灰色神经网络应用在配电网高压测量中的基于故障定位技术应用研究

来源:用户上传      作者:

　　摘要:随着灰色神经网络系统中的小电流接地系统在高压配电网中的飞速发展,配电网高压节点故障定位技术是采用无线传感器网络模型来支撑实现应用,然后通过部署户外电流传感器节点的位置信息在无线传感器网络的多层应用领域中扮演角色.
　　关键词: 配电网; 光纤电流互感器; 单相接地故障; 电网故障故障定位
　　
　　 随着IT技术与电力系统自动化控制关键技术、多层智能传感关键技术、计算机软件硬件关键技术、数字信号处理关键技术、网络控制智能化关键技术在视频监测及故障定位中应用,使户外传感器实时状态决定检修策略的状态检修系统得到了快速发展,促进产业结构升级来促进灰色神经网络与配电网高压测量中的基于故障检测故障定位技术预测应用.
　　1 网络控制配电网高压测量中的定位通信技术研究
　　 无线传感器网络技术在高压配电测量故障定位方面的应用输电高压配电测量结构复杂,所以比较容易建立数学模型对电力故障点进行分析及定位。随着输电高压配电测量故障诊断与定位技术已成功应用,但与输电高压配电测量相比,配电高压配电测量结构复杂、分支多、负荷分配不均匀,导线、变压器、柱上开关、高压计量等电力设施型号、规格、种类繁多,所以故障点定位一直是难题。在配电高压配电测量特点,如果以每颗电杆作为一个节点,安装传感器、无线通信模块、电源模块等,视频监测该处高压配电测量、户外传感器的电流、电压以及零序电流、电压等,组成一个无线传感器网络,并将信息送至变电所,配电高压配电测量的故障定位进行优化系统。随着体积小、重量轻的新型电流、电压传感器的出现,如基于法拉第磁光效应的电流传感器以及组合式电流、电压传感器,传感器可直接带电挂接在高压配电测量上,使得安装非常简便。由于只需要高压配电测量在短路、接地等故障时才发送数据,所以数据量少,节点功耗低,即使高压配电测量出现故障停电后,仍然可以保障通信畅通。
　　1.1 网络控制与配电网高压测量组合故障定位研究
　　 灰色神经网络方法作为一种经典的非线性信号处理手段,已经在图像处理、无线传感器网络、电路系统分析、自动控制等广阔信服的应用。特别是近年来,支持向量作为一类新提出的灰色神经网络结构,在时间信号的建模、估计与预测方面,更体现出比一般线性方法具有更强的优势。无线传感器网流量信号作为一种未知结构的非线性时间信号,与其它非线性信号具有许多共同的特点。而由于网络入侵信号自身的非法性,将对正常情况下的无线传感器网络流量信号预测和估计带来较大的偏差,这就使得基于神经网络预测模型的检测手段成为可能。同时,鉴于支持向量机模型在模式识别与分类系统中的应用,可建立相应的无线传感器网络误用检测分类方法,将不同的入侵信号归纳为不同的模型结构完善。
　　1.3 电力配电网高压测量故障状态检修对象
　　 对电力户外传感器进行状态检修,一般会涉及到整个电力系统的各个环节,包括发电、输电、变电和配电等。在实际的检修过程中,一般需要对上述各个环节中的户外传感器进行系统的检修。如果按照电力生产关系来进行分类,上述的电力户外传感器又可以分为一次户外传感器和二次户外传感器。一次户外传感器主要是指发电机、输电线路、电容器、母线等,而二次户外传感器则主要是指继电保护系统、监控测量装置等等来优化从一次户外传感器向二次户外传感器扩张。
　　1.4 灰色神经网络与配电网高压测量中的研究
　　 灰色神经网络与配电网是GM(1,1)模型为基础的灰色神经网络与配电网高压测量中的基于故障检测故障定位无线传感器网络技术预测,运用灰色神经网络系统中的基于多层传感器数据信息融合理方式即灰色生成来优化神经网络的搭建灰色神经网络与配电网高压测量中的基于故障检测故障定位技术预测时间序列负荷预测应用研究.
　　1.5 灰色神经网络中的基于智能配电高压测量中模型研究
　　 基于灰色BP神经网络是以高压故障定位训练样本算法即误差反向传播算法即BP神经算法的学习过程分为信息的正向传播和误差的反向传播[1],其通过高压电网故障定位技术训练样本前一次迭代的定位权值和阈值来融合处理灰色神经网络技术的第一层向后计算各层自组织故障定位神经元的输出和最后层向前计算各层故障定位权值和阈值对总误差的定位梯度进而对前面各层的高压电网测量故障定位权值和阈值进行修改运算反复直到灰色神经网络优化样本收敛 BP神经网络输入向量为
　　X=()T;隐含层输出故障定位向量为Y=()T;输出层的故障定位向量为O=)T;期望输出高压电往测量中的故障定位向量为;输入层到隐含层之间的故障定位技术中的权值矩阵,其中列向量为隐含层第j个自组织故障定位神经元对应的权向量;隐含层到输入层之间的故障定位权值矩阵,其中列向量为输出层第k个大规模自组织神经元对应的权向量.各层信号之间的算法结构为:
　　⑴⑵
　　⑶⑷
　　以上式中的均为S类型函数,的导数方程为:⑸
　　神经网络输出与期望输出故障定位的均方误差为:⑹
　　则高压测量中的训练样本输出层和隐含层的故障定位技术中的权值调整量分别为:⑺
　　⑻⑼
　　式中:为比例系数,在模型训练中代表学习速率.如果BP自组织神经网络有个隐含层,各隐含层节点分别记为,各隐含层输出分别记为,则各层权值调整计算公式分别如下:
　　输出层⑽
　　第隐含层
　　⑾
　　第一隐含层⑿
　　综合上述故障定位模型预测分析在灰色神经网络学习算法,运用多层无线传感器网络技术与故障定位权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号决定在训练样本学习的过程受决策环境复杂程度和训练样本的收敛性即需要增大样本量来提高网络技术所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层训练样本数据.
　　3 结束语
　　实践证明,此灰色神经网络模型应用在配电网高压测量,能够优化与发现配电网中的故障定位.
　　参考文献:
　　[1]张明光,李艳,基于最小二乘支持向量机的电力市场出清电价预测方法
　　[2]祝志慧,孙云莲,季宇.基于EMD和SVM的短期系统负荷预测

转载注明来源:https://www.xzbu.com/2/view-562411.htm