基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。     

基于改进DNN的配电网接地故障选线方法研究

针对配电网单相接地故障特征信息不清晰且现有选线方法易受故障条件和环境噪声的影响,根据配电网暂态故障特征和稳态故障特征,提出了一种改进的深度神经网络用于故障选线。对深度学习网络的损失函数和学习率进行优化,进一步提高选线的效率和准确性。通过仿真验证了该方法的可行性。结果表明,与改进前相比,改进后的训练迭代次数由86次降低到30次,训练效率提高了65.12%,故障判断的准确率由95%提高到99%,具有较好的抗干扰能力,有一定的参考价值。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法.利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入.利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线.仿真结果表明,该方法训练速度快、误判率低.     

基于小波神经网络单相断线故障选线和定位

根据发生单相断线不接地故障、单相断线电源侧接地故障或单相断线负荷侧接地故障时,正序电流暂态分量的变化特性,提出了一种配电网单相断线故障选线和定位保护新方法,该方法应用小波奇异性检测功能,获取故障引起的正序电流暂态分量模极大值的极性和大小,进行故障选线;并和小波神经网络相结合实现模极大值与故障点位置之间的映射关系,进行故障定位.仿真结果表明,该故障选线和定位方法准确可靠.     

基于小波神经网络单相断线故障选线和定位

根据发生单相断线不接地故障、单相断线电源侧接地故障或单相断线负荷侧接地故障时,正序电流暂态分量的变化特性,提出了一种配电网单相断线故障选线和定位保护新方法。该方法应用小波奇异性检测功能,获取故障引起的正序电流暂态分量模极大值的极性和大小, 进行故障选线;并和小波神经网络相结合实现模极大值与故障点位置之间的映射关系,进行故障定位。仿真结果表明,该故障选线和定位方法准确可靠。     

基于变分模态分解与空洞卷积神经网络的配电网故障选线方法

小电流接地系统发生单相接地故障时,零序电流故障特征微弱且繁杂多变,传统选线方法可靠性有待提高。提出了一种基于变分模态分解（variational mode decomposition, VMD）与空洞卷积神经网络的配电网故障选线方法。首先,分析配电网健全线路和故障线路的电气特征,采用零序电流作为故障特征信号,为选线模型的输入量提供理论依据;其次,通过变分模态分解把零序电流序列分成不同频率的固有模态函数,提高故障信号特征的平稳性和差异性;然后,采用空洞卷积神经网络作为选线网络,以增大卷积操作感受野的方式增强模型的自适应分类能力;最后,在MATLAB/Simulink中构建10 kV配电网进行算例分析,结果表明,该方法在不同故障场景条件下均有较高的选线效果,验证了所提方法的鲁棒性与准确性。     

配电网故障选线与定位发展现状

配电网故障选线与定位对于提高供电能可靠性、增强供电质量具有非常重要的意义。首先分别介绍了利用接地故障特征分量,利用故障相暂态特征分量以及不利用接地故障特征分量的三种选线方法,之后阐述了故障分析法、行波测距法和智能化测距三种定位方法。对不同方法的优缺点进行了分析综述。     

基于模糊PSO-BP神经网络的配电网故障选线方法

将模糊粒子群优化BP神经网络的方法引入配电网单相接地故障选线中.通过matlab仿真试验,得出各线路的零序电流信号,并将多种提取的特征量进行信息融合.利用模糊粒子群优化BP神经网络进行故障选线.测试结果表明,与传统模糊BP神经网络选线方法相比,该方法具有训练速度快、误判率低的优点,能够满足电力系统对精度和准确性的要求.     

基于粗集理论的小电流接地系统故障选线

分析了小电流接地系统中基于小波包的故障选线方法工作原理，证明了在故障线路暂态零序电流信号采样后能量损失较大时，该方法失效。为了克服该方法的局限性，提出了一种基于粗集理论的改进故障选线方法。将提取的暂态零序电流故障特征作为条件属性，信号增强倍数作为决策属性，构成一个决策系统。通过对决策表的约简，得到决策系统的最小决策算法，从而实现信号增强。再利用小波包变换对增强的信号分解，实现故障选线。ATP-EMTP仿真表明，该方法有效地提高了小电流接地选线的准确性。     

基于粗集理论的小电流接地系统故障选线

分析了小电流接地系统中基于小波包的故障选线方法工作原理，证明了在故障线路暂态零序电流信号采样后能量损失较大时，该方法失效。为了克服该方法的局限性，提出了一种基于粗集理论的改进故障选线方法。将提取的暂态零序电流故障特征作为条件属性，信号增强倍数作为决策属性，构成一个决策系统。通过对决策表的约简，得到决策系统的最小决策算法，从而实现信号增强。再利用小波包变换对增强的信号分解，实现故障选线。ATP-EMTP仿真表明，该方法有效地提高了小电流接地选线的准确性。     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。     

基于粗糙集的模糊神经网络控制器的研究

针对现代工业过程的不断复杂化和其中非线性、不确定性因素的增加,给出了一种基于粗糙集的模糊神经网络控制器的设计方法,该方法将粗糙集理论与模糊神经网络结合起来,利用粗糙集从观测的输入输出数据中提取规则,并寻求最小规则集,解决了模糊神经网络"规则爆炸"问题。通过在MATLAB平台上进行仿真,结果表明该方法具有良好的控制能力,对于突加干扰具有良好自适应能力。     

融合粗糙集与神经网络的燃气轮发电机组振动故障诊断方法

针对燃气轮发电机组振动故障诊断中可测参数难以直接反映机组故障状态的问题,提出一种融合粗糙集理论和神经网络的燃气轮发电机组振动故障诊断方法。结合粗糙集对燃气轮发电机组振动信号原始特征数据进行约简,减少冗余信息。将粗糙集与神经网络有机结合,用优化了的神经网络诊断燃气轮发电机组振动故障。试验结果表明了所述方法的有效性,为燃气轮发电机组振动故障的快速诊断提供了可参考的新思路。     

基于改进算法的粗糙集理论故障选线装置研究

针对KA系列模糊智能选线装置中小波包多频带选线算法所出现的误选问题,提出了基于粗糙集理论的小波包多频带的选线算法。该算法主要是应用粗糙集理论对故障样本的数据挖掘能力来确定低频衰减信号的增强比例,并在此基础上进一步利用粗糙集理论的信息融合功能对单相接地故障电流信号中所蕴藏的各种暂态及稳态信息进行融合。动模仿真实验结果表明基于粗糙集理论的选线算法能更有效地解决小波包选线算法所出现的误选问题,且较模糊选线算法精度更高、抗干扰能力更强、运行更稳定。     

基于小波模糊神经网络配网馈线故障测距的研究

在小电流接地系统单相接地故障特征分析的基础上,结合小波变换和模糊神经网络的特点,提出了适合配网故障后暂态信号分析的小波模糊神经网络模型及算法,应用于小电流接地系统的故障测距.理论分析及大量仿真结果显示此方法是可行的,且具有较好的故障测距性能.     

经消弧线圈接地系统单相接地故障选线研究

分析了注入变频信号选线原理存在选线误判现象的不足,并通过仿真进行了验证。在找到了引起选线误判根本原因的基础上,提出了一种改进方法,主要是对选线判据的改进。通过仿真可知,该判据保证了无论是短线路还是长线路发生单相接地时均有较高的选线精度。     

粗糙集和层次分析法在配电网规划中的决策研究

针对层次分析法在配电网规划中主观判断矩阵引起的评价结果低准确度的问题,笔者借助粗糙集理论属性间的依赖度,构造出准则层和方案层属性间相对依赖的客观判断矩阵,并以此为基础将客观矩阵和层次分析法中的主观判断矩阵结合,确定了准则层和方案层组合判断矩阵,计算各层组合判断矩阵的权重,得到方案层中的规划方案.算例分析表明,粗糙集和层次分析方法在配电网规划中能够提高决策的准确度,同时它还能为配电网的规划评价提供一种新的手段和途径.     

基于粗糙集理论和信息融合的变电站故障诊断方法

由于变电站故障诊断信息中含有大量不确定、噪声数据，提出了利用粗糙集理论对大量的诊断征兆信息进行分类，从而获得简约的规则。然后从单个决策表中获得多个简约的决策规则集，再利用信息融合来综合这些简约的规则集进行故障的诊断，从而提高诊断的效率和准确性。从最后仿真比较的结果中可以看出该方法对含有噪声的数据也能获得较好的诊断准确率。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。