基于并联卷积神经网络的多端直流输电线路故障诊断

针对多端直流输电(MTDC)线路故障时存在故障电流上升速度快、峰值大、不易定位等特点,提出一种兼顾快速性与准确性的MTDC线路故障诊断方法。首先,分析MTDC线路故障信号波形的幅值特征和频率特征,研究基于信号波形幅值变化的故障幅值特征提取方法和基于小波包分析的故障频率特征提取方法,进而形成基于幅值-频率特征的MTDC线路故障诊断方法。其次,构建具有故障分类支路和故障定位支路的双支路结构卷积神经网络——并联卷积神经网络(PCNN),提出基于迁移学习的P-CNN训练方法。最后,仿真验证基于P-CNN的MTDC线路故障诊断方法满足故障诊断的快速性要求,且其并联结构相比于其他人工智能故障诊断方法更具有准确性和可拓展性。     

一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法

随着光伏发电装机容量的不断上升,如何及时检测并解决光伏组件故障和异常,减少组件能量损失,提高光伏系统的发电效率成为一项重要任务.本文通过研究光伏阵列处于不同故障状态下的I-V曲线之间的特征差异性,直接以I-V曲线作为故障诊断的输入量,提出一种融合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏系统故障辨识方法....     

混合三端直流输电系统受端交流故障穿越协调控制策略

以乌东德电站送电广东广西特高压多端柔性直流示范工程为研究对象,考虑混合三端柔性直流输电系统因受端不同位置交流故障所致的直流过电压,提出相应的故障穿越协调控制策略。在受端主站发生网侧交流瞬时故障的情形下,通过设计混合型模块化多电平电压源换流器全桥子模块自适应负投入策略,实现了利用子模块电容短时过电压储能的能力来快速补偿站间直流电压的上升;短暂时延后,送端电网换相换流器通过定量调整电流指令值策略来减小子模块的不平衡充电功率。在受端主站发生阀侧交流故障的情形下,优先利用输电健全极的功率转代裕度来消纳故障极的部分不平衡功率;同时,故障极从站跟随主站半压运行,相应的高低压阀组切换至定电流及定电压模式,最终实现抑制站间过电流及减小盈余功率。仿真结果表明,2种故障条件下,所提的协调控制策略均可较快实现故障期间的功率平衡,有效抑制仅配备稳态基本协调控制策略下系统所出现的直流过电压现象,同时也基本维持了送端的总体有功传输容量。     

含直流馈入的弱受端电网暂态电压稳定预防控制

远距离跨区直流输电(HVDC)的大规模应用给电力系统安全稳定运行带来了新的挑战.针对HVDC馈入后弱受端交流电网面临的暂态电压稳定问题,提出一种暂态电压稳定预防控制方法.建立以改善弱受端电网暂态电压恢复指标为目标函数,以火电机组有功出力、机端电压、直流输送功率为控制变量的暂态电压稳定预防控制优化模型.基于改进差分进化算...     

基于1D-CNN-LSTM混合神经网络模型的双桥并联励磁功率单元故障诊断

针对双桥并联励磁功率单元的晶闸管开路故障,提出一种基于一维卷积神经网络(1D-convolutional neural networks,1D-CNN)和长短期记忆网络(long short-term memory,LSTM)混合模型的故障诊断方法.将1号整流桥共阴极侧、共阳极侧电流和AB相线电压构造时序特征向量作为输...     

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。     

特高压并联型三端混合直流输电系统功率转带策略

特高压并联型三端混合直流输电系统作为多端直流输电的一种重要形式,相较于常规特高压两端直流输电系统,其在故障后的功率转带更为灵活和复杂。文中基于中国乌东德多端直流工程,提出了一种适用于特高压并联型三端混合直流输电系统的功率转带策略。基于闭锁前三站各极的功率水平、最小和最大输送功率能力以及所处的控制模式,计算并重新设置各站各极的功率、电流参考值,实现故障极功率的极间转带和站间转带,以减少功率损失,同时兼顾最小化非故障逆变站的接地极电流。通过实时数字仿真,验证了所提策略的有效性。     

基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

直流参与受端弱交流系统黑启动的技术条件

针对江苏电网现状,考虑利用宜兴抽水蓄能水电站作为黑启动电源,启动龙政直流参与初期黑启动可加快电网恢复速度。通过对直流参与黑启动时的控制模式、启动方式、解锁方式及顺序控制的研究,确定了黑启动时直流自身的技术要求。同时针对直流以最小功率启动的情况,研究了黑启动时的交流系统强度要求、励磁涌流抑制和无功协调配合。利用PSCAD电磁暂态模型进行仿真,结果验证了理论分析的正确性。     

大容量直流输电系统的受端接入模式比较

首先分析了大容量直流输电(large-capacity high voltage direct current,large-capacity HVDC)系统常规接入模式(general connection mode,GCM)、分极接入模式(separate poles mode,SPM)和分层接入模式(hierarchical connection mode,HCM)的结构特点,对比了3种接入模式对系统中其他直流系统多馈入短路比(multi-feed short-circuit ratio,M ISCR)的影响,并得到落点选择的约束条件,使受端交流系统对直流系统的电压支撑能力整体提升,较好地平衡了限制短路电流与增加多馈入短路比间的矛盾。之后,提出了基于最大功率曲线法的静态稳定接纳系数指标用于判断受端电网接纳直流功率的能力。最后,结合南方电网2020年的规划数据,从多个方面对比分析了3种接入模式的优缺点,为直流系统接入模式的规划提供决策参考和技术支撑。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于MCS和AlexNet的水润滑推力轴承故障检测

水润滑推力轴承作为潜水电机的重要组成部件常由于工作环境恶劣、过载和冷热交替,轴承结构磨损而进入异物。针对在潜水电机内拆装加速度传感器困难,水阻尼污染振动信号采集等问题,提出故障状态下潜水电机的数学模型,对仿真得到电流信号进行时移降噪,升维预处理,基于AlexNet模型训练不同状态下电机电流信号（MCS）。经验证,模型能以较高的准确率快速识别故障信号,具有较强的鲁棒性,满足故障诊断预见性和实时性要求。     

弱受端系统直流再启动方案

直流再启动可有效提高直流系统的运行可靠性,但也可能给受端系统带来频率和电压冲击。文中对弱受端系统直流再启动方案进行了研究。首先,介绍了直流再启动过程的动作序列,分析了直流再启动对弱受端系统第二、三道防线的影响,指出直流再启动与低频减载配合不好可能导致受端系统连锁故障;其次,提出了直流再启动与弱受端系统第二、三道防线的协调配合原则,并给出了直流再启动方案的评估方法及流程;然后,研究了直流单双极运行方式下的再启动候选方案,并给出系统运行方式配合建议。最后,以某弱受端系统为研究对象,对直流单双极运行方式下的再启动候选方案进行评估,并给出了运行方式建议。仿真结果验证了所提判据和算法的有效性。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

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...     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

一种基于模拟植物生长算法的输电网故障诊断方法

将模拟植物生长算法应用于输电网故障诊断,提出了将开关及设备电流转化成整形变量的方法,建立输电网故障诊断模型.仿真实验验证了模型的正确性、有效性及高容错性.     

基于变压器声纹Mel语谱图-ResNet的铁心松动故障诊断

为实现变压器铁心松动故障的识别,提出基于变压器声纹的ResNet卷积神经网络(CNN)用作铁心松动故障的识别,分别比较了相同卷积神经网络ResNet在交叉熵损失函数(SE-ResNet-Dense)和特征表达的角度空间中最大化分类界限的加性角度裕度损失函数(SE-ResNet-ArcLoss)不同表现效果。通过变压器空载试验采集变压器铁心在额定预紧力、松动20%、松动40%时的噪声信号,通过离散傅里叶变换将采集的声纹信号生成时频矩阵,并使用Mel滤波器对时频矩阵降维生成尺寸大大缩小的Mel-语谱图。将采集的噪声信号制作成数据集后输入到两种模型中训练,最终测试集在模型SE-ResNet-Dense上的预测结果为90.753%,在模型SE-ResNet-ArcLoss上的预测结果为97.541%。结果验证SE-ResNet-ArcLoss最适用于变压器铁心松动故障识别。