混合三端直流输电线路故障测距方法研究

对混合三端直流输电系统而言,准确、可靠的故障测距方法可确保故障线路快速恢复,提高供电可靠性。为了解决混合三端直流输电系统结构复杂性强、线路故障定位难度大等问题,提出了小波包能量谱结合BP神经网络的测距方法。具体的定位方法实现步骤如下:首先在故障发生时快速进行故障选线。然后把发生故障时在测量点采集到的电压故障分量经过小波包分解重构得到小波包能量,并将其作为输入样本通过BP的非线性拟合能力进行训练。最后将反映故障位置的小波包能量代入即可输出相应的故障距离。仿真结果表明,该方法耐过渡电阻能力强,定位的准确度高。     

基于小波能量谱和SSA-GRU的混合直流输电系统故障测距方法

针对混合直流输电系统故障测距存在行波波头难以识别以及固有主频不易提取的问题,提出一种基于小波能量谱和麻雀搜索算法(sparrow search algorithm, SSA)优化的门控循环单元(gate recurrent unit, GRU)模型的故障测距方案。首先,分析频谱能量与故障距离的相关关系,利用小波包分解提取小波包能量谱特征向量,作为GRU模型输入。其次,搭建和训练GRU模型,挖掘时间序列中的深层次故障信息,并利用SSA的迭代寻优对GRU模型参数进行优化,实现故障距离的快速准确定位。最后,在PSCAD/EMTDC 中搭建混合三端直流输电系统模型,实验结果证明该方法定位精度高、抗干扰能力和泛化能力强,并具有一定的耐过渡电阻能力。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

基于神经网络的高压直流输电线路故障测距

输电线路故障行波频谱与故障距离之间存在数学关系,故利用故障行波频谱可以实现故障测距,且高压直流输电线路故障暂态过程具有更强的固有频率信号。鉴此,提取固有频率的幅值和频率作为样本属性,提出一种基于神经网络的高压直流输电线路故障测距算法。采用粒子群算法对BP神经网络的权值和阈值进行优化,提高了网络的训练效率,使其收敛速度加快。PSCAD和MATLAB仿真结果表明,该故障测距算法具有较高的可靠性和精确性。     

利用模量传输时间差的特高压直流线路故障测距

故障行波零模分量与线模分量到达线路端测距装置处的时间差与故障距离之间呈非线性关系,反向传播BP神经网络具有良好的非线性逼近拟合能力,可以利用BP神经网络对这种关系进行拟合以达到故障测距的目的。以小波分解各个频带下模量传输时间差为输入特征量、故障距离作为输出特征量,对神经网络进行训练,形成故障测距神经网络模型。仿真表明该基于模量传输时间差的特高压直流输电线路单端故障测距神经网络算法精度较高。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

小波能量偏度神经网络的HVDC换相失败故障诊断

为了有效诊断引发换相失败的故障原因,提出了一种基于小波能量偏度神经网络的高压直流输电系统换相失败故障诊断新方法。首先对采集到的逆变侧直流电压故障信号进行15层小波分解,获取各尺度下的小波变换系数,提取小波能量偏度;然后构造信号的小波能量偏度特征向量,并以此向量作为故障样本对3层BP神经网络进行训练,实现换相失败故障原因诊断。以某±800kV特高压直流系统为例,通过对引发换相失败故障的多种原因进行仿真分析,用该方法进行小波分解、故障特征提取和BP网络训练,并对某未知故障进行识别。结果表明,该方法能准确诊断出引发换相失败的故障原因。     

基于PSO-ENN算法的高压直流输电线路故障测距

高压直流输电线路故障测距对保障输电线路安全稳定的运行具有十分重要的意义。为了提高故障测距的精度,利用故障频谱对线路故障进行测距分析,并且故障行波在传播过程中具有强烈的固有频率信号。因此,文中将固有频率主频以及2倍频的幅值和频率作为输入训练样本,将故障距离作为输出训练样本,提出一种基于Elman动态神经网络的高压直流输电线路故障测距算法,并采用粒子群(PSO)算法优化Elman神经网络的初始权值和阈值。最后,采用MATLAB软件进行仿真,结果表明该算法具有较高的收敛速度与测距精度,可以为高压直流输电线路故障测距提供理论支持。     

基于多小波包和人工神经网络的电力系统故障类型识别

采用PSCAD/EMTDC仿真500 kV高压输电线路不同工况下的故障.先对采集到的故障电流信号进行适当的多小波包分解,并计算各频带的能量,然后构造信号的多小波包特征向量,并以此向量作为训练样本对BP神经网络进行训练,当输电线路发生故障时,将提取的故障电流信号的多小波包能量特征向量输入训练好的BP神经网络,即可实现故障类型的识别.仿真结果表明采用多小波包提取的故障电流特征量比采用传统小渡包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势.     

基于小波包和概率神经网络算法的短路故障识别方法

为快速准确识别电力系统短路故障类型,根据电力系统发生短路故障时零序电流的能量特征,提出一种基于小波包和概率神经网络算法相结合的短路故障识别新方法。首先利用Matlab/Simulink建立仿真模型,对系统进行短路故障仿真。然后利用小波包对零序电流进行采样和分解,提取小波包分解重构系数,对各频段内的能量进行归一化处理,得到能量特征向量。最后对特征向量进行概率神经网络的训练和测试,将预测样本代入训练结果进行验证,其结果证明该方法能够快速准确地识别短路故障。     

基于小波包和模糊Petri网的输电线路故障类型识别方法

提出一种基于小波包和模糊Petri网的输电线路故障类型识别方法。利用小波包对故障电流信号进行分解,并计算出各频段的能量值,以此能量特征值作为训练样本对模糊Petri网模型进行训练优化,使用测试样本对模型进行测试,实现输电线路故障识别。通过算例仿真验证,表明该方法具有一定的有效性和实用性。     

基于LMD与Teager能量算子的VSC-HVDC输电线路故障定位

为保证电压源换流器型高压直流输电系统的可靠运行,克服传统高压直流输电行波定位具有易误动、受噪声影响大的缺点,提出了基于于局域均值分解(LMD)与Teager能量算子结合的故障定位新方法。通过Morlet小波时频分析确定了电压源换流器型直流输电,VSC-HVDC的边界特性,提出了基于PF分量能量比值的区内、外故障识别判据。利用故障极线路与非故障极线路中高频电流分量的差异构造了选极判据。对于区内故障将LMD与Teager能量算子结合进行故障测距。PSCAD仿真结果表明,该方法定位精度误差不超过0.124%且耐过渡电阻。通过增添噪声影响验证了该算法和判据的可靠性,故该方案可实现VSC-HVDC的全线、准确的故障定位。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

±800 kV特高压直流输电线路故障定位小波能量谱神经网络识别法

固有频率与故障距离之间存在数学关系,故障行波暂态能量在固有频率附近较集中,其暂态能量包含丰富的故障距离信息。利用人工神经网络(ANN)的非线性函数逼近拟合能力,建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量,并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征,提高了测距的可靠性。数字实验结果表明,所提方法在不同过渡电阻和不同故障距离下均能准确测距。     

基于Hilbert-Huang变换和神经网络的带串补高压输电线路故障测距

提出了一种针对带串补高压输电线路的分层结构神经网络模型故障测距新算法。第1层为粗略判断故障位置的神经网络模型,利用一种新的信号处理方法Hilbert-Huang变换获取能量故障特征作为第1层神经网络的输入,判断故障发生在电容前或后;第2层为精确确定故障位置的神经网络模型,通过对神经网络的离线训练和对单端故障测距结果的在线补偿,最终得到精确的故障距离。该算法考虑了过渡电阻和分布电容的影响,克服了传统故障测距算法由于忽略分布电容导致在高阻接地故障时故障定位不准确的缺点。     

基于 S 变换和 PSO-GRNN 的柔性直流输电线路故障测距方法

针对现有柔性直流输电线路接地故障的神经网络故障测距算法中,训练样本过多、训练时间较长、且未对鲁棒性提出有效验证的问题,提出一种基于S变换和粒子群(PSO)算法优化广义神经网络(GRNN)的线路故障测距算法。从故障行波能量谱的角度出发,采用S变换提取故障暂态电压信号能量谱,然后对表征各频率区间的能量进行求和,以实现对能量特征样本的准确提取;再将归一化处理后的能量样本输入神经网络进行训练,并采用PSO算法对GRNN的光滑因子进行优化,以提高网络收敛速度和训练精度。最后,通过电磁暂态仿真证明该方法定位精度高,不易受过渡电阻影响,在输入样本存在测量误差以及外界噪声干扰的情况下,最大误差仍低于1.5%,具有一定的工程运用价值。     

一种特高压直流输电线路神经网络双端故障测距新方法

提出一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法。传统基于高频量衰减特性的特高压直流输电线路双端测距方法的测距精度依赖于线路衰减常数的准确求取,但准确计算线路衰减常数是一个难题。人工神经网络具有很强的非线性逼近拟合能力,利用人工神经网络方法,将不必准确计算线路衰减常数也能准确实现故障定位。选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波线模分量高频部分首波头幅值比作为BP神经网络的输入样本集,故障距离作为输出样本集,对神经网络进行训练、测试,形成直流输电线路故障测距神经网络模型,将反映故障位置的特征数据输入训练后的网络模型即可实现故障测距。大量仿真结果表明:该基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法精度较高,而且耐受过渡电阻能力强。     

直流断路器结合暂态行波的HVDC输电线路故障保护算法

针对传统交流系统保护难以适用于目前的多端高压直流输电线路问题,提出直流断路器结合暂态行波的多端高压直流输电线路直流故障保护算法.首先,通过小波变化提取故障时刻高频暂态电压分量,并基于区内、区外故障小波能量值的故障识别方法,提出设计含混合式直流断路器多次重合闸判定方法的直流故障保护算法.最后,在MATLAB/Simulink仿真软件上搭建四端高压直流输电线路模型.仿真试验验证了保护算法的可行性,以及在故障识别成功率和过渡电阻耐受能力方面的优势,对于直流输电线路故障快速判定具有重要的理论指导和实际意义.     

基于集成神经网络的特高压直流输电线路初始电压行波小波变换模极大值比单端测距方法

针对现有故障测距方法存在对高阻故障不灵敏、二次行波波头难以捕捉的问题,提出一种基于集成神经网络的特高压直流输电线路初始电压行波小波变换模极大值比的单端测距方法。首先,推导出故障距离与初始电压行波的线模量和地模量的小波变换模极大值比之间的近似公式,公式表明两者之间具有非线性关系,且此关系与过渡电阻无关。然后,利用AdaBoost-Elman集成神经网络拟合两者之间的非线性关系,提取不同小波尺度下初始电压行波各模量分量的小波变换模极大值比作为集成神经网络输入量,将故障距离作为输出量,构建集成神经网络故障测距模型。将各小波尺度下的初始电压行波各模量分量的小波变换模极大值比输入训练完成的集成神经网络模型即可达到故障测距的目的。仿真结果表明,所提方法测距精度高,且不受过渡电阻影响。