基于GRNN的特高压直流输电线路故障识别方法

摘要

针对特高压直流保护容易拒动和故障检测时间过长的问题，提出一种基于广义回归神经网络(generalized regression neural network, GRNN)的特高压直流输电线路故障识别方法。首先，基于广义S变换，获取频域下的故障特征量信息，构建GRNN的输入数据。其次，利用混沌量子粒子群算法(chaos quantum particle swarm optimization, CQPSO)优化GRNN参数，以适应度函数最低为原则形成理想的网络模型，更好地学习特高压直流输电线路故障特征，利用Softmax分类器将深层的特征量进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类为正极故障、负极故障和双极故障，输出识别结果。最后，利用在PSCAD/EMTDC仿真环境下搭建的特高压直流输电模型进行验证，验证结果表明，所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果，相比于传统卷积神经网络、广义回归神经网络、支持向量机等方法，本文所提方法的故障识别准确率分别提升了6.6%、0.65%、7.69%,满足特高压直流输电线路保护的快速性和可靠性需求。

关键词

广义回归神经网络 / 特高压直流输电线路 / 继电保护 / 广义S变换 / 故障识别