基于多特征融合的光伏系统串联直流电弧故障识别方法

针对目前光伏系统中存在的串联直流电弧故障特征量少、识别定位困难等问题,提出一种基于多特征融合的光伏系统串联直流电弧故障识别方法。首先搭建实验平台,采集正常和串联直流电弧故障下的电流信号并利用小波变换进行降噪;其次,对降噪后信号提取时域上的电流均值变化率和电流周期最值差特征量,并提取频域上的各频带能量及能量比,利用集合经验模态分解（ensemble empirical mode decomposition, EEMD）得到各阶信号本征模态函数（intrinsic mode function,IMF）,计算各阶IMF故障信号与正常信号余弦相似度,并提取相似度较低电弧的IMF能量熵特征;然后,以时域、频域、能量熵特征构成多维特征向量,构建故障电弧特征空间,通过实验确定故障空间边界参数,得到特征判据,根据多维特征判据实现直流电弧故障检测;最后,通过实验分析验证所提方法的准确性。     

光伏系统直流故障电弧实验研究

光伏系统中的直流故障电弧严重威胁光伏系统的安全运行,由于其随机性和不稳定性且不具有交流电弧的零休现象,使得光伏系统中的直流故障电弧难以检测。研究光伏系统直流故障电弧的特性及其有效的检测方法对保障光伏系统运行的安全性和可靠性具有重要意义。设计了一套光伏直流故障电弧实验系统并有针对性地研究了光伏系统中直流故障电弧的特性和检测方法,提出了经验模态分解(EMD)算法和概率神经网络(PNN)算法相结合的光伏系统直流故障电弧检测方法,综合实验数据分析表明该方法能有效检测光伏系统中直流故障电弧。     

融合CEEMDAN分解与敏感IMF精选的串联电弧故障检测

针对串联电弧故障检测困难,以及基于分解策略的检测方法难以捕获敏感判别分量的问题,提出一种融合自适应噪声的完备经验模态分解(CEEMDAN)和敏感本征模态函数(IMF)精选的串联电弧故障检测方法。本方法采用CEEMDAN算法对故障电弧电流进行完备分解;并定义了电弧电流的12个特征指标,以敏感性较强的峭度指标和能量特征作为判定依据,从而实现了IMF分量的频段划分;在此基础上,提出了基于时间窗的特征计算方法,通过获取各高频IMF分量的时间维度局部特征,并通过比较方差、均方根值等特征指标实现敏感IMF分量的准确选取。最后,针对电流特征集,采用主成分分析实现二次降维,并基于支持向量机(SVM)实现串联电弧故障检测。实验证明了所提方法的可行性和电弧故障检测的有效性。     

基于改进HHT的直流串联电弧故障检测方法

在直流供电系统中,串联电弧故障因不易熄灭且检测困难而成为导致电气火灾的重要诱因之一。本文通过对电弧故障发生前后电源输出电压的时频域分析,提出了一种基于改进希尔伯特黄变换(HHT)的直流串联电弧故障检测方法。在方法中首先引入互补集合经验模态分解(CEEMD)对HHT进行改进,采用改进HHT提取在不同负载类型下电源输出电压的故障特征,然后计算固有模态函数IMF₁、IMF₂和IMF₃的模糊熵和该频带范围内的谐波能量和,分别作为识别电弧故障发生的时域和频域特征量,最后利用3σ准则(拉依达准则)进行阈值设定。理论分析和实验结果表明,该检测方法可以准确地识别不同工况下的电弧故障,不受负载突变和开关切换的干扰。并且在一个额定功率为10 kW的小型光伏并网系统中进行了串联电弧故障实验,进一步验证了所提检测方法的可行性和适用性。     

基于变分模态分解能量熵混合时域特征和随机森林的故障电弧检测方法

在家庭生活用电器中,非线性负载电器逐渐增多。这一趋势使基于电弧“零休”特性的传统故障电流检测方法无法准确识别故障现象,因此本文提出一种基于信号时域特征结合变分模态分解固有模态能量熵的随机森林故障电弧识别方法。以线路电流为分析对象,先提取其时频特征量,再采用变分模态分解算法对故障电弧电流进行分解得到模态分量并计算其能量熵。以时域、能量熵特征构成多维特征向量,输入随机森林模型中对信号类型进行分类决策,进而识别故障电弧。实验发现,相比于其他方法,本文所提方法的故障电弧识别准确率可达99%,且适用于多种典型负载和非线性负载工作的低压配电故障电弧识别。     

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。     

组串式光伏系统直流串联电弧故障检测与保护策略

直流串联电弧是引发光伏系统火灾事故的主要原因之一。针对直流电弧状态和故障问题,提出一种基于逆变器实现的组串式光伏系统直流串联电弧故障检测与保护方法。依据电弧故障的高频特性,以组串输入端滤波电容支路电流为量测获取串联电弧故障信号,基于样本熵和标准差建立串联电弧检测算法并构建2级保护判据及重投方案,保证故障处理的可靠性和灵敏性,并满足逆变器对高频信号低采样率的制约。根据光伏并网逆变器的工作原理和结构组成,提出实现电弧保护的逆变器硬件改造方案。搭建光伏系统电弧故障实验平台并开展实验研究。提出的方法能够实现可靠的检测与保护,在多种情况下验证了所提方法的有效性。     

变压器振动信号模态特征提取及分析

针对变压器故障情况下振动信号具有非平稳、非线性的特点,提出了利用集合经验模态分解(ensemble empirical mode decomposition method,EEMD)变压器振动信号进而选择有效本征模式函数(intrinsic mode function,IMF)的方法。该方法通过计算变压器原振动信号与分解后的本征模式函数的归一化相关系数来选取有效分量。再利用筛选出的本征模式函数构造特征矢量,将其作为变压器绕组状态识别的依据。实验结果证明了该方法可准确诊断变压器绕组的故障。     

利用储能系统平滑光伏波动的模糊聚类经验模态分解方法

为了平滑光伏输出功率,提出一种基于模糊聚类经验模态分解(ensemble empirical mode decomposition,EEMD)的储能系统控制方法。通过对光伏信号的频谱分析,利用EEMD滤波分成高频和低频两部分,光伏低频分量作为光伏并网功率信号,高频信号接入储能系统吸收;使用储能电池荷电状态值、平滑波动率值状态作为约束条件,利用模糊控制算法,自适应在线调整EEMD滤波阶数,通过模糊自适应控控制器,实现了更好平滑光伏波动。对比定阶EEMD光伏功率储能控制策略,仿真实例表明,该方法可以充分使用储能系统平抑光伏功率波动,稳定储能荷电状态。     

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于小波包去噪与EMD的故障电弧检测算法研究

经验模态分解(Empirical Mode Decomposition,简称EMD)方法是一种被广泛应用于故障诊断领域的信号处理方法,但是分解的结果容易受到高频噪声的干扰。因此本文提出利用小波包去除噪声,同时利用EMD分解进行故障电弧信号处理的研究方法。首先根据国标GB/T 31143-2014搭建故障电弧实验平台,采集故障电弧信号,利用小波包去除信号中的噪声,然后利用EMD方法对正常电弧和故障电弧进行分解得到一系列本征模态分量,通过计算求出这些分量的能量熵并进行归一化处理得到特征向量,最后进行支持向量机(SVM)训练,进而诊断得出故障电弧的故障类型。实验结果表明该方法可以有效准确地对故障电弧进行判断。     

基于EEMD的谐波检测方法

针对谐波检测问题,比较几种常用谐波检测方法,总结出各自的适用条件。结合经验模态分解理论和总体平均经验模态分解(empirical mode decomposition,EEMD)算法,提出基于EEMD的谐波检测方法。给出离线谐波检测的具体过程,并在此基础上,首先构造当前时刻采样值始终处于中心位置的向量,然后计算总体谐波分量的在线检测方法。另外,可以通过修改EEMD算法中的频率计算条件实现对特定次数谐波分量的检测。为验证该方法的检测效果,将EEMD算法与瞬时无功功率方法(ip iq)分别应用于仿真和实测数据。检测结果表明,所提方法不但在检测稳态信号时具有很好的精度,而且在检测波动信号时也具有较好的动态特性。     

基于EEMD能量熵的配电网单相接地故障选线方法

提出了基于EEMD能量熵的配电网单相接地故障选线方法。首先通过集合经验模态分解（Ensemble empirical mode decomposition, EEMD）方法提取线路零序电流的故障特征信息,得到一系列零序电流IMF分量和余项,然后计算线路零序电流IMF分量的能量,并构造零序电流IMF分量的能量熵,最后通过比较能量熵值来进行故障选线。理论分析及仿真结果表明,该方法应用于故障选线具有较高的准确率和可靠性。     

基于FCM算法的光伏系统电弧故障检测方法研究北大核心CSCD

针对现有光伏系统电弧故障检测中易产生漏判、误判的问题,提出了一种基于FCM(模糊C均值聚类)算法的电弧故障检测方法。通过分析光伏系统电弧故障的时域、频域及电磁辐射特性,选取相邻窗口电流差值的峰峰值、电流频谱10~30 kHz频段的频域总能量与电磁信号的模极大值作为FCM的三维特征量,利用正常情况与故障情况下聚类中心在空间位置上的差异,实现光伏系统电弧故障的识别。仿真分析与试验结果表明,该方法能对光伏系统电弧故障进行准确识别且具有一定的抗干扰能力。     

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。     

变分模态分解在小电流接地系统故障选线中的应用

为探究适用于小电流接地系统的故障选线方法,解决现有暂态故障选线方法效果欠佳的问题,提出了一种基于变分模态分解VMD(variational mode decomposition)的小电流接地故障选线新方法。通过引入本征模态函数基于调幅调频函数的VMD算法对配电母线各出线的零序电流进行分解,模态中心频率选取自适应且分解结果直观。最后综合直流分量以及高频分量构造双重判据实现选线,以Matlab/Simulink平台搭建的小电流接地系统故障选线模型为平台,对算法在单相接地故障下的准确度进行仿真校验。结果表明该算法不受故障电阻、故障发生位置、故障时刻与系统接地方式的影响,准确度高且对噪声有着一定的鲁棒性。     

基于VMD和FCM聚类方法的电网负荷分类

针对电网数据提取中存在负荷特征不够显化导致负荷聚类精准度降低的问题,提出基于变分模态分解(variational mode decomposition,VMD)和模糊C均值聚类(fuzzy C-means,FCM)的电网负荷特征分类方法。利用VMD提取负荷特征,将负荷曲线转化为多个本征模态函数(IMF)曲线,并通过数据重构得到特征显化的合成曲线,以此提高FCM聚类函数收敛速度和聚类精准度。同时分析不同聚类中心数与本征模态数下的聚类指标结果,为选取最优的本征模态数提供参考。最后以某市电网夜间负荷数据为例,文中所提方法与传统FCM方法相比,聚类指标最多减小0.0224,提高了聚类精准度。     

基于EEMD-FCM的需求响应用户负荷曲线分类研究

需求响应(DR)作为电力需求侧管理(DRM)的重要措施,对提升电网安全、优化电力资源配置具有重要意义,目前已得到深化应用.为明确各类用户负荷特性和评估其参与DR的潜力,需要对电力用户进行分类.首先,综合考虑用户属性、用电时间规律等因素,建立基于集合经验模态分解(EEMD)和模糊C均值聚类(FCM)的需求响应用户负荷曲线分类模型.利用EEMD将某电网82组负荷数据分别分解为本征模态分量和趋势分量;然后,采用FCM对平稳的本征模态分量进行聚类.结果表明:EEMD-FCM模型在迭代12次后目标函数值稳定收敛于69.87,与传统FCM聚类相比,收敛值更小,求解时间更快,此外,EEMD-FCM在用户分类上比传统FCM更加精确;最后,基于用户用电负荷曲线分类结果提出不同的需求响应策略,为电网实施精准需求响应提供理论支撑.     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解（EEMD）和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量（IMF）近似熵特征值输入概率神经网络（PNN）进行模式识别。采用经验模态分解（EMD）和近似熵特征提取方法进行对比实验。识别结果表明：采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。