tceic.com
学霸学习网 这下你爽了
赞助商链接
当前位置:首页 >> 电力/水利 >>

基于RBF神经网络的超高压继电保护的算法研究1


基于 RBF 神经网络的超高压继电保护的算法研究
张冬 1 王涛 2
(1 内蒙古超高压供电局,内蒙古 呼和浩特 010080;2 苏州大学电子信息学院,江苏 苏州 215021) 摘 要 本文提出一种基于 RBF 神经网络的超高压继电保护的算法。该算法是由于径向基神经网络(RBFN)具有学习性,

可以根据已有的继电保护参数样本集进行训练,从中分析出故障检测、故障定位,自适应自动重合闸技术、差动保护以及距 离保护的内在联系, 实现对以后的继电保护数据样本进行自适应控制。 本算法的优点就是在构造过程考虑了径向基神经网络 (RBFN)的预测精度和训练时间,采用了线性最小二乘法(LLS)和梯度下降法的方法,运用做了 MATLAB 仿真实验,获得了较 为准确的预测结果。 关键词:径向基神经网络(RBFN) ;超高压;继电保护;LLS;梯度下降法; 中图法分类号:TP332 文章编号: 文献标识码:B

Research of relaying of EHV Algorithm Based On RBF Neural Network
Dong Zhang1 Tao Wang2
(1 Inner Mongolia Electric Power Group Hohhot, China, 010000; 2 School of Electronics and Information Engineering, Soochow University, Suzhou Jiangsu 215006)

Abstract:This paper presents a solution of EHV (Extra High Voltage) relaying algorithm based on RBFN (Radial Basis Function Neural Network ). Being able to learn, RBFN could improve itself over past experience, therefore enabling the algorithm to locate, detect and analyze from training the existing relaying data samples the interconnection of automatic reclosure, differential protection and distance protection techniques, subsequently realizing a self-adaptive control of future relaying data samples. Highlight of this algorithm is that by taking the factors of both predicting precision and training time of RFBN into consideration in the process of construction, Using linear least squares (LLS) and the gradient descent method, using MATLAB simulations done to obtain a more accurate prediction.
Keywords: RBFN;EHV; Relaying;LLS;gradient descent;

0 引言
随着电力工业的不断发展,现代电力系统已成 为一个高阶非线性、高复杂度的大系统,人们对系 统运行的可靠性、持续性和稳定性要求也越来越 高,这就使得电力系统中问题的解决越来越困难。 继电保护的任务就是检测故障信息,识别故障信 号,进而决定保护是否跳闸。传统的继电保护和故 障诊断方法自适应能力有限,不能适应各种运行方 式和诊断复杂故障。径向基神经网络(RBFN)具有 很强的自适应能力、学习能力、非线性映射能力和 容错能力,并且鲁棒性好,应用在电力系统继电保 护有很大优势,很多难以列出方程式或难以求解的 复杂的非线性问题,应用径向基神经网络(RBFN) 方法都可以得到很好的解决。

1 人工神经网络概述
1.1 人工神经网的概念 人工神经网络(Artificial Neural Networks, 简写为 ANNs)也简称为神经网络(NNs)或称作连 接模型(Connectionist Model) ,它是一种模范动 物神经网络行为特征,进行分布式并行信息处理的 算法数学模型。这种网络依靠系统的复杂程度,通 过调整内部大量节点之间相互连接的关系,从而达 到处理信息的目的。人工神经网络具有自学习和自 适应的能力,可以通过预先提供的一批相互对应的 输入-输出数据,分析掌握两者之间潜在的规律, 最终根据这些规律,用新的输入数据来推算输出结 果,这种学习分析的过程被称为“训练” 。 人工神经网络是一门模拟人脑生物过程的人工

智能技术,是根据大脑神经元电化学活动抽象出来 的一种多层网络结构,它是由大量的神经元互联形 成的复杂的非线性系统。神经元结构如图 1 所示。 所有输入 M 通过一个权重 K 进行加权求和后加上阈 值 d,再经传递函数 f 的作用后即为该神经元的输 出 a,且有:

2 ? ? ? || x ? ? j || ? G j ( x) ? exp?? ? 2 ?j ? ? ? ?

(2)

输出层为隐含层各个单元的加权和

y ? f ( x) ? ?? j G j ( x)
j ?1

?

c

(3)

a ? f (MK ? d )
M1 M2 M3 Mr
?

(1)

其中x = [ X1, X2 , ?,Xn ] 为输入向量,
K1 n T

? j ,? j

分别为第j个神经元的中心和大小, c 为神经元的 个数, 而? j 为第j 个神经元对应的权值。

∑ Kr d

F

2 基于RBF的超高压继电保护算法
图 1 人工神经元模型

1.2 径向基神经网络(RBFN)理论 径向基神经网络(RBFN)是一个三层的前馈 神经网络, ,包括一个输入层、一个径向基层(即隐 含层)和一个输出层。其基本原理是以径向基函数 作为隐层单元的基,构成隐含层空间,隐含层对输 入矢量进行变换将低维的模式输入数据变换到高 维空间内,使得在低维空间内的线性不可分问题在 高维空间内线性可分。径向基函数它模拟了人脑中 局部调整、相互覆盖感受野(receptive field), 因此是一种局部逼近网络,科学界已经证明它能以 任意精度逼近任意函数,其拓扑结构如图 2 所示。
G(X,X1) X1 G(X,X2) Y1

2.1 训练数据的样本采集 训练所需要的样本数据,直接关系到训练出来 经验函数精度的优劣,所以一组好的训练样本是经 验函数精度的保证。本文采用内蒙古电力集团公司 超高压局近几年对继电保护数据记录,其中样本数 据繁多,从中选取了5000个有效数据作为样本,用 其中4000来训练经验函数,后1000个用来检测训练 效果。 2.2 RBF 神经网络混合学习算法 RBF 网络的学习分为两个过程。第一个过程: 根据所有输入向量确定各隐含层节点的高斯函数 的中心值 c j 。第二个过程:在确定了隐含层 j 的参 数后,根据样本,利用最小二乘法原则求出输出层 的权值? jt 。建立 RBF 神经网络的关键问题是根据 给定的训练样本确定径向基函数的中心。因为一旦

X2

G(X,X3)

Y2

...

...

Xn

Yr

G(X,Xp)

...

确定了径向基函数的中心 c j , 则对于所有的训练样 本而言 G j ,和预期输出 yt 是已知的,输出权值

图2

RBF 网络结构图

输入层节点获取输入向量后,传递输入向量到 隐含层。隐含层节点由径向基函数构成,径向基函 数可采取多种形式(通常采用 Gaussian 函数)。隐 含层执行非线性变换,将输入空间映射到一个新的 空间。输出层通常是简单的线性函数。隐含层节点 和输出层节点以不同的权重完全连接。隐含层节点 的激活函数对输入激励产生一个局部响应,输入向 量越靠近基函数的中心,隐含层节点做出的响应越 大。隐含层第 j 结点的输出响应为:

? jt 可以通过最小二乘法求出。
2.2.1 调整隐层神经元中心及宽度 梯度下降法的构造过程,首先定义误差函数:

E?

1 N n ?E 2 n ?1

(4)

其中 为输入第 n 个样本是的误差,N 为样本个数, 的定义为:

E ? ? (t ? y )
n k ?1 n k

s

n 2 k

n=1,2,3?,N

(5)

本都具有代表性,消除重复训练,提高训练速率。 第二阶段是训练经验函数。训练过程如图3所示。
样本预处理

要使误差函数最小化,则参数的修正量应与其负梯 度 成 正 比 则 有 , ?C j ? ??1

?E ?C j



导入全部样本值

?E 代入后得: ?? j ? ??2 ?? j
n n ?C j ? 2?1 ?? (t kn ? yk ) ? Rn j ? w (k , j ) ? n ?1 k ?1 N s

初始化隐层单元, LLS计算连接矩阵W

计算初始误差

pn ? cn j
2 (? n j)

(6)

梯度下降法调整C和σ, LLS求连接矩阵W

n ?? j ? 2? 2 ?? (t kn ? y kn ) ? R n j ? w (k , j ) ? n ?1 k ?1

N

s

2 || p n ? c n j ||

加载训练样本,计算 并记录误差E(m)

N

(? )

n 3 j

(7)
误差E(m)与额定 误差E比较

当所有样本输入完成后,运用迭代的方法对参数进 行调整。如下所示:

Y 训练成功

C j (m ? 1) ? C j (m) ? ?C j

(8)
图3

? j (m ? 1) ? ? j (m) ? ?? j

经验函数的算法流程图

(9)

式中 是中心的学习速率, 是高斯宽度的学习速 率,m 为迭代次数。为了保证分类器的泛化性能, 采用的高斯宽度的学习速率通常大于中心的学习 速率,因为小的学习速率使算法收敛过慢,而过大 的学习速率可能会导致算法变得不稳定。 2.2.2 RBF 网络的权值确定 首先设定输入矩阵为: M ? R r ? N ,隐层输入矩 阵为: P ? R u ? N ,输出层矩阵为: K ? R s? N ,其中n 为训练样本。 若RBF网络的待定输出层权值 W? R s?u , 其三者 关系为: K ?W ? P (10) 样本的目标输出为:T ? (t1, t2 ,...,ts )T ? R s? N ,在这里采 用线性最小二乘法(LLS) 来使得目标输出与网络 实际输出之间的误差达到最小,运用R的 R 来求的 W为 R T。 2.2.3 经验函数训练流程图 本文所训练的经验函数的算法流程图分为两个 阶段, 第一阶段是样本处理, 由于样本具有重复性, 在经过样本处理后,就保证了存储在样本库中的样
? ?

3 实验结果与分析
本研究采用 MATLAB 7.0.0 来做仿真实验,本文 针对关注的 5 个重要的超高压继电保护指标分别进 行预测,实验数据来自内蒙古电力集团公司超高压 局近几年对继电保护数据记录,实验采用大量超高 压继电保护值来训练 RBF 神经网络,当网络训练达 到误差平方和目标 0.01 时,网络训练结束。 下面的图 4 至 8 分别为故障检测、故障定位, 自适应自动重合闸技术、差动保护以及距离保护的 预测值与实际值之间的比较 (其中横轴均为时间序 列,纵轴为超高压继电保护的相应指标值):

图 4 故障检测的预测值与实际值的比较

通过仿真结果可以看出: 曲线的拟合度较好, 说明通过 RBF 神经网络短期预测超高压继电保护取 得了较好的效果。但是长期的预测则需要考虑超高 压继电保护各衡量指标的突变情况,此时 RBF 神经 网络无法对其做出准确的预测。

4 结束语
本文主要贡献为将 RBF 神经网络及其相关算法 应用到超高压继电保护预测上,可以更好更快地动 态预测继电保护的工作状态。在其中 RBF 网络大大 提高了训练的速度,节省了时间且预测精度更高, 在局部的短期的预测中占有优势。怎样进一步改进 优化预测算法是 RBF 神经网络预测超高压继电保护 的下一步研究方向。
参考文献: [1] [2] [3] [4] 图 6 自动重合闸技术的预测值与实际值的比较 马锐.人工神经网络原理. 北京:机械工业出版 刘学军.继电保护原理.北京:中国电力出版社,2007. 贺张萍. 深度探讨继电保护装置状态检修需求及应用 黄懿.继电保护可靠运行的控制分析. 科学论 社,2010.

图 5 故障定位的预测值与实际值的比较

难点,动力与电气工程,2010.32 期 坛,2010,60-62. [5] Mohamed, E.A. Talaat, H.A.; Khamis, E.A Fault diagnosis system for tapped power transmission lines. Source: Electric Power Systems Research, p 599-613, May 2010. [6] Eissa, M.M.; Sowilam, G.M.A.; Sharaf, A.M.. A New Protection Detection Technique for High Impedance Fault Using Neural Network. Power Engineering, 2006 Large Engineering Systems Conference , 2006 , Page(s): 146 - 151. [7] 图 7 差动保护的预测值与实际值的比较 Dutta, A.A.; Kadu, A.N. Pattern recognition method for detecting fault in EHV transmission lines. Mechanical and Electrical Technology (ICMET), 2010 2nd International Conference on, 2010, Page(s): 24 - 27. [8] [9] [10] 刘田田,燕洁. 人工神经网络在电力系统继电保护中 吕卫胜. 人工智能技术在电力系统继电保护中的应用. H. Khorashadi-Zadeh, M. R. Agha Ebrahimi; AN ANN 的应用. 电力学报,2007,2 期 22 卷. 山东电力技术,2006,第 1 期. Based Approach to Improve the Distance Relaying Algorithm; Proceedings of the 2004 IEEE Conference on Cybernetics 图 8 距离保护的预测值与实际值的比较 Page(s):1374 and Intelligent Systems. 2004,









投稿栏目
计算机应用技术

通信 Email
Wangtao198692@163.com

张冬,王涛

基于 RBF 神经网络的超高压继 电保护的算法研究









收件人
王 涛





215021

江苏省,苏州市,十梓街一 号,苏州大学本部,电子信息 楼 323 室

座机:无 手机:15606137159

作者简介: 作者简介 张冬(1987-),男,内蒙古呼和浩特人, 在读硕士研究生,主要研究方向为电力系统继电保护,防雷、接地等。 王 涛(1986-),男,江苏苏州人,硕士研究生,主要研究方向为人工神经网络,模式识别等。



推荐相关:
网站首页 | 网站地图
All rights reserved Powered by 学霸学习网 www.tceic.com
copyright ©right 2010-2021。
文档资料库内容来自网络,如有侵犯请联系客服。zhit325@126.com