基于粗糙集理论和量子神经网络的电网故障诊断方法研究

变电站自动化和无人值班是当今电网调度自动化领域的热门课题。随着电网规模的不断扩大，当电网发生故障尤其是复杂故障或自动装置动作不正常，开关、保护存在误动、拒动以及因信道干扰而发生的信息丢失等诸多不确定因素时，电力系统响应将会复杂化，给电网故障诊断造成很多困难。因此，有必要发展一种受错误信息干扰小、容错性强的故障诊断方法，以协助调度人员迅速识别故障，保证电力系统的安全稳定运行。这对于保证系统安全运行以及提高供电可靠性是一个非常有意义的研究课题。 以往的研究表明，即使是容错性较强的人工神经网络，处理交叉数据模式识别问题的效果也不够理想，在样本出现错误数据特别是多重故障的情况时，提供的诊断结果可信度大大降低。本文在借鉴量子信息相关理论以及深入研究各种典型的人工神经网络的基础上，提出运用基于多层激励函数的量子神经网络进行模式识别和故障诊断。量子神经网络是借鉴量子力学相关概念的一种新型神经网络，它通过不断更新不同层神经元的连接权以及隐含层各神经元的量子间隔，以达到提高容错性的目的。仿真实验表明，该方法对存在误动信息的不完备数据，表现出明显强于传统神经网络的特性。这一方法对存在一定错误信息的故障决策表也具有良好的识别能力，能够较大程度地提高电网故障诊断的准确性。 在此基础上，考虑到大电网故障决策表的复杂性，为了提高故障诊断速度和进一步验证量子神经网络的诊断效果，本文采用粗糙集理论的可辨识矩阵进行属性约简，以作为量子神经网络诊断系统的预处理方法。对大规模电网的仿真实验表明，该方法降低了网络的训练时间和训练复杂程度，诊断准确性与直接使用量子神经网络方法基本一致，保留了量子神经网络较好的容错性能。 最后，在深入研究现有典型人工智能方法的基础上，以一个较大规模城市电网为例，运用VC＋＋和MATLAB程序编写了基于粗糙集和量子神经网络的算法程序，并将其应用到该电网模型中，运算结果与其它人工智能方法得到的数据进行了全面的比较分析。实验结果表明该方法有较高的准确性和容错性，能对大电网模型进行有效地分析和诊断，具有较高的理论和实用价值。