论文部分内容阅读
随着科技和经济的飞速发展,电力系统在整体大局中的地位日趋重要,人们对电力的需求量越来越大,促进电力系统必须迅速发展,电网不断复杂化。目前电压等级的提高和装机容量的增大,用户对供电质量和可靠性的要求也越来越高,这就要求电力系统要加强电力设备的正常运行状态的可靠性。高压断路器作为电力系统的重要开关设备,在配电、保护线路及设备中起着关键作用,且在电力系统中得到了广泛的应用。要提高电力系统安全可靠的供电从某种意义上说就是提高高压断路器的可靠运行。 目前神经网络采用的算法有很多种,而BP神经网络和RBF神经网络是应用比较多的,但是BP神经网络有着收敛速度慢、容易陷入极小区域的缺点,RBF神经网络虽然比BP神经网络在收敛速度上快,但是RBF却有着训练连接权值麻烦的缺点。为了提高收敛的速度和改掉连接权值不容易算出来的缺点,本文分别用遗传算法和粒子群算法融合RBF神经网络。 基于这些分析,本文提出了用 RBF神经网络与粒子群算法相融合的方法,用霍尔传感器和断路器机械特性测试仪现场测试得出高压断路器分合闸线圈电流随时间变化的故障时的特征量数据,建立PSO-RBF模型。用MATLAB进行数据的分析与仿真研究,结果显示出基于 PSO-RBF的高压断路器的故障诊断模型可以很好的确定出高压断路器的故障原因。同时,在本文中还建立了GA-RBF,BP,RBF分别关于高压断路器的故障诊断的模型,并进行对比,结果显示PSO-RBF神经网络具有很好的诊断效果。 本文用最大似然估计的概率论方法对高压断路器的可靠性进行分析与仿真,预计出断路器在多长时间内的运行是可靠的;用RBF神经网络融合粒子群算法技术在可靠时间内诊断,预防了故障了出现,增加了电力系统的可靠供电。