基于RS-RBF神经网络相结合的配电网故障诊断方法研究

随着电网规模的不断扩大以及综合自动化水平的提高，配电网发生故障后，越来越多的信息涌入调度中心。这些信息由于数量巨大，以及其不确定性及不正确性，甚至部分重要信息缺失，将可能导致诊断结果的不准确甚至错误。 为了解决诸如上述的问题，本文是通过分析粗糙集理论和RBF神经网络算法，然后将这两种算法充分结合起来找到个一种最优方法对配电网的进行故障诊断。首先利用粗糙集理论对不完整数据及不精确知识的处理方法，将涌入调度中心的大量不确定数据编辑决策表并进行约简，得到最小约简属性，然后将这些属性作为RBF神经网络的训练样本输入，对网络进行训练，利用训练好的神经网络模块，对电网系统进行故障诊断，以此判断故障部位。 在本文中，利用RBF神经网络进行训练，是因为它与传统BP神经网络相比：具有BP所不具有的最佳逼近性能和全局最优特性；并且结构简单、训练速度快、适合大规模电网。文中，将粗糙集和神经网络进行优化组合，充分利用这两种方法的共同优点，进行配电网故障诊断时，可以大大提高系统的容错性和诊断效率。 文章利用vs2005开发环境，用vc++语言编写粗糙集部分约简程序，然后在vc++环境下调用matlab神经网络工具箱，建立一个简易的系统模块，对故障进行训练，并实现对故障的诊断处理。 最后，本文结合一个算例，按步骤对其进行诊断，判断故障类型，并与传统电网故障诊断方法相比较，验证其正确性和实用性。