臺灣博碩士論文加值系統

輸電系統的故障為不可預期，當故障發生時，電力工程人員必須盡速找出故障位置，並研判可能發生的故障種類；一方面恢復未故障而遭受停電區域的電力，另一方面須將故障區域迅速隔離，以進行搶救措施。
為能同時診斷出故障位置與故障類別，本論文提出共軛梯度演算法於故障診斷問題。首先利用暫態模擬程式ATPDraw模擬於不同位置發生不同故障的情境，並藉以建立輸入/輸出對資料庫；接著利用共軛梯度倒傳遞類神經網路進行學習訓練。當網路訓練完成，只要將故障電壓電流訊號饋入網路輸入端，工程人員能快速獲得發生故障的地點與發生故障的種類等資訊。
本論文以兩個匯流排及三個匯流排輸電系統為例進行研究，以驗證所提出方法的可行性。同時經由模擬結果與測試結果以比較不同共軛梯度演算法之間的差異性。

Faulted events are unavoidable in transmission systems. As a fault occurs, the power engineers should find the fault location, judge the fault classification, isolate the fault, and restore the power supply to the blackout but unfaulted area.
To diagnosis the fault location and classification simultaneously, this thesis proposes the conjugate gradient algorithm (CGA) based artificial neuron networks (ANN) to solve the fault diagnostic problem. First, the electromagnetic transients program ATPDraw was used to simulate the different fault conditions in order to set up the input/output database. Then the CGA based ANN method was employed to train the network. Once the network is trained properly, the engineers can quickly acquire the information of both fault location and fault classification as soon as the inputs of voltage and current signals are given.
To verify the feasibility of the proposed method, this thesis employs two-bus and three-bus transmission systems to fulfill the simulation. Furthermore, to compare the differences among the CGA based ANN methods, the simulation results and testing results are also provided.

第一章 緒論 1
1.1 研究背景 1
1.2 研究動機 3
1.3 文獻回顧 4
1.4 研究方法 5
1.5 本論文的貢獻 6
1.6 本論文架構 7
第二章 輸電線之故障分類與保護 8
2.1 輸電線模型 8
2.2 輸電線故障分類與分析 12
2.2.1 對稱故障 12
2.2.2 非對稱故障 13
2.3 輸電線保護設備 18
2.3.1 斷路器 18
2.3.2 儀表用變壓器 19
2.3.3 電驛 20
2.4 輸電線之保護 23
2.5 討論 24
第三章 類神經網路 25
3.1 簡介 25
3.2 類神經網路的發展歷史 25
3.3 類神經網路之基本理論 26
3.3.1 生物神經元 26
3.3.2 人工神經元 27
3.3.3 類神經網路之轉移函數 27
3.4 類神經網路之特性 30
3.5 類神經網路之架構 31
3.6 倒傳遞網路 36
3.7 共軛梯度演算法 42
3.8 線搜尋 45
3.9 討論 47
第四章 電磁暫態模擬之建立 48
4.1 ATP-EMTP的發展歷史 48
4.2 ATP-EMTP的功能49
4.3 PlotXY 之簡介 50
4.4 暫態分析控制系統保護電驛模型之建立 51
4.5 EMTP求解方法 52
4.6 架空輸電線模組之建立 53
4.7 保護電驛元件模組化之建立 55
4.8 兩個Bus系統的建置範例 56
4.9 討論 60
第五章 模擬結果與討論 61
5.1 兩個Bus輸電系統 61
5.2 三個Bus輸電系統 69
5.3 討論 76
第六章 結論與未來研究方向 77
6.1 結論 77
6.2 未來研究方向 77
參考文獻 79

[1]W.D. Stevenson, Elements of Power System Analysis, Fourth Edition Taipei, Taiwan, July 1982.
[2]T. Dalstein, B. Kulicke, “Neural Network Approach to Fault Classification for High Speed Protective Relaying,” IEEE Transactions on Power Delivery, Vol. 10, No. 2, April 1995, pp.1002-1011.
[3]X. R. Wang, S. T. Wu, and Q. Q. Qian, “Neural Network Approach To Power Transmission Line Fault Classification, ” 1997 IEEE International Conference on Information, Communications and Signal Processing, ICICS’97, Singapore, 9-12 September 1997, pp.1737-1740.
[4]F. Mo and W. Kinsner, “Probabilistic Neural Networks for Power Line Fault Classfication,” 1998 IEEE Conadiad Conference on Electrical and Computer Engineering, Posted online 2002-08-06, pp.585-588.
[5]S. Websper, R. W. Dunn, R. K. Aggatwal, A. T. Johns, and A. Bennett, “Feature Extraction Methods For Neural Network-Based Transmission Line Fault Discrimination,” IEEE Proceeding Generation Transmission Distribution, Vol. 146, No. 3, May 1999, pp.209-216.
[6]H. Khorashadi-Zadeh, “Artificial Neural Network Approach to Fault Classification For Double Circuit Transmission Lines,” 2004 IEEE/PES Transmission & Distribution Conference & Exposition： Latin America. pp.859-862.
[7]J. Gracia, A. J. Mazón and I. Zamora, “Best ANN Structures for Fault Location in Singleand Double-Circuit Transmission Lines,” IEEE Transactions on Power Delivery, Vol. 20, No. 4, October 2005, pp.2389-2395.
[8]W. M. Lin, C. D. Yang, J. H. Lin, and M. T. Tsay, “A Fault Classification Method by RBF Neural Network With OLS Learning Procedure,” IEEE Ttransnsactions on Power Delivery, Vol. 16, No. 4, October 2001, pp.473-477.
[9]R. N. Mahanty, and P. B. Dutta Gupta, “Application of RBF Neural Network to Fault Classification and Location in Transmission Line,” IEEE Proceeding Generation, Transmission Distribution, Vol. 151, No. 2, March 2004, pp.201-212.
[10]林惠民、林家宏、孫政治及蔡明勳，“機率神經網路應用於電力系統故障區域偵測之研究”，中華民國第二十三屆電力工程研討會，中原大學，中壢，台灣，第1-5頁，91年12月14-15日。
[11]許萬寶、劉建勳及陳鴻詔，“超高壓輸電線路故障位置偵測系統”，中華民國第二十五屆電力工程研討會，成功大學，台南，台灣，第769-773頁，93年11月。
[12]楊進德、姜清華及鄭富升，“模糊理論進行高壓輸電線故障類型判斷”，中華民國第二十五屆電力工程研討會，成功大學，台南，台灣，第774-780頁，93年11月。
[13]王孟輝、洪清寶、李自強及李能有， “利用類小腦神經網路做電力系 統故障診斷”，中華民國第二十五屆電力工程研討會，成功大學，台南，台灣，第1481-1486頁，93年11月。
[14]林惠民、吳建賢、吳彥穎、林家宏、鄭富升、楊進德及何承哲，“應用類神經網路於故障偵測與故障復電策略之研究”，中華民國第二十六屆電力工程研討會，清雲科技大學，中壢，台灣，第331-335頁，94年12月9-10日。
[15]黃思倫、吳松峰、劉順財及林賢龍， “應用ATP於地下電纜線故障位置偵測之研究”，中華民國第二十七屆電力工程研討會，清華大學，新竹，台灣， 第PA2.17.1-PA2.17.5頁，95年12月22-23日。
[16]H. Saadat, Power System Analysis, McGraw-Hill, New York, 1999.
[17]J. D. Glover, and M. S. Sarma , Power System Analysis and Design , 3rd Edition, Thomson Learning, Singapore 2002.
[18]G. N. Lester, “High Voltage Circuit Breaker Standards in the USA-Past, Present and Future,” IEEE Transactions on Power Apparatus and Systems, Vol. PAS-93, 1974, pp.590-600.
[19]L. M. Saini, and M. K Soni, “Artificial Neural Network-Based Peak Load Forecasting Using Conjugate Gradient Methods,” IEEE Transactions on Power and System, Vol. 17, No.3, August 2002, pp.907-912.
[20]R. Fletcher and C. M. Reeves, “Function Minimization by Conjugate Gradients,” Comput. Journal, Vol. 7, pp.149–154, 1964.
[21]E. Polak, Computational Methods in Optimization: A Unified Approach. New York: Academic, 1971.
[22]H. P. Crowder and P. Wolfe, “Linear Convergence of the Conjugate Gradient Method,” IBM J. Res. Develop., Vol. 16, pp.431–433, 1972.
[23]F. M. Ham and I. Kostanic, Principles of Neurocomputing for Science & Engineering, McGraw-Hill, New York, 2000.