运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题在几种传统的识别励磁涌流方法的基础上,结合模糊神经网络这一新型的人工智能技术,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量,并采用了Simpson模糊极小-极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本,结果表明,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障,对测试样本的正确率达到100%。     

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。     

基于模糊神经网络的方向元件

根据电力系统正常运行，发生各种类型正方向故障和反方向故障时，母线处获得的信号的特点，提出了用模糊神经网络来识别电力系统故障方向的模型和算法。经EMTP仿真表明，该方法能够正确地区分故障发生的方向，而且计算和响应速度快。另外，系统正在振荡时又发生故障，模糊神经网络的模型及算法也能正确区分出故障的方向。缺点是需要经过大量的训练：但是由于是离线训练，不影响此方法的实时应用。     

概率神经网络在母线故障识别中的应用研究

提出一种利用概率神经网络来进行母线故障识别的新方法。首先用PSCAD／EMTDC软件对母线故障状态进行仿真,提取仿真数据,进行数据预处理,然后建立概率神经网络模型,训练网络后判断母线的区内、区外故障及正确识别各种故障类型,从而验证基于概率神经网络的母线故障识别的准确性。     

基于电流突变采样值轨迹特征的快速母线保护

新能源电源提供的短路电流幅值受限,故障特征弱化,影响母线故障的快速准确识别。该文利用三相电流同一采样值突变量快速提取电流突变特征,将母线各支路电流进行分组,分别构造了两种启动元件,根据启动元件的动作时序,快速识别母线区内、外部故障和区外转区内故障。建立了母线多支路分组电流突变量采样值的分析平面,经过极性转换与采样值积分,直观反映母线区内外故障时电流突变采样值的运动轨迹,在此基础上,建立了识别母线区内外故障的保护动作区。利用实时数字仿真平台(real time digital system,RTDS)建立仿真系统,仿真结果表明,母线故障时,启动元件动作时间小于1ms,利用电流突变采样值轨迹可以快速识别区内外故障及转换性故障。     

模糊神经网络在区分电力系统故障和振荡中的应用

根据电力系统发生故障和振荡时母线处获得的信号的特点,提出了用模糊神经网络来识别电力系统振荡与故障的模型和算法。经EMTP仿真表明,该方法能够很好地识别振荡与故障,而且计算和响应速度快,另外,系统正在振荡时又发生故障,本文提出的模糊神经网络的模型及算法也能正确区分出故障。缺点是需要经过大量的训练,但是由于是离线训练,不影响此方法的实时应用。     

故障自清除型直流配电网新型双极短路故障元件识别方法

直流配电网内故障元件的快速、可靠识别及准确隔离是直流配电网的技术难点之一。针对故障自清除型换流器结合快速隔离开关的直流配电方式,该文提出一种无需检测线路两端电气量的故障元件识别方法。研究了基于网络结构及母线电气量的母线虚拟电压计算方法;利用母线虚拟电压在不同故障位置时的差异,研究直流线路故障的快速识别及定位方法,并提出利用换流器内子模块投切选择实现母线故障与线路端部故障的辅助识别方法。该故障元件识别方法仅利用换流器出口电流和母线电压实现全配电网的故障元件快速识别,而无需测量线路两端电气量,且不受配电网结构限制,兼顾了经济性和可靠性。     

基于EMD近似熵和RBF神经网络的换流器故障诊断

提出了基于经验模式识别(EMD)近似熵和径向基函数(RBF)神经网络的换流器故障诊断方法。通过对故障信号EMD分解提取故障信号特征,得到多个可以反映故障特征的本征模式分量(IMF),选取反映信号主要信息的IMF分量并求解其近似熵,从而构造各种故障的特征矩阵,并作为样本运用RBF神经网络进行训练。换流器故障时,将所提取的故障信号特征矩阵输入已训练好的RBF网络,从而可实现故障类型的识别。仿真证明,该方法能够有效提取出不同故障的特征,从而区分换流器各类故障,具有很好的可行性。     

基于导纳参数识别的分布式母线保护新原理

针对现有分布式母线电流差动保护受间隔数据采样不同步及传输延时影响的问题,提出了一种基于导纳参数识别的分布式母线保护新原理。通过引入电压量来计算导纳,定义各间隔导纳和的绝对值为差动导纳,各间隔导纳绝对值的和为制动导纳。当母线发生区内故障时,差动导纳等于制动导纳;当母线发生区外故障时,差动导纳反映母线对地的杂散电容,远小于制动导纳。利用差动导纳和制动导纳的大小关系能够可靠区分母线区内、外故障。EMTP仿真和实际录波数据分析表明:所提新原理无需各间隔数据采样同步,受传输延时影响小,耐过渡电阻能力强,在各种工况下均能可靠地区分母线区内外故障。     

基于PSO-LIBSVM的广域后备保护新算法

广域后备保护利用电网线路IED和母线IED采集各元件相关信息,构造基于PSO-LIBSVM的线路和母线故障识别网络。以IED采集的信息作为输入向量,建立故障识别网络的训练样本矩阵;PSO算法寻找最优LIBSVM运行参数并训练故障识别网络,利用随机故障下的测试样本矩阵对线路和母线识别网络进行测试,以识别电网故障元件IED,进而确定故障元件。通过大量实验仿真了多种信息不准确情况下的故障识别,实验证明基于PSO-LIBSVM的广域后备保护新算法,识别准确率高,具有很好的容错性。     

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.     

一种基于小波神经网络的模拟电路故障诊断方法

本文针对模拟电路提出了1种新的基于紧致型小波神经网络的故障诊断方法。该方法首先利用小波变换和主成分分析对故障信号进行预处理,然后用处理后的故障特征数据对小波神经网络进行训练和测试。仿真实验表明,该方法比普通神经网络方法训练速度更快,诊断准确率更高。     

空调制冷系统智能故障诊断方法研究

在现有的空调故障诊断方法及发展趋势的基础上。提出将产生式规则、模糊逻辑和神经网络相融合。进行故障智能诊断的方法,以故障诊断案例中的实测参数为训练样本对其性能进行仿真。仿真结果表明,基于产生式规则的模糊神经网络推理精度高,推理结果能直观反映空调制冷系统的故障模式。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

基于改进GA优化T-S模糊神经网络的小电流接地故障选线方法

在小电流接地系统中,发生最多的是单相接地故障,针对如何快速准确地查找故障线路一直都是重点研究课题,且没有得到有效的解决。本文提出一种基于遗传算法(GA)优化T-S模糊神经网络的配电网故障选线新方法:通过调整传统GA的适应度函数,先对网络初始参数、权值进行一次优化后,使用梯度下降法进行二次优化的选线算法。讨论了T-S模糊神经网络,传统GA优化的T-S模糊神经网络及不同网络结构对网络性能的影响。研究结果表明新型GA优化T-S模糊神经网络的选线效果明显优于T-S模糊神经网络和传统GA优化T-S模糊神经网络,能够快速、准确、可靠的选取故障线路。     

基于自组织模糊神经网络的汽轮发电机组振动故障诊断系统

针对目前汽轮发电机组振动故障的模糊诊断系统精度较低的问题,将模糊理论与神经网络技术结合,构造了适合于大型复杂系统故障诊断的自组织模糊神经网络系统的体系结构.在此基础上,提出了一种新型的样本模糊自组织方式,利用快速傅里叶变换(FFT)分析方法和图形分析法提取足够多的故障征兆,再采用聚焦式模糊分段算法对故障征兆进行模糊化处理,然后建立合理的训练样本库,并将经过确认的故障数据增加到标准案例库中,以提高整个系统的诊断能力.其中,聚焦式模糊分段算法对故障征兆中正常与不正常的转折部分进行非线性聚焦,即离正常与不正常的分界值越近时,故障征兆的特征抽取密度越大,使得原来模糊的分界部分被清晰化,大大提高了诊断精度.最后,以108DAI专用检测系统作为硬件支持,设计和实现了600 MW汽轮发电机组常见振动故障的模糊诊断系统,并利用现场故障数据验证了该系统的有效性.     

基于模糊神经网络的电力系统预想事故排序方法

提出了一种基于模糊神经网络的电力系统预想事故排序新方法。该方法首先定义了反映预想事故严重程度的有功性能指标,同时构造3层人工神经网络(ANN)并采用误差反向传播(BP)算法加以训练;其次对ANN的输入用模糊神经网络进行特征选择,减少了输入层和中间隐含层的神经元个数及训练时间;最后通过IEEE 30节点系统验证了所提方法的有效性,仿真结果说明采用模糊神经网络进行输入量特征选择预处理可减少神经网络的训练时间。