建筑工程施工安全風(fēng)險(xiǎn)智能診斷方法及關(guān)鍵技術(shù)研究

由于建筑施工高處作業(yè)面廣量大，作業(yè)環(huán)境復(fù)雜，存在各種類型的危險(xiǎn)源因素。因此，高處作業(yè)成為建筑行業(yè)傷亡事故的多發(fā)點(diǎn)。本項(xiàng)目首先采用建筑施工作業(yè)危害分析法對(duì)建筑施工高處作業(yè)存在的危險(xiǎn)源進(jìn)行識(shí)別，總結(jié)出建筑施工高處作業(yè)中存在的危險(xiǎn)源類型；根據(jù)OSHA案例庫(kù)中的高處墜落事故案例，分析其事故前兆，并構(gòu)建高處墜落事故多案例集合的安全風(fēng)險(xiǎn)事故鏈。接著在本體相關(guān)理論研究的基礎(chǔ)上，選擇本體編輯工具Protégé軟件和“七步法”構(gòu)建建筑工程施工安全風(fēng)險(xiǎn)本體。從目標(biāo)與需求、知識(shí)表示、類和類的結(jié)構(gòu)關(guān)系定義、對(duì)象型屬性定義、數(shù)據(jù)型屬性定義、實(shí)例創(chuàng)建等進(jìn)行施工安全風(fēng)險(xiǎn)本體知識(shí)庫(kù)構(gòu)建。同時(shí)對(duì)構(gòu)建的建筑工程施工安全風(fēng)險(xiǎn)本體知識(shí)庫(kù)進(jìn)行應(yīng)用分析，涉及可視化、查詢、SWRL規(guī)則構(gòu)建、Jess推理等幾個(gè)方面。創(chuàng)建了一個(gè)實(shí)例，運(yùn)用“SWRL Jess”實(shí)現(xiàn)推理，識(shí)別出施工安全風(fēng)險(xiǎn)，并采取相應(yīng)的措施，實(shí)現(xiàn)建筑工程施工安全風(fēng)險(xiǎn)管理智能化。最后構(gòu)建了建筑工程高空作業(yè)安全管理系統(tǒng)的框架，包含系統(tǒng)的體系結(jié)構(gòu)和工作機(jī)制。運(yùn)用BIM建模和BIM二次開(kāi)發(fā)技術(shù)，自動(dòng)識(shí)別模型中的安全風(fēng)險(xiǎn)，并進(jìn)行案例應(yīng)用，論證系統(tǒng)開(kāi)發(fā)完成的可能性。 2100433B

安全風(fēng)險(xiǎn)管理是建筑工程施工安全管理的重要環(huán)節(jié)。面對(duì)大量的建設(shè)工程安全管理內(nèi)容，僅依賴經(jīng)驗(yàn)豐富的技術(shù)人員進(jìn)行安全風(fēng)險(xiǎn)分析，已無(wú)法滿足工作需要。如何有效推進(jìn)基于前兆信息的安全風(fēng)險(xiǎn)管理方法研究、推進(jìn)新興技術(shù)在建筑工程施工安全風(fēng)險(xiǎn)管理系統(tǒng)中的融合和應(yīng)用，是目前國(guó)內(nèi)面臨的重要問(wèn)題。本課題基于人-物-環(huán)境的角度分析前兆信息，探索建筑工程施工安全風(fēng)險(xiǎn)形成機(jī)理，并確定以施工活動(dòng)、工作任務(wù)、前兆信息為主體的建筑工程施工安全風(fēng)險(xiǎn)輸入?yún)?shù)；基于本體理論構(gòu)建建筑工程施工安全風(fēng)險(xiǎn)知識(shí)庫(kù)；結(jié)合混合推理理論，研究基于規(guī)則推理和案例推理的建筑工程施工安全風(fēng)險(xiǎn)智能診斷方法；運(yùn)用人工智能技術(shù)、BIM與4D技術(shù)設(shè)計(jì)建筑工程施工安全風(fēng)險(xiǎn)智能診斷系統(tǒng)，實(shí)現(xiàn)安全風(fēng)險(xiǎn)、安全措施及安全風(fēng)險(xiǎn)所在區(qū)域的自動(dòng)輸出。選擇典型工程開(kāi)展實(shí)證研究，分析、驗(yàn)證風(fēng)險(xiǎn)智能診斷結(jié)果，并根據(jù)實(shí)證結(jié)果，進(jìn)一步改進(jìn)原有的系統(tǒng)設(shè)計(jì)。

《智能電網(wǎng)關(guān)鍵技術(shù)研究》是為適應(yīng)目前我國(guó)智能電網(wǎng)建設(shè)需要而編寫(xiě)的，它縱觀了國(guó)內(nèi)外智能電網(wǎng)發(fā)展的最新動(dòng)態(tài)，結(jié)合以往的運(yùn)營(yíng)經(jīng)驗(yàn)，從新能源發(fā)電及儲(chǔ)能技術(shù)、輸電網(wǎng)狀態(tài)監(jiān)測(cè)技術(shù)、變電站設(shè)備在線監(jiān)測(cè)技術(shù)、智能饋線自動(dòng)化技術(shù)，微網(wǎng)的控制與保護(hù)技術(shù)、全維度智能化高級(jí)電網(wǎng)調(diào)度技術(shù)、電動(dòng)汽車技術(shù)、互動(dòng)式用電技術(shù)、配電網(wǎng)智能化通信組網(wǎng)技術(shù)以及資產(chǎn)全壽命周期管理方面，介紹和探討了當(dāng)前智能電網(wǎng)發(fā)展的關(guān)鍵技術(shù)，內(nèi)容深入淺出。本書(shū)由鐘清主編。

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(kāi)發(fā)了第一個(gè)專家系統(tǒng)((Expert System)并且具體說(shuō)明專家系統(tǒng)是一種智能的計(jì)算機(jī)程序，它通過(guò)使用知識(shí)與推理過(guò)程，求解那些需要專家的知識(shí)才能求解的高難度問(wèn)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(shí)庫(kù)，并用自然語(yǔ)言建立產(chǎn)生式規(guī)則;然后基于對(duì)這一產(chǎn)生式規(guī)則的理解，知識(shí)工程師將知識(shí)表示成機(jī)器語(yǔ)言并通過(guò)人機(jī)接口儲(chǔ)存到知識(shí)庫(kù)中;故障發(fā)生時(shí)，將故障信息輸入到推理機(jī)，推理機(jī)根據(jù)當(dāng)前輸入的故障信息，運(yùn)用知識(shí)庫(kù)中的知識(shí)，按一定的策略進(jìn)行推理，從而識(shí)別出故障元件。

專家系統(tǒng)將專家的知識(shí)應(yīng)用于電網(wǎng)故障診斷，可以保證診斷系統(tǒng)的實(shí)時(shí)性和有效性，但是基于知識(shí)的本質(zhì)和實(shí)現(xiàn)故障診斷的原理沒(méi)有變，因此當(dāng)前專家系統(tǒng)還存在著不足：(1)專家知識(shí)是人為移植到計(jì)算機(jī)的，所以難以建立完備的知識(shí)庫(kù)；(2)容錯(cuò)性差，對(duì)于保護(hù)和斷路器的誤動(dòng)作及知識(shí)庫(kù)中不包含的情況，很難給出正確的判斷；(3)系統(tǒng)的維護(hù)難度非常大，知識(shí)庫(kù)要經(jīng)常根據(jù)實(shí)際情況進(jìn)行更新。

未來(lái)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(zhǎng)補(bǔ)短，彌補(bǔ)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(guò)對(duì)電壓和電流值以及保護(hù)和斷路器信息進(jìn)行模糊推理，能夠有效地改善專家系統(tǒng)容錯(cuò)性差的問(wèn)題。也有采用一種適用于電網(wǎng)故障診斷的整個(gè)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(qiáng)了對(duì)復(fù)雜故障實(shí)時(shí)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(lái)進(jìn)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(lái)的，并由大量簡(jiǎn)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(jìn)行分析推理，得到一般規(guī)律，從而能對(duì)未知的或無(wú)法預(yù)測(cè)的故障信息進(jìn)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(hù)器和斷路器的動(dòng)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(lái)建立診斷模型;通過(guò)大量的故障實(shí)例形成訓(xùn)練神經(jīng)網(wǎng)絡(luò)的樣本集;訓(xùn)練過(guò)程中，網(wǎng)絡(luò)的輸入節(jié)點(diǎn)加輸入信號(hào)，此信號(hào)向前傳播，并不斷根據(jù)當(dāng)時(shí)的節(jié)點(diǎn)活化函數(shù)、連接加權(quán)系數(shù)和給定值進(jìn)行相應(yīng)計(jì)算，此過(guò)程即為學(xué)習(xí)過(guò)程;在學(xué)習(xí)結(jié)束前，若前向計(jì)算的輸出與期望的輸出之間存在誤差，則將誤差信號(hào)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(qiáng)大的學(xué)習(xí)能力，而且具有容錯(cuò)能力強(qiáng)、魯棒性好、非線性映射和并行分布處理等特點(diǎn)。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(guò)程中被看成是“黑箱”，缺乏對(duì)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(lái)對(duì)基于神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法的研究重點(diǎn)還是在選取有價(jià)值的訓(xùn)練樣本、給予診斷過(guò)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(lái)表示和推理不確定性知識(shí)的模型，它將概率論的相關(guān)知識(shí)與圖形理論相結(jié)合，具有較為嚴(yán)格的理論基礎(chǔ)，對(duì)解決復(fù)雜電網(wǎng)由于不確定因素引起的故障等問(wèn)題具有明顯作用。利用貝葉斯網(wǎng)絡(luò)技術(shù)進(jìn)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(xiàn)采用分層遞歸的思想，利用粗糙集理論對(duì)電網(wǎng)故障信息進(jìn)行分層挖掘，達(dá)到屬性優(yōu)選，然后通過(guò)貝葉斯網(wǎng)絡(luò)進(jìn)行故障診斷，成功識(shí)別出故障元件。結(jié)合監(jiān)測(cè)設(shè)備的狀態(tài)信息，利用貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)了故障情況的提前預(yù)測(cè)。也有文獻(xiàn)基于元件建模，通過(guò)設(shè)置各節(jié)點(diǎn)的先驗(yàn)概率，使得故障信息經(jīng)過(guò)貝葉斯網(wǎng)絡(luò)后，得到各元件發(fā)生故障的概率，以此識(shí)別故障元件，若采用某個(gè)值作為判斷條件，可同時(shí)對(duì)一個(gè)或多個(gè)元件的故障進(jìn)行有效診斷。

貝葉斯網(wǎng)絡(luò)的診斷模型清晰直觀，對(duì)于不確定和不完備信息可以進(jìn)行良好的診斷決策，然而，網(wǎng)絡(luò)節(jié)點(diǎn)賦值需要大量的實(shí)際觀察或統(tǒng)計(jì)分析方法來(lái)確定，而且貝葉斯網(wǎng)的訓(xùn)練屬于NP難度問(wèn)題，處理復(fù)雜問(wèn)題時(shí)將變得非常困難。未來(lái)該領(lǐng)域的研究將主要集中在如何實(shí)現(xiàn)貝葉斯網(wǎng)絡(luò)的自動(dòng)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(guó)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(hù)器和斷路器的動(dòng)作關(guān)系，將電網(wǎng)故障診斷問(wèn)題表示為使目標(biāo)函數(shù)最小化的0-1整數(shù)規(guī)劃問(wèn)題，然后通過(guò)優(yōu)化算法求解該問(wèn)題的最優(yōu)解。有文獻(xiàn)基于小生境遺傳算法，并結(jié)合粗糙集理論，來(lái)求取決策表約簡(jiǎn)，從而抽出診斷規(guī)則，提升了對(duì)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(gè)診斷結(jié)果。不過(guò)該方法還存在的問(wèn)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(shí)間過(guò)長(zhǎng)；(3)優(yōu)化算法在尋優(yōu)的過(guò)程中存在隨機(jī)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(lái)提高診斷的準(zhǔn)確性和實(shí)時(shí)性是該領(lǐng)域未來(lái)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(jī)的故障診斷方法

統(tǒng)計(jì)學(xué)習(xí)理論是一種專門(mén)研究有限樣本情況下機(jī)器學(xué)習(xí)規(guī)律的理論，為研究統(tǒng)計(jì)模式識(shí)別和更廣泛的機(jī)器學(xué)習(xí)問(wèn)題建立了一個(gè)較好的理論框架。Vapnik等人根據(jù)對(duì)統(tǒng)計(jì)學(xué)習(xí)理論的研究，提出了支持向量機(jī)(Support Vector Machine)這種全新的模式識(shí)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(xiě)識(shí)別等領(lǐng)域中獲得了較多的應(yīng)用。

故障診斷問(wèn)題從本質(zhì)上來(lái)說(shuō)就是一種分類問(wèn)題，而支持向量機(jī)對(duì)于有限樣本狀況下的分類問(wèn)題具有較強(qiáng)的針對(duì)性。有文獻(xiàn)通過(guò)將粒子群優(yōu)化算法與支持向量機(jī)相結(jié)合來(lái)進(jìn)行故障診斷。由于在支持向量機(jī)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(dòng)態(tài)選取，達(dá)到優(yōu)化診斷結(jié)果的目的 。

支持向量機(jī)基于統(tǒng)計(jì)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(duì)解決有限樣本的模式識(shí)別問(wèn)題具有很高的適用性。下一步的研究重點(diǎn)在于如何改進(jìn)算法，使診斷過(guò)程快速并滿足實(shí)時(shí)性的要求以及處理大電網(wǎng)故障診斷、參數(shù)的選擇等問(wèn)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(shí)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(guó)自動(dòng)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(lái)描述差異的中間過(guò)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(duì)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(gè)元素在0和1之間都對(duì)應(yīng)一個(gè)實(shí)數(shù)，這個(gè)實(shí)數(shù)可以表明其隸屬于0或1的程度，按照以上對(duì)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(duì)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(xiàn)針對(duì)電力系統(tǒng)故障診斷問(wèn)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(guò)將故障信息模糊化，不僅可以減小數(shù)據(jù)信息的存儲(chǔ)空間，也能提升診斷精度和容錯(cuò)性。

模糊集理論的特點(diǎn)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(méi)有一個(gè)明確的標(biāo)準(zhǔn)；(2)可維護(hù)性差，當(dāng)電網(wǎng)結(jié)構(gòu)發(fā)生變化時(shí)，模糊知識(shí)庫(kù)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(shí)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(lái)分析不確定性信息對(duì)診斷系統(tǒng)的影響，提升診斷精度，增強(qiáng)系統(tǒng)的容錯(cuò)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(guó)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(lái)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(duì)離散事件組成的系統(tǒng)進(jìn)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(duì)系統(tǒng)中事件發(fā)生的各種過(guò)程采取準(zhǔn)確的分析，同時(shí)還具有圖形化的結(jié)構(gòu)表示等優(yōu)點(diǎn)，是對(duì)離散事件進(jìn)行動(dòng)態(tài)建模和分析的有效方法，不過(guò)還有一些尚需深入的問(wèn)題存在，主要是：(1)系統(tǒng)網(wǎng)絡(luò)拓?fù)涞臄U(kuò)大，易導(dǎo)致建模時(shí)發(fā)生信息組合爆炸的情況；(2)電網(wǎng)多重故障時(shí)，診斷結(jié)果不夠理想；(3)對(duì)于保護(hù)和斷路器拒動(dòng)或誤動(dòng)時(shí)產(chǎn)生的錯(cuò)誤信息不能很好地分析識(shí)別。未來(lái)的研究中，將高級(jí)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(shí)際上是一種多源信息的綜合技術(shù)，通過(guò)對(duì)來(lái)自不同數(shù)據(jù)源的信息進(jìn)行分析和智能化合成，獲得被測(cè)對(duì)象及其性質(zhì)的最佳一致估計(jì)，從而產(chǎn)生比單一信息源更精確、更完全的估計(jì)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(shì)。

采用信息融合技術(shù)將開(kāi)關(guān)量與電氣量等來(lái)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(shí)時(shí)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(cuò)誤診斷。信息融合技術(shù)在今后的研究中，重點(diǎn)將放在解決如何選取合適的信息融合方法以及如何在實(shí)際中融合更多方面的信息，這會(huì)使得電網(wǎng)故障診斷水平上升到一個(gè)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(jì)算機(jī)、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(wèn)題轉(zhuǎn)變成在邏輯上或物理上分離的多個(gè)Agent，可分別針對(duì)每個(gè)Agent來(lái)解決問(wèn)題，而且各個(gè)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(xiàn)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(guò)軟件技術(shù)來(lái)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(shí)時(shí)性的要求。有文獻(xiàn)提出一種基于智能識(shí)別系統(tǒng)的MAS技術(shù)。MAS實(shí)現(xiàn)了控制過(guò)程的在線自適應(yīng)識(shí)別和實(shí)時(shí)的進(jìn)行離線故障診斷，同時(shí)可以適應(yīng)和克服大規(guī)模電網(wǎng)的復(fù)雜性。