基于VMD样本熵和KELM的输电线路故障诊断

针对输电线路短路故障危害大,故障识别率较低的情况,提出基于变分模态分解(VMD)样本熵与核极端学习机(KELM)相结合的输电线路故障诊断方法,提高输电线路故障诊断的正确率。首先,采用VMD对故障后的三相电压进行分解,得到一系列三相平稳的模态分量;其次分别计算每组各分量的样本熵值,作为输电线路故障提取特征,组成样本库;以提取的输电线路故障特征输入到核极端学习机进行训练,获取诊断模型,然后比较其与极限学习机(ELM)、支持向量机(SVM)和BP神经网络的诊断效果。仿真结果表明,VMD样本熵+KELM的输电线路故障诊断模型精度高于其他3种算法,且运算速率更快,噪声鲁棒性更好。     

基于电流故障分量特征和随机森林的输电线路故障类型识别

为提高输电线路故障选相的精确性,提出了一种基于电流故障分量特征结合随机森林的输电线路故障类型识别新方法。分别在多个短时序列下计算三相电流故障分量能量相对熵与零序电流故障分量能量和,并按特定顺序把在各短时序列下计算得到的结果组成特征样本向量,以表征输电线路故障类型特征。建立随机森林智能故障类型识别模型,并利用故障特征样本集对其进行训练和测试,识别具体故障类型。仿真结果表明,所提算法在不同故障初始角、不同过渡电阻以及不同故障距离情况下均能准确识别具体故障类型,在数据丢失和噪声影响下也能较好地对故障类型进行识别。     

基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.     

基于EMD奇异值熵的高压输电线路故障选相新方法

在对暂态电压信号进行经验模态分解(EMD)基础上,结合奇异值分解(SVD)及信息熵理论提出了利用高频暂态分量的奇异值熵实现故障选相。此方法对采集到的故障后电压信号求取EMD奇异值熵,并比较三相间熵值的大小来识别故障类型和判别故障相。基于Matlab环境,对一典型500 kV线路进行故障类型选相的仿真,结果表明该方法不受过渡电阻、故障位置、故障初始角和噪声强度等因素影响,能够快速准确识别各类故障。     

基于改进经验小波变换多特征融合的航空交流串联电弧故障检测

针对时频域分析方法经验模态分解（EMD）在处理电弧信号上存在模态混叠现象,提出一种基于改进经验小波变换（IEWT）多特征融合与极限学习机（ELM）的电弧故障检测方法。该方法首先将电弧电流信号进行IEWT变换,自适应分解为5个经验模态分量（EMFs）,提取EMFs的权重能量熵、EMF4的样本熵及EMF1的方均根值作为特征量。在进行数据标准化后,将3个电弧故障特征融合并形成多维特征矩阵,最后通过ELM进行故障识别。在分析中对IEWT和EMD分解进行比较,结果表明,IEWT方法要优于EMD对信号的处理,并且在多特征提取下也避免了单一特征造成的误判,再结合ELM可以准确识别出电弧故障,经试验验证平均准确率为97.85%。     

基于样本熵理论的输电线路单相自适应重合闸研究

为了改善现有自适应重合闸技术在电力系统应用中存在的缺陷与不足,本文利用ATP/EMTP对输电线路进行单相接地故障仿真,并对故障相电压信号进行经验模态分解(EMD)。由于样本熵能够很好地衡量信号信息的丰富程度,故对分解后得到的固有模态函数(IMF)进行样本熵值计算,通过熵值的差异从而判断出故障的瞬时性与永久性,保证在瞬时性故障时能成功实现自适应重合闸。通过大量的线路单相接地故障仿真验证了该方法的有效性和实用性。     

基干模糊逻辑和支持向量机的高压输电线路故障分类器

高压输电线路故障类型的正确识别是输电线路故障定位和事故分析的前提保证，探求有效，实用的识别方法是有意义的。在对高压输电线路故障类型识别原理及实现方法进行总结分析的基础上，提出采用小样本高泛化能力的支持向量机(Support Vector Machines,即SVM)算法，并结合适于处理具有不确定线性划分关系问题的模糊集理论，来完成高压输电线路的故障分类器，实现了使期望风险最小他的最忧分类，仿真结果表明：所提方法判别过程简单、清晰．能正确识别高压输电线路的故障类型，而且还不受输电线路系统模型结构的限制，具有较强的通用性和实用性。提出的基于模糊逻辑和SVM的高压输电线路故障类型识别新方法，克服了常规线性分类方法的局限性，实现了输电线路故障模式空间的非线性可分，解决了高压输电线路故障模式识刖的根本性问题。     

500kV输电线路故障诊断方法综述

对近几年国内外具有代表的中外文献进行了学习研究,重点论述了输电线路故障诊断的四种方法:阻抗法,神经网络和模糊理论等智能算法,小波理论,行波法。综合输电线路的四种故障诊断方法,建议采用小波熵原理对输电线路故障模型进行故障类型识别,运用基于小波熵的单端行波测距方法实现故障定位。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于关联维数与极端学习机的高压输电线路雷击过电压故障识别

雷击造成输电线路跳闸是高压输电线路的主要故障。目前,雷击过电压故障主要采用行波技术加以雷击定位及数据记录,尚缺乏对雷击故障较为有效的智能处理技术。采用ATP-EMTP对雷击过电压的反击与绕击故障加以有效仿真,研究采用经验模态分解(empirical mode decomposition,EMD)与分形理论关联维数相结合的方法进行雷击过电压故障信号故障分析及其特征量提取,运用方差贡献率确定前4阶本征模函数(intrinsic mode function,IMF)分量用于体现故障过电压的主要特征信息。最后,引入极端学习机(extreme learning machine,ELM)建立高压输电线路雷击过电压故障的诊断与识别模型。仿真表明,在经验模态分解与关联维数相结合的高压输电线路雷击过电压故障特征提取的基础上,对击中杆塔、避雷线与三相输电线路的雷击过电压故障分别采用极端学习机实现了有效的识别。     

基于经验模态分解及近似熵的输电线路单相自适应重合闸

根据经验模态分解和近似熵算法,提出了一种针对输电线路单相接地故障的故障类型诊断方法,该方法具有一定的抗干扰能力,可以快速判断故障类型,以提高重合闸成功率。线路故障仿真结果验证了该方法的有效性和实用性。     

基于振动信号经验模态分解及能量熵的高压断路器故障识别

为了准确地检测出高压断路器的故障类型,笔者首次将经验模态分解(EMD)方法引入高压断路器的振动信号分析当中,并提出将EMD分解得到的固有模态函数(IMF)能量熵值作为表征断路器故障类型的新特征向量。为了证实该分析方法的有效性,笔者在实验室的110 kV SF6断路器上进行了模拟实验,提取了正常和故障状态下振动信号的IMF能量熵值特征向量,并以此作为径向基神经网络的输入向量。最后,引入置信度的概念,对径向基神经网络的输出结果进行评价。该方法基于实验室研究取得了较好的识别效果,并为基于振动信号的断路器故障识别提供了一条新的思路。     

基于S变换样本熵的输电线路纵联保护新原理

提出了一种基于电流行波S变换样本熵的快速纵联保护新方法。利用故障后一段时间内线路两端故障电流行波的S变换样本熵比值来识别区内外故障。区外故障时,一侧的反行波和另一侧前行波为同一行波,波形相似,对应电流行波样本熵基本相同,其比值接近1。区内故障时,线路一侧的反行波和另一侧前行波为不同行波,波形相似度小,线路两端电流行波样本熵差异较大,其样本熵之比(数值小的与数值大的之比)最小。利用此特征可以确定线路区内外故障。仿真结果表明,所提出的纵联保护方案能够快速识别区内外故障,其性能不受故障类型、故障初始角、接地电阻、故障位置和母线结构的影响。     

基于LCD能量相对熵的小电流接地故障选线方法

针对小波变换不具有自适应性、易受小波基种类影响的问题,及经验模态分解EMD（empirical modal deco-mposition）存在的模态混叠现象,提出了一种基于局部特征尺度分解LCD（local characteristic-scale decomposi-tion）和能量相对熵的故障选线新方法。首先利用具有自适应性、抗混叠性的LCD对各线路暂态零序电流进行分解,计算各频带暂态能量;再结合能量相对熵对信号间的细微差异进行识别放大,根据各条线路综合能量相对熵的大小进行选线。通过在Matlab仿真平台上搭建具有5回出线的10 kV线缆混合配电网发生单相接地故障的模型,验证了所提方法不受故障合闸角、故障距离和过渡电阻的影响,可实现正确选线。     

基于经验模态分解的牵张反射起始点检测研究

针对痉挛状态患者表面肌电信号易出现虚假的肌电峰值,引起牵张反射起始点前后的信号差异变小,提出经验模态分解去噪与改进样本熵识别的牵张反射起始点检测方法。首先用经验模态分解对肌电信号进行分解;然后以受试者静息状态下的表面肌电信号为参考,设定软阈值对分解的信号进行去噪;最后用改进样本熵识别牵张反射起始点。实验结果表明,经验模态分解算法可以有效地去除肌电信号噪声,而且在改进样本熵的最优参数下牵张反射起始点平均识别率为94%。     

经验模态分解在超高压输电线路故障定位中的应用

介绍了经验模态分解(Empirical Mode Decomposition,简称为EMD)方法,并将其引入电力系统故障信号处理中,提出一种基于EMD的输电线路故障定位新方法,仿真实验表明该方法能较好地实现超高压输电线路故障定位.     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.