灰色BP神经网络模型在电力系统短路电流峰值预测中的应用

华北水利水电大学电力学院, 河南郑州 450045
中图分类号:TM713

Application of grey BP neural network model in short circuit current peak prediction of power system

College of Electric Power, North China University of Water Resources and Electric Power, Zhengzhou 450045, China
Received Date:2018-05-21
Available Online:2018-07-15
CLC number:TM713

摘要:针对灰色预测模型在电力系统短路电流峰值预测中因数据迭代不合理而不能充分利用新的有效信息的问题，提出了一种适合电力系统的灰色BP神经网络动态预测模型.该模型通过引入动态的数据迭代模型，以最小相对误差为目标参数对传统灰色模型进行改进.通过Matlab/Simulink搭建电力系统短路故障模型进行仿真分析，获得不同初相角下电力系统短路时的电流数据；将短路电流、故障初相角、灰色模型预测结果和其相对残差作为BP神经网络的输入对改进的灰色模型进行训练，得到最终的短路电流峰值预测模型.验证实验表明，该模型能够快速、准确地预测短路电流峰值，适用于原始样本点少、非线性特征显著和随机性强的复杂系统.
- 电力系统/
- 短路电流峰值预测/
- 灰色模型/
- BP神经网络/
- 全局协调性保护
Abstract:In view of the unreasonable data iteration and the problem that the new effective information can not be fully utilized of the grey prediction model in the short circuit current peak prediction of power system,a grey BP neural network dynamic prediction model was proposed to adapt for power system.By introducing the dynamic data iteration model,the traditional gray model was improved with the minimum relative error as the target parameter.The short circuit fault model of power system was built by Matlab/Simulink for simulation analysis,and the current data of short circuit of power system under different initial phase angles were obtained. The improved grey model was trained by the short circuit current,the fault initial angle,the prediction result of the grey model and its relative residuals as the input of training BP neural network to obtain the final prediction model of the short circuit current peak.Verification experiments showed that the model could achieve fast and accurate prediction of short circuit current peaks,and was suitable for complex systems with few original sample points,significant nonlinear features and strong randomness.
- power system/
- short circuit current peak prediction/
- grey model/
- BP neural network/
- global coordination protection
1. [1]
  缪希仁,吴晓梅.低压系统多层级短路电流早期检测与预测[J].电工技术学报,2014,29(11):177.
2. [2]
  陈丽安,张培铭.基于形态小波的低压系统短路故障早期检测[J].中国电机工程学报,2005,25(10):24.
3. [3]
  张丽萍,陈俊杰,缪希仁,等.环网配电系统短路故障早期辨识研究[J].电工电能新技术,2016,35(2):68.
4. [4]
  赵阳,魏新劳,冯越.用于混合式断路器的神经网络故障电流检测方法[J].哈尔滨理工大学学报,2011,16(1):53.
5. [5]
  吴晓梅,缪希仁.低压系统多层级短路故障早期检测辨识研究[J].电工电能新技术,2015,34(9):38.
6. [6]
  郅萍,缪希仁,吴晓梅.低压系统短路故障建模及电流预测技术[J].电力系统保护与控制,2016,44(7):39.
7. [7]
  刘洪涛,赵朋洋,张灿煜,等.基于Matlab的电力系统短路故障下暂态稳定性的仿真与分析[J].科技资讯,2017,15(3):51.
8. [8]
  陈志英,陈丽安,缪希仁,等.低压配电系统选择性保护短路电流峰值早期预测的算法研究[J].福州大学学报(自然科学版),2015,43(3):359.
9. [9]
  王新普,周想凌,邢杰,等.一种基于改进灰色BP神经网络组合的光伏出力预测方法[J].电力系统保护与控制,2016,44(18):81.
10. [10]
  产焰萍,缪希仁,邱荣华,等.低压系统短路故障早期辨识及其技术实现[J].电器与能效管理技术,2017(1):25.
11. [11]
  于群,曹娜.MATLAB/Simulink电力系统建模与仿真[M]北京:机械工业出版社,2011.
12. [12]
  周志刚,郭科,陈丽红.时序数据预测的灰色神经网络技术[J].统计与决策,2007(1):128.
13. [13]
  王守相,张娜.基于灰色神经网络组合模型的光伏短期出力预测[J].电力系统自动化,2012,36(19):37.
14. [14]
  林方圆,苏建徽,赖纪东.光伏系统直流故障电弧识别方法研究[J].电工电能新技术,2015,34(12):7.
15. [15]
  马辉,孙颍桃,肖艳,等.基于灰色-BP神经网络组合模型的水位预测案例[J].人民黄河,2016,38(12):89.
1. [1]
  李东玉,王睿,冯宜民. 基于BP神经网络的阀控铅酸盐蓄电池劣化程度预测. 轻工学报, 2012, 27(4): 12-15.doi: 10.3969/j.issn.1004-1478.2012.04.004
2. [2]
  朱志伟,史慧革,张振,曹桂州. 电力系统随机小扰动区间稳定性分析. 轻工学报, 2021, 36(2): 102-108.doi: 10.12187/2021.02.013
3. [3]
  甘勇,刘新新,郑远攀. 应用BP神经网络实现基于等高线图像的CFD地形网格. 轻工学报, 2012, 27(6): 69-72.doi: 10.3969/j.issn.2095-476X.2012.06.019
4. [4]
  付永民,范磊,李长进,吴庆华. 基于BP神经网络的烟草制丝工艺参数优化研究. 轻工学报, 2023, 38(5): 104-111.doi: 10.12187/2023.05.014
5. [5]
  黄训诚,和萍,崔光照,史峰,耿斯涵. 中国智能电网发展述评、展望与建议. 轻工学报, 2016, 31(2): 54-65.doi: 10.3969/j.issn.2096-1553.2016.2.008
6. [6]
  李晓,郭朋玮,周茂忠,孙觅,李劲锋,张浩博,李宜馨,纪晓楠. 烟丝物理指标对其回弹特性的影响研究. 轻工学报, 2024, 39(1): 97-102.doi: 10.12187/2024.01.012
7. [7]
  刘穗君,杨林超,张萍,邱宗鹤. 基于模糊神经网络的智能混丝掺配PID控制模型研究. 轻工学报, 2015, 30(3-4): 39-43.doi: 10.3969/j.issn.2095-476X.2015.3/4.009
8. [8]
  王邦祥,陆金桂,王京涛,钱鹏. 神经网络近似模型在液压支架顶梁轻量化设计中的应用. 轻工学报, 2018, 33(2): 87-94.doi: 10.3969/j.issn.2096-1553.2018.02.013
9. [9]
  睢音,李刚,郭景楠,张亚林. 基于灰色GM(1,1)模型的信息后滞系统DEA评价. 轻工学报, 2013, 28(4): 103-108.doi: 10.3969/j.issn.2095-476X.2013.04.025
10. [10]
  吴振军,马路遥,邱洪波. 基于DFT输出过零点法的电力系统频率快速估计方法. 轻工学报, 2018, 33(2): 63-69.doi: 10.3969/j.issn.2096-1553.2018.02.010
11. [11]
  张志峰,李世海,汤一明,乔林,吴凡,翟玉生. 基于BP神经网络的堆积状不同品种茶叶识别研究. 轻工学报, 2017, 32(1): 103-108.doi: 10.3969/j.issn.2096-1553.2017.1.015
12. [12]
  王震,陆金桂. 改进的ACO-BP神经网络在锂离子电池SOC估算中的应用. 轻工学报, 2019, 34(4): 81-86.doi: 10.3969/j.issn.2096-1553.2019.04.012
13. [13]
  黄思芳,宋泽亚,段强,董宇. 短路电流非周期分量及其在继电保护与控制中的应用. 轻工学报, 2015, 30(2): 88-92.doi: 10.3969/j.issn.2095-476X.2015.02.019
14. [14]
  孙轶峰,侯智文,王文辉,王志国,杨光露,金楠. 卷烟车间有源电力滤波器模型预测控制策略. 轻工学报, 2021, 36(6): 77-85,90.doi: 10.12187/2021.06.009
15. [15]
  李刚,高明贵,巫婷婷. 基于DEA交叉效率的灰色加权关联评价模型研究. 轻工学报, 2015, 30(5-6): 151-156.doi: 10.3969/j.issn.2095-476X.2015.5/6.032
16. [16]
  尚姝钰,陈豪,姜素霞,吕恒志,陶涛,崔光照. 基于模型预测控制的有源电力滤波器开关损耗优化设计. 轻工学报, 2017, 32(2): 103-108.doi: 10.3969/j.issn.2096-1553.2017.2.016
17. [17]
  邱道尹,田芳,宋慧娟. 基于模糊神经网络的风电场无功补偿容量研究. 轻工学报, 2013, 28(2): 26-30.doi: 10.3969/j.issn.2095-476X.2013.02.007
18. [18]
  解相朋,杨录山. 基于智能优化型径向基神经网络的板形模式识别研究. 轻工学报, 2012, 27(3): 89-92.doi: 10.3969/j.issn.1004-1478.2012.03.024
19. [19]
  楼剑阳,南国防,宋传冲. 基于小波包分解和卷积神经网络的滚动轴承故障诊断. 轻工学报, 2021, 36(3): 79-87.doi: 10.12187/2021.03.010
20. [20]
  关宏波,石东伟,李刚. 人工神经网络在大学生学习水平测试中的应用. 轻工学报, 2011, 26(1): 122-124.doi: 10.3969/j.issn.1004-1478.2011.01.031

点击查看大图

计量

PDF下载量:131
文章访问数:8632
引证文献数:0

通讯作者:陈斌, bchen63@163.com

1.
沈阳化工大学材料科学与工程学院沈阳 110142

灰色BP神经网络模型在电力系统短路电流峰值预测中的应用

Application of grey BP neural network model in short circuit current peak prediction of power system

计量

通讯作者:陈斌, bchen63@163.com

灰色BP神经网络模型在电力系统短路电流峰值预测中的应用

English Abstract

Application of grey BP neural network model in short circuit current peak prediction of power system

目录

灰色BP神经网络模型在电力系统短路电流峰值预测中的应用

Application of grey BP neural network model in short circuit current peak prediction of power system

计量

文章相关

通讯作者:陈斌, bchen63@163.com

灰色BP神经网络模型在电力系统短路电流峰值预测中的应用

English Abstract

Application of grey BP neural network model in short circuit current peak prediction of power system

目录