自适应单相自动重合闸的神经网络方法

本文针对自适应自动重合闸过程中如何判别故障性质的问题,提出了基于人工神经网络的方法,并设计了一个三层神经网络来建立自适应单相自动重合闸的方案。采用了改进的ＢＰ学习算法,并对特征输入量的提取作了探讨。结合ＥＭＴＰ仿真的训练和测试结果表明,所设计的神经网络是可以解决自适应单相重合闸问题的。     

闭锁状态下MMC子模块电容充电升压机理及对策

针对模块化多电平换流器(modular multilevel converter,MMC)在闭锁状态下子模块电容充电升压的现象,对子模块过电压旁路保护策略提出改进意见。首先详细分析了柔直对称单极系统中,MMC阀侧发生接地故障且被闭锁后,健全相电压幅值被抬高等现象。由于直流线路存在分布电容的原因,健全相桥臂电容充电升压,本文总结了引起该充电过程的条件和因素,提出了闭锁状态下防止子模块过电压误旁路的新的保护策略,最后在一个三端柔性直流系统PSCAD模型上的仿真分析全面验证了闭锁状态下子模块充电升压的机理,所提出的子模块过电压旁路保护改进策略可以避免子模块误旁路,从而降低MMC的检修工作量。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题在几种传统的识别励磁涌流方法的基础上,结合模糊神经网络这一新型的人工智能技术,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量,并采用了Simpson模糊极小-极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本,结果表明,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障,对测试样本的正确率达到100%。     

基于波形记忆和模糊极小--极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷，不能满足现代超高压电力系统的要求，此文根据内部故障和单纯涌流这两种情况下波形的不同，提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小-极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真的以形成网络的训练样本，通过学习和测试，表明该网络所形成的新算法能够正确鉴别变压器各咱运行工况下的励磁涌流和内部短路，所需的鉴别时间小于20ms。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。