基于QNN-DS的配電網(wǎng)故障選線(xiàn)與擾動(dòng)識(shí)別方法研究.pdf

1、智能配電網(wǎng)是目前電力系統(tǒng)界研究的熱點(diǎn)，而高級(jí)配電運(yùn)行自動(dòng)化和高級(jí)量測(cè)體系是智能配電網(wǎng)建設(shè)過(guò)程中的重要技術(shù)，也是先行技術(shù)。配電網(wǎng)單相接地故障自動(dòng)選線(xiàn)技術(shù)是高級(jí)配電運(yùn)行自動(dòng)化技術(shù)中的重點(diǎn)和難點(diǎn)問(wèn)題，至今沒(méi)有得到很好的解決；電能質(zhì)量擾動(dòng)自動(dòng)識(shí)別技術(shù)是構(gòu)建高級(jí)量測(cè)體系中電能質(zhì)量監(jiān)測(cè)系統(tǒng)的重要內(nèi)容。同時(shí)，配電網(wǎng)故障選線(xiàn)和電能質(zhì)量擾動(dòng)識(shí)別的準(zhǔn)確率直接影響了配電網(wǎng)供電可靠性、連續(xù)性和供電質(zhì)量。
　　 本文結(jié)合模式識(shí)別和信息融合技術(shù)對(duì)二者進(jìn)行研

2、究，致力于提高配電網(wǎng)故障選線(xiàn)和電能質(zhì)量擾動(dòng)識(shí)別的正確率，以提高配網(wǎng)供電的可靠性，改善其供電質(zhì)量。系統(tǒng)闡述了量子神經(jīng)網(wǎng)絡(luò)(quantum neural network，QNN)模式識(shí)別技術(shù)和DS證據(jù)理論(Dempster-Shafer evidence theory,DS)信息融合技術(shù)的基本原理和數(shù)學(xué)描述，在此基礎(chǔ)上構(gòu)建了基于量子神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論(QNN-DS)模式識(shí)別方法的體系結(jié)構(gòu)，介紹了其實(shí)現(xiàn)流程，分析了QNN和DS結(jié)合后在模式

3、識(shí)別方面所表現(xiàn)出的優(yōu)異性能。給出了基于QNN-DS模式識(shí)別方法的配電網(wǎng)故障選線(xiàn)方案。利用快速傅立葉變換(fast Fourier transform，F(xiàn)FT)和小波包變換(wavelet packet transform，WPT)從零序電流信號(hào)中提取基波、五次諧波、暫態(tài)三種故障特征來(lái)訓(xùn)練和測(cè)試三個(gè)量子神經(jīng)網(wǎng)絡(luò)，然后采用DS證據(jù)理論對(duì)各個(gè)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行決策級(jí)融合，得到綜合選線(xiàn)結(jié)果。大量仿真結(jié)果表明：QNN比改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)(ba

4、ck propagation neural network，BPNN)在訓(xùn)練和測(cè)試過(guò)程中表現(xiàn)出更好的收斂性能和模式識(shí)別能力，基于QNN-DS的配電網(wǎng)故障選線(xiàn)方法能有效地融合多種故障特征判據(jù)，具有更好的容錯(cuò)性和魯棒性，提高了故障選線(xiàn)的正確率，且不受系統(tǒng)接地方式、故障距離、合閘角、過(guò)渡電阻等因素的影響。
　　 對(duì)電能質(zhì)量擾動(dòng)信號(hào)識(shí)別的特點(diǎn)和關(guān)鍵問(wèn)題進(jìn)行了分析，提出將QNN-DS模式識(shí)別方法應(yīng)用到電能質(zhì)量擾動(dòng)信號(hào)識(shí)別中來(lái)。建立了十種常

5、見(jiàn)的電能質(zhì)量擾動(dòng)信號(hào)模型，基于幅值、擾動(dòng)時(shí)間、信噪比等信號(hào)參數(shù)隨機(jī)產(chǎn)生了1000組擾動(dòng)數(shù)據(jù)樣本。利用離散小波變換(discrete wavelet transform，DWT)、小波包變換和S變換從原始擾動(dòng)信號(hào)中分別提取一組特征向量，利用這三組特征量對(duì)三個(gè)QNN進(jìn)行訓(xùn)練和測(cè)試，結(jié)果表明三類(lèi)特征量都能取得較好的分類(lèi)效果，并且表現(xiàn)出了各自的優(yōu)缺點(diǎn)，在此基礎(chǔ)上通過(guò)與改進(jìn)BPNN的對(duì)比，進(jìn)一步驗(yàn)證了QNN的收斂性能和模式識(shí)別能力優(yōu)于BPNN的結(jié)

6、論。利用DS證據(jù)理論對(duì)三類(lèi)特征量QNN輸出結(jié)果進(jìn)行決策級(jí)融合，結(jié)果顯示融合后的分類(lèi)精度更高，并在一定程度上克服了錯(cuò)誤信息的不利影響。將QNN-DS的分類(lèi)結(jié)果與BPNN-DS、概率神經(jīng)網(wǎng)絡(luò)-選舉決策級(jí)融合方法(Probabilistic neural network withvoting rules，PNN-VR)和單QNN的特征級(jí)融合方法進(jìn)行對(duì)比分析，結(jié)果該方法取得了最高的分類(lèi)精度。仿真分析表明基于QNN-DS的電能質(zhì)量擾動(dòng)識(shí)別方法能夠