基于神经网络的含DG中压配电网故障测距方法研究
发布时间：2020-12-27 03:13
分布式电源(Distributed Generation,DG)大量并网改变了配电网传统的单电源、辐射型网络拓扑结构,使其发展成为潮流双向流动的新型配电系统,导致传统的配电网故障定位算法失效,给基于配电自动化的各种故障定位算法带来了新的挑战。本文针对含分布式电源中压配电网的特点,提出基于神经网络的配网故障测距方法,并基于此进一步提出基于两层多代理系统的含分布式电源中压配电网故障定位新方法,利用所提方法对实际配电网进行建模和验证,具体工作如下:(1)本文考虑测距误差以及配网多分支的影响,将各电源点故障特征量输入RBF神经网络进行建模,从而得到基于不同电源点的多个故障测距结果;考虑过渡电阻的影响,将过渡电阻加入RBF神经网络的输出特征向量进行故障测距。以IEEE 33节点典型配电系统为例进行仿真分析,仿真结果表明,将分布式电源电气量引入RBF故障测距神经网络模型的输入层能够显著提高模型的测距精度,短路过渡电阻引入RBF故障测距神经网络模型的输出层能有效削弱过渡电阻对故障测距结果的负面影响,显著提高神经网络模型的故障测距精度。(2)针对多分支、多节点复杂配电网所呈现出的越来越明显的分布式特性...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－丨Ｍ－Ｐ神经元模型??
?山东大学硕士学位论文???图２－２典型分层神经网络??如图２－２所示：ｎｎ为外界给神经网络的输入信息，神经网络向外??界输出的结果。输入层负贵接收外界的输入信息ｘｐａ，并传递给中间各隐含层??神经元。隐含层可设计为一层或多层，它是神经网络的内部信息处理层，负责??信息的变换。再由隐含层传递到输出层，各神经元的信息经进一步处理后，由??输出层向外界输出结果：??ＲＢＦ神经网络是一种具有单隐层的三层前馈网络，主要用于数据分类、模??式识别、时间序列分析等方面。ＲＢＦ神经网络具有唯一最佳逼近的特性，且无??局部极小问题，可映射任意复杂的非线性关系，并且理论证明在前向网络中ＲＢＦ??网络是完成映射功能的最优网络。该网络学习规则简单，便于计算机实现，学??习过程收敛速度快，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大??的自学习能力，因此具有很大的应用市常综上，根据常用神经网络优缺点及??适用问题的不同，本文选取具有唯一最佳逼近特性、无局部极小问题、可映射??任意复杂非线性关系的ＲＢＦ神经网络来实现含ＤＧ中压配电网的故障测距。??２．２?ＲＢＦ神经网络基本模型??径向基函数（Ｒａｄｉａｌ?Ｂａｓｉｓ?Ｆｕｎｃｔｉｏｎ，ＲＢＦ）是多维空间插值技术，１９８５年??由Ｐｏｗｅ丨丨首先提出。Ｂｒｏｏｍｈｅａｄ和Ｌｏｗｅ于１９８８年将ＲＢＦ引入神经网络设计??之中１５４］。之后，Ｊａｃｋｓｏｎ又论证了?ＲＢＦ神经网络对非线性函数的一致逼近性能。??ＲＢＦ神经网络基本思想：用ＲＢＦ作为隐单元的“基”，构成隐含层空间，隐含??层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使在低维??空间内的线性不可分的问题在
?山东大学硕士学位论文???洁而且学习收敛速度快的优点能逼近任意非线性函数Ｍ，不存在局部最优??问题。因此，它被广泛应用于时间序列分析、信道均衡、图像处理、模式识别??和非线性控制等领域［５７＿５８］。如下图２－３所示，ＲＢＦ神经网络属于三层的网络类??型，第一层是由信号源点组成的输入层，第二层是隐含层，第三层是输出层。??输入层?隐含层?输出层??图２－３?ＲＢＦ神经网络基本模型??ＲＢＦ神经网络输入层由特征输入量构成，输入层神经元将特征输入量传递??到隐含层神经元，不对信号做任何处理。输入层神经元个数等于特征输入量个??数。??ＲＢＦ神经网络隐含层采用径向基函数作为激活函数，是一种非线性映射，??通常具有较多的神经元个数，完成从输入空间到隐层空间的非线性变换。ＲＢＦ??神经网络的隐含层常用激活函数有高斯函数、薄板样条函数、逆多二次函数等。??高斯函数、薄板样条函数以及逆多二次函数的表达式分别如下式（２－２）、（２－３）与??（２－４）所示。??上??（ｐ（ｒ）＝ｅ?＾?０－２）??（ｐ｛ｒ）?＝?ｒ２＼ｎ｛ｒ）?（２－３）??」??炉（，卜以＋＾２）?２?（２－４）??其中，ｒ表示欧氏范数，ａ为径向基函数的宽度。??１０??
【参考文献】：
期刊论文
[1]基于距离矩阵与分支系数的配电网故障定位方法[J]. 谢李为,李勇,罗隆福,陈春,曹一家. 中国电机工程学报. 2020(07)
[2]电网转型背景下地市级智能电网示范区规划研究[J]. 唐小璐,赵伟然,古含,何鑫. 电力大数据. 2020(02)
[3]配网自动化故障定位问题的研究及应用[J]. 刘玉宝. 通信电源技术. 2019(12)
[4]泛在电力物联网释义与研究展望[J]. 杨挺,翟峰,赵英杰,盆海波. 电力系统自动化. 2019(13)
[5]基于多代理技术的有源配电网供电恢复策略[J]. 董志辉,林凌雪,管霖,陈恒安,梁倩仪. 电力自动化设备. 2019(05)
[6]基于多代理系统的主动配电网电压协调控制[J]. 岳超,朱旭,李鑫,祁秋民. 科技资讯. 2019(08)
[7]配电网接地故障原因分析及处理方法[J]. 翟润强. 科技创新与应用. 2019(03)
[8]配电网故障定位技术发展现状及展望[J]. 梁睿,孟祥震,周鲁天,彭楠. 电力工程技术. 2018(06)
[9]配电网故障定位容错算法[J]. 王艳松,宗雪莹,衣京波. 电力自动化设备. 2018(04)
[10]配电网故障区间定位矩阵算法分析[J]. 张名捷. 中国电力企业管理. 2018(09)
博士论文
[1]电力线路在线巡视监测及故障精确定位的研究[D]. 唐金锐.华中科技大学 2014
硕士论文
[1]基于多测点信息的中压配电线路故障定位方法研究[D]. 李依琳.华中科技大学 2019
[2]复杂配电网单相接地故障选线方法研究[D]. 刘学超.中国矿业大学 2019
[3]含分布式电源的配电网故障定位[D]. 刘伟.安徽理工大学 2018
[4]基于行波原理的配电网故障选线与定位方法[D]. 冯志翔.华中科技大学 2018
[5]基于BP神经网络的配网设备故障预测[D]. 陈哲.广东工业大学 2017
[6]含分布式电源的配电网故障定位研究[D]. 王一非.太原理工大学 2017
[7]基于人工蜂群算法的配电网故障定位[D]. 曾红梅.湖南大学 2014
[8]配电网行波故障测距的研究[D]. 智秀霞.华北电力大学（河北） 2009
本文编号：2940990
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２－丨Ｍ－Ｐ神经元模型??
?山东大学硕士学位论文???图２－２典型分层神经网络??如图２－２所示：ｎｎ为外界给神经网络的输入信息，神经网络向外??界输出的结果。输入层负贵接收外界的输入信息ｘｐａ，并传递给中间各隐含层??神经元。隐含层可设计为一层或多层，它是神经网络的内部信息处理层，负责??信息的变换。再由隐含层传递到输出层，各神经元的信息经进一步处理后，由??输出层向外界输出结果：??ＲＢＦ神经网络是一种具有单隐层的三层前馈网络，主要用于数据分类、模??式识别、时间序列分析等方面。ＲＢＦ神经网络具有唯一最佳逼近的特性，且无??局部极小问题，可映射任意复杂的非线性关系，并且理论证明在前向网络中ＲＢＦ??网络是完成映射功能的最优网络。该网络学习规则简单，便于计算机实现，学??习过程收敛速度快，具有很强的鲁棒性、记忆能力、非线性映射能力以及强大??的自学习能力，因此具有很大的应用市常综上，根据常用神经网络优缺点及??适用问题的不同，本文选取具有唯一最佳逼近特性、无局部极小问题、可映射??任意复杂非线性关系的ＲＢＦ神经网络来实现含ＤＧ中压配电网的故障测距。??２．２?ＲＢＦ神经网络基本模型??径向基函数（Ｒａｄｉａｌ?Ｂａｓｉｓ?Ｆｕｎｃｔｉｏｎ，ＲＢＦ）是多维空间插值技术，１９８５年??由Ｐｏｗｅ丨丨首先提出。Ｂｒｏｏｍｈｅａｄ和Ｌｏｗｅ于１９８８年将ＲＢＦ引入神经网络设计??之中１５４］。之后，Ｊａｃｋｓｏｎ又论证了?ＲＢＦ神经网络对非线性函数的一致逼近性能。??ＲＢＦ神经网络基本思想：用ＲＢＦ作为隐单元的“基”，构成隐含层空间，隐含??层对输入矢量进行变换，将低维的模式输入数据变换到高维空间内，使在低维??空间内的线性不可分的问题在
?山东大学硕士学位论文???洁而且学习收敛速度快的优点能逼近任意非线性函数Ｍ，不存在局部最优??问题。因此，它被广泛应用于时间序列分析、信道均衡、图像处理、模式识别??和非线性控制等领域［５７＿５８］。如下图２－３所示，ＲＢＦ神经网络属于三层的网络类??型，第一层是由信号源点组成的输入层，第二层是隐含层，第三层是输出层。??输入层?隐含层?输出层??图２－３?ＲＢＦ神经网络基本模型??ＲＢＦ神经网络输入层由特征输入量构成，输入层神经元将特征输入量传递??到隐含层神经元，不对信号做任何处理。输入层神经元个数等于特征输入量个??数。??ＲＢＦ神经网络隐含层采用径向基函数作为激活函数，是一种非线性映射，??通常具有较多的神经元个数，完成从输入空间到隐层空间的非线性变换。ＲＢＦ??神经网络的隐含层常用激活函数有高斯函数、薄板样条函数、逆多二次函数等。??高斯函数、薄板样条函数以及逆多二次函数的表达式分别如下式（２－２）、（２－３）与??（２－４）所示。??上??（ｐ（ｒ）＝ｅ?＾?０－２）??（ｐ｛ｒ）?＝?ｒ２＼ｎ｛ｒ）?（２－３）??」??炉（，卜以＋＾２）?２?（２－４）??其中，ｒ表示欧氏范数，ａ为径向基函数的宽度。??１０??
【参考文献】：
期刊论文
[1]基于距离矩阵与分支系数的配电网故障定位方法[J]. 谢李为,李勇,罗隆福,陈春,曹一家. 中国电机工程学报. 2020(07)
[2]电网转型背景下地市级智能电网示范区规划研究[J]. 唐小璐,赵伟然,古含,何鑫. 电力大数据. 2020(02)
[3]配网自动化故障定位问题的研究及应用[J]. 刘玉宝. 通信电源技术. 2019(12)
[4]泛在电力物联网释义与研究展望[J]. 杨挺,翟峰,赵英杰,盆海波. 电力系统自动化. 2019(13)
[5]基于多代理技术的有源配电网供电恢复策略[J]. 董志辉,林凌雪,管霖,陈恒安,梁倩仪. 电力自动化设备. 2019(05)
[6]基于多代理系统的主动配电网电压协调控制[J]. 岳超,朱旭,李鑫,祁秋民. 科技资讯. 2019(08)
[7]配电网接地故障原因分析及处理方法[J]. 翟润强. 科技创新与应用. 2019(03)
[8]配电网故障定位技术发展现状及展望[J]. 梁睿,孟祥震,周鲁天,彭楠. 电力工程技术. 2018(06)
[9]配电网故障定位容错算法[J]. 王艳松,宗雪莹,衣京波. 电力自动化设备. 2018(04)
[10]配电网故障区间定位矩阵算法分析[J]. 张名捷. 中国电力企业管理. 2018(09)
博士论文
[1]电力线路在线巡视监测及故障精确定位的研究[D]. 唐金锐.华中科技大学 2014
硕士论文
[1]基于多测点信息的中压配电线路故障定位方法研究[D]. 李依琳.华中科技大学 2019
[2]复杂配电网单相接地故障选线方法研究[D]. 刘学超.中国矿业大学 2019
[3]含分布式电源的配电网故障定位[D]. 刘伟.安徽理工大学 2018
[4]基于行波原理的配电网故障选线与定位方法[D]. 冯志翔.华中科技大学 2018
[5]基于BP神经网络的配网设备故障预测[D]. 陈哲.广东工业大学 2017
[6]含分布式电源的配电网故障定位研究[D]. 王一非.太原理工大学 2017
[7]基于人工蜂群算法的配电网故障定位[D]. 曾红梅.湖南大学 2014
[8]配电网行波故障测距的研究[D]. 智秀霞.华北电力大学（河北） 2009
本文编号：2940990
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2940990.html
