基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。     

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。     

基于深度迁移学习的输电线路涉鸟故障危害鸟种图像识别

为了实现输电线路涉鸟故障的差异化防治,提出一种基于深度迁移学习的危害鸟种图像识别方法.根据历史涉鸟故障的鸟种信息及输电走廊周边鸟种调查结果,建立88种相关鸟类图像数据集,采用类激活映射进行图像预处理,滤除复杂背景噪声.基于迁移学习的思想,首先利用AlexNet、VGG16、ResNet50、Inception V3这4...     

基于CBAM-FCN的高压输电线路发展性故障识别方法

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。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义.传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息.基于深度学习...     

输电线路不平衡张力分析和计算

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。     

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

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(...     

基于卷积神经网络的高压输电线路故障定位时域法

受仿真模型参数与实际参数差异的影响,现有基于深度学习的故障定位方法所构建的模型对线路参数较为敏感,制约了该类方法的推广应用.为此,将输电线路的Bergeron模型和卷积神经网络(convolutional neural network,CNN)算法相结合,建立基于CNN的沿线补偿电压波形相似度评估模型,进而提出一种输电...     

输电线路故障点及故障类型的判断

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。     

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。     

基于关联维分析法的高压输电线故障检测与分类

基于关联维分析法研究了高压输电线路故障的检测与分类问题,利用Grassberger-Procaccia和最小二乘回归算法,分别计算高压输电线路各相电压行波的关联维数,并与事先分析确定的关联维门限值比较,判断故障是否发生及发生在何相,然后以接地评价指标对故障相进行接地检测,实现了对高压输电线路故障的检测和初步分类。仿真结果表明,关联维分析方法应用在高压输电线路故障诊断中是可行的。     

基于支持向量机的输电线路故障诊断分类

基于支持向量机SVM(Support Vector Machine)的输电线路故障分类方法,可利用Matlab6.5仿真输电线路故障得到两组不同类型故障的数据。结合Matlab6.5环境下SVM工具箱进行编程,建立SVM故障分类器对测试样本进行测试。结果验证了该故障诊断方法的可行性。     

Investigation for Improved Artificial Intelligence Techniques for Thyristor-controlled Series-compensated Transmission Line Fault Classification with Discrete Wavelet Packet Entropy Measures

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.     

基于卷积神经网络多判据融合的井下电网故障选线方法

针对矿井电网消弧线圈接地系统单相接地故障选线方法准确率和可靠性不高的问题,提出基于卷积神经网络多判据融合的选线方法。主要分析了深度学习模型——卷积神经网络的结构与原理,通过快速傅里叶变换和小波变换从故障信息中提取5次谐波分量、小波分析模极大值、衰减直流分量和高频暂态分量作为原始输入数据,并利用改进LeNet-5模型强大的学习能力和泛化能力对其进行融合。基于Matlab软件搭建井下电网仿真模型,结果表明该方法准确性高、可靠性强。     

基于深度强化学习的输电网网架规划方法

为解决现有输电网规划方法在多场景情况下存在的灵活性不足的问题,同时进一步提高规划方法的运算效率,文章提出一种基于深度强化学习的输电网规划方法.首先,通过聚类方法,以系统信息熵最小为目标,生成用于规划的电网典型场景,并建立适用于多场景的输电网灵活规划模型.其次,综合运用深度强化学习方法及Actor-Critic方法,提出...     

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...     

基于深度卷积神经网络的输电线路防鸟刺部件识别与故障检测

电力铁塔上故障防鸟刺的及时检测,对于减少输电线路鸟害的发生,从而保障输电线路安全可靠运行具有重要意义.电力巡检图像中电力铁塔上的防鸟刺具有轮廓特征较不明显、部分重叠分布的特点给防鸟刺部件识别与故障检测研究带来一定挑战.针对所述防鸟刺特点,提出一种基于深度卷积神经网络的防鸟刺部件识别与故障检测方法.先利用锐化滤波器对电力...