一种新的谐振接地系统单相接地故障选线方法

为解决谐振接地系统单相接地故障在小故障合闸角情况下选线准确率不高的问题,利用集合经验模态分解(EEMD)和希尔伯特变换在频带分析方面的优势,提出了一种新的谐振接地系统故障选线方法。通过分析单相接地故障时暂态零序电流的分布特征,比较系统暂态电容电流与衰减直流分量的能量大小,自适应将能量较大的信号用于故障选线。暂态电容电流能量大时通过比较暂态电容电流的极性确定故障线路;衰减直流分量能量大时通过比较消弧线圈与初选线路衰减直流分量的能量确定故障线路。分别对不同故障合闸角,不同过渡电阻的单相接地故障进行了仿真验证。仿真结果表明,该方法选线准确率高,在小故障合闸角情况下亦能准确选线,具有一定的应用价值。     

局部放电电磁波在GIS中的衰减特性

局部放电电磁波信号在气体绝缘开关设备(GIS)中传播时受GIS结构影响而产生衰减变化,使得难以从超高频(UHF)检测信号实现对局部放电源信号的有效评估。为分析GIS不同结构部件对电磁波信号的影响,本文采用时域有限差分(FDTD)法对GIS中局部放电电磁波的衰减特性进行建模分析,研究了电磁波信号在GIS中不同部件传播时幅值、能量等参数的变化特性。对局部放电电磁波信号经过绝缘子前后的变化进行试验研究,验证了仿真分析的有效性。研究结果表明,电磁波信号在同轴波导中传播时信号能量衰减很小,但是由于高次模波的色散效应使得信号幅值发生较大程度的减弱;邻近局部放电源的绝缘子对于电磁波信号的衰减作用比其他绝缘子更大;经过L分支的电磁波信号能量衰减和幅值降低程度均较大,但其横电磁波(TEM)分量衰减很小;电磁波经过T分支的垂直部分比直线部分衰减更为严重。     

基于Hilbert能量幅值信息和波形信息的特高压直流输电线路单端保护方法

直流输电系统具有强非线性,采用叠加原理和小波变换算法的直流输电线路行波保护存在适应性问题;仅利用行波暂态量幅值信息的直流输电线路行波保护在线路末端故障时存在保护拒动的问题.针对此问题,提出一种特高压直流输电线路单端保护方法.通过研究特高压直流输电线路两端物理边界特性,推导出Hilbert能量波形信息与电压行波的关系式,得出物理边界对Hilbert能量波形具有平滑作用.分析物理边界元件和直流输电线路频率特性,发现物理边界元件和直流输电线路对暂态高频分量具有衰减作用,据此利用Hilbert能量表征高频分量衰减情况.直流输电线路区内、外故障时,暂态电压5～7kHz高频带Hilbert瞬时能量幅值和波形形状差异明显,利用标准差综合描述高频带Hilbert能量幅值信息和波形信息,构造直流输电线路故障识别判据.利用正、负极标准差之比构造故障选极判据,实现故障极全线速动保护.仿真结果表明,该保护方法能可靠区分直流线路区内、外故障,实现故障选极,保护特高压直流线路全长.     

基于能量轨迹熵的高压断路器操动机构状态特征提取方法

断路器操动过程伴生的振动信号在能量释放促使动静触头强烈冲击下呈现非平稳的震荡衰减过程。提出一种基于能量轨迹熵的高压断路器操动机构状态特征提取方法。首先,利用谱形态变分模态分解联合快速奇异值分解方法对振动信号降噪处理,并进行小波分解与重构。然后,将重构信号的“簇状”瞬时、瞬频能量波形由旋转因子在极坐标子网格区域进行发散处理,定义能量轨迹熵用于挖掘断路器操动过程能量释放过程的细微变化。通过瞬时、瞬频能量轨迹熵特征,精准捕捉振动信号的瞬态能量特性。最后,通过采用不同识别模型的对比分析,试验表明基于能量轨迹熵特征的支持向量机模型具有较高的识别准确率,达到98.33%,为断路器操动机构状态特征提取提供了一种新方法。     

局部放电检测用D-dot探头的可行性研究

为了对开关柜等电气设备中产生的局部放电进行检测和模式识别,研制了一种用于局部放电检测的Ddot探头,并搭建了三种典型的局部放电实验模型,采用该探头和脉冲电流法同时对局部放电进行测量,通过比较两者信号之间的幅值能量关系,验证了探头的可靠性。此外还研究了不同距离下的局放信号频谱图,分析了信号高低频分量衰减与其传播距离之间的关系。试验结果表明:(1)D-dot信号能很好的反应局部放电的相位分布;(2)局部放电D-dot信号幅值与脉冲电压峰峰值呈线性关系,信号能量与脉冲电压峰峰值呈二次相关,且针对不同放电模型比例系数有较大差别,可依此进行局放源放电类型分类;(3)D-dot信号中高频部分随距离增加衰减很快,只在短距离(10 cm)内能够测得,低频部分衰减缓慢,在1m范围内基本无衰减。     

基于小波变换和支持向量机的电能质量扰动识别

电能质量扰动识别时,采用小波变换提取能量分布特征时小波分解层数通常缺乏理论依据,且采用支持向量机( SVM)分类时训练样本通常只含某一种信噪比(SNR)的噪声.针对以上两个问题,利用小波变换对电能质量扰动信号进行多分辨率分析时,根据扰动信号的采样率来确定小波分解层数,提取小波能量分布差特征作为SVM的输入向量,减少了计算量和特征维数;采用信噪比在较大范围内分布较均匀的训练样本来训练SVM,增强了SVM的范化能力.仿真实验表明,该方法提高了电能质量扰动识别准确率;在20dB噪声条件下,该方法对6种电能质量扰动的识别准确率仍达到95.20％.     

基于多特征融合与优化支持向量机的小电流接地故障区段定位方法

针对配电网小电流接地系统单相接地故障频发及发生高阻接地时故障特征信号微弱等问题，提出一种基于多特征融合与优化支持向量机的小电流接地故障区段定位新方法。首先，结合单相接地故障时主谐振分量能量最大原理确定变分模态分解的最优分解层数，分解故障线路上各区段的零序电流得到平稳的本征模态分量；其次，挖掘暂态信息中能充分体现故障检测点差异性的5种特征量，即衰减直流分量衰减速度、暂态主频分量峰值与稳态工频分量幅值比、暂态主频分量与衰减直流分量能量比、相邻检测点故障零序电流波形差异系数、相邻检测点暂态主频分量极性比，构造多维度特征向量，输入到经改进鲸鱼算法优化的支持向量机分类模型中训练测试。仿真结果表明，本文定位模型能够准确判别故障区段。     

重复方波参数对变频电机绝缘放电频域能量分布影响研究

采用双极性重复方波电压,借助特高频测试方法,实验研究了重复方波电压幅值、频率、占空比、上升时间对变频电机匝间绝缘放电频域能量分布的影响规律。结果表明：放电0.50GHz以上频域能量随占空比的增大而明显增加;频域各频段能量随脉冲电压幅值的增大而增加,1.50GHz以上高频能量随频率的提升不断衰减;脉冲电压上升速率对放电频...     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

基于衰减层析的地下浅层震动能量场重建方法

针对地下浅层震动能量场重建过程中高精度、各向异性的需求,提出一种基于衰减层析的地下浅层震动能量场重建方法。首先,根据速度场模型通过射线追踪计算出地下震动波的传播路径;其次,使用对数谱比法对地下介质的品质因子进行反演;然后,求出震动波在不同传播距离情况下的吸收衰减系数;最后,对震动波进行吸收衰减及几何扩散衰减得到地下浅层震动能量场。仿真结果表明,重建的震动能量场与正演结果的均方根误差为7.653,单个网格的重建能量值与正演结果的最大相对误差为15.3%,平均相对误差3.4%,提出的方法相较于传统方法能够提升地下浅层震动能量场重建精度,对地下浅层震动能量场重建具有一定的应用参考价值。     

基于支持向量机的铝板表面缺陷检测分类

论述了基于机器视觉的铝板表面缺陷检测方法,提取7种铝板表面缺陷的多种特征值作为训练数据进行学习。介绍了支持向量机的原理和核函数的选择,在VC环境中构建支持向量机分类模型,用该模型对铝板表面缺陷进行分类标识,最后对支持向量机分类器的分类准确性、稳健性作出评价。     

基于并行变量预测模型的变压器故障诊断及优化研究

针对传统变压器故障诊断方法存在小样本问题下分类效果差、海量监测数据的识别效率低下等问题,提出基于Spark计算框架的并行化变量预测模型。首先采用HDFS作为内存式存储系统,面向行存储的Row Matrix作为分布式矩阵存储结构,利用广播变量、调整分区数进行并行度优化。其次训练4种数学模型获取故障类型的最佳模型及相关参数完成故障诊断。实验结果表明,并行变量预测模型识别精度高于支持向量机,计算效率优于单机环境,对高维特征向量有较好的适应性。     

基于改进的SVM的电能质量复合扰动分类

本文利用支持向量机对电能质量复合扰动进行分类,解决其多重分类问题,为了提高其整体分类的准确率,对支持向量机中的核函数进行了改进。考虑到特征向量在核函数中心位置的聚集程度会影响支持向量的数目,本文在核函数中引进一个径向宽度因子和一个幅值调节因子,从而解决传统核函数存在的问题,减少支持向量数目,降低计算复杂度。将改进后的算法应用到电能质量复合扰动分类中,验证所提方法对于电能质量复合扰动分类不仅具有可行性,并且有较高的分类准确率。从仿真实验结果可以看出,改进的方法对常见的7种单一电能质量扰动信号和5种电能质量复合扰动信号能够进行分类,相对原算法提高了分类准确率。     

一种SVM不平衡分类方法及在故障诊断的应用

针对支持向量机不平衡样本分类倾斜性问题,提出一种欠采样支持向量机分类器。构建包含少类样本的最小封闭超球体,计算各个多类样本到包含少类样本最小封闭超球体球心的距离,利用该距离对多类样本进行欠采样,产生新的训练集,实现训练集的平衡。该方法和其他不平衡分类方法在基准数据集的分类结果表明该方法在识别率和分类速度方面的有效性。将该方法应用于永磁同步电机驱动电路功率开关管开路故障诊断中,结果表明该方法缩短故障分类器的训练时间,提高了故障分类器的泛化能力和诊断速度。     

基于改进能量集中度的S变换与随机森林的电能质量扰动识别

鉴于S变换的窗口函数对不同频带信号的自适应能力差,提出一种新型的改进S变换(Modified S-Transform,MST),该方法通过引入四个辅助参数,优化高斯窗函数尺度因子的自适应能力,使改进S变换的能量集中度最大化,获得了更出色的时频分辨能力。建立了基于扰动信号幅值和相位的特征值评价体系,采用随机森林(Random Forest,RF)算法对包括标准信号和电压暂降、电压暂升、高次谐波、暂态振荡等10种扰动信号共11类电能质量信号分类识别。与已有文献采用的决策树、支持向量机和神经网络分类结果进行了对比分析,仿真试验结果表明,该方法分类准确率高,抗干扰能力强,且在训练样本少、低信噪比(Signal-to-Noise Radio,SNR)条件下分类结果优势明显。     

基于FASSA-SVM的充电桩故障预测算法研究

为了电动汽车直流充电桩的安全稳定运行,本文提出一种基于改进支持向量机的充电桩故障预测算法。该算法首先针对充电桩的运行参数进行缺失值填充、归一化等预处理;然后将预处理后的数据输入支持向量机模型训练,之后引入萤火虫算法改进麻雀算法对支持向量机模型进行参数寻优,得到最优模型;最后利用得到的最优模型预测诊断充电桩运行状态,来判断充电桩是否发生故障。实验结果表明,本文的预测算法预测精度可达94.68%,远高于传统的支持向量机模型的72.34%,能较准确地预测充电桩运行状态,为其预知维修、保障安全运行提供有力保障。     

Support Vector Machine for Classification of Voltage Disturbances

The support vector machine (SVM) is a powerful method for statistical classification of data used in a number of different applications. However, the usefulness of the method in a commercial available system is very much dependent on whether the SVM classifier can be pretrained from a factory since it is not realistic that the SVM classifier must be trained by the customers themselves before it can be used. This paper proposes a novel SVM classification system for voltage disturbances. The performance of the proposed SVM classifier is investigated when the voltage disturbance data used for training and testing originated from different sources. The data used in the experiments were obtained from both real disturbances recorded in two different power networks and from synthetic data. The experimental results shown high accuracy in classification with training data from one power network and unseen testing data from another. High accuracy was also achieved when the SVM classifier was trained on data from a real power network and test data originated from synthetic data. A lower accuracy resulted when the SVM classifier was trained on synthetic data and test data originated from the power network.     

一种实时电能质量扰动分类方法

针对电能质量扰动实时分类的需求,提出了一种基于强跟踪滤波器和极限学习机的电能质量扰动分类方法。强跟踪滤波器通过引入渐消因子矩阵克服了扩展卡尔曼滤波器的易发散的问题。强跟踪滤波器不仅可以检测扰动幅值而且还可以提供渐消因子作为特征量,以此识别暂态扰动和谐波。该方法提出使用基波幅值最大值、最小值、波动次数和渐消因子频度均值四个特征量组成特征向量作为极限学习机分类模型的训练样本;最后将分类器用于电能质量扰动识别。为了提高极限学习机分类精度,提出了对少量边界错分样本的类别进行校正的规则校正法。仿真表明改进后的方法能够识别包括两种复合扰动在内的10种电能质量扰动信号,并具有良好抗噪性。与随机梯度下降反向传播方法、最小二乘支持向量机和序贯极限学习机相比,该方法训练和分类速度快,分类准确率高,适合于在线应用。     

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法（C-SVC：C-support vector classification）和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出（寻找最佳）支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。     

统计特征参数及多分类SVM的局部放电类型识别

局部放电模式识别是诊断变压器绝缘状况的一种有效方法,为提高局部放电类型识别的正确率,提出了基于统计特征参数及多分类SVM的局部放电类型的识别方法。在实验室设计了4种典型的变压器故障缺陷,采用统计特征参数法提取各局部放电图谱的27种特征量,引入M-ary分类思想,将支持向量机的两类分类问题扩展为多类分类,使训练计算量和测试计算量大大减少。实验结果表明,该方法用于局部放电类型识别具有较好地识别效果,并且计算速度快。