基于模糊神经网络的电动机综合保护算法研究与仿真

作者:杨明堂;陈亚丽 刊名:漯河职业技术学院学报 上传者:刘潇

【摘要】利用模糊神经网络的控制特点,建立了基于模糊神经网络的电动机综合保护算法,该算法时刻分析电动机的各个参数,能提前预测电动机将要发生的故障,及时采取措施保护电动机。经过MATLAB仿真表明,该算法在电动机综合保护方面具有快速性和准确性。为新型电动机保护器的设计提供技术理论。

全文阅读

模糊逻辑具有较强的结构性知识表达能力;神经网络具有强大的自学习能力和数据直接处理能力[1];将二者结合可充分吸收模糊理论与神经网络各自的优点,并由此来弥补各自的不足[2]。由于电动机发生故障的机理及其表现十分复杂,而且其故障征兆之间具有耦合作用,因此,可以利用模糊神经网络分析电动机的各个参数,并经过分析判断,能提前预测电动机将要发生的故障,并及时采取措施,以达到对电动机保护的功能[3-4]。1模糊神经网络保护系统体系结构图1所示的是基于模糊神经网络电动机保护体系结构。它主要包括典型故障案例、模糊化模块、标准故障案例库、学习样本的组织、特征提取和模糊神经网络等六个功能模块,通过这六个功能模块的有机组合实现故障诊断。图1模糊神经网络保护系统体系结构具体控制过程如下:(1)对电动机各参数进行实时检测,并对常见故障及其预兆信息进行分析提取,并进行模糊化,建立“电动机保护系统”的标准预兆信息库。(2)通过标准预兆信息库中的案例,组织学习样本。(3)将学习样本输入到FNN模型中,学习训练使FNN模型收敛到需要的精度。(4)对电动机各参数进行实时检测,把信号输入到“特征提取”模块中进行分析。(5)将分析后的特征信号进行归一化处理,并将其输入到模糊化模块中,得到各个特征信号的隶属度。(6)将模糊化后的特征信号输入到已经学习收敛过的FNN模型中进行计算,输出判断结果。(7)将输出的判断结果与标准故障预兆信息库中的信息进行比较,如果判断将要发生某种异常,就发出保护指令,自动采取保护措施。2基于模糊神经网络的电动机保护模型根据电动机常见故障故障与负序电流、零序电流、相电压、流进电动机的实际电流、温度、三相电流的主要关系。建立如表1所示的电动机保护规则表,其中L、N、H分别代表参数Low(偏低)、Normal(正常)、High(偏高)。X表示“电机可启动,”Y表示“电机不可启动”。表1中,A表示“经常是,”B表示“有时是,”C表示“基本不可能是”。本系统规定各参数偏高、正常、偏低的归一化值分别为0.9、0.5、0.1。则相应的隶属函数值为(1)偏高:H(x)=0.94,N(x)=0.38,L(x)=0.01;(2)正常:H(x)=0.22,N(x)=1,L=0.22;(3)偏低:H(x)=0.01,N(x)=0.38,L=0.94。电机是否可启动:“可启动(X)”和“不可启动(Y)”用二值函数(0,1)来描述。其隶属函数为可启动:X(x)=1,Y(x)=0不可启动:X(x)=0,Y(x)=1将表1中的A,B,C转化为相应的故障可信度,A相应于可信度0.9,B相应于可信度0.5,C相应于可信度01。表1故障诊断规则序号参数UAUBUCIAIBICI故障MF1F2F3F4F5F6F7F8F91NHNHHHNNXABCCCCCCC2LNNHHHNNXBACCCCCCC3NNNNNNNHXCCACCCCCC4NNNNNNHNXCCCACCCCC5NNNHHHNNYCCCCACCCC6NNNLHHNNYCCCCCACCC7NNNHLHNNYCCCCCCACC8NNNHHLNNYCCCCCCCAC9NNNHLLLNYCCCCCCCCA10NNNLHLLNYCCCCCCCCC根据表1建立系统的综合保护模型如图2所示。模型分两大部分:前一部分为模糊量化部分,后一部分为模糊神经网络(FNN)部分。系统中的FNN模块采用三层前馈网络。它包括一个输入层、一个输出层、一个规则层。图2电动机综合保护的FNN模型3电动机综合保护的FNN模型仿真研究3.1仿真工具的选择Matlab/Simulink

参考文献

引证文献

问答

我要提问