PSO-ELM在低压系统短路电流峰值预测中的应用

发布时间：2021-07-10 08:33

　　在短路电流早期检测的基础上,提出一种基于粒子群优化极端学习机（PSO-ELM）的短路电流峰值预测方法.利用短路电流暂态特性分析确定预测模型的输入特征量,采用粒子群算法对极端学习机的输入权值和隐层偏置进行优化,最后,将提出的预测算法应用于低压多层级实验平台,并且与传统BP、 ELM算法进行比较.实验结果表明,基于PSO-ELM模型的短路电流峰值预测方法能够在全相角范围内准确地预测短路电流峰值,可作为低压多层级系统全选择性保护的短路故障预测算法. 

【文章来源】：福州大学学报(自然科学版). 2020,48(04)北大核心

【文章页数】：8 页

【部分图文】：

简化短路故障等效电路图

新型全范围选择性保护机制的基本架构如图2所示. 其中, 不同层级的本地短路故障早期检测及其电流预测装置是实现全范围选择性保护机制的关键, 其主要功能是根据传感器采集到的电压电流特征量对短路故障进行检测及电流预测, 同时向控制平台发送故障信息及电流预测峰值, 并根据控制命令对相应的断路器发送动作信号. 短路电流峰值预测技术可在电流尚未达到较高水平时迅速预测出电流的峰值, 为智能控制平台选择合适的断路器动作提供依据, 不仅能够提高断路器等保护电器的电气与机械性能, 也是实现低压多层级选择性保护的基础.2 短路电流峰值预测模型

2.1 极端学习机基本原理极限学习机(ELM)是一种单隐层前馈神经网络学习算法, 与传统的神经网络相比, 其隐含层神经元的参数随机产生, 在训练过程中不加以递归调整, 且能获得唯一的最优解, 网络结构如图3所示. 该方法具有学习速度快、 准确度高, 参数调整简单, 泛化能力好的优点, 目前已广泛应用于电力负荷预测、 电网可靠性评估等领域[19-20].

【参考文献】：
期刊论文
[1]基于重要抽样与极限学习机的大电网可靠性评估[J]. 许鹏程,刘文霞,陈启,张浩.  电力自动化设备. 2019(02)
[2]基于二维云模型的短路电流峰值预测[J]. 陈俊杰,缪希仁.  电力系统保护与控制. 2018(23)
[3]一种新的短路电流预测方法[J]. 黄旭,何洪英,罗滇生,曹一家,何志军.  电力系统及其自动化学报. 2017(01)
[4]中国电力系统发展运营面临的挑战和对策[J]. 张运洲,单葆国.  中国电力. 2017(01)
[5]低压系统短路故障建模及电流预测技术[J]. 郅萍,缪希仁,吴晓梅.  电力系统保护与控制. 2016(07)
[6]低压系统多层级短路故障早期检测辨识研究[J]. 吴晓梅,缪希仁.  电工电能新技术. 2015(09)
[7]选择性低压短路保护技术[J]. 蔡传庆,缪希仁,吴晓梅,张丽萍.  电器与能效管理技术. 2015(14)
[8]一种低压配电系统短路电流峰值预测的新模型[J]. 赵晶,陈丽安,陈志英.  武汉大学学报(工学版). 2014(06)
[9]低压系统多层级短路电流早期检测与预测[J]. 缪希仁,吴晓梅.  电工技术学报. 2014(11)
[10]基于短路早期检测的中压故障电流快速限制技术[J]. 缪希仁,李飙,吴晓梅,鲍光海,吴守龙.  电力自动化设备. 2014(11)

硕士论文
[1]基于组合算法优化的神经网络短路电流预测[D]. 易弋.湖南大学 2017



本文编号：3275570