基于QNN-DS的配电网故障选线与扰动识别方法研究

摘要

智能配电网是目前电力系统界研究的热点，而高级配电运行自动化和高级量测体系是智能配电网建设过程中的重要技术，也是先行技术。配电网单相接地故障自动选线技术是高级配电运行自动化技术中的重点和难点问题，至今没有得到很好的解决；电能质量扰动自动识别技术是构建高级量测体系中电能质量监测系统的重要内容。同时，配电网故障选线和电能质量扰动识别的准确率直接影响了配电网供电可靠性、连续性和供电质量。
　　 本文结合模式识别和信息融合技术对二者进行研究，致力于提高配电网故障选线和电能质量扰动识别的正确率，以提高配网供电的可靠性，改善其供电质量。系统阐述了量子神经网络(quantum neural network，QNN)模式识别技术和DS证据理论(Dempster-Shafer evidence theory,DS)信息融合技术的基本原理和数学描述，在此基础上构建了基于量子神经网络和DS证据理论(QNN-DS)模式识别方法的体系结构，介绍了其实现流程，分析了QNN和DS结合后在模式识别方面所表现出的优异性能。给出了基于QNN-DS模式识别方法的配电网故障选线方案。利用快速傅立叶变换(fast Fourier transform，FFT)和小波包变换(wavelet packet transform，WPT)从零序电流信号中提取基波、五次谐波、暂态三种故障特征来训练和测试三个量子神经网络，然后采用DS证据理论对各个神经网络的输出结果进行决策级融合，得到综合选线结果。大量仿真结果表明：QNN比改进的BP神经网络(back propagation neural network，BPNN)在训练和测试过程中表现出更好的收敛性能和模式识别能力，基于QNN-DS的配电网故障选线方法能有效地融合多种故障特征判据，具有更好的容错性和鲁棒性，提高了故障选线的正确率，且不受系统接地方式、故障距离、合闸角、过渡电阻等因素的影响。
　　 对电能质量扰动信号识别的特点和关键问题进行了分析，提出将QNN-DS模式识别方法应用到电能质量扰动信号识别中来。建立了十种常见的电能质量扰动信号模型，基于幅值、扰动时间、信噪比等信号参数随机产生了1000组扰动数据样本。利用离散小波变换(discrete wavelet transform，DWT)、小波包变换和S变换从原始扰动信号中分别提取一组特征向量，利用这三组特征量对三个QNN进行训练和测试，结果表明三类特征量都能取得较好的分类效果，并且表现出了各自的优缺点，在此基础上通过与改进BPNN的对比，进一步验证了QNN的收敛性能和模式识别能力优于BPNN的结论。利用DS证据理论对三类特征量QNN输出结果进行决策级融合，结果显示融合后的分类精度更高，并在一定程度上克服了错误信息的不利影响。将QNN-DS的分类结果与BPNN-DS、概率神经网络-选举决策级融合方法(Probabilistic neural network withvoting rules，PNN-VR)和单QNN的特征级融合方法进行对比分析，结果该方法取得了最高的分类精度。仿真分析表明基于QNN-DS的电能质量扰动识别方法能够有效地融合多种扰动特征量的优点，具有更好的容错性和鲁棒性，提高了扰动识别的准确率，具有一定的应用价值。
　　 基于QNN-DS配电网故障选线和电能质量扰动识别的仿真分析表明：该模式识别方法继承了QNN优秀的模式识别性能和DS证据理论良好的信息融合能力，在配电网故障选线和电能质量扰动识别的应用中表现出模式分类准确性高，容错性和鲁棒性好，适应性强等优点。

目录

文摘

英文文摘

声明

第1章绪论

1.1引言

1.2本课题研究目的和意义

1.3本课题的研究现状

1.3.1配电网故障选线国内外研究现状

1.3.2配电网电能质量扰动识别国内外研究现状

1.4本论文的主要工作

第2章基于量子神经网络和证据理论的模式识别方法

2.1量子神经网络

2.1.1量子神经网络的模型

2.1.2量子神经网络的训练算法

2.2 DS证据理论的基本原理

2.3基于QNN-DS的模式识别方法

2.3.1信息融合技术在模式识别中的应用

2.3.2基于QNN-DS决策级融合的模式识别方法

2.4小结

第3章基于QNN-DS的配电网故障选线

3.1引言

3.2配电网单相接地故障模型

3.3故障特征量提取及其选线步骤

3.3.1故障特征量提取

3.3.2基于QNN-DS的故障选线步骤

3.4仿真验证

3.4.1 QNN的训练

3.4.2故障选线方法的验证

3.5小结

第4章基于QNN-DS的配电网电能质量扰动识别

4.1引言

4.2电能质量扰动信号的产生

4.3扰动特征量提取

4.3.1基于离散小波变换的特征提取

4.3.2基于小波包变换的特征提取

4.3.3基于S变换的特征提取

4.4基于QNN-DS扰动识别模型的验证

4.4.1基于QNN-DS的扰动分类步骤

4.4.2子神经网络的训练与测试

4.4.3 DS证据理论的融合过程及融合结果分析

4.5小结

结论

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果