基于极限学习机与概率神经网络的接地网故障诊断

《基于极限学习机与概率神经网络的接地网故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代号：10532学号：密级：S11092057公开湖南大学硕士学位论文基于极限学习机与概率神经网络的接地网故障诊断GroundingGridsFaultDiagnosisBasedonELMandPNNbyHEShudiB．E．(NortheastDianliUniVersity)2011AthesissubmittedinpartialsatisfactionoftheRequirementsforthedegreeofMasterofEngineering1nElectricalEngineeri

2、ngintheGraduateSchoolofHunanUniVersitySuperVisorProfessorPENGMinfangApril，2014湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：亿糙日期：础年箩月刁日学位论文版权使用授权书本

3、学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密口，在年解密后适用本授权书。2、不保密日。(请在以上相应方框内打“、／”)作者签名：导师签名：多月27日争月2归年年中m叫o，砂加期期日日-JL南迦众妞敬尸弋引忙匆基于极限学习机与概率神经网络的接地网故障诊断摘要发、变电站接

4、地网是电力系统中不可或缺的重要组成部分，接地系统的工作状态直接影响到工作人员的安全、电力系统的稳定运行和电气设备的正常工作。我国主要采用碳钢作为接地体，由于长年埋于地下，接地网导体的腐蚀造成接地网电气性能参数恶化，严重时直接危及电力系统安全运行，因此，研究接地网故障诊断具有重要意义。鉴于此，本文对接地网模型的构建、基于极限学习机的接地网故障定位方法以及应用概率神经网络的接地网腐蚀程度的识别等进行了较深入的研究。本文采用纯电阻线性网络的接地网稳态模型，提出了基于RBF神经网络的接地网故障诊断方法。以支路断裂

5、时的可及节点电压为训练样本对网络进行训练，只需要把待诊断接地网的可及节点电压送入训练好的网络机进行诊断，根据输出结果即可定位断裂支路。仿真结果表明，此方法在定位接地网断裂支路上是可行的。在此基础上，将极限学习机引入接地网故障诊断。对诊断结果进行分析可知此方法解决了采用RBF神经网络的单故障诊断结果误差较大的问题，且受故障位置与激励位置的影响较小，是一种诊断准确率高且稳定性强的方法。同时，考虑到双故障时训练样本的庞大与输入时的误差，对极限学习机进行了改进，即通过观察识别率，排序最有可能的几条故障支路，并引入

6、白噪声扰动。诊断结果表明，改进后的极限学习机不需要获取庞大双故障训练样本，仅利用单故障训练样本就能较为准确地定位双断点故障，大大提高了诊断效率，并且对输入误差具有较大的相容度。针对接地网故障模式较多分类困难的问题，提出了结合主元分析(PCA)与概率神经网络(PNN)的接地网故障诊断方法。把不同故障模式下的接地网可及节点电压分别先后送入PCA与PNN进行网络训练，根据PNN的输出结果来识别接地网的故障模式。其结果与利用BP神经网络进行接地网的腐蚀程度识别的结果相比较，表明此方法具有更高的故障识别率，更少的收

7、敛步数与更短的训练时间，是一种快速、准确的接地网故障识别方法。关键词：接地网；故障诊断；极限学习机；概率神经网络；主元分析U硕士学位论文AbstractGroundinggridsareessentialconlponentswhichensuretheworkinggroundingandprotectiVegroundinginpowerstationsandsubstationsandplayaVitalrolefbrthestableoperationofpowersystem．Asburiedu

8、nderground，groundinggridsmaysuf琵rcorrosionwhichdeterioratetheirelectricalperformanceparametersandaf佗ctthesafeoperationofpowersystemwhentheparametersgettoobad．Soit’sofgreatsignincancetodeVelopamethodtodiagnosegroundi