CN112578312B - 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 - Google Patents

基于鲸鱼算法优化极限学习机的微电网故障诊断方法 Download PDF

Info

Publication number
CN112578312B
CN112578312B CN202011414453.0A CN202011414453A CN112578312B CN 112578312 B CN112578312 B CN 112578312B CN 202011414453 A CN202011414453 A CN 202011414453A CN 112578312 B CN112578312 B CN 112578312B
Authority
CN
China
Prior art keywords
phase
whale
fault
elm
model
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.)
Active
Application number
CN202011414453.0A
Other languages
English (en)
Other versions
CN112578312A (zh
Inventor
吴忠强
卢雪琴
何怡林
谢宗奎
王国勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yanshan University
Original Assignee
Yanshan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yanshan University filed Critical Yanshan University
Priority to CN202011414453.0A priority Critical patent/CN112578312B/zh
Publication of CN112578312A publication Critical patent/CN112578312A/zh
Application granted granted Critical
Publication of CN112578312B publication Critical patent/CN112578312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/58—Testing of lines, cables or conductors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法，包括S1、首先搭建包含风力发电机、光伏电池和蓄电池的微电网并网运行仿真模型，并采集线路两端的三相故障电压信号；S2、选择db6小波作为小波基，根据小波包分析相关公式对仿真得到的包含A相、B相和C相的三相故障电压信号分别进行分解和重构，计算其能量熵得到共包含24个小波包能量熵的特征向量X＝[x1,x2,…x24]T作为数据样本；S3、利用鲸鱼算法WOA优化极限学习机ELM的输入权值和隐含层阈值建立WOA‑ELM故障诊断模型，将S2得到的数据样本带入WOA‑ELM模型进行训练和验证。利用BP神经网络、RBF神经网络和ELM建立诊断模型与WOA‑ELM模型进行对比分析，验证了WOA‑ELM模型的有效性和可靠性。

Description

基于鲸鱼算法优化极限学习机的微电网故障诊断方法
技术领域
本发明涉及风光储微电网的故障诊断方法，属于微电网故障检测与保护领 域，具体涉及一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。
背景技术
分布式发电是新能源发展的主要方向，微电网是整合分布式能源的有效手 段之一，是电力系统中的重要组成部分。微电网利用风力发电机、太阳能发电 设备和燃料电池等可再生能源发电，具有绿色环保、安全可靠、能量转换简单 和运行与维护成本低等优点，能有效解决传统能源的短缺和日益严重的环境污 染问题。在微电网运行过程中，若出现线路短路故障会造成严重的影响，有必 要对微电网的故障进行识别和诊断。
近年来，人工智能方法被广泛应用于故障诊断中。传统人工智能技术，如 BP神经网络(back propagation neural network,BPNN)、RBF神经网络(radial basis functionneural network,RBFNN)、贝叶斯网络(Bayesian network，BN)、 模糊神经网络(Fuzzyneural network，FNN)等被广泛应用于故障诊断中，但 是由于传统神经网络对数据分析能力较弱，且在训练过程中易陷入局部最优， 使得诊断结果无法达到期望的精度标准。
极限学习机是一种快速学习算法，用于训练单隐层前馈神经网络，具有自 主学习、学习速度快、泛化能力强等特点。由于其初始权值和阈值都是随机选 取的，网络性能难以达到最优。为克服上述缺点，利用鲸鱼算法优化极限学习 机(WOA-ELM)建立故障诊断模型。鲸鱼算法具有参数设置简单、学习速度 快、寻优精度高、全局寻优能力强等特点，可解决极限学习机初始权值和隐含 层阈值人为设定的问题，有利于进一步提高识别精度。
发明内容
本发明的目的在于提出一种基于鲸鱼算法优化极限学习机的微电网故障 诊断方法。通过利用鲸鱼算法优化极限学习机的输入权值和隐含层阈值建立故 障诊断模型，解决极限学习机初始权值和隐含层阈值人为设定导致网络性能难 以达到最优的问题，有利于进一步提高识别精度。
为实现上述目的，本发明提供一种基于鲸鱼算法优化极限学习机的微电网 故障诊断方法，包括如下步骤：
S1、首先建立包含风力发电机、光伏电池和蓄电池的微电网并网运行仿真 模型，然后对微电网侧线路的10％、20％、30％、40％、50％、60％、70％、80％、 90％位置处的每类线路故障类型进行仿真，并采集线路两端的三相故障电压信 号；
S2、选择db6小波作为小波基，根据小波包系数递推表达式分别对仿真得 到的三相故障电压信号进行3层小波包分析，，所述三相故障电压信号包括A 相故障电压信号、B相故障电压信号和C相故障电压信号，每个故障电压信号 能得到8个不同频带内的子信号，将其按照从低频到高频的顺序对其进行重新 排序；对8个不同频带分别进行小波包信号重构，共得到8个小波包重构信号； 计算每个小波包重构信号的小波包能量熵，并将得到8个小波包能量熵共同构 造出一组特征向量；A相故障电压信号、B相故障电压信号和C相故障电压信 号共得到共包含24个小波包能量熵的特征向量X＝[x1,x2,...,x24]T，将其作为 数据样本；
S3、利用鲸鱼算法WOA优化极限学习机ELM的输入权值和隐含层阈值， 以提高网络的全局搜索能力，将S2得到的数据样本带入WOA-ELM模型进行 训练和验证，具体步骤如下：
S31、参数初始化，设置鲸鱼算法的参数：鲸鱼个体数、最大迭代次数、 变量维数，变量上限和下限；
S32、种群初始化，随机初始化所有鲸鱼个体各个维度的位置值，每个鲸 鱼个体的各个维度的位置值代表输入权值或阈值；
S33、计算适应度值，选择ELM的目标函数表达式(1)计算每个鲸鱼个 体的适应度值；
Figure BDA0002818525890000031
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量；
S34、更新最优解，根据每个鲸鱼个体的适应度值在所有解中找到最优解 的位置，所述最优解的位置用于更新每个鲸鱼个体的位置；
S35、每个鲸鱼个体的位置更新，当选择收缩包围机制或螺旋更新位置的 概率p＜0.5且|A|＜1时，根据表达式(2)进行每个鲸鱼个体的位置更新：
X(t+1)＝X*(t)-A·D (2)
D＝|C·X*(t)-X(t)| (3)
式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的 位置向量，t为迭代次数，A和C为系数向量，X*为当前获得的鲸群中最优解 的位置向量，A和C计算方法如下：
A＝2ar-a (4)
C＝2r (5)
式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量；
若|A|≥1，则随机选择一个位置向量，根据表达式(6)进行位置更新
X(t+1)＝Xrand-A·D (6)
D＝|C·Xrand-X| (7)
式中，Xrand为当前鲸群随机选择的位置向量；
当概率p≥0.5时，通过表达式(8)进行位置更新：
X(t+1)＝D'·ebl·cos(2πl)+X*(t) (8)
D'＝|X*(t)-X(t)| (9)
式中，b是用来定义螺旋形状的常量系数，l是[-1,1]区间内的一个随机数， D'为鲸鱼个体与目标猎物之间的距离向量；
S36、重复步骤S33～S35，直到最大迭代次数，得到最佳输入权值和阈值， 将最佳输入权值和阈值带入ELM网络进一步训练；
将微电网侧线路位置10％、20％、40％、60％、80％、90％处的数据样本 作为训练样本，线路位置30％、50％、70％处的数据样本作为测试样本对网络 进行训练和测试，特征向量X＝[x1,x2,...,x24]T为网络的输入样本，网络的输出 样本为T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当线路出现故障时，故障相是否接地；当其为0时，代表未发生故障或此 时故障相未接地；当输出为1时，则代表故障相接地，从而识别出微电网内部 线路故障类型。
可优选的是，微电网内部线路故障类型包括单相接地短路即AG,BG,CG 短路、两相短路即AB,AC,BC短路、两相接地短路即ABG,ACG,BCG短路、 三相短路即ABC短路和三相接地短路即ABCG短路的故障。
可优选的是，选用BP神经网络、RBF神经网络和ELM建立诊断模型， 分别计算WOA-ELM模型、BP神经网络、RBF神经网络和ELM的实际输出 与期望输出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对 比分析，根据式(15)、(16)、(17)分别计算所述四种模型实际输出与期望输 出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析如 下，
Figure BDA0002818525890000041
Figure BDA0002818525890000042
Figure BDA0002818525890000043
从而验证WOA-ELM模型的有效性和可靠性。
本发明具有以下有益效果：
本方法利用鲸鱼算法具有收敛速度快、全局寻优能力强等特点，对ELM 的输入权值和隐层神经元阈值进行优化，有效地避免了网络输入权值和隐层阈 值随机初始化的不足，增强了模型的逼近能力，提高了网络的识别精度。而且， 本发明的方法不仅适用于微电网的故障分析，也适用于复杂电网的故障判别， 应用领域较为广泛。
附图说明
图1为本申请基于鲸鱼算法优化极限学习机的微电网故障诊断方法的流程 示意图；
图2为本发明微电网系统结构图；
图3A-3D分别为对WOA-ELM诊断模型与BP神经网络、RBF神经网络 和ELM建立诊断模型进行对比分析时训练样本的t1、t2、t3、t4期望输出与 实际输出结果示意图；
图4A-4D分别为对WOA-ELM诊断模型与BP神经网络、RBF神经网络 和ELM建立诊断模型进行对比分析时测试样本的t1、t2、t3、t4期望输出与 实际输出结果示意图；
具体实施方式
本发明是这样实现的：
S1、根据微电网系统结构图建立包含风光储的微电网并网运行仿真模型， 对每类故障类型进行仿真得到三相故障电压信号；
S2、利用小波包分析对采集到的三相故障电压信号进行3层小波包分解和 重构，共得到24个小波包重构信号，计算这24个小波包重构信号的小波包能 量熵构造成一组特征向量做为神经网络的输入；
S3、利用鲸鱼优化算法优化极限学习机的输入权值和阈值，以提高网络的 全局搜索能力，使网络具有更好的识别精度；
S4、最后验证基于鲸鱼算法优化极限学习机的微电网故障诊断模型的有效 性，其验证过程如下：
选用BP神经网络、RBF神经网络和ELM建立诊断模型，分别计算这四 种模型实际输出与期望输出的均方误差MSE、均方根误差RMSE、平均绝对 误差MAE进行对比分析。
在本发明的一个优选实施方式中，本发明的基于鲸鱼算法优化极限学习机 的微电网故障诊断方法，包括如下步骤：
S1、首先建立包含风力发电机、光伏电池和蓄电池的微电网并网运行仿真 模型，然后对微电网侧线路的10％、20％、30％、40％、50％、60％、70％、80％、 90％位置处的每类线路故障类型进行仿真，并采集线路两端的三相故障电压信 号；
S2、选择db6小波作为小波基，根据小波包系数递推表达式分别对仿真得 到的三相故障电压信号进行3层小波包分析，，所述三相故障电压信号包括A 相故障电压信号、B相故障电压信号和C相故障电压信号，每个故障电压信号 能得到8个不同频带内的子信号，将其按照从低频到高频的顺序对其进行重新 排序；对8个不同频带分别进行小波包信号重构，共得到8个小波包重构信号； 计算每个小波包重构信号的小波包能量熵，并将得到8个小波包能量熵共同构 造出一组特征向量；A相故障电压信号、B相故障电压信号和C相故障电压信 号共得到共包含24个小波包能量熵的特征向量X＝[x1,x2,...,x24]T，将其作为 数据样本；
S3、利用鲸鱼算法WOA优化极限学习机ELM的输入权值和隐含层阈值， 以提高网络的全局搜索能力，将S2得到的数据样本带入WOA-ELM模型进行 训练和验证，具体步骤如下：
S31、参数初始化，设置鲸鱼算法的参数：鲸鱼个体数、最大迭代次数、 变量维数，变量上限和下限；
S32、种群初始化，随机初始化所有鲸鱼个体各个维度的位置值，每个鲸 鱼个体的各个维度的位置值代表输入权值或阈值；
S33、计算适应度值，选择ELM的目标函数表达式(1)计算每个鲸鱼个 体的适应度值；
Figure BDA0002818525890000061
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量；
S34、更新最优解，根据每个鲸鱼个体的适应度值在所有解中找到最优解 的位置，所述最优解的位置用于更新每个鲸鱼个体的位置；
S35、每个鲸鱼个体的位置更新，当选择收缩包围机制或螺旋更新位置的 概率p＜0.5且|A|＜1时，根据表达式(2)进行每个鲸鱼个体的位置更新：
X(t+1)＝X*(t)-A·D (2)
D＝|C·X*(t)-X(t)| (3)
式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的 位置向量，t为迭代次数，A和C为系数向量，X*为当前获得的鲸群中最优解 的位置向量，A和C计算方法如下：
A＝2ar-a (4)
C＝2r (5)
式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量；
若|A|≥1，则随机选择一个位置向量，根据表达式(6)进行位置更新
X(t+1)＝Xrand-A·D (6)
D＝|C·Xrand-X| (7)
式中，Xrand为当前鲸群随机选择的位置向量。
当概率p≥0.5时，通过表达式(8)进行位置更新：
X(t+1)＝D'·ebl·cos(2πl)+X*(t) (8)
D'＝|X*(t)-X(t)| (9)
式中，b是用来定义螺旋形状的常量系数，l是[-1,1]区间内的一个随机数，D' 为鲸鱼个体与目标猎物之间的距离向量；
S36、重复步骤S33～S35，直到最大迭代次数，得到最佳输入权值和阈值， 将最佳输入权值和阈值带入ELM网络进一步训练；
将微电网侧线路位置10％、20％、40％、60％、80％、90％处的数据样本 作为训练样本，线路位置30％、50％、70％处的数据样本作为测试样本对网络 进行训练和测试，特征向量X＝[x1,x2,...,x24]T为网络的输入样本，网络的输出 样本为T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当线路出现故障时，故障相是否接地；当其为0时，代表未发生故障或此 时故障相未接地；当输出为1时，则代表故障相接地，从而识别出微电网内部 线路故障类型。
进一步的，步骤S1中所述的建立微电网模型并采集三相故障电压的方法 包括，根据系统结构图2，在MATLAB\Simulink环境下搭建包含风力发电机 (10kW)、光伏电池(10kW)和蓄电池(10Ah)的微电网并网运行模型。图 2中，滤波电感L1、L2、L3均为3.6e-3H，滤波电容C1、C2、C3均为200e-6F， 用电负荷Load1、Load2、Load3、Load4分别为10kVA、10kVA、5kVA、15kVA， 线路电阻r为0.175Ω/km，线路电抗x为0.070Ω/km。
微电网内部线路故障包括单相接地短路即AG,BG,CG短路、两相短路即 AB,AC,BC短路、两相接地短路即ABG,ACG,BCG短路、三相短路即ABC 短路和三相接地短路即ABCG短路故障。分别对微电网侧P1与P2之间线路的 10％、20％、30％、40％、50％、60％、70％、80％、90％位置处的每类线路故 障类型进行仿真，得到三相故障电压信号。
进一步的，步骤S2中所述的利用小波包分析三相故障电压信号的方法包 括，首先选择db6小波作为小波基，根据由正交小波变换快速算法得到的小波 包系数的递推表达式(1)对仿真得到的A相故障电压进行3层小波包分析， 得到8个不同频带内的子信号。
Figure BDA0002818525890000081
式中，h(k)为低通滤波系数，g(k)为高通滤波系数；λi j(k)为小波包分解后第 i层第j个节点所对应的第k个系数。
然后将这8个子信号按照从低频到高频的顺序对其进行重新排序。根据小 波包重构表达式(2)对各个频带分别进行小波包信号重构，共得到8个小波 包重构信号。
Figure BDA0002818525890000082
最后根据式(3)计算每个小波包重构信号的小波包能量熵，并将得到8 个小波包能量熵共同构造出一组特征向量。
Figure BDA0002818525890000083
式中，L为原始信号长度，Xi,j为第i层第j个分解信号，P(Xi,j)为频带能量 概率密度，数学表达式为
Figure BDA0002818525890000084
式中，Ei,j为第i层第j个分解信号的能量，定义为
Figure BDA0002818525890000085
式中，N为第j个频带的长度。
对B相和C相电压信号进行相同的处理，可得到共包含24个小波包能量 熵的特征向量X＝[x1,x2,...,x24]T，将其作为网络的输入样本。
进一步的，步骤S3中所述的利用鲸鱼算法WOA优化极限学习机的初始 输入权值和隐含层阈值的方法包括，
S31、参数初始化。设置鲸鱼算法WOA的参数：鲸鱼个体数、最大迭代 次数、变量维数，变量上限和下限。
S32、种群初始化。随机初始化所有鲸鱼个体各个维度的位置值，每个鲸 鱼个体各个维度的位置值代表输入权值或阈值。
S33、计算适应度值。选择式(6)作为目标函数计算每个鲸鱼个体的适应 度值。
Figure BDA0002818525890000091
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量。
S34、更新最优解。根据每个鲸鱼个体的适应度值在所有解中找到最优解 的位置，根据最优解的位置更新每个鲸鱼个体的位置。
S35、每个鲸鱼个体的位置更新。当选择收缩包围机制或螺旋更新位置的 概率p＜0.5且|A|＜1时，根据式(7)进行位置更新
X(t+1)＝X*(t)-A·D (7)
D＝|C·X*(t)-X(t)| (8)
式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的 位置向量，t为迭代次数，A和C为系数向量，X*为当前获得的鲸群中最优解 的位置向量。A和C计算方法如下：
A＝2ar-a (9)
C＝2r (10)
式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量。
若|A|≥1，则随机选择一个位置向量，根据式(11)进行位置更新
X(t+1)＝Xrand-A·D (11)
D＝|C·Xrand-X| (12)
式中，Xrand为当前鲸群随机选择的位置向量。
当概率p≥0.5时，通过式(13)进行位置更新。
X(t+1)＝D'·ebl·cos(2πl)+X*(t) (13)
D'＝|X*(t)-X(t)| (14)
式中，b是用来定义螺旋形状的常量系数，l是[-1,1]区间内的一个随机数，D' 为鲸鱼个体与目标猎物之间的距离向量。
S36、重复步骤S33、～S35，直到最大迭代次数，得到最佳输入权值和阈 值，将最佳输入权值和阈值带入ELM网络进一步训练。
将X＝[x1,x2,...,x24]T作为网络的输入样本，网络的输出样本为 T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当 线路出现故障时，故障相是否接地。当其为0时，代表未发生故障或此时故障 相未接地；当输出为1时，则代表故障相接地。
将线路位置10％、20％、40％、60％、80％、90％处的数据样本作为训练 样本，30％、50％、70％处的数据样本作为测试样本对网络进行训练和测试。
进一步的，步骤S4中所述的验证WOA-ELM诊断模型的有效性，具体过 程如下：
选用BP神经网络、RBF神经网络和ELM建立诊断模型进行对比分析， 得到故障诊断结果：BP神经网络模型的训练和测试误差较大，其它三种模型 的训练和测试结果都能很好地逼近期望输出，实际值与期望值之间的误差小， 训练和测试结果精度高。
为了更全面、精确的比较这四种模型的优劣，根据式(15)、(16)、(17) 分别计算这四种模型实际输出与期望输出的均方误差MSE、均方根误差RMSE、 平均绝对误差MAE进行对比分析。
Figure BDA0002818525890000101
Figure BDA0002818525890000102
Figure BDA0002818525890000103
S1、首先在MATLAB\simulink环境下搭建包含风力发电机(10kW)、光 伏电池(10kW)和蓄电池(10Ah)的微电网并网运行仿真模型。然后对微电 网侧线路的10％、20％、30％、40％、50％、60％、70％、80％、90％位置处的 每类线路故障类型进行仿真，并采集线路两端三相故障电压信号。
S2、选择db6小波作为小波基，根据小波包系数递推表达式对仿真得到的 A相故障电压进行3层小波包分析，得到8个不同频带内的子信号，并按照从 低频到高频的顺序对其进行重新排序。对各个频带分别进行小波包信号重构， 共得到8个小波包重构信号。根据小波包重构表达式计算每个小波包重构信号 的小波包能量熵，并将得到8个小波包能量熵共同构造出一组特征向量。对B 相和C相电压信号进行相同的处理，可得到共包含24个小波包能量熵的特征 向量X＝[x1,x2,...,x24]T。
S3、极限学习机(Extreme learning machine，ELM)是一种快速学习算法， 用于训练单隐层前馈神经网络，具有自主学习、学习速度快、泛化能力强等特 点，可以对微电网故障类型进行有效识别，但由于极限学习机的输入权值和隐 含层节点阈值是随机初始化的，对网络性能有一定影响，因此利用鲸鱼算法 (Whale optimization algorithm，WOA)具有参数设置简单、学习速度快、寻 优精度高、全局寻优能力强等特点来优化极限学习机的输入权值和隐含层阈值， 选用ELM的目标函数计算鲸鱼个体的适应度值，将S2得到的数据样本带入 WOA-ELM模型进行训练和验证，以提高网络的全局搜索能力，使网络具有更 好的识别精度。
鲸鱼算法优化极限学习机的具体步骤如下：
1)参数初始化。设置WOA的参数：鲸鱼个体数、最大迭代次数、变量 维数，变量上限和下限。
2)种群初始化。随机初始化所有鲸鱼个体各个维度的位置值，每个鲸鱼 个体各个维度的位置值代表输入权值或阈值。
3)计算适应度值。选择ELM的目标函数表达式(1)计算每个鲸鱼个体 的适应度值。
Figure BDA0002818525890000111
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量。
4)更新最优解。根据每个鲸鱼个体的适应度值在所有解中找到最优解的 位置，根据最优解的位置更新每个鲸鱼个体的位置。
5)每个鲸鱼个体的位置更新。当选择收缩包围机制或螺旋更新位置的概 率p＜0.5且|A|＜1时，根据式(2)进行位置更新
X(t+1)＝X*(t)-A·D (2)
D＝|C·X*(t)-X(t)| (3)
式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的 位置向量，t为迭代次数，A和C为系数向量，X*为当前获得的鲸群中最优解 的位置向量。A和C计算方法如下：
A＝2ar-a (4)
C＝2r (5)
式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量。
若|A|≥1，则随机选择一个位置向量，根据式(6)进行位置更新
X(t+1)＝Xrand-A·D (6)
D＝|C·Xrand-X| (7)
式中，Xrand为当前鲸群随机选择的位置向量。
当概率p≥0.5时，通过式(8)进行位置更新。
X(t+1)＝D'·ebl·cos(2πl)+X*(t) (8)
D'＝|X*(t)-X(t)| (9)
式中，b是用来定义螺旋形状的常量系数，l是[-1,1]区间内的一个随机数，D' 为鲸鱼个体与目标猎物之间的距离向量。
6)重复步骤3)～5)，直到最大迭代次数，得到最佳输入权值和阈值，将 最佳输入权值和阈值带入ELM网络进一步训练。
将X＝[x1,x2,...,x24]T作为网络的输入样本，网络的输出样本为 T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当 线路出现故障时，故障相是否接地。当其为0时，代表未发生故障或此时故障 相未接地；当输出为1时，则代表故障相接地。
将线路位置10％、20％、40％、60％、80％、90％处的数据样本作为训练 样本，30％、50％、70％处的数据样本作为测试样本对网络进行训练和测试。
为了更全面、精确的比较这四种模型的优劣，验证WOA-ELM诊断模型 比其他模型性能更好，识别精度更高，选用BP神经网络、RBF神经网络和 ELM建立诊断模型，分别计算这四种模型实际输出与期望输出的均方误差 MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析，得出结果： WOA-ELM模型的3种测试误差分别为1.0091e-4、0.0099、0.0072，均为最小。 因此，WOA-ELM模型的测试结果最准确，泛化能力最强，识别精度最高。
下面结合一个具体实例对本发明的基于鲸鱼算法优化极限学习机的微电 网故障诊断方法或者称为判断方法进行说明。
S1、根据系统结构图2，在MATLAB\simulink环境下搭建包含10kW风 力发电机、10kW光伏电池和10Ah蓄电池的微电网模型。滤波电感L1、L2、L3均为3.6e-3H，滤波电容C1、C2、C3均为200e-6F，用电负荷Load1、Load2、Load3、 Load4分别为10kVA、10kVA、5kVA、15kVA，线路电阻r为0.175Ω/km，线 路电抗x为0.070Ω/km。对微电网侧P1与P2之间线路的10％、20％、30％、40％、 50％、60％、70％、80％、90％位置处的每类线路故障类型进行仿真。选择db6小波作为小波基，根据式(2)对仿真得到的A相故障电压进行3层小波包分 析，得到23个不同频带内的子信号，并按照从低频到高频的顺序对其进行重新 排序。对各个频带分别进行小波包信号重构，共得到8个小波包重构信号。根 据式(3)计算每个小波包重构信号的小波包能量熵，并将得到8个小波包能 量熵共同构造出一组特征向量。对B相和C相电压信号进行相同的处理，可 得到共包含24个小波包能量熵的特征向量X＝[x1,x2,...,x24]T。
将X＝[x1,x2,...,x24]T作为网络的输入样本，网络的输出样本为 T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当 线路出现故障时，故障相是否接地。当其为0时，代表未发生故障或此时故障 相未接地；当输出为1时，则代表故障相接地。
将线路位置10％、20％、40％、60％、80％、90％处的数据样本作为训练 样本，30％、50％、70％处的数据样本作为测试样本。ELM的输入层神经元个 数为24，输出层神经元个数为4，根据试凑法确定隐层神经元个数为35，设 置WOA的鲸鱼数量为30、最大迭代次数为200、变量维数为875。
S2、将数据样本代入WOA-ELM故障诊断模型中进行训练和测试，得到 线路位置50％处测试样本线路故障诊断结果如表1所示。
表1 50％处测试样本故障诊断结果
Figure BDA0002818525890000141
从表1可看出，WOA-ELM故障诊断模型的期望输出和实际输出之间误差 的绝对值最大不超过0.015，误差小、精度高、逼近能力强，可对微电网线路 故障类型进行准确识别。
为了验证WOA-ELM诊断模型比其他模型性能更好，识别精度更高，选 用BP神经网络、RBF神经网络和ELM建立诊断模型进行对比分析。72个训 练样本的期望输出与实际输出结果如图3A-图3D所示。
从图3A-3D可看出，BP神经网络模型的训练误差较大，其它三种模型的 训练结果都能很好地逼近期望输出，实际值与期望值之间的误差小，训练精度 高。
所有36个测试样本的期望输出与实际输出结果如图4A-4D所示。
从图4A-4D可看出，BP神经网络模型、RBF神经网络模型和未优化的 ELM模型的测试结果均出现较大误差，而WOA-ELM模型的测试精度最高。 为了更全面、精确的比较这四种模型的优劣，根据式(20)、(21)、(22)分别 计算这四种模型实际输出与期望输出的均方误差MSE、均方根误差RMSE、 平均绝对误差MAE进行对比分析。
Figure BDA0002818525890000142
Figure BDA0002818525890000143
Figure BDA0002818525890000144
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量。
WOA-ELM模型、BP神经网络模型、RBF神经网络和ELM模型的训练 误差值如表2所示，测试误差值如表3所示。
表2各模型的训练误差
Figure BDA0002818525890000151
表3各模型的测试误差
Figure BDA0002818525890000152
从表2可看出，WOA-ELM模型的3种训练误差均比BP神经网络模型和 ELM模型的训练误差小约一个数量级，而RBF神经网络模型的3种训练误差 均比WOA-ELM模型的3种训练误差还小6～13个数量级，训练效果最好，但 是从表3可看出，WOA-ELM模型的3种测试误差明显小于RBF神经网络模 型的3种测试误差，说明RBF神经网络模型出现了过拟合现象，泛化能力弱， 未能很好地实现对未训练故障类别的准确识别。BP神经网络模型和ELM模型 的3种测试误差均比WOA-ELM模型的3种测试误差大，因此，WOA-ELM 模型的测试结果最准确，泛化能力最强，识别精度最高。
通过对上述结合实例的描述可知，本发明提出一种基于鲸鱼算法优化极限 学习机的微电网故障诊断方法，利用鲸鱼算法具有收敛速度快、全局寻优能力 强等特点，对ELM的输入权值和隐层神经元阈值进行优化，有效地避免了网 络输入权值和隐层阈值随机初始化的不足，增强了模型的逼近能力，明显提高 了网络的识别精度。仿真结果表明，WOA-ELM模型比BP神经网络模型、RBF 神经网络模型和ELM模型的识别精度高，能更准确的识别微电网内部线路故 障类型，验证了WOA-ELM模型的有效性和可靠性。
本发明方法与现有方法相比有如下优点：
1、本发明的基于鲸鱼算法优化极限学习机的微电网故障诊断方法是一种 识别精度更高、速度更快的微电网故障诊断方法；
2、本发明的方法利用鲸鱼算法具有收敛速度快、全局寻优能力强等特点， 对ELM的输入权值和隐层神经元阈值进行优化，有效地避免了网络输入权值 和隐层阈值随机初始化的不足，增强了模型的逼近能力，明显提高了网络的识 别精度；
3、本发明的方法不仅适用于微电网发生故障，也适用于复杂电网的故障 判别，具有一定的较好的通用性。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明 的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对 本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的 保护范围内。

Claims (3)

1.一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：其包括如下步骤：
S1、首先建立包含风力发电机、光伏电池和蓄电池的微电网并网运行仿真模型，然后对微电网侧线路的10％、20％、30％、40％、50％、60％、70％、80％、90％位置处的每类线路故障类型进行仿真，并采集线路两端的三相故障电压信号；
S2、选择db6小波作为小波基，根据小波包系数递推表达式分别对仿真得到的三相故障电压信号，所述三相故障电压信号包括A相故障电压信号、B相故障电压信号和C相故障电压信号，分别对三相故障电压信号进行3层小波包分析，每个故障电压信号能得到8个不同频带内的子信号，将其按照从低频到高频的顺序对其进行重新排序；对8个不同频带分别进行小波包信号重构，共得到8个小波包重构信号；计算每个小波包重构信号的小波包能量熵，并将得到的8个小波包能量熵共同构造出一组特征向量；A相故障电压信号、B相故障电压信号和C相故障电压信号共得到共包含24个小波包能量熵的特征向量X＝[x1,x2,...,x24]T，将其作为数据样本；
S3、利用鲸鱼算法WOA优化极限学习机ELM的输入权值和隐含层阈值，以提高网络的全局搜索能力，将S2得到的数据样本带入WOA-ELM模型进行训练和验证，具体步骤如下：
S31、参数初始化，设置鲸鱼算法的参数：鲸鱼个体数、最大迭代次数、变量维数，变量上限和下限；
S32、种群初始化，随机初始化所有鲸鱼个体各个维度的位置值，每个鲸鱼个体的各个维度的位置值代表输入权值或阈值；
S33、计算适应度值，选择ELM的目标函数表达式(1)计算每个鲸鱼个体的适应度值；
Figure FDA0003345863280000011
式中，Oi为第i个样本的实际输出向量，Ti为第i个样本的期望输出向量；
S34、更新最优解，根据每个鲸鱼个体的适应度值在所有解中找到最优解的位置，所述最优解的位置用于更新每个鲸鱼个体的位置；
S35、每个鲸鱼个体的位置更新，当选择收缩包围机制或螺旋更新位置的概率p＜0.5且|A|＜1时，根据表达式(2)进行每个鲸鱼个体的位置更新：
X(t+1)＝X*(t)-A·D (2)
D＝|C·X*(t)-X(t)| (3)
式中，D是当前鲸群中最优解与鲸鱼个体当前解的距离向量，X为当前解的位置向量，t为迭代次数，A和C为系数向量，X*为当前获得的鲸群中最优解的位置向量，A和C计算方法如下：
A＝2ar-a (4)
C＝2r (5)
式中，a随迭代次数的增加由2线性递减至0，r是0到1之间的任意向量；
若|A|≥1，则随机选择一个位置向量，根据表达式(6)进行位置更新
X(t+1)＝Xrand-A·D (6)
D＝|C·Xrand-X| (7)
式中，Xrand为当前鲸群随机选择的位置向量；
当概率p≥0.5时，通过表达式(8)进行位置更新：
X(t+1)＝D'·ebl·cos(2πl)+X*(t) (8)
D'＝|X*(t)-X(t)| (9)
式中，b是用来定义螺旋形状的常量系数，l是[-1,1]区间内的一个随机数，D'为鲸鱼个体与目标猎物之间的距离向量；
S36、重复步骤S33～S35，直到最大迭代次数，得到最佳输入权值和阈值，将最佳输入权值和阈值带入ELM网络进一步训练；
将微电网侧线路位置10％、20％、40％、60％、80％、90％处的数据样本作为训练样本，线路位置30％、50％、70％处的数据样本作为测试样本对网络进行训练和测试，特征向量X＝[x1,x2,...,x24]T为网络的输入样本，网络的输出样本为T＝[t1,t2,t3,t4]T，t1、t2和t3分别代表A相、B相和C相的线路状态，t4代表当线路出现故障时，故障相是否接地；当其为0时，代表未发生故障或此时故障相未接地；当输出为1时，则代表故障相接地，从而识别出微电网内部线路故障类型；通过利用鲸鱼算法优化极限学习机的输入权值和隐含层阈值建立故障诊断模型，WOA-ELM模型能更识别微电网内部线路故障类型；WOA-ELM故障诊断模型的期望输出和实际输出之间误差小，能对微电网线路故障类型进行准确识别。
2.根据权利要求1所述的基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：所述微电网内部线路故障类型包括单相接地短路即AG、BG、CG短路；两相短路即AB、AC、BC短路；两相接地短路即ABG、ACG、BCG短路；三相短路即ABC短路和三相接地短路即ABCG短路的故障。
3.根据权利要求1所述的基于鲸鱼算法优化极限学习机的微电网故障诊断方法，其特征在于：选用BP神经网络、RBF神经网络和ELM建立诊断模型，分别计算WOA-ELM模型、BP神经网络、RBF神经网络和ELM的实际输出与期望输出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析，根据式(15)、(16)、(17)分别计算所述四种模型实际输出与期望输出的均方误差MSE、均方根误差RMSE、平均绝对误差MAE进行对比分析如下，
Figure FDA0003345863280000031
Figure FDA0003345863280000032
Figure FDA0003345863280000033
从而验证WOA-ELM模型的有效性和准确性。
CN202011414453.0A 2020-12-04 2020-12-04 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 Active CN112578312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414453.0A CN112578312B (zh) 2020-12-04 2020-12-04 基于鲸鱼算法优化极限学习机的微电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414453.0A CN112578312B (zh) 2020-12-04 2020-12-04 基于鲸鱼算法优化极限学习机的微电网故障诊断方法

Publications (2)

Publication Number Publication Date
CN112578312A CN112578312A (zh) 2021-03-30
CN112578312B true CN112578312B (zh) 2022-03-15

Family

ID=75127432

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414453.0A Active CN112578312B (zh) 2020-12-04 2020-12-04 基于鲸鱼算法优化极限学习机的微电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN112578312B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326969B (zh) * 2021-04-29 2023-06-20 淮阴工学院 基于改进的鲸鱼优化算法及elm的短期风速预测方法及系统
CN113253050B (zh) * 2021-05-08 2022-07-12 南昌大学 一种基于鲸鱼优化卡尔曼滤波算法的行波故障测距方法
CN113361785A (zh) * 2021-06-10 2021-09-07 国网河北省电力有限公司经济技术研究院 配电网短期负荷预测方法、装置、终端及存储介质
CN113409206A (zh) * 2021-06-11 2021-09-17 西安工程大学 一种高精度的数码印花颜色空间转换方法
CN113281620B (zh) * 2021-07-22 2021-12-14 广东电网有限责任公司惠州供电局 基于自适应鲸鱼算法的故障区段定位方法、系统及介质
CN113703422B (zh) * 2021-08-26 2023-07-18 华北电力大学 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法
CN113702767B (zh) * 2021-08-31 2023-01-10 中南大学 基于小波滑窗能量的孤岛直流微电网故障诊断方法
CN115047305A (zh) * 2022-05-12 2022-09-13 河北工业大学 一种基于信号处理重构的逆变器开路故障辨识的方法
CN115096590B (zh) * 2022-05-23 2023-08-15 燕山大学 一种基于iwoa-elm的滚动轴承故障诊断方法
CN115146707B (zh) * 2022-06-07 2023-07-07 湖南雪墨电气科技有限公司 一种多功能物联网功率因素检测方法
CN115859201B (zh) * 2022-11-22 2023-06-30 淮阴工学院 一种化工过程故障诊断方法及系统
CN116973694B (zh) * 2023-09-22 2023-12-12 国网浙江宁波市鄞州区供电有限公司 配电网故障诊断优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN109101738A (zh) * 2018-08-24 2018-12-28 河北工业大学 一种igbt模块老化程度评估方法
CN110221176A (zh) * 2019-06-28 2019-09-10 昆明理工大学 一种基于交叉重叠差分变换的微电网故障检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3605776B1 (en) * 2018-07-31 2022-04-20 Schneider Electric Industries SAS Method for locating phase faults in a microgrid
CN110489856A (zh) * 2019-08-15 2019-11-22 安徽机电职业技术学院 一种基于cps的微电网可靠建模方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN109101738A (zh) * 2018-08-24 2018-12-28 河北工业大学 一种igbt模块老化程度评估方法
CN110221176A (zh) * 2019-06-28 2019-09-10 昆明理工大学 一种基于交叉重叠差分变换的微电网故障检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Extreme learning machine optimized by whale optimization algorithm using insulated gate bipolar transistor module aging degree evaluation;Li L L等;《Expert Systems With Applications》;20190801;58-67 *
Optimized ELM based on Whale Optimization Algorithm for gearbox diagnosis;Firdaus Isham M 等;《ENGINEERING APPLICATION OF ARTIFICIAL INTELLIGENCE CONFERENCE 2018 (EAAIC 2018)》;20190130;1-7 *
基于Shannon熵和BP神经网络的微电网短路故障诊断;姜春娣等;《南方农机》;20200128(第02期);14-16、19 *
基于WOA-ELM的数字化校园安全评价;董博;《电子设计工程》;20201120;70-73、82 *
基于优化极限学习机的直流微电网并网等效建模;吴忠强 等;《电力自动化设备》;20200610;43-49 *
小波包分析与神经网络的微电网线路故障诊断;杨彦杰等;《自动化仪表》;20170920(第09期);65-69、74 *

Also Published As

Publication number Publication date
CN112578312A (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN112578312B (zh) 基于鲸鱼算法优化极限学习机的微电网故障诊断方法
CN109873610B (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN107453357B (zh) 一种基于分层求解的配电网状态估计方法
CN108400595B (zh) 一种考虑新能源出力相关性的电压暂降随机预估方法
CN109272156A (zh) 一种超短期风电功率概率预测方法
CN111553495A (zh) 一种基于概率神经网络的小型断路器故障分析方法
CN109086527A (zh) 一种基于风电机组运行状态的实用化等值建模方法
CN110596530A (zh) 一种小电流接地故障选线方法
CN108336739A (zh) 一种基于rbf神经网络的概率潮流在线计算方法
CN108565865B (zh) 一种含风电的交直流混联系统风险评估方法
CN115840119A (zh) 利用数据库样本的电力电缆线路劣化诊断系统及方法
CN115392133A (zh) 采用高斯混合模型的风电场最优聚类等值方法
Coban et al. Artificial neural network based fault location on 230 kv transmission line using voltage and current signals
Hong et al. Deep‐belief‐Networks based fault classification in power distribution networks
CN114266396A (zh) 一种基于电网特征智能筛选的暂态稳定判别方法
CN113595132A (zh) 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法
Wang et al. Transmission line fault diagnosis based on wavelet packet analysis and convolutional neural network
CN115796721B (zh) 高比例新能源接入的配电网运行状态智能感知方法及系统
CN109638892B (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
Ye et al. Fault classification of high voltage transmission line based on convolutional neural network
CN116131313A (zh) 特征量与暂态功角稳定性关联关系的可解释性分析方法
CN116306236A (zh) 一种基于gru-lstm-fc组合网络的风电场动态等值建模方法及系统
Sebbane et al. ANN training using fireworks algorithm and its variants for PV array fault classification
CN114519294A (zh) 基于小波奇异熵和bp神经网络的电力电缆故障识别方法
CN110417350B (zh) 一种光伏阵列的故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant