非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。     

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。     

利用多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法

提出一种基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法,可准确将本侧区外故障、区内故障以及对侧区外故障区分开。进行小波多尺度分解,求得各层的奇异谱熵,将每层的奇异谱熵组成一个特征向量,特征向量分成训练集和测试集,将训练集进行训练得到支持向量机(support vector machines,SVM)分类器的参数,用测试集进行测试,预测结果就是对不同位置故障的分类。大量仿真验证表明:基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法能可靠识别本侧区外故障、区内故障和对侧区外故障。     

引入二代小波的自适应BP神经网络局部放电故障识别

将二代小波与神经网络相结合进行局部放电故障分类。基于二代小波与信息熵理论,提取放电信号,以小波能谱熵与系数熵作为特征量。将提取的特征向量输入神经网络进行训练,训练时通过改进共轭梯度法自适应调整误差,得到最优训练网络。采用该文算法、经典神经网络以及小波神经网络,分别对放电模型产生的3种放电类型进行识别测试的结果表明:该文方法在识别准确率以及算法执行效率上,均优于经典神经网络以及小波神经网络。     

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VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法.首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值.分别利用VMD多尺度模糊熵和VMD能量和比值表征区内外故障特征和故障极特征,将它们组合成特征向量.将特征向量集分成训练集和测试集,将训练集进行训练得到Softmax分类器模型,利用测试集进行测试.仿真结果表明:基于VMD多尺度模糊熵和Softmax分类器的HVDC输电线路故障识别方法能在不同故障距离和不同过渡电阻情况下有效实现区内外故障识别和故障极选择,且耐受过渡电阻能力强,具有一定的抗干扰能力.     

小波包能量熵神经网络在电力系统故障诊断中的应用

提出了一种基于小波包能量熵神经网络的电力系统故障诊断方法。对采集到的故障后电压信号进行3层小波包分解,提取小波包能量熵,然后构造信号的小波包特征向量, 并以此向量作为故障样本对3层BP神经网络进行训练,实现智能化故障诊断。ATP和Matlab仿真结果表明该方法有效可行。     

基于广义S变换能量相对熵的小电流接地系统故障区段定位方法

小电流接地系统发生单相接地故障后,系统中产生特征较为丰富的电气暂态量。针对健全区段两端的暂态零序电流相似度高,而故障区段两端暂态零序电流差异较大的特点,提出一种基于暂态零序电流的广义S变换能量相对熵的故障区段定位方法。首先,以暂态零序电流作为故障特征量,根据零序电流突变量确定各检测装置上传数据的起始时刻。然后,对馈线上各装置上传的暂态零序电流进行广义S变换,得到其时频矩阵。最后,利用能量相对熵表征各区段两端信号的差异,通过计算比较,确定熵值最大的区段为故障区段。该区段定位方法适用于不同故障点位置、不同故障角、不同过渡电阻情形下的故障定位,仿真结果验证了所提方法的有效性。     

基于仙农模糊熵的融合故障选线方法

利用S变换对零序电流和零序电压进行分解,提取S变换结果中的幅值和相角作为故障特征量.研究了仙农模糊熵的涵义,通过模糊熵和不确定性的关系,定义了信心度来刻画一个事件是否发生的确定性.介绍了2种基于S变换的故障选线方法(比相法和能量函数法)的基本原理,基于定义的信心度对2种选线方法得到的选线结果进行了融合,从而选定故障线路...     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法

提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法（QPSO）和支持向量机算法（SVM）的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。     

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。