双径向基神经网络用于电力传输线故障诊断研究

双径向基神经网络用于电力传输线故障诊断研究

ID:37415218

大小:354.19 KB

页数:3页

时间:2019-05-23

双径向基神经网络用于电力传输线故障诊断研究_第1页
双径向基神经网络用于电力传输线故障诊断研究_第2页
双径向基神经网络用于电力传输线故障诊断研究_第3页
资源描述:

《双径向基神经网络用于电力传输线故障诊断研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、维普资讯http://www.cqvip.com2008年第1期《贵州电力技术》(总第103期)口专题研讨双径向基神经网络用于电力传输线故障诊断研究贵州电力试验研究院徐长宝[550005]摘要提出了一种利用概率径向基神经网络和规一化径向基神经网络,构成智能故障诊断系统,进行电力传输线故障分类和故障定位的方法。同时,故障分类的结果加入到规一化径向基神经网络的输入矢量中,提高了故障定位结果的精确度,并且能够判断故障分类的正确性,从而提高了故障诊断系统的可靠性能。用所提出的方法进行电力输电线的短路故障诊断仿真测试表明,所提出的方法是可

2、行、有效的。关键词概率径向基神经网络规一化径向基神经网络电力传输线故障诊断加训练的总样本数,而概率网络的隐层单元数等于1引言参加训练的总样本数。在电力系统故障诊断中,输电线的故障识别和b、径向基网络的隐层至输出层之间的连接权定位是非常重要的内容。利用现有的、传统的继电需要反复训练至输出误差代价函数达到一定值,才保护原理进行故障的分类和定位,方法复杂,准确度能形成各个类别模式问的判别面。而概率网络的隐低,已经不能适应现代电力系统故障诊断的需要。层至输出层之间的连接权无需训练,不同类别模式智能型故障诊断方法及其系统的开发和研制是当前

3、问的判别面由类别模式的条件概率密度决定。一个主要的发展趋势。c、径向基网络需要外监督信号来监督训练,而神经网络技术是人工智能领域内,一个十分引概率网络不需要外监督信号,仅靠类别属性标记进人注目的研究领域。神经网络具有很强的非线性映行自监督(self—supervised)分类。射、分布存储、并行处理、自组织和自学习能力,不需d、径向基网络的输出不但与属于本类别的样要检测对象的数学模型,具有较强的抗噪性、鲁棒性本特性有关,而且还与其它类别的样本特性有关,即和容错性等特点,在模式识别、分类方面可以广泛应径向基网络考虑了不同类别模式间

4、的交错影响。而用。电力传输线的故障识别和定位实质上是模式识概率网络的输出与其他类别的样本特性无关。这说别、分类和函数逼近的问题。本文利用线路两端母明,概率网络没有考虑到样本的总体分布特性,即没线故障电压,经过数据处理,将故障特征值作为改进有考虑不同类别模式问的交错影响。所以径向基神的概率径向基神经网络的输入信号,进行故障分类;经网络整体性能较好,但需要较长的训练时间;概率将低通滤波信号及故障分类结果作为规一化径向基神经网络无需训练时间,但性能有限。神经网络的输入,进行故障定位。xI2径向基神经网络¨’X2p(xl1)一般将采用径

5、向基函数作为作用函数的神经网络,称为径向基函数神经网络(或简称径向基神经网络,RBF—NN)。本文所采用的径向基神经网络是概p(xIC)率径向基神经网络(PRBF—NN)和规一化径向基神经网络(NRBF—NN),其中PRBF—NN适用于解决分输入层隐台层输出层类问题,NRBF—NN适用于解决函数逼近问题。2.1概率径向基神经网络l4l5图1PRBF—NN结构概率径向基神经网络是一种新型神经网络,由由以上比较可以看出,径向基神经网络的优势主径向基神经网络和概率神经网络发展而来。将径向要在于其整体性能强,缺点是需要进行连接权训练,基

6、网络与概率网络比较,可以发现:实时陛较差;概率神经网络的优势在于无需对连接权a、径向基网络的隐层单元数等于或者小于参进行训练,实时性强,但整体性能较弱。两种神经网.22·维普资讯http://www.cqvip.com2008年第1期《贵州电力技术》(总第103期)络的优劣是互补的。因此,将两种网络结合所形成的规一化RBF神经网络是将广义回归(General概率径向基神经网络,其性能必将有大的提高。Regression)神经网络和RBF网络结合产生的。网一种较为简单的PRBF—NN的结构如图1所络结构与RBF网络近似,只是隐含层

7、的输出在到达示。输入矢量X=[x。x:Kx],表示输入模式;表输出层之前进行了规一化处理。经过这一优化,规示隐含层的中心;盯表示基函数的平滑参数(宽一化RBF网络的性能要好于标准的RBF网络。网度)。盯i为隐含层到输出层的连接权值;网络输出络算法结构如图2所示。P(XIk)表示输人模式属于第类的概率。(1)分析对于一个C类的分类问题,有训练集X,N对训练样本(X“,k“),X“∈R,R表示整个输入模式空间,k“表示X“模式的类别。x被分割为C个独立的—一,\输入屡隐含层输flJ层X(k=1,2,3,KC)。基函数采用高斯核函数形

8、式,则隐含层输出:图2NRBF—NN结构网络算法实质是,首先计算输入与训练样本的距p(xlj)=exp(一L兰三二)①离(通常使用欧基里德范数),并投影于核函数(取具有较好局部化优势的高斯径向基函数),将距离值转输出单元输出:换为与训练样本的相似度,此相似度即为

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。