近年来，随着人工智能技术的迅猛发展，一些人工智能方法逐渐被引入到故障测

In de afgelopen jaren, met de snelle ontwikkeling van kunstmatige-intelligentietechnologie, zijn sommige kunstmatige-intelligentiemethoden geleidelijk geïntroduceerd in het opsporen van fouten en zijn er enkele intelligente-bereikmethoden verschenen, zoals kunstmatige neurale netwerken, fuzzy-herkenning, fuzzy-herkenning, fuzzy-verwerking, gesimuleerde gloeien Algoritmen, waaronder kunstmatige neurale netwerken, worden het meest gebruikt. Aangezien het neurale netwerk uitstekende zelflerende en zelfaanpassende mogelijkheden heeft en een zekere fouttolerantie heeft, kan het neurale netwerk, na een groot aantal monsters die de afstandskarakteristieken van de fout weerspiegelen, de wiskundige relatie tussen invoer en uitvoer benaderen zonder dat het nodig is vast te stellen Nauwkeurige wiskundige vergelijkingen kunnen foutlocaties uitvoeren. De afstandsmethode van het kunstmatige neurale netwerk wordt minder beïnvloed door de overgangsweerstand en kan verschillende soorten fouten gebruiken, die de nauwkeurigheid van de foutlocatie in verschillende bedrijfsmodi kunnen garanderen.Daarom heeft het onderzoek naar deze methode een grote praktische waarde. . Deze methode voor afstandsmeting heeft ook de volgende problemen: Ten eerste is de training moeilijk, omdat de trainingsmonsters van het neurale netwerk gegevens moeten verzamelen tijdens verschillende storingen, en deze gegevens worden meestal niet verkregen door experimenten en kunnen alleen worden vastgelegd wanneer het stroomsysteem faalt. Historische gegevens. Ten tweede is de trainingstijd van het neurale netwerk te lang. Aangezien de tijd die het voedingssysteem nodig heeft om de defecte lijn te verwijderen erg kort is, aangezien het voedingssysteem steeds meer geautomatiseerd wordt, zal de foutlocatietijd niet voldoen aan de werkelijke vereisten van het elektriciteitsnet. Samenvattend, de meeste methoden voor het variëren van kunstmatige intelligentie bevinden zich nog steeds in theoretisch onderzoek en zijn nog niet algemeen toegepast in de feitelijke techniek.

In de afgelopen jaren, met de snelle ontwikkeling van kunstmatige intelligentie technologie, sommige kunstmatige intelligentie methoden zijn geleidelijk geïntroduceerd in de fout variërend, en een aantal intelligente variërend methoden zijn verschenen, zoals kunstmatige neurale netwerk, fuzzy erkenning, fuzzy herkenning, fuzzy processing, analoge annealing algoritme, waaronder kunstmatige neurale netwerk opgemaakt. Omdat het neurale netwerk heeft een uitstekende zelflerende, adaptieve vermogen, en heeft een bepaalde fouttolerantie vermogen, na een groot aantal reactiefout afstand kenmerken van de steekproef opleiding, het neurale netwerk kan de wiskundige relatie tussen de input en output te benaderen, hoeft niet om een nauwkeurige wiskundige vergelijking kan in staat zijn om fout bereik vast te stellen. De kunstmatige neurale netwerk variërend methode wordt in geringe mate beïnvloed door de overgang weerstand, en kan gebruik maken van een verscheidenheid van fouttypes, kan de nauwkeurigheid van de fout variërend onder verschillende wijzen van de werking te garanderen, dus de studie van deze variërend methode heeft grote praktische waarde. Deze variërend methode heeft ook de volgende problemen: Ten eerste, opleiding is moeilijk, omdat de opleiding monsters van neurale netwerken nodig hebben om gegevens te verzamelen op verschillende storingen, die meestal niet experimenteel wordt verkregen, alleen met behulp van historische gegevens geregistreerd in het geval van stroomsysteem storing. Ten tweede is het neurale netwerk lange tijd getraind. Omdat het energiesysteem het mogelijk maakt de verwijdering van breuklijnen is zeer korte tijd, met de toenemende mate van automatisering van het elektriciteitssysteem, zal de fout variërend tijd niet voldoen aan de werkelijke eisen van het elektriciteitsnet. Kortom, de kunstmatige intelligentie-methode is nog steeds grotendeels in theoretisch onderzoek, is niet op grote schaal toegepast op praktische engineering.

In recent years, with the rapid development of artificial intelligence technology, some artificial intelligence methods are gradually introduced into fault location, and some intelligent ranging methods appear, such as artificial neural network, fuzzy recognition, fuzzy recognition, fuzzy processing, simulated annealing algorithm, etc., among which artificial neural network is the most widely used. Because the neural network has excellent self-learning, self-adaptive ability, and has a certain fault tolerance ability, after a large number of sample training reflecting the fault distance characteristics, the neural network can approach the mathematical relationship between the input and output, and can carry out fault location without establishing accurate mathematical equations. The artificial neural network ranging method is less affected by the transition resistance, and can use a variety of fault types, and can ensure the accuracy of fault location under different operation modes, so the research on this ranging method has great practical value. There are still some problems in this method: firstly, it is difficult to train, because the training samples of neural network need to collect the data of various faults, which can not be obtained by experiments, only the historical data recorded in the case of power system faults can be used. Secondly, the training time of neural network is too long. Because the time that the power system allows to cut off the fault line is very short, the fault location time will not meet the actual requirements of the power grid with the increasing automation of the power system. To sum up, most of the artificial intelligence ranging methods are still in theoretical research, and have not been widely used in practical projects.<br>