同桿雙回線因其傳輸容量大、占用土地資源少以及節(jié)約成本等一系列優(yōu)點(diǎn)被廣泛運(yùn)用。距離保護(hù)由于受系統(tǒng)運(yùn)行方式影響較小、靈敏度高等優(yōu)點(diǎn),成為了同桿雙回線的主保護(hù)。同桿雙回線兩回線間的距離較近,兩回線間存在較強(qiáng)的互感,互感的存在使得同桿雙回線兩回線的電氣量相互耦合不再獨(dú)立。而距離保護(hù)都是以每回線作為保護(hù)單元進(jìn)行配置的,當(dāng)同桿雙回線發(fā)生故障時(shí),由于單元配置的距離保護(hù)無法獲取到相鄰回線的電氣量,同時(shí),為了兩回線保護(hù)的獨(dú)立性也不允許引入相鄰回線的電氣量,因此無法消除互感的影響,這就導(dǎo)致了無法準(zhǔn)確的進(jìn)行故障選相以及故障定位。目前仍未有較好的解決方案,因此研發(fā)出僅利用單端單回線電氣量就能在同桿雙回線中準(zhǔn)確進(jìn)行故障選相以及故障定位的方法具有重大意義。傳統(tǒng)的同桿雙回線故障選相方法都是基于模型的方法,即根據(jù)所建立的同桿雙回線數(shù)學(xué)模型提出故障選相判據(jù)以進(jìn)行故障選相�；谀Ｐ偷姆椒▋H解決了故障選相中的部分問題,同時(shí)故障選相判據(jù)中存在大量依托工程經(jīng)驗(yàn)整定的閾值,在實(shí)際使用中,這些閾值整定困難且易受到線路參數(shù)、負(fù)載等的影響。為此,提出了屬于數(shù)據(jù)驅(qū)動領(lǐng)域的基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net... 

【文章來源】：濟(jì)南大學(xué)山東省

【文章頁數(shù)】：111 頁

【學(xué)位級別】：碩士

【部分圖文】：

CNN的結(jié)構(gòu)

同桿雙回線故障選相及單相接地故障定位方法12樣將將人手寫的數(shù)字“0”轉(zhuǎn)化為照片輸入至計(jì)算機(jī)，計(jì)算機(jī)就自動識別為數(shù)字“0”�！�0-9”手寫字圖片如圖2.4所示。圖2.4“0-9”手寫字圖片“0-9”手寫字的識別實(shí)際上是一個(gè)分類任務(wù)。分類的步驟如下：首先將數(shù)字“0-9”預(yù)先分為10個(gè)類別，即數(shù)字“0”為第1個(gè)類別、數(shù)字“1”為第2個(gè)類別…、數(shù)字“9”為第10個(gè)類別。然后手寫字體圖片被輸入至預(yù)訓(xùn)練好的CNN后，預(yù)訓(xùn)練好的CNN通過卷積層和池化層提取出每個(gè)手寫字的特征，然后根據(jù)所提取的特征將每個(gè)輸入CNN的手寫字體分類到不同的類別下，這樣就完成了手寫字的識別。下面以一個(gè)預(yù)訓(xùn)練好的CNN對“6”手寫字的處理過程為例，詳細(xì)介紹CNN的分類過程。這里需要強(qiáng)調(diào)的是預(yù)訓(xùn)練好的CNN其結(jié)構(gòu)與圖2.1所示CNN結(jié)構(gòu)相同。輸入至CNN中的手寫字“6”如圖2.5所示，圖2.5位于圖2.4中的第7列第2行的位置。圖2.5手寫字“6”步驟1：將圖2.5所示的手寫字讀入預(yù)訓(xùn)練好的CNN中。在現(xiàn)代計(jì)算機(jī)中灰度圖每個(gè)像素的取值范圍為0-255，其中數(shù)值0表示的是黑色像素，數(shù)值255表示的是白色像素。在該實(shí)例中為了便于計(jì)算的方便，使用0-9作為灰度圖每個(gè)像素的取值范圍，其中數(shù)值0表示的是黑色像素，數(shù)值9表示的是白色像素。圖2.5就是一個(gè)灰度圖，手寫字“6”的圖片將以5*5形式的矩陣被讀入到CNN中，其矩陣形式如式(2.3)所示：

同桿雙回線故障選相及單相接地故障定位方法12樣將將人手寫的數(shù)字“0”轉(zhuǎn)化為照片輸入至計(jì)算機(jī)，計(jì)算機(jī)就自動識別為數(shù)字“0”�！�0-9”手寫字圖片如圖2.4所示。圖2.4“0-9”手寫字圖片“0-9”手寫字的識別實(shí)際上是一個(gè)分類任務(wù)。分類的步驟如下：首先將數(shù)字“0-9”預(yù)先分為10個(gè)類別，即數(shù)字“0”為第1個(gè)類別、數(shù)字“1”為第2個(gè)類別…、數(shù)字“9”為第10個(gè)類別。然后手寫字體圖片被輸入至預(yù)訓(xùn)練好的CNN后，預(yù)訓(xùn)練好的CNN通過卷積層和池化層提取出每個(gè)手寫字的特征，然后根據(jù)所提取的特征將每個(gè)輸入CNN的手寫字體分類到不同的類別下，這樣就完成了手寫字的識別。下面以一個(gè)預(yù)訓(xùn)練好的CNN對“6”手寫字的處理過程為例，詳細(xì)介紹CNN的分類過程。這里需要強(qiáng)調(diào)的是預(yù)訓(xùn)練好的CNN其結(jié)構(gòu)與圖2.1所示CNN結(jié)構(gòu)相同。輸入至CNN中的手寫字“6”如圖2.5所示，圖2.5位于圖2.4中的第7列第2行的位置。圖2.5手寫字“6”步驟1：將圖2.5所示的手寫字讀入預(yù)訓(xùn)練好的CNN中。在現(xiàn)代計(jì)算機(jī)中灰度圖每個(gè)像素的取值范圍為0-255，其中數(shù)值0表示的是黑色像素，數(shù)值255表示的是白色像素。在該實(shí)例中為了便于計(jì)算的方便，使用0-9作為灰度圖每個(gè)像素的取值范圍，其中數(shù)值0表示的是黑色像素，數(shù)值9表示的是白色像素。圖2.5就是一個(gè)灰度圖，手寫字“6”的圖片將以5*5形式的矩陣被讀入到CNN中，其矩陣形式如式(2.3)所示：

【參考文獻(xiàn)】：
期刊論文
[1]基于堆疊自動編碼器的輸電線路故障選相方法[J]. 張國星,呂飛鵬.  水電能源科學(xué). 2019(06)
[2]基于同向量電流選相的電流平衡保護(hù)研究[J]. 梁振鋒,吳思奇,張惠智,樊占峰,李寶偉,宋國兵.  電力系統(tǒng)保護(hù)與控制. 2019(11)
[3]基于深度遞歸神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷預(yù)測模型[J]. 于惠鳴,張智晟,龔文杰,段曉燕.  電力系統(tǒng)及其自動化學(xué)報(bào). 2019(01)
[4]基于深度學(xué)習(xí)的輸電線路故障類型辨識[J]. 徐舒瑋,邱才明,張東霞,賀興,儲磊,楊浩森.  中國電機(jī)工程學(xué)報(bào). 2019(01)
[5]基于長短期記憶的實(shí)時(shí)電價(jià)條件下智能電網(wǎng)短期負(fù)荷預(yù)測[J]. 李鵬,何帥,韓鵬飛,鄭苗苗,黃敏,孫健.  電網(wǎng)技術(shù). 2018(12)
[6]基于深度結(jié)構(gòu)多任務(wù)學(xué)習(xí)的園區(qū)型綜合能源系統(tǒng)多元負(fù)荷預(yù)測[J]. 史佳琪,譚濤,郭經(jīng),劉陽,張建華.  電網(wǎng)技術(shù). 2018(03)
[7]不對稱參數(shù)同桿雙回線選相方法研究[J]. 朱憶洋,都洪基,趙青春.  電力系統(tǒng)保護(hù)與控制. 2017(15)
[8]基于分布參數(shù)模型的串聯(lián)補(bǔ)償雙回線單線故障定位算法[J]. 張瑩,梁軍,贠志皓,張峰,霍爽,王鵬.  電力系統(tǒng)自動化. 2017(01)
[9]平行線路跨線故障選相元件的動作分析[J]. 徐海洋,宋國兵,樊占峰.  電力系統(tǒng)自動化. 2016(12)
[10]六相輸電系統(tǒng)的故障暫態(tài)分析[J]. 張艷霞,張宏遠(yuǎn),孫瑩.  電力系統(tǒng)及其自動化學(xué)報(bào). 2015(04)

博士論文
[1]同桿雙回線故障穩(wěn)態(tài)分析及其單端量選相的研究[D]. 張海.華北電力大學(xué) 2013

碩士論文
[1]基于六序分量法的雙回長線路故障測距算法研究[D]. 孫鐵錚.燕山大學(xué) 2019
[2]不對稱參數(shù)同桿并架雙回線故障選相和測距方法的研究[D]. 朱憶洋.南京理工大學(xué) 2017



本文編號：3002860