變壓器故障的多參數(shù)智能診斷方法

目錄

前言

第1章 緒論 1

1.1 引言 1

1.2 變壓器常見故障類型 2

1.3 變壓器常用監(jiān)測/檢測手段 4

1.4 基于多監(jiān)測參量融合診斷的意義與診斷框架 6

1.5 本書的內(nèi)容安排 8

參考文獻 8

第2章 非平穩(wěn)信號的典型處理方法及其在去噪中的應(yīng)用 10

2.1 非平穩(wěn)信號的特點和處理用途 10

2.2 基于小波變換的非平穩(wěn)信號分析方法及其在去噪中的應(yīng)用 11

2.2.1 連續(xù)小波變換 11

2.2.2 離散小波變換 12

2.2.3 基于小波變換的多分辨率分析 13

2.2.4 小波變換在信號處理中的應(yīng)用 17

2.2.5 小波應(yīng)用的總結(jié) 29

2.3 基于EEMD的非平穩(wěn)信號分析方法及其在去噪中的應(yīng)用 29

2.3.1 EMD方法簡介 29

2.3.2 EEMD方法簡介 33

2.3.3 EEMD方法在非平穩(wěn)信號去噪中的應(yīng)用 34

2.3.4 結(jié)論 39

2.4 基于ITD的非平穩(wěn)信號分析方法及其在去噪中的應(yīng)用 40

2.4.1 ITD方法簡介 40

2.4.2 ITD方法的改進及其在去噪中的應(yīng)用 45

2.4.3 結(jié)論 54

2.5 變分模態(tài)分解分析方法及其在去噪中的應(yīng)用 54

2.5.1 變分模態(tài)分解算法 54

2.5.2 基于雙閾值篩選法的VMD算法分解模態(tài)數(shù)K的確定 57

2.5.3 VMD算法在去噪中的應(yīng)用 61

2.5.4 結(jié)論 66

2.6 非平穩(wěn)信號的模式識別方法概述 66

參考文獻 67

第3章 基于油色譜數(shù)據(jù)的變壓器故障診斷 70

3.1 變壓器油中溶解氣體含量與變壓器狀態(tài)的對應(yīng)關(guān)系 70

3.1.1 油中溶解氣體的組分 70

3.1.2 正常運行變壓器的油中氣體含量 70

3.1.3 變壓器內(nèi)部故障與特征氣體含量對應(yīng)關(guān)系 71

3.2 油色譜故障診斷研究現(xiàn)狀 73

3.2.1 油中氣體色譜分析方法 73

3.2.2 故障診斷研究現(xiàn)狀 74

3.3 相關(guān)向量機算法介紹 76

3.3.1 相關(guān)向量機理論簡介 76

3.3.2 RVM分類模型 80

3.4 MKL-RVM算法及其改進 80

3.4.1 MKL-RVM算法介紹 81

3.4.2 MKL-RVM算法核函數(shù)參數(shù)獲取 82

3.5 基于MKL-RVM的變壓器故障診斷分析 87

3.5.1 變壓器故障類型的劃分及其表示方法 87

3.5.2 MKL-RVM融合診斷模型特征變量的確定 87

3.5.3 核函數(shù)選取和核函數(shù)參數(shù)優(yōu)化 88

3.5.4 診斷輸出 89

3.5.5 基于MKL-RVM的變壓器故障診斷過程 90

3.6 MKL-RVM算法的實現(xiàn) 91

3.7 變壓器故障診斷方法的測試和比較分析 92

參考文獻 97

第4章 變壓器振動信號的特征提取和故障診斷方法 99

4.1 變壓器振動信號研究意義及現(xiàn)狀 99

4.2 變壓器本體振動分析 100

4.2.1 變壓器鐵心振動機理及其與振動信號的關(guān)系 100

4.2.2 變壓器繞組振動機理及與振動信號的關(guān)系 101

4.2.3 變壓器振動信號分析 102

4.3 基于傅里葉變換和小波包分析的振動信號特征提取 104

4.3.1 傅里葉變換與小波包算法 104

4.3.2 基于傅里葉和小波包分析的信號特征提取方法 106

4.4 基于EEMD的振動信號特征提取 107

4.4.1 EEMD方法概述 107

4.4.2 基于EEMD的振動信號特征提取方法 108

4.5 變壓器鐵心和繞組故障診斷實例 108

4.5.1 試驗環(huán)境與條件 108

4.5.2 基于FFT和小波包的特征提取和診斷 109

4.5.3 基于EEMD的特征提取和診斷 117

4.5.4 實例分析和比較 123

4.6 本章小結(jié) 125

參考文獻 126

第5章 寬頻帶脈沖電流特征提取和放電類型識別 128

5.1 研究背景及意義 128

5.2 國內(nèi)外研究現(xiàn)狀 128

5.2.1 脈沖電流法研究現(xiàn)狀 128

5.2.2 局部放電脈沖電流特征提取的研究現(xiàn)狀 129

5.2.3 局部放電類型識別的研究現(xiàn)狀 130

5.3 油紙絕緣放電試驗 131

5.3.1 局部放電試驗環(huán)境 131

5.3.2 局部放電波形初步分析 133

5.4 基于PRPD的局部放電信號統(tǒng)計特征提取 136

5.4.1 局部放電相位分布分析 136

5.4.2 基礎(chǔ)放電參數(shù)提取 137

5.4.3 局部極值點雙閾值過濾法 138

5.4.4 自適應(yīng)閾值選取方案 140

5.4.5 閾值方案的優(yōu)化 144

5.4.6 基礎(chǔ)參數(shù)自適應(yīng)提取流程 144

5.4.7 譜圖繪制與譜圖特征提取 145

5.5 基于變分模態(tài)分解和多尺度熵的局部放電信號特征提取與類型識別 147

5.5.1 MSE理論 148

5.5.2 基于VMD-MSE特征提取 150

5.5.3 局部放電實驗數(shù)據(jù)分析 151

5.6 基于變量預(yù)測模型模式識別方法的局部放電信號類型識別 154

5.6.1 變量預(yù)測模型模式識別方法基本原理 154

5.6.2 VPMCD方法存在的問題 157

5.6.3 VPMCD方法的改進 158

5.6.4 基于PLS-VPMCD方法的局部放電信號類型識別 160

參考文獻 162

第6章 基于超聲信號的變壓器絕緣放電故障診斷 164

6.1 變壓器放電的超聲信號檢測現(xiàn)狀 164

6.2 超聲波檢測法原理 165

6.3 基于超聲信號的變壓器絕緣放電判別方法 166

6.3.1 局部放電超聲信號頻譜分析 166

6.3.2 基于超聲信號頻域內(nèi)累計越限次數(shù)的放電判別方法 168

6.4 超聲信號放電故障判別案例 168

6.4.1 實驗室超聲信號的判別 168

6.4.2 現(xiàn)場實測超聲信號的判別 171

參考文獻 173

第7章 變壓器多檢測手段的融合診斷及系統(tǒng)開發(fā) 174

7.1 融合診斷研究現(xiàn)狀 174

7.2 變壓器融合診斷 175

7.2.1 多專家協(xié)同診斷結(jié)構(gòu) 175

7.2.2 協(xié)同診斷規(guī)則 176

7.3 基于可信度的變壓器綜合狀態(tài)的多監(jiān)測參量的融合確定 178

7.3.1 基于可信度的變壓器綜合診斷不確定性的表示 178

7.3.2 基于可信度的變壓器綜合診斷的推理算法 181

7.4 基于多監(jiān)測參數(shù)的變壓器融合診斷系統(tǒng)開發(fā) 184

7.4.1 系統(tǒng)開發(fā)模式 184

7.4.2 變壓器監(jiān)測/檢測數(shù)據(jù)的設(shè)計與管理 186

7.4.3 變壓器綜合診斷系統(tǒng)的功能設(shè)計 190

7.5 故障診斷案例分析 191

參考文獻 194 2100433B

變壓器故障引發(fā)的系統(tǒng)事故和停電后果十分嚴(yán)重。目前，大型變壓器通常都配有油色譜在線監(jiān)測手段，并輔以多種離線檢測手段，電力企業(yè)迫切需要對不同手段所測得的數(shù)據(jù)進行綜合分析和智能診斷。本書是作者多年來對變壓器故障智能診斷方法研究的理論和技術(shù)的總結(jié)。本書首先介紹變壓器的常見故障及常用監(jiān)測/檢測手段，以及基于多監(jiān)測參量融合診斷的診斷框架；然后講述非平穩(wěn)信號的典型分析與處理方法；接下來分別論述基于油色譜數(shù)據(jù)、振動信號、寬頻帶脈沖電流信號以及超聲信號等單一手段的變壓器故障智能診斷方法；最后闡述變壓器多檢測手段的融合診斷方法，并給出變壓器故障診斷系統(tǒng)的實現(xiàn)方法。

《大型電力變壓器故障診斷及案例》主要內(nèi)容包括概論、大型電力變壓器的故障模式及影響分析、大型電力變壓器故障特征參量分析、大型電力變壓器故障特征參量預(yù)處理及預(yù)測方法、大型電力變壓器故障特征參量數(shù)據(jù)融合方法、基于油中溶解氣體的變壓器故障診斷方法、大型電力變壓器過熱性故障診斷方法、大型變壓器繞組變形診斷方法、基于多特征參量故障診斷方法、基于保護信息的變壓器故障診斷、典型故障診斷案例分析。

電網(wǎng)故障診斷的智能技術(shù)基于專家系統(tǒng)的故障診斷方法

Feighbaum教授 于1968年開發(fā)了第一個專家系統(tǒng)((Expert System)并且具體說明專家系統(tǒng)是一種智能的計算機程序，它通過使用知識與推理過程，求解那些需要專家的知識才能求解的高難度問題。自從70年代人們將專家系統(tǒng)引入到電網(wǎng)的故障診斷領(lǐng)域，基于該方法的故障診斷應(yīng)用較為成功。專家系統(tǒng)在電網(wǎng)故障診斷中的典型應(yīng)用可以歸結(jié)為:首先建立故障信息知識庫，并用自然語言建立產(chǎn)生式規(guī)則;然后基于對這一產(chǎn)生式規(guī)則的理解，知識工程師將知識表示成機器語言并通過人機接口儲存到知識庫中;故障發(fā)生時，將故障信息輸入到推理機，推理機根據(jù)當(dāng)前輸入的故障信息，運用知識庫中的知識，按一定的策略進行推理，從而識別出故障元件。

專家系統(tǒng)將專家的知識應(yīng)用于電網(wǎng)故障診斷，可以保證診斷系統(tǒng)的實時性和有效性，但是基于知識的本質(zhì)和實現(xiàn)故障診斷的原理沒有變，因此當(dāng)前專家系統(tǒng)還存在著不足：(1)專家知識是人為移植到計算機的，所以難以建立完備的知識庫；(2)容錯性差，對于保護和斷路器的誤動作及知識庫中不包含的情況，很難給出正確的判斷；(3)系統(tǒng)的維護難度非常大，知識庫要經(jīng)常根據(jù)實際情況進行更新。

未來的研究中將專家系統(tǒng)與其他智能技術(shù)相結(jié)合是一種有效的方式，取長補短，彌補專家系統(tǒng)本身的缺陷。有研究將模糊集理論與專家系統(tǒng)結(jié)合，通過對電壓和電流值以及保護和斷路器信息進行模糊推理，能夠有效地改善專家系統(tǒng)容錯性差的問題。也有采用一種適用于電網(wǎng)故障診斷的整個協(xié)同式專家系統(tǒng)的結(jié)構(gòu)體系，并且將其與多智能體技術(shù)相結(jié)合，克服了單一專家系統(tǒng)的局限性，增強了對復(fù)雜故障實時診斷的推理能力 。

電網(wǎng)故障診斷的智能技術(shù)基于人工神經(jīng)網(wǎng)絡(luò)的故障診斷方法

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)是一種模擬神經(jīng)系統(tǒng)來進行信息處理的數(shù)學(xué)模型，主要是基于輸入和輸出關(guān)系建立起來的，并由大量簡單的處理單元(神經(jīng)元)廣泛互連而形成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)。神經(jīng)網(wǎng)絡(luò)能夠?qū)Υ罅康挠?xùn)練樣本進行分析推理，得到一般規(guī)律，從而能對未知的或無法預(yù)測的故障信息進行分析判斷。前饋神經(jīng)網(wǎng)絡(luò)較廣泛地應(yīng)用于電網(wǎng)故障診斷領(lǐng)域，其中最具代表性的是BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)。

有研究給出了BP神經(jīng)網(wǎng)絡(luò)在電網(wǎng)故障診斷中的典型應(yīng)用:將保護器和斷路器的動作信息作為神經(jīng)網(wǎng)絡(luò)的輸入，可能發(fā)生的故障情況作為輸出，以此來建立診斷模型;通過大量的故障實例形成訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本集;訓(xùn)練過程中，網(wǎng)絡(luò)的輸入節(jié)點加輸入信號，此信號向前傳播，并不斷根據(jù)當(dāng)時的節(jié)點活化函數(shù)、連接加權(quán)系數(shù)和給定值進行相應(yīng)計算，此過程即為學(xué)習(xí)過程;在學(xué)習(xí)結(jié)束前，若前向計算的輸出與期望的輸出之間存在誤差，則將誤差信號反向傳播，調(diào)整權(quán)值和值，直到輸出滿足要求。

神經(jīng)網(wǎng)絡(luò)有強大的學(xué)習(xí)能力，而且具有容錯能力強、魯棒性好、非線性映射和并行分布處理等特點。然而，神經(jīng)網(wǎng)絡(luò)還存在如下缺陷：(1)需要大量的訓(xùn)練樣本以供學(xué)習(xí)，但獲取完備優(yōu)質(zhì)的樣本十分困難；(2)神經(jīng)網(wǎng)絡(luò)在診斷過程中被看成是“黑箱”，缺乏對自身行為的解釋能力；(3)神經(jīng)網(wǎng)絡(luò)不善于處理啟發(fā)式的規(guī)則。未來對基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法的研究重點還是在選取有價值的訓(xùn)練樣本、給予診斷過程解釋能力、使適用于大規(guī)模電網(wǎng)故障診斷等方面。

電網(wǎng)故障診斷的智能技術(shù)基于貝葉斯網(wǎng)絡(luò)的故障診斷方法

貝葉斯網(wǎng)絡(luò)(Bayesian Network)是一種用來表示和推理不確定性知識的模型，它將概率論的相關(guān)知識與圖形理論相結(jié)合，具有較為嚴(yán)格的理論基礎(chǔ)，對解決復(fù)雜電網(wǎng)由于不確定因素引起的故障等問題具有明顯作用。利用貝葉斯網(wǎng)絡(luò)技術(shù)進行電網(wǎng)故障診斷的研究還處于初期階段，但是發(fā)展的較為迅速。文獻采用分層遞歸的思想，利用粗糙集理論對電網(wǎng)故障信息進行分層挖掘，達到屬性優(yōu)選，然后通過貝葉斯網(wǎng)絡(luò)進行故障診斷，成功識別出故障元件。結(jié)合監(jiān)測設(shè)備的狀態(tài)信息，利用貝葉斯網(wǎng)絡(luò)實現(xiàn)了故障情況的提前預(yù)測。也有文獻基于元件建模，通過設(shè)置各節(jié)點的先驗概率，使得故障信息經(jīng)過貝葉斯網(wǎng)絡(luò)后，得到各元件發(fā)生故障的概率，以此識別故障元件，若采用某個值作為判斷條件，可同時對一個或多個元件的故障進行有效診斷。

貝葉斯網(wǎng)絡(luò)的診斷模型清晰直觀，對于不確定和不完備信息可以進行良好的診斷決策，然而，網(wǎng)絡(luò)節(jié)點賦值需要大量的實際觀察或統(tǒng)計分析方法來確定，而且貝葉斯網(wǎng)的訓(xùn)練屬于NP難度問題，處理復(fù)雜問題時將變得非常困難。未來該領(lǐng)域的研究將主要集中在如何實現(xiàn)貝葉斯網(wǎng)絡(luò)的自動建模，如何將其與信息融合理論相結(jié)合等方面。

電網(wǎng)故障診斷的智能技術(shù)基于優(yōu)化技術(shù)的故障診斷方法

采用優(yōu)化技術(shù)(Optimization Methods)的故障診斷方法是一種基于數(shù)學(xué)模型的求解方法。國內(nèi)外學(xué)者提出了多種優(yōu)化算法，可以將其應(yīng)用到電網(wǎng)故障診斷領(lǐng)域，而且優(yōu)化算法在電網(wǎng)規(guī)劃等方面也有較好的應(yīng)用。常用的優(yōu)化算法包括:遺傳算法，模擬退火算法和蟻群算法，還有較新的算法如交叉嫡算法。

優(yōu)化技術(shù)應(yīng)用于電網(wǎng)故障診斷的方法是考慮故障元件與保護器和斷路器的動作關(guān)系，將電網(wǎng)故障診斷問題表示為使目標(biāo)函數(shù)最小化的0-1整數(shù)規(guī)劃問題，然后通過優(yōu)化算法求解該問題的最優(yōu)解。有文獻基于小生境遺傳算法，并結(jié)合粗糙集理論，來求取決策表約簡，從而抽出診斷規(guī)則，提升了對不完備信息的分析能力。

基于優(yōu)化技術(shù)的故障診斷方法具有嚴(yán)密的數(shù)學(xué)基礎(chǔ)和理論依據(jù)，用常規(guī)的優(yōu)化算法即能夠?qū)崿F(xiàn)而且能夠在診斷信息不全面的條件下，給出局部和全局最優(yōu)的多個診斷結(jié)果。不過該方法還存在的問題是：(1)目標(biāo)函數(shù)的確定比較困難；(2)優(yōu)化算法的多次迭代，導(dǎo)致診斷時間過長；(3)優(yōu)化算法在尋優(yōu)的過程中存在隨機因素，可能導(dǎo)致丟失最優(yōu)解。所以選擇更全面的診斷模型以及采用合適的優(yōu)化算法來提高診斷的準(zhǔn)確性和實時性是該領(lǐng)域未來研究的重要方向。

電網(wǎng)故障診斷的智能技術(shù)基于支持向量機的故障診斷方法

統(tǒng)計學(xué)習(xí)理論是一種專門研究有限樣本情況下機器學(xué)習(xí)規(guī)律的理論，為研究統(tǒng)計模式識別和更廣泛的機器學(xué)習(xí)問題建立了一個較好的理論框架。Vapnik等人根據(jù)對統(tǒng)計學(xué)習(xí)理論的研究，提出了支持向量機(Support Vector Machine)這種全新的模式識別算法，有效地改善了傳統(tǒng)分類方法的缺陷，具有充足的理論依據(jù)。它在文本分類、故障診斷、手寫識別等領(lǐng)域中獲得了較多的應(yīng)用。

故障診斷問題從本質(zhì)上來說就是一種分類問題，而支持向量機對于有限樣本狀況下的分類問題具有較強的針對性。有文獻通過將粒子群優(yōu)化算法與支持向量機相結(jié)合來進行故障診斷。由于在支持向量機算法中，核函數(shù)參數(shù)選擇的好壞直接影響到診斷結(jié)果的準(zhǔn)確度，而文中采用的方法能夠?qū)崿F(xiàn)參數(shù)的動態(tài)選取，達到優(yōu)化診斷結(jié)果的目的 。

支持向量機基于統(tǒng)計學(xué)習(xí)理論，有效地改善了傳統(tǒng)分類方法的缺陷，具有充足的理論依據(jù)，對解決有限樣本的模式識別問題具有很高的適用性。下一步的研究重點在于如何改進算法，使診斷過程快速并滿足實時性的要求以及處理大電網(wǎng)故障診斷、參數(shù)的選擇等問題。該技術(shù)在故障診斷中的應(yīng)用起步較晚，隨著研究的加深，該方法有望成為電網(wǎng)故障診斷領(lǐng)域的實用方法之一。

電網(wǎng)故障診斷的智能技術(shù)基于模糊集理論的故障診斷方法

美國自動控制專家L A Zadek于1965年首次提出“模糊集合”的概念，并引入“隸屬函數(shù)”來描述差異的中間過渡。模糊集理論(Fuzzy set Theory)將信息模糊化，首先系統(tǒng)獲取的信息組成的集合可以看成一種經(jīng)典集合，按照某種對應(yīng)法則將集合中的元素映射到 [0，1]這一區(qū)間，這樣集合中的每一個元素在0和1之間都對應(yīng)一個實數(shù)，這個實數(shù)可以表明其隸屬于0或1的程度，按照以上對應(yīng)法則組成的函數(shù)就是隸屬度函數(shù)，該理論就是以隸屬度函數(shù)為基礎(chǔ)建立的。在電網(wǎng)故障診斷領(lǐng)域發(fā)展的早期，人們對專家系統(tǒng)應(yīng)用在故障診斷領(lǐng)域做了較多的研究，然而很少考慮到信息的不確定性，從而導(dǎo)致診斷的不精確。有文獻針對電力系統(tǒng)故障診斷問題中的不確定信息給出解決方法，將模糊集理論應(yīng)用在電網(wǎng)故障診斷領(lǐng)域，通過將故障信息模糊化，不僅可以減小數(shù)據(jù)信息的存儲空間，也能提升診斷精度和容錯性。

模糊集理論的特點就是可以處理信息的不確定性，然而基于模糊集理論的故障診斷方法還面臨著一些弊端：(1)隸屬函數(shù)的建立沒有一個明確的標(biāo)準(zhǔn)；(2)可維護性差，當(dāng)電網(wǎng)結(jié)構(gòu)發(fā)生變化時，模糊知識庫和隸屬度也要做相應(yīng)的變化；(3)大規(guī)模電網(wǎng)的模糊診斷模型建立困難。在實際應(yīng)用中，常常將模糊集理論與其他智能方法相結(jié)合(如專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、Petri網(wǎng)等)，用來分析不確定性信息對診斷系統(tǒng)的影響，提升診斷精度，增強系統(tǒng)的容錯性。

電網(wǎng)故障診斷的智能技術(shù)基于Petri網(wǎng)技術(shù)的故障診斷方法

Petri網(wǎng)是德國科學(xué)家Carl Adam Petri 于1960到1965年提出的一種數(shù)學(xué)模型，它利用目標(biāo)系統(tǒng)中元件之間的關(guān)系來構(gòu)建有向圖的組合模型，從而能夠準(zhǔn)確地表示離散事件發(fā)生的順序、并發(fā)和沖突的關(guān)系。印度學(xué)者 Jenkensl和Khincha在1992年首先將Petri網(wǎng)技術(shù)應(yīng)用于電網(wǎng)的建模中，在這之后Petri網(wǎng)在電力系統(tǒng)的很多領(lǐng)域中得到了應(yīng)用，并顯示出了其良好的應(yīng)用前景。電網(wǎng)的故障可看成是離散事件，而Petri網(wǎng)是對離散事件組成的系統(tǒng)進行建模和分析的理想工具。

Petri網(wǎng)方法能夠定性或定量地對系統(tǒng)中事件發(fā)生的各種過程采取準(zhǔn)確的分析，同時還具有圖形化的結(jié)構(gòu)表示等優(yōu)點，是對離散事件進行動態(tài)建模和分析的有效方法，不過還有一些尚需深入的問題存在，主要是：(1)系統(tǒng)網(wǎng)絡(luò)拓撲的擴大，易導(dǎo)致建模時發(fā)生信息組合爆炸的情況；(2)電網(wǎng)多重故障時，診斷結(jié)果不夠理想；(3)對于保護和斷路器拒動或誤動時產(chǎn)生的錯誤信息不能很好地分析識別。未來的研究中，將高級的Petri網(wǎng)用于復(fù)雜電網(wǎng)的故障診斷是一種有效的措施 。

電網(wǎng)故障診斷的智能技術(shù)基于信息融合技術(shù)的故障診斷方法

信息融合(Information fusion)技術(shù)實際上是一種多源信息的綜合技術(shù)，通過對來自不同數(shù)據(jù)源的信息進行分析和智能化合成，獲得被測對象及其性質(zhì)的最佳一致估計，從而產(chǎn)生比單一信息源更精確、更完全的估計和決策。采用該方法的電網(wǎng)故障診斷已顯示出了明顯的優(yōu)勢。

采用信息融合技術(shù)將開關(guān)量與電氣量等來自不同數(shù)據(jù)源的信息綜合利用，可以極大地提高診斷系統(tǒng)的實時性和準(zhǔn)確性，有效地避免由于故障信息的不確定性而導(dǎo)致的錯誤診斷。信息融合技術(shù)在今后的研究中，重點將放在解決如何選取合適的信息融合方法以及如何在實際中融合更多方面的信息，這會使得電網(wǎng)故障診斷水平上升到一個新高度。

電網(wǎng)故障診斷的智能技術(shù)基于MAS的故障診斷方法

多智能體(Multi-Agent System， MAS)技術(shù)是分布式人工智能技術(shù)的重要分支，它是一種將計算機、網(wǎng)絡(luò)和分布式思想相結(jié)合的軟件工程技術(shù)，能夠?qū)⒛繕?biāo)問題轉(zhuǎn)變成在邏輯上或物理上分離的多個Agent，可分別針對每個Agent來解決問題，而且各個Agent之間相互協(xié)調(diào)信息得到最終結(jié)果，節(jié)約了數(shù)據(jù)和資源。文獻將MAS技術(shù)應(yīng)用于電網(wǎng)的故障診斷中，先將診斷系統(tǒng)智能分解，再通過軟件技術(shù)來協(xié)調(diào)各Agent中的信息并得出診斷結(jié)果，滿足了準(zhǔn)確性和實時性的要求。有文獻提出一種基于智能識別系統(tǒng)的MAS技術(shù)。MAS實現(xiàn)了控制過程的在線自適應(yīng)識別和實時的進行離線故障診斷，同時可以適應(yīng)和克服大規(guī)模電網(wǎng)的復(fù)雜性。

產(chǎn)品的質(zhì)量水平高低是影響一個國家經(jīng)濟發(fā)展和國際市場競爭力的重要因素。產(chǎn)品質(zhì)量、制造過程質(zhì)量、服務(wù)質(zhì)量問題近年來日益得到我國政府和廣大公眾的關(guān)注和重視。

《制造過程質(zhì)量異常診斷的智能方法研究》對制造過程質(zhì)量異常診斷的智能方法進行了研究，主要內(nèi)容涵涵蓋基于PNN的制造過程質(zhì)量診斷、基于LS-SVM的小樣本過程質(zhì)量診斷、基于Cuscore統(tǒng)計量的過程質(zhì)量智能診斷、多元過程質(zhì)量智能診斷與異常變量識別等。

《制造過程質(zhì)量異常診斷的智能方法研究》結(jié)構(gòu)合理，條理清晰，內(nèi)容豐富新穎，可供從事納米材料研究的相關(guān)人員參考使用。