共查询到19条相似文献,搜索用时 93 毫秒
1.
2.
3.
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。 相似文献
5.
6.
高压输电线路的发展性故障往往受运行状态和故障发展过程的影响,给故障甄别和保护决策造成困难。为了准确识别高压输电线路的发展性故障,保证继电保护装置动作的正确性,将全卷积神经网络(fully convolutional network, FCN)与卷积注意力模块(convolutional block attention module, CBAM)相结合,提出一种基于CBAM-FCN的发展性故障识别方法,通过在传统全卷积网络中引入CBAM模块,使神经网络能够聚焦于故障波形的突变、幅值等重要特征,忽略无关干扰。此外,所提方法能够输出表征故障状态变化的一维时序序列,实现对输电线路发展性故障的全过程识别。最后大量仿真验证了所提方法的抗噪性能和泛化能力,并通过可视化技术展示了网络模型的可解释性。 相似文献
7.
8.
输电线路不平衡张力分析和计算 总被引:9,自引:0,他引:9
不平衡张力是危害输电线路安全稳定运行的重要因素之一。不平衡张力主要由不均匀覆冰造成。随着输电线路设计水平要求的不断提高,对杆塔所承受不平衡张力的计算分析成为线路设计中的重要环节。建立了不平衡张力的力学模型,分析了档距变化与电线应力间的数学关系,以及悬垂绝缘子串偏移和两侧导线应力间的数学关系。采用VB面向对象语言编程实现不平衡张力的求解。通过对具体实例的分析和计算,模拟计算出的结果和实际情况相符。 相似文献
9.
智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(... 相似文献
10.
11.
输电线路的故障,能通过各种信息反映出其故障类型。从保护动作、重合闸动作、保护测距、故障录波图等对故障类型及地点作出初步判断,根据故障现象、故障点位置等情况对故障类型作出最终判断。 相似文献
12.
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。 相似文献
13.
14.
15.
A new transmission line fault-classification algorithm based on half-cycle post-fault current data is presented for an advanced series-compensated transmission line equipped with a thyristor-controlled series compensator. The proposed scheme was developed with the signal feature enhancement tool of discrete wavelet packet entropy measures. The Chebyshev neural network is presented as network-growing technique for protective classification, the single-layer structure of which is a more powerful classifier that eliminates the need for complicated network design. A comparative implementation study of the multi-layer perceptron and Chebyshev neural network authenticates benefits gained by the Chebyshev neural network. To demonstrate the advantage gained by Chebyshev neural networks compared to support vector machines, a comparative study is presented with a support vector machine based classification technique. The fault datawere obtained by dynamic simulation of a sample system using the real-time power system simulator PSCAD (Manitoba HVDC Research Centre, Winnipeg, Manitoba, Canada). Extensive testing reveals the effectiveness of the Chebyshev neural network for fault classification; a comparative study brings out the superiority of the Chebyshev neural network for neural network design and implementation against the multi-layer perceptron. The Chebyshev neural network proved advantageous against support vector machines as being insensitive to the classification parameter. 相似文献
16.
17.
18.
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... 相似文献