神经网络技术在电力系统中的应用举例

姓名：王承飞学号：406107110015专业：电力系统及其自动化I神经网络技术在电力系统中的应用举例目录目录............................................................................................................................................................................I1人工神经网络简介.............................................................................................................................................12人工神经网络在电力系统中的应用.................................................................................................................12.1故障诊断..................................................................................................................................................12.1.1变压器故障类型的划分...............................................................................................................12.1.2基于聚类分析的组合神经网络模型............................................................................................22.1.3故障诊断.......................................................................................................................................32.2智能控制..................................................................................................................................................42.2.1基于神经网络的励磁控制...........................................................................................................42.2.2神经网络用在火电厂循环水PID控制.......................................................................................42.3继电保护........................................................................................................................................................52.3.1系统模型.........................................................................................................................................52.3.2继电保护系统故障诊断原型..........................................................................................................63.3.3算例...............................................................................................................................................62.4负荷预测..................................................................................................................................................72.4.1BP网络及其改进算法..................................................................................................................72.4.2GA和BP算法的结合..................................................................................................................83结束语.................................................................................................................................................................8参考文献...................................................................................................................................................................8非线性控制理论11人工神经网络简介人工神经网络(ANN)是二十世纪80年代中后期世界范围内迅速发展的一个前沿研究领域，是一门高度综合的交叉学科，它的研究和发展涉及神经生理科学、数理科学、信息科学和计算机科学等众多领域。人工神经网络是模拟人脑组织结构和人类认知过程的信息处理系统。它由人工模拟的大量简单的神经元以一定的方式连接而成，单个人工神经元实现输入到输出的非线性关系，它们之间的连接组合使得人工神经网络具有复杂的非线性特性。人工神经网络具有很强的自组织、自学习能力。它通过现场大量的标准样本学习与训练，自动调整各神经元之间的连接权和阀值，使获取的知识隐式分布在整个网络上，并实现人工神经网络的模式记忆。和其他信息处理方法相比，人工神经网络具有诸多优点：强大的知识获取能力和信息容错能力；学习能力强，可以实现知识的自组织，适应不同信息处理的要求；神经元之间的计算具有相对独立性，便于并行处理，执行速度快。正是由于人工神经网络有极强的非线性拟合能力和自学习能力，且具有联想记忆、鲁棒性强等性能，使人工神经网络对于电力系统这个存在着大量非线性的复杂大系统来说有很大的应用潜力，很多难以列出方程式或难以求解的复杂的非线性问题，应用人工神经网络方法则可迎刃而解。2人工神经网络在电力系统中的应用2.1故障诊断目前神经网络用于电力系统的故障诊断，主要集中在对电网的故障处理。电网中的每一类故障都会产生一组警报信息，不同类别的故障具有不同的警报组合。因而可以将警报处理和故障诊断表示为模式识别问题，这样就适用于人工神经网络来进行处理。用人工神经网络进行故障诊断的基本原理是：将故障警报信息进行数字量化作为神经网络的输入量。神经网络的输出量代表故障诊断的结果。首先对神经网络进行训练学习，即将特定故障对应的警报模式作为样本，建立较全的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的连接权中，最后通过神经网络输入量计算就可以完成故障诊断。故障诊断中神经网络所采用的模型大多为反向传播算法（BP）模型，这主要是由于对BP模型的研究比较成熟，使用比较可靠。文献[1]较早提出了用BP进行警报处理和故障诊断方法。该方法将警报信息作为神经网络的输入量，故障作为神经网络的输出量，用于识别电网发生的故障，这种方法的缺点是不能用于大规模系统。除电网故障诊断外，人工神经网络还被应用于电力系统设备的故障诊断，包括变压器、发电机、电缆、断路器、绝缘子等。现在以变压器为例，讲人工神经网络在电力系统变压器故障诊断中的方法。目前，聚类分析方法引入到DGA技术中，它依靠故障数据的特点来划分故障类别，这种故障空间划分方式具有积极意义，在实际应用中取得了较好的效果4。然而直接利用聚类方法进行故障分类也出现了一些问题，如聚类结果受样本点的数量、聚类准则等多种因素影响；且其以最近类样本作为诊断结果，并不能给出完全确定性的结论。同时，树思路的引入，组合神经网络方法的提出，使分层次的、逐步细化的故障识别成为可能5。可是这些工作都以三比值法为基础，仍难以避免对维修缺乏指导的缺点。因此，本文以按照部位划分故障的方法为基础，针对已积累的故障变压器的大量溶解气体数据，考察了各类故障的气体特征及聚类结果，并在此基础上构建组合神经网络，实现对故障由粗到细的逐级划分，以提高诊断的有效性。2.1.1变压器故障类型的划分表1中列出了13种变压器常见故障。这种划分方式具有划分细致、有利于维修等优点。可是进一步考察各类故障的溶解气体数据，发现这种划分也存在缺陷。一方面，某些类的故障气体数据不具有统一的特征。如“与放电源的位置等关系紧密，其特征量不具有一致的规律。再如，虽然“分接开关烧损”的特征气体数据绝大多数表现为过热性特征，却有少量数据的乙炔含量很高。另一方面，有时故障发生机理和部位相异，其气体特征也可能相似。如“油中气泡引发局部放电”和“绝缘进水受潮”的溶解气体的特征就很相近。因此，本文对表1的分类方法作了改进。首先，取消“悬浮放电”类别，按照悬浮体的特点归并入其他类别。其次，依据统计学方法将“分接开关”故障样本中少量乙炔含量异常高的样本剔除。这样便形成了以表1为基础的12类变压器故障类别。神经网络技术在电力系统中的应用举例22.1.2基于聚类分析的组合神经网络模型本文提出的组合神经网络的特点是：根据12类故障在特征气体空间的聚集形态，将一些接近的类别暂先合并为过渡类别，使用组合神经网络先粗分，然后再对过渡类别细化识别。这种逐级细化的工作方式，使辨识更为有效。采用分层聚类分析可以明确给出在一定聚类相似度水平上样本间的分组情况，因此，可以依据对12类故障特征气体数据的分层聚类结果组织网络的模型。表1变压器常见故障类型序号故障类型F1围屏放电F2匝间短路(高压绕组匝间击穿或低压绕组变形)F3引线对地放电或发生闪络F4油流带电F5有载分接开关箱渗漏油F6铁心局部短路或多点接地F7结构件及磁屏蔽体中漏磁引起的过热F8分接开关接触不良F9绕组引线接触不良F10过负荷或冷却不良引起的绕组过热F11油中气泡引发局部放电F12进水受潮F13悬浮电位体(磁屏蔽、夹件及分接拨叉等)感应放电1)分层聚类分析进行分层聚类分析首先需确定距离和相似性的度量方法，然后再依一定的算法进行聚类。本文中采用了欧氏距离计算样本间距离，在确定两个类之间相似性时经过如下比较后，选