供的診斷結果可信度大大降低。 本文在借鑒量子信息相關理論以及深入研究各種典型的人工神經網絡的基礎上，提出運用基于多層激勵函數(shù)的量子神經網絡進行模式識別和故障診斷。量子神經網絡是借鑒量子力學相關概念的一種新型神經網絡，它通過不斷更新不同層神經元的連接權以及隱含層各神經元的量子間隔，以達到提高容錯

3、性的目的。仿真實驗表明，該方法對存在誤動信息的不完備數(shù)據，表現(xiàn)出明顯強于傳統(tǒng)神經網絡的特性。這一方法對存在一定錯誤信息的故障決策表也具有良好的識別能力，能夠較大程度地提高電網故障診斷的準確性。在此基礎上，考慮到大電網故障決策表的復雜性，為了提高故障診斷速度和進一步驗證量子神經網絡的診斷效果，本文采用粗糙集理論的可辨識矩陣進行屬性約簡，以作為量子神經網絡診斷系統(tǒng)的預處理方法。對大規(guī)模電網的仿真實驗表明，該方法降低了網絡的訓練時間和訓練復雜