基于提升小波和神经网络的超高压电网故障类型识别

电力调度中心为进一步提高故障类型识别率和计算速度,利用提升小波和BP网络构造了新的小波神经网络故障识别模型,应用db5提升小波对故障电流进行分解,将分解到的(0,375)Hz频率段的系数输入到BP神经网络;为了提高算法的收敛速度,采用共轭梯度法训练该神经网络.通过ATP仿真及华东电网实际故障录波数据的测试,结果表明该模型具有很高的识别率和收敛速度.     

电力系统故障录波数据压缩与重构小波基选择

电力系统高压或超高压电网故障录波数据压缩与重构工具的选择,到目前为止还没有一个统一的模型和评价标准。详细分析了现有故障录波数据压缩与重构算法的优缺点,研究和阐述了各主要小波基的性能、特点,针对高压、超高压电网故障诊断、故障录波数据压缩与重构的实际需求,提出了将故障录波数据压缩比、信号重构的失真率、故障时刻定位误差率以及计算时间作为综合评价故障录波数据压缩与重构工具选择的依据。通过理论分析和大量ATP仿真以及华东电网实际故障录波数据验证分析表明,双正交提升小波对故障录波信号压缩与重构具有明显的优越性,并成功地将双正交提升小波应用到某电力公司故障诊断系统。     

电力系统故障录波数据压缩与重构小波基选择

电力系统高压或超高压电网故障录波数据压缩与重构工具的选择,到目前为止还没有一个统一的模型和评价标准。详细分析了现有故障录波数据压缩与重构算法的优缺点,研究和阐述了各主要小波基的性能、特点,针对高压、超高压电网故障诊断、故障录波数据压缩与重构的实际需求,提出了将故障录波数据压缩比、信号重构的失真率、故障时刻定位误差率以及计算时间作为综合评价故障录波数据压缩与重构工具选择的依据。通过理论分析和大量ATP仿真以及华东电网实际故障录波数据验证分析表明,双正交提升小波对故障录波信号压缩与重构具有明显的优越性,并成功地将双正交提升小波应用到某电力公司故障诊断系统。     

故障录波信息和D_S证据理论用于电网故障诊断

当电网发生故障时,传统的故障诊断方法仅仅利用了开关量信息而没有充分利用故障录波信息,而故障录波信息在准确性、完备性和容错性等方面有开关量信息无法比拟的优势。为了充分利用故障录波信息进行电网故障诊断,通过小波变换对发生故障前后电流波形进行分析,采用小波奇异度和小波故障度分别表征电网元件的故障概率,但是由于故障的不确定性和复杂性,这两种故障表征方法都不能独自准确地诊断故障元件,因此提出采用D-S证据理论对多种故障表征方法进行信息融合,能够准确诊断故障线路。基于PSCAD仿真实例证明,该方法能提高对故障诊断结果的支持度及故障诊断的准确性,在电网故障诊断中有良好的应用前景。     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

基于故障录波数据的电网故障诊断方法分析及改进

在电网调度层面,可以利用SCADA系统、继电保护及故障信息系统等多数据源信息实现故障诊断在线应用,对此,提出了利用故障录波数据进行电网故障诊断的具体方法.首先从整体上对如何使用故障录波数据进行故障诊断的流程进行了分析,在此基础上应用分阶段故障诊断的思想,对原有的模拟故障录波方法在确定故障时间、故障类型、故障方向以及故障设备等方面的不足进行分析并提出改进方法.最后,以某地区电网220 kV盘古石变电站发生的故障为例,通过VC++6.0编程验证改进后的故障诊断方法和流程,故障诊断结果符合实际情况,验证了该诊断方法的正确性和有效性.     

基于广域故障录波信息的调度端电网故障诊断系统

大规模电网发生故障时,各类故障信息可及时传送至调度端,但运行人员单纯基于断路器变位、故障录波信息、保护装置动作事项等众多离散故障信息,无法快速、准确、直观判断故障性质,极大影响恢复供电速度和电网安全运行。文中采用站内设备统一建模映射、采样频率归一化、录波器采样同步等关键技术,有效整合故障录波信息,将差动原理应用于电网故障诊断,实现了仅利用故障录波数据进行差流计算准确定位故障区域,并在接线图上自动推送诊断结果,为事故处理提供决策支持。该系统在多起实际电网故障处理中发挥了重要作用。     

联网录波器数据在电网故障诊断上的应用

故障录波器联网系统能够将多个变电站与故障相关的录波数据进行集中采集,其主站可以获取丰富的电网故障信息。为充分利用这些电网故障信息,获得更全面准确的故障诊断结果,需要对这些数据进行预处理。在详细介绍故障录波器联网系统和电网故障录波数据文件结构的基础上,建立电网一次设备和故障录波器录波通道之间关系的模型文件,从而得到线路各端相关联的故障录波信息颗粒化数据。通过输电线路故障分析流程演示,给出了录波器联网数据应用于电网故障诊断的实例,验证了其在电力系统故障诊断定量分析上的优越性及重要性。     

浅谈故障录波分析

录波数据是电力系统故障分析、保护动作评价的重要依据.大量电力故障时的数据和信息,可以帮助专业人员迅速掌握情况,准确快速地分析事故发生的原因,完善电网的负荷模型和故障诊断系统,有助于提高电网稳定运行水平.     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于支持向量机的高压断路器机械状态分类

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径.本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较.使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用.     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法。针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较。仿真结果验证了两种故障识别方法的正确性和较好的准确性。     

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。     

小波包神经网络与数据降维的移相全桥变换器的故障诊断

移相全桥变换器作为机车控制电源的核心电路其故障特征类型极其丰富,故障信息量大,为了彻底全面地挖掘故障信息,提出了小波包神经网络和数据降维的新型故障诊断模式,主要利用流形学习来对高维的故障特征量进行降维,提取其本质特征解决了由小波包多层分解带来的"维数灾难",减轻了模式识别的压力。利用Matlab仿真软件分析,此方法可以使模式识别的时间缩短,准确率提高,从而验证了该方法的有效性。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于小波分析及网络的电力电子电路故障诊断方法

针对电力电子电路故障,结合小波多分辨分析,将信号的特征提取作为网络的第一层,用小波函数代替普通神经网络中的S函数,提出了函数型和权值型两种不同的4层小波神经网络方法,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路的故障诊断,并与用普通BP网络诊断的结果进行了比较。仿真结果验证了两种方法的正确性。     

基于小波包变换预处理的模拟电路故障诊断方法

阐述了利用神经网络进行模拟电路故障诊断的方法 ,并在此基础上提出了一种新的改进方法———基于小波包变换预处理的神经网络故障字典法。这两种方法对于模拟电路故障诊断都是有效的。但是 ,由于基于小波包变换预处理的神经网络故障字典法利用小波包对电路的输出样本进行了预处理 ,所以它比直接采用神经网络故障字典法进行故障诊断所用的神经网络规模小 ,收敛速度快。