简介:关于输电故障方面的的相关大学硕士和相关本科毕业论文以及相关输电故障论文开题报告范文和职称论文写作参考文献资料下载。
摘 要:文章在对电力系统故障诊断方法进行分析的基础上,利用径向基函数(RBF)网络适合于求解模式识别问题的优势,提出了应用RBF 神经网络来实现高压输电线路的故障诊断,建造了基于RBFNN 的高压输电线路故障诊断模型结构,并且给出了确定RBF 网络最佳聚类数的标准.
关键词:高压输电线路;RBFNN;故障诊断;HMC 算法
中图分类号:TM755 文献标识码:A
文章编号:1009-2374( 2010)33-0022-03
高压输电线路故障诊断系统是一个在线的实时信息处理系统.主要依靠事故环境下所发生的一系列实时序列信息进行分析;判断故障发生的原因、故障元件,输电线路一、二次设备静动作性能,以及预测敦障恶化的发展趋势.当诊断用实时输入信息因受干扰而畸变甚至丢失时,将导致不正确的诊断结果.这就要求输电线路故障诊断系统具有容错能力.因此,探求一种快速且容错性能强的高压输电线路故障诊断方法具有实用意义.本文主要是提出基于RBFNN 的高压输电线路故障诊断技术.
1. 基于RBFNN 的高压输电线路故障系统的原理
近年来,径向基函数神经网络RBFNN 网络在实际工程应用中显示出它的优势.RBF 网络的隐层节点是由辐射状作用函数构成( 通常取高斯核函数),对输入信息具有局部激活特性,在用于解决模式识别问题时,它是将与问题相关的知识分散存储于局部神经元中,使隐含层神经元对不同类模式响应的程度不同,对接近于确定局部神经元特征的样本模式的输入具有最强的吸引力,也就是对非训练的检测样本具有一定的容错能力.
1.1 RBFNN 高压输电线路故障系统的数学模型
输入层节点只是传递输入信号到隐含层,隐含层节点由辐射状作用函数( 即RBF,通常取高斯核函数) 构成,对输入信号将在局部产生响应,第j 个隐含层节点的输出为:
1.2 RBFNN 网络的数学算法
RBFNN 的网络数学算法主要分为:首先根据所有的样本输入信息进行模式聚类,进而确定网络的隐含层节点数目以及各隐含层节点高斯核函数的中心值cj 和标准化常数σj.确定这些参数之后,利用相应的学习算法,依据训练样本,求出隐含层输出层之间的权值矩阵Wi 和阈值θi.
1.2.1 RBF 网络径向基函数中心的选取 RBF 网络的学习关键是由给定的训练样本X 确定cj,本文采用HCM 学习算法来确定.它是一种无监督的聚类算法,与常规的K-NN模式聚类方法相比,它无需在每一次迭代过程中计算新聚类模式的重心和势力圈,而是将对样本的聚类转成优化问题来求解,既节省了模式聚类时间,提高了学习训练速度,又得到了最优的聚类效果和网络联结,使网络的利用效率较高.因该算法是通过逐步增加模式种类数,依据相应种类的聚类结果来确定最终模式种类数的.在对选定的不同模式种类数的情况完成聚类之后, 再利用本文给出的标准来确定最佳聚类数,保证了RBFNN 网络连接的利用效率.故本文还给出了用于确定最佳聚类数的标准,来确定最终的网络模式.
利朋HCM 算法进行聚类时所面临的一个难题是如何确定最佳的样本聚类数.聚类数越多,相应的总歪越小但网络训练的时间和计算量会增大,另一方面,小的聚类数虽然可以节省网络训练的时间,但相应的总歪和网络训练的误差会增大.可以采用下面的标准来确定最佳聚类数:
可见,该学习算法调节隐含层节点到输出层之间权值连接的变化量正比于网络的输出误差及网络的输入矢量,且无需求导,故计算简单,收敛快速.
输电线路故障类型:输电线路智能故障监测装置成新的“保电英雄”
2. 高压输电线路蔽障诊断RBFNN 模型构造及测试
2.1 测试样本的构造
将变异故障模式分为两类:一类是变异故障模式与训练故障模式完全不同;另一类则是变异故障模式与某个寻练故障模式的输入信息组成完全相同.显然,第二类变异故障模式仅从信息的外部形式去研究是不可能的,必须依靠表征各种故障模式的信息内在知识关联性来实现正确的故障诊断.本文的研究仅限于第一类变异故障模式.
2.2 系统模式聚类的确定
本文依据高压输电线路的基本故障情况所形成的65 个样本,对两种基于不同学习算法的RBFNN 进行了学习训练,包括样本的聚类过程和输出层权值训练过程.对基于K-NN聚类原则的LBG 算法,我们可以知道,当聚类数从2 到7 变化时,K 值随之单调增加,此后随着聚类数的增加,K 值单调减小,当聚类数为7 时,K 值最大,亦即最佳聚类数为7.对于第二种算法,本文中取r等于2,相应的聚类数为8.
3. 基于RBFNN 的高压输电线路故障诊断
作为一个实例,本文将讨论RBFNN 在高压输电线路故障诊断中的应用研究,建立实现该问题的NN 模型结构, 并通过仿真来验证本文所提方法的有效性和实用性.
3.1 高压输电线路故障诊断RBFNN 模型结构
输电线路故障诊断的基本依据是保护和断路器的动作信息和一些求解该问题所需的辅助信息,如果将这些信号作为输入,可能发生的故障情况作为输出,那么包含在NN 中的隐式知识可描述如表1 所示.RBFNN 模型仍然采用图1 的结构型式,输入节点12 个,输出节点17 个,隐含层节点数由RBFNN 学习算法确定.
3.2 高压输电线路故障诊断信息的获取高压输电线路故障诊断的基本依据是保护和断路器的动作信息和一些求解该刚越所需的辅助信恩.在利用神经网络技术实现高压输电线路故障诊断时,其对知识的表达是隐式的,即将故障珍断的知识通过样本的训练隐含记忆到网络的权值和阈值中.为了实现有效、准确的故障诊断,知识和信息的完备性是很重要的.另外,用于输电线路故障诊断的实时信息序列来自于现场,信息受干扰而产生畸变或者信息不完备的可能性是存在的,在这种情况下为了实现故障的正确诊断,就要求所建的神经网络具有一定的容错能力.
3.3 故障诊断RBFNN 的仿真测试
高压输电线路故障诊断的基本依据是保护和断路器的动作信息和一些求解该问题所需的辅助信息.但是用于输电线路故障珍断的实时信息序列来自于现场,信息受干扰而产生畸变或者信息不完备的可能性是存在的,在这种情况下为了实现故障的准确诊断,就要求所建的神经网络具有一定的容错能力.因此,对RBFNN 的仿真测试也就集中在能否对来自现场的变异故障信息实现正确的故障诊断,也就是对所建网络的容错性测试上.
为了检验本文所提方法的有效性,本文对实现输电线路故障诊断的RBFNN 和BPNN 进行了仿真比较.对于HCM聚类算法 不同模式聚类数的聚类结果见表2,根据式(3) 确定出最佳聚类数为7,对于BPNN 采用的模型为12-15-17,训练参数为:学习率0.3,动量因子0.9.本文测试比较了网络训练速度和对变异故障模式的容错能力,结果见表3,需声明:在对两网络作容错性分析时,对输出节点进行了模糊处理,输出值>,0.5 时取1,<,0.5 时取0.
由仿真结果可见:网络学习速度方面,基于HCM 算法的网络比BPNN 具有优势.容错性能方面,基于RBFNN 网络的高压输电线路故障诊断系统,对变异故障模式的正确识别率较高, 相对于第①类变异故障模式达92.81%,相对所有测试样本的正确识别率达59.87%, 而基于BPNN 的诊断系统相对于第①类变异故障模式的正确识别率为43.15%,相对所有测试样本仅25.34% 说明RBFNN 网络的容错能力较强.
4. 结语
本文提出的故障诊断方法计算量小,能判断故障是永久性还是暂时性,很好地克服了自动重合闸的盲目性并进行准确的故障定位,误差在1% 左右.将此方法投入实际应用中可获得可观的经济效益.RBFNN 网络将与故障诊断问题相关的知识分散存储于局部神经元中,使隐含层神经元对不同类的故障模式响应的程度不同,对接近于确定局部神经元特征的样本模式的输入具有最强的吸引力,因此RBFNN 网络对变异故障模式具有一定的容错性能.因此该方法对于要求快速和具有容错性能的实时信息处理系统具有较好的应用前景.
参考文献
[1] 姜惠兰,梁昭君,杨维,徐建强.基于模糊逻辑的高压输电线路故障类型识别新方法[J].电工电能新技术,2004,(23).
[2] 周明,任建文,李庚银,徐开理.基于模糊推理的分布式电力系统故障诊断专家系统[J].电力系统自动化,2001,(25).
[3] 危韧勇,刘春芳.基于小波理论的超高压输电线路故障定位与选相方法[J].中国电机工程学报,2000,(5).
总结:本论文为您写输电故障毕业论文范文和职称论文提供相关论文参考文献,可免费下载。
输电线路故障类型引用文献:
[1] 故障排除论文范文例文 输电线路和电力方面研究生毕业论文范文2万字
[2] 故障本科论文范文 关于输电线路方面论文写作技巧范文8000字
[3] 故障分析电大毕业论文范文 输电线路类有关硕士学位毕业论文范文2000字