Power Distribution Outage Cause Identification With Imbalanced Data Using Artificial Immune Recognition System (AIRS) Algorithm

Power distribution systems have been significantly affected by many fault causing events. Effective outage cause identification can help expedite the restoration procedure and improve the system reliability. However, the data imbalance issue in many real-world data often degrades the outage cause identification performance. In this paper, artificial immune recognition system (AIRS), an immune-inspired algorithm for supervised classification task is applied to the Duke Energy outage data for outage cause identification using three major causes (tree, animal, and lightning) as prototypes. The performance of AIRS on these real-world imbalanced data is compared with an artificial neural network (ANN). The results show that AIRS can greatly improve the performance by as much as 163% when the data are imbalanced and achieve comparable performance with ANN for relatively balanced data     

A classification approach for power distribution systems fault cause identification

Power distribution systems play an important role in modern society. When distribution system outages occur, fast and proper restorations are crucial to improve the quality of services and customer satisfaction. Proper usages of outage root cause identification tools are often essential for effective outage restorations. This paper reports on the investigation and results of two popular classification methods: logistic regression (LR) and artificial neural network (ANN) applied on power distribution fault cause identification. LR is seldom used in power distribution fault diagnosis, while ANN has been extensively used in power system reliability researches. This paper discusses the practical application problems, including data insufficiency, imbalanced data constitution, and threshold setting that are often faced in power distribution fault cause identification problems. Two major distribution fault types, tree and animal contact, are used to illustrate the characteristics and effectiveness of the investigated techniques.     

基于格拉姆角场与ResNet的输电线路故障辨识方法

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于类不平衡问题的故障分类器。然后,利用格拉姆角场变换将采集得到的故障电压、电流时序信号转化为格拉姆角场图像,放大故障特征差异,作为故障分类器的输入。进一步,将生成的图像集输入搭建好的故障分类器进行网络训练和测试,输出输电线路故障类型和故障原因。最后,完全采用真实故障录波数据开展了算例分析。结果表明：所提方法对故障类型的辨识准确率达到了97.51%,对故障原因的辨识准确率达到了94.23%。并且将训练的故障辨识网络迁移至其他地区时,仍然具有较好的故障辨识效果和泛化性能。所提方法为基于暂态波形数据驱动的故障辨识提供了新方法,可以用于实际电网的输电线路故障辨识。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

电能表故障预测的代价敏感模型研究

对电能表故障的准确预测是及时处理异常电能表,实现拆回电能表的自动分拣与质量评估的关键环节。为解决电能表故障预测这一高度不平衡的分类问题,文章提出一种代价敏感的多分类集成树模型。通过层次聚类等预处理技术,对数据特征维度进行压缩以抑制过拟合;通过优化基于类别先验概率设计的代价敏感目标函数,模型可以有效克服由于数据集不平衡导致的偏差。在真实数据集的测试表明,模型对电能表故障预测的精度达到较高水平。     

基于字词融合的高铁道岔多级故障诊断组合模型

为有效提升高速铁路道岔维护效率和故障定位准确率,面向其故障文本数据,提出了一种基于字词融合的高速铁路道岔多级故障诊断组合模型。首先,建立高速铁路道岔专业词库,将文本表示为字向量与词向量并进行深度融合。其次,考虑到故障文本存在类别不均衡问题,采用Borderline-SMOTE算法对不均衡文本数据进行处理,优化故障文本数据分布。接着使用BiLSTM(Bi-directional long short-term memory)-CNN(convolutional neural network)的组合神经网络提取故障文本深度特征,最后通过分类器实现智能故障诊断。采用我国高速铁路道岔故障文本数据进行模型性能验证,结果显示所提模型的一级故障诊断准确率达到95.62%,二级故障诊断准确率达到93.81%,证明多级故障诊断精度可达到理想效果。     

采用实测数据和主成分分析的直流输电线路故障识别方法

由平波电抗器和直流滤波器构成的直流输电线路两端实体电气边界具有高频阻塞作用,使得线路外部故障下,其故障电压起始变化平缓、幅值小;在线路内部故障下,其故障电压起始变化陡峭、幅值大、长时窗时域波形有振荡。利用主成分分析(PCA)方法提取线路内部、外部故障下的极线电压曲线簇样本数据蕴含的此种时域特征信息,并将其投影到主元空间,形成由cPC1和cPC2坐标构成的PCA空间(元件),其线路内、外部故障呈现为具有显著区别的两个不同聚类点簇团,借此可实现直流线路内部故障和外部故障的表征和甄别。故障发生后,利用故障数据于PCA故障识别元件的投影点与PCA识别元件本身多个聚类中心之间的欧氏距离来自适应地判别线路内、外部故障。经大量实测数据试验表明,该方法改善现行以du/dt为核心的直流线路行波保护的性能,若将直流系统历史故障数据复用来增加PCA的聚类点簇,则可继续完善PCA故障识别元件。     

基于小波去噪与随机森林的配电网高阻接地故障 半监督识别方法

针对配电网高阻接地故障识别易受噪声干扰、无标签数据难以利用的难题,提出一种基于小波去噪与随机森林的高阻接地故障半监督识别方法。区别于监督式学习方法仅利用标签数据,基于协同训练方法能够充分利用有标签数据与无标签数据。首先,使用小波阈值去噪算法消除零序电流中的噪声。其次,采用波峰波谷故障启动算法判断线路是否发生故障或扰动事件。运用小波变换提取零序电流的小波系数作为故障特征。最后,基于小波系数故障特征构建两个随机森林作为半监督分类器进行协同训练,从而实现高阻接地故障的检测识别。仿真结果表明,所提配电网高阻接地故障半监督识别方法可以充分挖掘配电网既有的故障案例中无标注数据蕴含的关键特征,从而提高故障分类准确率,具有较强的准确性和灵敏性。     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点。在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性。此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度。传统的电机故障诊断过程中多是基于单一传感器信号,存在不确定性大、诊断精度差等问题,为克服上述缺点,提出一种基于多传感器参数融合的电机故障诊断方法,基于振动加速度计和电流传感器信号,结合BP神经网络算法和D-S证据理论对电机故障进行准确辨识,提高电机故障诊断的准确性。简要介绍了多传感器数据融合技术的结构框架,在分析异步电机典型故障机理的基础上,对基于BP神经网络学习算法和D-S证据理论的多传感器数据融合电机故障诊断系统进行详细分析,并通过实例对所提出故障诊断方法的有效性进行验证。研究结果表明,采用所提出的多数据融合电机故障诊断方法可以高置信度地诊断出电机的故障类型。     

双凸极电机全桥变换器单相开路故障容错方案

电机驱动系统中变换器是最薄弱、故障出现率最高的环节,故障后电机运行在非平衡状态,长时间工作将导致电机损坏,使整个系统丧失工作能力。因此对驱动系统变换器故障的检测、诊断是提高系统可靠性,实现容错运行的关键。该文对电励磁双凸极电机驱动系统的全桥变换器单相故障进行了分析,对各种故障状态进行了分类;通过将故障桥臂切除,重构系统变换器,使驱动系统能够故障后容错运行,并能够维持系统的输出特性。实验验证了该容错方案能够实现驱动系统从故障状态到容错运行的平滑、可靠切换,有效提高了系统的可靠性。     

基于遗传算法的汽轮机数字电液调节系统的参数辨识研究

调节系统性能的退化和故障的发生，首先表现在系统各个组成环节的参数的变化上，因此通过参数辨识可以这现汽轮机调筇系统的性能预测，状态监测和故障诊断，文中在简要介绍遗传算法的基础上将其应用于汽轮机数字电液调节系统的参数辨识，给出了参数辨识的基本原理和数据处理方法，辨识结果表明，这种辨识算法具有计算速度快，精度高，程序通用性强等优点，通过合理选择误差函数，相对误差可以控制在1％以上，为汽轮机调节系统的参数辨识提供了一种有效的新方法，具有重要的工程使用价值。     

基于小波和深度学习的配电网单相接地故障辨识

随着配电网规模的不断扩大,发生单相接地故障后产生的危害也愈加严重,为避免故障进一步升级,必须迅速采取措施切除故障。配电网故障辨识有利于快速查明故障原因,进而采取相应措施切除故障。同时,故障辨识也是故障选线的前提。针对上述情况,文中介绍了一种利用小波分析提取故障特征量并用深度神经网络进行故障辨识的方法。结果表明,该方法可对小电流接地系统各类单相接地故障进行辨识且辨识准确率高,而且辨识精度受噪声污染影响比传统人工神经网络小。     

小电流接地故障多层次分类及其识别模型

小电流接地系统的单相接地故障类型识别对提升配网运行的安全性和可靠性具有重要意义。首先,根据故障的稳态和暂态特征,对单相接地故障进行了多层次递进式分类和定义;其次,提取不同类型故障的电气量特征,建立小电流接地故障类型识别模型;最后,以现场的录波数据对文中提出的故障类型识别模型进行验证。验证结果表明,所提方法能够有效地识别接地故障类型,有利于提高小电流接地故障处理的针对性。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

Sequence-To-Sequence Learning for Online Imputation of Sensory Data

Online sensing can provide useful information in monitoring applications, for example, machine health monitoring, structural condition monitoring, environmental monitoring, and many more. Missing data is generally a significant issue in the sensory data that is collected online by sensing systems, which may affect the goals of monitoring programs. In this paper, a sequence-to-sequence learning model based on a recurrent neural network (RNN) architecture is presented. In the proposed method, multivariate time series of the monitored parameters is embedded into the neural network through layer-by-layer encoders where the hidden features of the inputs are adaptively extracted. Afterwards, predictions of the missing data are generated by network decoders, which are one-step-ahead predictive data sequences of the monitored parameters. The prediction performance of the proposed model is validated based on a real-world sensory dataset. The experimental results demonstrate the performance of the proposed RNN-encoder-decoder model with its capability in sequence-to-sequence learning for online imputation of sensory data.     

基于深度置信网络的柔性直流配电网高灵敏故障辨识策略

针对柔性直流配电网现有保护手段应对高阻接地故障灵敏性较差的问题,提出一种基于深度置信网络(DBN)的柔性直流配电网高灵敏故障辨识策略.该策略利用DBN的特征提取能力对正负极暂态电压时域波形数据进行特征提取,以进行故障辨识.利用仿真采集样本数据对DBN进行训练,获取模型最优参数,形成适用于直流配电网故障辨识的DBN模型.基于PSCAD/EMTDC仿真平台对模型性能进行测试.测试结果表明,所提辨识策略对于高阻接地故障具有较好的灵敏性,并且具有较强的泛化能力.     

基于数据不平衡下的高速列车小幅蛇行预测方法

高速列车行驶中所产生的蛇行运动会严重影响到列车的行驶安全,所以对蛇行运动进行预测可以做到提前预警。目前对于蛇行运动的研究主要为对蛇行失稳的预测,但列车运行过程中会出现正常到蛇行失稳的小幅蛇行中间状态,对小幅蛇行状态进行预测可以提前对蛇行失稳进行预警。为此,以高速列车转向架横向加速度信号为标准,针对高速列车蛇行运动数据的极端不平衡情形,提出了一种基于1D-CNN和CGAN的非平衡数据的预测方法。该方法首先利用CGAN的对抗性学习机制,通过生成器和鉴别器之间的博弈来优化更新参数。然后,将训练完备的CGAN模型用于生成样本,将增强后的数据送入1D-CNN分类器,并输出预测结果。在高速列车实际运行数据上进行实验,结果表明CGAN可以拟合高速列车蛇行故障运动的数据分布并增强数据集,且基于提出的方法预测精度为97.5%,大幅优于对比方法。因此基于CGAN-1DCNN的小幅蛇行预测方法可以在数据不平衡下对小幅蛇行的预测,实现对蛇行失稳的提前预警。     

基于改进的两支路ResNet的配电网接地故障辨识和选线

配电网故障类型与故障馈线准确、快速辨识有助于提高配电网供电可靠性。文中鉴于故障辨识与选线的故障信息利用率低,且分类器挖掘故障深层次特征能力不足。提出了以多标签多分类的思路,搭建两支路改进的ResNet并列训练进而同时实现配电网接地故障辨识和选线。首先,引入小波分析对各类电气量进行分解并构造时频矩阵,以分频带分时间段提取时频矩阵的初级特征矩阵,作为网络输入量。其次,改进一种适用于故障类型与故障馈线准确、快速辨识的多分支残差单元结构,以此单元结构首尾相连并构建两支路ResNet同时实现配网故障辨识与选线。仿真实验结果分析,相较于MLP网络、原ResNet,以改进的ResNet完成配电网故障辨识与选线,指标评估结果更优,并能验证所提方法具有更强的适应性和容错性。     

基于IPSO算法优化小波神经网络的转辙机故障诊断

转辙机是铁路上实现道岔转换的重要的设备，其运营、维护工作耗费时间长、故障识别精度不高且存在误判、漏判等问题。针对上述问题，本文基于人工智能、深度学习等新型技术，提出一种新的S700K型转辙机故障识别方法。相较于较传统的Harr或Mexicanhat小波分解，本文首先将微机监测系统采样的转辙机动作功率曲线数据用一种具有紧支撑的正交小波Daubechies波分解与重构，提取8种常见类型故障的特征向量，归一化后作为改进后小波神经网络的输入量；然后采用分类学习粒子群算法优化网络内部的各项权值、阈值等参数，构建IPSO-WNN故障识别模型；最后选取车站监测机数据库中的动作功率曲线对故障识别模型进行网络训练和测试。本文提出的算法对8种常见的转辙机故障识别准确率超过95%,用时仅21 s左右，可以有效地运用于S700K型转辙机的故障识别并提高其精度与速度，为实现转辙机故障识别的预测提供理论支撑。