基于模糊神经网络的母线充电保护研究

针对当前母线充电试验时继电保护中存在的一些问题,提出了一种智能型的母线充电保护新方法。在分析母线正常充电和故障元件充电的基础上,找到了正确快速地识别两种情况的特征量,结合模糊神经网络这一新型的人工智能技术,综合利用母线充电时的多种电气量分别提取形成网络的特征输入量,并采用Simpson模糊极小-极大神经网络来形成区分母线正常充电和故障元件充电的模糊模式识别器。利用EMTP程序仿真来获取不同系统参数和各种不同故障情况下模糊神经网络训练和测试所需要的大量样本,通过对模糊神经网络的训练,使网络具备了很强的故障识别能力和较强的泛化能力,结果表明,训练后的网络能快速准确地区分母线在各种运行工况下的正常充电和故障元件充电,从而验证了该方法的有效性。     

A hybrid SVM and supervised learning approach to fuzzy min‐max hyperbox classifiers

Abstract

In this paper, a fuzzy min‐max hyperbox classifier is designed to solve M‐class classification problems using a hybrid SVM and supervised learning approach. In order to solve a classification problem, a set of training patterns is gathered from a considered classification problem. However, the training set may include several noisy patterns. In order to delete the noisy patterns from the training set, the support vector machine is applied to find the noisy patterns so that the remaining training patterns can describe the behavior of the considered classification system well. Subsequently, a supervised learning method is proposed to generate fuzzy min‐max hyperboxes for the remaining training patterns so that the generated fuzzy min‐max hyperbox classifier has good generalization performance. Finally, the Iris data set is considered to demonstrate the good performance of the proposed approach for solving this classification problem.     

用模糊包含度构造超盒粒分类器

如何将训练集分割成大小不一的超盒粒是粒计算领域的关键问题之一。引入非线性正评价函数并用于构造超盒粒之间的模糊包含度函数,通过粒度阈值,对两个超盒粒有条件合并,构造含有大小不同超盒粒的分类器。实验结果表明超盒粒分类器与模糊格推理分类器相比提高了测试精度,与支持向量机相比加快了训练速度且提高了测试精度。     

General Fuzzy Min-Max神经网络的改进与应用

针对General Fuzzy Min—Max(GFMM)神经网络不能自适应学习新类的缺陷，提出了一种基于该网络的无师训练改进算法。它一方面继承原GFMM网可以处理模糊输入量的优点．重构了网络中的模糊隶属度函数：另一方面结合ART2神经网络无师学习的特点．引入了网络警戒门限和运行状态切换控制。改进后的GFMM神经网络完全具备了自适应调整和无师学习的能力．并展现出了良好的并行处理性能。自动目标识别中的应用结果表明：该网络具有广泛的实用性     

模糊超盒分类器在母线充电保护中的应用

针对目前母线充电保护存在的一些缺点和不足,在分析母线充电机理和过程的基础上,综合利用母线正常充电和故障充电情形下多种电气特征量值的差异,运用模糊超盒分类器来形成区分母线正常充电和故障元件充电的保护判据识别.通过EMTP程序的大量仿真得到模糊超盒网络的训练和检验样本,结果表明,该方法能够快速准确地判别出母线在各种运行工况下的正常充电和故障元件充电.     

Agglomerative Learning Algorithms for General Fuzzy Min-Max Neural Network

In this paper two agglomerative learning algorithms based on new similarity measures defined for hyperbox fuzzy sets are proposed. They are presented in a context of clustering and classification problems tackled using a general fuzzy min-max (GFMM) neural network. The proposed agglomerative schemes have shown robust behaviour in presence of noise and outliers and insensitivity to the order of training patterns presentation. The emphasis is also put on the complimentary features to the previously presented incremental learning scheme more suitable for on-line adaptation and dealing with large training data sets. The performance and other properties of the agglomerative schemes are illustrated using a number of artificial and real-world data sets.     

超盒粒代数系统

研究了超盒粒的表示方法、超盒粒之间的偏序关系和超盒粒之间的运算,构造由粒集、超盒粒之间的偏序关系和算子组成的代数系统,给出了超盒粒的格代数系统的相关定理及其证明。     

并行数值系统有效性分析算法研究

C^3I系统是现代战争兵力的倍增器，同时它又是一个极为复杂的信息系统。对其评价非常重要，但又非常困难。系统有效性分析(SEA)方法是一种很有影响的系统评价方法，其中最关键的使命轨迹的生成是依赖于普通解析式的，这样严重影响了该方法的实用性。本文提出了一种并行数值SEA算法，它根据实际问题中普遍存在的单调性原理，采取了超盒数值逼近的方法，快速逼近所求的系统使命轨迹，并通过模拟令牌环机制高效地实现了并行处理，进行系统有效性评估。此算法极大地缩减了搜索空间，并克服以前依赖解析函数关系求使命轨迹的缺陷，使得复杂系统的使命轨迹的生成成为可能。最后，本文用此算法与相应仿真手段，对一抽象而典型的分布式信息处理系统进行有效性评估，取得了较好的效果。     

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 %。     

基于波形记忆和模糊极小--极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷，不能满足现代超高压电力系统的要求，此文根据内部故障和单纯涌流这两种情况下波形的不同，提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小-极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真的以形成网络的训练样本，通过学习和测试，表明该网络所形成的新算法能够正确鉴别变压器各咱运行工况下的励磁涌流和内部短路，所需的鉴别时间小于20ms。