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。     

基于分形盒维数的输电线路故障识别研究

研究了基于分形盒维数的输电线路故障类型识别的方法。应用ATP-EMTP对输电线路在不同故障进行仿真,计算并分析故障线路各相暂态电压的分形盒维数,提出了故障类型识别的判据方法。计算结果表明,基于分形盒维数识别方法提取输电线路的故障特征量是可行和有效的。     

基于分形理论的输电线路故障类型识别新方法

提出了基于分形理论的高压输电线路故障类型识别新方法。根据故障后对各相暂态分量电流和零序暂态电流的分形维数计算和分析，提取和形成了故障类型识别判据。通过对不同故障类型和特征的大量ATP仿真和检验测试，证明了应用分形理论识别输电线路不同故障类型的可行性和有效性。     

基于模糊逻辑的高压输电线路故障类型识别新方法

本文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,利用模糊集合理论适用于求解具有不确定信息或具有不确定线性划分关系问题的优势,提出了基于模糊逻辑具有分层结构的输电线路故障类型识别新方法.仿真结果表明,本文所提方法不仅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.     

基于高频信号的输电线路主动式保护

现行输电线路的故障类型和故障性质判别均依据线路中电气量的变化特征被动判断,对于某些线路运行状况,往往因缺乏主动性而造成保护误动或拒动。针对这个问题,借鉴纵差保护输电线载波通信技术,分析高频信号在输电线路各种故障时的传播特性,提出了一种基于高频信号的输电线路主动式保护。该保护通过向输电线路发射高频信号,主动判断输电线路的故障类型和故障性质。仿真验证结果表明,这种输电线路主动式保护可以准确判断出输电线路中各种类型的故障,并通过延时循环判断,可靠区分瞬时性故障和永久性故障。     

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。     

输电线路不对称短路故障关键暂态信息获取方法

准确获取输电线路故障点的关键暂态信息,对线路故障原因辨识及线路改造方案的制定都有重要意义。在分析不同类型短路故障行波的基础上,对输电线路不对称短路故障关键暂态信息的获取方法进行了研究。首先利用反演理论,推算出所需的故障点暂态电流波形。结合短路故障类型,构建了基于故障点模量电流幅值、故障角及故障电阻的数学模型并采用改进萤火虫算法(improved firefly algorithm,IFFA)进行求解。仿真结果表明,该方法可准确重现故障点的故障行波,实现关键暂态故障数据的挖掘,有望为输电线路不对称接地故障的故障原因辨识及线路改造提供帮助。     

基于MMC主动电压式的HVDC输电线路暂态故障测距方法

针对模块化多电平柔性高压直流(MMC-HVDC)输电线路的两种不同故障类型提出了一种基于MMC主动电压式的暂态法故障测距方法，该方法利用MMC模块的可控性技术，使两侧MMC在不影响线路正常运行并易于检测的条件下产生主动性电压，对其放电的暂态过程进行分析，通过将两种故障类型的输电线路进行简化，求解二阶暂态方程，得到故障距离。随机选取录波数据点，利用所推导出的两种故障类型的测距表达式进行计算。结论表明单极接地短路故障测距的误差率基本可稳定控制在1.5%以内，而双极短路故障测距在故障点接近线路中段时的误差率可控制在2%以内，验证了该仿真系统的准确性。     

基于分形理论的输电线路故障类型识别新方法

提出了基于分形理论的高压输电线路故障类型识别新方法。根据故障后对各相暂态分量电流和零序暂态电流的分形维数计算和分析,提取和形成了故障类型识别判据。通过对不同故障类型和特征的大量ATP仿真和检验测试,证明了应用分形理论识别输电线路不同故障类型的可行性和有效性。     

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。     

500 kV紧凑型输电线路常见故障分析及防治措施

指出了500 kV紧凑型输电线路自投运以来,舞动、冰害、鸟害等故障频发,造成山西电网西通道等重要输电通道线路长时间停运,电厂出力受阻,严重影响电网安全稳定运行。统计了山西电网500 kV紧凑型线路常见的故障类型,并对故障判断方法和防治措施进行了研究和探讨,全面提高了紧凑型输电线路的运行水平。     

基于支持向量机的输电线路故障诊断分类

基于支持向量机SVM(Support Vector Machine)的输电线路故障分类方法,可利用Matlab6.5仿真输电线路故障得到两组不同类型故障的数据。结合Matlab6.5环境下SVM工具箱进行编程,建立SVM故障分类器对测试样本进行测试。结果验证了该故障诊断方法的可行性。     

基于PSCAD／EMTDC的超高压输电线路单相接地

为了减少或避免重合于永久性故障给输电系统稳定运行所带来的不利影响，需要在断路器重合前预先判断故障类型是永久性的还是瞬时性的。在对相应的电压判据、补偿电压判据、组合补偿电压判据进行详细推导与论证的基础上指出了各自的缺陷，分析了其影响因素、实际适用的线路长度和线路类型，最后通过某实际500 kV输电线路，用PSCAD建模仿真验证了电压判据的有效性。     

基于组合神经网络的输电线故障类型识别

准确的输电线路故障类型识别是实现故障测距的前提 ,文中在高压输电线路故障分析的基础上 ,构建了由Kohonen自组织特征映射神经网络模型和BP网络模型组合而成的类型识别网络模型 ,来实现输电线路的故障检测及故障类型识别。经理论分析和大量的EMTP仿真表明 :此网络模型较单一网络模型 ,所需训练样本少 ,学习时间短 ,并且在各种故障模式下 ,均能可靠、准确实现输电线路故障类型的识别 ,不受故障过渡电阻、故障初始角、系统运行方式、故障点位置等因素的影响     

基于离散小波分析与K-means聚类算法的 MMC-HVDC输电线路保护方案

随着以风电、光伏为代表的可再生能源的持续发展,柔性直流输电系统由于能够清洁高效的对其进行远距离大容量输送而得到了大力的发展。快速、准确的识别故障区域并判别故障类型,实现兼具选择性、速动性、灵敏性和可靠性的直流线路保护方案是柔性直流输电系统发展的迫切需要。理论分析表明,MMC-HVDC输电系统直流线路故障时,线路平波电抗器两侧的暂态电压存在明显差异。采用离散小波分析提取线路平波电抗器两侧的暂态电压有效值进行比较,从而对区内、区外故障进行判别。随后采用K-means聚类算法,利用不同故障类型、不同故障位置,直流线路故障发生后较短的时间窗口采集得到的单侧保护单元电压、电流数据,对其进行聚类分析,获取这些数据的质心与阈值,经过训练,确定相应的保护判据,实现故障选极。PSCAD/EMTDC的仿真结果表明,该保护方案不受故障位置、过渡电阻的影响,能够快速准确地检测MMC-HVDC输电线路故障,识别出故障类型。     

输电线路故障测距单侧工频量方法新解析

提出了利用输电线路的单侧电压和电流数据对高压输电线路进行故障定位的新方法,研究的线路包括：双侧电源线路和环网中运行的输电线路。同时亦提出了利用电流故障分量进行短路类型区分的新方法。文中给出了算法的详细推导过程,检查测距算法时,先利用故障分析程序产生的数据,然后利用故障电磁暂态计算程序产生的数据。     

基于红外多谱技术的铁路输电线路故障检测

针对当前铁路输电线路故障检测误差大、准确度低等不足,提出了基于红外多谱的铁路输电线路故障检测方法。首先利用红外多谱技术采集铁路输电线路图像,从图像中提取铁路输电线路故障特征,然后采用主成分分析算法对铁路输电线路故障特征进行筛选,得到最优检测特征向量,最后采用支持向量机对铁路输电线路故障检测样本进行学习,得到铁路输电线路故障检测的分类器,并进行了铁路输电线路故障检测验证性实验,该方法的铁路输电线路故障检测率超过了90%,铁路输电线路故障的误检率和漏检率大幅度减少,故障检测时间短,整体效果要优于当前其他检测方法,是一种效率高、结果优的铁路输电线路故障检测方法。     

基于组合神经网络的输电线故障类型识别

准确的输电线路故障类型识别是实现故障测距的前提,文中在高压输电线路故障分析的基础上,构建了由Kohonen自组织特征映射神经网络模型和BP网络模型组合而成的类型识别网络模型,来实现输电线路的故障检测及故障类型识别。经理论分析和大量的EMTP仿真表明：此网络模型较单一网络模型,所需训练样本少,学习时间短,并且在各种故障模式下,均能可靠、准确实现输电线路故障类型的识别,不受故障过渡电阻、故障初始角、系统运行方式、故障点位置等因素的影响。     

输电线路瞬时性故障与永久性故障判别方法综述

供电系统要保障人们生产生活对电能的需要。输电线路作为供电系统中最重的组成部件,由于长期暴露在自然环境下,容易发生故障。当故障发生时,要第一时间对故障的类型进行判别,才能保证断路器合闸动作是否正确科学。输电线路故障分为瞬时性故障和永久性故障,本文针对两种故障类型的电压呈现的不同状态进行分析,综述了三种可行的故障判别方法。     

基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。