基于优化小波神经网络的输电线路行波故障测距.pdf

"基于优化小波神经网络的输电线路行波故障测距" 本文主要介绍了一种基于优化小波神经网络的输电线路行波故障测距方法。该方法通过提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值，并使用小波神经网络拟合行波特征值与输电线路故障距离之间的关系，构建小波神经网络故障测距模型。通过引入遗传算法变异因子，使用改进后的粒子群算法作为小波神经网络的训练算法，优化小波神经网络的权值与阈值参数，提高了输出结果的精度。 本文的主要贡献在于： 1. 提出了基于小波神经网络的故障测距模型，该模型可以直接得到输电线路的故障距离。 2. 引入了遗传算法变异因子，使用改进后的粒子群算法作为小波神经网络的训练算法，提高了模型的收敛速度和输出结果的精度。 3. 通过小波神经网络拟合行波特征值与输电线路故障距离之间的关系，实现了输电线路故障测距。 本文的技术路线图如下： 1. 行波特征值提取：提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值。 2. 小波神经网络模型构建：使用小波神经网络拟合行波特征值与输电线路故障距离之间的关系，构建小波神经网络故障测距模型。 3. 粒子群算法优化：引入遗传算法变异因子，使用改进后的粒子群算法作为小波神经网络的训练算法，优化小波神经网络的权值与阈值参数。 4. 模型评估：对小波神经网络故障测距模型进行评估，验证其对输电线路故障测距的精度和可靠性。 本文的主要技术点包括： 1. 小波神经网络：一种基于小波变换的神经网络模型，用于拟合行波特征值与输电线路故障距离之间的关系。 2. 粒子群算法：一种基于群体智能的优化算法，用于优化小波神经网络的权值与阈值参数。 3. 遗传算法变异因子：一种用于提高粒子群算法收敛速度和输出结果精度的技术。 本文的研究结果证明了基于小波神经网络的输电线路行波故障测距方法的可行性和有效性，为输电线路故障测距提供了一种新的技术解决方案。