CN105629091A - 一种基于人工神经的供电线路保护方法 - Google Patents
一种基于人工神经的供电线路保护方法 Download PDFInfo
- Publication number
- CN105629091A CN105629091A CN201410588175.9A CN201410588175A CN105629091A CN 105629091 A CN105629091 A CN 105629091A CN 201410588175 A CN201410588175 A CN 201410588175A CN 105629091 A CN105629091 A CN 105629091A
- Authority
- CN
- China
- Prior art keywords
- supply line
- model
- fault
- artificial neuron
- artificial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工神经的供电线路保护方法,其特征在于,采集供电线路状态检修数据,利用供电线路状态检修数据训练人工神经模型,并校验人工神经模型的灵敏度,以经训练校验后的人工神经模型来诊断供电线路故障。本发明的有益效果在于:1、本发明可以给出影响变量的重要性排序,故障诊断结果具有良好的可解释性。2、本发明利用BP算法,分离出了介于正常和故障之间的临界类,使系统获得了故障的早期预警能力。
Description
技术领域
本发明涉及一种基于人工神经的供电线路保护方法。
背景技术
人工神经网络(AartificialNeuralNetwork,下简称ANN)是模拟生物神经元的结构而提出的一种信息处理方法。早在1943年,已由心理学家WarrenS.Mcculloch和数学家WalthH.Pitts提出神经元数学模型,后被冷落了一段时间,80年代又迅猛兴起。ANN之所以受到人们的普遍关注。
经训练的ANN适用于利用分析振动数据对机器进行监控和故障检测,预测某些部件的疲劳寿命。非线形神经网络补偿和鲁棒控制综合方法的应用(其鲁棒控制利用了变结构控制或滑动模控制),在实时工业控制执行程序中较为有效。人工神经网络(ANN)和模糊逻辑(FuzzyLogic)的综合,实现了电动机故障检测的启发式推理。因此,对于电力系统这个存在着大量非线性的复杂大系统来讲,ANN理论在电力系统中的应用具有很大的潜力,目前已涉及到如暂态,动稳分析,负荷预报,机组最优组合,警报处理与故障诊断,配电网线损计算,发电规划,经济运行及电力系统控制等方面。
发明内容
本发明要解决的技术问题是提供一种基于人工神经的供电线路保护方法。
本发明是通过以下技术方案来实现:
一种基于人工神经的供电线路保护方法,采集供电线路状态检修数据,利用供电线路状态检修数据训练人工神经模型,并校验人工神经模型的灵敏度,以经训练校验后的人工神经模型来诊断供电线路故障。
进一步,该方法包括以下步骤:
1)建立模型,根据供电线路状态检测的历史数据训练人工神经,建立故障诊断的人工神经模型,随着新样本的不断增加,通过加入新样本进行训练,可以重新建模;
b、检验模型,选择起始时间和结束时间进行结果对比,得出预测效果;
c、故障诊断,选择起始时间和结束时间对待测状态数据进行测试;
d、影响因素重要性排序,利用人工神经可以计算变量重要性计算出各个指标的影响程度,并进行重要性排序;
e、扩展模型,根据BP算法,对实际数据进行分析,把数据分成故障、正常和临界三类。考虑到正常数据中实际上有部分数据是处在正常与故障的临界状况,因此如把数据分成故障、临界和正常三个类,那么既可减弱原先两类数据不平衡的现象,又可通过对临界类的判断,提高故障诊断系统的可靠性和预警能力。
本发明的有益效果在于:
1、本发明可以给出影响变量的重要性排序,故障诊断结果具有良好的可解释性。
2、本发明利用BP算法,分离出了介于正常和故障之间的临界类,使系统获得了故障的早期预警能力。
具体实施方式
下面结合实施例对本发明作进一步说明:
一种基于人工神经的供电线路保护方法,采集供电线路状态检修数据,利用供电线路状态检修数据训练人工神经模型,并校验人工神经模型的灵敏度,以经训练校验后的人工神经模型来诊断供电线路故障。
进一步,该方法包括以下步骤:
1)建立模型,根据供电线路状态检测的历史数据训练人工神经,建立故障诊断的人工神经模型,随着新样本的不断增加,通过加入新样本进行训练,可以重新建模;
b、检验模型,选择起始时间和结束时间进行结果对比,得出预测效果;
c、故障诊断,选择起始时间和结束时间对待测状态数据进行测试;
d、影响因素重要性排序,利用人工神经可以计算变量重要性计算出各个指标的影响程度,并进行重要性排序;
e、扩展模型,根据BP算法,对实际数据进行分析,把数据分成故障、正常和临界三类。考虑到正常数据中实际上有部分数据是处在正常与故障的临界状况,因此如把数据分成故障、临界和正常三个类,那么既可减弱原先两类数据不平衡的现象,又可通过对临界类的判断,提高故障诊断系统的可靠性和预警能力。
例如:当供电线路故障时,供电线路各相、各序电压、电流也随之发生变化,特别是故障后故障相的相电压和相电流,以及接地系统在接地故障的零序电流的变化有明显的代表性。所以,我们选择这5个输出变量作为样本。选输入层神经元个数为14个,分别是Uar,Uai,Ubr,Ubi,UcrUci,Iai,Ibr,Ibi,Icr,Ici,Ior,Ioi(下标r和i分别代表实部与虚部),这5个输出变量完全满足线路方向保护的需求(没考虑正向超越),隐含层神经元数目为2N+1(N为输入层神经元数目)。训练样本集包含14个输入变量和5个输出变量,而测试样本集中的样本则只有14个输入变量,选定输出层神经元个数为5个:YA(A相),YB(B相),YC(C相),YO(接地),YF(方向),各输出值为“与”,代表正常;输出值为“非”,代表故障,输出值为“或”,代表临界。那么既可减弱原先正常和故障两类数据不平衡的现象,又可通过对临界类的判断,提高故障诊断系统的可靠性和预警能力。
以上是对本发明做的示例性描述,凡在不脱离本发明核心的情况下做出的简单的变形或修改均落入本发明的保护范围。
Claims (2)
1.一种基于人工神经的供电线路保护方法,其特征在于,采集供电线路状态检修数据,利用供电线路状态检修数据训练人工神经模型,并校验人工神经模型的灵敏度,以经训练校验后的人工神经模型来诊断供电线路故障。
2.根据权利要求1所述的一种基于人工神经的供电线路保护方法,其特征在于,该方法包括以下步骤:
1)建立模型,根据供电线路状态检测的历史数据训练人工神经,建立故障诊断的人工神经模型,随着新样本的不断增加,通过加入新样本进行训练,可以重新建模;
b、检验模型,选择起始时间和结束时间进行结果对比,得出预测效果;
c、故障诊断,选择起始时间和结束时间对待测状态数据进行测试;
d、影响因素重要性排序,利用人工神经可以计算变量重要性计算出各个指标的影响程度,并进行重要性排序;
e、扩展模型,根据BP算法,对实际数据进行分析,把数据分成故障、正常和临界三类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410588175.9A CN105629091A (zh) | 2014-10-29 | 2014-10-29 | 一种基于人工神经的供电线路保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410588175.9A CN105629091A (zh) | 2014-10-29 | 2014-10-29 | 一种基于人工神经的供电线路保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105629091A true CN105629091A (zh) | 2016-06-01 |
Family
ID=56044214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410588175.9A Pending CN105629091A (zh) | 2014-10-29 | 2014-10-29 | 一种基于人工神经的供电线路保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105629091A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665277A (zh) * | 2017-03-27 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN112926752A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07270480A (ja) * | 1994-03-30 | 1995-10-20 | Fujitsu Ltd | 故障点標定装置 |
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
-
2014
- 2014-10-29 CN CN201410588175.9A patent/CN105629091A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07270480A (ja) * | 1994-03-30 | 1995-10-20 | Fujitsu Ltd | 故障点標定装置 |
CN101661075A (zh) * | 2009-06-08 | 2010-03-03 | 浙江大学 | 一种基于神经网络和模糊积分的电力系统故障诊断方法 |
CN102221655A (zh) * | 2011-06-16 | 2011-10-19 | 河南省电力公司济源供电公司 | 基于随机森林模型的电力变压器故障诊断方法 |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
Non-Patent Citations (4)
Title |
---|
徐其迎等: "基于神经网络的输电线路自适应无通道保护", 《湖南电力》 * |
王晓茹: "一种基于神经网络的高压输电线故障分类器", 《万方数据知识服务平台-HTTP://D.WANFANGDATA.COM.CN/CONFERENCE/1535》 * |
王晓茹等: "一种基于神经网络的高压输电线故障分类器", 《电力系统自动化》 * |
罗建等: "基于神经网络模型的母线保护", 《电力系统自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665277A (zh) * | 2017-03-27 | 2018-10-16 | 阿里巴巴集团控股有限公司 | 一种信息处理方法及装置 |
CN108665277B (zh) * | 2017-03-27 | 2021-12-24 | 创新先进技术有限公司 | 一种信息处理方法及装置 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN112926752A (zh) * | 2021-01-26 | 2021-06-08 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
CN112926752B (zh) * | 2021-01-26 | 2022-07-01 | 西华大学 | 考虑储能系统的智能输电网故障线路检测及故障恢复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108051211B (zh) | 一种风电机组主轴承温度预警诊断方法 | |
Lee et al. | Application of deep neural network and generative adversarial network to industrial maintenance: A case study of induction motor fault detection | |
Schlechtingen et al. | Wind turbine condition monitoring based on SCADA data using normal behavior models. Part 1: System description | |
CN105809255B (zh) | 一种基于物联网的火电厂旋转机械健康管理方法及系统 | |
CN106662072B (zh) | 风力发电机状态监控方法与系统 | |
Ahmad et al. | An overview of time-based and condition-based maintenance in industrial application | |
CN110766277B (zh) | 用于核工业现场的健康评估及诊断系统和移动终端 | |
CN103645052B (zh) | 一种风电机组齿轮箱远程在线状态监测及寿命评估方法 | |
CN104299659B (zh) | 核电站运行状态监控方法、装置及系统 | |
Correcher et al. | Intermittent failure dynamics characterization | |
Alrifaey et al. | Hybrid deep learning model for fault detection and classification of grid-connected photovoltaic system | |
CN100470416C (zh) | 一种电厂热工设备智能状态诊断分析系统 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN103810328A (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
CN108090606A (zh) | 设备故障发现方法及系统 | |
CN110398669A (zh) | 电弧故障检测方法 | |
CN109443769A (zh) | 电机轴承状态的检测方法、系统、装置及可读存储介质 | |
CN105629091A (zh) | 一种基于人工神经的供电线路保护方法 | |
CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
Vununu et al. | Automatic fault diagnosis of drills using artificial neural networks | |
Koukoura et al. | Wind turbine intelligent gear fault identification | |
CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
CN103235206A (zh) | 一种变压器的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160601 |