基于多层人工神经网络的电力系统恢复过电压预测

在电力系统恢复的初始阶段,系统元件(变压器、输电线路和并联电抗器)充电时,会出现较高的过电压,可能造成设备损坏,推迟系统的恢复进度,进而威胁系统的安全稳定运行.针对这一问题,提出了一种基于多层人工神经网络的过电压预测方法.采用前馈多层感知器结构,应用Levenberg-Marquardt算法来训练人工神经网络模型,通过MATLAB/Simulink中的电力系统分析工具包PSB来取得训练所需的样本数据.针对变压器和并联电抗器充电的情况,按照合闸角和剩磁最坏的情况来训练人工神经网络,从而减少训练所需的时域仿真计算次数.另外,为了增强所构造的人工神经网络模型的通用性,将电力系统的网络等值参数作为模型的输入数据.采用新英格兰39节点系统的部分网架作为算例,结果表明所提方法可以对电力系统恢复过程中的过电压峰值和持续时间进行有效的预测,并且具有很高的精度.