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。     

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.     

瞬时性故障最佳重合闸时间的自适应整定方法

在电力系统网络暂态能量函数的基础上,分析网络中暂态能量分布与系统稳定性的关系,通过对网络中输电瓶颈（割集）的暂态能量变化特点的讨论,提出系统在发生瞬时性故障情况下集合闸最佳时间的整定主雇有自动适应系统运行方式和故障方式的改变,在线整定最佳重合闸时刻改善重合闸后系统的暂态稳定水平。     

多机电力系统中重合闸最佳时刻的研究----第1部分 瞬时性故障最佳重合时刻的研究

论述了重合闸操作时刻对系统稳定性的影响,建立了分析多机系统中瞬时性故障下重合闸时刻对系统稳定性影响的数学模型,使用能量函数导出瞬时性故障最佳重合的条件为重合成功后系统的暂态能量最小。文中计算了瞬时性故障下不同时刻重合成功后系统的暂态能量和系统中发电机功角及联络线功率的振荡,验证了文中所确定的最佳重合时刻的正确性。这项工作为重合闸时刻的整定和最佳重合闸的研制奠定了理论基础。     

多机电力系统中重合闸最佳时刻的研究：第1部分 瞬时性故障最？…

论述了重合闸操作时刻对系统稳定性的影响,建立了分析多机系统中瞬时性故障下重合闸时刻对系统稳定性影响的数学模型,使用能量函数导出瞬时性故障最佳重合的条件为重合成功后系统的暂态能量最小。文中计算了瞬时性故障下不同时刻重合成功后系统的暂态能量和系统中发电机功角及联络线功率的振荡,验证了文中所确定的最佳重合时刻的正确性。这项工作为重合闸时刻的整定和最佳重合闸的研制奠定了理论基础。     

瞬时性故障最佳重合时刻的一种捕捉方法

在重合闸之前,按故障线路切除时的系统稳定平衡点和导纳矩阵来计算系统的暂态能量时,这一能量是守恒 的。文中通过分析计算指出,对于瞬时性故障,如果以重合闸成功后的稳定平衡点和导纳矩阵来计算重合闸 前系统的暂态能量,这一能量的大小 是变化的,这一变化的能量达到最小值的时刻就是瞬时性故障重合闸的 最佳时刻。     

基于电压谐波信号分析的单相自适应重合闸

自适应自动重合闸技术具有诸多传统重合闸技术所不具有的优势。经研究提出了一种新型的区分输电线路单相瞬时性故障与永久性故障的方法。当故障发生时，对于不同的故障性质（瞬时性故障或永久性故障），重合闸安装处母线的电压信号在不同时刻所蕴含的谐皮分量有所不同。根据对故障电弧电压信号的具体分析，提出了判别故障性质的奇次谐波能量判据，该判据适用于发生金属性故障或经过渡电阻故障时判故障性质。通过EMTP软件中的TACS功能对电弧故障的大量仿真，验证了该算法的有效性和准确性。且该判据仅利用了电压信号，所以基于此判据的单相自适应合闸是易于实现的。     

采用原子分解法的带并联补偿线路单相自适应重合闸

带并联补偿输电线路单相瞬时性故障时,故障相恢复电压阶段会同时存在工频分量和低频分量,从而形成拍频现象。目前,基于上述原理的自适应重合闸判据抗干扰能力不强,且不能确定准确的熄弧时间。对此,文中采用一种新的信号处理方法——原子稀疏分解法分析非线性故障信号,以提取瞬时性故障时恢复电压阶段存在的低频分量,进而对故障性质作出判别;同时,原子稀疏分解法较强的时域和频域分析能力可以准确地确定故障熄弧时刻,为线路断路器的重合时刻整定提供依据。仿真实验验证了所述方法能够有效提高自适应重合闸性能。     

带并联电抗器的超高压输电线路自适应重合闸新判据

对带并联电抗器线路发生瞬时性单相接地故障时跳开相的恢复电压特征进行了分析,应用拉普拉斯变换对恢复电压中的各种暂态分量进行了定量求解,从原理上揭示了恢复电压中衰减周期分量的产生原因.通过瞬时性故障与永久性故障时故障相端电压波形的对比,提出了识别永久性单相接地故障的跳开相端电压衰减周期分量幅值判据,并给出一种从跳开相端电压中提取低频衰减周期分量幅值的实用方法,该方法计算简单,判定迅速准确,且不受过渡电阻影响,可有效应用于带并联电抗器的超高压输电线路单相自适应重合闸故障性质的识别及重合时刻的选择.     

基于Prony算法的单相自适应重合闸故障识别方法

基于电压互感器“带通”特性及实际系统工频分量的特点，提出了一种适用于带并联电抗器的特高压输电线路单相自适应重合闸故障识别方法。首先，利用ATP-EMTP电磁暂态软件建立电弧模型；其次，使用Prony算法求取工频衰减因子，并计算固定时间窗内的衰减因子比；最后通过比较瞬时性故障和永久性故障衰减因子比的差异提出故障识别判据。通过大量仿真及计算表明，无论故障点位置在哪，该方法均能够正确、有效识别瞬时性故障和永久性故障。     

自动重合闸瞬时性故障的最佳重合时刻的智能捕获方法

自动重合闸的不同重合闸时间影响电力系统暂态稳定性，使得它的最佳重合时刻的捕获一直受到关注。但是以往的研究都没能解决其实时性问题。提出了一种新的智能实时捕捉方法，对瞬时性故障的最佳重合闸时间进行了捕捉。充分利用系统故障时的暂态信息，发挥小波分析的信号提取和神经网络的模式识别能力，用小波神经网络对系统仿真模型在不同运行方式和故障地点情况进行了仿真实现。试验结果表明本方法是可行的，并能满足实时性需要。     

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。     

基于小波神经网络的风力发电系统暂态电能质量分析

结合当前风力发电大规模发展、风电系统大规模并网的趋势,针对风电系统并网所存在的暂态电能质量问题,将广泛运用于信号处理的同神经网络相结合,构造了小波神经网络,详细的分析了小波变换和神经网络的基本原理,给出了小波神经网络的拓扑结构图及风电系统暂态电能质量的仿真。仿真结果表明,小波神经网络可以有效的对暂态故障进行检测、时间定位及预测,和其它控制方式相结合可以改善暂态电能质量。     

小波模糊神经网络应用于配电网输电线的故障测距

在小电流接地系统单相接地故障特征分析的基础上，提出了一种基于故障后稳态及暂态电气量的小波模糊神经网络的故障测距方法。单相接地故障时的暂态分量故障特征非常明显，且故障暂态高频分量受故障前负荷的影响较少，故可以采用故障暂态分量描述故障模式特征并进行故障定位，鉴于已有的小波神经网络模型不适合于故障测距，作者从广义的小波神经网络概念出发，结合模糊控制理论，提出了适合于电力系统故障暂态和稳态信号分析的小波模糊神经网络方法，并将该方法应用于小电流接地系统直配输电线路的故障测距。理论分析及大量的EMTP仿真结果表明：本文所提出的小波模糊神经网络理论，模型及算法具有较好的故障测距性能，并可应用于电力系统的故障分析。     

基于小波变换和神经网络的同步电机参数辨识新方法

准确地辨识同步电机参数,是研究分析电力系统运行和控制系统设计的前提。神经网络具有信号分离能力，但传统的人工神经元模型不适合分离同步电机的三相突然短路电流。为精确辨识同步电机的瞬态参数，文中提出了一种改进的人工神经元模型，并将小波变换和改进的线性人工神经元结合起来，对采集到的同步电机三相突然短路电流进行分析处理。利用小波变换对短路电流进行预处理，并辨识得到各个时间常数；根据辨识得到的时间常数来设定神经元激发函数中时间常数的迭代初始值，用改进的人工神经元模型对短路电流进行分离，得到其中的直流、基波和二次谐波电流分量，通过简单代数运算便得到电机的瞬态参数。仿真分析和实机试验表明，该方法能够有效地分离出短路电流中的信号成分，并且提高了电机参数的辨识精度。     

基于网络信息的瞬时性故障最佳重合时刻的整定方法及其实时预测

在支路暂态势能函数的基础上,根据暂态能量在网络中的分布与系统稳定性之间的关系给出了仅依赖于网络局部信息的瞬时性故障的最佳重合时刻的整定方法。仿真结果表明该方法能改善系统暂态稳定水平,有效抑制系统振荡。用自适应滤波的时间序列自回归(AR)模型预测算法对此最佳重合时刻进行实时预测。     

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。     

边缘检测在HVDC系统故障诊断中的应用

为了及时分辨HVDC系统故障类型并快速恢复,对直流输电标准测试系统在各种故障,包括交流系统发生故障、逆变换相失败故障以及直流线路故障下的典型响应特性进行了分析。采用劋trous小波方法将行波信号分解成不同尺度下的小波面,其中包含了该尺度下细节信息,实现对故障的边缘检测;提出了3种故障判别准则,推出了模极大值能量的概念,并利用反射行波信号的小波变换模极大值的幅值、极性及模极大值能量等变化规律对不同HVDC系统故障进行诊断,实现逆变器换相失败和交流系统单相故障的识别。MATLAB仿真结果表明提出的方法能很好地完成HVDC系统的故障诊断。