基于S变换和RBF神经网络的电气化铁路电压暂降识别研究

摘要

随着电气化铁路向着智能、高效、安全方面快速发展,越来越多的电力电子设备应用到电气化铁路供电系统中,对电能质量造成了很大的影响,同时也对供电电能质量提出了更高要求。电压暂降作为一种常见的电能质量问题,因其隐含危害大、影响范围广、发生频率高而越来越受到重视。高效准确的确定电压暂降扰动源类型,对保障电气化铁路安全、高效运行具有重要意义。本文基于S变换和RBF神经网络算法,实现了对电气化铁路电压暂降源的分析与识别。首先,对电压暂降的定义、原因、危害及特征指标等做了介绍,并对其检测方法进行了分析总结。通过MATLAB/Simulink仿真软件搭建了牵引供电系统和10kV自闭/贯通供电系统模型,对其在不同暂降故障下仿真分析得到6种电压暂降数据特征。通过将扰动信号进行S变换得到一个复矩阵,获得表征信号特征的三维等高线、幅值包络线、时间幅值包络线和频率幅值包络线等曲线。通过与BP神经网络特征对比分析,确定选用神经网络中RBF网络模型作为电压暂降源识别方法。对各曲线进行处理提取了幅值、频率、能量、熵以及各包络线统计量特征,包括均值、标准差、偏度、均方根值等具有能够区分不同电压暂降源类型的十个特征量。导入所得样本特征量数据进行学习和测试,即可自动进行学习,为电气化铁路扰动信号的长期检测识别提供了基础。最终,以电气化铁路电压暂降仿真模型得到不同扰动源样本数据为基础,验证了上述算法的有效性,并将该算法模块与电气化铁路电能质量检测与分析装置样机相结合,研制完成了具有电压暂降源检测识别功能的便携式电气化铁路供电系统电能质量检测与分析装置,利用样机对北京局某牵引变电所和10 kV自闭/贯通线路进行了现场试验。试验结果表明,本文所提方法在实际工况下能够有效检测电压暂降幅值和扰动时刻,识别电压暂降扰动源类型。最终,为电气化铁路供电系统电能质量监测分析提供了一种思路,为电气化铁路供电系统的安全稳定运行提供了保障。

目录

摘要

Abstract

第一章 绪论

1.1 引言

1.1.1 电压暂降

1.1.2 电压暂降的原因

1.1.3 电压暂降的危害

1.2 国内外研究现状

1.3 本文的主要内容和创新点

第二章 电压暂降特征及其检测算法

2.1 电压暂降特征信息

2.1.1 电压暂降幅值

2.1.2 电压暂降持续时间

2.1.3 电压暂降的相位跳变与频次

2.2 电压暂降检测方法分析

2.2.1 有效值检测法

2.2.2 峰值电压法

2.2.3 缺损电压法

2.2.4 瞬时电压dq变换法

2.2.5 短时傅里叶变换

2.2.6 小波变换法

2.3 本章小结

第三章 电气化铁路供电系统模型搭建与故障仿真

3.1 牵引供电系统

3.1.1 牵引供电系统的构成

3.1.2 牵引供电系统的供电方式

3.2 牵引网模型搭建

3.2.1 供电电源

3.2.2 牵引变压器模型

3.2.3 自耦变压器

3.2.4 牵引网模型

3.2.5 全并联AT供电系统仿真模型的建立

3.3 10KV电力自闭/贯通供电系统

3.3.1 10KV电力自闭/贯通线系统结构

3.3.2 自闭/贯通线路故障

3.4 电气化铁路自闭/贯通线路模型搭建

3.5 故障仿真分析

3.6 本章小结

第四章 电气化铁路电压暂降源辨识研究

4.1 S变换

4.1.1 一维连续S变换

4.1.2 一维离散S变换

4.2 电压暂降(暂升)扰动特征分析

4.2.1 构建电压暂降(暂升)扰动信号

4.2.2 基于S变换电压暂降(暂升)特征分析

4.2.3 仿真模型信号检测分析

4.3 电压暂降识别算法的选取

4.4 神经网络技术

4.4.1 BP网络概述

4.4.2 RBF网络概述

4.4.3 RBF神经网络与BP神经网络的比较

4.4.4 RBF网络学习算法

4.5 电压暂降特征量选择

4.5.1 特征量选择依据

4.6 基于S变换神经网络的电压暂降辨识系统的模型建立

4.7 本章小结

第五章 电气化铁路供电系统电压暂降源检测的实现

5.1 硬件平台

5.2 软件基础

5.3 系统功能介绍

5.3.1 参数设置与通道选择

5.3.2 电压暂降源检测识别分析

5.3.3 电压暂降实际监测与分析

5.4 本章小结

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

个人简历、在学期间的研究成果及发表的学术论文