新闻中心

EEPW首页 > 手机与无线通信 > 设计应用 > 遗传优化神经网络在小电流接地系统故障选线中的应用

遗传优化神经网络在小电流接地系统故障选线中的应用

作者:时间:2011-02-11来源:网络收藏

如何准确地检测出线路一直是电力继电保护的重要研究课题。本文将选线中,并将多种电气量综合,进行选线。相比于以往的判别方法,此法大大提高了故障选线的准确性。
  关键词:故障选线 算法

本文引用地址:http://www.eepw.com.cn/article/156728.htm


Fault line selection in small current grounding power system with the artificial neutral network optimized by genetic algorithmic

Dou Hongji Yao Tingting Liu Linxing

(Nanjing University of Science and Technology, Nanjing 210094)

  ABSTRACT:How to detect the fault line quickly and accurately is an important subject in electronic system protective relaying. In this paper, with the using of artificial neutral network optimized by Genetic Algorithmic and fusing all kinds of fault information the veracity of the fault line selection in small current grounding power system has great improved.
  KEYWORD:Fault feeder detection Genetic algorithmic—GA Artificial neutral network-ANN


0 引言
  小中发生单相时,由于故障点的很小,而且三相之间的线电压仍然保持对称,在一般情况下,都允许再继续运行1~2小时,而不必立即跳闸,但为了防止故障进一步扩大成两点或多点故障,应及时发出信号,及时消除故障。但在现场运行中,单一故障选线方法的准确度较低,原因在于:小接地零序阻抗大,并受故障接地过渡阻抗的影响,故障电流小,故障线路与非故障线路的区别不明显;受各种干扰因素的影响,故障选线装置测量到的故障特征量(如零序电流、零序功率方向等)具有很大的模糊性和不确定性。
  是模拟人类生理上的神经机制的计算模型,其中一种典型网络,也是最为成熟的一种网络为多层前馈神经网络又称BP(Back propagation)神经网络。BP网络在电力系统的各个领域有了广泛的,但在小电流接地选线中还没有较为成熟的,这是由小电流接地选线的故障特点及 BP网络容易陷入局部极小点以及学习能力有限所共同决定的。针对此问题,本文提出将神经网络用于故障选线中,通过对故障时的各种特征量的综合判别,来大幅度提高故障选线的准确率。

1 算法原理及网络模型
  遗传算法[2]是一种新型的,根植于自然遗传学和计算机科学的方法。其本质是将优胜劣汰、适者生存的原理及遗传机理抽象出来,形成了一种非常使于计算机实现的算法。遗传算法的计算过程是将实际的优化问题编码为染色体,实际问题的目标函数则用染色体的适应函数表示、在随机产生一群染色体的基础上,根据各染色体的适应函数进行繁殖、交叉、变异等遗传操作,产生下一代染色体。适应函数值的大小决定了该染色体被繁殖的机率,从而反映了适者生存的原理。
  遗传算法能够收敛到全局最优解,而且遗传算法的鲁棒性强,将遗传算法与BP网络结合起来,不仅能发挥神经网络的泛化的映射能力,而且,使神经网络具有很快的收敛性以及较强的学习能力。遗传算法与神经网络结合主要有两种方式:一是用于网络训练,即学习网络的连接权值;二是学习网络的拓扑结构。本文主要将遗传算法用于神经网络的训练。
  BP神经网络模型如图1所示:BP网络分输入层、隐含层和输出层,层与层之间采用全互连方式,在同一层单元之间不存在连接关系。信号在网络中是单方向向前传播的。

  BP网络的每一层连接权值都可以通过学习来调整,未经遗传优化的BP网络的权值调整请见参考文献[1]。
  在遗传优化的神经网络中,层与层之间的连接权值用1、0表示,相连为1,不相连为0。在神经网络训练时,首先列出神经网络所有可能存在的神经元,将这些神经元所有可能存在的连接权值编码成二进制码串表示的个体,随机地生成这些码串的群体,进行常规的遗传算法优化计算。将码串解码构成神经网络,计算所有训练样本通过此神经网络产生的平均误差可以确定每个个体的适应度。具体过程见图2。这样,可以很好地解决神经网络容易陷入局部最小的问题,并且可以大大提高神经网络的学习能力。

基尔霍夫电流相关文章:基尔霍夫电流定律



上一页 1 2 下一页

评论


相关推荐

技术专区

关闭