一、基于神经网络和专家系统的变电站故障诊断和处理系统的构想（论文文献综述）
王钊[1]（2020）在《500kV变电站的故障诊断方法研究》文中研究指明随着我国电力事业的发展,电力系统的结构越来越复杂,线路之间通过变电站紧密的连接在一起,形成一个网状结构。在东北地区,500kV系统是电网的主网架,500kV变电站是主网架的关键节点,其线路结构复杂,保护配置多。当事故发生时,保护和断路器会产生大量故障信息,信息采集系统会将故障信息采集传输到变电站的监控界面,运行人员需要根据故障信息及时、准确的找出故障点、分析故障类型和故障原因。然而在故障发生时,由于设备本身可能存在缺陷或受到外界因素的影响,造成故障信息不准确,给故障诊断带来困难,因此500kV变电站的故障诊断技术的需要不断的提升。为提高故障诊断结果的可靠性,本文以北宁500kV变电站为例从开关量和电气量两个方面进行故障诊断分析。首先针对500kV变电站线路结构复杂和具有双重保护配置,在故障发生后,产生的故障信息量大,信息准确性判别难的问题上,将变电站的时序关系引入到故障诊断分析中,建立时序贝叶斯故障诊断模型。通过时序约束对接收到的保护和断路器的动作信息进行验证,然后结合信息熵理论确定模型中各个节点的动作初始概率,再通过模糊推理的方法计算出最小故障诊断结果集。此方法提高了依靠故障信息进行故障诊断的准确性,但其对开关的动作完备性要求较高。其次,除了保护和断路器等开关量的状态出现改变外,故障处的电流、电压等电气量也会出现突变,使用小波使分析方法提取电气量的特征值来描述可疑元件的故障度,通过比较可疑元件的特征值,可以确定发生故障的元件。此方法可以对断路器的实际动作情况做出评价分析,但其诊断过程过于单一,对故障类型难以判别。在此基础上,引入信息融合技术,建立DS（Dempster Shafer）证据理论信息融合诊断模型,将两种诊断方法获得的诊断结果作为作为证据体输入,通过DS融合决策诊断,获得最终诊断结果。与单个诊断方法相比,信息融合诊断将电气量和开关量进行融合决策,提高了诊断结果的精确性。仿真结果表明该方法精度更高、有效性更好。
童晋[2]（2020）在《基于雾计算的电力系统监测网络关键技术与应用》文中研究说明伴随着智能电网、电力物联网与能源互联网的快速发展,边缘节点的数量呈指数级增长,对传统电网基于中心化的运行方式与通讯逻辑提出了挑战。日益增长的基础数据将极大地占用系统云端的计算与通讯资源,而底层网络中却存在计算与通讯资源富余的情况。因此,如何在不影响系统运行的情况下,高效地利用边缘资源来削减云端压力是亟需解决的问题。雾计算作为云计算的延伸,将各类服务自云端拓展至边缘,用于提供低延时网络服务、高效数据传递和资源利用率,被认为是提升系统处理边缘问题效率的不二之选。然而,不同于通用系统,电力系统中固有的运行与成本需求对雾计算的应用提出了更高的要求。一方面,雾计算需兼容于现行电力系统监测网络,在较低的建设成本的基础上提供更优的网络功能是其应用的前提。另一方面,由于雾计算中额外运算和通讯将增加节点功耗,因此节点的能量来源和能耗的削减是其能否可靠运行的保证。因此,本文拟从基于雾计算的电力系统监测网络架构、节点能量来源、网络的运行管理三方面展开研究,并结合电力系统短路故障的监测所需,提出基于雾计算的算法案例作为其应用实效性的支撑,本文的主要工作概况如下:1)将雾计算架构整合入电力系统监测网络范畴内。在基于现有电力系统监测网络基础设施,满足现行系统的数据采集与传输的基础上,雾计算架构被用于提高系统边缘和站点间富余的计算和通信资源的利用率。其中,软件定义网络被用于控制并管理节点间的通信,进而实现雾计算的通讯逻辑。该架构具备更短的事件处理流程,适应各类不同事件的触发情况。文中同时对所提出的雾计算通讯逻辑进行了仿真,并验证其具备更低的通讯时延的特性。2)研究电力系统站外节点的能量供给方案,解决雾计算应用中底层节点所需能量问题,进而削减因强电磁环境带来的通信成本上升问题。雾计算的应用将提升监测网络中底层节点的能耗,本文通过分析电力系统站外环境中可供采集的环境能量,阐述了电力系统站外节点的能量供给策略,并整合环境能量采集方案为部署于架空线路上的感知节点设计一种能量供给方案,进而将线路沿线感知节点的维护与通讯、计算节点分离,降低系统的运营与维护成本。3)研究降低监测网络运行能耗的雾计算网络运行能耗管理方案,着力提升监测网络运行寿命。方案基于盲克里金代理模型,被配置在更贴近监测节点的信息汇聚节点中运行,无需上层网络的信息与控制。通过将离散的监测数据整合成对应的数学模型,部分节点的监测信息可由模型代为预测,从而减少节点的运行次数,平衡监测精度与能耗之间的关系,最高可提高底层监测网络36.22%的运行寿命。4)以电力系统短路故障为例,研究提升电力系统运行安全性的雾计算用例。基于本文提出的雾计算监测网络架构与现有电力系统通信网络提出一种诊断精度高、容错能力强、资源需求少的短路诊断新方案,可应用为现行方案的增补。其中,具备高效通讯能力和计算能力的IED被定义为雾计算节点,节点所采集的保护信息被定向处理成极小的目标知识,可以在线路上的相关雾节点之间完成快速交互。互为相关的知识在雾节点中共同构建故障矩阵并计算出自身线路的诊断值,从而完成故障线路的定位。该方案的有效性基于IEEE 118系统验证,在具有更高的响应效率的同时,兼具良好的容错性,可以在任意三个错误信息的情况下保持100%的准确性。同时,文中基于现有电力系统通信网络,对知识交互进行仿真,验证本文所提的雾计算架构在不同网络状态下的延迟特性。
刘钺[3]（2019）在《大数据视角下电力设备状态诊断研究》文中提出电力系统的不断发展是我国经济与科技高速发展的重要保障。智能电网的出现使电力大数据以及电力领域人工智能的发展进入了加速期。在智能电网中,电力设备的状态决定了电力系统的状态,也是电网能否稳定运行的决定性因素,电力设备在电力系统中扮演了十分重要的角色。电力设备在投入运行前的交接试验,是保证电力设备的性能、指标满足运行条件的关键性校验,在此阶段所产生的大量交接试验数据都十分的宝贵,不但反应了设备在施工现场安装后的状态和性能,同时也是对于设备能否投入运行,能否安全的接入电力系统之中的最后一次校验。试验数据规模不断增长,为我们对电力设备状态的诊断提供了坚实的基础。Spark分布式并行处理系统可以满足对大数据的存储和计算,为实现电力设备大数据下的故障分类和诊断提供了新的研究思路。利用深度学习的理念对大数据下电力设备状态的分析和预测提供了平台。本文介绍了电力设备交接试验的基本内容,分析了交接试验中常见的电力设备故障类型,在介绍了现有的故障诊断方法的基础上,提出了利用Spark平台进行电力设备状态诊断的方案,并且利用Spark中的朴素贝叶斯网络对电力设备的故障进行分类,以试验数据作为样本输入,从而进行电力设备故障的诊断。在此基础上,通过对于深度学习网络的研究,分析了对电力设备故障诊断的可行性,以深度信念网络为模型,利用Spark集群环境,对电力设备中GIS组合电器的试验数据进行了处理和分析,最终给出了故障的诊断和预测结果。通过试验能够证明,本文所使用的方法能够较为有效的对电力设备的状态进行诊断和预测。
刘芮含[4]（2019）在《决策树算法在变电站故障诊断中的应用研究》文中提出目前电力行业飞速发展,变电站数量不断增多,电力系统结构逐渐复杂,监控系统实时采集到大量且包含很多噪声的数据信息,干扰电力系统对有效数据信息的提取及故障诊断。为了避免上述的发生,我们采用数据挖掘技术从海量的数据中提取和分析有价值的运行诊断信息,从而能够快速准确地诊断变电站故障设备,缩短故障设备运行时间,提高电力系统的安全稳定性。本文首先阐述了数据挖掘的概念和常用算法,以及数据挖掘技术在电力故障诊断中的应用,选取了典型告警信号进行分析,并对其进行分类合并处理。再构建决策树算法模型,并阐述了几种经典的决策树算法以及对各个属性进行对比分析,接着对决策树算法进行改进,分别从优化样本数量,优化测试属性、离散化这三方面进行。选择样本数据,对算法模型进行验证,结果表明优化决策树算法的分类准确率、建模速度等均优于经典算法。最后将数据挖掘技术与电力诊断专家系统相结合,构建了一个电力故障诊断系统,并将改进的决策树算法应用于此系统中。基于决策树优化算法的电力诊断专家系统由推理机部分、解释器部分、决策树算法部分以及图形界面四大部分组成。将监控后台实时采集的数据信息应用于此诊断模型中,并采取典型故障信息进行验证,结果表明此系统能够快速准确地诊断出电力设备及故障原因,其实现过程简单、适用性较高,具有很好的使用价值和意义。该论文有图17幅,表9个,参考文献51篇。
喻圣[5]（2019）在《基于开关量和电气量信息融合的电网故障诊断》文中提出随着智能电网的不断建设,输电线路电压等级越来越高,电网规模日益扩大,跨区域间互联越来越紧密,电网的安全稳定运行变得尤为重要。由于自然灾害、人为误操作等因素,电网故障的发生不可避免,如何在涌入调控中心的众多故障信息中,快速识别出故障元件已成为电网故障诊断的主要难题之一。现有的电网故障诊断研究大多基于保护和断路器动作的开关量信息,而针对此类信息的诊断方法往往要求保护和断路器动作信息具备一定的完备性和准确性。在电网发生复杂故障时,保护和断路器可能存在的误动、拒动、信息丢失等不确定性因素,会影响诊断的结果,造成误判、漏判。因此,结合多种信息源的电网故障诊断方法对提高诊断速度和准确性有着重要意义。本文研究了结合开关量和电气量信息进行电网故障诊断的方法。本文首先介绍了基于多种智能方法结合的电网故障诊断研究现状,阐述了电网故障诊断信息系统,分析比较了各信息系统的特点。其次针对开关量信息,基于神经网络的电网故障诊断方法难以获得完备的训练样本数据,同时诊断易受电网拓扑结构变化的影响,建立了面向线路、母线、变压器的神经网络诊断模型。运用反向传播（Back Propagation,BP）神经网络、径向基函数（Radial Basis Function,RBF）神经网络、模糊神经网络三种方法对线路模型进行诊断,其中模糊神经网络的误差收敛速度快、诊断结果偏差小,故采用模糊神经网络对元件模型进行分析。经单重、多重等故障测试样本分析后,该方法具备一定的故障容错能力,但当保护和断路器动作信息畸变严重时,先确认出可疑故障元件,结合电气量信息进一步诊断分析。再次介绍了同步相量测量装置（Phasor Measurements Units,PMU）的构成及特点,改进了基于0-1整数规划法的PMU最优配置模型,本文结合IEEE9节点系统,使用了一种简便的求解方法。基于PMU装置测量电气量信息的实时性,本文在可疑故障线路和变压器中,建立了电流故障突变率指标来描述线路和变压器故障可信度,方法简便,诊断速度快。最后采用D-S证据理论（Dempster-Shafer evidence theory）对基于开关量和电气量的诊断结果进行融合诊断,在不同证据源中引入不确定性函数值,解决可能存在的证据冲突问题,通过算例分析表明,基于两种信息源的融合诊断结果较单一信息源更为准确。
张岩[6]（2016）在《考虑警报时序特性的高容错性电力系统故障诊断模型与方法》文中指出当电力系统发生故障时,大量的警报信号被上传至调度中心,等待调度人员进行分析和处理。当多设备故障、保护/断路器发生误动/拒动等复杂故障出现时,警报信息会指数级增加。压力情况下,调度人员要在很短时间内处理大量警报信号并充分利用其中有效信息进行分析决策是非常困难的。此外,警报的漏报/误报和时标错误等不确定性,会干扰调度人员的判断,提高了故障诊断的难度。因此,发展高容错性的电力系统故障诊断方法,辅助调度人员进行快速故障定位,对确保系统安全稳定运行有重大意义。现有的故障诊断模型存在的主要问题在于:过于依赖故障发生后的保护和断路器动作状态信息,所利用的故障信息源单一,冗余度不高;容错性较差,在存在多种不确定性时,如保护和断路器发生拒动或误动、警报上传速度慢、警报错误或警报丢失的情况下,诊断结果的正确性不高。在此背景下,本论文以现有的基于人工智能算法的故障诊断模型与方法为基本思路,充分考虑了故障过程中可能发生的各种不确定因素,通过建立更加复杂精确的模型和考虑警报信息的时序特征提高模型的容错能力,发展了更加精确合理的故障诊断模型和方法,并取得了一定的研究成果:1)对电力系统故障诊断系统进行了概述。首先分析了故障诊断系统的目标和功能,然后对故障故障信息进行了研究,明确其来源和分类,比较了各信息源所提供的信息内容及各自的特点。最后,提出了电力系统故障诊断的通用型分层结构,能够根据不同的故障状况,对故障信息进行合理的利用。2)提出了融合信息理论的电力系统故障诊断解析模型。首先阐述了故障诊断的信息运动过程,在此基础上通过解析分析保护与断路器动作逻辑和警报信息之间的关系,发展了基于信息量损失最小的故障诊断优化模型,充分考虑了警报信号的不确定性。之后,采用改进遗传算法求解。最后,用浙江电力系统实际发生的故障案例说明了该方法具有较强的容错能力且诊断速度快,对于复杂故障案例,计算时间在1s之内,满足在线故障诊断要求。3)以现有的电力系统故障诊断解析模型为基础,通过系统地设计故障假说结构和构建故障判据,发展了新型故障诊断解析模型。首先,对警报的冗余和时序信息进行预处理,在保全信息完整性的同时,提高诊断效率。新的故障假说结构充分考虑了保护设备的误动/据动,以及警报的误报/漏报和时标错误。在解析目标函数时,对多种保护策略和母线配置进行了讨论,提高了模型的适应性和可用性。采用遗传和禁忌搜索混合寻优算法进行优化求解,开发实用化方案,并采用实际电力系统故障案例进行测试。测试结果证明了该方法正确、有效,能准确识别故障设备,以及对保护装置的动作行为和警报信息进行评价。4)提出了一种融合时序约束网络的模糊Petri网故障诊断模型。通过将Petri网的库所赋予时间属性,以充分计及元件故障、保护动作和断路器跳闸之间的延时约束,并在Petri网的推理运算过程中采用模糊加权算法,提高了模型的容错性。该方法可自动过滤错误警报,有效识别丢失的警报信息以及警报信息时序不一致等情况,能够对继电保护的动作情况进行适当评价。最后,以39节点电力系统为例验证了所发展的模型的正确性和求解算法的有效性。与现有两种方法的比较表明,所发展的诊断方法容错性强,满足大规模电力系统在线故障诊断需要。5)提出了一种高可靠性事件关联性分析方法,以分析故障假说和警报信息之间的关联性,进而进行故障诊断。首先,建立了基于时序约束网络的实时故障诊断模块,以充分利用警报信息中蕴含的时序信息。其中,故障假说生成单元可用于产生于获取的警报关联的故障假说集合;特征采集单元可用于采集关于假说-警报关联性的通用特征;特征分类单元依托于集成化极限学习机,可将假说-警报组进行分类;专家系统可用于对分类单元的所有输出进行全面的分析和解释。基于时序约束网络的特征采集策略将故障诊断模块抽离于具体的网络拓扑和保护配置,赋予了模型强泛化能力。采用14节点仿真案例和实际电力系统故障案例进行测试。结果表明,所发展的诊断方法计算效率高,且容错性强,满足大规模电力系统在线故障诊断需要。最后对所作的研究进行简要总结,并指出了这一领域有待进一步深入研究的问题。
史建昇[7]（2016）在《具容错性的智能变电站故障诊断研究》文中进行了进一步梳理智能变电站是智能电网的基础与支撑,智能变电站的高级应用充分体现着智能化的内涵。不同于传统变电站,智能变电站在发生故障时变电站监控系统会收到大量的告警信息,所以智能变电站的故障诊断就是充分利用多源信息对变电站进行快速准确的故障诊断,给出合理的动作评价,预防恶性停电事故,缩短故障处理实践,提高电力系统的安全与可靠性。本文首先利用Kohonen网络对变电站故障进行初步诊断。Kohonen网络是一种自组织算法网络,自组织算法具有良好的聚类能力,本文利用Kohonen网络对变电站故障进行初步诊断,通过更改Kohonen网络的结构函数,使其适应于变电站故障信息的特点,将故障定位到某个或者某些特定区域。该方法不会产生节点的遗漏,计算速度很快,而且能够具有一定的容错性能,适用于智能变电站的故障初步诊断。然后本文融合变电站故障的不确定信息,基于设备的自身缺陷评价、运行历史评价和检修评判等多种属性建立元件可靠性向量,给出设备之间动作因果关系的模糊值,结合故障告警信息中的时序信息、电气量信息对错误信息进行纠正,使用模糊因果网络进行变电站故障的精确识别,并给出动作评价。运用实际样本通过因果网络给出故障诊断结果,并对故障诊断结果给出因果解释。这种方法原理简单,运行速度非常快,在融合故障的不确定信息后,能够显着提高容错能力,适用于拓扑结构上因果关系不太复杂的变电站。接着本文使用面向元件的思想建立元胞人工神经网络与模糊积分融合的变电站故障诊断方法,以变电站每个元件为中心建立各自的元胞RBF神经网络,使用设备的动作模糊值作为神经元输入,得到每个元件的故障可能性指标,然后通过模糊积分将相互关联的元件故障可能性进行融合,得到整个变电站的总体故障诊断结果,这种方法能够适应复杂系统,而且扩展方便,综合多源信息后能正确判别复杂故障,计算速度满足要求。对于智能变电站,从本文所列举方法可以很好的对不同类型的故障进行诊断分析,而且结合变电站故障的不确定信息,能够给出科学合理的判别与正确动作评价,几种方法使用方便,能够提高故障诊断方法的容错能力与实用性。
陈星田[8]（2015）在《智能变电站继电保护隐藏故障诊断与系统重构方法》文中进行了进一步梳理近年来,变电站技术的研究和工程应用正朝智能变电站方向快速推进。基于IEC61850标准和网络技术的智能变电站承担着电力变换、电能汇集、电能分配和控制等重要功能。智能变电站技术是智能电网技术的重要组成部分,包括其安全性在内的各方面性能直接关系到电力系统的整体性能。而其中的继电保护和安全控制系统则更是直接关系到电力系统故障状态下能否安全切除故障恢复正常运行。长期以来,由于继电保护系统的隐藏故障而引发的电网事故不断出现,是导致电网大停电事故的主要因素之一。解决这一问题的主要技术手段之一是研究继电保护隐藏故障的诊断理论和方法,实现对隐藏故障的在线诊断和对继电保护装置的状态监视。多年来,国内外学者在继电保护隐藏故障诊断方面进行了广泛而深入的研究,但限于传统继电保护系统中诊断所需信息不充分、信息同步和传输困难,隐藏故障诊断的可用成果较少,在工程实际中较少获得应用。智能变电站的体系结构,有利于实现保护系统各环节的信息提取和共享,为采用新的隐藏故障诊断技术提供了条件。为此,本文以智能变电站基础上的继电保护系统隐藏故障诊断为研究对象,力求通过提出新的继电保护隐藏故障诊断理论和方法,为继电保护系统和电网安全提供新的技术途径。论文总结了国内外在电网故障诊断和继电保护安全运行保障方面的理论和技术方法,对各种方法进行了评价,指出了各种方法的适应性和局限性。在此基础上,从智能变电站的体系架构入手,比较了传统变电站和智能变电站的区别,分析了智能变电站继电保护的新特征。从智能变电站信息结构出发,提出了通过获取SV网、GOOSE网、MMS网数据的智能变电站故障诊断系统结构。进一步,阐明了继电保护传感器环节、保护装置、命令出口环节故障诊断的数据流模式。对继电保护隐藏故障诊断所需数据的预处理技术进行了分析,给出了数据预处理的方法。运行经验表明,继电保护系统中不同环节出现隐藏故障的概率是不一样的,且不同类型的隐藏故障所造成的后果的严重程度也不相同。论文分析了智能变电站继电保护各环节的隐藏故障模式,对关键环节之一的保护电流测量回路的隐藏故障诊断方法进行了深入研究,提出了测量回路广义变比的概念,并基于变电站母线的电流约束,建立了广义变比的状态矩阵,通过获取二次回路电流量测以及求解广义变比状态矩阵,实现对连接在母线上的各间隔回路的保护电流测量值可信度的判断,由此监视保护电流测量回路的硬件及软件是否存在隐藏故障。继电保护的电子互感器是决定保护装置能否正确动作的另一关键环节。论文还针对电子互感器在保护系统中的重要作用,提出了一种电子互感器的故障诊断方法。文中给出了算例,验证所提方法的有效性。继电保护能否在电网故障时正确动作,其在电网扰动过程中的动态反应行为十分关键。但在已有的研究中,由于难于获取继电保护的动态数据而难以对这一过程中的保护行为进行科学的评判。此外,电力系统扰动引起的多个变电站保护启动以及由此所产生的大量信息未能用于保护的隐藏故障分析。针对这一现状,本文提出了充分利用扰动激励下不同地域变电站继电保护所产生的广域大数据同步进行继电保护状态分析的思想,可以方便地发现各个保护在同一激励下的反应灵敏性、可靠性以及保护之间的配合关系是否存在隐藏故障。为了实现这一思想必须解决大数据的精简问题并构建合适的指标体系。论文通过对继电保护状态区域的划分,分别构建了表征故障启动、故障测量、和故障反应时间的指标模型,提出了从保护的可靠性、选择性、灵敏性和快速性要求出发建立的多个继电保护隐藏故障诊断与运行状态评估方法。本方法能够直观反应继电保护系统的动态过程,反映单个保护及多个保护之间的测量和定值正确性,也为提升广域保护的可靠性提供了新的思路。智能变电站的体系架构为继电保护的逻辑开放和硬件标准化提供了可能。在继电保护装置失效情况下,利用保护系统的硬件冗余,在线实现继电保护系统的重构,是本文提出的一个新的概念。论文分析了电力系统对继电保护系统重构的潜在需求,提出了继电保护系统的失效重构的通用模型;提出了继电保护系统重构的四个准则。按照上述思想,论文以广域保护通信系统失效为例,根据所提出的可靠性准则,论述了广域通信网络失效重构的数学模型及求解过程,证明了保护系统重构的可行性。利用文中所提出的重构思想,还可以对现有保护的传感器布置进行重新优化和设计。文中介绍了所取得发明专利的变压器电流差动保护传感器重构后对保护性能的改善方法。智能变电站和智能电网的建设,为继电保护系统带来了更多的可用信息,为解决继电保护系统自身安全问题提供了新的机遇。本文提出了适合智能变电站体系结构的继电保护隐藏故障诊断的信息架构,以关键环节的隐藏故障诊断为突破,展示了隐藏故障诊断的新途径;同时,为大数据时代充分利用电网扰动激励,构建继电保护广域诊断体系给出了方法;对于发现存在隐藏故障后如何隔离故障装置,恢复保护系统功能,提出了新的继电保护重构概念和重构案例。
宋鹏[9]（2010）在《基于数字化变电站的电力设备故障诊断研究》文中提出电力设备在整个数字化变电站的运行当中有着重要的地位。随着科学技术的发展和人民生活水平的提高,不仅对用电质量,也对电力设备的安全运行提出了更高的要求。特别是当前,电力系统的发展方向就是大容量、超高压,这就意味着停电事故对生产和生活造成的的损失也越来越大。所以对电力设备的运行状态进行实时在线监测并且对其进行故障诊断是十分必要和重要的。根据数字化变电站的发展情况和IEC61850规约的内容,本文介绍了基于IEC61850的数字化变电站的组成和结构特点,简单地阐述了智能化一次设备的概念,深入研究了部分智能一次设备的功能结构和原理,并对智能一次设备发展目标进行了总结。在此基础上,本文着重对各种智能化一次设备的在线监测装置、故障量的采集及提取和故障诊断方法进行了深入的研究。随着计算机技术、传感器技术和信息技术的发展,数字化变电站中可以对智能化一次设备进行不同故障特征量的同时在线监测和故障诊断。在本文中,针对断路器和变压器等智能一次设备的故障特点,在充分考虑故障诊断的可靠性的前提下,同时对多种故障特征信息进行实时在线监测和故障诊断,并且对依据各种特征量的诊断结果进行汇总后,利用模糊理论对诊断结果进行总体分析,对故障进一步深入的诊断,这样做可以大大提高故障诊断的准确率。在断路器振动信号故障量的提取时,目前大部分的文献提到的方法都是将时间能量特征作为唯一的特征量,虽然这样选取的特征量包含了大部分的故障信息,但是包含在时间频率中的故障信息被遗漏掉了,所以本文在希尔伯特变换-黄变换的基础上,提出了将时间频率的特征加入到特征量中,使得诊断系统所得到的特征量中包含了更多的故障信息,提高了故障诊断的准确率。在电力设备故障诊断中,人工智能和专家系统的引入是一个亮点。本文对数字化变电站中电力设备故障诊断的专家系统进行了详细的阐述和深入研究,提出了种新型的基于WEB的故障诊断专家系统。最后本文对基于WEB的故障诊断专家系统在数字化变电中的硬件和软件的实现做了深入的研究。通过本文的研究可以肯定,基于WEB的电力设备故障诊断专家系统在数字化变电站中有着诸多优点,是以后数字化变电站网络化和智能化的一个重要组成部分。
林剑[10]（2009）在《变电站故障信息分析系统的研究》文中指出当电力系统发生复杂故障或开关、保护存在较多误动、拒动以及因信道干扰发生信息丢失等诸多不确定因素时,往往会给运行人员的故障判别和系统恢复带来不利的影响,必须开发一套变电站故障信息分析系统,快速准确的进行故障诊断,以减少系统的停电时间。而微机保护的广泛应用,为故障信息分析系统提供了基础。本文根据电力系统目前的实际运行情况和今后的发展,提出了人工神经网络和专家系统相结合的变电站故障信息分析系统,将神经网络和专家系统的优点相结合,提高系统的快速判断、容错和学习能力。同时对故障信息分析系统的开发提出了总体结构和功能实现上的要求。故障信息分析系统,是一个继电保护运行、管理的技术支持系统,同时又是一个电网故障时的信息支持、辅助分析和决策系统。本文的研究工作是一个尝试,相关工作还有待进一步深入。
二、基于神经网络和专家系统的变电站故障诊断和处理系统的构想（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络和专家系统的变电站故障诊断和处理系统的构想（论文提纲范文）
（1）500kV变电站的故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 论文的研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 专家系统 |
| 1.2.2 人工神经网络 |
| 1.2.3 Petri网的诊断方法 |
| 1.2.4 模糊理论的诊断方法 |
| 1.2.5 贝叶斯网的诊断方法 |
| 1.3 500kV变电站故障的基本类型 |
| 1.4 500kV变电站发展趋势 |
| 1.5 论文研究工作 |
| 第2章 500kV变电站故障诊断信息源 |
| 2.1 一次系统 |
| 2.1.1 500kV变电站电气主接线 |
| 2.1.2 主设备的参数 |
| 2.2 诊断数据源 |
| 2.2.1 SCADA系统 |
| 2.2.2 ENA-CBMS系统 |
| 2.3 继电保护系统 |
| 2.3.1 保护装置功能简介 |
| 2.3.2 RCS-931BM保护装置配置 |
| 2.4 小结 |
| 第3章 时序贝叶斯模型诊断变电站故障 |
| 3.1 时序约束简介 |
| 3.2 500kV变电站时序约束 |
| 3.3 时序贝叶斯诊断模型 |
| 3.4 诊断模型的初始信息赋值 |
| 3.4.1 信息熵理论 |
| 3.4.2 初始信息赋值 |
| 3.5 时序贝叶斯网故障诊断推理 |
| 3.6 案例分析 |
| 3.7 小结 |
| 第4章 小波分析诊断变电站故障 |
| 4.1 小波分析理论 |
| 4.2 小波故障度 |
| 4.3 小波奇异度 |
| 4.4 小波能量度 |
| 4.5 案例分析 |
| 4.6 小结 |
| 第5章 基于信息融合的500kV变电站故障诊断 |
| 5.1 D-S证据理论 |
| 5.1.1 D-S证据理论定义 |
| 5.1.2 D-S证据理论合成规则 |
| 5.1.3 D-S证据理论决策规则 |
| 5.2 信息融合诊断模型 |
| 5.2.1 故障数据采集模块 |
| 5.2.2 融合决策模块 |
| 5.2.3 信息融合诊断模型 |
| 5.3 D-S证据理论的融合诊断方法 |
| 5.4 案例分析 |
| 5.5 小结 |
| 总结 |
| 参考文献 |
| 致谢 |
（2）基于雾计算的电力系统监测网络关键技术与应用（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 雾计算与电力系统通信 |
| 1.2.2 物联网中的雾计算架构 |
| 1.2.3 智能电网中的软件定义网络 |
| 1.2.4 智能电网与物联网 |
| 1.2.5 电力系统监测网络与雾计算 |
| 1.3 论文的研究内容与贡献 |
| 1.3.1 研究内容 |
| 1.3.2 本文的主要贡献 |
| 1.4 文章结构 |
| 2 基于雾计算的电力系统监测网络架构 |
| 2.1 引言 |
| 2.2 基于标识传感网络的无线监测网络 |
| 2.2.1 RFID传感网络简介 |
| 2.2.2 融合RFID传感网络的优势 |
| 2.2.3 融合RFID的无线传感网络 |
| 2.2.4 适宜于电力系统站外广域监测的LPWA网络 |
| 2.2.5 RFID-LPWA监测-通信网络 |
| 2.3 基于雾计算的电力系统监测网络架构与通信基础 |
| 2.3.1 电力系统监测网络雾计算架构简介 |
| 2.3.2 电力系统监测网络雾计算通信基础 |
| 2.3.3 电力系统监测网络雾计算通信流程 |
| 2.3.4 雾计算优势分析——以电力系统短路故障为例 |
| 2.4 雾计算通讯逻辑的仿真 |
| 2.5 本章小结 |
| 3 站外监测网络的节点能量供给与部署 |
| 3.1 引言 |
| 3.2 电力系统站外小型节点供能 |
| 3.2.1 直接供能的优势与劣势 |
| 3.2.2 大容量光伏电池供能优势与劣势 |
| 3.2.3 针对小型节点的太阳能量采集方案 |
| 3.2.4 针对小型节点的机械能量采集方案 |
| 3.2.5 针对小型节点的热能采集方案 |
| 3.2.6 针对小型节点的流体能量采集方案 |
| 3.2.7 针对小型节点的声波采集方案 |
| 3.2.8 针对小型节点的磁场能量采集方案 |
| 3.2.9 雾计算架构中的节点能量供给 |
| 3.3 RFID传感标签的能量供给 |
| 3.3.1 RFID传感网络的能量需求与部署需求 |
| 3.3.2 RFID传感标签的能量供给与负载消耗 |
| 3.3.3 电力网络中RFID传感标签的能量来源 |
| 3.3.4 输电线路上RFID传感标签供能方案 |
| 3.4 仿真与结果 |
| 3.5 本章小结 |
| 4 基于雾计算的无线监测网络运行能耗管理 |
| 4.1 引言 |
| 4.2 基于电池供电的无线监测网络 |
| 4.2.1 基于电池供电的无线监测网络 |
| 4.2.2 基于LPWA的环境监测系统 |
| 4.2.3 网络能耗管理流程 |
| 4.2.4 算法需求 |
| 4.3 基于代理模型的LPWA监测网络能耗管理 |
| 4.3.1 泛克里金模型与盲克里金模型 |
| 4.3.2 基于盲克里金近似代理模型的监测网络能耗管理 |
| 4.4 仿真测试 |
| 4.5 本章小结 |
| 5 基于雾计算与电力系统监测网络的短路故障诊断 |
| 5.1 引言 |
| 5.2 应用于短路故障诊断的雾计算架构与流程 |
| 5.3 雾知识传输等待时间估计 |
| 5.4 IED中基于实时知识的雾拓扑矩阵 |
| 5.5 FTM参数设定 |
| 5.5.1 不同保护距离的距离继电器的关联系数 |
| 5.5.2 变压器继电器相关系数 |
| 5.6 故障诊断矩阵 |
| 5.6.1 快速诊断策略 |
| 5.6.2 高精度诊断策略 |
| 5.7 阈值的设置与计算 |
| 5.7.1 快速诊断的阈值设定 |
| 5.7.2 高精度诊断的阈值设定 |
| 5.8 仿真与测试 |
| 5.8.1 诊断精度与鲁棒性测试 |
| 5.8.2 效率测试 |
| 5.9 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 博士期间发表的科研成果目录 |
| 1)参加的学术交流与科研项目 |
| 2)发表的学术论文(含专利和软件着作权) |
（3）大数据视角下电力设备状态诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 电力设备故障诊断研究现状 |
| 1.2.2 大数据研究现状 |
| 1.3 研究内容及主要工作 |
| 1.4 本章小结 |
| 第二章 深度学习神经网络与电力设备状态诊断分析 |
| 2.1 深度学习神经网络 |
| 2.1.1 神经网络的产生机理 |
| 2.1.2 深度学习理论的产生和发展 |
| 2.1.3 深度学习网络的数据训练流程 |
| 2.2 深度学习神经网络的基本算法 |
| 2.2.1 自动编码器(AE) |
| 2.2.2 受限玻尔兹曼机(RBM) |
| 2.2.3 卷积神经网络(CNNs) |
| 2.3 深度学习在电力设备故障诊断中应用分析 |
| 2.4 本章小结 |
| 第三章 电力设备交接试验大数据处理技术及故障诊断依据 |
| 3.1 电力设备交接试验概述 |
| 3.2 大数据处理技术 |
| 3.2.1 分布式文件系统概述 |
| 3.2.2 分布式计算框架Spark概述 |
| 3.2.3 Spark在电力设备故障诊断中的应用 |
| 3.2.4 朴素贝叶斯算法 |
| 3.3 电力设备故障诊断依据 |
| 3.3.1 GIS组合电器故障诊断 |
| 3.3.2 变压器故障诊断 |
| 3.4 本章小结 |
| 第四章 基于神经网络的电力设备故障诊断 |
| 4.1 交接试验数据类型统计分析 |
| 4.1.1 GIS组合电器局部放电数据分析 |
| 4.1.2 变压器局部放电数据分析 |
| 4.2 基于深度信念网络的GIS故障诊断 |
| 4.2.1 贝叶斯网络的故障诊断算法 |
| 4.2.2 交接试验数据样本集的建立 |
| 4.2.3 分类深度信念网络设计 |
| 4.3 GIS组合电器设备的故障诊断 |
| 4.4 SPARK集群环境的搭建以及故障诊断测试 |
| 4.4.1 SPARK集群搭建及系统启动 |
| 4.4.2 系统运行以及结果的输出 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 对未来的展望 |
| 参考文献 |
| 致谢 |
（4）决策树算法在变电站故障诊断中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容和研究方法 |
| 1.4 总体结构 |
| 2 相关基础研究与行业分析 |
| 2.1 数据挖掘算法 |
| 2.2 数据挖掘在电力故障诊断中的应用 |
| 2.3 告警信号的选择及研究 |
| 2.4 本章小结 |
| 3 决策树优化算法的设计及模型验证 |
| 3.1 决策树算法构建数据挖掘模型 |
| 3.2 决策树算法模型的优化 |
| 3.3 改进决策树算法的模型验证 |
| 3.4 本章小结 |
| 4 实验与分析 |
| 4.1 电力故障诊断系统的总体设计 |
| 4.2 数据挖掘故障诊断的功能设计 |
| 4.3 优化决策树算法的故障诊断应用 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录:原始数据 |
| 作者简历 |
| 学位论文数据集 |
（5）基于开关量和电气量信息融合的电网故障诊断（论文提纲范文）
| 内容摘要 |
| abstract |
| 选题的依据与意义 |
| 国内外文献资料综述 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 本文主要工作及章节安排 |
| 2 故障诊断信息源及继电保护原理介绍 |
| 2.1 概述 |
| 2.2 故障诊断信息源 |
| 2.3 继电保护原理介绍 |
| 2.4 本章小结 |
| 3 基于开关量的电网故障诊断 |
| 3.1 概述 |
| 3.2 神经网络简介 |
| 3.3 基于面向元件的故障诊断模型 |
| 3.4 基于元件模型的训练及测试对比 |
| 3.5 算例仿真 |
| 3.6 本章小结 |
| 4 基于电气量的电网故障诊断 |
| 4.1 概述 |
| 4.2 PMU最优配置 |
| 4.3 基于PMU电气量的电网故障诊断 |
| 4.4 诊断流程及相关算例 |
| 4.5 本章小结 |
| 5 基于信息融合的电网故障诊断方法 |
| 5.1 概述 |
| 5.2 D-S证据理论 |
| 5.3 基于D-S证据理论的信息融合电网故障诊断方法 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录:攻读专业硕士学位期间发表的部分科研成果 |
| 致谢 |
（6）考虑警报时序特性的高容错性电力系统故障诊断模型与方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 根据诊断方法进行分类 |
| 1.2.2 根据警报信息进行分类 |
| 1.2.3 根据空间属性进行分类 |
| 1.3 本文主要的研究内容和工作 |
| 2 故障诊断系统概述 |
| 2.1 引言 |
| 2.2 故障诊断系统的目标和功能 |
| 2.3 故障警报信息的来源和分类 |
| 2.3.1 故障诊断系统的信息源 |
| 2.3.2 警报信息分类及其特征 |
| 2.4 故障诊断系统的层次化结构 |
| 2.5 本章小结 |
| 3 融合信息理论的电力系统故障诊断解析模型 |
| 3.1 引言 |
| 3.2 故障诊断的信息运动过程 |
| 3.3 基于信息理论的故障诊断模型 |
| 3.3.1 信息量损失 |
| 3.3.2 基于信息量损失最小的故障诊断模型 |
| 3.4 故障诊断中的信息量损失计算 |
| 3.4.1 故障诊断中不确定性的量化 |
| 3.4.2 设备故障引起的信息量损失 |
| 3.4.3 继电保护装置和断路器动作引起的信息量损失 |
| 3.4.4 警报信息上传过程(信道2)的信息量损失 |
| 3.5 求解过程及故障诊断结果评价 |
| 3.5.1 故障假说的概率分布 |
| 3.5.2 故障诊断结果评价 |
| 3.6 算例分析 |
| 3.7 本章小结 |
| 4 考虑警报冗余和时序特征的电力系统故障诊断解析模型 |
| 4.1 引言 |
| 4.2 故障诊断模型的基本框架 |
| 4.3 故障假说和目标函数 |
| 4.3.1 故障假说 |
| 4.3.2 目标函数 |
| 4.4 目标函数的计算 |
| 4.4.1 警报预处理 |
| 4.4.2 保护设备动作逻辑 |
| 4.4.3 权重系数调整 |
| 4.4.4 时序冲突指标的确定 |
| 4.4.5 GATS求解 |
| 4.5 保护设备动作和警报评价 |
| 4.6 算例分析 |
| 4.7 本章小结 |
| 5 容纳时序约束的改进模糊Petri网故障诊断模型 |
| 5.1 引言 |
| 5.2 时序模糊Petri网 |
| 5.2.1 时序约束定义 |
| 5.2.2 时序约束定义 |
| 5.2.3 时序推理 |
| 5.2.4 时序模糊Petri网的矩阵运算 |
| 5.3 基于TRFPN的电力系统故障诊断模型 |
| 5.3.1 故障诊断时序分析 |
| 5.3.2 故障诊断模型 |
| 5.3.3 仿真参数确定 |
| 5.4 仿真算例验证及比较 |
| 5.4.1 基于TRFPN的故障诊断过程 |
| 5.4.2 继电保护装置评价 |
| 5.4.3 算例分析与比较 |
| 5.5 本章小结 |
| 6 基于时间约束网络的电力系统故障诊断事件关联分析方法 |
| 6.1 引言 |
| 6.2 所发展模型的基本架构 |
| 6.3 时序约束网络 |
| 6.3.1 时序约束网络的基本概念 |
| 6.3.2 时序信息表的构建 |
| 6.4 基于极限学习机的实时故障诊断模块 |
| 6.4.1 故障诊断模块的功能 |
| 6.4.2 生成候选假说集 |
| 6.4.3 特征采集 |
| 6.4.4 特征分类 |
| 6.4.5 综合评估 |
| 6.5 测试案例 |
| 6.5.1 最优隐藏层个数范围 |
| 6.5.2 极限学习机的集成 |
| 6.5.3 泛化能力分析 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间发表的学术论文 |
| 致谢 |
（7）具容错性的智能变电站故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 专家系统(Expert System) |
| 1.2.2 人工神经网络(Artificial Neural Networks) |
| 1.2.3 粗糙集(Rough Set Theory, RS) |
| 1.2.4 模糊集理论(Fuzzy Set, FS) |
| 1.2.5 其它方法 |
| 1.3 存在的问题 |
| 1.4 本文所作的主要工作 |
| 第二章 智能变电站的基本介绍 |
| 2.1 智能变电站与智能电网 |
| 2.2 智能变电站的基本结构 |
| 2.3 智能变电站的技术关键点 |
| 2.4 智能变电站的新技术 |
| 第三章 基于Kohonen网络的变电站故障初步诊断 |
| 3.1 神经网络的基本特征与功能 |
| 3.2 Kohonen网络介绍 |
| 3.2.1 Kohonen网络的基本拓扑 |
| 3.2.2 Kohonen网络的基本算法 |
| 3.2.3 Kohonen网络算法描述 |
| 3.2.4 Kohonen网络算法分析 |
| 3.3 基于Kohonen网络的变电站故障初步诊断 |
| 3.3.1 Kohonen网络的改进算法 |
| 3.3.2 改进算法的Matlab实现 |
| 3.4 实例分析 |
| 3.5 小结 |
| 第四章 基于多属性评判的变电站故障诊断 |
| 4.1 因果网络的基本原理 |
| 4.2 警报信息的时序特性 |
| 4.2.1 继电保护动作时间约束 |
| 4.2.2 断路器动作的时间约束 |
| 4.2.3 故障告警信息的时间约束 |
| 4.2.4 计及时序约束的因果网络 |
| 4.3 多属性判别模糊因果网络 |
| 4.3.1 多属性判别依据 |
| 4.3.2 模糊因果网络故障诊断 |
| 4.4 实例分析 |
| 4.5 小结 |
| 第五章 元胞RBF网络与模糊积分融合的变电站故障诊断 |
| 5.1 引言 |
| 5.2 诊断系统的结构及原理 |
| 5.3 元胞RBF的神经网络模型 |
| 5.4 径向基函数神经网络 |
| 5.4.1 径向基函数神经网络结构 |
| 5.4.2 径向基函数神经网络的算法训练 |
| 5.5 基于模糊积分融合诊断策略 |
| 5.5.1 模糊测度 |
| 5.5.2 模糊积分 |
| 5.5.3 变电站元件的模糊密度 |
| 5.6 综合诊断流程 |
| 5.7 实例分析 |
| 5.8 小结 |
| 第六章 结论和展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和科研情况说明 |
| 致谢 |
（8）智能变电站继电保护隐藏故障诊断与系统重构方法（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 课题研究背景 |
| 1.2 智能变电站继电保护研究概况 |
| 1.3 继电保护隐藏故障诊断与状态评价研究 |
| 1.3.1 现有故障诊断方法 |
| 1.3.2 智能变电站继电保护状态诊断及评价 |
| 1.3.3 智能变电站继电保护系统的安全运行技术 |
| 1.4 本文的主要研究内容 |
| 2 基于IEC 61850的智能变电站继电保护故障诊断系统体系架构 |
| 2.1 引言 |
| 2.2 智能变电站体系架构及继电保护新特征 |
| 2.2.1 智能变电站体系架构 |
| 2.2.2 传统变电站和智能变电站的比较 |
| 2.2.3 智能变电站继电保护特征 |
| 2.3 智能变电站继电保护故障诊断体系架构 |
| 2.3.1 智能变电站继电保护隐藏故障诊断体系架构 |
| 2.3.2 基于数据流分析的保护隐藏故障诊断原理 |
| 2.3.3 基于单站信息和多站信息的智能变电站保护隐藏故障诊断结构 |
| 2.4 智能变电站继电保护故障诊断信息获取及预处理方法 |
| 2.4.1 智能变电站继电保护隐藏故障诊断数据预处理方法 |
| 2.4.2 智能变电站数据预处理系统架构实现方法 |
| 2.5 本章小结 |
| 3 智能变电站继电保护关键环节隐藏故障诊断 |
| 3.1 引言 |
| 3.2 智能变电站继电保护的关键环节 |
| 3.2.1 智能变电站继电保护的构成 |
| 3.2.2 智能变电站继电保护的关键环节及其隐藏故障诊断研究现状 |
| 3.3 继电保护电流测量回路分析 |
| 3.3.1 电流测量回路广义变比 |
| 3.3.2 电流测量回路故障分析 |
| 3.4 基基于广义变比辨识的电流测量回路故障诊断 |
| 3.4.1 电流测量回路广义变比的辨识方法 |
| 3.4.2 电流测量回路故障判别 |
| 3.4.3 算例分析 |
| 3.5 基于小波变换的电子式互感器突变性故障诊断方法 |
| 3.5.1 电子式互感器突变故障诊断原理 |
| 3.5.2 电子式互感信号的小波处理方法 |
| 3.6 本章小结 |
| 4 基于扰动激励反应分析的继电保护系统隐藏故障诊断方法 |
| 4.1 引言 |
| 4.2 基于扰动激励的继电保护状态分区及隐藏故障识别原理 |
| 4.3 基于扰动激励数据的保护故障诊断指标构建 |
| 4.4 基于扰动激励指标数据的继电保护故障诊断与运行状态评价方法 |
| 4.4.1 继电保护系统可靠性评价 |
| 4.4.2 继电保护系统快速性评价 |
| 4.4.3 继电保护系统选择性评价 |
| 4.4.4 继电保护系统灵敏性评价 |
| 4.5 实例分析 |
| 4.5.1 典型 220kV变电站保护及故障录波配置数据分析 |
| 4.5.2 上传数据量比较 |
| 4.6 仿真算例 |
| 4.6.1 线路Bus2-Bus3距离保护I段边界故障时扰动激励反应分析 |
| 4.6.2 线路Bus2-Bus3上距离保护CB1的II段边界故障时扰动激励反应分析 |
| 4.7 本章小结 |
| 5 智能变电站环境下的继电保护系统失效重构方法 |
| 5.1 引言 |
| 5.2 继电保护系统重构原理 |
| 5.2.1 继电保护系统在线重构的需求 |
| 5.2.2 继电保护系统重构通用模型 |
| 5.2.3 继电保护系统的重构准则 |
| 5.3 基于可靠性准则的广域保护通信系统失效重构 |
| 5.3.1 广域保护实时通信系统 |
| 5.3.2 广域保护通信网络拓扑结构及其失效模式 |
| 5.3.3 保护信息传输路径重构模型 |
| 5.3.4 路径重构模型的求解与算例分析 |
| 5.4 基于完整性准则的继电保护传感器重构 |
| 5.4.1 变压器电流互感器重构 |
| 5.4.2 基于电流互感器重构差动保护动作判别式 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 主要结论及创新点 |
| 6.2 后续研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| A.作者在攻读学位期间发表的论文目录 |
| B.作者在攻读博士学位期间参与的课题研究情况 |
| C.作者在攻读博士学位期间取得的科研成果 |
（9）基于数字化变电站的电力设备故障诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 数字化变电站的发展 |
| 1.2 国内外电力设备故障诊断系统发展现状 |
| 1.3 本文的主要工作 |
| 第二章 数字化变电站的组成特点 |
| 2.1 数字化变电站的系统结构特点 |
| 2.1.1 数字化变电站的系统结构 |
| 2.1.2 数字化变电站的特点 |
| 2.1.3 基于IEC61850标准的网络选型 |
| 2.2 数字化变电站的设备组成 |
| 2.3 智能一次设备 |
| 2.3.1 智能化一次设备的结构特点 |
| 2.3.2 智能断路器 |
| 2.3.3 智能变压器 |
| 2.3.4 光电互感器 |
| 第三章 智能一次设备的在线监测 |
| 3.1 智能断路器的在线监测 |
| 3.1.1 断路器的故障分析 |
| 3.1.2 断路器的在线监测 |
| 3.2 智能变压器的在线监测 |
| 3.2.1 变压器故障的分析 |
| 3.2.2 变压器的在线监测 |
| 3.3 其它设备的在线监测 |
| 3.3.1 母线及电缆的在线监测 |
| 3.3.2 避雷器的在线监测 |
| 3.3.3 GIS的在线监测 |
| 3.3.4 电容型设备的在线监测 |
| 3.4 故障信息的采集和智能合并单元 |
| 3.4.1 故障信息的采集 |
| 3.4.2 智能合并单元概念 |
| 第四章 电力设备故障诊断专家系统介绍 |
| 4.1 专家系统的原理和分类 |
| 4.1.1 基于规则的专家系统 |
| 4.1.2 基于框架的专家系统 |
| 4.1.3 基于模型的专家系统 |
| 4.2 电力设备故障诊断专家系统的结构 |
| 第五章 电力设备的故障诊断方法的研究 |
| 5.1 断路器故障诊断模糊专家系统的研究 |
| 5.1.1 基于Hilbert-Huang变换的一种新的故障特征量的提取方法 |
| 5.1.2 基于粗糙集理论的神经网络的专家系统模型的建立 |
| 5.1.3 基于模糊理论的断路器综合故障诊断专家系统 |
| 5.2 基于模糊理论的变压器故障树诊断方法的研究 |
| 5.2.1 变压器故障树的建立与基于粗糙集理论的简化 |
| 5.2.2 变压器故障诊断模糊专家系统的研究 |
| 5.3 其它电力设备的故障诊断 |
| 第六章 基于WEB的专家系统的实现方法研究 |
| 6.1 基于WEB专家系统的特点和结构 |
| 6.2 故障诊断专家系统的模块设计 |
| 6.3 基于WEB的故障诊断专家系统的实现 |
| 6.3.1 硬件设备配置的实现 |
| 6.3.2 软件的实现 |
| 6.4 软件实现中关键技术的研究 |
| 6.4.1 系统开发框架图 |
| 6.4.2 实时数据的显示 |
| 6.4.3 Jess的推理机 |
| 6.4.4 知识库的建立 |
| 6.4.5 与数据库的连接 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（10）变电站故障信息分析系统的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 变电站故障信息分析系统研究的目的和意义 |
| 1.2 微机保护的现状和发展趋势 |
| 1.2.1 引言 |
| 1.2.2 保护、控制、测量、数据通信一体化 |
| 1.2.3 网络化 |
| 1.2.4 智能化趋势 |
| 1.3 本文的研究目的和所做工作 |
| 1.3.1 研究的目的 |
| 1.3.2 研究的可行性分析 |
| 1.3.3 国内外研究现状 |
| 1.3.4 本文所做的工作 |
| 2 人工神经网络概述 |
| 2.1 引言 |
| 2.2 人工神经网络简介 |
| 2.2.1 什么是人工神经网络 |
| 2.2.2 人工神经网络研究的发展历史 |
| 2.2.3 人工神经元的基本原理 |
| 2.2.4 神经网络的结构 |
| 2.2.5 神经网络的研究内容及前景 |
| 2.3 误差回传神经网络(BP网络) |
| 2.3.1 BP神经网络模型 |
| 2.3.2 BP网络学习算法 |
| 2.4 人工神经网络在电力系统中的应用研究简介 |
| 3 专家系统概述 |
| 3.1 专家系统的产生与发展 |
| 3.2 专家系统的定义及一般特点 |
| 3.3 专家系统的功能和结构 |
| 3.4 专家系统在电力系统中的应用 |
| 4 人工神经网络和专家系统结合的系统结构设计 |
| 4.1 神经网络与专家系统的结合 |
| 4.1.1 神经网络与专家系统的互补性 |
| 4.1.2 神经网络与专家系统结合的结构 |
| 4.2 变电站故障信息分析系统总体结构设计 |
| 4.2.1 知识获取的设计 |
| 4.2.2 系统推理机的设计 |
| 4.2.3 解释机制的设计 |
| 5 神经网络模型的构建及测试 |
| 5.1 引言 |
| 5.2 神经网络构建 |
| 5.2.1 故障分析神经网络模型 |
| 5.2.2 子神经网络的类型和结构的确定 |
| 5.2.3 训练样本集的构造 |
| 5.3 神经网络分析功能的测试 |
| 5.3.1 测试样本集的构造 |
| 5.3.2 测试结果及分析 |
| 5.4 规则提取的思路 |
| 6 故障信息分析系统的开发思路 |
| 6.1 总体结构 |
| 6.2 各功能模块的设计要求 |
| 6.2.1 人机接口模块 |
| 6.2.2 数据库管理模块 |
| 6.2.3 知识获取模块 |
| 6.2.4 其他功能模块 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简历 |
四、基于神经网络和专家系统的变电站故障诊断和处理系统的构想（论文参考文献）
- [1]500kV变电站的故障诊断方法研究[D]. 王钊. 沈阳工业大学, 2020(01)
- [2]基于雾计算的电力系统监测网络关键技术与应用[D]. 童晋. 合肥工业大学, 2020(01)
- [3]大数据视角下电力设备状态诊断研究[D]. 刘钺. 天津工业大学, 2019(01)
- [4]决策树算法在变电站故障诊断中的应用研究[D]. 刘芮含. 辽宁工程技术大学, 2019(07)
- [5]基于开关量和电气量信息融合的电网故障诊断[D]. 喻圣. 三峡大学, 2019(06)
- [6]考虑警报时序特性的高容错性电力系统故障诊断模型与方法[D]. 张岩. 浙江大学, 2016(07)
- [7]具容错性的智能变电站故障诊断研究[D]. 史建昇. 天津大学, 2016(12)
- [8]智能变电站继电保护隐藏故障诊断与系统重构方法[D]. 陈星田. 重庆大学, 2015(07)
- [9]基于数字化变电站的电力设备故障诊断研究[D]. 宋鹏. 山东大学, 2010(09)
- [10]变电站故障信息分析系统的研究[D]. 林剑. 浙江大学, 2009(S1)