基于LVQ神經(jīng)網(wǎng)絡(luò)的電纜故障識別.pdf

1、近年來,隨著經(jīng)濟高速發(fā)展,電網(wǎng)規(guī)模不斷擴大,電力線路的安全運行也越來越重要。準確識別電力線路故障時的故障類型,對于整個電力系統(tǒng)是極其重要的組成部分,它在供電安全上發(fā)揮著十分重要的作用。本文在電力電纜故障基礎(chǔ)上,從人工神經(jīng)網(wǎng)絡(luò)基本理論出發(fā),在電力電纜故障系統(tǒng)建模、故障仿真等方面進行了較深入地研究,并實現(xiàn)了電纜短路故障類型分類。
　　首先,論文對電力電纜故障研究現(xiàn)狀和發(fā)展趨勢以及神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展和研究現(xiàn)狀進行了介紹,對傳統(tǒng)的模式識別

2、技術(shù)進行研究,尤其是K均值聚類方法的研究分析,了解了K均值聚類的應(yīng)用性能和應(yīng)用范圍,并且應(yīng)用K均值聚類方法識別出電纜故障類型。
　　其次,論文對人工神經(jīng)網(wǎng)絡(luò)多分類算法進行研究,首先總結(jié)了目前常用的神經(jīng)網(wǎng)絡(luò)算法,無教師的Hebb學(xué)習(xí)方法和誤差反向傳播的BP算法等,都是傳統(tǒng)的分類算法。BP算法則是以梯度下降法為基礎(chǔ)的,該梯度下降法是一種有教師的學(xué)習(xí)方法。同時介紹了學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)算法(LVQ神經(jīng)網(wǎng)絡(luò)算法),該算法是在有教師狀態(tài)下對

3、競爭層進行訓(xùn)練的一種學(xué)習(xí)算法。與無教師狀態(tài)下的神經(jīng)網(wǎng)絡(luò)算法相比較,LVQ神經(jīng)網(wǎng)絡(luò)算法能夠更加準確地對所需識別對象進行類型識別。而LVQ神經(jīng)網(wǎng)絡(luò)中采用的競爭規(guī)則為勝者為王的規(guī)則,該規(guī)則只針對競爭獲勝神經(jīng)元進行權(quán)值調(diào)整,對其他任何神經(jīng)元都是“封殺”式的抑制,所以本文改進了LVQ神經(jīng)網(wǎng)絡(luò)中勝者為王的權(quán)值調(diào)整方法。同時論文在電纜故障識別系統(tǒng)的基礎(chǔ)上,詳細介紹了系統(tǒng)電壓信號的獲取與調(diào)理電路設(shè)計,以及數(shù)據(jù)采集卡的選擇及參數(shù)設(shè)定等。最終論文將改進的L

4、VQ神經(jīng)網(wǎng)絡(luò)應(yīng)用到電纜故障識別系統(tǒng)中,通過實驗仿真成功實現(xiàn)了電纜故障類型的識別分類。
　　最后,論文提出了應(yīng)用K均值聚類和改進的學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)相結(jié)合的形成的LVQK分類器模型,利用在權(quán)值上改進的學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)和K均值聚類的不斷反復(fù)迭代運算來調(diào)整分類器的聚類質(zhì)心,用該結(jié)合的LVQK算法對電纜短路的四種故障類型進行識別取得了較好的效果。并且用改進的LVQ神經(jīng)網(wǎng)絡(luò)實現(xiàn)了多類分類,改進了傳統(tǒng)LVQ網(wǎng)絡(luò)分類器的隨機性,提高了對象