【正文】 1, 0, 0, 0, 0, 1, 0}；={1, 1, 1, 0, 1, 1, 0, 1, 1, 1}。以及對M和D部分分量的確定：， 均等于0。 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(biāo)函數(shù)：上式中w1=，w2=，w3=100。通過遺傳算法的優(yōu)化計(jì)算方法求解，隨機(jī)的初始化40個(gè)目標(biāo)，迭代 次 數(shù) 設(shè) 置成1000。同時(shí)為了方便收斂，在初始群的R與C分別在 R` 與 C` 附近取值，M 與 D部分未確定的 分量 在零向量 的附近取值。在多次的實(shí)驗(yàn)之后，發(fā)現(xiàn)每次的結(jié)果都能再迭代200次之前收斂，并且目標(biāo)函數(shù)E（G），最優(yōu)的算子為G*。并且：S*= {1, 0, 1, 0, 0}R*= {1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0}C*= {1, 1, 1, 0, 1, 1, 0, 1, 1, 1}M*= {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0}D*= {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0}上述所表示的是：1) 母線B2以及變壓器T3同時(shí)發(fā)生故障。2) 變壓器的主保護(hù)T3m與線路L3的遠(yuǎn)后備保護(hù)動(dòng)作以及斷路器失靈保護(hù)QF14f動(dòng)作。3) 部分?jǐn)嗦菲鱍F4，QF6，QF8，QF12，QF13，QF16，QF19，QF27斷開。4) 斷路器QF10與QF14拒動(dòng)并且失靈保護(hù)QF10f拒動(dòng)。5) 根據(jù)對比R*和R`以及C*和C`可以知道T3p動(dòng)作警告信息發(fā)生誤報(bào)并且保護(hù)B2m警告信息漏報(bào)?；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(hù)和斷路器的警報(bào)信息診斷結(jié)論評價(jià)A3與B6故障A3m，B6m，QF21，QF22，QF23，QF25，QF26，…QF30A3，B6故障，QF24以及QF26f漏報(bào)，QF26拒動(dòng)正確A3與T5故障A3m，T5p，QF21，QF26，QF28，QF30A3，T5故障，QF26f以及QF22漏報(bào)，QF24拒動(dòng)正確T7故障T7m，QF34f，QF32，QF33，QF37，QF38，QF39T7故障，QF36f漏報(bào)，T1m，QF34以及QF36拒動(dòng)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(dòng)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(biāo)函數(shù)，然后通過一個(gè)經(jīng)典算例的系統(tǒng)來驗(yàn)證。從保護(hù)以及斷路器的故障診斷信息中獲得相關(guān)結(jié)論。充分的利用了遺傳算法對復(fù)雜電網(wǎng)故障診斷的研究，得到令人滿意的效果。不僅反映了本文所建立的模型以及目標(biāo)函數(shù)的正確性，也說明了遺傳算法在復(fù)雜電網(wǎng)故障診斷中的可行性與有效性。結(jié) 論近些年來，電力系統(tǒng)規(guī)模的日益擴(kuò)大及其不斷復(fù)雜化的設(shè)備給故障診斷的準(zhǔn)確性、及時(shí)性帶來很大的挑戰(zhàn)。并且，隨著電網(wǎng)自動(dòng)化水平的不斷提高，越來越多的自動(dòng)裝置應(yīng)用到電力系統(tǒng)中，當(dāng)電網(wǎng)發(fā)生故障時(shí)，大量的報(bào)警信息會迅速地、不加選擇地涌入控制中心，特別是同時(shí)出現(xiàn)多種故障并伴隨有保護(hù)和斷路器拒動(dòng)、誤動(dòng)的情況時(shí)，故障診斷問題將會變得異常復(fù)雜。目前，電網(wǎng)故障診斷方法按照其診斷原理可歸納為基于推理的人工智能方法、基于不確定性理論的故障診斷方法、基于優(yōu)化思想的故障診斷方法和多種故障診斷方法融合的診斷方法這四類，而人工神經(jīng)網(wǎng)絡(luò)因其能模擬人類大腦處理問題的過程及經(jīng)驗(yàn)并具有強(qiáng)大的自學(xué)能力以及對不完備數(shù)據(jù)的處理能力，而被廣泛應(yīng)用于電網(wǎng)故障診斷領(lǐng)域。1. 研究成果本文主要做了以下幾點(diǎn)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(xué)習(xí)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(yàn)證了其方法的有效性與可行性。2. 展望由于時(shí)間的關(guān)系，本文所研究的仍然不夠完整，對基于遺傳算法的故障診斷研究依然有很多需要后續(xù)工作。主要存在以下幾點(diǎn)內(nèi)容：1）診斷更大的電網(wǎng)，考慮更多的故障類型。本文在電網(wǎng)故障診斷部分，網(wǎng)絡(luò)規(guī)模較小，且算例中考慮的保護(hù)類型較少，主要考慮了線路主保護(hù)、后備保護(hù)和母線主保護(hù)以及變壓器主保護(hù)，不能普遍反應(yīng)復(fù)雜電網(wǎng)故障診斷的情況。故在后續(xù)學(xué)習(xí)中，可以考慮更大規(guī)模的電網(wǎng)，并按照實(shí)際配置的保護(hù)情況來建立診斷模型。2）與其它診斷方法融合，提高診斷效率如果診斷的電網(wǎng)較復(fù)雜，規(guī)模更大，則利用文中基于遺傳算法的故障診斷模型就會變得很復(fù)雜，因此融合多種方法，最快并且最優(yōu)地進(jìn)行故障診斷，成為當(dāng)前的一大熱點(diǎn)。在完成論文的過程中，還遇到了很多其它問題以及在處理過程中存在各種各樣的不足，這將成為我今后學(xué)習(xí)、研究的目標(biāo)，以使得本文建立的基于遺傳算法復(fù)雜電網(wǎng)故障診斷的模型得到不斷的完善和改進(jìn)。參考文獻(xiàn)[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(xué)，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(dòng)化學(xué)報(bào),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(jī)工程學(xué)報(bào),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(dòng)化學(xué)報(bào), 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(dòng)化學(xué)報(bào), 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(dòng)化學(xué)報(bào), 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(dòng)化, 2000, 28(10)：1518.[18] 段玉倩, 賀家李. 遺傳算法及其改進(jìn). 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 1998 , 10(3)：3952.[19] 李慧玲,李春明. 一種基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的故障診斷方法[J]. 電力科學(xué)與工程,2011,(04)：4347. [20] 孟祥萍,潘瑩,耿衛(wèi)星,霍飛,高燕. 混沌免疫遺傳算法在電力系統(tǒng)故障診斷中應(yīng)用[J]. 電力自動(dòng)化設(shè)備,2007,(05)：8183.2