基于函数逼近能力的母线保护的研究及仿真

ANN分类能力的ANN保护方法需要大量故障样本,但由于完整的故障样本的获取不易,提出了基于人工神经网络(ANN)函数逼近能力的ANN母线保护方法。函数逼近能力是ANN具有的重要性能之一,依据ANN具有的函数逼近能力,可用ANN模型去替代一个确定的物理对象。母线保护的物理对象是一个输入输出关系确定的函数对象,可用一个ANN模型去替代,或用一个ANN数学模型去逼近母线保护物理对象的输入输出之间的函数关系。通过这个在无故障运行时学习训练出来的母线保护对象的ANN数学模型,就能判断区分母线保护对象的区内和区外故障。     

基于神经网络的单端行波故障测距方法

单端行波故障测距的关键是正确辨识量测到的第2个行波波头的性质。当母线上最短健全线路的长度大于故障线路全长的四分之一且次短健全线路长度大于故障线路全长的二分之一时,保护安装处检测到的前3个波头一定含有至少2个来自故障线路的行波。当健全线路不满足上述条件时,用方向行波识别行波是否来自故障线路。利用人工神经网络(artificial neutral network,ANN)的非线性函数逼近拟合能力,选取保护安装处检测到的后2个波头与首波头的时间差及其波头极性作为样本属性,训练、测试ANN建立其故障测距的ANN并模型来实现初步的故障测距,然后应用故障距离与波速、传输时间的关系正确辨识第2个行波波头性质,继而求得精确的故障距离。仿真结果表明该方法可行、有效。     

±800 kV特高压直流输电线路故障定位小波能量谱神经网络识别法

固有频率与故障距离之间存在数学关系,故障行波暂态能量在固有频率附近较集中,其暂态能量包含丰富的故障距离信息。利用人工神经网络(ANN)的非线性函数逼近拟合能力,建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量,并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征,提高了测距的可靠性。数字实验结果表明,所提方法在不同过渡电阻和不同故障距离下均能准确测距。     

采用神经网络和专家系统的变电站故障诊断系统

介绍了采用ANN和ES的变电站故障诊断系统，充分利用ES的推理能力和ANN的学习能力。系统首先采用ES对故障报警信息进行预处理，再用ANN方法确定故障情况，最后利用ES评价保护和开关的动作情况。ANN采用RBF网络，提高了训练速度和诊断能力；训练样本包括用ES自动生成基本故障样本，以及无确定规则的特殊样本，提高了系统管理样本的能力。本系统故障诊断快速，动作评价可靠，可减轻运行人员的工作量。     

基于ANN方法的锂离子电池放电容量预测

锂离子电池放电容量的预测和估计是电池管理系统中一个非常重要的内容。某一个状态下锂离子电池的放电容量是放电电流、电压、温度以及过去电池充放电的历史等参数的函数。运用ANN方法即人工神经网络方法 ,可逼近任何多输入输出参数函数的性能 ,预测不同放电电流和电压下锂离子电池放电容量的大小。结果表明 ,ANN方法具有足够的精度 ,可用来预测锂离子电池的放电容量。     

基于人工神经网络模型的变压器保护原理

依据人工神经网络的逼近能力,提出了一种基于人工神经网络模型的变压器保护新原理.该原理利用人工神经网络来逼近变压器的电磁关系,构建可替代变压器物理模型的人工神经网络模型,在线识别变压器的内部参数,基于参数识别后的变压器人工神经网络模型实现变压器保护.EMTP仿真实验表明,该变压器保护方法能在故障发生后半周内识别内部故障,故障特征明显,动作门槛有较大裕度,能识别变压器轻微匝间故障,且不受励磁涌流影响.     

±800kV直流输电线路故障定位的单端电压自然频率方法

输电线路故障行波频谱与故障距离之间存在数学关系,故利用故障行波频谱可以实现故障测距。直流输电线路两端平波电抗器和直流滤波器构成了直流输电系统实体物理边界,它对于行波高频部分呈近似开路特性,其反射系数接近于1,使得量测端时域波形呈周期性。对于行波低频部分,直流滤波器的频率特性使量测端的行波极性会发生翻转,致使时域波形的相角偏移,在频域上表现为自然频率的偏移。此外,故障电压行波于非对称短路点发生线模与零模行波相互交叉透射,致使故障电压自然频率“混叠”。鉴此,利用人工神经网络（artificial neural network,ANN）的非线性函数逼近拟合能力,选择故障电压自然频率的主频及其2倍频的幅值和频率作为样本属性,对神经网络进行训练、测试来确立直流输电线路故障定位的ANN模型。大量的PSCAD数字试验表明,基于自然频率和ANN的UHVDC线路故障测距方法可行、有效。     

基于自然频率的辐射状配电网分层分布式ANN故障定位方法

当辐射状配电网不同分支发生故障时,其故障电压行波经由不同分支组合的传播路径到达母线侧量测端,由量测端获得的故障暂态电压的自然频率及其幅值分布亦不相同。不同分支组合的行波传播路径与自然频率及其幅值分布之间存在着映射关系。可利用人工神经网络(ANN)强大的非线性拟合能力来反映此种映射关系,实现辐射状配电网的故障定位及分支识别。利用故障后四分之一工频周期时窗的零序电压自然频率作为分层分布式ANN模型的输入样本,先进行故障定位;再以自然频率对应的幅值作为输入样本,进行故障分支识别,故障距离和故障点所在分支编号作为其输出。大量电磁暂态仿真表明,该方法有效。     

采用量子遗传算法的船舶电网故障诊断方法

为在船舶电网发生故障时能准确的确定故障元件,在深入分析船舶电力系统独特的结构和保护配置特点的基础上,考虑保护或断路器拒动情况下计及主保护、后备保护之间状态关系对目标函数的共同影响建立了适合船舶电力系统故障诊断的数学模型,利用量子遗传算法具有比普通遗传算法更好的种群多样性、更快的收敛速度和全局寻优的能力的优点对故障诊断数学模型进行求解,并利用典型船舶电网故障算例对所提方法进行了验证,算例结果说明了该故障诊断模型的合理性和诊断结果的准确性.     

基于人工神经网络模型的变压器保护原理

依据人工神经网络的逼近能力,提出了一种基于人工神经网络模型的变压器保护新原理。该原理利用人工神经网络来逼近变压器的电磁关系,构建可替代变压器物理模型的人工神经网络模型,在线识别变压器的内部参数,基于参数识别后的变压器人工神经网络模型实现变压器保护。EMTP仿真实验表明,该变压器保护方法能在故障发生后半周内识别内部故障,故障特征明显,动作门槛有较大裕度,能识别变压器轻微匝间故障,且不受励磁涌流影响。