欢迎来到天天文库
浏览记录
ID:33702999
大小:6.79 MB
页数:64页
时间:2019-02-28
《人工神经网络在母线保护中应用的论文》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、硕士论文人工神经网络在母线保护中的应用摘要母线是电力系统中的重要组成部分,当母线上发生故障时,使得连接在母线上的所有元件由于母线的故障而停电。在恢复故障母线期间或转换到另一组无故障的母线上运行以前,这些元件都将无法工作。国内外目前主要的母线保护是LXB型、集成电路型、微机型这几种,但都存在着不小的缺陷,因此研究母线保护有着重大的意义。人工神经网络作为近年来兴起的-I'-J新型技术学科,在医学、生物、金融、石油、化工等行业都发挥了巨大的作用。人工神经网络对于电力系统继电保护也有较强的辅助作用。论文首先介绍了电力系统继电保护的一些特征,从继电保护的要求出发对几种现存的母线保护方
2、式进行了分析,奠定母线差动保护作为研究的核心原理。其次论文介绍了神经网络的一些概念,特点以及结构,对于BP神经网络和RBF神经网络做了一定的简介。论文对电流互感器做了一定的研究,对电流互感器在不含非周期分量时与含有非周期分量时饱和特性均做了一定的研究,讨论了饱和特性给母线保护所带来的影响。论文分别基于神经网络的分类能力和逼近能力对于母线模型进行了分析,分别使用BP神经网络和RBF神经网络去进行分析,达到对于正常运行状态、母线区外故障、母线区内故障进行区分的目标,同时更能细化到各种故障的类型。关键词:母线保护,人工神经网络,电流互感器尘!st堕一一——————』型丝●I●I-
3、__-__-_-__-___-__-_-●_●___-____--_l-I___●____l_-____-__--_I●______l___●●●-_________●-__-__●_-————————————————一————。一AbstractBus.barisallveryimportantpartinPowerSystem,whenallfaulthappensonthebus-bar,allthecomponentsconnectedtothebuswillhavepowerfailures.Beforethebus-barreturningtonormalors
4、witchingtoanotherbus-bar,allthesepartscan’twork。Themainbus-barprotectionmethodsathomeandabroadareLXBtype,ICtype,computertypeandSOon,However,thesearealldefective.Sothestudy011bus-barprotectionisofgreatsignificance.Artificialneuralnetwork,astherisingnewtechnicaldisciplinesinrecentyears,havep
5、layedahugeroleinmedicine,biology,finance,petroleum,chemicalandotherindustries.ArtificialneuralnetworkalsoplaysagreatroleinthestudyofPowersystemprotection.Thepaperfirstintroducessomecharacteristicsofthepowersystemprotection,analyzesseveralbus.barprotectionmethodsjudgingfrompowersystemprotec
6、tion,choosesthebusbardifferentialprotectionasthecoleprinciple.Secondly,thepaperintroducessomeoftheconcepts,characteristicsandstructureofneuralnetworks,besides,someintroductionofBPneuralnetworkandRBFneuralnetwork.Thepaperhasstudiesoncurrenttransformer,whenexcludingthenon-periodiccomponentor
7、containingnon-periodiccomponentsn,makesresearchonthesaturationofthecurrenttransformeranddiscussestheimpactofthesaturationcharacteristicOilbus-barprotection.Thepaperalsoanalyzesthebus-barmodelbasedonclassificationandapproachability,usingBPneuralnetworkandRBFneu
此文档下载收益归作者所有