基于遥信数据故障编码技术及DHNN校正的电网故障诊断方法

提出采用故障编码技术形成故障空间最优编码集,然后通过模板匹配的方式进行电网故障诊断的方法。针对由于缺少前端故障遥信数据处理的清洗算法,造成故障诊断算法诊断正确率不高的问题,提出了建立离散Hopfield神经网络模型用于故障遥信数据的前端数据清洗的算法。利用故障遥信数据之间的相关性对遥信变位数据进行分组,并对各组数据分别采用所提出的算法进行数据清洗,利用穷举输入状态数据的方法求取了算法的修正域,从而建立了DHNN清洗模型。最终形成具有纠错能力的电网故障智能诊断方法,实现在故障诊断空间内对故障元件的诊断。通过实际电网的故障遥信数据的测试,验证了DHNN神经网络信息纠正模型和故障诊断模型对电网故障元件诊断的有效性。     

基于多源数据及多维故障诊断空间的快速智能电网故障诊断方案

针对目前的电网故障诊断算法难以兼顾实时性和全面性,导致其无法满足调度实用化需求的问题,提出一种利用多源数据进行故障诊断的快速智能诊断方案。首先通过故障编码技术将遥信数据映射到故障诊断空间,形成故障编码集;然后针对仅用开关量数据的缺陷,提出利用广域量测系统（WAMS）中的电气量信息对故障编码进行修正和补充。接着将带标签的故障编码输入概率神经网络（PNN）进行训练,构造PNN分类模型。最后通过构造故障分析模块对保护和断路器误动、拒动情况进行分析,形成综合智能诊断模型。算例分析表明,该方法正确可行,可满足调度实用化要求。     

基于最优编码集及智能状态估计的电网故障诊断方法

当电网发生故障时,大量的遥信告警和变位信息上传到调度端,使得调度人员很难在短时间内对故障设备及故障类型做出准确的判断.因此提出了利用分组遥信数据识别故障类型,利用人工智能方法纠正差错遥信的电网故障诊断方法.对于此,将各种设备的标准遥信数据映射到故障诊断空间中,求取最优编码集,把故障遥信的故障空间编码值和故障空间最优编码...     

基于数据校核与图卷积神经网络的高容错配电网故障诊断方法

目前运用配电网中的多源故障遥信数据对配电网故障进行诊断的技术逐渐火热,但由于信息的误报、漏报使得诊断结果往往不尽如人意。针对配电网多源故障信息不健全的问题,本文提出了一种将数据校核操作与图卷积神经网络相结合的高容错性配电网故障诊断方法,旨在利用不健全故障信息对配电网进行故障诊断。首先,将多源故障遥信数据作归一化处理后再进行数据校核,从源头改善数据的不健全性;接着,根据配电网图模将多源故障数据转化为故障图数据;最后,将故障图数据送入图卷积神经网络进行学习训练,训练完毕的模型在部署后可实现对配电网的故障诊断。在Python 3.7平台进行实验,通过算例分析证明本文所提方法可有效提高配电网故障诊断的容错性。     

改进聚类分析在电网故障定位中的应用

传统故障定位方法利用开关变位和继电保护动作等遥信量,很难满足时间的要求,而使用故障发生时第一时间发生变化的电网各节点电压、电流等遥测量进行定位的传统聚类分析,虽具有一定的时间优势,但仍需加以改进使故障定位更加快速、准确。对此,首先介绍了广域测量系统（wide area measurement system, WAMS）及聚类分析理论,利用 WAMS采集的遥测量,改变了聚类分析的输入样本,通过加入了故障类型判别过程的聚类分析理论,对电网中各种短路故障进行定位研究。算例分析表明,改进的聚类分析算法,可以更加快速、准确地实现故障元件定位。     

一种用于电网故障诊断的遥信信息解析方法

电网在线故障诊断基于调度自动化平台的遥信信息构建模型,建模过程复杂,维护工作繁重,是制约故障诊断系统在线应用的重要问题。结合调度自动化系统获得遥信信息的特点,提出一种采用语义分析技术的电网遥信信息解析方法。通过字符分解自动提取遥信信息中诊断模型所需基本逻辑变量;基于结线分析建立电气设备与断路器的关联,以及遥信信息间的关联关系,并将其一一对应到解析系;在此基础上,根据保护跳闸原则与保护类型和属性完成模型的解析规则中,实现遥信信息到诊断模型的自动映射,简化了建模工作。最后用某地区电网实际发生的故障案例验证了所提出方法在电网故障诊断方面的有效性和实用性。     

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。     

基于BP网络算法优化粗糙-Petri网的电网故障诊断

为了使电网故障诊断的过程更简洁、快速和直观,提出了一种基于BP网络算法优化粗糙-Petri网的电网故障诊断方法。首先用粗糙集理论对电网的故障征兆数据进行处理,从冗余的故障信息中约简出最小决策表;然后基于得到的最小决策表提取诊断规则并建立最优的 Petri 网模型,利用 Petri 网处理并行推理的能力来实现高效的电网故障诊断。其中引入神经网络中的BP算法对电网故障诊断Petri 网模型的权值参数进行网络优化训练。电网实例分析结果表明该模型能准确找到故障区域,具有较好的快速性、自适应性和一定的容错性。     

基于Tabu-Roughset的电网故障诊断系统研究

如何有效利用电网调度中心的大量数据进行电网故障诊断是一个重要课题。提出一种基于Tabu-RoughSet的电网故障诊断系统,包含数据采集、电网故障诊断、基于Web的电网故障诊断结果表示三个模块。在电网故障诊断模块里,利用Roughset理论对接收到的故障信息建立决策表并构成可辨识矩阵,利用Tabu搜索对可辨识矩阵寻找最优解,迅速准确地给出电网故障诊断结果。基于Web的诊断表示模块能够根据用户提出的查询请求采用可视化技术将诊断结果以基于网络的Web方式显示。实验结果表明,该系统能快速寻找最优解,较好地实现对电网故障的诊断。     

基于CSBP的滚动轴承故障智能诊断方法

针对滚动轴承故障诊断问题,结合重采样方法和CSBP神经网络进行滚动轴承的故障诊断研究。首先利用输入轴转速对轴承的振动加速度信号进行重采样,选择振动加速度信号的均方根值、峭度与样本熵作为CSBP神经网络训练输入参量,应用标签数据进行训练得到优化训练模型。然后对正常状态、轴承内圈故障滚动体故障实验数据进行了计算,并对结果进行了集中趋势分析和转速影响分析。结果表明,检测数据分析结果显示利用该方法判断轴承故障类型和故障程度可达到94%,可提高滚动轴承故障诊断中在不同转速条件下的适用性和智能性;同时利用集中趋势分析可实现对模型诊断结果进行评价,进而提高模型的可靠性。研究可以为高速列车及其他设备使用的滚动轴承诊断提供分析方法和技术参考。     

基于多源信息时间序列匹配的电网故障诊断方法

随着调度中心自动化水平的不断提高,包括数据采集与监控系统(supervisory control and data acquisition,SCADA)、广域测量系统(w ide-area measurement system,WAM S)、继电保护信息系统(relay protection information system,RPIS)等在内的多数据源系统的量测信息汇集到调度中心的统一数据库中。为了充分挖掘多源信息在调度运行中的应用场景,将多源信息应用于电网故障诊断中,提出了一种基于多源信息时间序列匹配的电网故障诊断方法。首先,介绍了多源信息数据库的组成、电网时间序列的结构以及针对不同数据源系统的生成规则。其次,利用事件顺序(sequence of event,SOE)记录、信息保护动作信息和相量测量单元(phasor measurement unit,PMU)电气量信息在故障发生时划分可疑故障区域,生成未知故障的电网时间序列,并与根据可疑故障区域内的可疑元件的保护配置信息生成的基准时间序列集合进行匹配,识别出故障元件、故障类型、故障时间、故障演进过程等详细故障信息。最后,采用实际算例验证了所提方法的可行性和有效性。     

基于多源信息融合的电网故障诊断方法研究

考虑到电力系统自动化水平及通信、广域测量技术的发展,提出了一种综合SCADA开关量、故障录波器电气量及WAMS系统电气量的多源信息融合电网故障诊断方法。该方法将蕴含故障信息的电气量分析与开关量诊断相结合,对电网故障采集的电气量通过小波能量分析提取故障特征,采用蕴含时序贝叶斯网络对保护、断路器开关量进行故障推理,定义了能量畸变故障度、能量故障度、改进RBF神经网络故障度及时序贝叶斯故障度衡量线路故障程度,并作为证据体采用改进D-S证据理论进行信息融合,进而通过模糊C-均值聚类方法给出故障诊断决策。PSCAD     

基于广域测量系统的电网故障在线智能化诊断与分析方法

现有电网故障实时诊断与分析中存在2个主要问题：一是数据源的问题,即保护和开关动作信息上传不及时、时标不一致和信息缺失;二是误动拒动分析中存在2个重要盲点。同时为实现智能输电网的自愈性特征,又必须实现对电网故障的实时准确诊断和精确分析。针对上述问题,提出基于广域量测系统(wide area measurement system,WAMS)的电网故障快速诊断与分析的解决方案。同时还设计以多智能体技术为基础的面向数据服务的体系结构,并详细分析各智能体的主要结构和实现方法。最后,通过实际扰动试验的测试结果表明,该方法具有故障诊断速度快、故障诊断与分析结果准确等特点,尤其在误动拒动问题上可达到实时精确地分析,如在智能输电网中应用可有效降低大停电事故发生的概率。     

基于SCADA和WAMS的电网仿真运行方式

电网仿真初始运行方式是影响计算结果的主要因素之一。由于SCADA覆盖了电网主要运行设备,因此可以将SCADA数据作为建立电网仿真计算运行方式的主要数据源。然而,仅仅依赖SCADA数据建立的初始运行方式与实际系统相比可能存在较大偏差。随着广域实时动态监测系统(WAMS)逐步在电网中的广泛应用,由其采集的电网实时动态数据也成为建立仿真初始运行方式的主要数据源之一。作者提出了一种利用SCADA数据和WAMS数据建立电网仿真计算运行方式的方法。该方法计及了SCADA和WAMS的特点,确定了SCADA、WAMS与仿真计算数据库间的数据流,具有明确校核调整机制。利用该方法所建立的运行方式可以经受SCADA、WAMS实测数据的反复校核。     

基于粗糙集的改进约简算法和决策树的电网故障诊断模型

采用基于粗糙集的决策树方法建立电网故障诊断模型,可以方便地处理含有非数值特征的、不精确的故障样本,且当丢失或出错的故障信息不是关键信号时,不会影响诊断结果,具有较强的容错能力和适应性。该文基于粗糙集理论,首先利用可辨识矩阵的改进算法对由断路器和保护为条件属性、考虑各种故障情况所组成的诊断决策表进行简化;然后采用加权平均粗糙度的概念,作为选择分离属性的标准,构造电网故障决策树,从而实现对电网的故障诊断。通过实例表明,该方法能有效地约简知识,具有很强的容错能力,能准确地判断电网故障以及对其进行定位。与规则表示相比,决策树直观、易于理解、维护和修改。     

混合量测系统中利用潮流信息的电网故障诊断

为了充分利用广域量测系统(WAMS)的量测信息,提出了一种在混合量测系统中利用潮流信息的故障诊断方法。首先指出了根据WAMS量测量实现故障唯一辨识的数学条件,为PMU配置提供了依据。该方法在运行中准实时地生成预想故障,根据WAMS系统的实时量测获取可观测区域的潮流信息,将其与预想故障进行匹配,进而识别故障。该方法充分利用了PMU与SCADA的量测信息,兼顾了两种量测的特点,可实现对电网故障的在线诊断。仿真表明,该方法准确性高,在PMU配置较少的情况下,也能实现对电网故障的在线诊断。     

基于集成学习的高压直流输电系统故障诊断

以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current, HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。