论文总字数：24341字

摘 要

配电网是连接发、输电系统与用户的重要环节，它作为电力网的末端直接与用户相连接，是供电部门对用户服务的窗口，敏锐地反映了用户对电力的安全、 经济、优质等方面的要求。配电网作为电力网的末端，电压等级低，直接与用户相连接，线路分布广，网上设备多。供电系统每天要整合大量资源用于处理和解决配电网故障。为达到较高的供电可靠性，需要能够提前预测到配电网中故障发生

的可能性，及时做出相应的保护措施。

而随着人工智能在各个领域已经有了初步的应用，深度学习目前已成功应用于多个电力领域，本文基于ELM对配电网故障进行了态势预测和分析。为了验证方法的可行性与实用性，我们搜集了负荷运行数据、故障类型、故障原因、持续时间、设备运行维护情况等参数，并查找相应时间的该园区天气情况。选取50组不同的故障数据和1000组正常运行数据。进行了实例仿真学习训练，并得出了提高配电网供电可靠性的必要措施。

关键词：配电网；故障；人工智能；超限学习机

Abstract

The distribution network is an important link to connect the transmission system and the transmission system and the user. As the end of the power network, the distribution network is directly connected with the user. It is the window for the power supply department to serve the user, and it is keen to reflect the user"s requirements on the security, economy and quality of the power. As the end of the power network, the distribution network is low in voltage and directly connected with users. The distribution lines are wide，and there are many devices on the network. The power supply system has to integrate a large amount of resources every day to solve the failure of distribution network. In order to achieve higher power supply reliability, it is necessary to predict the failure of distribution network in advance and make corresponding protective measures in time.

With the initial application of artificial intelligence in various fields, deep learning has been successfully applied to many electric fields. This paper predicts and analyzes the situation of distribution network failure based on ELM. In order to verify the feasibility and practicability of the method, we collect the parameters of load operation data, fault type, fault cause, duration, equipment operation and maintenance, and find the weather conditions of the park at the corresponding time. 50 sets of different fault data and 1000 sets of normal operation data are selected. Simulation training is carried out and necessary measures to improve power supply reliability of distribution network are obtained.

Keywords：Distribution Network；Faults；Artificial Intelligence；Extreme Learning Machine

目 录

摘 要Ⅰ

AbstractⅡ

第一章 引 言1

1.1 选题的背景及其意义1

1.2 本文的研究工作1

第二章 超限学习机相关理论3

2.1 深度学习的概述3

2.2 超限学习机的概述4

2.2.1 超限学习机的概念4

2.2.2 超限学习机的发展5

2.2.3 超限学习机的核心考虑5

2.3 超限学习机的学习算法5

2.2.1 超限学习机的结构6

2.2.2 超限学习机的算法原理6

第三章 基于ELM的配电网故障学习和预测8

3.1 流程设计8

3.2 算例分析8

3.2.1 算例数据结构9

3.2.2 具体过程10

3.3 结论15

致 谢17

参考文献18

附 录19

第一章 引 言

1.1 选题的背景及其意义

配电网作为电力系统的一个重要组成部分，在发电、输电、配电和用户之间扮演了关键的角色，处于电力系统末端的配电网，直接连接在用户侧。作用相当于电力“买家”与“卖家”之间的“交易窗口”，能够迅速地察觉到用户（作为电力买家）的需要程度、满意程度和各种要求。而电力系统每天要整合大量资源用于处理和解决配电网故障。为达到较高的供电可靠性，需要能够提前预测到配电网中故障发生的可能性，及时做出相应的保护措施。因此，对配电网故障的类型、停电持续时间、停电设备类型等做出较为准确的提前预测，对提高配电网供电可靠性和提高检修故障的效率具有很重要的工程意义。电力系统出现故障是难以避免的，但如果能对系统的故障做出及时的反应和判断就变得十分重要。通过本课题的数据分析，能相应得出初步的结论，并能在以后以这些数据或结论为基础，建立一个故障的及时反应和分析预测的系统。对于电力系统的信息化和现代化具有现实和长远的意义，为构建安全可靠的配电网打下坚实的基础。

但是，与输电网不同，在低压配电网中，配电网节点数目多，量测设备缺乏，采集的网络信息不全，且缺乏在线实时性。由此建立的物理模型不精确，具有误差，影响优化调控效果，不能满足配电网运行要求。近年来，人工智能理论的发展与应用为配电网优化运行提供了新的途径。深度学习无需建立物理模型，利用强大的自学能力、推广能力以及非线性处理能力挖掘数据的隐藏规律，从而拟合输入值和输出值之间的关联关系。

剩余内容已隐藏，请支付后下载全文，论文总字数：24341字