基于双树FB结构复小波和改进RBF网络的配电网单相接地故障选线方法.pdf

《基于双树FB结构复小波和改进RBF网络的配电网单相接地故障选线方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、·52·煤矿机电2014年第6期基于双树FB结构复小波和改进RBF网络的配电网单相接地故障选线方法崔楠楠1，江夏进2(1．河南能源化工集团永煤公司新桥煤矿，河南永城476600；2．中煤集团大屯煤电公司，江苏徐州221611)摘要：在引用双树FB结构复小波的奇异性检测理论和模极大值理论的基础上，提出了改进传统RBF神经网络的优化方法。即将Chaari复小波变换理论与RBF神经网络技术结合，进而实现了基于两者结合的综合选线方法。利用复小波变换提取发生故障后各支路零序电流的暂态信号特征，将其作为改进RBF神经网络的输入向量，再利用RBF

2、神经网络强大的自适应、自学习能力，对特征量进行训练，确保其快速的收敛性以及选线的准确性。仿真实验结果，表明该方法能准确进行单相故障选线。关键词：双树FB结构复小波；配电网；单相接地故障；改进RBF网络；故障选线中图分类号：TM711．2文献标识码：A文章编号：1001—0874(2014)06—0052—06Single-PhaseGroundingFaultLineSelectionMethodofDistributionNetworkBasedonComplexWaveletofDoubleTreeFBStructureandI

3、mprovedRBFNetworkCuiNannan1，JiangXiajin2(1．XinqiaoCoalMine，YongmeiCompanyofHenanEnergyChemicalIndustryGroup，Yongcheng476600，China；2．DatunCoalandElectricityCompany，ChinaCoalGroup，Xuzhou221611，China)Abstract：OnthebasisofsingularitytesttheoryofdoubletreeFBstructurewavelet

4、analysisandRBFneuralnetwork，proposestheoptimalmethodsofimprovingtraditionalRBFneuralnetwork．CombinedtheChaaficomplexwaveletvariabletheoryandRBFneuralnetworktechnology，whichrealizesthecomprehensivelineselectionmethod．UsingwavelettransfoHTItoextractthezerosequencecurrent

5、’Stransientsignalcharacteristicsofeachbranchafterthefaults，astheRBFnetwork’Sinputfeaturevector．Usingthepowerfuladaptive，self-learningabilityofRBFnetwork，trainingthesecharacteristicquantities，ensuringitsrapidconvergenceandaccuracyoftheselection．Simulationresultsshowthat

6、thismethodcanachievefaultlineselectionaccurately．Keywords：complexwaveletofdouble-treeFBstructure；distributionnetwork；single—phasegroundingfault；improvedRBFnetwork：faultlineselection0引言我国35kV及其以下电压等级的煤矿配电网大多数采用中性点非有效接地系统，发生单相接地故障时会引起非故障相电压升高怕倍，长时间故障运行易使故障扩大成多相接地短路，破坏系统安

7、全运行，同时故障后信号存在一个明显的暂态过程，零序电压、零序电流的暂态分量特征往往比稳态分量大几倍到几十倍，易于测量，且不受中性点接地方式的影响。由此，发现了一种适合分析故障暂态分量的方法，将有助于提高选线的准确率【卜2』。复小波变换是一种信号的时间．尺度分析方法，它具有多分辨率分析的特点，其时频两域都具有表征信号局部性的能力，是一种窗口大小恒定但其形2014年第6期煤矿机电·53·状可变、时间窗口和频率窗口都可以迁移的时频局域化分析工具。3圳。目前，在电力系统中广泛采用的人工神经网络模型是一种不含反馈的三层前向网络一BP网络‘5o

8、，BP网络是一种全局逼近型的神经网络，它在整个权空间上对误差超曲面进行非线性逼近，每一种连接权的变化都可能影响到整个网络的输出结果，在样本训练过程中，每一个训练样本会使整个连续权发生变化，学习收敛速度比较缓慢，带有局部极值点’6J。人