基于云遗传算法优化的BP神经网络的配电网故障定位

当配电网中发生发生接地故障时,系统的电压会大幅的降低,给社会生产和人们的生活带来很大的影响。如何保障配电网的安全可靠,成为电力行业从业者必须要面对的课题。但是,随着用电种类的增多,配电网的电压等级不断的升高,配电网的结构也越来越复杂。虽然国家电网公司已经在加大投入成本进行电网的升级,但是由于线路的老化、人为的操作失误或者自然灾害等原因使配电网不发生故障是不可能的。因此,如何提高配电网故障诊断速率和效果一直是一个热门的研究课题。本文对配电网故障诊断的方法进行了总结,发现在配电网故障诊断中应用较多的BP神经网络存在这样的一些应用问题。BP神经网络虽然具有人工智能的优点,一般能够在进行充分的学习后能满足故障诊断的需求。但是其在诊断过程中可能出现诊断速度不够快,诊断准确性不能够达到要求,同时还可能会陷入局部最优解的情况。针对BP神经网络在配电网故障定位中存在的问题,本文中将用在全局搜索领域应用效果较好的遗传算法与BP神经网络相结合,通过改变BP神经网络在建立模型时初始权值和阈值的方法来提高其效果。同时,在本文中对遗传算法也进行了改进,在遗传算法中引入能有效处理模糊信息的云理论,形成云遗传算法,使得遗传算法本身的效果也进行了改进提高。为了验证改进后的BP神经网络算法的效果。本文首先将标准的BP神经网络应用在一简单的配电网的系统中,通过matlab仿真软件进行仿真,说明了其在配电网故障诊断中的有效性。同时再将通过云遗传算法改进后的BP神经网络应用在同一配电网系统中,通过比较两者的训练曲线图,以及最终诊断的实际输出值,可以发现改进后的BP神经网络的诊断的速率要比标准的BP神经网络的速率要快很多。然后,本文再通过针对同一BP神经网络的模型,增加其学习样本,再通过matlab仿真发现,由于学习样本数的增多,标准的BP神经网络的诊断效果要比改进后BP神经网络差很多。因此,可以得出通过云遗传算法改进BP神经网络是很有效果的,是能够提高BP神经网络在配电网故障诊断应用中的速度和精确度。