基于优化深度神经网络的配电网单相接地故障诊断

随着我国配电网的不断扩大,当配电网发生单相接地故障时,迅速找出并切除故障线路是供电可靠性的保证之一.提出了一种暂态故障特征和稳态故障特征相结合,并采用交叉熵损失函数和改进学习率优化的深度神经网络对故障进行辨别的方法.结果表明,方法有效地减少了深度神经网络的迭代次数,提高了学习效率.在辨别单相接地故障时,采用交叉熵损失函...     

基于CBAM-ResNet和多域特征融合的配电网故障选线方法

传统配电网故障选线模型大多采用零序电流时频特征作为选线判据，单一信息域特征无法全面反映故障信息差异、适用范围存在局限性。为了提高模型复杂工况下选线准确率，提出一种基于卷积注意力机制优化双分支残差网络(CBAM-ResNet)和多域特征融合的配电网故障选线方法。首先，利用变分模态分解-希尔伯特变换和格拉姆角场将采集的零序电流信号分别映射为二维时频域和空间域图像，构建能够全面的反映故障信息的多域图像训练集；其次，通过CBAM-ResNet网络深层次挖掘并融合多域特征信息，卷积注意力机制能对多域特征的重要性进行区分，加快网络训练速度，提高分类准确性；最后，将融合特征输入全连接层实现对配电网故障线路的选取。仿真结果表明，该方法相比传统选线方法具有更高的选线精度和噪声鲁棒性。     

行波技术在配电线路接地故障检测中的应用

针对配电网接地故障运行工况较为复杂,故障选线可靠性和故障测距的准确性直接影响到配电网运行的安全性问题,结合行波接地故障选线及测距原理,研究了基于行波法的配电线路故障选线及测距技术。将该技术应用到河南油田下二门变电站中,测试结果表明：该故障选线定位测距方法能够准确求出配电网接地故障段的故障参数,并能对故障进行精确定位测距,提高了配电网故障选线排除效率和测距定位的精确性。     

行波技术在配电线路接地故障检测中的应用

配电网接地故障运行工况较为复杂,故障选线可靠性和故障测距精确性会直接影响到配电网运行的安全性问题。结合行波接地故障选线及测距原理,研究了基于行波法的配电线路故障选线及测距技术。实际测试结果表明,该故障选线定位测距方法能准确求出配电网接地故障段的故障参数,并能对故障进行精确定位测距,提高了配电网故障选线排除效率和测距定位的精确性。     

行波技术在配电线路接地故障检测中的应用

针对配电网故障选线可靠性和故障测距准确性,直接影响配电网运行的安全性问题,结合行波接地故障选线及测距原理,研究了基于行波法的配电线路故障选线及测距技术。将该技术应用到某油田变电站中。测试结果表明:该故障选线定位测距方法能够准确求出配电网接地故障段的故障参数,并能对故障进行精确定位测距,提高了配电网故障选线排除效率和测距定位的精确性。     

基于相电流离散度分析的配电网接地故障选线方法

针对配电网在发生单相接地故障时电力调度员缺乏研判信息和故障处理效率不高的现状,提出了基于相电流离散度分析的故障选线方法.对故障前后线路的相电流特征进行理论分析,采用改进的离散度计算方法,并考虑实际操作过程中的容错性和统一性,将不同中性点接地方式的选线流程进行融合,利用最大离散度差值法实现故障选线.使用SCADA系统中的故障实例数据验证和ATP-EMTP故障模型仿真,结果表明:该方法能够有效提升故障选线效率,提高配电网供电可靠性指标,具有实际的工程应用价值.     

基于S变换相关度和深度学习的配电网单相接地故障选线新方法

针对配电网发生单相接地故障时特征信息不明显,且现有选线方法易受故障条件和环境噪声影响的问题,基于S变换相关度和深度学习,提出一种具有强抗噪声能力和高泛化水平的配电网单相接地故障选线新方法.首先,利用S变换获取零序电流时频信息,基于各线路零序电流的全频段信息计算线路故障信息相关度;其次,为提高故障特征的可辨识度和抗干扰性...     

基于有效频带内暂态电流差值的配电网故障选线

配电网发生故障时,单相接地故障发生的概率占70％以上,而故障选线法易受弧光接地、运行方式等因素的影响.在研究故障后暂态电流分量特征的基础上,对有效特征频带的选取进行分析,并根据有效特征频带内的暂态电流差值进行故障选线,提高了配电网故障选线精度.     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

结合小波包变换和5次谐波法的谐振接地系统综合故障选线方法

为了提高谐振接地系统单相接地故障选线的可靠性和准确性,提出了一种充分利用故障暂态信息的选线方法,综合考虑了故障线路与非故障线路零序暂态电流小波包分解系数的极性关系和模值关系,定义并计算了各条线路的故障特征值。在各特征频带相同时,可通过比较各线路的故障特征值直接得到选线结果;特征频带不一致时,结合5次谐波法和小波分析自适应地进行故障选线。随机设定了20种单相接地故障,并应用该选线算法进行选线,选线准确率达100%。说明该选线方法不受故障点位置、接地点过渡电阻和故障时刻的影响,具有很高的可靠性和准确度,且在有多回线-缆混合馈线的情况下,具有较高的选线效率。     

基于深度置信网络的交直流配电网直流故障检测技术

随着多源交直流配电网的发展,其直流故障检测技术已成为直流保护的关键。针对直流部分发生配电线路故障时故障电流大且上升迅速以及故障特征不易提取的特点,文中提出一种结合时域和频域特征提取的基于深度置信网络(deep belief network, DBN)的交直流配电网故障检测技术。通过对故障等效回路进行特征分析,分别利用傅里叶变换和相模变换提取故障电流、电压信号的频域和时域特征作为DBN的输入,并使用Softmax分类器输出故障选极和故障区域识别结果。在PSCAD上搭建交直流配电网模型对算法进行测试,仿真结果表明,所提检测方法在线路分布电容和控制策略的影响下依然具有很高的准确性,且有很强的耐受噪声能力,同时进一步的算法对比实验说明故障特征提取和深度学习模型训练相结合能够完成交直流配电网复杂直流故障的检测。     

基于GA优化BP神经网络的有源配电网高阻接地故障选线方法

当配电网发生高阻接地故障时,逆变型分布式电源的接入会向零序网络中注入不平衡的谐波电流,改变原有故障特征的分布规律,导致传统高阻故障选线方法失效。考虑光伏电源接入对配电网的影响,提出了一种基于GA优化BP神经网络通过融合多种故障特征的有源配电网高阻接地故障选线方法。首先,利用Matlab/Simulink搭建谐振接地系统仿真得到选定周波的故障零序电流,根据小波包变换从中提取小波包能量熵和模极大值,并将其作为数据样本。然后,将数据输入优化后的网络中进行训练,得到能够实现智能选线的机器学习模型。最后,算例分析表明该方法较传统算法提高了迭代速度和训练精度,在多种复杂故障条件下具有良好的选线容错率,且具有一定的抗噪能力。     

基于对比歧化和深度置信网络的配电网故障类型识别

针对配电网数据分支多、设备类型多样、现有故障诊断方法精度低的问题,提出基于深度置信网络的配电网故障诊断方法。该方法建立了4种不同层数的深度置信网络,将配电网的实际监测数据分为训练和测试数据导入到深度置信模型,采用对比歧化算法优化初始参数选择和加速模型训练,测试模型对样本的识别精度,建立改进BP神经网络和Petri网对比故障识别精度。结果表明,深度置信网络可以通过实时分析配电网实时监测数据,准确辨识配电网故障类型,提高了配网故障诊断的准确率和速度。     

基于改进的两支路ResNet的配电网接地故障辨识和选线

配电网故障类型与故障馈线准确、快速辨识有助于提高配电网供电可靠性。文中鉴于故障辨识与选线的故障信息利用率低,且分类器挖掘故障深层次特征能力不足。提出了以多标签多分类的思路,搭建两支路改进的ResNet并列训练进而同时实现配电网接地故障辨识和选线。首先,引入小波分析对各类电气量进行分解并构造时频矩阵,以分频带分时间段提取时频矩阵的初级特征矩阵,作为网络输入量。其次,改进一种适用于故障类型与故障馈线准确、快速辨识的多分支残差单元结构,以此单元结构首尾相连并构建两支路ResNet同时实现配网故障辨识与选线。仿真实验结果分析,相较于MLP网络、原ResNet,以改进的ResNet完成配电网故障辨识与选线,指标评估结果更优,并能验证所提方法具有更强的适应性和容错性。     

基于小波和深度学习的配电网单相接地故障辨识

随着配电网规模的不断扩大,发生单相接地故障后产生的危害也愈加严重,为避免故障进一步升级,必须迅速采取措施切除故障。配电网故障辨识有利于快速查明故障原因,进而采取相应措施切除故障。同时,故障辨识也是故障选线的前提。针对上述情况,文中介绍了一种利用小波分析提取故障特征量并用深度神经网络进行故障辨识的方法。结果表明,该方法可对小电流接地系统各类单相接地故障进行辨识且辨识准确率高,而且辨识精度受噪声污染影响比传统人工神经网络小。     

基于小波AlexNet网络的配电网故障区段定位方法

文中提出一种基于深度网络迁移学习的配电网故障区段定位方法。利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92%,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。     

基于TensorFlow框架的有源配电网深度学习故障定位方法

随着大规模分布式电源(DG)接入配电网,配电网的结构由传统的辐射型变为多端电源结构,传统的故障定位方法不再完全满足含DG的配电网系统,对此提出一种基于深度学习的有源配电网故障定位方法。首先通过馈线监控终端采集过电流故障数据与节点电压数据,结合各电源出力数据,形成故障数据向量;然后使用Tensorflow构建基于全连接网络的深度神经网络模型,挖掘故障数据向量与故障支路之间的映射联系,形成故障定位模型;最后利用该模型在线定位故障并验证其有效性。模型测试结果表示,与反向传播神经网络、学习向量量化神经网络模型相比,深度学习模型收敛速度更快,故障定位准确率更高,同时在数据畸变或缺失时,模型具有较高的容错性。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

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。