基于GA-BP改进算法的配电网接地故障选线方法

针对采用单一故障信息的配电网接地故障选线方法存在的缺陷,提出一种基于遗传算法(GA)改进BP神经网络的融合选线算法。该算法分别采用5次谐波法、有功分量法和暂态能量法从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障程度,然后将这些故障程度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并通过GA优化BP神经网络的权值和阈值,避免神经网络陷入局部极值,使得选线模型达到较高的精度。仿真结果表明,在采用真实录波数据作为样本的情况下,所提改进算法比BP神经网络算法的选线精度更高,满足配电网单相接地故障选线精度要求。     

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.     

基于神经网络的中性点经消弧线圈接地系统故障选线方法

中性点经消弧线圈接地系统的单相接地故障选线问题一直没有得到很好的解决,通常采用的单一故障选线方法如小波变换法、5次谐波电流法和零序电流有功分量法等只能对部分故障信息进行处理,选线可靠性不高.文章通过构造每种选线方法的相对故障测度函数和可确定故障测度函数来确定其故障测度函数,再利用神经网络对每种选线方法的实际故障测度进行智能融合,从而得到可靠性较高的故障选线结果.EMTP仿真结果表明该方法得出的选线结果具有较高的精度和较强的鲁棒性.     

基于模糊综合评价的小电流接地故障选线研究

针对目前配电网小电流接地系统单相接地故障,单一保护算法不能完全满足选线可靠性和灵敏性要求的现状,将模糊理论应用于故障选线,根据单相接地故障的电气特性,选用零序电流比幅算法、五次谐波算法、零序能量算法和小波分析算法作为综合选线的基础判据,建立各选线的故障测度隶属函数。利用最小二乘法,结合客观权重系数和专家经验,确定组合权重系数。在此基础上,采用基于模糊综合评价的多重判据选线方案进行故障选线。在Matlab环境下搭建10kV配电网模型,分别仿真不同故障位置、故障合闸角和过渡电阻以验证理论的有效性及其选线精度的提高。     

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.     

基于多孔算法的小电流接地系统故障选线算法

在比较分析传统故障选线方法的基础上,分析了故障零序暂态电流的分布规律,提出了一种利用多孔算法分频特性与单支重构提取有效频带的故障零序暂态电流信息的方法,构造出了能反映该算法选线有效性的故障测度函数,从而实现故障选线.理论分析和大量ATP仿真试验表明所提出的算法是有效、可靠的,适用于中性点接地方式不同的小电流接地系统.     

基于RNN-LSTM神经网络的小电流接地故障选线方法

针对配电网中小电流接地系统故障选线难的问题，提出一种基于RNN-LSTM神经网络的小电流接地故障多判据融合的选线方法。将各线路零序电流的基波特征分量、五次谐波特征分量、小波能量特征分量作为输入量，将故障线路作为输出量，建立小电流接地故障选线RNN-LSTM选线模型。最后用MATLAB/Simulink进行仿真验证，验证了算法的准确性和可行性。     

基于GA优化BP神经网络的有源配电网高阻接地故障选线方法

当配电网发生高阻接地故障时,逆变型分布式电源的接入会向零序网络中注入不平衡的谐波电流,改变原有故障特征的分布规律,导致传统高阻故障选线方法失效。考虑光伏电源接入对配电网的影响,提出了一种基于GA优化BP神经网络通过融合多种故障特征的有源配电网高阻接地故障选线方法。首先,利用Matlab/Simulink搭建谐振接地系统仿真得到选定周波的故障零序电流,根据小波包变换从中提取小波包能量熵和模极大值,并将其作为数据样本。然后,将数据输入优化后的网络中进行训练,得到能够实现智能选线的机器学习模型。最后,算例分析表明该方法较传统算法提高了迭代速度和训练精度,在多种复杂故障条件下具有良好的选线容错率,且具有一定的抗噪能力。     

基于GA优化BP神经网络小电流接地系统故障选线方法

为了达到小电流接地系统故障选线多判据融合的目的,以及克服BP神经网络对初始权值阈值敏感的问题,提出遗传算法优化BP神经网络的故障选线方法。利用MATLAB/Simulink搭建小电流接地系统模型,获取零序电流的故障特征分量,输入经遗传算法优化的BP神经网络模型,经过训练即可输出选线结果。数字仿真试验测试结果表明,方法收敛速度快,判断精度高,满足故障选线的快速性与可靠性。     

基于模糊粗糙集和GA-BP神经网络的L配电网故障选线方法

针对BP神经网络故障选线当输入数据量大时,其结构复杂、收敛慢,并且易陷入局部最优的缺点,将模糊粗糙集和遗传算法优化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,得出大量的各线路零序电流信号,并将多种提取的特征量进行信息融合.利用粗糙集理论对条件属性进行约简,去掉冗余条件属性,将约简后的属性作为输入层的BP神经网络,然后通过遗传算法优化BP神经网络进行训练和测试.测试结果表明,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选线精度和准确性的要求.     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于小波包方法的配电网故障选线与仿真研究

配电网单相接地故障选线问题一直未能很好地解决。在分析配电网发生单相接地故障暂态特征基础上,对中性点经消弧线圈接地系统发生单相接地故障进行了仿真。介绍了一种利用小波包分解暂态零序电流的故障选线方法。该方法利用小波包对各条线路的暂态零序电流进行多层分解,按照能量最大的原则确定各线路暂态零序电流分布集中的特征频带,在征频带内进行幅值与极性综合比较选出故障线路。通过MATLAB仿真表明,该方法可以准确实现故障选线,具有较高的灵敏度,且不受过渡电阻、故障合闸角及电弧的影响。     

一种复合型微机小电流接地选线装置研制

目前应用的小电流接地选线装置大多存在选线结果准确率不高、适应性不强的缺点。为了大幅度提高选线装置的选线准确率及适应性,在同一硬件平台基础上,将几种利用零序电流基波的选线方法,如群体比幅比相法、有功分量法和残流增量法等有机结合在一起,构成复合型小电流接地选线装置,运用模糊综合决策,选出故障线路;并给出了选线装置的软硬件设计。实验室模拟电网试验和现场挂网结果表明,装置运行稳定,选线准确,适应性强;不仅适用于中性点不接地电网或经电阻接地电网,而且适用于中性点经消弧线圈接地电网,具有良好的推广应用前景。     

模拟电路的融合智能故障诊断

提出了一种基于遗传算法、神经网络、模糊集理论与数据融合技术相结合的模拟电路故障诊断新方法。该法使用多类电路测试数据来解决由于测试节点不足而带来的故障信息欠缺等问题，采用遗传算法来优化BP网络的结构与初始权值分布。对每类测试信息各用一个独立的所提遗传神经网络进行初步诊断，得到基于各类测试信息的被诊断电路属于不同故障状态的可能性。在充分考虑每个神经网络输出信息重要程度的基础上，采用模糊积分融合方法进行决策融合。文中研究了其故障特征提取、样本选择、诊断系统结构、学习算法及其综合决策方法，并通过电路诊断实例，阐述了该方法的具体实现，验证了所提方法的鲁棒性。诊断结果表明：所提方法对容差模拟电路的多故障与单故障诊断均适用，故障定位准确率高。     

基于波形相似度的小电流接地故障选线

提出一种基于零序电流波形相似性的配网小电流接地系统故障选线方法,以解决小波等暂态方法难以确定能量频段等问题。通过对小电流接地系统零序电流分析,发现非故障线路零序电流波形相似,而与故障线路电流波形有明显差别。提出了基于互近似熵的选线方法,通过直接计算同一母线的两条出线之间零序电流采样值的互近似熵值,判断两条线路零序电流波形的相识度,从而筛选出故障线路。仿真结果表明,该方法实现简单、选线准确率高,且不易受高电阻接地、电网结构和故障初始条件差异等复杂因素的影响。     

一种基于图像的配电网单相接地故障选线方法

文中针对中性点经消弧线圈接地引起故障电流微弱,故障特征不明显,导致谐振接地系统发生单相接地故障时选线速度慢、选线困难等问题,提出了一种基于图像的配电网单相接地故障选线方法。该方法获取各馈线故障零序电流,通过连续小波变换(CWT)得到CWT系数矩阵,将系数矩阵生成RGB图像;然后,通过感知哈希算法计算正常馈线与故障馈线生成RGB图像之间的汉明距离,以汉明距离判断各RGB图像之间的差异,进而确定故障馈线;最后,对比了基于皮尔逊相关系数选线方法和基于EMD分解零序电流高频分量选线方法,结果表明所提方法应用于谐振接地系统中选线速度快,且不受故障电阻、故障位置、故障初始相角等因素的影响。     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。