基于神经网络的自适应单相重合闸.pdfVIP

杨志勇 基于神经网络的自适应单相重合闸 基于神经网络的自适应单相重合闸 杨志勇 (肇庆供电分公司，广东省肇庆市526060) 摘要：本文运用人工神经网络模式识别与模式分类的功能，建立了基于BP网络的单相重合闸的模型，通过验证一条线路 模型证实了它的可行性。 关键词：人工神经网络；自动重合闸；自适应单相重合闸 0引言 以电力系统状态量及外部量值作为神经网络 的输入。当实际系统参数输入网络后，网络可以 自动重合闸是指当断路器跳闸后，能够自动 根据内部处理结果输出是否合闸的信号。输入层 将断路器重合的装置。电力系统短路故障中大部 与输出层的神经元数目根据实际情况确定，隐含 分是单相接地短路，单相接地短路时仅跳开故障 层的节点数通过训练确定。 相。然后再进行单相重合，而未发生故障的两相 ●改权蕾 继续运行，这称为单相重合闸【l】(缩写为SPAR)。 为了防止重合于永久性故障，产生了自适应重合 闸，即在重合闸之前，预测线路的故障是瞬时性 的还是永久性的。本文提出将人工神经网络 毫曩信号 (√6恻)用于自适应单相重合闸控制中，以正确 区分故障信息。 ■入层 曩吉屡 输出层 1基于人工神经网络的自适应重合闸 图iBP网络结构 1．2网络的训练 自动重合闸从研究范畴上说，属于模式分类 假设系统是三相对称的，为简化仿真训练， 的内容，在故障发生后，对系统的运行状态进行 只考虑一相(设为A相)接地故障。A相发生接 分类，以判断是瞬时性故障还是永久性故障。人 地故障后，作为故障相。A相的电压需作为输入 工神经网络具有高度的容错性、强大的并行处理 特征量。故障相A相被切断后，系统进入非全相 能力及很强的自适应学习能力[21，特别适合于进 运行状态，此时非故障相B和C相的电压将发生 行模式分类研究。 变化，从而影响负荷电流的大小，进而影响故障 1．1人工神经网络模型 相端电压，因此B、C相的电压应该作为输入特征 目前在电力系统中广泛采取的ANN模型是 量。此外，B、C相的电流直接影响电感耦合电 一种无反馈多层前向网络——BP网络【2】。图1给 压，所以B、C相的电流也应作为输入特征量。 出了BP网络结构，由输入层、隐含层、输出层 从尽可能简化网络的角度考虑，选取故障相 组成。神经网络具有分布式储存知识的结构，它 A相断路器跳开后，A相两端的重合闸起动前， 不仅可以储存大量信息，而且连接权与连接结构 三相的基波电压幅值及相