牵引馈线自适应重合闸技术研究

就牵引馈线的自适应重合闸问题展开研究,提出了应用小波变换与人工神经网络相结合的方法来识别瞬时性故障与永久性故障,并应用Matlab软件进行了大量的仿真计算,仿真结果表明,应用小波变换与人工神经网络相结合的方法,故障识别的准确性较高,且没有误判现象.     

建筑配电系统故障电弧的仿真与检测

选择合适的电弧模型,对建筑配电系统发生的故障电弧进行了仿真.基于小波的时一频分析特点和人工神经网络(ANN)的学习能力,提出了一种分辨故障电弧和正常负荷电流的方法.该方法通过小波变换对信号进行多分辨率分析,提取信号的特征矢量,利用人工神经网络对输入特征矢量进行故障识别.仿真实验的结果表明,该方法具有良好的故障识别件能.     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.     

基于小波-神经网络的小电流接地选线的研究

研究了小波分析理论和人工神经网络技术在小电流接地系统单相接地故障选线中的应用。介绍了小波变换的奇异性检测理论和模极大值理论,神经网络的结构和改进算法,以及两者结合的选线方案。通过小波变换提取故障时各支路出线零序电流信号中的故障特征．作为神经网络的输入向量。建立典型的三层BP网络模型,从小电流接地系统动态仿真模型中采集大量样本训练网络,并针对不同故障模式进行测试。仿真实验的结果表明该方法能够准确、可靠地实现故障选线。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于解析小波变换方法的鼠笼型异步电动机转子断条检测新方法

提出利用解析小波变换方法检测异步电动机转子断条故障。解析小波变换是将小波分析与Hilbert变换相结合,可以正确区分异步电动机负荷波动与转子断条故障。该方法可以准确判定负荷突变发生时刻,提高了异步电动机转子断条故障检测的可靠性及准确性。数值仿真结果证明了该方法的有效性。     

基于混合模糊Petri网的电力系统故障暂态识别方法

提出一种基于混合模糊Petri网(hybrid fuzzy Petrinets,HFPN)的电力系统故障暂态信号识别新方法。该方法将小波变换特征提取、模糊逻辑和模糊Petri网相结合构成混合模糊Petri网,有效解决了单一的模糊Petri网无法识别故障暂态信号的缺陷,也改善了原有识别方法推理过程不容易被人理解的不足。对故障发生后1/4个周期内的三相电流和零序电流,应用小波变换提取小波能量,再经过模糊推理系统得到模糊值作为特征量,最后应用模糊Petri网进行识别。大量PSCAD/EMTDC仿真试验结果表明:该故障识别方法能快速准确地识别各类故障暂态信号,识别速度快,并且以概率的形式给出发生各种故障的可能性;基于HFPN的图形化表示方法清晰直观,不受故障时刻、过渡电阻、故障位置等因素的影响,对噪声信号和不同线路都具有较好的适应性。     

小波阈值估计在电力系统故障信号消噪处理中的应用

考虑电力系统中噪声因素对故障检测与识别的影响,在分析了噪声信号的小波变换特性的基础上,提出一种基于小波系数的阈值估计方法.应用该方法对电力系统故障暂态信号进行消噪处理,从而更有利于故障的检测与识别.通过仿真实例说明,在消噪效果和计算量等方面,该方法比其它传统阈值算法更具优越性.     

基于小波变换与BP神经网络相结合的配电网单相接地故障定位方法

提出一种基于小波变换与BP神经网络相结合的方法来实现小电流接地系统单相接地故障定位.由于利用暂态故障电流和暂态母线电压的模极大值的实部和虚部作为BP神经网络的输入,提高了识别故障能力和可靠性,通过对BP神经网络的特别处理,大大地减小过渡电阻对故障定位的影响.仿真结果表明,该故障定位方法准确可靠.     

基于小波变换和ANN的最佳重合闸时刻的研究

目前对于线路瞬时性故障的最佳重合闸时刻以离线计算为主,如利用能量函数法,但其计算困难,计算时间较长,在电力系统中不能满足实际运行条件变化的要求。文中提出了一种基于小波变换和人工神经网络（ANN）方法的在线寻求瞬时性故障最佳重合闸时刻的方法,只需较短时间就能计算出最佳重合闸时刻。首先利用MATLAB对电力系统故障进行仿真,把故障信号通过小波变换分解成不同尺度下的“近似”分量（approximation）和“详细”分量（detail）,并把提取的特征值作为人工神经网络的输入量,进行训练,从而找到最佳重合闸时刻。算例验证了所提出方法的有效性和准确性。     

基于小波网络及油中溶解气体分析的电力变压器故障诊断方法

小波网络是近年来发展起来的一种高效非线性信号处理新模型。该文将适于电力变压器故障诊断的小波网络分为第一、第二类小波网络,提出了基于自适应算法小波网络的变压器故障诊断方法,该方法继承了人工神经网络的学习能力和小波变换的局部化特征,具有良好的收敛性和鲁棒性。选择经模糊预处理的250组油中溶解气体作为采用不同小波基的2类小波网络训练与识别样本,对训练过程和仿真结果进行对比分析。大量诊断实例表明,文中提出的2类小波网络均适于变压器故障诊断,其性能优于单独使用传统BP神经网络的方法。     

High impedance fault detection methodology using wavelet transform and artificial neural networks

This paper presents a new technique based on the combination of wavelet transform (WT) and artificial neural networks (ANNs) for addressing the problem of high impedance faults (HIFs) detection in electrical distribution feeders. The change in phase current waveforms caused by faults and normal switching events has been used in this methodology. The discrete wavelet transform (DWT) used decomposes the time domain current signals into different harmonics in time-frequency domain and extracts special features to train ANNs. This preprocessing reduces the number of inputs to ANN and improves the training convergence. The ANN structure and learning algorithm used in this method is the multilayer perceptron network and Levenberg-Marquardt back-propagation algorithm, respectively.The signal data of several HIFs, low impedance faults (LIFs) and normal switching events have been obtained by the simulation of a real distribution network, with five feeders, under these different operations conditions, using SimPowerSystem Blockset of MATLAB. The results obtained have validated the effectiveness of the proposed methodology to detect HIFs and discriminate them from normal transient operations.     

基于小波神经网络控制的无刷直流电机调速系统

该文提出了基于小波神经网络控制的无刷电机调速系统新方法，该方法使用三层前馈式人工神经网络，采用基于梯度下降纠正误差法在线训练更新网络参数，使用离散小波变换的时频特性和连续小波变换检测信号边沿的原理进行无刷电机运行状态和故障状态的检测，以便能实时保护。仿真结果表明该方法能大大改善调速系统的静态、动态性能，具有优良的控制效果，小波检测灵敏度高，对噪声有较高的鲁棒性，具有广阔的应用前景。     

基于小波神经网络的在线警报处理系统

利用小波变换在信号处理方面的时频分析能力和神经网络对任意非线性函数的普通的逼近能力，提出了一个基于小波神经网络的电力系统故障段辨别方法。故障诊断系统依据保护继电器和断路器的采样信息估计电力系统中故障段的位置。仿真结果显示，小波神经网络故障诊断系统能正确估计电力系统单一故障和多重故障的位置，即使在电力系统中存在保护继电器和断路器误动或拒动的情况下，小波神经网络也能给出合理的结果。测试结果表明，小波神经网络在电力系统警报处理系统中有良好的应用前景。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

利用小波变换及人工神经网络识别电能扰动

电能质量问题成为近年许多高等院校、科研院所的研究重点,电能扰动识别是电能质量研究的一个重要方面。为此,指出了电能扰动识别包括预处理、特征提取和模式识别等3个过程,研究了基于小波变换和人工神经网络的电能扰动模式识别方法。借助于Matlab软件生成120个电能扰动样本并使用小波变换提取特征后,采取反向传播神经网络和概率神经网络识别的正确率分别为87.5%和85%。仿真分析结果发现:使用小波变换提取特征向量并使用反向传播神经网络设计分类器所得到的识别系统的性能比较令人满意。     

基于模糊神经网络的单相自适应重合闸的研究

将模糊神经网络应用于单相自适应重合闸中,以模糊理论和人工神经网络理论为基础构造了一个多输入模糊神经网络,用于识别瞬时性故障与永久性故障.该网络以取大取小运算部分代替了乘积求和运算,并采用了从样本中获取模糊规则的方法.利用Matlab进行了大量仿真实验,验证了该方法的可行性与准确性;在仿真的基础上,将多输入模糊神经网络与BP神经网络进行了比较,证明了多输入模糊神经网络在单相自适应重合闸中应用的优越性.     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于小波分解和人工神经网络的短期负荷预测

提出了一种基于小波分解和人工神经网络(ANN)的电力系统短期负荷预测方法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用相匹配的人工神经网络模型进行预测,最后综合得到负荷序列的最终预测结果.在所提出的方法中小波分解能够提取负荷的一些周期性和非线性特征,并对其进行进一步细分,根据其子序列各自所具有的规律采用相应的预测方法;而ANN对于处理非线性及无法显示明确规律的问题具有优势.经实例验证,与传统方法相比该方法具有很高的预测精度和较强的适应能力.