發(fā)布時間：2021-07-10 08:33

　　在短路電流早期檢測的基礎上,提出一種基于粒子群優(yōu)化極端學習機（PSO-ELM）的短路電流峰值預測方法.利用短路電流暫態(tài)特性分析確定預測模型的輸入特征量,采用粒子群算法對極端學習機的輸入權(quán)值和隱層偏置進行優(yōu)化,最后,將提出的預測算法應用于低壓多層級實驗平臺,并且與傳統(tǒng)BP、 ELM算法進行比較.實驗結(jié)果表明,基于PSO-ELM模型的短路電流峰值預測方法能夠在全相角范圍內(nèi)準確地預測短路電流峰值,可作為低壓多層級系統(tǒng)全選擇性保護的短路故障預測算法. 

【文章來源】：福州大學學報(自然科學版). 2020,48(04)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

簡化短路故障等效電路圖

新型全范圍選擇性保護機制的基本架構(gòu)如圖2所示. 其中, 不同層級的本地短路故障早期檢測及其電流預測裝置是實現(xiàn)全范圍選擇性保護機制的關(guān)鍵, 其主要功能是根據(jù)傳感器采集到的電壓電流特征量對短路故障進行檢測及電流預測, 同時向控制平臺發(fā)送故障信息及電流預測峰值, 并根據(jù)控制命令對相應的斷路器發(fā)送動作信號. 短路電流峰值預測技術(shù)可在電流尚未達到較高水平時迅速預測出電流的峰值, 為智能控制平臺選擇合適的斷路器動作提供依據(jù), 不僅能夠提高斷路器等保護電器的電氣與機械性能, 也是實現(xiàn)低壓多層級選擇性保護的基礎.2 短路電流峰值預測模型

2.1 極端學習機基本原理極限學習機(ELM)是一種單隱層前饋神經(jīng)網(wǎng)絡學習算法, 與傳統(tǒng)的神經(jīng)網(wǎng)絡相比, 其隱含層神經(jīng)元的參數(shù)隨機產(chǎn)生, 在訓練過程中不加以遞歸調(diào)整, 且能獲得唯一的最優(yōu)解, 網(wǎng)絡結(jié)構(gòu)如圖3所示. 該方法具有學習速度快、 準確度高, 參數(shù)調(diào)整簡單, 泛化能力好的優(yōu)點, 目前已廣泛應用于電力負荷預測、 電網(wǎng)可靠性評估等領域[19-20].

【參考文獻】：
期刊論文
[1]基于重要抽樣與極限學習機的大電網(wǎng)可靠性評估[J]. 許鵬程,劉文霞,陳啟,張浩.  電力自動化設備. 2019(02)
[2]基于二維云模型的短路電流峰值預測[J]. 陳俊杰,繆希仁.  電力系統(tǒng)保護與控制. 2018(23)
[3]一種新的短路電流預測方法[J]. 黃旭,何洪英,羅滇生,曹一家,何志軍.  電力系統(tǒng)及其自動化學報. 2017(01)
[4]中國電力系統(tǒng)發(fā)展運營面臨的挑戰(zhàn)和對策[J]. 張運洲,單葆國.  中國電力. 2017(01)
[5]低壓系統(tǒng)短路故障建模及電流預測技術(shù)[J]. 郅萍,繆希仁,吳曉梅.  電力系統(tǒng)保護與控制. 2016(07)
[6]低壓系統(tǒng)多層級短路故障早期檢測辨識研究[J]. 吳曉梅,繆希仁.  電工電能新技術(shù). 2015(09)
[7]選擇性低壓短路保護技術(shù)[J]. 蔡傳慶,繆希仁,吳曉梅,張麗萍.  電器與能效管理技術(shù). 2015(14)
[8]一種低壓配電系統(tǒng)短路電流峰值預測的新模型[J]. 趙晶,陳麗安,陳志英.  武漢大學學報(工學版). 2014(06)
[9]低壓系統(tǒng)多層級短路電流早期檢測與預測[J]. 繆希仁,吳曉梅.  電工技術(shù)學報. 2014(11)
[10]基于短路早期檢測的中壓故障電流快速限制技術(shù)[J]. 繆希仁,李飆,吳曉梅,鮑光海,吳守龍.  電力自動化設備. 2014(11)

碩士論文
[1]基于組合算法優(yōu)化的神經(jīng)網(wǎng)絡短路電流預測[D]. 易弋.湖南大學 2017



本文編號：3275570