基于模糊神经网络的故障类型识别

《基于模糊神经网络的故障类型识别》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.com第34卷第3期继电器Vo1．34No．3122006年2月1日RELAYFeb．1．2006基于模糊神经网络的故障类型识别刘凤霞一，刘前进(1．华南理工大学电力学院，广东广州510640；2．揭阳供电局，广东揭阳522000)摘要：提出了基于模糊神经网络的双端电源输电线路故障类型识别的方法，用ATP提取输电线路故障后一周后继电保护安装点的三相电压电流以及反映接地故障的零序电流基频分量及其相应的相角，并采用T—s模型与改进BP算法结合的模糊神经网络，实现故障类型识别。该方法不受故障位置、故障电阻及

2、对两端电源初始相角差、系统运行方式等不确定的因素影响，仿真结果表明该类型识别方法可靠、正确。关键词：模糊神经网络；T．S模型；故障类型识别中图分类号：TM77文献标识码：A文章编号-1003-4897(2006)0343012-03络的输入，故障类型作为其输出，构造一个由输入0引言层、模糊化层、模糊推理层、去模糊化层、输出层组成输电线路发生故障后，迅速、准确地鉴别出故障的模糊神经网络来实现故障类型可靠、准确识别。类型，对继电器保护装置正确动作、有选择地切除故l建立模糊神经网络障相，提高系统可靠性有着十分重要的意义。继电保护安装点的可测信息受到

3、故障位置、故障电阻、系模糊神经网络有多种，人们采用的较多是简化统运行方式、两端电源相角差等许多不可测的因素的T—S模糊神经网络，T—S是日本学者Takagi和影响，因此，鉴别故障类型的理想的故障识别就基本Sugeno于1985年提出的，其特点是：不受这些随机因素影响，且原理简单可靠、结果正在系统的模糊规则中，“If”部分是模糊的，而后确。件“Then”部分是确定的，为各输入变量的线性组合模糊神经网络是一种集模糊逻辑推理的强大结或常量。这里采用每条模糊规则的结论都是常值的构性知识表达能力与神经网络的强大自学习能力于形式，假设神经网络有／~r个输

4、入和个输出，第一体的技术。人工神经网络具有较强的自适应和学条模糊规则的一种简化形式为：习的能力，网络通过训练，学会对输入向量分析和推Rule：理，从而实现计算、记忆、联想、识别等功能，但是，它If(IisAsIand2isAjzand··’、isAj、)Then(Itoj．I需要大量描述过程特性的数据信息，学习完成后形andY2=toj2and·。。YM)成的神经网络的输入和输出关系无法用容易的方式其中和Y是输入输出变量，是常值，表示系进行表达，不具备处理和描述模糊信息的能力。模统的第条规则的k个输出；A为论域上的模糊糊信息处理恰好具备处理模

5、糊语言信息的能力，容集合。易建立易于被人所接受的“If—Then”结构的表达方模糊神经网络的结构示意图如图1所示。式，有利于模拟人类思想进行判断和决策。模糊信息处理和人工神经网络相结合，使人工神经网络具备处理模糊信息功能，则为模糊规则的自动提取及模糊隶属函数的自动生成问题提供了有效的途径，使得模糊系统具备学习功能，由二者结合的模糊神经网络不仅具有处理不精确性、不确定性的能力，而且具有学习、自适应的能力--。本文利用模糊神经网络强大的非线性逼近能输入层模栅化层推理层触模糊层输出层力，用故障后继电器安装处i贝4得三相电压电流分量图1模糊神经网络模

6、型Fig．1Modeloffuzzyneuralnetwork以及判断接地故障的零序电流分量作为模糊神经网维普资讯http://www.cqvip.com刘凤霞，等基于模糊神经网络的故障类型识别13第一层为输入层，该层有／、r个神经元，输入向式中：量=[，：，⋯，．~]输入到下一层。△=(—)／∑~rj(7)第二层为模糊化层，设每个输入变量均有P个其中：n是迭代次数；叼是学习速率；是冲量系数。模糊集合，则该层共有N×P个神经元，隶属函数选模糊化层的加权调节公式为：择为高斯函数，则输出为：，孔(n+1)=，孔(n)+7／Am+(，孔(n)一：p

7、(一)(1)m(n一1))(8)O'ij(n+1)=(n)+~／Ao-驴+((n)一其中：i=1，2，⋯，／、r，J=1，2，⋯，P，分别表示输入量(n一1))(9)的维数和模糊分割集数。m和分别表示高斯隶式中：属函数的中心和宽度。第三层为推理层，该层的神经元个数为P，每=一毫=(10)个神经元代表一条模糊规则，采用Sum—Product模OEp糊推理规则，即：=一=(11)N7r，=IJ()(2)其中：=1=()(12)其中：：1，2，⋯，P，表示规则数。第四层为解模糊层，该层的作用是实现归一化计算，避免在学习过程中由于各修正量过大而产生6

8、：』．6≠(3)振荡。该层的输出可表示为：【=7／'j：—(3)=~rj(一，)加(14)∑在训练中，规则数从1开始增加，直到找到一个J1第五层为输出层，该层采用加