基于Hebb与BP神经网络组合的故障电弧辨识方法

针对低压交流故障电弧发生时造成的波形畸变,提出一种基于Hebb与BP神经网络结合且适用于多负载的故障电弧辨识方法。提取电流波形的傅里叶变换特征值,通过Hebb神经网络进行计算以实现负载分类,从而确定该负载所用的BP神经网络的权参数,再提取电流波形小波变换特征值,通过BP神经网络计算得出故障与否的辨识结果。仿真结果表明,算法解决了负载类型过多造成BP神经网络识别度下降的问题,使得故障电弧辨识方法的准确率和通用性得到了大幅度提升。     

一种基于小波变换能量与神经网络结合的串联型故障电弧辨识方法

针对交流串联型故障电弧发生时回路电流幅值较小、传统线路保护装置不能有效检测的问题,提出一种基于小波变换能量与神经网络结合且适用于多种典型负载的串联型低压交流故障电弧辨识方法。利用自制的电弧发生装置模拟产生低压交流故障电弧,获取了6种典型家用负载情况下电路正常运行及产生串联型故障电弧时回路的电流信号。对采集的信号进行小波分解,将各层细节信号能量的平均值和标准差输入BP神经网络后构成小波神经网络,实现对不同负载测试样本的辨识。采用粒子群优化算法计算神经网络训练初始值,利用自适应学习率方法提高了训练速度。算法输出结果含义明确,输入层特征量选取合理。实验结果表明,采用该方法进行故障电弧辨识的准确率达到95%以上。     

基于CNN与特征周期变化率的故障电弧检测嵌入式系统实现研究

针对现有电弧故障检测装置精准度低、实时性不足以及高负载持续运行等问题，提出基于卷积神经网络(convolutional neural networks, CNN)与特征周期变化率的故障电弧检测算法，该算法分为上电和过程两种检测模式。上电模式采用多特征量导入CNN进行检测，过程模式提出电流的不同状态特征值周期变化率的概念，并把特征值变化率进行分区，联合神经网络进行递进检测，在保证准确率的同时降低算法复杂度。该算法以STM32H743为处理器，搭配调理、数据采集等电路形成实时电弧故障诊断系统。经过实验测试，本装置对交流故障电弧检测平均正确率达到97.43%,最快检测时间低至0.045 s,可为电弧故障检测装置的研制提供理论支撑和可靠参考。     

基于HCMAC神经网络的故障电弧检测方法

低压故障电弧电流的有效值往往小于热脱扣器的动作电流,导致传统的电路保护装置失效.模拟低压电气线路中的故障电弧,利用电流采样装置对故障电弧电流进行采样.在分析故障电弧电流波形特征的基础上,利用HCMAC神经网络对电流波形的各周期均值、斜率和小波变换高频系数三个判据进行综合评判,有效克服了单一判据的局限性.仿真结果表明,基于HCMAC的故障电弧检测方法可有效识别故障电弧特征,提高辨识故障电弧的准确率.     

基于WPD-SVD的串联故障电弧检测方法

为了研究电力系统中串联故障电弧检测问题,以三相交流电机为例,设计了一种基于小波包-奇异值分解的串联故障电弧检测方法。首先,进行了串联故障电弧实验,获得了电机A相电流数据;其次,对电流数据进行小波包分解及进一步的奇异值分解,并成功提取特征值;最终,进行6个组别各50次重复实验并将重复实验结果平均处理,再对同组前4个特征值进行加权平均处理,获得WPD-SVD判别标准特征值。在进行正常与故障状态特征值对比后,证明特征值间距及稳定性都较为理想,足够作为串联故障电弧检测判据。     

基于BP神经网络与电流特征提取组合的故障电弧辨识方法

低压交流串联电弧故障是目前研究的热点,非典型负载的特殊性更增加了电弧故障辨识的难度。针对常用负载的低压交流串联故障电弧,以及点接触电弧试验的并联交流故障电弧和调光灯调光状态等非典型负载情况,提出一种基于BP神经网络与电流特征提取组合的故障电弧辨识方法,采用基于小波变换细节分量的BP神经网络辨识串联电弧故障。对于非典型负载情况,在BP神经网络辨识的基础上,通过引入负载电流时域信号的半周期积分变化量,辅助解决调光灯调光状态易产生的误动作;结合负载电流时域信号的变化率与"平肩部"特性,辨识点接触引起的并联电弧故障。实测结果表明,所提出的辨识方法在常用负载的串联电弧故障与非典型负载波形测试中均辨识准确。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型，研究电弧小电流接地的电流信号特征，并基于可量测电气量信号进行处理，对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法，通过建立故障电弧模型，基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先，采用改进“控制论”电弧模型，基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次，采用变分模态分解算法对故障情况下的电气信号进行处理，得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后，提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后，应用CNN对IMF1进行特征识别，正确辨识正常与电弧故障情境。实验与仿真结果显示，通过利用VMD-CNN识别方法，提高了对原始电流信号识别准确度，能准确检测出故障电弧。     

基于相空间重构的航空电弧故障识别方法

为了进行航空交流串联电弧故障检测,该文在115V/400Hz的航空供电条件下按照美标UL 1699以及SAE AS 5692进行了点接触试验、振动试验和截断试验。利用工控机和数据采集卡提取出电流的正常信号和电弧故障信号,根据基于相空间重构的方法和波形比较法计算出电流信号的计盒维数、信息维数、均值比及其标准差和峰峰值。结果发现,发生了电弧故障后,以上特征值相比于正常情况均产生了较大程度的改变。将上述特征值组成电弧故障样本,作为遗传算法优化的BP神经网络的输入数据,将线路是否正常作为输出,进行电弧故障识别。分析结果表明,该方法的识别效率在96%以上。     

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。     

基于神经网络和D-S证据理论的故障电弧检测

基于电弧电流特征的故障电弧检测方法存在信息源单一的不足,容易引起保护误动作和拒动作。针对该问题,文中以电弧辐射的电场和磁场信号以及电弧电流作为检测信号,提出一种基于神经网络和D-S证据理论的故障电弧检测方法。首先,采用模极大值方法提取不同负载下电弧电磁辐射信号特征量,并用波形相似法提取电弧电流信号特征量;其次,利用BP神经网络构建各个特征量与电弧故障之间的映射关系,得到单个特征量的故障电弧识别率;最后,以该识别率作为D-S证据理论的输入,实现决策级多特征信息融合。在典型负载情况下的试验结果表明,该方法能有效提高故障电弧检测的准确率。     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

基于小波神经网络的模拟电路故障诊断改进

在运用神经网络进行模拟电路故障诊断的过程中,代表着故障特征的网络输入至关重要,由于小波变换的时频局部化和多尺度分析等特性,将两者结合起来,通过小波变换对模拟电路的输出响应进行故障特征提取,同时解决PSPICE与MATLAB之间的数据通信问题,提出将蒙特卡罗分析产生的所有训练样本经过处理后输入到一个神经网络进行训练的方法,从而避免了训练多个神经网络。利用神经网络对各种故障模式进行分类,实现模拟电路的故障诊断,并进一步与传统的BP网络故障诊断法进行比较。仿真结果表明,该方法可以实现故障检测及定位,诊断的准确率显著提高,适用于模拟电路故障诊断。     

基于小波变换与BP神经网络相结合的配电网单相接地故障定位方法

提出一种基于小波变换与BP神经网络相结合的方法来实现小电流接地系统单相接地故障定位。由于利用暂态故障电流和暂态母线电压的模极大值的实部和虚部作为BP神经网络的输入,提高了识别故障能力和可靠性,通过对BP神经网络的特别处理,大大地减小过渡电阻对故障定位的影响。仿真结果表明,该故障定位方法准确可靠。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

基于GA优化BP神经网络的液压钻机故障诊断

针对BP神经网络应用于故障诊断时存在着收敛速度慢、易陷入局部最小值等问题,提出了一种基于遗传算法(GA)优化BP神经网络的液压钻机故障诊断方法.利用GA的选择、交叉和变异操作优化BP神经网络的权值和阈值,提高网络训练的收敛速度.根据液压钻机工况参数提取的特征信号,进行归一化处理建立样本,利用训练样本对网络进行训练,根据训练结果进行故障诊断.仿真结果表明,GA优化的BP神经网络迭代次数少,收敛速度快,能够对测试样本进行有效地分类,故障诊断正确率高.     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于邻波电流差与随机性的交流串联电弧故障识别

低压电力线路的交流串联电弧故障易引发电气火灾,造成人身财产损失。根据故障的电流突变量幅值与电流变化量的电弧随机性特征,提出了基于电流邻波绝对差与随机性的电弧识别方法。该方法基于故障前后的电流突变量变化规律,以突变幅度作为故障启动判据。然后根据故障周期间电流变化量在不同负载种类、气隙间距下的电弧随机特征时域分布,构建了电弧故障存在性判据。最后通过一维卷积神经网络综合识别电弧故障。当故障支路负载功率占比20%时,所提方法使用未训练干路数据的平均检测准确率为90.97%,可有效检测串联电弧故障,具有较好的适应性。