基于指定元的分析和pca-bp神经网络接地网故障诊断的研究论文

《基于指定元的分析和pca-bp神经网络接地网故障诊断的研究论文》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、湖南大学硕士学位论文基于指定元分析与PCA--BP神经网络的接地网故障诊断研究姓名：刘先锋申请学位级别：硕士专业：电气工程指导教师：彭敏放20120507基于指定元分析与PCA—BP神经网络的接地网故障诊断研究摘要发、变电站接地网对于电力系统的可靠运行和工作人员的人身安全起着重要作用。然而接地网因长期埋在地下，运行条件恶劣，腐蚀不可避免，从而导致电气性能的恶化，严重时将直接危及电网的安全稳定运行。因此，迫切需要找到一种简单、准确、无损的地网状态检测方法，实现不断电、不开挖情况下的状态检测，以便及时发现故障，防患于未然。目前，神经网

2、络、主元分析和指定元分析等信息处理技术已成为新的研究热点，这为解决接地网故障诊断中的诸多难题提供了一条有效途径。本文首先对接地网故障诊断的发展、现状及存在的问题进行了综述，重点对现有接地网故障诊断的电网络法进行了分析。同时，针对其测量过程中可能出现的影响因素进行了探讨，分析了减少误差的有效措施。在此基础上，介绍了主元分析和BP神经网络诊断的基本原理，阐述了BP神经网络在故障诊断上的优势。但由于BP算法受到其自身算法的限制，在对其网络进行训练时需要很大的训练样本和相当长的训练时间，而且随着训练样本维数的增大，网络的性能会变差，这些缺

3、点将使得故障诊断的效率不能达到最优。针对这个问题，本文将PCA与BP相结合，构建PCA．BP网络模型，应用主元分析方法对BP网络输入进行线性组合，以降低输入向量维数，提高输入数据对故障的敏感性，最终达到使网络简化、训练时间缩短的目的，提高BP网络在故障诊断中的识别能力。接地网的诊断实例表明，PCA．BP网络对接地网故障状态的识别率明显高于单独使用BP网络时的识别率，验证了该方法的有效性。针对传统主元分析法因模式复合现象而不能很好地进行故障模式识别和多故障诊断的问题，本文引入指定元分析方法，并将其应用到接地网故障诊断。该方法将观测数

4、据向指定模式上投影得到指定元，把异常检测问题转化为显著性检测问题，依靠各指定模式的显著性大小进行故障诊断，从而克服了主元分析模式复合的不足。关键词：接地网；主元分析；BP神经网络；腐蚀状态；接地电阻；故障诊断；指定元分析AbstractPowerstatlonandsubstationgroundinggridsplayakeyroleinthereliableoperatlonandsafbtyofthestaffinpowersystem．However，thegroundinggridisbuned1ntheearth，th

5、eelectricperformanceparameterswillbecomeworseforsomespeclajtactorssuchasharshconditions，ineVitablecorrosion，whichwillcausethegroundconnectbreaked，anddirectlytheatthesafetyofoperationofthepowersystem．Soaneasy’accurate，undamagedmechanicalcorrosiontestmethodsjsneededtore

6、anzethecorrosionstatedetectionwithoutblack0utandnon．excavation．Atpresent，mtelnngencemtormationprocessingtechn0109ieslikeBPNeuralNetworks，PrincipleComponentAnalysis，DesignatedComponentAnalysisandsoon，havebeenanewhotspotandproVidedaneffecqVewaytosloVetheproblemof酎oundin

7、ggridsfaultdiagnosis．上nlspaperflrstlyreViewstheresearchofgroundinggridsfaultdiagnosis，theniocusesontheapplicationofelectricalnetworkmodelingroundinggridsfaultdlagnoslsalmmgattheproblemsinaccessillgtofaultsampleinformation．Inthemeantlme，theinnuencingfactorsthatmayarise

8、inthemeasurementwillbestudv．thentheeffectiVestepswillbeanalyzed．0nthlsbasis，thebasicprincipleofPCAandBPneuralnetworkwillbeIn