改进PNN神经网络在电力系统次超同步振荡监测中的应用.docx

改进PNN神经网络在电力系统次超同步振荡监测中的应用
标题：改进PNN神经网络在电力系统次超同步振荡监测中的应用
摘要：
电力系统是现代社会中不可或缺的基础设施。然而，电力系统中可能出现的次超同步振荡问题，如次同步电力振荡，可能导致电力系统的不稳定性和损坏，给供电可靠性和持续性带来威胁。因此，对于次超同步振荡的准确监测和预测具有重要意义。本文提出了一种改进的概率神经网络（PNN）方法，用于电力系统中次超同步振荡的监测。通过在传统PNN中引入特定的特征选择和改进的训练算法，提供了更准确和可靠的次超同步振荡监测方法。
1.引言
电力系统中次超同步振荡是一种具有振幅和频率较低的不稳定电磁波形。该振荡可能由于电力系统元件的励磁问题、负载不平衡、故障等原因引起。次超同步振荡的存在会引起电力系统稳定性的下降，甚至导致系统崩溃，因此准确监测和预测次超同步振荡成为电力系统稳定运行的重要问题。
2.相关工作
过去几十年中，许多学者和工程师对次超同步振荡问题进行了广泛的研究。传统的方法包括传统PNN、支持向量机（SVM）等。然而，这些方法在准确度和鲁棒性方面存在一定的限制。
3.改进PNN神经网络原理
本文提出了一种改进的PNN神经网络方法，用于电力系统中次超同步振荡的监测。改进的PNN神经网络通过引入特征选择和改进的训练算法来提高准确度和鲁棒性。
3.1特征选择
特征选择是选取最具代表性的特征以提高分类准确度的过程。针对电力系统中次超同步振荡的监测，我们根据经验和相关文献，选择了以下几个重要的特征：功率谱密度、相位差频率、功率因素等。通过对这些特征进行有效的选择和提取，可以提高PNN网络的分类能力。
3.2改进的训练算法
本文提出了一种基于改进的遗传算法的训练算法。遗传算法是一种模拟自然生物进化过程的优化方法，通过不断迭代搜索参数空间以找到最佳解。在改进的训练算法中，我们使用遗传算法对PNN的输入层权值和隐藏层神经元个数进行优化，以提高次超同步振荡的分类准确度。
4.实验结果与分析
我们通过对电力系统数据的实验验证，评估了改进的PNN神经网络在次超同步振荡监测中的性能。实验结果表明，改进的PNN神经网络相比传统方法具有更好的准确度和鲁棒性。
5.结论
本文通过改进PNN神经网络的特征选择和训练算法，提出了一种准确和鲁棒的次超同步振荡监测方法。实验结果表明，该方法在电力系统中具有很好的适用性和可行性。未来，我们将进一步完善改进的PNN神经网络方法，并在更多实际电力系统中进行验证和应用。
参考文献：
[1]Gandoman,F.H.,Vahidian,K.,Jannati,M.,etal.(2013).Anewmethodfordetectionofsubsynchronousresonancefrequencybasedonsupportvectormachinesandwavelettransform.JournalofElectricalEngineering&Technology,8(3),573-583.
[2]Luo,J.,Shen,J.,Wang,Q.,etal.(2018).Anovelrotoridentificationalgorithmforsub-synchronousoscillationofturbinegenerators.PowerSystemProtectionandControl,46(13),104-112.
[3]Manju,C.N.,&Jeshitha,J.(2021).Asurveyonfeatureselectioninmachinelearningforpowersystemapplications.JournalofAppliedResearchandTechnology,19(2),349-361.
[4]Fu,R.,&Zhu,Y.(2020).Optimizedadaptiveneuralnetworkapproachforsub-synchronousoscillationpredictioninpowersystems.JournalofModernPowerSystemsandCleanEnergy,9(2),386-398.