基于神经网络的距离保护训练算法的研究

对神经网络式距离保护做了简要概述,并且为了使该新型保护更加完善,对其存在的训练算法问题做了深入的研究.对8种改进的BP(Back-Propagation)算法训练神经网络进行了比较,通过反复训练,得出8种算法在权值调整和误差收敛过程中所遇到的共同点和差别,并得出初始权值、激励函数和神经元个数等因素的选取对神经网络学习的影响.实验证明:LM算法和尺度共轭梯度反向传播算法训练网络收敛速度快,受权值影响小,但占用较大的内存;贝叶斯正则化算法有较好的泛化能力.     

神经网络式距离保护的混合训练算法

针对ＢＰ算法存在的缺陷,如训练速度慢,易收敛于局部极小点及全局搜索能力弱等,利用中伤虎法能够进行全局最优化搜索这一特点,在改进的自适应遗传算法的基础上,提出了一种新的用于ＢＰ网络训练的混合算法,即改进的自适应遗传算法与ＢＰ算法相结合的混合训练方法,将所的混合训练方法应用于神经网络式距离保护中,利用ＡＴＰ仿真的结果进行训练及检验,结果表明,所提出的算法与单一的ＢＰ算法相比,不仅可避免陷入局部极小点,     

基于神经网络的双回线自适应接地距离保护

回顾平行双回线的互感对距离保护阻抗测量的影响，为了解决阻抗测量不准确，提出了一套运用人工神经网络的自适应接地距离保护系统，建立了一种三层ＢＰ神经网络，研究了特征量的选择和样本的设计，并用实例表明其方法。     

基于神经网络的自适应距离保护研究

超高压输电线路的距离保护必须具备足够的对过渡电阻的反应能力。在双侧电源条件下,过渡电阻可能造成保护范围的伸长或缩短。提出了神经网络距离保护算法,通过对样本的学习来获得保护的动作特性,具有内在的对过渡电阻和系统运行方式的自适应性。该算法已在一实际的５００ｋＶ系统输电线路上仿真实现,考虑单相接地故障和Ｉ段保护,在设计的９０％保护范围内具有稳定良好的保护性能。     

神经网络差动保护技术

通过对BP神经网络输入充分数量的典型样本来判决差动保护的动作信号，并探索了神经网络在电力系统继电保护应用中存在的问题和可能的解决方法。     

基于人工神经网络的自适应距离保护

分析电力系统距离保护的特点及人工神经网络所具有的自适应能力、学习能力和模式识别能力 ,基于模式识别原理 ,提出了一种实现自适应距离保护的神经网络模型 ,并进行了大量的仿真计算 ,证明所提方法的优越性 ,能够对电力系统的各种故障情况进行正确识别     

基于人工神经网络的自适应距离保护

分析电力系统距离保护的特点及人工神经网络所具有的自适应能力、学习能力和模式识别能力,基于模式识别原理,提出了一种实现自适应距离保护的神经网络模型,并进行了大量的仿真计算,证明所提方法的优越性,能够对电力系统的各种故障情况进行正确识别.     

递推最小二乘算法在微机距离保护中的应用研究

本文重点就递推最小二乘算法的滤波特性进行了分析，并从频域的角度 对状态量的选择问题进行了讨论，给出了便于在微机距离保护中采用的实用递 推算法。理论分析和仿真计算表明，该算法计算简便、收敛速度快，其具有的 变数据窗特点可有效实现保护的反时限动作特性。     

人工神经网络在距离保护中应用的研究

基于人工神经网络提出并建立了一个三层前向神经网络模型用来实现距离保护。利用自编程序进行了大量的仿真计算 ,计算结果作为训练样本 ,对所建立的神经网络模型进行训练。对模型进行故障状态检验的结果表明 ,所建立的神经网络能够对故障状态做出正确的响应。     

利用工控机实现神经网络式距离保护的研究

提出了神经网络式距离保护的新原理 ,提出基于工控机的微机保护是继电保护发展的一个新方向。对利用工控机实现神经网络式距离保护进行了研究。试验结果表明 ,利用工控机实现神经网络式距离保护能够满足微机保护的要求     

智能式距离保护

传统式距离保护方法受不同故障条件的影响,有时会产生继电器误动作。本文所提出的智能式距离保护方法综合了改进遗传算法(GA)和误差反向传播算法(BP)的优点。仿真结果表明,该方法不但比传统的距离保护方法反应更迅速、更准确,而且比目前应用较多的神经网络式距离保护有更快的网络训练速度和避免陷入局部极小点的能力,同时也满足了距离保护速度和精度的要求。     

基于实际装置的距离保护动态仿真研究

以距离保护为研究对象,分析距离继电器的动作方程在阻抗平面上的动态特性,采取与实际保护装置相同的数据处理过程,开发了距离保护仿真软件。仿真软件数据载入部分采用COM-TRADE格式,图形显示部分采用多视图方法,将距离保护内部各元件的动态工作过程按故障数据的采样点以直观的方式再现出来,实现对保护装置动作过程描述的透明化、可视化、定量化。以实际故障录波数据和基于PSCAD/EMTDC模型仿真产生的故障数据为例对软件进行仿真,分析距离保护的启动元件、选相元件、工频变化量继电器、接地距离继电器的仿真结果,说明软件能精确地再现故障时保护内部各元件的动态行为。并可评估在不同运行工况下,继电器在数据不同采样点之间的动态表现。     

智能技术在距离保护中的应用

针对传统的距离保护方法存在许多不足,提出了一种将BP网络与径向基函数网络相结合的距离保护模型。分别采用BP网络构建振荡识别子网络,采用RBFN构成的故障检测定位子网络,并采用附加动量项和自适应学习率等措施增加BP算法学习过程的稳定性和收敛速度;为增加网络训练的确定性,文中进行了大量的仿真计算,结果表明,该方法能够对电力系统的各种故障情况进行正确的识别并且比目前常用的神经网络式距离保护有更高的工作效率。文章最后也分析了神经网络技术在距离保护中存在的不确定性,指出了消除不确定性的措施。     

振荡闭锁期间再故障的距离保护判别方法

介绍了近年来用于微机距离保护中区分电力系统振荡与振荡中再故障的方法。论文把它们分成了识别振荡与对称故障、振荡与不对称故障和发展中的新型方法三大类,分别对其各自的优势及缺点和局限性进行了分析和总结,得出了一些有意义的结论。     

适应于风电接入系统的抗高阻接地时域方程距离保护研究

双馈风电接入系统带来的高次谐波、频率偏移等故障特性使传统工频量距离保护适应性存在问题。基于时域距离保护原理较适用于风电系统送出线,但在送出线发生单相经高阻接地故障时,易发生距离I段区内拒动现象,保护适应性存在问题。提出了一种抗高阻接地时域方程距离保护原理。基于时域距离保护原理,通过对时域方程进行重构,增加过渡电阻待识别量,从原理上解决了时域距离保护未充分考虑过渡电阻所带来的不利影响的问题。仿真结果表明,该原理能较好地适用于风电系统送出线,并且有效地避免了风电系统送出线距离I段区内发生单相经高阻接地故障时距离保护拒动的现象。     

采用改进BP神经网络算法预测短期电力负荷

介绍了BP神经网络算法的原理以及对其采用非线性阻尼最小二乘法Levenberg-Marquardt进行优化的的方法。针对短期电力负荷的特点,设计了预测短期电力负荷的BP神经网络模型和预测流程,并结合具体实例,采用MATLAB神经网络工具箱编程。与实例结果的比较表明,此方法预测短期电力负荷具有实用价值。     

多层SPDS神经网络式电流保护

提出了一种基于SPDS神经网络的全新的电流保护方式。该网络采用的是3层SPDS神经网络模型，由三部分构成：故障类型与相别判断子网络ANN1、故障方向判别子网络ANN2、振荡识别子网络ANN3。通过大量的Matlab和EMTP仿真实验，对该模型进行了各种故障状态的训练和测试，并与BP网络进行比较，发现SPDS网络训练速度快，且证实了基于SPDS网络的电流保护的可行性。     

基于遗传算法的BP神经网络电子系统状态预测方法研究

BP神经网络是一种应用面较广的神经网络,但存在明显缺陷:学习收敛速度慢,易陷入局部极小。遗传算法具有良好的搜索全局最优解的能力。为了提高BP神经网络预测模型在状态预测中的准确性,提出了一种基于遗传算法优化BP神经网络的状态预测方法.利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以求得最优解,并将该预测方法应用到Buck输出电压平均值进行有效性验证。仿真结果表明,改进后方法具有较好的非线性拟合能力和更高的预测准确性。