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。     

基于小波神经网络的新型配电网单相短路选线算法试验研究

含分布式电源的配电网发生单相短路故障时,各相短路电流的分布情况随之变化。通过对新型配电网的零序电流分布进行分析,提出用小波函数Db4对暂态零序电流进行4尺度分解,提取模极大值作为神经网络的输入,对BP神经网络进行训练,根据训练结果判断故障线路。Matlab/Simulink仿真实验表明,基于小波包变换和BP神经网络的选线算法具有良好的实用性与可靠性,且不受中性点接地方式、故障时刻以及接地电阻的影响。     

基于小波包分析的配电网故障选线新方法

提出了基于小波包分析的配电网故障选线新方法用于解决低频采样零序电流信号因发生不同程度的能量衰减而导致的选线错误问题。当发生单相接地故障时,分别对零序电流信号进行低频采样和高频采样,计算高频采样零序电流信号的首波头极性和最大值以及低频采样零序电流信号的最大值,以此为依据对低频采样的零序电流信号做增强处理,然后利用小波包分析方法对增强的信号进行小波包分解,根据能量最大的原则实现故障选线。基于上述原理研制了配电网接地选线装置,给出了装置的硬件结构及软件流程。分别针对零序电流信号能量衰减严重和极性检测错误的情况进行仿真试验。结果表明,该方法有效地提高了小电流接地选线的准确性。     

基于小波包分析的配电网故障选线新方法

分析了小电流接地系统中基于小波包分析的故障选线方法的优势和不足,提出了基于小波包分析的故障选线新方法。首先对采样的零序暂态电流信号做增强处理,然后利用小波包分析方法进行故障选线。基于上述原理研制了配电网接地选线装置,给出了装置的硬件结构及软件流程,试验结果表明,该方法有效地提高了小电流接地选线的准确性。     

基于粗集神经网络的配电网故障选线研究

为了克服基于神经网络的故障选线方法训练时间长和网络结构复杂的缺点,提出了基于粗集神经网络的故障选线方法.利用ATP-EMTP做大量的单相接地故障仿真试验,得到大量的各馈线零序电流信号,通过小波变换和傅立叶变换从中提取各种暂态和稳态故障特征.利用粗集理论对故障特征进行预处理,将约简后的故障特征作为神经网络的输入,约简后的样本作为训练样本.完成训练的神经网络模型即可实现故障选线.仿真和现场验证结果表明,该方法训练速度快、误判率低.     

基于蚁群算法的配电网故障定位与隔离

蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。该文将蚁群算法用于配电网故障定位方面的研究,并通过实例证明了该算法的可行性和高效性。     

基于最大模极大值的配电网接地故障选线新思路

单相接地故障在配电网中发生的比较频繁,针对配电网单相接地故障选线的研究现状,应用小波变换中信号奇异性检测的理论对故障后的暂态电流进行分析,提出基于最大模极大值比值的单相接地故障选线的思想。该方法能适应配电网中的不同故障模式,选线准确性高。仿真验证了该思想的可行性。     

基于蚁群算法的配电网故障定位与隔离

蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点.通过建立适当的数学模型,基于故障过电流的配电网故障定位变为一种非线性全局寻优问题.该文将蚁群算法用于配电网故障定位方面的研究,并通过实例证明了该算法的可行性和高效性.     

基于改进蚁群算法的配电网故障定位

目前配电网的故障定位采用故障电流分析方法,在实时信息序列中存在畸变信息时有可能错判或误判,导致城市配电网发生故障时无法快速准确定位的问题.首先对蚁群算法进行改进,采用了一种根据蚁群算法搜索情况来自适应动态修改信息素的方法,使得算法更好地跳离局部最优解,然后通过建立适当的数学模型,对IEEE-33节点测试系统进行了仿真计算,最终结果证明了该算法在配电网故障定位方面的有效性.     

基于改进蚁群算法的配电网故障定位

目前配电网的故障定位采用故障电流分析方法,在实时信息序列中存在畸变信息时有可能错判或误判,导致城市配电网发生故障时无法快速准确定位的问题。首先对蚁群算法进行改进,采用了一种根据蚁群算法搜索情况来自适应动态修改信息素的方法,使得算法更好地跳离局部最优解,然后通过建立适当的数学模型,对IEEE-33节点测试系统进行了仿真计算,最终结果证明了该算法在配电网故障定位方面的有效性。     

基于免疫原理的蚁群算法在配电网恢复中的应用

对配电网的故障恢复问题进行了描述,提出了结合实际的配电网故障恢复目标函数,并将蚁群优化算法引入其中,用来解决这个复杂的、多目标、多约束的组合优化问题.针对蚁群算法存在的易陷入局部最优和收敛难的问题,引入免疫机制,通过基于抗体浓度的选择机制和多样性策略来提高蚁群的全局搜索能力和停滞现象,并通过配电网恢复的具体实例验证该算法的快速有效性.     

基于改进模糊神经网络的配电网故障选线研究

在配电网中广泛采用小电流接地方式,传统的单一单相接地故障选线方法适用范围有限.针对单一故障选线方法的不足,提出利用模糊神经网络对多种选线方法进行融合.采用基于小波包从零序电流中提取暂态能量分量和暂态方向分量,和基于FFT从零序电流中提取稳态基波分量和五次谐波分量作为故障选线的特征分量.设计模糊神经网络的结构并进行改进,采用BP学习算法.在Matlab7.1环境下搭建10 kV配电网模型,分别仿真不同的故障位置、故障合闸角、故障接地类型和故障线路的故障以验证理论的有效性.     

基于蚁群聚类-Elman神经网络模型的短期电力负荷预测

在神经网络负荷预测实际应用中,突出的问题是训练样本大、训练时间长、收敛速度慢。针对负荷预测样本代表性问题,建立了基于蚁群聚类的Elman神经网络预测模型。对负荷历史数据进行蚁群聚类预处理,将聚类后的数据作为神经网络的训练样本。其目的是使输入样本具有代表性,改善网络训练时间和收敛速度,有效提高预测精度。通过某发电厂负荷数据的验证,该模型的预测结果精度较好。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

基于矩阵算法的有源配电网故障定位容错方法

故障区段定位对于配电网发生故障后的故障处理与恢复供电具有重要意义。针对有源配电网的故障定位方法中,矩阵算法计算速度快但容错性差、智能优化算法容错性高但定位速度慢且在大规模配电网中存在局部收敛的问题,提出了一种将矩阵算法和智能优化算法的优点相结合的定位方法。首先,在有源配电网发生故障后,利用馈线终端设置(Feeder Terminal Unit,FTU)上传的告警信息,运用矩阵算法快速定位故障区段。然后运用开关函数对矩阵算法的定位结果进行校验,避免因矩阵算法容错性差而输出错误的定位结果。校验不通过的定位结果将全部列入可疑故障集合,该集合的维度大幅低于配电网的维度,再运用灰狼优化（Grey Wolf Optimization,GWO）算法对该集合进行优化处理,从而输出最终的定位结果。在MATLAB上进行仿真测试,仿真结果表明此方法能在有源配电网中实现故障区段的快速定位,且具有一定的容错性。     

基于Stehfest算法的配网单相接地故障双端测距方法

提出了一种基于Stehfest算法的双端测距方法。该方法采用配网单相接地故障后半周期内的零序电压、电流暂态信息,由Prony算法得到其时域表达式,利用零序网络以及线路分布参数的象函数模型,在不考虑线路零序参数的频率特性和考虑其频率特性两种情况下,分别列写出线路的象函数测距方程。通过Stehfest算法对测距方程进行数值反演计算,并用搜索法求取区间内测距方程的最小值,得到方程的数值计算矩阵,进而以该矩阵行元素平方和最小为目标,确定故障距离。大量的EMTP-ATP仿真实验验证了该方法的正确性。     

A novel wavelet transform aided neural network based transmission line fault analysis method

In the present scenario of market driven business, power supply has become more like a commodity. Reliable and quality power need to be ensured to meet customer requirements. In such a situation, it is extremely important that transmission line faults be identified accurately, reliably and in quick time. Advanced signal processing tools such as discrete wavelet transform (DWT) can be used very effectively for parameterisation and characterization of the fault signals. On the other hand, properly configured neural network (NN) can be utilized for classification of the faults based on the DWT signal. The present contribution uses electromagnetic transient program (EMTP) for modeling of a real transmission system and MATLAB for DWT and NN. Various types of faults have been simulated at different locations along the transmission line and an attempt has been made to correctly identify and locate the fault.     

基于改进多元宇宙算法的主动配电网故障定位方法研究

针对现有智能优化算法在求解主动配电网故障定位问题时存在的收敛速度慢、易陷入局部最优解、容错性差、种群质量低等问题,提出一种改进的多元宇宙优化算法(improved multi-verses optimization, IMVO)。首先构建具有容错能力的主动配电网模型,根据故障定位问题的特点对多元宇宙的种群进行离散化编码。其次将自适应精英策略融入改进算法的多元宇宙种群的更迭中,以保证多元宇宙的种群质量。设计基于非线性曲线变化的虫洞存在概率(wormhole existence probability, WEP)与旅行距离率(travel distance rate, TDR)的更新机制,以提高算法前段搜寻相对最优宇宙的能力与后段调整最优探测距离的精度。最后通过自适应突变操作增强改进算法的局部搜索能力,进而提高全局寻优能力。仿真实验结果表明,改进多元宇宙优化算法在单点、多点以及信息畸变故障定位中全局寻优能力显著,相较于其他优化算法在解决配电网故障定位问题上具有更高的准确率与收敛速率。