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。     

考虑高比例新能源并网的输电线路故障原因智能辨识

高比例新能源并网会影响输电线路故障形态，不利于故障原因准确辨识。为此提出一种考虑高比例新能源并网，基于参数优化变分模态分解、增强多尺度排列熵及深度信念网络与迁移学习的输电线路故障原因智能辨识方法，构造出气象类和电气类、暂态行波电流模态分量熵值、新能源运行状况三类特征，通过模型训练和网络参数微调，端到端实现输电线路故障原因辨识。实验结果表明，该方法能以较高准确率辨识雷击、外力破坏等9类故障原因。     

基于Seq2Seq技术的输电线路故障类型识别方法

基于Seq2Seq技术构建了用于输电线路故障类型识别的深度学习模型,通过设置仿真算例验证了所提方法的有效性。首先,利用MATLAB/Simulink生成输电线路故障数据集;然后,基于Seq2Seq技术构建适用于故障数据时序型特征的深度学习模型;最后,以IEEE118节点系统为例对所提方法进行验证。仿真结果表明:所提方法能够适应输电线路故障的时序型特点,故障类型辨识准确率为100%。与其他故障类型识别方法相比,所提方法仅基于海量数据,不考虑电力系统具体结构,具有显著的优越性。     

基于YOLOv4模型的玻璃绝缘子自爆缺陷识别方法

绝缘子是输电线路的重要元件,绝缘子缺陷会增大输电线路的故障停运风险,因此,对绝缘子缺陷状况的早期判别十分重要.本文提出一种基于YOLOv4模型的玻璃绝缘子自爆缺陷辨识方法.首先,通过无人机采集及数据增强获取大量详实的现场绝缘子图像;其次,通过采用迁移学习的训练策略训练YOLOv4网络并改进网络的输入图像以提高辨识的准确...     

基于故障录波数据同步技术的输电线路参数辨识方法

输电线路多源参数的差异性及其受外部环境影响的易变性使得常规离线测量结果不准确,利用故障录波信息进行在线参数辨识可以满足实际线路参数需及时更新的要求。该方法基于线路双端故障录波信息,考虑双端故障录波信息不同步时间,构建约束方程求解区内外故障时的线路双端数据的不同步时间。在此基础上利用双端同步的电压电流相量,进行线路参数辨识。通过IEEE9节点模型分析验证表明,该对齐方法的对时精度等级约为10-5 s,提高了利用故障录波信息进行输电线路参数辨识的有效性。     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

深度学习在输电线路短路故障辨识的应用研究

随着分布式故障测距技术的快速发展,输电线路故障行波数据量呈现指数性增长,传统的短路故障辨识研究方法效率低下。为此,以典型的雷击故障（绕击和反击）和非雷击故障图像库为基础,提出一种基于深度学习的短路故障辨识方法,对行波数据的时域信息进行特征识别,以波头和波尾为输入量,构建输电线路短路故障辨识模型。该方法为电力公司输电线路运维提供了理论依据。     

基于双向LSTM和注意力机制的输电线路故障判别方法

针对常规的输电线路故障判别方法准确率低、通用性差、依赖人工干预的问题,提出一种基于深度神经网络的故障判别方法。该方法采用实际行波波形和自动仿真生成的故障波形作为输入,使用小波变换滤噪,训练并构建双向长短期记忆与注意力机制结合的神经网络,利用该神经网络可以根据分布式故障诊断系统终端上送的行波数据辨识故障原因。将多种判别方法应用于由4 800个故障行波构成的测试集,以识别4种常见的输电线路故障,判别结果表明,所提方法的准确率相较常规判别方法提高了9.85%。将所提方法应用于分布式故障诊断系统,可以提升故障判别的准确率至96.79%,为巡检工作提供精确指导。     

基于GAF-CapsNet的电机轴承故障诊断方法

针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题，提出一种基于格拉姆角场（GAF）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。利用GAF对采集到的振动信号进行编码，可以很容易地进行角度透视，从而识别出不同时间间隔内的时间相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感，特征提取具有优势，同时考虑到VGG网络优秀的特征提取能力，在结合胶囊网络和VGG网络的基础上，加入深度小尺寸卷积层。将GAF编码的振动图像输入到改进的CapsNet网络进行训练，组成GAF-CapsNet模型对轴承故障进行诊断。该模型在凯斯西储大学轴承数据集上进行试验，结果表明，格拉姆角和场（GADF）编码方式相比格拉姆角差场（GASF）编码效果差，效果较好的GADF-CapsNet有99.27%准确率，较差的GASF-CapsNet也有98.83%准确率，相较其他编码方式和卷积神经网络，该模型性能表现普遍比其他模型具有更高准确率。     

基于多视图稀疏特征选择的架空输电线路故障原因判别

日渐增加的多源异构数据为输电线路故障原因判别带来了信息融合的机遇和挑战。为解决故障录波和多源关联信息的特征融合问题,引入多视图学习概念,提出了基于多视图稀疏特征选择的架空输电线路故障原因判别方法。根据故障录波和关联信息区分并提取双视图故障特征,随后基于稀疏表示提出了层次多视图特征选择算法（HMVFS）。该算法引入ε-dragging扩大分类类别的标签间距,并通过Frobenius范数和l2,1范数的正则化项分别从故障视图和故障特征的高低维度实现特征选择。最后采用某地区输电线路故障数据进行对比实验,结果验证了该方法在输电线路故障原因判别的有效性和优越性。     

基于多尺度行波功率的T接线路故障识别方法

为提高T接输电线路故障识别算法的精确性与可靠性,提出了一种基于多尺度行波有功功率和概率神经网络的T接输电线路故障识别方法.基于S变换分别计算区内3个行波保护单元多频率下的初始行波平均有功功率,并以此组成T接输电线路故障特征向量样本集.建立概率神经网络故障识别模型,并利用T接线路故障特征样本集对其进行训练和测试,从而识别...     

基于CNN-SVM的高压输电线路故障识别方法

高压输电线路故障识别对保证电网安全稳定运行具有重要意义。提出了一种基于CNN-SVM的高压输电线路故障分段识别方法。针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程。此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型。仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著。     

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法.该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度.基于735 kV...     

复杂输电网行波故障定位方法

为了解决故障发生在双回线路(或多回线路)或故障线路两端某个变电站行波定位装置时间记录失败时,可能出现的双端行波定位算法失灵的问题,论文提出了复杂输电网行波故障定位方法。该方法依次假设电网中每一条线路为故障线路,采用保留故障线路的Dijkstra算法得到经过故障线路的计算路径。若计算路径存在冗余,则根据网络定位算法直接得到故障定位结果;若计算路径不存在冗余,则对输电网络实施单端行波定位装置增配方案,确保网络中任一行波定位装置时间记录失败时故障定位的可靠性。其次,论文还提出了一种复杂测量网络简化方法,能够简化网络定位算法的计算过程,提高定位计算的速度。最后对株洲实际电网进行仿真验证分析,结果表明,该方法实现简单,定位可靠性高,工程实用性强,能够解决复杂输电网的故障定位问题。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断，依赖数字信号处理技术提取故障特征。为了改进前述方法，引入了图深度学习理论，提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据，利用多个图注意力层自动提取特征信息，从而建立了数据从输入端到输出端之间的映射关系，实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性，分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明，该方法故障诊断准确率达到9975%以上，与现有几种智能故障诊断算法对比其性能最优。同时，该方法在不同白噪声下依然保持较高的故障识别率，具有良好的鲁棒性和泛化能力，为电力输电线路诊断技术提供了一定的研究思路。     

A single ended directional fault section identifier and fault locator for double circuit transmission lines using combined wavelet and ANN approach

Fault section identification and determining its location are important aspects to reduce down/repair time, speed up restoration of power supply and to improve the reliability. In this paper combined wavelet and artificial neural network based directional protection scheme is proposed for double circuit transmission lines using single end data to identify the faulty section and its location with reach setting up to 99% of line length. The proposed method requires the three phase currents and voltage to be measured at one end of the double circuit transmission line modelled using distributed parameter line model which also considers the effect of shunt capacitance. Approximate coefficients feature vector of the three phase voltage and current are extracted using discrete wavelet transform to train the ANN with Levenberg Marquardt algorithm. The proposed scheme involves two stages. The first stage identifies the zone/section of the fault and the second stage calculates the fault location from the relaying point. The proposed combined Wavelet and ANN based fault location scheme is also compared with ANFIS based fault location scheme. The test results of the proposed scheme show that the fault section identification and location estimation is very accurate and the average percentage error in fault location estimation is within 0.001%. This method is adaptive to the variation of fault type (both forward and reverse), fault inception angle, fault location and fault resistance. The main advantage of the proposed scheme is that it offers primary protection to 99% of line length using single end data only and also backup protection to the adjacent forward and reverse line sections.     

Fault Classification and Section Identification of an Advanced Series-Compensated Transmission Line Using Support Vector Machine

Distance protection of flexible ac transmission lines, including the thyristor-controlled series compensator (TCSC), static synchronous compensator, and static var compensator has been a very challenging task. This paper presents a new approach for the protection of TCSC line using a support vector machine (SVM). The proposed method uses postfault current samples for half cycle (ten samples) from the inception of the fault and firing angle as inputs to the SVM. Three SVMs are trained to provide fault classification, ground detection, and section identification, respectively, for the line using TCSC. The SVMs are trained with polynomial kernel and Gaussian kernel with different parameter values to get the most optimized classifier. The proposed method converges very fast with fewer numbers of training samples compared to neural-network and neuro-fuzzy systems which indicates fastness and accuracy of the proposed method for protection of the transmission line with TCSC     

基于改进EEMD与GA-BP的谐振接地故障选线方法

针对谐振接地系统发生接地故障,存在暂态信号特征辨识度低,且单一特征作为选线判据易受故障条件影响等问题,提出一种基于改进EEMD与GA-BP神经网络的故障选线方法。首先使用边界局部特征尺度延拓法加集合经验模态分解和多尺度排列熵算法的混合算法（MEEMD）分解暂态电流信号,各项分解指标说明MEEMD能准确区分高频特征分量和基频分量并有效改进端点效应和抑制模态混淆。然后提取重构的高频分量能量、方向以及裕度因子等特征并将其用来训练、测试GA-BP神经网络。结果表明所提出的选线方法有较高的准确率且不受线路类型、接地电阻影响,有较强的鲁棒性和容错性。