基于神經(jīng)網(wǎng)絡的輸電線路故障定位方法研究.pdf

1、高壓輸電線路的精確定位可以極大的縮短巡線時間，加快恢復供電，對電力系統(tǒng)安全和經(jīng)濟運行具有非常重要的意義。 本文采用基于人工神經(jīng)網(wǎng)絡的故障定位方法，做了如下工作： 針對較長和超長輸電線路，研究了基于分布參數(shù)模型的各種故障算法，并對輸電線路故障進行分析，對故障分量進行解析，為進行Matlab線路仿真提供依據(jù)。 針對高壓輸電線路的故障定位，本文采用對于模式識別問題具有較強優(yōu)勢的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡來實現(xiàn)輸電線路

2、的故障定位，建造了有效的RBFNN網(wǎng)絡模型結構。在RBF網(wǎng)絡基函數(shù)重心的確定上，本文采用了基于K-NN聚類原則的LBG算法和本文提出的預先確定距離值的改進LBG聚類算法，并對兩種算法進行性能比較。由于本文所提算法在尋找聚類重心的過程中不需要迭代，大大提高了聚類處理的速度。為了驗證RBFNN在故障定位領域的有效性，本文還構造了一個具有相同輸入、輸出模式關系的BP神經(jīng)網(wǎng)絡，并與本文所建立的RBFNN進行性能比較。仿真測試結果表明，在訓練速度

3、上，RBF網(wǎng)絡相對于BP網(wǎng)絡有很大的提高，更適合實時在線定位的要求。 為解決單一神經(jīng)網(wǎng)絡存在訓練難以收斂的問題，而且測距已經(jīng)達到無法實際應用的程度，網(wǎng)絡也是病態(tài)的。采用分層分布的神經(jīng)網(wǎng)絡，第一層完成故障相別判定任務，第二層實現(xiàn)故障類型的準確定位。同時本文采取了輸入數(shù)據(jù)的歸一化處理，實例表明經(jīng)粗糙集理論歸一化處理后的訓練時間明顯比傳統(tǒng)歸一化方法的訓練時間短。 利用Matlab工具箱中的神經(jīng)網(wǎng)絡工具箱和PSB工具箱對本文構造