基于神经网络的输电线路故障诊断策略研究

随着智能电网的逐步发展，输电线路作为智能电网的重要组成部分，在智能电网的运行中发挥了重要作用，因此对输电线路的故障诊断技术进行研究意义重大。本文提出基于神经网络的输电线路故障诊断策略，首先对输电线路的电流数据进行预处理，然后对神经网络进行优化，并在卷积层中运用批归一化方法，对输电线路的电流数据进行故障特征提取和分类识别，由此便构建高精度的输电线路故障诊断模型。经过实际运用验证，本文提出的方法能够实现输电线路故障的有效诊断，具有一定的实用性，可以进行大规模推广应用。     

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。     

高压直流输电线路单端智能故障定位方法

针对当前高压直流输电线路故障定位方法中存在的问题，提出一种基于S变换组合特征能量和改进一维卷积神经网络-门控循环单元混合神经网络模型的单端智能故障定位方法。首先，对直流输电线路故障电压、电流数据分别进行S变换，提取特征频率范围内的能量；然后归一化电压、电流特征能量并构成组合能量特征向量；最后将组合能量特征向量形成的数据集输入改进的一维卷积神经网络-门控循环单元模型进行训练和测试，实现故障定位。结果表明，该模型具有较高的定位精度和较好的鲁棒性。     

基于大数据技术的输电线路运行故障诊断关键技术

在智能电网的建设中输电线路故障诊断是其重要组成。针对输电线路数据利用率低、上传单一等问题,在输电线路故障诊断中应用S变换和连续隐马尔可夫模型,利用S变换提取输电线路故障特征,通过各故障的特征建立连续隐马尔可夫模型,实现故障选相。通过仿真验证在不同的工作条件下该方法的有效性,结果表明,该方法具有不受故障工况改变的影响、且在较高噪音下仍能正确识别故障线路的优势,为我国输电线路故障诊断的发展提供了参考和借鉴。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于决策树的输电线路覆冰故障诊断分析

输电线路作为电网薄弱环节之一,其安全稳定运行直接关系到电网的运行状态。目前,覆冰已成为威胁线路安全运行的重要因素。为了提高覆冰故障分析效率,研究其故障诊断模型显得愈发重要。文中通过某网省公司近5年输电线路覆冰跳闸数据,分析其发生规律,结合气象及微地形条件对覆冰故障的影响,构建基于决策树的线路覆冰故障诊断模型,梳理关键诊断变量因子及权重系数,提出疑似故障概率计算方法。最后结合诊断模型,对实际运行故障案例进行分析和计算,通过人工干预及现场排查确认覆冰故障类型,为输电线路故障诊断和故障排查奠定了良好的基础。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.     

基于卷积神经网络的交直流输电系统故障诊断

随着交直流输电系统规模的不断扩大,电网结构和故障特征愈加复杂,现有故障诊断方法面对复杂电网和超大数据量时难以精准提取故障特征,急需适应性强且准确率高的电网故障诊断方法。为此提出一种基于卷积神经网络（CNN）的电网故障诊断方法。首先,通过逐层筛选、逐层增叠的网络构造方式逐步测试,其目的是为了构建充分适应于电网故障诊断的网络结构;然后,利用网络层级优化策略调整训练参数,并以交叉熵最小为目标对深层故障特征进行挖掘;最后,在MATLAB/Simulink平台上搭建交直流输电系统模型,结合t分布随机邻域嵌入（t-SNE）可解释性技术展示诊断效果,通过与传统方法对比证明所提方法能够深度挖掘故障特征且具备很高的诊断准确率。