基于组合神经网络的输电线故障类型识别

准确的输电线路故障类型识别是实现故障测距的前提,文中在高压输电线路故障分析的基础上,构建了由Kohonen自组织特征映射神经网络模型和BP网络模型组合而成的类型识别网络模型,来实现输电线路的故障检测及故障类型识别。经理论分析和大量的EMTP仿真表明：此网络模型较单一网络模型,所需训练样本少,学习时间短,并且在各种故障模式下,均能可靠、准确实现输电线路故障类型的识别,不受故障过渡电阻、故障初始角、系统运行方式、故障点位置等因素的影响。     

基于小波神经网络的电动机故障识别

本文构造了一个波神经网络，利用神经网络实现了风支机故障类型的识别。理论分析和试验结果表明，以上方法对鼠笼也电动机的故障诊断是有效的，并验证了其可行性和优越性。     

基于组合神经网络的输电线故障类型识别

准确的输电线路故障类型识别是实现故障测距的前提 ,文中在高压输电线路故障分析的基础上 ,构建了由Kohonen自组织特征映射神经网络模型和BP网络模型组合而成的类型识别网络模型 ,来实现输电线路的故障检测及故障类型识别。经理论分析和大量的EMTP仿真表明 :此网络模型较单一网络模型 ,所需训练样本少 ,学习时间短 ,并且在各种故障模式下 ,均能可靠、准确实现输电线路故障类型的识别 ,不受故障过渡电阻、故障初始角、系统运行方式、故障点位置等因素的影响     

基于模糊神经网络的故障类型识别

提出了基于模糊神经网络的双端电源输电线路故障类型识别的方法,用ATP提取输电线路故障后一周后继电保护安装点的三相电压电流以及反映接地故障的零序电流基频分量及其相应的相角,并采用T-S模型与改进BP算法结合的模糊神经网络,实现故障类型识别。该方法不受故障位置、故障电阻及对两端电源初始相角差、系统运行方式等不确定的因素影响,仿真结果表明该类型识别方法可靠、正确。     

基于模糊神经网络的故障类型识别

提出了基于模糊神经网络的双端电源输电线路故障类型识别的方法,用ATP提取输电线路故障后一周后继电保护安装点的三相电压电流以及反映接地故障的零序电流基频分量及其相应的相角,并采用T-S模型与改进BP算法结合的模糊神经网络,实现故障类型识别.该方法不受故障位置、故障电阻及对两端电源初始相角差、系统运行方式等不确定的因素影响,仿真结果表明该类型识别方法可靠、正确.     

基于BP神经网络模型的风电场送出变故障识别

变压器是电力系统中最重要的枢纽设备之一,其保护动作的正确是整个电力系统稳定运行的关键.对于接入大规模风电场的系统,双馈风电机组在低电压穿越期间短路电流特殊的频偏特性将导致传统变压器差动保护方案在风电场送出变中动作性能变差.针对这一问题,首先推导了频偏特性下短路电流经DFT提取后的误差表达式,并分析该短路电流对传统保护的影响.在此基础上,提出了利用BP神经网络模型来逼近变压器电磁暂态模型,并结合波形相关性进行故障识别的新方案.最后,在MATLAB/SIMULINK平台上搭建双馈风电场仿真模型.仿真结果表明,在各运行工况下,基于BP神经网络模型的方案能够有效进行故障识别,并规避频偏特性及励磁涌流带来的影响.     

基于WPT和SSA-BP的直流充电桩充电模块故障诊断

充电模块是电动汽车直流充电桩最为关键的部分,针对其功率开关和电解电容等核心器件的开路故障特点,提出了一种基于小波包变换（wavelet packet transform,WPT）和麻雀搜索算法优化反向传播神经网络（sparrow search algorithm-back propagation,SSA-BP）的故障诊断方法。该方法以充电模块输出电压为原始信号,首先通过预处理剔除其直流分量,对处理后的信号进行小波包分解,然后计算出各子频带信号的能量,通过归一化得到初始特征向量,最后将直流分量和归一化后的特征向量作为最终故障特征量输入到SSA-BP神经网络,进而输出分类结果实现故障诊断。为验证方法的可行性和优越性,搭建了输出功率15 kW的两级仿真模型,在不同工况下进行仿真验证。实验结果表明该方法具有较好的诊断效果,诊断率达到93.85%,对电动汽车直流充电桩故障诊断具有现实指导意义。     

充电桩用充电模块劣化状态评估技术研究

在长期运行过程中,充电桩用充电模块的运行性能会因内部元器件状态劣化而降低。提出了一种基于元器件劣化状态的充电模块整体劣化状态评估技术。首先,构建充电模块仿真模型研究其在金属氧化物半导体场效应晶体管和铝电解电容状态劣化时的运行特性;其次,搭建充电模块劣化状态评估实验平台,测量元器件劣化参数;最后,建立评价模型评估充电模块的整体劣化状态,并得到转换效率与整体劣化状态之间的映射关系。实验结果验证了所提方法的有效性。     

旋转整流器故障的神经网络识别研究

以６３０ｋＷ无刷励磁同步电机为研究对象,采用神经网络识别故障。在旋转整流器各种故障状态下,测试交流励磁机极间探测线圈中感应电势的各次谐波,作为神经网络的训练样本。最后,将经过训练的神经网络程序模块置入计算机监测系统中,以识别旋转整流器的各种故障类型。     

基于BP神经网络的继电保护设备状态评价方法研究

为了提高继电保护设备运行的可靠性,对继电保护设备状态评价的基本内容和影响因素进行了总结,提出了基于BP神经网络的继电保护状态评价方法,收集并整理继电保护的历史数据,将数据进行分析,采用BP神经网络算法对数据进行训练和验证,最后对所训练的模型进行评价,得出继电保护设备状态评价数据。实例分析结果表明,所采用的评价方法用于CSC-103数字式线路电流纵差保护装置和RCS-902超高压线路成套保护装置中,都能很好地实现故障预警和评估,有利于事故发生的预防。     

概率神经网络在母线故障识别中的应用研究

提出一种利用概率神经网络来进行母线故障识别的新方法。首先用PSCAD／EMTDC软件对母线故障状态进行仿真,提取仿真数据,进行数据预处理,然后建立概率神经网络模型,训练网络后判断母线的区内、区外故障及正确识别各种故障类型,从而验证基于概率神经网络的母线故障识别的准确性。     

基于PSO改进的BP神经网络数据手套手势识别

针对5DT数据手套手势识别这一问题,提出BP神经网络和PSO算法相结合的识别方法。首先利用特征提取和归一化方法建立通用手势模板,并基于此模板采用BP神经网络进行训练学习,同时通过PSO算法修正BP神经网络的权值和阈值,将训练完毕的神经网络用于实际操作过程中的手势识别。该方法既保留了BP算法结构简单、易于实现的优点,同时避免了不同操作者复杂的标定过程。仿真和实验结果表明,所提出的控制方法有效的缩短了学习时间,并且提高了识别过程的实时性和精确性。     

基于BP神经网络的铅酸蓄电池状态检修

作为直流电源设备的核心,蓄电池的稳定、可靠、安全运行和在放电过程中能提供给负载的实际容量,对确保整个电力系统的安全运行具有十分重要的意义。运用人工神经网络技术,通过MATLAB训练仿真,分析蓄电池状态,研究了BP模型算法在铅酸蓄电池状态检修中的应用。     

基于特征比较的无线充电系统的故障识别方法

无线充电系统在运行过程中可能会遇到母线接地、开路和元器件损坏等各种故障情况.分析了故障情况下原边母线电流电压、副边母线电流电压与故障原因的特征关系,搭建了3 kW无线充电系统仿真电路,建立了各种故障的比较规则,提出了将该故障特征用于无线充电系统的在线故障识别方法.分析表明,利用该方法可以有效判断系统故障位置,增强系统保...     

基于BP神经网络的变压器故障预测研究

利用油中溶解气体数据诊断变压器故障(DGA法)是目前使用最为广泛的方法之一,本文引入了BP神经网络,选取7种特征气体含量作为输入量,6种故障类型作为输出量,提出了一种对变压器故障进行估算和预测的方法。利用MATLAB建立对变压器DGA数据的BP神经网络模型,并通过对实际样本数据的学习训练,分析诊断结果,提出了未来研究的方向和展望。     

基于BP神经网络的IGBT模块开关损耗求解

如何准确求解绝缘栅双极晶体管(IGBT)模块的开关损耗值,是电力变换器性能和寿命研究中的关键问题之一。针对现有IGBT开关损耗模型难以准确求解开关损耗值的缺陷,引入了基于粒子群算法优化的误差反向传播(BP)前馈神经网络模型。将影响开关损耗的5个主要因素(集射工作电压、集电极电流、驱动电压、驱动电阻、结温)作为BP神经网络的输入向量,并采用粒子群算法优化网络的初始权值与阀值,通过共轭梯度法的学习规则加速收敛,从而获得开关损耗的精确求解值。该模型实现了在额定值范围内对各种工况下的IGBT模块开关损耗值的可靠预测,其在100组测试验证样本下所出现的最大误差比率为3.85%。     

基于小波神经网络和故障录波数据的电网故障类型识别

电力系统发生大面积复杂故障后,调度人员仅仅依靠来自数据采集与监视控制(supervisory control and data acquisition,SCADA)系统的保护和开关接点的变位信息难以做出准确的判断,来自故障录波装置记录的模拟量信息越来越成为故障诊断和系统恢复的重要依据。为了进一步提高超高压输电线路故障类型识别率和计算速度,文中利用提升小波和PNN网络构造了新的小波神经网络故障识别模型,应用bior3．1提升小波对故障电流进行分解,将分解到的 (0,375)Hz频率段的小波系数输入到PNN神经网络。通过 ATP仿真及华东电网实际故障录波数据的测试和比较结果表明:该模型具有很高的识别率和收敛速度,并有望将该模型应用到电网故障诊断系统。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。     

基于模糊输出BP神经网络的电机主绝缘老化状态评估方法

评估大电机主绝缘的老化状态是电气工程领域中的重要课题，其目标是根据非破坏性参量评估绝缘的老化状态，然而传统的评估方法一直没有得到准确可靠的评估结果。为了克服传统的绝缘状态阈值评估方法的缺点，提出应用神经网络和模糊数学结合评估绝缘状态的新方法。由于绝缘的老化状态是一种模糊现象，所以建立了具有模糊输出的3层BP神经网络对绝缘状态进行评估，并确定了绝缘状态论域上的四个模糊子集及其隶属函数，同时规定了网络的输入和输出参量。选择Levenberg-Marquardt快速学习算法对该文建立的模糊输出神经网络进行了训练，并使用另外10组多因子加速老化数据和5组真机线棒数据对网络的评估能力进行了检验，检验结果表明该方法可以准确有效地评估定子绝缘的老化状态。