基于神经网络智能型母线保护技术的研究

《基于神经网络智能型母线保护技术的研究》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、西华大学硕士学位论文基于神经网络的智能型母线保护技术的研究电力电子与电力传动专业研究生韩涵指导教师董秀成摘要母线是发电厂和变电所的重要组成部分之一，母线保护是保障母线安全和可靠运行的保护设备。对可靠眭高、智能化程度高的母线保护技术及方法的研究具有重要的理论和现实意义。为了实现性能更加优良的母线保护，采用一些新理论和新技术来研究母线保护是必要的。人工智能技术在电力系统中得到了广泛的应用，在继电保护领域中也具有广阔的研究空间。其中，人工神经网络(ANN)是—种具有高度智能化的数学工具，可以应用到新型母线保护的研究中。本文依据人工神经网络具有分

2、类能力的特点，采用实际采集到的各种类型故障数据作为样本数据，利用这些样本数据对构建的神经网络模型进行训练，使母线保护神经网络模型具有故障识别和判断能力。神经网络模型分别采用了BP算法和RBF算法。利用该模型就两种不同的改进型的神经网络算法对各种母线故障的分类进行了分析比较，给出了两种网络下的仿真结果。结果表明经过训练以后的母线保护人工神经网络模型能准确判断母线的正常运行方式对其内部的各种故障能正确区分，并且满足保护精度的要求。但是由于母线保护故障数据的完整样本不易获取，本文还提出了用神经网络模型去替代母线保护的实际物理对象，同时给出了基于

3、人工神经网络函数逼近能力的母线保护方法。首先就母线保护物理对象的输入输出之间的函数关系进行研究，将物理对象的输入定为母线上各回路电流互感器(CT)传变后的同一时刻二汐对佥测电流，输出定为母线上各回路的一次测同一时刻流过的电流之和。然后对母线保护的神经网络模型进行了研究和讨论，就激活函数为线性函数和非线性函数两种隋况，分别构建了母线保护的AⅢ模型，给出了学习训练第1页西华大学硕士学位论文的算法。通过MATI．AB软件平台实现了对母线保护神经网络模型的仿真训练。并将训练好的母线保护神经网绍模型针对母线的区内和区外的不同类型的故障进行了物理模拟

4、实验。实验结果表明，基于人工神经网络函数逼近能力的母线保护方法，在母线区内故障时可靠出口，在区外故障时可靠不出口。关键词：母线保护，神经网络，函数逼近，RBF算法，BP算法第1I页两华大学硕士学位论文ResearchofBusProtectiontechnologyBasedOilArtificialNeuralNetworkCandidate：HANHanSupervisor：DONGXiuchengAbstractBusisoneofthemostimportⅢtpartsinpowerplantsandIransforrnersub

5、stations．Busprotectionplaysakeyroleinthereliableandsecureoperationofpowersystem．Theresearchonthebusprotectionofhigh-reliabilityandhigh-in把lligencewillbequiteimportant．Itisnecessarytointroducenewtheoryandtechnologytomakebetterimprovementinbusprotection．Artificialintelegenc

6、eiswndelyusedinthepowersystem,anditwasalsoresearchedintherelayingprotection．Asamathematictoolwithhighintelfigence．ANN(ArtificialNeuralNetwork)issuitable断Ⅱ1elesearchonnewprotection．Foralongwhile,lheapplicationofANNt0叫ayprotectionisbasedonclassificationability．Inthisthesis，

7、ANNmodelistrainedbysampledata,whichcancharacterizefault．ThevariousfatlltsofpowersystemcanbedistinguishedandjuagedbythetrainedANN．BPandRBFalebothusedtowaintheANNmodel．Applyingthismodel,busproteclionfailureswereanalyzeaandcomparedintwodifferentimprovedalgorithmsofneuralnetw

8、orks,andtwosimulationresultswereacquired．TheresultshowsthattheIrainedANNmodelcouldnotonlycorresp