基于改进Elman神经网络的电缆早期故障分类识别方法

针对电缆早期故障难以检测及现有技术识别精度低的问题,提出基于改进Elman神经网络的电缆早期故障分类与识别的方法。首先采用小波变换提取过电流信号的特征向量,将其作为Elman神经网络的输入向量,构建故障分类识别模型。为防止训练过程中出现过拟合与训练时间过长问题,利用Dropout技术对Elman神经网络进行改进。最后通过PSCAD/EMTDC搭建仿真模型进行验证,结果表明所提方法能有效识别电缆早期故障,且具有较高的准确率,与BP神经网络相比,性能提升显著。     

非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。     

基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法EI北大核心CSCD

准确、快速的海底电缆故障分类是海上风电场运维的重要一环。该文提出一种基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法,该方法综合利用故障发生后半周波电流信号的时域特征作为故障分类依据,采用K次奇异值分解(K singular value decomposition,K-SVD)字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,提出一种基于混合交替方向乘子法(mixed alternating direction method of multipliers,M-ADMM)的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于稀疏表示的分类方法实现对故障重构信号的分类。仿真研究结果表明,该改进稀疏分解算法具有精确的信号重构、降噪效果。所提出的故障分类方法无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程。与SVM、CNN、LSTM等智能分类算法的对比结果表明,该方法具有较强自适应性的同时不易受故障时刻、故障位置影响且噪声鲁棒性强,可以准确识别海底电缆场景下低阻短路故障类型。     

基于行波特征量与堆叠自动编码器的电缆早期故障定位方法

电缆由于不易受天气影响及可靠性高等优点,在配电网中的使用越加广泛。但是,随着电缆运行年限的增加,电缆会因局部放电等影响而发生故障。电缆早期故障作为永久性故障的前兆,对其进行识别和定位是提高电网安全性的重要方法。由于过电流扰动信号在时频域下包含丰富的暂态信息,提出了行波特征量与堆叠自动编码器相结合的电缆早期故障定位方法。首先利用S变换对电流信号进行处理,提取行波等特征量,并将其作为输入数据对堆叠自动编码器进行训练,利用训练好的网络,正确定位早期故障发生的区段。通过在PSCAD/EMTDC中搭建仿真模型获得仿真数据,结果表明,所提的方法具有较高的准确率和较好的泛化性能。     

采用最优小波树和改进BP神经网络的感应电动机定子故障诊断

为了准确及时地识别并排除感应电动机定子匝间短路故障,保障电动机设备的安全运行,提出了一种基于最优小波树和捕食搜索遗传算法优化神经网络的新型故障诊断方法。结合故障电流的特征,采用最优小波树,将滤除基波分量后的定子残余电流信号进行分解,提取表征信号内在规律最强的分解节点能量成分,作为BP神经网络的输入特征向量。采用BP神经网络进行分类,通过捕食搜索策略优化的遗传算法选择神经网络训练的初始权值和阈值,提升网络训练的速度和准确度。实验结果表明,该方法不但可以提取优于小波包方法的最优特征向量,同时可以准确识别三种故障下的电动机定子匝间短路故障。     

基于卷积神经网络的开关柜局部放电故障识别

目前的局部放电故障的分类算法大多是浅层学习算法,人工提取的特征直接影响分类结果。与浅层学习算法相对,深度学习具有更深的架构,能够自动从样本中学习特征,卷积神经网络是典型的深度学习算法。本文旨在研究卷积神经网络在开关柜局部放电的应用,证明深度学习架构能够有效提高识别率。本实验共采集正常和故障两种可听声信号,将以上两类声音信号进行提取特征后,分别放入SVM模型和卷积神经网络中进行分类。实验结果表明,卷积神经网络比传统的SVM提高了声音识别的准确度。     

基于卷积神经网络的直流XLPE电缆局部放电模式识别技术

针对现有的直流交联聚乙烯(XLPE)电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题,该文提出基于卷积神经网络(CNN)的模式识别算法,采用卷积神经网络框架CAFFE进行网络训练和识别检测。首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本,再利用自适应的卷积核进行特征提取,池化层进行特征映射,非线性多分类器进行回归分类,最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析,发现利用改进的Alexnet网络,采用衰减学习率方式的模式识别框架的平均识别正确率最高,达到了91.32%,相比于传统模式识别算法至少提高了8.97%。该方法具有强大的自适应学习能力,为应用于直流电缆故障诊断的模式识别提供了新的思路。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

基于暂态零序电流图像识别的配电网单相接地故障区域定位

为了提高配电网单相接地故障的定位准确率,提出一种基于暂态零序电流图像识别的配电网单相接地故障区域定位方法。通过PSCAD实现故障仿真,构建卷积神经网络(CNN)学习所需图像集。根据单相接地故障的两值性和分化性特征,基于Python编程进行图像预处理,采用VGGNet11网络结构对预处理后的字节形式故障样本进行训练,得到故障区域定位模型,并可视化分析模型分类效果。典型10 kV配电网模型数字仿真及现场试验均表明,所提方法能够准确实现故障区域定位,不受系统接地方式、故障电阻和初始相角的影响。可采用暂态录波型故障指示器采集线路暂态零序电流,信号获取方便。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于流形学习的PMSM早期匝间短路故障特征提取

针对永磁同步电机早期故障微弱特征难以提取的问题,借助Ansoft建立了永磁同步电机的二维瞬态有限元模型,仿真出短路1匝到7匝状态下电机的各项性能指标。通过小波包分析的方法对不同频带的能量特征进行分解,得到故障状态的高维特征。采用局部切空间排列法和其他几种流形学习方法对匝间短路早期故障进行降维,解得低维空间中的映射,并进行了实验验证。结果表明,流形学习方法可以有效地分类出故障与正常状态,且局部切空间排列法可以对短路匝数进行区分,为永磁同步电机故障的诊断和预测提供了一个新的思路。     

基于多尺度小波判据和时频特征关联的电缆早期故障 检测和识别方法

电力电缆早期故障主要为单相短路接地故障,为避免其发展成永久性故障,需要对电缆早期故障进行检测和识别。通过对比不同扰动源引起电缆过流的各相电流特性,利用多尺度小波变换提取电缆早期故障电流的特征量,以故障电流的高频细节系数、低频近似系数和模极大值组成复合判据,检测电缆过流的暂态过程。构建电缆早期故障的时频特征向量,利用灰色关联分析得到待测故障电流与标准电缆早期故障电流的关联度,以识别电缆早期故障。最后,利用PSCAD/EMTDC构建电缆线路模型,通过仿真分析验证了该方法的正确性。     

堆叠自动编码器与S变换相结合的电缆早期故障识别方法

将深度学习概念应用到电缆早期故障识别中,提出结合S变换与堆叠自动编码器(SAE)的电缆早期故障识别方法。通过对故障相电流进行S变换,将获得的S变换模时频矩阵分为低、中和高频段。求取对应频段的能量熵和奇异熵等特征量,并组成特征向量后,将时频域特征向量作为SAE网络的输入,经过预训练和参数微调,得到最优训练参数。利用构建好的网络从输入数据中挖掘有用信息,从大量扰动中识别电缆早期故障。仿真结果表明,与传统模式识别方法相比,所提方法的精度更高。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

Incipient fault location formulation: A time-domain system model and parameter estimation approach

Power systems faults are unavoidable events which affect distribution networks reliability. The fault process in underground cables is gradual and characterized by a series of sub-cycle incipient faults associated with an arc voltage. These events often are unnoticed and eventually result in permanent faults. This paper presents an incipient fault location formulation for distribution networks with underground cables. Presented formulation is composed by a time-domain system model and parameter estimation strategy. System model derivation considers distribution networks inherent features as unbalanced operation and underground distribution cables capacitive effect. Further, incipient fault characteristics as fault arc voltage are considered. The proposed system model is an overdetermined linear system of equations in which the fault location is estimated through a parameter estimation approach. Parameter estimation is made through a Non-Negative Weighted Least Square Estimator (NNWLSE). Smoothing and curve-fitting procedures are applied to input data aiming to decrease the noise effect. A load current compensation strategy is proposed to reduce its effect in the fault current estimation and a back substitution method is proposed for estimation refinement. Validation is performed using real-life distribution network with underground cable data simulated on ATP/EMTP. Test results are encouraging and demonstrate the method’s potential for real life applications. An average error of 1.95% is obtained when compared with 6.48% derived using the state-of-art.     

利用多次扰动电流波形特征的配电网相间永久故障识别方法

针对配电网相间故障后自动重合闸盲目重合于永久性故障的问题,提出一种利用多次扰动电流波形特征的配电网相间重合前永久故障识别方法。配电线路相间故障三相跳闸后,依次对3个相间回路施加高频电压扰动。永久故障时故障相间回路、非故障相间回路均包含过渡电阻支路,而瞬时故障熄弧后即无故障时各相间回路均不受过渡电阻支路影响,永久故障和瞬时故障时对应的相间回路扰动电流的波形存在显著差异,利用该差异进行相间回路状态甄别。进一步利用Hausdorff距离系数H表征扰动电流波形的差异,若在判别周期内多次扰动电流的波形高度一致,即H值接近于0,则判为相间永久性故障。并构造了基于Hausdorff距离系数的永久故障识别判据和实现方案。PSCAD/EMTDC仿真计算与实验验证结果表明,该方法可有效判别永久性故障,并且基本不受过渡电阻、故障位置的影响。     

小电流接地系统接地型早期故障扰动特征分析

早期故障用于描述系统中不会导致继电保护动作的瞬时性自恢复故障扰动。基于对早期故障扰动的检测识别可实现对配网的故障预测和预警,对于提升供电可靠性有重要意义。受中性点接地方式影响,小电流接地系统中早期故障将有不同表现形式。针对小电流接地系统特点及其运行要求,分别从等效电路及仿真建模两方面,对该类系统中接地型早期故障的表现形式及其电气量变化特征进行了分析和总结。结果表明,小电流接地系统中接地型早期故障分为"单相接地型"和"异名相两点接地型",同时总结了各种情况下早期故障扰动波形的变化特征。仿真和部分现场故障录波数据证明了分析结论的正确性,研究结论将为小电流接地系统早期故障检测识别及故障预测预警提供重要理论支撑。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于CNN-SVM的高压输电线路故障识别方法

高压输电线路故障识别对保证电网安全稳定运行具有重要意义。提出了一种基于CNN-SVM的高压输电线路故障分段识别方法。针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程。此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型。仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著。