亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于小波包和概率神經(jīng)網(wǎng)絡(luò)算法的短路故障識別方法

        2019-04-11 11:10:16王維信
        山東電力技術(shù) 2019年3期
        關(guān)鍵詞:波包訓(xùn)練樣本特征向量

        欒 翔,張 琪,王維信

        (國網(wǎng)山東青島市黃島區(qū)供電公司,山東 青島 266400)

        0 引言

        隨著世界一流配電網(wǎng)建設(shè)的不斷推進(jìn),電網(wǎng)規(guī)模不斷擴(kuò)大,輸電線路故障對整個電網(wǎng)的影響不容忽視。系統(tǒng)一旦發(fā)生故障,必須第一時間采取措施,否則故障分量將對線路以及高壓設(shè)備造成嚴(yán)重后果。因此,既準(zhǔn)確又快速地判斷故障類型并采取相應(yīng)措施是非常必要的。

        人工智能[1]技術(shù)在故障診斷與分析方面已經(jīng)有了更深層次的發(fā)展。已有較多文獻(xiàn)對故障識別進(jìn)行了研究,產(chǎn)生了多種故障識別方法,文獻(xiàn)[2]利用神經(jīng)網(wǎng)絡(luò)來模擬元胞的全套保護(hù),但需要與其他元胞的診斷結(jié)果相結(jié)合,增加了診斷難度,其結(jié)果具有一定的隨機(jī)性。文獻(xiàn)[3]采用貝葉斯故障診斷方法,通過信息采集系統(tǒng)對故障區(qū)域范圍進(jìn)行鎖定,利用貝葉斯網(wǎng)絡(luò)進(jìn)行反向推理從而獲得故障元件。此方法結(jié)構(gòu)較為復(fù)雜,計算步驟較多,診斷時間較長,不適合在線監(jiān)測預(yù)警。文獻(xiàn)[4]采用一對一多類支持向量機(jī)的方法實現(xiàn)故障分類,該方法能夠有效融合支持向量機(jī)的泛化性和粗糙集的不完備信息,從而達(dá)到較高的診斷正確率。概率神經(jīng)網(wǎng)絡(luò)是完全前向的計算過程,結(jié)構(gòu)簡單,訓(xùn)練簡潔,有效避免陷入局部極小,有較強(qiáng)的容錯能力,同時可以滿足小樣本的識別精度。

        研究基于小波包和概率神經(jīng)網(wǎng)絡(luò)算法的短路故障識別方法,利用小波包對故障參數(shù)進(jìn)行分解,提取各頻段的能量值,對能量值進(jìn)行歸一化處理,構(gòu)造概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的特征向量,將訓(xùn)練樣本作為概率神經(jīng)網(wǎng)絡(luò)的輸入,測試樣本對訓(xùn)練結(jié)果進(jìn)行測試。

        1 小波包和概率神經(jīng)網(wǎng)絡(luò)算法簡介

        1.1 小波包簡介

        小波包分解具有信號時頻分析的性質(zhì),可以將信號投影到中心頻率不同但帶寬相同的小波包基函數(shù)的空間中,具有良好的時頻分辨率。在實際應(yīng)用中,小波包分析[5-6]能夠?qū)Φ皖l信號和高頻信號提供更加精細(xì)的分析方法,通過提取樣本信號的特征值,得到與之相匹配的最佳的基函數(shù),從而對故障信號提供更準(zhǔn)確的分析方法。

        小波包[7]分析通過信號的分解與重構(gòu)對采樣信號進(jìn)行分析:首先對低頻信號和高頻信號進(jìn)行分解,得到不同空間尺度上的基波系數(shù)以及各次諧波分量系數(shù);然后根據(jù)低頻與高頻信號系數(shù),重構(gòu)出基波信號和各次諧波信號,從而提高信號的時頻分辨率。

        圖1為小波包3層分解示意,其中A表示低頻段,D表示高頻段。

        圖1 小波包分解樹結(jié)構(gòu)

        利用圖1所示小波包分解樹對采樣信號進(jìn)行n 層分解重構(gòu),用 Snj(j=0,1,…,2n-1)代表第 n 尺度2n個結(jié)點的頻率范圍。歸一化后,最低頻率S30為0,最高頻率S37為1,3層分解小波包對應(yīng)的頻率成分代表的頻率范圍如表1所示。

        表1 各頻率成分所代表的歸一化頻率范圍

        在不同的頻率段內(nèi)提取到目標(biāo)頻率后,需要對該頻段內(nèi)的能量進(jìn)行計算。各個頻帶Snj對應(yīng)的能量為 Enj(j=0,1,…,2n-1),有:

        式中:Ujk(j=0,1,…,7;k=1,2n-1,…,n)為重構(gòu)信號Snj的離散點的幅值。

        構(gòu)造被測零序電流的特征向量,以3層分解為例,特征向量為

        為滿足數(shù)據(jù)處理的方便性以及歸納統(tǒng)一樣本的統(tǒng)計分布性的要求,將特征向量X′進(jìn)行歸一化處理,其計算公式為

        得到歸一化特征向量為

        1.2 概率神經(jīng)網(wǎng)絡(luò)算法簡介

        概率神經(jīng)網(wǎng)絡(luò)[8-9](probabilistic neural network,PNN)實質(zhì)是貝葉斯最小風(fēng)險準(zhǔn)則發(fā)展而來的一種并行算法,是一種常用語模式分類的神經(jīng)網(wǎng)絡(luò)。PNN作為徑向基網(wǎng)絡(luò)[10]的一種,具有訓(xùn)練時間短,分類正確率高等優(yōu)點。

        PNN的層次模型由輸入層、模式層、求和層、輸出層組成,基本結(jié)構(gòu)如圖2所示。

        圖2 概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

        輸入層負(fù)責(zé)將特征向量傳入網(wǎng)絡(luò),輸入層個數(shù)即樣本特征向量X的個數(shù);模式層通過連接權(quán)值與接入層連接,將輸入節(jié)點傳遞來的輸入向量進(jìn)行加權(quán)運(yùn)算,如式(5)所示;求和層將各個模式層單元連接起來,并將輸入進(jìn)行求和;輸出層負(fù)責(zé)求和層中輸出最大者對應(yīng)的狀態(tài)模式,如式(6)所示。

        式中:i為故障模式,i=1,2,3,分別表示單相故障、兩相故障和三相故障;p為訓(xùn)練樣本的維度;σ為平滑因子;Xim為故障模式i的第m個樣本數(shù)據(jù)中心;Li為故障模式i的訓(xùn)練樣本總數(shù)。

        2 算例仿真研究

        2.1 利用小波包提取能量特征向量

        利用Matlab/Simulink建立35 kV中性點經(jīng)消弧線圈接地仿真模型,如圖3所示。在仿真模型中,電源輸出三相電壓為35kV,內(nèi)部接線為Y形連接。輸電線路Line1~Line4長度分別為 130km,175km,1km,150 km,線路負(fù)荷Load1,Load2,Load3有功負(fù)荷分別為1.0MW,0.2 MW,2.0 MW,其他參數(shù)均采用默認(rèn)參數(shù)。

        圖3 35kV系統(tǒng)故障仿真模型

        設(shè)置Fault1,在0.2 s時刻發(fā)生短路接地故障,運(yùn)行仿真模型,觀察短路后零序電流信號重構(gòu)系數(shù)如圖4~6所示。

        圖4 單相短路小波包分解重構(gòu)系數(shù)

        圖5 兩相短路小波包分解重構(gòu)系數(shù)

        圖6 三相短路小波包分解重構(gòu)系數(shù)

        利用式(2)~(4)進(jìn)行計算,構(gòu)造 8 個能量特征向量,作為PNN網(wǎng)絡(luò)的輸入。選取一組計算后的能量值如表2所示。

        表2 不同故障歸一化處理后的能量值

        2.2 PNN網(wǎng)絡(luò)的訓(xùn)練與測試

        PNN通過調(diào)用Matlab函數(shù)newpnn來建立擾動信號分類程序。通過PNN的調(diào)用格式:

        調(diào)用命令中P為輸入樣本向量,T為目標(biāo)分類向量。SPREAD為分布密度,擾動分類的準(zhǔn)確率與訓(xùn)練樣本數(shù)和newpnn函數(shù)參數(shù)SPREAD值有關(guān),SPREAD值過大,密度估計比較平滑但細(xì)節(jié)丟失嚴(yán)重,SPREAD值過小,密度估計會呈現(xiàn)較多的尖峰突起。

        設(shè)置不同的故障類型,每種故障分別采集20組樣本作為訓(xùn)練概率神經(jīng)網(wǎng)絡(luò)的輸入樣本進(jìn)行訓(xùn)練,共得到60組訓(xùn)練結(jié)果。針對此訓(xùn)練結(jié)果,在仿真實驗中選取30組測試樣本進(jìn)行測試,將特征向量的輸入定義為60組訓(xùn)練樣本和30組測試樣本。

        根據(jù)上述方法利用MATLAB對訓(xùn)練樣本進(jìn)行PNN訓(xùn)練及測試,利用試湊法得到SPREAD最佳值為0.9。PNN訓(xùn)練后的效果及誤差如圖7~8所示,PNN網(wǎng)絡(luò)的測試樣本分類效果如圖9所示。

        圖7 PNN網(wǎng)絡(luò)訓(xùn)練

        圖8 PNN訓(xùn)練后的誤差

        由圖7和圖8可見,將訓(xùn)練樣本作為輸入對訓(xùn)練結(jié)果進(jìn)行反測試時,共有3個樣本出現(xiàn)誤差,即準(zhǔn)確率為95%。

        由圖9可知,當(dāng)利用訓(xùn)練結(jié)果對測試樣本進(jìn)行驗證時,只有一個樣本出現(xiàn)了錯誤,即總的判斷準(zhǔn)確率為96.7%。經(jīng)過訓(xùn)練后的PNN準(zhǔn)確率表明,最后得到的訓(xùn)練結(jié)果可以對故障類型進(jìn)行識別。

        圖9 預(yù)測網(wǎng)絡(luò)數(shù)據(jù)的分類效果

        3 結(jié)語

        利用小波包對故障分量進(jìn)行分解與能量值提取,構(gòu)造概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本特征向量,將培訓(xùn)結(jié)果利用測試樣本進(jìn)行驗證,可以達(dá)到較高的故障識別準(zhǔn)確度。通過Matlab/Simulink仿真實驗表明,PNN的非線性分類能力強(qiáng),在最小風(fēng)險準(zhǔn)則下對短路故障進(jìn)行識別,訓(xùn)練速度快、識別精度高、有較強(qiáng)的容錯能力,具有理想的識別效果。

        猜你喜歡
        波包訓(xùn)練樣本特征向量
        二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計——以特征值和特征向量為例
        克羅內(nèi)克積的特征向量
        人工智能
        基于小波包Tsallis熵和RVM的模擬電路故障診斷
        一類特殊矩陣特征向量的求法
        EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應(yīng)用
        寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
        融合原始樣本和虛擬樣本的人臉識別算法
        基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
        基于小波包變換的電力系統(tǒng)諧波分析
        亚洲国产精一区二区三区性色 | 中文字字幕在线精品乱码| 俺也去色官网| 人妻少妇精品系列一区二区| 国产精品老熟女乱一区二区| 日本高清视频wwww色| a在线观看免费网站大全| 日韩av中出在线免费播放网站| 国产黄片一区二区三区| 国产精品人人做人人爽人人添 | 亚州毛色毛片免费观看| 一区二区三区观看视频在线| 一本久久综合亚洲鲁鲁五月天| 国产精品国产成人国产三级| 日本久久精品免费播放| 91国产精品自拍视频| 77777_亚洲午夜久久多人| 国产欧美亚洲精品a| 人妻无码中文专区久久AV| 精品一区二区三区人妻久久福利| 18禁黄网站禁片免费观看女女| 人人妻人人玩人人澡人人爽| 男女激情床上视频网站| 虎白m粉嫩小在线播放| 日韩人妻无码精品久久免费一| 欧美成人中文字幕| 日本一区二区三区精品不卡| 久久精品夜色噜噜亚洲a∨| 97精品人妻一区二区三区香蕉| 国产丝袜免费精品一区二区| 一二三四在线观看视频韩国| 男女高潮免费观看无遮挡| 国产久视频国内精品999| 亚洲精品中文字幕乱码人妻| 蜜桃视频在线看一区二区三区| 狠狠色噜噜狠狠狠狠色综合久 | 男女男精品视频网站免费看| 熟妇高潮一区二区三区| 国产真实乱XXXⅩ视频| 一区二区三区蜜桃av| 无码少妇一区二区性色av |