基于改进LBG算法RBF网络的高压输电线路故障诊断

利用径向基函数RBF网络适合于求解模式识别问题的优势,提出采用RBF网络来实现高压输电线路的故障诊断,建造了基于RBF网络的高压输电线路故障诊断模型结构,并且对RBF网络的聚类过程给出了改进的LBG算法.仿真分析及容错性测试结果表明,本文所提方法能快速、正确地实现高压输电线路的故障诊断,而且对因干扰而畸变的输入信息情况具有容错能力,适合应用于实时信息处理系统.     

BP网络和RBF网络用于输电线路故障定位比较

本文介绍了BP网络和RBF网络的特点和改进算法,分析了在线训练法的构成,用仿真的方法比较了这两种网络在输电线路故障定位中的准确性.     

利用单侧电量的高压输电线路故障测距算法研究

文章对目前常用的单侧输电线路故障阻抗测距算法进行了研究及仿真计算,揭示了算法间的内在联系,在此基础上给出了一种新的电力系统故障测距算法,仿真及实例计算证明了其正确性。     

基于离散小波分析与K-means聚类算法的MMC-HVDC输电线路保护方案

随着以风电、光伏为代表的可再生能源的持续发展,柔性直流输电系统由于能够清洁高效地对其进行远距离大容量输送而得到了大力的发展。快速、准确地识别故障区域并判别故障类型,实现兼具选择性、速动性、灵敏性和可靠性的直流线路保护方案是柔性直流输电系统发展的迫切需要。理论分析表明,MMC-HVDC输电系统直流线路故障时,线路平波电抗器两侧的暂态电压存在明显差异。采用离散小波分析提取线路平波电抗器两侧的暂态电压有效值进行比较,从而对区内、区外故障进行判别。随后采用K-means聚类算法,利用不同故障类型、不同故障位置,在直流线路故障发生后较短的时间窗口采集得到单侧保护单元电压、电流数据,对其进行聚类分析,获取这些数据的质心与阈值,经过训练,确定相应的保护判据,实现故障选极。PSCAD的仿真结果表明,该保护方案不受故障位置、过渡电阻的影响,能够快速准确地检测MMC-HVDC输电线路故障,识别出故障类型。     

基于分布参数模型的高压输电线路故障测距算法

输电线路故障定位一直是电力系统亟待解决的难题,快速准确的故障定位对电力系统有极为重要的意义,由于传统的单端法故障测距易受过渡电阻和对端肋增电流的影响,基于集中参数电路模型的故障测距算法又不适用于长线路测距,中提出一种只使用输电线路参数和２端电气量的基于分布参数电路模型的输电线路故障这位方法。并利用相模变化来减少实际线路的不换位和线路参数不平衡的影响,最后在模域求解故障距离。ＥＭＴＰ仿真结果表明,     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法,仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

基于正交算法的RBF网络在高压断路器故障诊断中的应用研究

针对高压断路器的故障诊断,通过分析断路器的合闸电流波形,提取相应的特征量,作为径向基神经网络的输入,经训练后的网络作为断路器的故障诊断模型。由于BP神经网络存在的训练收敛速度慢且容易陷入局部极小等缺陷,提出了一种基于正交算法的RBF网络用于高压断路器的故障诊断方法。仿真结果表明,基于正交算法的RBF网络具有训练速度快、分类性能良好的优点,有很好的实用性。     

高压输电线路故障测距的算法研究

高压和超高压输电线路故障测距能及时、准确的找到故障点,不仅能快速修复线路,发现绝缘隐患和保证可靠供电,而且对保证整个电力系统的安全稳定和经济运行都有十分重要的意义。针对目前高压输电线路故障测距中存在的问题,基于迭代故障分析法展开了深入的研究和探讨,从推导过程分析得出单端测距无法同时消除过渡电阻和对侧系统阻抗的影响。而双端测距从理论上解决了单端测距的原理性误差,提高了测距精度。     

一种输电线路故障测距算法

本文在分析文献￣［１］［２］测距算法的基础上，提出了一种利用输电线路两端电气量进行故障点定位的方法。该方法勿需将两端电气量进行坐标归一化处理，算法原理简单、计算量小，无真、伪根判别困难，适用于多种信号输入，大量的数字仿真结果证明算法是正确的。     

一种基于模拟植物生长算法的输电网故障诊断方法

将模拟植物生长算法应用于输电网故障诊断,提出了将开关及设备电流转化成整形变量的方法,建立输电网故障诊断模型.仿真实验验证了模型的正确性、有效性及高容错性.     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

模糊聚类和LM算法改进BP神经网络的变压器故障诊断

在变压器故障诊断中,目前BP神经网络算法存在训练样本分布不均匀,收敛速度慢、容易陷于局部极小点等问题,导致整体的诊断性能下降。通过对模糊聚类及LM算法改进的神经网络深入研究,并引入变压器故障诊断中,该算法应用模糊聚类对搜集到的样本预处理,提高样本的质量,再用LM算法改进的神经网络来优化搜索方向,可以实现网络训练速度及测试精度的提高。通过实例仿真实验,验证了该方法能够有效诊断出变压器的故障。     

基于GSM网络的输电线路故障在线监测系统

为克服根据行波传播理论考虑线路结构特点等进行检测和信号分析的传统输电线路故障定位方法易受线路具体情况和信号传播衰减、干扰的缺点,提出了基于GSM无线通信网络建立的输电线路故障监测系统。这种系统采用自制的电流传感器直接监测线路铁塔上流过的故障电流,经信号处理和识别后,通过GSM网络以短消息方式进行数据的无线通讯,以监测、定位输电线路故障。实验室冲击电流和工频放电实验证明自制电流传感器在0～500A的工频电流和0～2kA的冲击电流作用下,传感器和测量回路的误差均<±3%。开发的检测系统经过测试线路上试运行,证实了其可行性和运行稳定性。     

基于并联卷积神经网络的多端直流输电线路故障诊断

针对多端直流输电(MTDC)线路故障时存在故障电流上升速度快、峰值大、不易定位等特点,提出一种兼顾快速性与准确性的MTDC线路故障诊断方法。首先,分析MTDC线路故障信号波形的幅值特征和频率特征,研究基于信号波形幅值变化的故障幅值特征提取方法和基于小波包分析的故障频率特征提取方法,进而形成基于幅值-频率特征的MTDC线路故障诊断方法。其次,构建具有故障分类支路和故障定位支路的双支路结构卷积神经网络——并联卷积神经网络(PCNN),提出基于迁移学习的P-CNN训练方法。最后,仿真验证基于P-CNN的MTDC线路故障诊断方法满足故障诊断的快速性要求,且其并联结构相比于其他人工智能故障诊断方法更具有准确性和可拓展性。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。通过对现有凝汽器运行中常见的典型故障及征兆集的分析,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

齿轮故障诊断中的选择性集成技术

齿轮故障数据的建模因为数据复杂有一定的挑战性.提出将选择性集成学习技术引入到该领域,并将聚类算法用于选择性神经网络集成学习技术.对已有的选择性集成学习技术进行改进,构建了一个基于聚类的选择性神经网络.应用实际数据进行实验,结果表明新算法提高了对齿轮故障诊断的精度,同时诊断效率比基于遗传算法的选择性神经网络集成算法有了显著提高.