母线保护的人工神经网络模型

叙述基于ANN函数逼近能力的母线保护原理,分析母线保护物理对象的函数关系,构建母线保护的人工神经网络模型。     

模糊超盒分类器在母线充电保护中的应用

针对目前母线充电保护存在的一些缺点和不足,在分析母线充电机理和过程的基础上,综合利用母线正常充电和故障充电情形下多种电气特征量值的差异,运用模糊超盒分类器来形成区分母线正常充电和故障元件充电的保护判据识别.通过EMTP程序的大量仿真得到模糊超盒网络的训练和检验样本,结果表明,该方法能够快速准确地判别出母线在各种运行工况下的正常充电和故障元件充电.     

基于RBF神经网络的电流保护

提出了一种基于RBF神经网络的全新的电流保护方式 该网络采用的是 3层RBF神经网络模型 ,由三部分构成 :故障类型与相别判断子网络ANN1;故障方向判别子网络ANN2 ;振荡识别子网络ANN3 对该模型进行了各种故障状态的测试 ,进行了仿真实验 ,并与BP网络进行了比较 ,发现RBF网络训练速度快 ,且证实了基于RBF网络的电流保护的可行性     

基于模糊逻辑的电路非线性动态特性模型

该文提出了一种基于模糊逻辑的电路动态特性行为建模方法.该方法基于非线性动态系统辨识理论,以精心设计的激励信号下的瞬态响应的抽样值为样本,利用模糊逻辑系统的万能函数逼近能力来逼近电路外部端口的动态特性.介绍了建模的原理与过程,给出了一个具体电路的例子,证明方法是可行的.     

基于滑模-模糊逻辑系统的故障检测及容错控制

针对一类单输入单输出非线性不确定系统,提出了一种基于滑模-模糊逻辑系统的故障检测的方法。其中,利用模糊逻辑系统对被控对象中的未知函数进行逼近,用相同方法对故障项进行逼近;设计滑模观测器进行故障检测和诊断,然后基于Lyapunov函数综合设计方法对系统进行稳定性分析;当故障被检测出后,为保证系统稳定性重组控制器,设计控制器,实现容错控制。仿真结果验证了该方法的有效性。     

变电站母线差动保护动作跳闸的原因及处理方法

本文介绍了变电站母线差动保护分类,分析了变电站母线差动保护动作跳闸的原因,探讨了变电站母线故障跳闸的处理方法,阐述了变电站母线保护发展趋势。     

基于零序电流小波变换系数均方根值的故障选线ANN方法

配电网单相接地故障产生的高频信号可以用于接地故障选线.利用馈线零序电流特征频带(SFB),提出一种连续小波变换(CWT)系数的均方根(Root Mean Square,RMS)值与人工神经网络(ANN)相结合的故障选线方法.通过对各条馈线故障后5 ms时零序电流进行CWT变换,剔除工频信号,并根据能量和最大原则选出故障特征频带.将各条馈线特征频带上CWT系数的均方根值作为ANN选线的输入样本属性,故障馈线编号作为输出样本属性,构造智能选线网络.该方法不需要提出明确的故障选线判据,利用ANN非线性拟合和记忆功能进行故障选线.大量的实验仿真数据表明,该方法选线结果准确可靠.     

一类不确定非线性系统的模糊自适应容错控制

针对一类不确定非线性系统提出了间接模糊自适应容错控制器的设计方法。利用模糊逻辑系统来逼近未知函数包括故障项,用滑模控制补偿模糊逼近误差,通过改变控制器结构来补偿执行器故障所带来的影响,同时基于Lyapunov方法进行了稳定性分析。通过仿真验证该方法的有效性。     

基于神经网络模型的母线保护故障定位研究

母线是发电厂和变电所的重要组成部分之一,对可靠性高及智能化程度高的母线保护技术及方法的研究具有重要的理论和现实意义。本文采用实际采集到的各种类型故障数据作为样本数据,利用这些样本数据对构建的神经网络模型进行训练,使母线保护神经网络模型具有故障识别和判断能力。神经网络模型分别采用了BP算法和RBF算法。利用该模型就两种不同的改进型的神经网络算法对各种母线故障的分类进行了分析比较,给出了两种网络下的仿真结果。结果表明经过训练以后的母线保护人工神经网络模型能准确判断母线的正常运行方式,对其内部的各种故障能正确区分,并且满足保护精度的要求。     

基于保护动作行为和特高频在线监测的GIS母线故障定位方法研究

在特高压变电站中,若GIS母线气室发生故障击穿,仅依靠人工检测定位故障点耗费时间极长.文章研究了特高频局部放电电磁波信号在GIS设备内部的传播特性,得出电磁波信号在经过GIS设备的各个部件时会大大衰减的结论 ,并阐述可以通过比较内部特高频传感器采集到的信号幅值来定位GIS设备故障.在此基础上,提出了一种基于保护动作行为和特高频在线监测的GIS母线故障定位方法 和系统.以一起特高压GIS母线气室故障击穿实例,验证了次方法的有效性.     

基于综合特征输入的DGA在变压器故障诊断中的应用

介绍了反向传播人工神经元网络在变压器故障诊断中的应用,建立了一种新型的基于综合特征输入的溶解气体分析DGA模型,说明了它的工作原理、样本分类方法及计算步骤.结果表明,该网络模型在变压器故障诊断中,经过不断地自适应训练,显著地提高了判断准确率.     

基于人工神经网络的智能型自适应保护──(Ⅱ)仿真研究

采用一个５００ｋＶ系统的数字仿真模型,对基于人工神经网络的智能型自适应保护进行了检验．仿真结果表明,这种基于新原理的保护具有很好的自适应能力和人工智能性．另外,由于人工神经网络是并行运算的,训练好的神经网络的动作时间几乎为零,因此大大提高了保护动作的速度,即改进了快速性．     

基于故障分量的电网广域后备保护算法

故障分量是由系统故障引发的,因此故障分量中包含着许多故障信息,研究故障分量对电网保护至关重要.在尽量避免通信拥堵的前提下借鉴方向纵联保护原理,并根据故障分量的特点,提出了一种基于正序故障分量的方向纵联差动保护算法.为了增加算法的可靠性,以正序电流相位差原理作为辅,两种算法相互配合,不需要复杂的整定关系,能反应所有短路故障类型,并能区分母线支线路故障.采用IEEE 9节点模型进行了大量仿真验证,结果表明,该保护方法能够正确识别故障元件.     

电力变压器故障诊断的人工神经网络方法

电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义．在介绍人工神经网络（ANN）和模糊理论的基本工作原理的基础上,针对变压器故障诊断的特点,运用油中溶解气体分析法（DGA）,采用分块化的反向传播神经网络（BP）,建立了变压器故障诊断的神经网络模型．通过训练和实际测试,表明了这一方法的有效性和可行性．     

人工神经网络和专家系统结合运用的电力系统故障诊断方法

对人工神经网络（ＡＮＮ）和专家系统（ＥＳ）的结合应用于电力系统故障诊断问题进行了研究，提出了一种电力系统故障诊断新方法。该方法综合了ＥＳ和ＡＮＮ各自的优点，充分利用田的推理能力，由ＥＳ根据报警信息搜索电网数据库，提出故障假设，再由ＡＮＮ对故障假设进行验证、该方法中ＡＮＮ隐含的知识是电网通用的故障判断知识，具有较强的通用性。模拟测试表明该方法可有效地识别电网故障元件，并且具有较强的容错性。     

基于故障分量有功功率的选择性漏电保护

在介绍了国内外井下电网漏电保护现状的基础上 ,分析了目前各种选择性漏电保护原理存在的不足 ,提出了一种基于故障分量有功功率的井下低压电网选择性漏电保护新原理 ,给出了基于此原理的动作判据算法模型 ,该判据对漏电故障具有很高的选择性能 .最后对阻尼电阻的选择问题进行了论述     

Support Vector Regression for Bus Travel Time Prediction Using Wavelet Transform

In order to accurately predict bus travel time, a hybrid model based on combining wavelet transform technique with support vector regression(WT-SVR) model is employed. In this model, wavelet decomposition is used to extract important information of data at different levels and enhances the forecasting ability of the model. After wavelet transform different components are forecasted by their corresponding SVR predictors. The final prediction result is obtained by the summation of the predicted results for each component. The proposed hybrid model is examined by the data of bus route No.550 in Nanjing, China. The performance of WT-SVR model is evaluated by mean absolute error(MAE), mean absolute percent error(MAPE) and relative mean square error(RMSE), and also compared to regular SVR and ANN models. The results show that the prediction method based on wavelet transform and SVR has better tracking ability and dynamic behavior than regular SVR and ANN models. The forecasting performance is remarkably improved to obtain within 6% MAPE for testing section Ⅰ and 8% MAPE for testing section Ⅱ, which proves that the suggested approach is feasible and applicable in bus travel time prediction.