【正文】 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(wǎng)故障診斷的相關(guān)內(nèi)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(wǎng)故障診斷中的原理以及其應(yīng)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。 故障診斷求解以及結(jié)果分析通過以上的相關(guān)故障診斷的警告情況結(jié)果，確定出優(yōu)化后的目標函數(shù)：上式中w1=，w2=，w3=100。5) 通過接收到的警告信息，處理后用來降低參變量的維度。為了方便，下面將（7）和（8）寫成如下形式： （10）其中F的維數(shù)是2（Z+K）。D表示保護R與斷路器C正?；蛘呔軇印Ｈ绻碌囊淮鷿M足了所設(shè)定好的算法已收斂或者是繁衍代數(shù)，那么就返回到最優(yōu)基因串，然后對適應(yīng)值最高的單位進行解碼，最后得到的結(jié)果就是結(jié)論。而且現(xiàn)在國際上經(jīng)常召開設(shè)有遺傳算法的專題會議，這種會議基本是每兩年就會召開一次，使得遺傳算法的研究已經(jīng)成為國際學術(shù)界的一大熱門話題。5) 變異運算：將變異算子作用到種群。兩斷點交叉之后可以得到：C＝1 1 0 1 1 1 0 1 1 1 0 1 ；D＝1 0 0 0 1 0 1 0 1 1 1 1 ，變異就是串的某個數(shù)字發(fā)生變化。主要包括兩個方面：1) 怎樣從現(xiàn)有的解集中篩選出一些解（選擇算子）來產(chǎn)生其后代。第3章 遺傳算法的基本原理及應(yīng)用遺傳算法（GA）是通過模擬Darwin的生物進化理論的遺傳學與自然選擇的生物進化過程的計算模型，是一種通過模擬自然進化過程，然后搜索出最優(yōu)解的方法，并出版發(fā)行了很具影響的《Adaptation in Natural and Artificial Systems》一書，（SGA）。人工神經(jīng)網(wǎng)絡(luò)在電力系統(tǒng)故障診斷中的主要應(yīng)用問題是：人工神經(jīng)網(wǎng)絡(luò)不具備相應(yīng)的表達電力系統(tǒng)拓撲結(jié)構(gòu)的相關(guān)能力，僅能在具有固定的接線的中小型電網(wǎng)中得到應(yīng)用，所以說怎樣設(shè)計出能應(yīng)用于大型電網(wǎng)的人工神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)依然是現(xiàn)在的研究發(fā)展趨勢。2) 結(jié)合正反推理的系統(tǒng)。只需要在故障信息出現(xiàn)時根據(jù)所跳閘的支路對該變電所進行局部的拓撲修正就可以。遠后備保護（第二后備保護）：線路的遠后備保護主要用作保護變壓器，在相鄰的區(qū)域故障而該區(qū)域的保護未 動 作時。 本文的主要內(nèi)容1) 研究基于遺傳算法的電網(wǎng)故障診斷的發(fā)展歷程、研究現(xiàn)狀和未來的發(fā)展趨勢。同時遺傳算法也不需要直接對訓練樣本與知識規(guī)則進行選擇處理，這是它對比于專家系統(tǒng)，人工神經(jīng)網(wǎng)絡(luò)診斷系統(tǒng)的最大優(yōu)勢。若是不能通過一定準確有效的方法來恢復(fù)故障元件，就會影響電力系統(tǒng)的正常運行。另一方面，在電網(wǎng)的規(guī)模和復(fù)雜程度不斷增加的同時，自動化水平也在不斷加強，越來越多的自動裝置應(yīng)用到電力系統(tǒng)中，當電網(wǎng)發(fā)生故障時，各級自動裝置會產(chǎn)生大量的報警信息?，F(xiàn)如今，我國在電力系統(tǒng)方面還不算優(yōu)秀，供電的可靠性也有待加強，電網(wǎng)的故障經(jīng)常發(fā)生在輸電線路上，特別是在超高壓長距離輸電線路上發(fā)生某些故障時，都需要及時發(fā)現(xiàn)并處理好故障問題，確保線路的安全穩(wěn)定運行。后來，專家們也嘗試將人工神經(jīng)網(wǎng)絡(luò)（ANN）的方法運用到電力系統(tǒng)的故障診斷中[8~9]，但是該方法的有效性卻因樣本的合理選取上略顯一般，對于大型的電力系統(tǒng)要形成一個完整的樣本集非常困難，使其結(jié)果的準確性在理論上無法得到保證。在不失信息的可靠性和完整性的基礎(chǔ)上，把系統(tǒng)采集到的信息按時間的優(yōu)先級劃分為以下三層：遙信變位信息，遙測信息以及 錄 波信息。根據(jù)系統(tǒng)的數(shù)據(jù)信息，可以將電力系統(tǒng)故障信息分類如下：1) 開關(guān)信息：主要包含自動重合閘 設(shè)備動作引起的開關(guān)閉合的信息與繼電保護器設(shè)備動作引起的開關(guān)合閘或跳閘信息?！芭c”的 關(guān)系：支路上所有的串聯(lián)裝置都是閉合的狀態(tài)，支路才會是“連通”。4) 由于上一級的元件設(shè)備故障被切除而導(dǎo)致停電的區(qū)域。相比于專家系統(tǒng)，人工神經(jīng)網(wǎng)絡(luò)最大的優(yōu)點就是采用了神經(jīng)元和它們之間有向權(quán)重鏈接來隱含處理相關(guān)問題的理論知識，同時也有具有以下一些特點：1) 自我組織，學習能力強， 能夠?qū)W習并適應(yīng)各種不確定關(guān)系系統(tǒng)的特性。3) 因為優(yōu)化技術(shù)需要迭代計算，所以其診斷速度是一個很大的影響因素。適應(yīng)度函數(shù)在它的定義域內(nèi)可以任意的設(shè)置，不受連續(xù)可微的限制。尋求最優(yōu)的搜索過程主要就是通過交叉來得以實現(xiàn)的，它是遺傳算法中最重要的算子，所以一般說它發(fā)生的概率會比較大。 簡單遺傳算法（SGA）簡單遺傳算法（SGA）的基本運算過程如下：1) 初始化：首先令進化代數(shù)的計數(shù)器初始值t=0，然后設(shè)置最大的進化代數(shù)T，隨機的生成M個單位讓它們作為初始的種群P(0)。本文采用的交叉 概率以及變異概率隨迭代次數(shù)的增加而改變的方程是：兩式中：：迭代的次數(shù)：交叉概率在第t次 迭代時的數(shù)值：交叉 概率的初 始值：變異概率在第t次迭代時的數(shù)值：變異 概率的初 始值：允許的最大迭代次數(shù)可以發(fā)現(xiàn)，交叉概率是隨著迭代的次數(shù)增加而呈現(xiàn)出線性遞減趨勢的。最近幾年來有關(guān)文獻提出了應(yīng)用遺傳蘇、模擬退火算法以及模擬分子進化優(yōu)化方法來求解這個問題。第4章 基于遺傳算法的故障診斷 故障診斷的數(shù)學模型 故障診斷的完全解析模型在電力系統(tǒng)元件發(fā)生故障時，通過保護的配置規(guī)則與原理，以及和該元件相關(guān)的保護由于檢測到故障特征而動作，引起斷路器的跳閘。方程組（1）可以等價的變成： （9）對上式的左邊求主析取范式，方程組（1）的解就是主析取范式里的每個極小值。但是在離散的空間里，因為通常位置僅能夠取0和1，這樣導(dǎo)致不會具有空間內(nèi)連續(xù)的速度意義，反而會被理解成算子位置進一步的演化的概率。40個斷路器分別是：QF1，QF2，…QF40?；谶z傳算法的故障解析模型的診斷方法在案例中的測試結(jié)果如下表：表1 故障診斷的結(jié)果電網(wǎng)故障保護和斷路器的警報信息診斷結(jié)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(jié)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(shù)，然后通過一個經(jīng)典算例的系統(tǒng)來驗證。參考文獻[1] 孫可，韓禎祥，曹一家. 復(fù)雜電網(wǎng)連鎖故障模型評述[J]. 電網(wǎng)技術(shù),2005,(13):19.[2] 石立寶,史中英,姚良忠，倪以信，Masoud [J]. 電網(wǎng)技術(shù)，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(tǒng)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(tǒng)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(tǒng)故障診斷的解析模型與方法(一). 電力系統(tǒng)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(tǒng)故障診斷的解析模型與方法(二). 電力系統(tǒng)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(tǒng)故障診斷的解析模型與方法(三). 電力系統(tǒng)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(tǒng)分層信息故障診斷方法. 電力系統(tǒng)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(tǒng)及其自動化學報, 1998 , 10(3