基于小波变换与bp神经网络相结合的配电网..

《基于小波变换与bp神经网络相结合的配电网.. 》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、基于小波变换与bp神经网络相结合的配电网..基于小波变换与BP神经网络相结合的配电网单相接地的故障定位方法李振然贾旭彩李　滨（广西大学电气工程学院广西　南宁市530004）THEMETHODOFFAULTLOCATIONFORSINGLE-PHASE-EARTHUSINGBINEallat快速算法。论文基于小波变换与BP神经网络相结合的配电网单相接地的故障定位方法本文是以Matlab6.5的小波变换工具箱进行小波变换的，所用的是Morlet。Morlet小波的定义是：它的小波函数如图1所示：2BP神经网络人工神

2、经网络有许多特点，它能充分逼近任意复杂的非线性函数，它不需要预先知道对象的数学模型，它具有分布存储信息和联想记忆功能。因此可以利用人工神经网络解决小电流接地系统单相接地时的故障定位问题。前馈型神经网络模型的结构由输入层，隐层和输出层组成，根据需要可设置1~2个隐层。训练BP神经网络有各种算法：如梯度法，变尺度法的BFGS法，共轭梯度法等，我们发现，不同算法主要影响算法的收敛速度，在相同的收敛准则下，对测量精度没有显著差别，因此我们采用了比较简单的具有惯性因子的固定步长的梯度法。BP神经网络的测量精度主要受隐层的

3、层数（在我们的试验中，两个隐层比一个隐层的测量精度要高），在小的步长下的迭代次数，激活函数和惯性因子等因素影响较大。而迭代次数的增加只不过增加了训练时间，对实时应用并无影响。因此我们所用的BP神经网络的结构为4-8-4-2结构，即输入层有4个输入（故障线路暂态零序电流的小波变换的模极大值的实部和虚部，母线暂态零序电压的模极大值的实部和虚部），第一隐层用8个激活函数为双曲正切的神经元，第二隐层用4个激活函数为S型的神经元，输出层用了两个线性激活函数的神经元。由于故障定位受过渡电阻的影响很大，如何克服过渡电阻的影响

4、是故障定位装置成败的关键，为此，我们在输出层中采用两个神经元，其中一个为测量故障的距离，另一个用于测量过渡电阻，在BP网络训练时，通过调整BP网络的连接权值，使输出层两个神经元，分别逼近故障距离的期望值和过渡电阻的期望值，通过这种逼近，将过渡电阻的影响存储在神经网络的权值中，仿真表明，这样处理是有效的，可将过渡电阻的影响大大地减少。3仿真和结果分析本文使用电磁暂态仿真软件PSCAD/EMTDC3.0.8来模拟小电流接地系统单相接地故障，以便获得所需要故障暂态信息。仿真所采用的系统结构如图2所示。线路参数为：正序

5、阻抗为0.17+j0.38Ω/km,正序容纳为3.045μs/km,零序阻抗为0.23+j1.72Ω/km,零序容纳为1.884μs/km。4条10KV馈线长度分别为8km,10km,15km,12km。通过大量仿真，可得到不同过渡电阻下不同故障地点单相接地时故障线路暂态零序电流和母线暂态零序电压，数据窗为故障后3个周波。采样频率为2000HZ。利用MATLAB6.5的小波变换工具箱，采用Morlet复小波对上述信号的采样值进行小波变换，得到故障线路零序电流的小波变换模极大值的实部和虚部及母线零序电压的小波变换

6、模极大值的实部和虚部，作为BP神经网络的训练的输入样本，指导教师就是相应的故障点距离和过渡电阻值。表1是在BP神经网络训练好以后，利用故障线路暂态故障零序电流和母线零序电压的小波变换模极大值的实部和虚部作为BP神经网络的输入，在不同过渡电阻不同故障点下的仿真结果。基于小波变换与bp神经网络相结合的配电网单相接地的故障定位方法:　从表1可看出，除个别点外，各故障点的相对误差小于1%，绝对误差在10米以内的占60%，其余都在30米以内，因此测量精度是可以满足工程要求的。同时，也证明我们在BP神经网络上所采取减少过渡

7、电阻对测量值影响的措施是有效的。在仿真中虽然只列出0欧，10欧和20欧三种过渡电阻的仿真结果，但也已证明采取这种措施后，过渡电阻对测量值的影响是不大的。梯度法在训练时收敛速度虽然比较慢，但在训练好以后用于测量时的速度是很快的，可以满足实时的要求，这也是BP网络的一个优点。4.结论小电流接地系统单相接地故障定位是多年来一直未能解决的一个难题，小波变换作为一种现代信号处理方法，非常适合于分析电力系统故障暂态过程。本文提出的基于小波变换与BP神经网络相结合的方法来实现小电流接地系统单相接地故障定位方法是可行的，同时本

8、文提出的在BP神经网络为了减少过渡电阻对测量值影响的措施是有效的。