英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
1stIEEE国际电力电子会议。 智能控制和能源系统（ICPEICES-2016）
基于EMD的特征提取和概率神经网络分类在输电线路故障诊断中的应用
Aastha Aggarwal1，Hasmat Malik2和Rajneesh Sharma3
1，2，3系。 仪表与控制工程，
印度德里德里大学Netaji Subhas技术学院
电子邮件：laggarwalaasthall@gmail.com。2hasmat.malik@gmail.com。3罗杰尼希496@gmail.com
摘要 - 在提出的工作中，提出了一种有效的传输线故障协调模型。 提出的方案是将经验模式分解和概率神经网络相结合，对十种类型的分流故障进行分类。 故障后电流信号用于特征提取以供进一步研究。 经验模式分解（EMD）方法用于将故障后电流信号分解为固有模式函数（IMF）并从中摘录断言特征。在概率神经网络(PNN)的智能故障分类模型中，将每个阶段的前9个IMFs的特征特征作为输入变量。 对于评估所提出技术的便利性，使用MATLAB / SIMULINK在所有十种故障的500kV，300km长度传输线上进行评估。最后，对数据进行了广泛的仿真，并对数据进行了测试。结果模拟表明，提出的方法是学习速度快，功能强大，具有较高的准确性。
关键词EMD; IMFs; PNN; 故障; 传输线
一、导言
电力行业和电力设备中的电力质量扰乱是面临的主要问题之一。 它会导致供应中断，从而损坏设备。 导致系统不稳定的电源质量扰动的主要原因是不对称故障或短路故障，例如三相故障，线路故障和线路与接地故障。 因此，故障分类技术必须快速可靠，以保持电力传输系统中的连续功率流。 适当的算法选择来分析故障状况也是非常重要的。 为了从研究中的系统中预处理和提取最重要的特征，需要适当的算法。 如此提取的特征有助于使用分类器检测故障。
许多研究人员设计了不同的技术来评估准确的故障分类。 这些技术包括经典文献[1]或基于阻抗匹配的文献[2]，基于模糊逻辑的文献[3]，人工智能文献[4]。 文献[5]介绍了EMD和SVM在电力系统故障分类中的结合。 使用的故障分类
978-1-4673-8587-9/16/$31.00 copy;2016 IEEE [1]
基于模糊规则的方法已在文献[6]中提出。 文献[7,9]显示了神经网络存储Q值的能力。 神经网络和强化学习以其学习速度慢而着称，这些方法相结合，使整个系统变得非常缓慢。 在文献[10]中实现的启发式模糊逻辑方法由于冗余和复杂性增加了计算负担。 因此，需要一个清晰而简单的模糊逻辑系统来精确识别故障。
在本文中，使用EMD完成特征提取，利用PNN进
行故障分类。 像傅里叶变换和小波分解一样，EMD用于破坏信号。 与傅里叶变换和小波分解不同，EMD并没有对信号的组成进行先验假设。 使用样条插值，在最大值和最小值之间依次跟踪IMFs。然后所选特征被输入到PNN分类器中，使用PNN完成故障分类。它是一个分类器，它将任何输入模式映射到多个分类，并且在训练过程比反向传播快的情况下是有利的。此外，培训样本可以保留或丢弃，无需普遍的培训。单线接地故障，双线接地故障和三相故障的分类是重点。计算了10个故障类型(AB、BC、CA、AG、BG、CG、ABG、BCG、CAG、ABC)故障的准确分类。在提出的方法中，预测了后故障电流。之后，使用EMD将获得的信号分解为IMF。 前9个特征是通过PNN算法选择和学习的。 拟议的方案在连接两个电源之间的500千伏50赫兹传输线上进行评估。MATLAB环境用于数据的培训和测试。 在SIMULINK环境中使用SIM电源系统工具箱生成故障数据。
二、模型说明
为了演示PNN在故障分析中的适用性，引入PNN来分析两个电源之间连接的长度为300km的500kV，50Hz传输线产生的不同模式。 Vsend和
1stIEEE国际电力电子会议。 智能控制和能源系统（ICPEICES-2016）
图1中的Vreceive是三百公里长的三相传输线的发送和接收端的电压源。 提出的模型参数如表1所示。在模型测试中，将发送端作为在故障发生后收集当前信号的中继端。本文收集了每个阶段(la, Ib和Ic)的一个周期的电流信号进行调查。采样频率为12.5 kHz，即125001个样品。使用EMD算法对这些数据样本进行分解。在此之后，首先考虑了9个IMFs，并将其作为PNN分类器的输入。所有10种类型的故障都从0.1到0.25秒。所有10个故障类型的模拟结果，以及0.42秒的健康状况，如图2所示。
表1：建议模型的参数
X 10#39;
#39;'
o 0.05 0.1 0.15 02 025 0.3 0.35 0.4
时间（秒）
x1� LGCG
传输线参数；
zl=O.l5483 .36608jQ/kM
Zo=0.37432 1.1315jQ/kM
CI = 1.2097E - 8F/kM
Co = 7.4982E - 9F / kM
图一.能量系统模型
1stIEEE国际电力电子会议。 智能控制和能源系统（ICPEICES-2016）
.. 2 X 104
lt;=
� 0
lt;=4gt;
�-20
Q) 2 )( 104
� 0
::lt;gt; -20
2 x 104
�o
lt;gt;-20
llGBCG
0.05 0.1 0.15 0.2 0.25 0.3 0.35
时间（秒）
llGCAG
0.05 0.1 0.15 01 015 0.3 0.35
时间（秒）
lllABC
0.05 0.1 0.15 0.2 0.25 0.3 0.35
时间（.sec）
图2：不同故障类型和健康状况的电流波形
- 方法
0.4
OA
0.4
步骤2：现在考虑上面的s1，作为父信号，并以n11作为s1的平均值，我们可以计算s11如下:
s11 = s1 - n11 (2)
步骤3：上面的步骤一再重复，假设n次，直到s1n被计算出来，满足了IMFs条件。当条件满足时，我们就得到了第一个IMFs i.e. I1=s1n。这个IMFs现在与提供的数据使用以下等式分开:
R1=Y(t) -I1 (3)
步骤4：现在我们以R为主信号，并重复步骤1-3来获得下一个IMF。
步骤5：要提取的IMF数量完全取决于信号。 当Rn变成单调时，该过程终止。
在提出的方案中，从数据中提取总共9个IMF，用于对9times;125001矩阵进行分类。 其中9x16500的矩阵被考虑用于进一步分析。
B.概率神经网络（PNN）
概率神经网络（PNN）是一种前馈神经网络，使用贝叶斯分类器等概率模型进行解析。 它广泛用于模式识别领域。PNN由四个不同层次的并行处理单元组成:输入层、隐藏层、模式层或总和层和输出层。描述特定训练集的一个类的样本计数决定了每个层中神经元的精确计数。输入层中的神经元数量被认为等于确定要分类的对象所需的参数或规格。单个训练用例神经元被分配到模式层，该模式层主要用于计算匿名输入与该特定神经元的训练用例之间的距离。个别训练案例的单个神经元被分配到模式层，该模式层基本上用于计算匿名输入与由该特定神经元表征的训练案例之间的距离。 求和层中存在每个目标类的一个模式神经元。 估计的概率密度函数（PDF）是通过对与该特定类相似的模式层神经元的标准的总和获得的。 网络的结构是根据这些PDF来解释的，这使得PNN有利。 输出层神经元与类的数量相当。 据说这个层是一个阈值鉴别器，它触发一个神经元在某个时间为匿名采样的计划类别发言。 PDF的估计量由以下公式给出
A. 经验模式分解（EMD）
EMD是将信号分解成小IMF的方法。 它实际上建立在信号由各种透明固有模式振荡组成的假设上。 它整合了将非线性和非平稳信号转换为其各自单声道分量和对称分量的筛选过程。 固有模式函数（IMFs）满足以下条件：
-
-
- 在汇总数据集中，只有零交叉点之间存在一个极值
- 在任何点的平均值，应该是零筛选过程迭代地合并在
-
父母信号来提取基金组织。 显示了使用EMD提取IMFs的算法：
步骤1：令n为给定信号Y(t)的上、下信封的平均值。给出的信号的上、下信封的均值由局部最大值和最小值的立方样条插值决定。因此，计算的分量是
s1=Y(t)-n1 (1)
.
其中， p（x|Si）是向量x的向量出现在集合Si中的概率相当于故障类型。
Xj（i） =jth存在于Si类错误中的训练模式类型。
Ni = 是Si类图案组的基数。
MATLAB建立模型
在故障条件下输入数据
利用EMD对数据分解
sigma;i =平滑参数
输出层被认为是决策层，它从前面的求和结果每个i层中选出最高后验概率Pr（x|Si）。 为了测试输入数据，后验概率Pr（x I Si）由Baye法则说明，
设置数据
培训PNN模型
设计PNN模型
设置测试数据
(5)
其中，Pr（x|Si），i = 1,2，...，k是要分离的类的先验PDF。
在上面的表达式中，类（Pr（si））是等价的并且p（x）被认为是固定的。现在，最后的议程是突出显示故障类型的类别Si，其中Pr（x|Si）为出现最大值。
C. PNN的培训和测试过程
PNN的培训和测试毫不费力。 首先，训练和测试数据是独立安排的。 训练样本用于加载考虑中考虑的所有类的图案层中现有神经元的中心。 因此，获得（3x500Xll）= 16500训练数据和测试数据的总和。
- 建议的方法
线对线（AB，BC，CA），线对地（AG，BG，CG），双线对地（ABG，BCG，CAG）和三相（ABC）使用EMD和PNN的组合对故障进行分类。 Ia，Ib，Ic是从MATLAB环境中模拟的模型中得到的线路电流。 在给定的故障条件下，EMD用于分解这些电流信号。 在此之后，数据的训练和测试完成。 然后将这些数据输入到PNN模型中，从而给出最终的分类错误。 模拟结果表明，所提出的方法是健壮的，快速的学习和更高的准确性分类故障。 这在图3中解释。
改变PNN参数
计算模型参数
NO
Mse？
YES
测试PNN模型
根据最后的mse选择PNN模型
数据线故障分类
图3：提议的方法
- 结果与讨论
对于故障分类模型的仿真，对于12.5kHz的采样频率即125001个数据采样，在0.1sec处产生永久故障。 使用EMD将这些数据采样分解为单分量信号可以构建IMF#39;s。 前九个IMF进一步被分析。 训练和测试数据是独立排列的，生成一个16500X9的矩阵。 这些数据被送入PNN分类器，用于线路到线路（AB，BC，CA），线路到地面（AG，BG，CG），双线路到地面（ABG，BCG，CAG） ）和三相（ABC）故障。 字母A，B，C和G分别表示A相，B相，C相和地。
基于MATLAB的图形结果如图4所示，用于进一步验证
提出的模型。
[4]
1stIEEE国际电力电子会议。 智能控制和能源系统（ICPEICES-2016）
表2：测试样本和成功率
|
故障 |
健康 |
LLLABC |
LLGCAG 全文共7645字，剩余内容已隐藏，支付完成后下载完整资料 资料编号：[14912]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
