结合蚁群算法的遗传算法配电网故障诊断分析

论文摘要

电力系统发展迅速,自动化程度越来越高,而系统结构复杂、高负荷、大功率连续运转等因素,在复杂电网中,不可避免会由于微小扰动触发故障,电力系统连锁故障会导致电网大面积崩溃的灾难性后果。及时发现故障和预测故障的技术为提高设备运行的安全性、可靠性提供有效途径,常见模型故障诊断方法有参数估计法如ARMA模型,状态估计法等,需要较多先验知识。模糊专家系统、神经网络等是基于浅知识和深知识相结合的研究方法,故障诊断向智能化方向得到进一步发展,出现了小波分析、分形几何、数据融合、遗传算法等,分析常见的故障诊断方法的特点,故障形成因素众多,传统故障诊断方法已较难满足现代设备要求。为了实现故障的全面预测搜索分析,本文提出了在配电网故障分析前阶段,用遗传算法全局搜索能力快速形成初始解,将遗传算法得到的结果转化为蚁群算法所需的信息素,以快速形成最优解的方法。由于遗传算法可以发现最优解,在实际应用过程中存在未成熟收敛、收敛于局部最优解、收敛速度慢等问题。传统的遗传算法要提高收敛速度,就需要提高搜索效率,改善寻优性能,从而加速收敛,蚁群算法在这方面有其优势,可有效压缩搜索空间,提高搜索效率,这可使改进的遗传算法渐收于最优解。本文在遗传算法和蚁群算法知识基础上,结合混合算法可使收敛提高搜索速度的优势,研究如何通过两者实现故障诊断的可能性进行分析,在寻找蚁群算法和遗传算法的相结合应用于故障诊断分析中的切入点,分析结合蚁群算法和遗传算法进行故障诊断分析的实际应用意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 电力系统故障诊断的发展及现状
• 1.1 综述
• 1.2 电力系统故障诊断分析的研究方法及问题
• 1.3 本文研究的目的和主要内容
• 第二章 遗传算法
• 2.1 引言
• 2.2 遗传算法优化求解
• 2.3 遗传算法实施
• 2.4 遗传算法在电力系统中的应用举例
• 第三章 蚁群算法
• 3.1 蚁群算法的由来
• 3.2 蚁群算法的仿真和实现
• 3.3 电力系统蚁群算法应用综述
• 3.4 基本蚁群算法思路
• 第四章 结合蚁群算法的改进遗传算法分析
• 4.1 算例比较及算法的局限性
• 4.2 自适应的信息素更新策略
• 4.3 遗传算法和蚁群算法的改进与衔接
• 第五章 结合蚁群算法的改进遗传算法的电力系统故障诊断分析应用
• 5.1 结合蚁群算法的改进遗传算法的特点
• 5.2 故障反应的机理
• 5.3 改进算法电力系统故障诊断算例分析
• 结束语
• 参考文献
• 致谢
• 附录一 攻读硕士学位期间发表的论文
• 附录二 遗传算法与蚁群算法算例程序