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。     

基于平稳小波变换与随机森林的电缆早期故障识别方法

分析电能质量监测装置获得的电能质量数据,为解决电力系统设备故障提供了一个新的方向。电缆作为电力系统中的重要设备,在出现永久性故障之前会出现一段时间的电缆早期故障,早期故障虽然不会引起保护装置动作,但可能是永久性故障的前兆,降低电力系统运行的安全性。本文提出基于平稳小波变换与随机森林相结合的电缆早期故障识别方法。首先利用平稳小波变换对故障相电流信号进行分解,根据获得的小波系数计算统计特征量;然后将提取的特征量作为随机森林分类器的输入,从多种过电流扰动中识别出电缆早期故障。将该方法与传统模式识别方法相比较,结果表明本文所提方法识别准确率更高,时间更短。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

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。     

电压暂降源异质堆叠集成学习识别法

电压暂降源分类识别存在可获得信息不完备的问题。针对现有单一识别法弱学习特点和组合识别法一致性强的问题,提出一种基于异质堆叠集成学习的暂降源识别方法,提升识别模型的泛化能力和鲁棒性。把线路故障分为普通故障和雷击故障,以10类单一电压暂降源的识别为目标,选取9个表征特征差异的波形统计参数,构建27维识别特征向量。引入堆叠集成算法,以5种差异性强的单一识别法为基分类器,用随机森林法作元分类器,建立异质堆叠集成识别模型。通过PSCAD仿真数据和实测数据验证,并与现有6种识别法比较,结果表明,该方法识别精度高,噪声鲁棒性良好,具有良好的工程实用性。     

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。     

基于改进深度信念网络的直流XLPE电缆局部放电模式识别

局部放电检测是评估电气设备运行状态的重要手段,然而现阶段关于直流交联聚乙烯(XLPE)电缆局部放电模式识别技术的研究尚在起步阶段。针对直流XLPE电缆的常见绝缘缺陷及局部放电特点,设计了4种缺陷模型并搭建实验平台采集局部放电信号,以局部放电脉冲波形为样本,研究了基于自适应矩估计优化算法改进深度信念网络的直流电缆局部放电模式识别方法。实验对比了深度信念网络模型与基于时频特征分类方法的识别效果,分析了识别方法对各类缺陷的适用性和训练样本容量对识别模型的影响。实验结果表明:基于改进深度信念网络的识别方法能深入挖掘局放脉冲的有效特征,识别准确率高于基于时频特征的支持向量机、BPNN神经网络分类方法,且对4类缺陷均具有良好的识别效果,识别准确率随训练样本容量的增多得到较大的提升。     

采用GPS同步技术和电磁感应原理的电缆识别方法

从一组电缆中识别出目标电缆是电缆工程中非常重要的一项工作.介绍了利用电磁感应原理的电缆识别方法,其中包括利用感应信号强度进行判断的幅值识别法和利用GPS (Global Position System)同步技术的相位识别法.这两种识别方法在电缆带电或停电的情况下均可完成测量,具有操作简便,准确率高的优点.     

架空线-电缆混合线路故障行波信号识别的研究

针对架空-电缆混合线路中的高阻瞬时接地故障和架空线路雷击故障,提出采用电流故障行波的2个特征频带中的频谱能量比和波形系数来有效区分雷击非故障与雷击故障、高阻弧光接地故障的思想。利用电磁暂态软件建立仿真模型对架空-电缆混合线路的各种雷击情况进行了仿真,并且对故障行波信号进行了识别研究。仿真结果表明,采用的雷击识别方法可以有效识别不同类型的故障。     

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.     

电力变压器故障的客观熵权识别及诊断方法

为了有效管理和监测电力变压器的健康状态,在对变压器油中溶解气体数据进行分析的基础上,建立了一种基于客观熵权的电力变压器故障信息模式识别及诊断模型。首先,在定义包含电力变压器故障模式全局信息的矩阵范式基础上,引入信息熵权理论构建故障特征信息的客观熵权精确量化模型;然后,基于距离和投影原则构建了故障模式判别准则函数,并通过准则函数对模式进行排序,运用综合排序结果进行故障测试模式分类,得到用于判断故障类型的基准类心向量;最后,运用基于类心欧氏距离的方式判别故障测试样本所属的类别,实现变压器故障的客观熵权识别及诊断。利用从某电力公司采集到的120组电力变压器油中溶解气体样本进行实例验证,结果表明,所提出的方法能克服传统的三比值故障诊断方法存在无编码以及边界编码模糊致误判的问题。     

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。     

基于金属护层模型参数辨识的电缆单相故障单端测距方法

电缆大部分故障均与金属护层相关,仅考虑缆芯电气结构参数的模型无法实现护层相关的故障测距。为解决配电网电缆单相故障测距困难的问题,提出了基于金属护层模型参数辨识的电缆单相故障单端测距方法。以配电网单相故障零模等效网络作为辨识模型,将故障距离、过渡电阻、对地电容作为模型的未知参数,利用电缆单相接地故障后缆芯和护层中的暂态信息并结合故障状态网络和零模等效模型,建立时域测距方程作为参数辨识目标函数,用最小二乘算法进行最优参数求解,得到故障距离。ATP-EMTP仿真结果验证了所提方法的有效性,且测距精度高。     

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。     

基于深度置信网络的电网故障类型辨识

高效可靠的电网故障分类有利于指导调控人员快速排查和消除故障、恢复系统供电,对保障系统安全可靠运行具有重要意义。为了克服浅层智能方法对信号处理技术和人工经验的依赖以及对复杂电力系统特征提取和表达的不足,文中基于故障录波信息,提出一种基于深度置信网络的电网故障类型辨识方法。直接以故障发生后的各相电流/电压以及零序电流/电压作为网络输入,从原始时域信号中自动学习和提取故障状态特征,从而实现故障类型的辨识。IEEE 39节点仿真系统案例和电网实际故障案例均表明该方法具有良好的故障特征提取能力,在数据降维过程中能保持数据原本的特征,且辨识结果不受过渡电阻、故障时刻、故障位置、负荷大小等因素的影响,与传统人工神经网络模型相比其识别准确率更高。     

Diagnosis of incipient faults in power transformers using CMAC neural network approach

Dissolved gas analysis (DGA) is one of the most useful techniques to detect the incipient faults of power transformer. However, the identification of the faulted location by the traditional method is not always an easy task due to the variability of gas data and operational natures. In this paper, a novel cerebellar model articulation controller (CMAC) neural network (NN) method is presented for the fault diagnosis of power transformers. By introducing the IEC standard 599 to generate the training data, and using the characteristic of self-learning and generalization, like the cerebellum of human being, a CMAC NN fault diagnosis scheme enables a powerful, straightforward, and efficient fault diagnosis. With application of this scheme to published transformers data, the diagnoses demonstrate the new scheme with high accuracy and high noise rejection ability. Moreover, the results also proved the ability of multiple incipient faults detection.     

一种基于Hilbert-Huang变换的电力电缆故障测距方法

为了提高电力电缆故障测距的灵敏性和准确性,提出一种基于Hilbert-Huang变换的电力电缆故障测距方法。针对电缆故障时暂态行波信号奇异性不明显问题,HHT能在不需要选择基函数的条件下对信号进行自适应时频分析,应用经验模态分解(EMD)方法对信号进行唯一分解。EMD能在保持信号良好的时域特性和频域特性的同时得到信号的时频和能量分布关系,有利于提取信号的奇异性,进而减小测量误差。通过不同方法对故障进行数值仿真测距,仿真结果表明HHT故障测距方法具有很好的优越性。