神经网络技术在电力系统中的应用举例Word格式.docx
《神经网络技术在电力系统中的应用举例Word格式.docx》由会员分享，可在线阅读，更多相关《神经网络技术在电力系统中的应用举例Word格式.docx（18页珍藏版）》请在冰豆网上搜索。
2.4.2GA和BP算法的结合8
3结束语8
参考文献8
1人工神经网络简介
人工神经网络（ANN）是二十世纪80年代中后期世界范围内迅速发展的一个前沿研究领域，是一门高度综合的交叉学科，它的研究和发展涉及神经生理科学、数理科学、信息科学和计算机科学等众多领域。
人工神经网络是模拟人脑组织结构和人类认知过程的信息处理系统。
它由人工模拟的大量简单的神经元以一定的方式连接而成，单个人工神经元实现输入到输出的非线性关系，它们之间的连接组合使得人工神经网络具有复杂的非线性特性。
人工神经网络具有很强的自组织、自学习能力。
它通过现场大量的标准样本学习与训练，自动调整各神经元之间的连接权和阀值，使获取的知识隐式分布在整个网络上，并实现人工神经网络的模式记忆。
和其他信息处理方法相比，人工神经网络具有诸多优点：
强大的知识获取能力和信息容错能力；
学习能力强，可以实现知识的自组织，适应不同信息处理的要求；
神经元之间的计算具有相对独立性，便于并行处理，执行速度快。
正是由于人工神经网络有极强的非线性拟合能力和自学习能力，且具有联想记忆、鲁棒性强等性能，使人工神经网络对于电力系统这个存在着大量非线性的复杂大系统来说有很大的应用潜力，很多难以列出方程式或难以求解的复杂的非线性问题，应用人工神经网络方法则可迎刃而解。
2人工神经网络在电力系统中的应用
2.1故障诊断
目前神经网络用于电力系统的故障诊断，主要集中在对电网的故障处理。
电网中的每一类故障都会产生一组警报信息，不同类别的故障具有不同的警报组合。
因而可以将警报处理和故障诊断表示为模式识别问题，这样就适用于人工神经网络来进行处理。
用人工神经网络进行故障诊断的基本原理是：
将故障警报信息进行数字量化作为神经网络的输入量。
神经网络的输出量代表故障诊断的结果。
首先对神经网络进行训练学习，即将特定故障对应的警报模式作为样本，建立较全的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的连接权中，最后通过神经网络输入量计算就可以完成故障诊断。
故障诊断中神经网络所采用的模型大多为反向传播算法（BP）模型，这主要是由于对BP模型的研究比较成熟，使用比较可靠。
文献[1]较早提出了用BP进行警报处理和故障诊断方法。
该方法将警报信息作为神经网络的输入量，故障作为神经网络的输出量，用于识别电网发生的故障，这种方法的缺点是不能用于大规模系统。
除电网故障诊断外，人工神经网络还被应用于电力系统设备的故障诊断，包括变压器、发电机、电缆、断路器、绝缘子等。
现在以变压器为例，讲人工神经网络在电力系统变压器故障诊断中的方法。
目前，聚类分析方法引入到DGA技术中，它依靠故障数据的特点来划分故障类别，这种故障空间划分方式具有积极意义，在实际应用中取得了较好的效果4。
然而直接利用聚类方法进行故障分类也出现了一些问题，如聚类结果受样本点的数量、聚类准则等多种因素影响；
且其以最近类样本作为诊断结果，并不能给出完全确定性的结论。
同时，树思路的引入，组合神经网络方法的提出，使分层次的、逐步细化的故障识别成为可能5。
可是这些工作都以三比值法为基础，仍难以避免对维修缺乏指导的缺点。
因此，本文以按照部位划分故障的方法为基础，针对已积累的故障变压器的大量溶解气体数据，考察了各类故障的气体特征及聚类结果，并在此基础上构建组合神经网络，实现对故障由粗到细的逐级划分，以提高诊断的有效性。
2.1.1变压器故障类型的划分
表1中列出了13种变压器常见故障。
这种划分方式具有划分细致、有利于维修等优点。
可是进一步考察各类故障的溶解气体数据，发现这种划分也存在缺陷。
一方面，某些类的故障气体数据不具有统一的特征。
如“与放电源的位置等关系紧密，其特征量不具有一致的规律。
再如，虽然“分接开关烧损”的特征气体数据绝大多数表现为过热性特征，却有少量数据的乙炔含量很高。
另一方面，有时故障发生机理和部位相异，其气体特征也可能相似。
如“油中气泡引发局部放电”和“绝缘进水受潮”的溶解气体的特征就很相近。
因此，本文对表1的分类方法作了改进。
首先，取消“悬浮放电”类别，按照悬浮体的特点归并入其他类别。
其次，依据统计学方法将“分接开关”故障样本中少量乙炔含量异常高的样本剔除。
这样便形成了以表1为基础的12类变压器故障类别。
2.1.2 基于聚类分析的组合神经网络模型
本文提出的组合神经网络的特点是：
根据12类故障在特征气体空间的聚集形态，将一些接近的类别暂先合并为过渡类别，使用组合神经网络先粗分，然后再对过渡类别细化识别。
这种逐级细化的工作方式，使辨识更为有效。
采用分层聚类分析可以明确给出在一定聚类相似度水平上样本间的分组情况，因此，可以依据对12类故障特征气体数据的分层聚类结果组织网络的模型。
表1 变压器常见故障类型
序号
故障类型
F1
围屏放电
F2
匝间短路（高压绕组匝间击穿或低压绕组变形）
F3
引线对地放电或发生闪络
F4
油流带电
F5
有载分接开关箱渗漏油
F6
铁心局部短路或多点接地
F7
结构件及磁屏蔽体中漏磁引起的过热
F8
分接开关接触不良
F9
绕组引线接触不良
F10
过负荷或冷却不良引起的绕组过热
F11
油中气泡引发局部放电
F12
进水受潮
F13
悬浮电位体（磁屏蔽、夹件及分接拨叉等）感应放电
1）分层聚类分析
进行分层聚类分析首先需确定距离和相似性的度量方法，然后再依一定的算法进行聚类。
本文中采用了欧氏距离计算样本间距离，在确定两个类之间相似性时经过如下比较后，选用最远距离法。
式
（1）为最远距离法，式
（2）为最近距离法，式（3）为均值距离法，它们之间的差别在于选用哪两个样本间距离作为两类间的距离。
最近距离法选用以最近的样本间距离作为类间距离，而最远距离法选用最远的样本。
其中
i，
j——两个聚类
y，
——
j的样本
mi，mj——
j的特征值
——所选的经历计算方法
比较最近距离法和最远距离法可知：
采用最近距离法的聚类算法实际上是一个生成最小生成树的过程。
其缺点在于，如果在两个各自密集的点集间存在一些位置靠近的点的路径时，就可能把本应分属于两个类的点集聚集成一个类；
而最远距离法可看成是产生一个图的过程，图中同一个类的结点都是用棱线联接起来的，即每个类构成一个完备子图，它对类中远离点的情况反映较为灵敏；
均值距离的效果则介于上述二者之间。
所以使用最远距离法，可以更好地按距离由远及近原则，实现对12类故障典型样本逐级分离的目的。
在确定了相似性度量方法后，具体的分层聚类算法如下：
初始时设置
j=yj，
j属于I，I={j|j=1，2，…，N}。
这里
j是各个聚类集合，N是样本数，即初始时设每一样本为一个类。
步骤1：
在集合{
j|j
I}中找到一对满足条件：
的聚类集合
和
。
是
之间的相似性度量。
步骤2：
把
并入
，并去掉
步骤3：
把i从指标集I中除掉，若I得基数仅等于2时，则终止计算；
否则转向步骤1。
2）变压器故障识别组合神经网络的建立
首先收集761例结论明确的故障，取H2、CH4、C2H6、C2H4、C2H2为特征气体。
以各气体占总量的百分比为特征量，建立12种故障的样本集，并将其按表1所示分成两组，分析中以529例的训练集为已知故障样本，以232例的检验集为未知待验样本。
首先利用训练样本集考察样本间的相似性：
求取各类故障样本的平均样本，以平均样本作为该类故障的典型代表，对其进行分层聚类，并以树形图的方式显示每一步被合并的类别。
图1是对12类故障的平均样本进行分层聚类的树形图。
图1行分层聚类的树形图
其中F1到F12故障代号。
该图将各类之间的距离转换成0～25间的数值，显示了一定距离水平下各类故障的聚集情况。
从图中可见，首先由“油中气泡放电（F11）”和“绝缘进水受潮（F12）”组成的过渡类与其余故障组成的过渡类间的距离最大（距离转换值为25），其次，显示了另一个水平上的分离结果：
F7、F9、F10、F6、F8与F2、F3、F1、F5、F4；
然后，依次类推；
最后，得到了有关12类故障相似性的信息。
图2变压器故障识别的组合神经网络
依据这样的相似性信息，建立如图2的组合神经网络。
其中各节点分别由一定的规则和反向传播（BP）神经网络构成。
规则0为《电力变压器检修导则》规定的DGA结果的“注意值”，用来判断变压器属于“正常老化”（A0）还是“存在异常”。
ANN1～ANN332为BP网络，其特征量和分层聚类时的相同，经过独立的训练集的学习形成各自的规则。
2.1.3故障诊断
表2列出了组合神经网络对12类变压器故障的识别结果，同时也给出了利用单层BP网络的识别结果。
比较两者可知：
采用单层神经网络的正判率仅有32%，而基于聚类分析的组合神经网络的判断正确率可达75%，远较单神经网络模型为优，基本达到现场应用
可以接受的水平。
另外还发现通过组合网络识别故障的工作进行到一定层次时，对于相近故障的识别率很难进一步提高。
虽然采用将故障间特征量差异增大的方法可使问题有所改善，可是结合其他测试手段进行故障的综合判断才是弥补DGA方法缺陷的更好途径。
如对“油中气泡放电（F11）”和“绝缘受潮（F12）”，在组合网络的第二层进行区分时，识别率就较低，很难利用DGA进一步提高识别率。
如果结合介质损耗因数、电容量以及绝缘电阻等电气试验的分析，此问题将很容易得到解决。
将电力变压器故障划分为12类。
利用聚类方法分析故障的相似性，并依据此相似性构造组合神经网络，运用于变压器的故障识别。
得到的结论和建议如下：
（1）分析了基于DGA的故障诊断中不同故障空间划分方法的特点，重点讨论了按故障发生部位的划分方法及其意义。
考察了常见故障变压器的油中溶解气体特点，对故障划分方式进行了必要的改进，将变压器故障划分为12种类别。
（2）通过聚类分析提供有关故障特征气体空间划分方式的基本信息，以BP网络为基本单元模块，构造组合神经网络模型，进行变压器故障识别。
组合网络的几何结构体现出故障在特征气体空间的聚集特点，使识别过程更加合理。
组合网络克服了单层神经网络模型结构复杂和学习难于收敛等不足，也使故障分析的准确度大为提高。
（3）由于DGA方法在变压器故障识别中存在的一定局限性，充分了解该方法以及其他试验方法对不同故障的识别能力，开展故障的综合分析工作很有必要。
表1单层网络和组合网络对12类故障的识别情况
2.2智能控制
神经网络在电力系统应用比较十分广泛，像神经率，提高电力系统的稳定性，还用神经网络用在火电厂循环水PID控制等诸多方面。
2.2.1基于神经网络的励磁控制
励磁控制是控制发电机端电压和无功功率的重要组成部分，是重要的实时连续控制系统，对维持电力系统的稳定性起主要作用，完成该功能的部分又称为电力系统稳定器（PSS）。
由于大容量机组的投入和快速励磁系统的应用，系统的动态稳定性问题愈来愈突出，应用4层BP网络对发电机运行方式和系统干扰进行精确在线识别，并以此为基础设计一种最优励磁调节器模型，
升级会员 