基于人工神经网络的变压器微机保护研究

《基于人工神经网络的变压器微机保护研究》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、西南交通大学硕士研究生学位论文第1页摘要随着国民经济的不断发展，对电力的需求日益增加，同时要求电力系统的容量不断增加。大容量的电力变压器被广泛采用，对电力变压器保护的快速性和可靠性提出了新的要求。差动保护一直以来是变压器的主保护。如何提高大型变压器差动保护的快速性、灵敏性和可靠性，是倍受关注的研究领域。迄今，变压器差动保护的核心问题仍然是如何准确识别励磁涌流。目前应用于实际的励磁涌流识别方法均不能很好地满足现代大型电力变压器保护的要求。为能适应大型变压器保护的要求，有必要探索更加快速、可靠的励磁涌流识别新方法。径向基函数神经网络是一种新颖有效的前馈式神经网络，它具有其他前

2、向网络所不具有的最佳逼近的性能和分类能力，并且结构简单，训练速度快。因此，径向基函数神经网络运用于分类时有其独特的优势。在径向基函数神经网络中，隐层中心的数量和位置的选择是整个网络性能优劣的关键，直接影响网络的分类能力。本文在研究RBF网络传统学习算法的基础上，提出了基于粒子群的径向基函数神经网络优化算法。本文依据径向基函数神经网络具有分类能力的特点，采用采集到的数据作为样本数据，利用这些样本数据对构建的神经网络模型进行训练，使变压器保护神经网络模型具有故障电流和励磁涌流的判断能力。利用该模型就两种不同的神经网络学习算法对各种故障和励磁涌流的分类进行了分析比较，给出了两种

3、网络下的仿真结果。结果表明经过训练以后的变压器保护人工神经网络模型能成功地、快速地鉴别励磁涌流和故障电流。论文最后设计了一套基于径向基函数神经网络的差动主保护方案，并对差动主保护方案的故障处理程序流程进行了设计。关键词：差动保护；励磁涌流；径向基函数神经网络；粒子群算法西南交通大学硕士研究生学位论文第1I页AbstractWiththedevelopmentofcountryeconomy,therehasbeenmoreandmorerequirementsofelectricalpowerenergy,andpowersystemcapacityisenlargedc

4、onstantly．Becauselarge．scalepowertransformersareadoptedwidely,manyrequirementsforthetransfoiTnerprotectionareputfo．rward，forexamplefastactionabilityanddependability．Differentialprotectionhaslongbeenthekeyprotectionforpowertransformer．Howtoimproveitsrapidity,sensitivityandreliabilityisapop

5、ularresearchfield．Sofar,thecoreproblemoftransformerdifferentialprotectioniSstillhowtopreciselyidentifythemagnetizinginrushcurrent．Inrushcurrentidentificationmethodscurrentlybeingused。can’tverywellmeettherequirementsofmodemlargepowertransformerprotection．Inordertoadapttotherequirementsofla

6、rgetransformerprotection,itisimportanttosearchanewmethodwhichCandiscriminatetheinrushcurrentandshortcurrentfasterandmorereliably．Radialbasisfunctuonneuralnetworkisanewandeffectiveneuralnetwork．Ithasthebestclassificationabilityanduniversalapproximationproperty,simplestructureandfasttrainin

7、gspeed．Soithasparticularadvantageswhenappliedinsystemindentification．Thechoiceofquantityandpositionofhiddenlayerradialbasisfunctionsisveryimportantanddirectlyaffectsthegoodnessoffitofoverallnetworkclassificationability．Inthispaper,anewoptimizationalgorithmbasedonpar