VMD-PE协同SNN的输电线路故障辨识方法

针对输电线路短路故障危害大、故障辨识率较低等问题,提出一种结合变分模态分解排列熵(VMD-PE)与孪生神经网络(SNN)的故障辨识方法,利用瞬时频率均值对VMD进行参数优化,确定分解层数K,通过VMD分解故障时的三相电压,计算分解后每个分量的排列熵,将其作为故障特征量;将故障特征输入到训练好的SNN中进行相似性度量,比较两个输入样本之间的相似程度,判别出输电线路短路故障类型。通过仿真实验验证了该方法的可行性,并与其他分类方法相对比,证明了该方法的准确性和优越性。     

基于VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法.首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值.分别利用V...     

基于关联维数与极端学习机的高压输电线路雷击过电压故障识别

雷击造成输电线路跳闸是高压输电线路的主要故障。目前,雷击过电压故障主要采用行波技术加以雷击定位及数据记录,尚缺乏对雷击故障较为有效的智能处理技术。采用ATP-EMTP对雷击过电压的反击与绕击故障加以有效仿真,研究采用经验模态分解(empirical mode decomposition,EMD)与分形理论关联维数相结合的方法进行雷击过电压故障信号故障分析及其特征量提取,运用方差贡献率确定前4阶本征模函数(intrinsic mode function,IMF)分量用于体现故障过电压的主要特征信息。最后,引入极端学习机(extreme learning machine,ELM)建立高压输电线路雷击过电压故障的诊断与识别模型。仿真表明,在经验模态分解与关联维数相结合的高压输电线路雷击过电压故障特征提取的基础上,对击中杆塔、避雷线与三相输电线路的雷击过电压故障分别采用极端学习机实现了有效的识别。     

基于VMD模糊熵和SVM的高压断路器故障诊断

为了有效提取高压断路器振动信号的特征,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)模糊熵和支持向量机(Support Vector Machine, SVM)的特征向量提取方法,并采用SVM分类器对断路器的故障类型进行识别。首先,使用VMD对断路器的振动信号进行分解,得到若干个模态分量;然后,计算每一个模态分量的模糊熵,将其组成特征向量;最后,将上述特征向量导入到SVM分类器中进行训练,得到训练好的SVM模型,使用该模型对断路器4种运行状态下的样本数据进行故障识别。结果表明,基于VMD模糊熵的特征向量提取方法所提取出的特征向量相对基于经验模态分解(Empirical Mode Decomposition, EMD)样本熵的特征向量提取方法所提取出的特征向量可分性较好;在小样本的模式识别中,SVM相比于BP神经网络,具有更高的识别精度,能够有效识别断路器的故障。     

基于VMD能量熵的混合双端直流输电线路纵联保护方案

为提高混合双端高压直流输电线路故障快速清除能力,确保输电系统安全运行,提出了一种基于变分模态分解(Variational Mode Decomposition, VMD)能量熵的混合双端直流输电线路纵联保护方法。根据高压直流输电线路边界元件两侧的电压能量不同,同时考虑故障类型以及过渡电阻的影响,构造了电压故障分量的能量熵保护方案。将故障时测量点采集的电压故障分量进行VMD分解,得到若干固有模态分量并计算能量熵。根据区内外故障时电压故障分量的能量熵大小不同构造区内外故障判据,由正负极电压故障分量的能量熵之比构造故障极判据。通过PSCAD/EMTDC建模仿真,并利用Matlab结合保护判据对该方法进行验证。结果表明,该保护方法快速性好、可靠性高、耐过渡电阻能力强。     

基于NGO-VMD-DE的单相接地故障信号特征提取

针对电力系统输配电线路发生单相接地故障时,电气设备的电磁环境干扰,故障零序电流成分复杂等原因导致故障特征信息提取困难,变分模态分解参数人为确定导致其对零序电流分解效果差,常用的熵运算慢,鲁棒性差,进而后续选线准确率低的问题,提出了一种新的基于NGO-VMD-DE的单相接地故障的零序电流故障特征提取方法。首先,通过北方苍鹰优化算法(NGO)优化变分模态分解(VMD)实现零序电流信号的自适应分解,建立了自适应相关系数的本征模态函数(IMF)分量选取准则选取有效分量,然后对选取的分量进行重构,最后对重构后的信号进行散布熵(DE)计算以提取单相接地故障的零序电流故障特征,通过搭建模型进行仿真实验,并与近似熵、样本熵、模糊熵、排列熵等其他特征熵值指标进行对比表明,所提出的故障特征提取方法可以更加准确、有效地表征发生单相接地故障线路的零序电流故障信息。     

基于变分模态分解和排列熵的输电线路故障诊断

针对现有电力系统输电线路故障信号分析方法中,故障信号特征遗失并难以反映故障信号本质特征等问题,提出基于变分模态分解与排列熵(VMD-PE)的输电线路故障诊断方法。以输电线路单相接地短路故障为例,选取IEEE 14节点标准测试系统,以单相接地短路故障时的电流作为故障信号,首先对各相故障信号进行VMD分解,然后对分解后的故障信号作二次PE分析,基于各相故障信号的最终总PE值识别输电线路故障,并与小波变换-PE算法进行对比。实验结果表明,所提VMD-PE方法更能有效地诊断出输电线路的故障所在相,可准确可靠的用于输电线路的故障诊断。     

光伏并网逆变器参数性故障的VMD-WPE和MPA-LSTM诊断方法研究

针对三相光伏并网逆变器参数性故障的特征量提取难、诊断准确率较低等问题,提出变分模态分解的小波包能量特征与海洋捕食者算法优化长短期记忆神经网络相结合的故障诊断方法。首先,以逆变器三相线电压为原始数据,以最小样本熵为准则优化变分模态分解的模态数;然后,利用小波包分解提取变分模态分解各模态分量的小波包能量作为故障特征量;最后,利用海洋捕食者算法优化长短期记忆网络超参数实现故障的参数性辨识。对比分析结果表明,所提方法用于光伏并网逆变器参数性故障诊断具有可行性和精确性。     

基于VMD与广义S变换的HVDC线路故障定位

针对高压直流输电线路故障定位中存在的输电线路长、故障概率大、测距精度不高以及故障波形含有噪声等问题,提出了VMD分解与广义S变换结合的高压直流输电线路故障测距算法。首先通过变分模态分解(Variational Model Decomposition,VMD)对含噪声的行波信号进行VMD分解,滤去噪声并获得最优模态分量。然后采用广义S变换(Generalized S-transform,GST)计算最优模态分量,生成高时间分辨率S矩阵。并选取S矩阵中的高频分量,识别该频率分量的波形突变点,从而获取故障初始行波到达时刻。最后通过测距公式获得故障距离。PSCAD/EMTDC仿真表明,所提方法受过渡电阻影响很小,不同故障距离的测距精度很高。经过现场故障行波数据的验证,可以实现在线路范围内快速准确的故障定位。     

基于改进变分模态分解排列熵和极限学习机的汽轮发电机转子故障诊断方法

针对实际转子振动信号的非线性、非平稳性引起的故障类型难以准确识别的问题,提出了一种基于改进变分模态分解(VMD)排列熵和极限学习机的转子故障诊断方法。首先,为克服VMD中惩罚因子和分解个数按经验选择的问题,提出一种基于人工化学反应算法的改进VMD方法,将其用于振动信号分解,得到若干个不同尺度的固有模态分量(IMF);随后计算蕴含主要故障特征信息的前几个IMF的排列熵值;最后将得到的前几个排列熵值作为特征矢量,输入到建立的极限学习机中实现不同状态下转子振动信号的模式识别。将提出方法应用于汽轮发电机转子试验台采集的数据,结果表明:提出的方法能有效实现不同运行状态下的转子振动信号的辨识,提高了模式识别精度。     

基于VMD能量相对熵的配电网单相接地故障选线方法

针对目前配电网单相接地故障选线存在的问题,提出一种基于变分模态分解(VMD)和能量相对熵结合的故障选线新方法。该方法首先采集线路故障后一个周期的暂态零序电流信号,运用VMD方法对其进行分解得到有限个不同尺度的本征模态函数(IMF)分量;计算各IMF分量的能量和作为线路的暂态能量;再结合能量相对熵对线路的暂态信号特征进行量化放大;最后通过比较各条线路的能量相对熵大小进行故障选线。Matlab仿真对其可行性和有效性进行验证,结果表明:该方法不受消弧线圈补偿度、故障距离、故障初相角和过渡电阻的影响,均可实现对故障线路的正确选线。     

基于EEMD能量熵和GJO-KELM的滚动轴承故障诊断

滚动轴承在旋转机械中发挥着重要作用,若出现故障,轻则引起设备停机,重则危及现场人员生命安全,因此有必要对其进行故障诊断。针对滚动轴承故障特征难以提取,传统分类方法正确率不高的问题,本文提出一种基于集合经验模态分解（EEMD）能量熵和金豺优化算法（GJO）优化核极限学习机（KELM）的故障诊断方法,实现了提取滚动轴承故障特征并正确分类的目标。通过实验数据进行验证,该方法能够提取到滚动轴承原始信号中隐含的故障信息特征,其诊断正确率高达98.47%。     

多维度能量熵提取的不同负载下电机轴承故障诊断

为了提高电机轴承故障诊断的准确率,针对电机轴承故障不稳定的振动信号及故障特征提取困难问题,提出了一种基于变分模态分解（VMD）能量熵与卷积神经网络（CNN）相结合的电机轴承故障诊断方法。为了使故障的特征更精确地体现出来,采取三维度的能量熵提取办法,将轴承故障分为内圈磨损、外圈磨损和保持架断裂三类,然后每个类别再细分为负载为0%、25%和50%三种情况,共9种情况。利用VMD方法将故障信号分解得到内禀模态函数(IMF)的分量并提取各个维度IMF的能量熵值从而构成特征向量。结果表明该方法可以有效提高故障诊断正确率。     

GIL机械故障诊断与预警技术研究

为了有效诊断气体绝缘金属封闭输电线路(GIL)的机械故障,搭建了110 kV GIL试验平台并设计了3种典型机械故障,通过互补集合经验模态分解(CEEMD)模糊熵值与鲸鱼优化极限学习机(WOA-ELM)模型联合方法对GIL机械故障模式进行识别与诊断。首先,利用CEEMD方法对振动信号进行分解,引入正负白噪声组对信号进行处理,得到含有故障信息的模态分量(IMF)。其次,利用模糊熵计算模态分量特征值,得到能表征故障特征的模糊熵值。最后,结合WOA-ELM模型对特征向量集进行模式识别,根据聚类结果与自适应阈值对GIL设备机械故障进行诊断和预警。结果表明,利用CEEMD与模糊熵对GIL振动信号特征进行分析,可以有效避免模态混叠和冗余噪声分量的干扰,得到能够表征故障特征的特征值;利用WOA-ELM模型可以有效实现GIL设备机械故障诊断与预警。     

基于EMD样本熵和极限学习机的输电线路故障类型识别

提出了一种基于经验模态分解(EMD)样本熵和极限学习机(ELM)的输电线路故障类型识别的新方法。利用EMD良好的局域化特性和样本熵来获取故障信息,进行特征提取,再结合ELM的强大模式分类能力进行故障类型识别。基于SIMULINK/MATLAB的故障仿真结果表明,该方法能快速准确地识别输电线路的各类故障,并且不受故障时刻、过渡电阻、故障位置等因素的影响。     

基于EMD与ELM的输电线路山火蔓延速度组合预测模型

针对复杂环境下输电线路山火的影响因素,提出了基于经验模态分解（empirical mode decomposition,EMD）与极端学习机（extreme learning machine,ELM）的输电线路山火预测模型。首先利用小波去噪对采集的风速时间序列进行噪声分析,根据序列的不同进行归类重构,产生新的风速时间序列;然后利用经验模态分解将输电线路山火成因分解为一系列具有不同特征尺度的子序列;接着利用交叉验证法和重构相空间法确定学习机的各种参数和输入维数;再利用极端学习机输电线路山火进行建模预测分析。仿真结果表明基于经验模态分解与极端学习机的输电线路山火组合预测模型可以有效预测24 h之内的山火蔓延速度,为实现输电线路山火在线较高精度的预测提供了可能。     

基于STOA-VMD的串补输电线路故障测距

由于串补电容的存在,串补输电线路中发生故障时,故障行波过程十分复杂,行波波头检测困难;故障行波信号中存在较大噪声时,传统的故障特征提取方法无法准确提取故障行波的特征信号。为此在串补线路中故障行波信号存在噪声条件下,提出一种基于乌燕鸥优化算法(sooty tern optimization algorithm, STOA)对变分模态分解(variational mode decomposition, VMD)优化的故障行波特征提取方法。该方法利用最大峭度准则对STOA的目标函数不断优化,从而选取VMD中更合适的模态量和惩罚因子值,避免人为设定模态量和惩罚因子值时,VMD对故障行波信号的分解不足或分解过剩造成的故障定位误差。通过对称差分能量算子(symmetric differential energy operator, SDEO)提取VMD后最佳的模态分量的能量突变点,结合双端行波测距方法,实现故障测距。仿真结果表明,所提方法能够实现串补输电线路的故障测距,测距精度高,且不受故障类型、过渡电阻的影响。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy, TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine, ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。