電力系統詳鄦栴}的研究

《電力系統詳鄦栴}的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、電力系統診斷問題的研究電力系統的故障診斷技術是一門綜合性技術，涉及現代控制理論、信號處理、模式識別、人工智能、小波變換數理統計、模糊邏輯等多學科理論。本文結合國內外研究，總結瞭幾種比較實用的診斷方法。隨著電力的大規模生產，電力設備的結構越來越復雜，功能越來越完善，自動化程度也越來越高，各子系統的關系也越來越密切，一旦設備的某個部分在運轉過程中出現故障，就很可能中斷生產，造成巨大的經濟損失，甚至帶來災難性的後果。為保證電力系統安全、經濟、穩定運行，電力設備的故障監測診斷將從以時間為基準的方式轉變到以狀態為基準的方式，其內容包括狀態監測與故障診斷兩個方面：前者通過

2、提取故障的特征信號為狀態維修提供檢修依據，後者則分析、處理所采集的狀態信息。國內外在電力系統故障診斷方而的研究已經取得瞭大量成果，內容包括特征量、診斷方法等1•線路變壓器診斷超高壓輸電線路猶如聯系東西部經濟和全國電網的動脈，當輸電線路發生故障時，準確、快速地分析以及迅速恢復供電有著舉足輕重的作用。國內外已經在這一領域進行瞭長期的研究，研究內容包括故障類型、故障定位和輸電線路熱故障（高壓輸電線路的接頭和連接件會出現熱故障點）等；研究方法包括利用專傢系統、神經網絡、小波理論和模糊集理論等；使用的手段包括註入信號法、行波檢測法、CPS及紅外熱成像技術等。故障定位的方

3、法有阻抗法、行波檢測法、註入信號法。熱故障診斷方法使用紅外成像技術。利用電氣量和開關量的量測，采用某種算法提高線路故障診斷的精度是目前研究較多的問題。神經網絡的研究最為熱門，但由於其算法復雜，因此多數停留在理論研究和仿真計算的階段，很少在實際中成功應用。目前，線路故障診斷而對的主要問題是在所需信息不能完全得到的情況下如何提高精度。以及提高故障診斷算法與故障類型的無關度。而註入信號法、行波檢測法等的使用需要額外的設備，有一定的局限性。目前，所要解決的是能夠有一種運用於實際的理論或方法。目前，變壓器故障診斷方面的研究主要集中在故障性質方而，診斷的方法較多，用得最廣

4、的是氣相色譜法，即通過變壓器中岀現的各種氣體含量判斷變壓器潛伏性故障。采用的診斷方法主要為數值方法，另外人工神經網絡方法也被成功應用。變壓器的在線故障診斷尤其是故障定位研究，在國內外仍屬起步階段，這對避免故障惡化、縮短檢修時間是十分必要的。但僅僅依靠油氣量難以做到這一點1•譜分析方法在故障診斷中比較常用的信號處理方法是譜分析。常用傅裡葉譜、沃爾什譜，另外還有濾波、相關分析等譜分析的目的：信號中包含噪聲，故障信號的時域波形不能清楚地反映故障的特征。而電力電子電路中包含故障信息的關鍵點信號通常具有周期性，因此可以用傅裡葉變換將時域中的故障波形變換到頻域，以突出故障

5、特征，實現故障診斷。傅裡葉變換是將某一周期函數分解成各種頻率的正弦分量，類似地，沃爾什變換是將某一函數分解成一組沃爾什函數分量自適應濾波是一種數字信號的處理統計方法，它不需要知道信號一二階的先驗統計知識，直接利用觀測資料，通過運算改變濾波器的某些參數，而使自適應濾波器的輸出能自動跟蹤信號特性的變化。在電力電子系統故障診斷中，可以用自適應處理來實現噪聲抵消，譜線增強等功能，從噪聲背景下提取故障特征，從而實現準確的診斷2•基於神經網絡的故障診斷方法利用神經網絡的自學習、白歸納能力，經過一定的訓練，建立起故障信號與故障分類之間的映像關系。利用學習後的神經網絡，實現故

6、障診斷神經網絡是由大量的神經元廣泛互連而成的網絡這裡以BP網絡為例加以介紹。BP網絡(BackPropagationNN)是單向傳播的多層前向網絡，它由輸人層、中間層和輸岀層組成，中間層可有若幹層，每一層的神經元隻接受前一層神經元的輸出。BP網絡中沒有反饋，同一層的節點之間沒有藕合，每一層的節點隻影響下一層節點的輸人。BP網絡一般采取的學習算法是：網絡的輸出和希望的輸出進行比較，然後根據兩者之間的差調整網絡的權值，最終使誤差變為最小當電力電子電路發生故障時，如果能夠利用神經網絡的學習能力，使故障波形與故障原因之間的關系通過神經網絡的學習後保存在其結構和權中，然

7、後將學習好的神經網絡用於故障診斷，神經網絡就可以通過對當前電壓或電流波形的分析，得出故障原因，從而實現故障的在線自動診斷4•基於GA的電力系統故障診斷GA是建立在Darwin自然選擇和Mendel遺傳學說基礎上，通過模仿生物遺傳和進化的進程，尋求對復雜問題的全局最優解的優化算法。它按一定規則對問題解進行字符串編碼，模擬人工染色體表示某優化問題的可行解，用隨機方法形成初始解群，再按自然選擇的原理，通過群體搜索策略和遺傳操作，對群體中個體之間的信息交換，使得GA不易陷入局部極小點，能夠以很大概率得到全局最優解集或局部最優解集。與傳統優化技術不同，GA對待求解問題不

8、需涉及常規優化問題求解的復雜數學過程；