基于PSO与ANN的继电保护故障分类精品文档完整版Word文件下载.docx

基于PSO与ANN的继电保护故障分类精品文档完整版Word文件下载.docx

《基于PSO与ANN的继电保护故障分类精品文档完整版Word文件下载.docx》由会员分享，可在线阅读，更多相关《基于PSO与ANN的继电保护故障分类精品文档完整版Word文件下载.docx（25页珍藏版）》请在冰豆网上搜索。

广域测量系统包含由有效的软硬件组成的特殊控制方案，用来优化电力系统，维持电网输送容量和确定任何时间内的可接受的电力系统性能。

作为一种先进，准确的区域防护系统（WAPS），它可以帮助操作者采取必要的措施来组织系统的不稳定性，过载现象和由于级联跳闸导致的停电。

由于以上原因，新的WAPS方案具有非常严格的设计要求[3,4]。

对比于只提供保护本地设备（变压器，发电机等）的传统保护装置，WAPS提供了可以保护整个电力系统的全面保护。

继电保护涉及探测，分类和输电线路故障的位置，故障的分类意味着识别故障的类型，这种信息需要测量故障的位置并通过维护与修里工作来提高电力供应系统的可靠性与可用性。

由于这个原因，这种先进可靠的技术为其在保护领域引起了广泛关注。

传统的分析信号的方法通常为傅立叶变换，它是一个将信号乘以正弦波形来确定信号频率内容的过程，其输出为不同频率的正弦波形。

一个短时间隔内的瞬态信号有助于傅立叶变换的计算，但是它在时间轴上的位置将会丢失。

研究发现，傅立叶变换不适合用来分析基于瞬态保护的电力系统故障，虽然很大程度上它可以克服时间地点的问题，但是不能提供包含瞬时信号高低频率组件的时间和频率等重要特征。

本片论文运用小波分析方法[5,6]来分析故障电流波形，它克服了傅立叶变换无论在时间还是频率方面分析局部函数的局限性。

最近出现了一些小波变换（WT）在电力系统中的应用，比如电能质量监测，数据压缩，瞬态分析，故障方向歧视[7]，断层区估计[8]，自适应继电[9]，自动接通[10]，故障诊断和保护。

早些时候，自适应卡尔曼滤波算法被用做传输系统的保护，但是这种保护需要一种卡尔曼滤波的设计，如果最初估计的状态是错误的，或者这一过程出错了，滤波器可以根据线性模型的选择而快速的发散。

在过去，针对利用基波进行故障分类的方法进行了多次尝试。

然而，行波法[11]需要高采样率，并且在区分从远程终端和故障折射出的波形上存在问题。

Girgis和Jone[12]利用一种基于专业系统和相位测量单元的方法（PMU）[13]来描述对于故障的分析。

这些方法的缺点是他们依靠相量的计算。

在中继中使用模糊逻辑对故障进行分类。

模糊逻辑的优点在于使用简单的“如果——然后”关系来明确表示知识，但在应用到大规模系统中时，专业系统存在一种混合爆炸的问题[14]，同时，模糊模型的准确性方案不能满足各种各样的系统情况。

人工神经网络（ANNS）在过去的二十年中，在模式分类、函数逼近，数字信号加工，智能控制，电力系统分析，故障分析检测，数据压缩，电能质量分题，电能质量评估，保护和瞬态分析等领域里吸引了大量注意力，由于它算法的计算速度和鲁棒性使其成为了一种可以代替诸如输电线路[15]等物理系统的方法。

尽管有很多类型的神经网络，但是只有少数的基础神经系统应用于商业。

一种基于多层感知器被称为bp神经网络的特殊结构，采用监督式学习来确定复杂的非线性多维数学拟合，在工程中最受欢迎。

本文提出了一种基于多层传感器应用粒子群优化算法对不同种类的断层输电线路故障分类提供帮助。

这里提出的算法可以有效的提供一个可靠快捷的测量三相电流故障类型的估计。

该方法可在常态，单线接地，双线接地，相与相之间，三相间的故障进行分类。

该方法使用MATLAB/SIMULINK对400千伏输电线路进行仿真模拟。

通过将故障分类的结果与运用原始bp神经网络方法来测试相同数据在系统操作条件变化时的对比，从而对这个新的方法进行分析。

2.小波分析

小波分析[5,6]是一种用于信号处理的数学方法，它适用于非平稳，非周期性的宽带信号。

它有助于将系统在频率和时间方面的定位存档。

小波分析涉及到一个合适的被称为“母波”的波函数和使用到这个小波移动，扩张等变换的分析。

连续小波信号（CWT）x（t）被定义为：

CWT（a,b）=

这里的

是母波，

是它经过扩展和时移的函数，常数a,b分别是扩展和时移的参数。

CWT方法可以通过不同位置来提供信号的时间频率等特性。

CWT对应的离散化函数为DWT，它可以用于有目的的故障分析。

DWT的信号x（t）定义为：

和

是固定的常数，常取

，

，k,m,n为整数。

DWT的准确手段是通过多角度分析（MRA）实现的，通过不同的角度来分析原始信号的不同频段。

信号被分解为一个近似光滑分量和一个细节分量，近似分量在被分解为二次分量和细节分量，不断重复这一过程。

原始信号的分解可以获得高通和低通的滤波信号。

连续的分解是有等级的，MRA的细节包括其缺陷和故障分类的各个等级的特性。

3基于粒子优化法的神经网络算法

3.1人工神经网络

ANN的概念在19实际50年代被提出，从生物学角度提出了人类大脑通过相互联系的神经元构成一个处理器的构想。

人工神经网络是连接大脑与人工神经元输出之间具有可变参数和自适应性节点。

BP神经网络是一种最流行的神经网络，它可以用来解决许多非线性的问题，但是由于原始的BP神经网络常常被最小值限制，所以它有缓慢收敛的缺点。

近年来，各种各样更加先进的BP神经网络解决了很多问题，例如缩短收敛时间，减轻计算负担，减少内存需求等。

在一个典型的多层反馈感知神经网络中，存在着一个输入变量和输出变量之间的非线性简单互联神经元。

每层的节点都与前后两层节点相连，用连接权重来衡量一个神经元的输出，并通过一个非线性激活功能将其作为下一层网络神经元的输入。

在这个过程中，感知器不断呈现数据，直到目标出现错误，预期的输出足够小或是一个预设数目时期结束，网络的权重才可以确定。

ANN的建立过程通常会出现一些高维数问题。

常用的倾斜BP算法的一个主要缺点是它容易滞留在一个最佳点位，特别是那些在给定的非线性可分离分类问题和混合功能逼近问题[18]，所以BP网络可能导致寻找全局最优解时的失败。

另一个缺点是BP网络算法的转换速度即使在目标可达到的情况下也很慢。

这里必须强调一点，BP网络算法的转换行为非常依赖网络权重的初始值和诸如速率和动量[19]等算法参数的选择。

为了提高原始BP网络算法的性能，许多研究者的注意力集中于以下两种因素：

（1）更好的能量函数的选择；

（2）动态学习速率和动力的选择。

然而，这些改进方法并没有从本质上改善BP网络算法滞留在最优点的缺陷。

特别是，ANN的结构越复杂，它的转换速度就会越慢。

基因算法（GA）最近也被应用在ANN中，但只在学习过程中这种算法需要各种各样的GA因数。

通常有三种复杂的因数预算法有关，即选择，交叉和变异。

尽管结果可能由于BP网络算法，但是神经网络结构很大时，GA算法的转换速度将变得非常慢。

PSO算法是应用在ANN感知器中GA算法的一种变形，它比GA更加简单易行。

有几种选择来实现GA算法，例如一种可以选择竞赛或比例的方式。

然而，在PSO算法中存在一种简单的操作：

速算。

通过少量的因数，计算的数量得以明显减少，并且可以消除对给定的最优化量进行选择的需求。

3.2粒子群优化

PSO的概念最初是有Kennedy和Kberhart于1995年提出的，它可以通过对人群的调查来优化客观功能。

PSO算法是一种智能估算技术并与渐进算法关系紧密，基于人类社交的形式来专门对复杂数函数进行优化。

PSO是一种针对类似鸟群或鱼群运动的非线性函数进行优化的有效手段，它对内存的空间需求和速度要求都不大，介于GA算法和演化程式之间。

在渐近化的计算模式中，合适的概念被用于解决粒子和个体根据自身和其伴随物的飞行经验来调节飞行状态的问题。

它跟随它在多维空间的坐标，联合之前的最优解，同时跟随它相对于整体中获得最有价值的对应物。

向量可作为一种对粒子的描述，而大多数优化问题很容易用这种方法描述，与最优值的变化相匹配。

响应在个体和群值之间的分配可以确保它的密集度。

PSO的高维空间计算表现为一系列的时间点，总体的品质因素对应于之前的最优个体值和最优群值。

稳定性的原则表现为当且仅当最优群值变化时，系统状态才发生变化。

PSO和GA的一个相似点是随机总体系统的初始化。

用系统中几代个体合作与竞争使整体进化来代替使用基因算子。

此外，每一个可能的运算和粒子都被指定一个随机的速度，这样可以使他飞跃多维空间。

当随机因素允许一次在一个较好的区间内的彻底搜查，惯性效应改变速度，导致了可能区间的问题范围探测。

这样看来，PSO的调整方法在运算与GA相似

，在随机过程上与演化程式相似。

下面是关于PSO的一个细致描述。

第一步：

优化。

PSO包含s个粒子个体，每个代表一个一维问题的解决方法，它的基因型包含两个一维参数。

第一个参数，

，表示粒子位置，第二个参数

，表示速度组成。

所有粒子的速度和位置在定义域上是随机分布的。

第二步：

变速。

粒子i的速度，受到t+1的影响，可以变为使用含有前一时刻t的速度便是为：

这里的i=1，2，3，…，s,d=1,2,3,…,m。

m为待优化的输入种类。

一整套输入类型称为一个粒子，s为一组中粒子的数量。

W为惯性因素权值，又

线性变换至

，范围在（0，1）。

C1,C2分别为认知和社会促进因素，在探索和开发间进行必要的折衷。

为在（1，0）中随机均匀分布的数。

因为包含了随机变量，PSO可以进行随机搜索，

为输入i粒子在时间t时的位置，

分别为i粒子和整体在当前所找到的最好的目标值。

通过变速，

被检验并通过一个预定义的范围保存起来以防止随机变化。

第三步：

位置变换。

每个粒子的新位置可是为它前一位置和通过变速得到的速度的和。

表现为：

第四步：

内存变换。

当遇到如下情况时：

将

进行变换。

f（x）服从函数最大化分布。

这些参数以一种可适应的速度在空间中进行搜索并把曾达到过的最好的位置保存下来。

当从当前时刻转移到下一时刻时，这些参数发生改变。

在任何时刻，通过它当前的位置向量来计算合适的程式是一种有效的手段。

每个粒子都跟随自己的位置，这些位置与它曾到达过最合适有关，i粒子获得的最好的位置为

）。

整体中最好的粒子跟随

。

第五步：

终止复查。

算法重复第二到第四步直到出现明确的终止信号，例如出现一个预定义的数或无法进行至某一数量。

一旦算法终止，返回

的值并将f（

）做为它的解。

算法的计算过程描绘在在Fig.1中。

3.3利用PSO算法训练神经网络

在此应用中，一个三层感知器被认为是有四个输入参数和四个输出参数如图2所示。

当设计一个神经网络，一个主要的困难是确定适当数量的在隐藏层的神经元。

隐藏层是负责数据和内部的表示以及输入和输出之间的信息化改造。

如果在隐藏层神经元太少，网络可能不包含足够的自由程度

形成一个代表。

如果有太多的神经元被使用，网络可能变得训练过度。

因此，需要一个对于隐含层神经元数进