考虑电网不平衡影响的配电网故障仿真分析

针对配电网因三相不平衡而导致的现有选线方法选线效果不理想的现状,分析了三相不平衡产生的原因,通过对对地电容不平衡、负荷不平衡以及电流互感器参数不对称引起的不平衡电流进行理论分析,论证系统三相不平衡下会产生零序电流,造成选线失败。为提取在电网不平衡下的单相故障特征信号,用MATLAB/Simulink软件搭建了三相不平衡谐振接地系统的配电网单相故障仿真模型,通过改变仿真模型的参数,模拟电网不平衡下电网单相接地故障。通过对不平衡配电网单相故障进行大量仿真实验,分析了现有选线方法在三相不平衡条件下选线效果,为研究电网不平衡条件下的单相故障选线方法提供理论依据。     

电网不平衡故障下电力电子变压器控制策略

针对电网不平衡故障下电力电子变压器(power electronic transformer,PET)高压级的相间均压问题和对电网电压的支撑问题,首先对负序电流注入法进行了研究,推导了需注入的负序电流幅值和相位,分析了有功电流和负序电流对电网公共连接点(point of common coupling,PCC)电压的影响,然后提出了一种新的适用于PET相间均压的零序电压注入法。仿真结果表明,电网故障时,PET仅传输有功功率,会降低PCC点正序电压,输出无功后可有效支撑电网电压。负序电流注入法和零序电压注入法均可实现高压级相间均压,但负序电流注入法需高压级具备更大的电流应力,且抬升了电网负序电压,而采用零序电压注入法时,高压级三相电流对称,对电网负序电压无影响。PET隔离级所有双有源桥(dual active bridge,DAB)传输功率均衡,低压级输出电压和功率恒定,不受电网故障的影响。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

级联型电池储能电网不平衡下控制及故障保护

级联型电池储能系统(BESS)基本的控制目标是充放电功率控制,调压、调频等高级控制策略均是在此基础上实现的.在级联型BESS中,每相N个电池模组分散接入H桥变换器的直流侧,电池容量能够得到充分利用的前提是各相内及相间电池组荷电状态(SOC)均衡.在电网电压出现不平衡或储能变流器(PCS)的模块出现故障时,仍需保证电池模...     

基于RetinaNet和类别平衡采样方法的销钉缺陷检测

传统的无人机巡检航拍图中的电力连接金具销钉缺陷检测依赖人工进行标注,针对此问题,借助深度学习缺陷检测算法RetinaNet自动提取正常、缺陷样本的特征,完成低层特征和顶层特征的融合,实现销钉缺陷的自动标注。考虑到现实情况中缺陷类别样本数量远少于正常类别样本数量,首先分析了缺陷数据不足引起的类别失衡对识别结果的影响,结果表明该情况下训练好的模型将会使得大量缺陷样本被错误地识别为正常类。于是,在数据层面采用类别平衡采样方法,确保每个类别参与训练的机会均衡,实验结果表明,所提的方法能够在维持销钉正常类的高识别率前提下,明显提高缺陷类别的平均准确率。     

一种电网调度中心的故障信息识别方法

故障信息的误发，误传及丢失是影响电网调度中心运行人员准确识别故障的重要因素，并可能导致事故的扩大。文中介绍了一种实现故障信息数据滤波的方法，该方法将SCADA系统采集的数据作为数据基，建立动态数据库，以时间为索引，运行方式状态为参照知识库，生成剔除了不良信息的，可用以进行故障识别的动态数据链，文中描述了该方法的理论依据和实现方法。     

考虑不平衡案例样本的电力变压器故障诊断方法

针对电力变压器各故障类别间案例数量不平衡导致的神经网络等传统机器学习诊断方法准确率较低,及各故障类型之间识别效果差距大的问题,基于层次分类和集成学习的思想,构造了一种多级层次变压器故障诊断模型。该方法根据每级类别样本的不平衡程度分级建立相应的分类器,逐级深入进行诊断。第1级分类器选取神经网络,提取正常、放电故障和过热故障3种广义特征标签,并与原始参量输入进行特征融合,以引导DL/T722—2014中采用的9种更细致的状态类型分类;第2级分类器采用EasyEnsemble集成学习方法,通过欠采样生成多个数据平衡的训练子集,充分平衡了多数类和少数类故障信息,再通过并行训练子分类器合成最终分类器,避免了欠采样丢失数据信息的问题。实验结果表明:与传统诊断方法相比,所提出的方法提升了少数类故障的泛化特性,使总体准确率提升了7%,具有更准确和更平衡的电力变压器故障诊断效果。     

考虑类别不平衡的海量负荷用电模式辨识方法

负荷分类对于负荷预测、电价决策、微网能量管理等具有重要意义。为了处理海量负荷数据,并缓解负荷类别不平衡对分类精度的影响,提出一种基于Hadoop并行计算的考虑类别不平衡的改进反向传播(back propagation,BP)神经网络海量负荷分类方法。首先,引入基于边界的数据合成算法处理类别不平衡负荷数据;其次,使用零均值化方法和批量归一化方法优化传统BP神经网络;最后,在Hadoop平台将该改进BP神经网络并行化,用于海量负荷分类。采用标准数据集和真实负荷数据进行分析测试,算例结果表明所提分类方法适用于海量负荷数据分类,并能较好解决类别不平衡问题。     

新型联合仿真在双馈风电机组电网不平衡故障下的应用研究

由于双馈电机的定子绕组与电网相互连接,双馈电机对电网的故障较为敏感。在电网所有故障类型中,不平衡故障发生的频率更高。文中建立了新型联合仿真方法,利用Ansoft Maxell,MATLAB/Simulink以及Ansoft Simplorer三个软件联合仿真搭建了1.5 MW双馈发电系统,这三部分的联合仿真,既可以考虑电机模型真实因素,也能完全实现模拟双馈发电系统。模拟了双馈电机在B型单相接地故障下的暂态过程,得出了在B型单相接地故障下双馈电机的定子磁链以及转子电压等电气量的变化过程。最后,联合仿真结果与理论分析一致,验证了该仿真方法的有效性。     

融合知识库和深度学习的电网监控告警事件智能识别

电网监控告警信息是监控人员进行监控事件识别的重要数据基础。针对当前人为处理海量监控告警信息效率低的现状和电网智能技术深化应用的需求,提出一种融合知识库和深度学习的电网监控告警事件自主识别方法。基于自然语言处理技术中的Word2vec模型对监控告警信息进行向量化建模,基于卷积神经网络建立监控告警事件识别模型,通过算例对比验证所建模型的有效性和实用性。提出融合知识库与所建模型的应用方法,实现电网监控告警事件的智能感知和可靠识别。     

考虑数据失衡的新型配电网两阶段拓扑辨识

在新型电力系统快速发展的背景下，配电网中各类分布式电源、储能、电动汽车、柔性负荷的接入占比不断增加，运行方式日趋复杂多变，其拓扑的精确辨识也更有难度。针对现有配电网量测数据采集周期较长、辨识方法对数据不平衡敏感而导致辨识精度不高的问题，提出了一种两阶段的新型配电网拓扑辨识方法。首先，采用两层堆叠的图卷积网络生成系列标签分类器，再用卷积神经网络提取量测时间序列的特征，并结合多标签分类学习实现第一阶段的初步辨识。其次，对初步辨识获得的初始拓扑中状态为“阴性”(开断)的支路进行全状态空间搜索，并通过潮流匹配模型，筛选出耗散值最小的状态样本，实现“假阴性”二次辨识。最后，在改进的IEEE33节点含新能源配电网络上进行仿真验证。结果表明，所提模型和方法能有效解决数据失衡的问题，并具有更高的辨识精度。     

对地区电网故障诊断系统中信息纠错的研究

针对SCADA系统中误发的保护信息,提出了一个建立信息纠错模型的构想。此模型利用故障信息、异常信息和状态量变化信息,进行三者之间的互相分析纠错过滤。为了建立此模型,提出了一种定时长收取SCADA信息与触发式记录SCADA相结合的信息记录方式,有效弥补了以往定时长记录SCADA信息的不足,使得获取状态量变化信息成为可能。信息纠错模型与地区电网故障诊断系统相配合,在一定程度上弥补了故障诊断系统无法识别误发、丢失信息的不足。     

基于深度置信网络的电网故障类型辨识

高效可靠的电网故障分类有利于指导调控人员快速排查和消除故障、恢复系统供电,对保障系统安全可靠运行具有重要意义。为了克服浅层智能方法对信号处理技术和人工经验的依赖以及对复杂电力系统特征提取和表达的不足,文中基于故障录波信息,提出一种基于深度置信网络的电网故障类型辨识方法。直接以故障发生后的各相电流/电压以及零序电流/电压作为网络输入,从原始时域信号中自动学习和提取故障状态特征,从而实现故障类型的辨识。IEEE 39节点仿真系统案例和电网实际故障案例均表明该方法具有良好的故障特征提取能力,在数据降维过程中能保持数据原本的特征,且辨识结果不受过渡电阻、故障时刻、故障位置、负荷大小等因素的影响,与传统人工神经网络模型相比其识别准确率更高。     

基于ARIMA的矿山电网故障暂态行波波头辨识及故障测距

由于矿山电网含有大量的整流设备及非线性负载,运行时含有稳定的高次谐波分量和高频噪声,同时矿山电网多为短距离线路,故障后产生的暂态信号与原有高次谐波混叠严重,给行波故障测距带来了极大的困难。通过分析矿山电网故障行波的时域特征,提出基于整合移动平均自回归模型(ARIMA)对行波波头到达前的高频周期信号进行预测,并结合波头到达时刻的真实波形得到波形残差,同时对残差进行平稳性校验,通过行波波头到达时刻前后残差平稳性的不同确定准确的波头到达时刻,进而实现行波故障测距。利用低压电缆网络仿真实现矿山电网故障,仿真结果表明:与小波变换与经验模态分解相比,所提方法能够准确辨识行波波头,且不易受故障状况和噪声的影响,能有效提升行波可行性及精度,尤其适用于含有整流设备及非线性负载矿山电网故障测距。     

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。     

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

一种基于PSO-GWO的电网故障诊断方法

针对基本优化算法在电网发生复杂故障时求解的准确度不高、易陷入局部最优等问题,提出了一种粒子群混合灰狼算法(Hybrid Algorithm of Particle Swarm Optimization and Grey Wolf Optimization,PSO-GWO)优化电网解析模型的诊断方法.引入了一种计及误动、...     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,...     

直流电网输电线路短路故障的单端化近似解析计算方法

基于模块化多电平换流器的柔性直流输电技术(MMC-HVDC)是消纳可再生清洁能源,构建直流电网的核心技术。输电线路短路故障是直流电网常见故障,其故障电流水平影响着直流电网关键设备的参数设计。以张北直流电网为对象,通过网络开环、健全极开路、接地支路独立化和戴维南等效等方法,逐步解耦降阶,建立了去耦合的单端口简化模型。提出了直流电网短路故障的单端化近似解析计算方法。所提计算方法在PSCAD/EMTDC仿真平台上得到了验证,对故障电流影响因素分析和故障电流水平抑制具有参考意义。     

故障时双馈风力发电系统的控制策略研究

基于变速恒频双馈风力发电系统的有功、无功的解耦控制,提出了电网故障时双馈电机的紧急控制策略,在Mtalab/Simulink里建立了模型,并验证了故障控制策略的正确性。在常规情况下,双馈电机转子侧的有功采用最大功率点跟踪控制,无功采用额定功率因数控制,可以获得最大的风能利用效率和较好的功率因数;但若电网故障时仍采用此常规控制策略,电网不但获取不到最大的风能利用效率和较好的功率因数,而且电网的频率和电压波动影响较大。所以在故障期间把最大功率点追踪控制和额定功率因数控制切换到频率控制和电压控制策略,通过控制有功电流分量和无功电流分量来减小或者增加有功和无功的输出,减小电网频率和电压的波动。建立了故障控制的模型,针对系统单相接地故障和两相短路故障这两种短路故障类型进行了仿真,仿真结果验证了故障控制策略的正确性,提高了风力发电系统在故障时的稳定性。