基于RBF神经网络的变压器保护

基于RBF神经网络,综合考虑变压器励磁涌流状态和故障状态的特征,提出并建立了一个用于变压器保护的三层RBF神经网络模型。通过利用Matlab神经网络工具箱中的RBF网络仿真及训练函数(simurb、solverb)来完成对该模型的训练。实验和检验结果表明,所建立的神经网络模型能够对变压器所发生的故障状态作出正确的响应,且响应时间不超过10ms。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断.经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高.     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

基于RBF神经网络辨识的过热蒸汽温度控制

提出一种基于RBF神经网络辨识的PID串级主蒸汽温度控制策略,即将RBF神经网络与常规PID串级控制相结合构成RBF-PID控制器.该控制器不仅具有常规PID控制器的特性,而且还具有智能控制器的自学习能力,增强了系统对不确定因素的适应性.仿真研究结果表明,RBF-PID控制系统动态调节品质显著优于常规PID串级控制,能适应对象参数的变化,具有较强的鲁棒性和自适应能力.     

配电自动化不良数据辨识和配电网结线分析

提出将柱上开关看成节点,将相邻2个节点间的馈线和配电变压器综合看成边的配电网简化模型。在此基础上提出例行辨识、突变量启动辨识与通信中断辨识3种配电网不良数据辨识和结线分析的方法。该方法能够在个别数据受到干扰时,得出正确的配电网拓扑结构。文中给出了4个典型实例。     

基于自适应RBF神经网络的变压器噪声有源控制算法

针对现有变压器噪声有源控制算法存在的不足,提出了一种用于抑制噪声的新算法。该算法融合了自适应算法、粒子群算法、改进梯度下降算法及RBF神经网络算法。首先利用自适应算法确定降噪系统控制器中RBF神经网络隐含层节点个数和相应的参数;然后,根据切换策略自适应地选择粒子群算法或者改进梯度下降算法,用来优化节点数目和参数;最后,将优化得到的隐含层结构和参数反馈至系统控制器中,使系统的次级声源更好地抵消源声源。通过将所提的改进RBF神经网络法与未改进的RBF神经网络法和BP神经网络法进行比较,表明该算法可有效地提高降噪系统的自适应能力和抗干扰能力,且能够将噪声控制在较低的范围内,获得较理想的降噪效果。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要。目前广泛应用的状态估计法,存在残差污染等缺点。论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识。论文借助M atlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检。     

基于GSA的电力系统不良数据辨识算法

随着数字化技术在电力系统中的广泛应用及对电力系统运行可靠性要求的不断提高,不良数据的辨识显得越来越重要.目前广泛应用的状态估计法,存在残差污染等缺点.论文研究了建立在神经网络和聚类分析基础上的GSA不良数据辨识算法,该算法运用神经网络完成对测量数据的预处理,然后由GSA算法对聚类分析后的结果进行判断,完成不良数据的辨识.论文借助Matlab及C语言对GSA算法进行了仿真,通过一个具体的网络不良数据辨识将此算法与状态估计算法进行了比较,验证了该算法的有效性及实用性,有效地避免了不良数据的漏检、误检.     

基于专家系统的不良遥信数据辨识

在高度自动他的电力系统中,电气最和其它各种数据的准确采集与传输是电力系统继电保护和调度决策的基础。对电力系统的不良测量数据进行识别,具有重要的意义。而对不良遥信数据的辨识则是不良测量数据识别的重要方面。提出了在变电站内利用电流测量数据的变化规律校验遥信量的规则,并利用变电站录波数据证明了该方法的可行性。     

改进型组合RBF神经网络的变压器故障诊断

提出了一种在逼近能力、分类能力、学习速度等方面都优于BP神经网络的径向基函数神经网络和组合诊断的概念,并将其应用到变压器DGA故障诊断中。在处理输入数据和改进训练方法后,组合RBF神经网络诊断变压器故障训练速度快、收敛精度高、诊断准确。     

基于三维卷积神经网络的配电物联网异常辨识方法

由于配电物联网中电力网与通信网高度耦合,单一网络的异常状态会交互作用至另一网络,可能进一步造成异常范围扩大,而单独采用电力网或通信网的异动信息难以全面、准确地辨识配电物联网异动源的类型和位置。因此,提出一种基于三维卷积神经网络(3D-CNN)的配电物联网异常类型辨识及定位方法。首先,分析了配电物联网通信流量特征并构建了基于Simulink和OPNET的配电物联网交互仿真模型;其次,提出了一种面向3D-CNN的样本构建方法,将配电物联网中每个节点的电气量和通信流量信息组成一个特征子像素,进而将配电物联网每个时刻的状态表示为一幅特征帧画面,形成隐含配电物联网异动过程的立方样本矩阵;随后,构建了包含三维特征提取网络和层级softmax分类器的深度学习模型,通过提取和辨识立方样本矩阵中隐含的异常信息,可以同时实现配电物联网异常类型和位置的判定;最后,利用IEEE 33节点配电物联网异常数据对模型进行测试,结果表明,所提方法可以对电力网短路故障、通信中断故障、通信数据异常引起的保护误动和拒动进行精确的分类及定位。     

基于模糊等价矩阵聚类分析的不良数据辨识

采用模糊数学的方法来辨识电力系统实时运行数据中的不良数据。利用基于模糊等价矩阵的聚类分析方法,以标准残差和相邻采样时刻的量测量差值作为特征值,通过寻找最佳阈值,对量测项目进行动态聚类,根据个别已知的良数据和“数以类聚”的原则,得到全良数据的分类,进而辨识出不良数据。最后分别对传统算例模型和某地区电网实时数据进行仿真分析,表明该方法能快速准确的辨识出不良数据,有效避免残差污染和残差淹没现象,更适合实际电网的计算要求。     

基于近邻传播算法的负荷不良数据辨识

状态估计是电力调度系统中一项重要的基础功能,正确的测量数据是保障状态估计结果准确的关键,不良数据的存在会大大降低估计结果的可信度。为提高状态估计的准确度,提出了一种基于近邻传播(Affinity Propagation,AP)算法的负荷不良数据辨识方法。首先介绍了AP算法的相关原理,给出了基于AP算法进行聚类的一般步骤。然后基于相似性和平滑性两个特征,定义了乘积特征值和最小特征值作为分类依据。最后,以某地区的实际负荷采样数据为算例,验证了所提不良数据辨识方法的有效性。     

基于神经网络的电力系统不良数据的修正

电力网络中大量实时数据的准确与否决定着电力系统运行的安全与稳定。为提高电力系统运行的安全与稳定,必须对电力系统中的不良数据进行检测辨识与修正。文章提出了利用神经网络对不良数据进行修正的方法,利用从江苏省电力公司采集到的实时数据进行了仿真,仿真过程简单易行,仿真结果准确,成功实现了不良数据的修正。     

基于证据融合理论的多不良数据辨识

为更好地克服残差污染和残差淹没,实现多不良数据的辨识,引入电气距离、节点相关系数和灵敏度作为证据,运用证据融合理论确定测量关联度,测量关联度可反映测量数据出现残差污染和残差淹没的可能性。对于残差较大且测量关联度较小的数据,发生残差污染的可能性较小,可直接辨识为不良数据;对于残差较大且测量关联度较大的数据,采用模糊聚类方法,隔离不良数据,对系统进行分区,并逐步修正不良数据,选择可靠测量数据重新进行状态估计。算例结果验证了该方法的有效性。     

基于改进模糊聚类分析的电力系统不良数据辨识

针对当前电力系统不良数据检测辨识方法的缺点,提出一种基于增强型万有引力搜索-模糊C均值算法(EGSA-FCM)的电力系统不良数据辨识新方法。通过提出的增强型万有引力搜索算法(EGSA)对SCADA系统上传的量测数据进行搜索,获得较好的初始解,再运用FCM算法获得良性数据和不良数据的分类,最后通过COS聚类有效性判定指标判断最优聚类数目,得到最佳聚类结果和不良数据。将方法应用于IEEE14节点电力系统和大庆某区域电网中,结果表明能有效避免误检和漏检的发生,检测结果更加准确。     

基于灵敏度分析的数据最优筛选与不良数据辨识

以多时间断面的量测信息为基础,将图论和蚁群优化算法(ant colony optimization,ACO)结合起来,对数据进行筛选,对不良数据进行检测与辨识。首先将量测支路化,把全网数据等效为一张无向图,再利用ACO结合图论中最小支撑树的搜索方法对全部数据进行筛选,并在迭代过程中使用灵敏度分析法得到电网状态和量测的标准化残差,在迭代中实现数据标准化残差和系统状态的对比,以寻优形式找到系统最优量测组合及计算出当时系统状态,最后依据灵敏度分析法进行不良数据检测与辨识。整体算法在保持计算精度的同时,还避免了辨识中重复估计带来的时间损耗,提高了计算速度。最后,以IEEE14节点系统对所提算法进行了仿真验证。     

配电变压器性能数据统计分析

通过对部分配电变压器空载损耗、负载损耗及噪声水平等性能数据的统计分析,从一个侧面了解配电变压器行业的现状,并将统计结果与相关标准进行了比对分析.     

基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断研究

粗糙集挖掘方法进行故障诊断的过程中,训练易陷入局部最优解,导致电力变压器故障挖掘诊断算法不适用于解决实际工程问题。提出基于RBF神经网络与粗糙集的挖掘电力变压器故障诊断方法,利用RBF神经网络收敛速度快、泛化能力强等特点,对故障数据进行训练。依据给出的训练样本特征获取所求概率密度函数的统计值,将改进后的数据发送至粗糙集。在保证系统分类能力的条件下,依据分类规范,实现电力变压器故障挖掘诊断,对采集到的100组电力变压器故障数据进行仿真分析。结果表明,所提方法的局部搜索能力明显优于传统方法,所提方法在变压器故障的诊断准确率上大大高于传统方法,保证了电力变压器运行的安全性与可靠性。     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。