基于Seq2Seq技术的电力系统暂态稳定评估方法

电力系统暂态稳定的评估识别有助于电网运营商制定系统扰动和故障后的纠正控制措施.引入深度学习思想,提出了一种基于Seq2Seq技术的电力系统暂态稳定评估方法.首先,梳理电力系统暂态稳定评估指标;然后以GRU为神经元,引入注意力机制,建立暂态稳定评估模型.算例验证表明:所提方法能够深入学习到样本数据中的时序性依赖特征,有效...     

基于多参数的混合线路故障类型识别方法

随着城镇化建设的推进以及跨海输电工程发展,采用架空-电缆混合线路越来越多,快速准确识别混合线路中发生的故障类型和故障点是保证电网稳定运行的基础。根据混合线路实际情况建立单相金属性接地、单相高阻接地、两相金属性短路、直击雷故障(包括绕击情况和反击情况)、感应雷故障这5种故障源,通过改变故障距离等参数得到对应电流数据;基于各种故障情况下对电流数据的整体分析,定义震荡指数、谐波畸变率、波形相似度均值、能量指数这4种特征量,针对每种特征量定义阈值,对数据分层定量分析,达到故障类型识别的目的。     

基于小波包和模糊Petri网的输电线路故障类型识别方法

提出一种基于小波包和模糊Petri网的输电线路故障类型识别方法。利用小波包对故障电流信号进行分解,并计算出各频段的能量值,以此能量特征值作为训练样本对模糊Petri网模型进行训练优化,使用测试样本对模型进行测试,实现输电线路故障识别。通过算例仿真验证,表明该方法具有一定的有效性和实用性。     

基于模糊逻辑的高压输电线路故障类型识别新方法

本文在对高压输电线路故障类型识别原理及实现方法进行总结分析的基础上,利用模糊集合理论适用于求解具有不确定信息或具有不确定线性划分关系问题的优势,提出了基于模糊逻辑具有分层结构的输电线路故障类型识别新方法.仿真结果表明,本文所提方法不仅能正确识别高压输电线路的故障类型,而且还不受输电线路系统模型结构的限制,具有较强的通用性和实用性.     

基于CNN-ViT的滚动轴承故障类型识别方法

针对在滚动轴承的故障诊断中,一维信息无法充分挖掘数据特征的问题,提出一种基于卷积神经网络–视觉Transformer(Convolutional neural networks-vision transformer,CNN-ViT)的滚动轴承故障类型识别模型。首先将一维时域振动信号转化为二维灰度图以更好地表现数据特征,并在ViT模型基础上增加CNN对二维灰度图进行上采样,解决了挖掘数据特征不足以及ViT模型训练时的稳定性问题。通过所提模型对轴承不同故障类型及不同损伤程度进行识别。为了验证所提方法的有效性,采用某数据集进行实验验证,同时将所提方法与其他深度学习模型的诊断结果进行了对比。验证结果表明,该方法的准确率为99.4%,具有较高的精度。     

基于小波变换和BP网络的输电线路故障类型识别

提出了基于小波变换和BP网络的输电线路故障类型识别方法.建立了基于Matlab仿真技术的输电线路模型,根据该模型,提取故障前后的三相电流和零序电流信息,经过小波变换输入BP神经网络,BP网络的输出即为故障类型识别的结果.仿真结果表明,该故障定位方法准确可靠.     

基于电流故障分量特征和随机森林的输电线路故障类型识别

为提高输电线路故障选相的精确性,提出了一种基于电流故障分量特征结合随机森林的输电线路故障类型识别新方法.分别在多个短时序列下计算三相电流故障分量能量相对熵与零序电流故障分量能量和,并按特定顺序把在各短时序列下计算得到的结果组成特征样本向量,以表征输电线路故障类型特征.建立随机森林智能故障类型识别模型,并利用故障特征样本...     

基于人工免疫算法的输电线路故障类型识别新方法

根据人体免疫系统阴性选择机理,提出一种改进的阴性选择算法,能准确地识别"自我"与"非我",还能识别出不同的故障类型,并克服了传统阴性选择算法知识表达能力差、无法设定匹配阈值、抗噪能力差和搜索效率低等缺点.在分析输电线路故障特征的基础上,首次将阴性选择算法应用于输电线路故障类型识别中,并提出了一种基于故障暂态电流能量的故障类型识别新方案.基于PSCAD/EMTDC的仿真试验结果表明:该故障类型识别方案能快速准确地识别各类故障,并且不易受到故障时刻、过渡电阻、故障位置、系统容量等因素的影响,具有较好的适应性.     

基于小波变换和BP网络的输电线路故障类型识别

提出了基于小波变换和BP网络的输电线路故障类型识别方法。建立了基于Matlab仿真技术的输电线路模型,根据该模型,提取故障前后的三相电流和零序电流信息,经过小波变换输入BP神经网络,BP网络的输出即为故障类型识别的结果。仿真结果表明,该故障定位方法准确可靠。     

基于人工免疫算法的输电线路故障类型识别新方法

根据人体免疫系统阴性选择机理,提出一种改进的阴性选择算法,能准确地识别“自我”与“非我”,还能识别出不同的故障类型,并克服了传统阴性选择算法知识表达能力差、无法设定匹配阈值、抗噪能力差和搜索效率低等缺点。在分析输电线路故障特征的基础上,首次将阴性选择算法应用于输电线路故障类型识别中,并提出了一种基于故障暂态电流能量的故障类型识别新方案。基于PSCAD/EMTDC的仿真试验结果表明：该故障类型识别方案能快速准确地识别各类故障,并且不易受到故障时刻、过渡电阻、故障位置、系统容量等因素的影响,具有较好的适应性。     

基于分形理论的输电线路故障类型识别新方法

提出了基于分形理论的高压输电线路故障类型识别新方法。根据故障后对各相暂态分量电流和零序暂态电流的分形维数计算和分析,提取和形成了故障类型识别判据。通过对不同故障类型和特征的大量ATP仿真和检验测试,证明了应用分形理论识别输电线路不同故障类型的可行性和有效性。     

基于GRU神经网络的送电线路故障在线检测方法

为防止因输电线路故障导致事故影响的范围进一步扩大,提出一种基于改进的长短期记忆网络GRU对电力系统中输电线路的故障在线识别的方法。采用固定时间窗口移位标记的方法对故障起始时刻附近数据编码,搭建故障起始时刻判别逻辑;再根据返回的起始时刻对故障清除前的节点运行数据映射故障位置及类型。最后在PSCAD/EMTDC中以新英格兰10机39节点为例利用python API接口实现联合仿真。结果表明该方法能够快速准确地识别故障,模型准确率在98.91%以上,可为后续动作和故障分析提供依据。     

基于准测距结果的输电线单相故障性质识别

提出利用单相故障恢复电压阶段输电线路两端电气量进行故障测距,确定故障点位置,从而通过故障点电压幅值进行故障性质识别。指出由于断开相恢复电压较低,测量会存在误差,导致测距也会有误差,因此对此测距称为准测距。利用准测距结果可准确判断故障性质。针对工程应用,提出了该方案的工程算法,计算分析结果证明算法精度能够满足工程应用的要求。该判据性能基本不受负荷电流、故障接地电阻、故障位置的影响,但由于需利用线路两端电气量,其可靠性依赖于线路的通信系统。理论分析与仿真实验验证了了所得结论的正确性。     

基于红外图像识别的输电线路故障诊断

红外图像中输电线路故障的准确识别一直是困扰检测人员的难题。本文借助红外成像仪获取输电线路温升变化图像,从分析输电线路红外图像的特征入手,通过比较各颜色空间的优缺点,应用HSI颜色空间转换获得图像边缘信息,借助中值滤波保持边缘信息的优势,利用改进的中值滤波排除干扰,采用梯度法提取其中的温度最高区域,从而迅速准确地诊断输电线路温升故障。以输电线路的红外图像为例,验证了HSI空间梯度法识别温度最高区域的可行性和有效性。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。     

基于改进GoogLeNet的小电流接地系统故障选线方法

针对传统小电流接地系统故障选线方法准确率低、鲁棒性弱的问题,文章提出一种基于改进GoogLeNet的小电流接地选线方法.首先,利用小波变换将零序电流信号映射为二维时频图,制备小电流接地数据集;然后,在GoogLeNet网络基础上通过迁移学习共享已训练模型权重来提高原网络检测精度;其次,在原网络全连接层前通过引入Batc...     

基于深度学习的特高压直流闭锁故障智能调度决策

针对特高压直流闭锁故障的处置策略问题,提出一种基于深度学习的故障特征建模方法及故障后电网调度策略生成方法,所提智能调控决策依据电网直流故障特征和运行环境信息,通过大数据驱动模型训练得到故障后的调度策略。首先根据故障环境信息,利用故障影响相关性提取有效故障信息,构建故障特征模型。然后介绍深度学习类神经网络原理和多层感知器模型,提出利用深度网络提取训练故障前后运行特征,自动生成调控策略的思路。之后利用反向传播算法构建深度学习框架,通过不断计算损失函数和准确率修正训练模型,自动生成有效故障处置策略。最后利用锦苏直流特高压线路相关的电力系统验证了所提方法的有效性。     

基于深度学习和图像识别的电力配件智能出入库

针对电力配件种类繁多、型号各异,依靠射频识别(radio frequency identification,RFID)技术开展电力配件出入库管理,不能覆盖所有电力配件,容易出现出入库、退库不准确、效率低,以及出入库电力配件质量不满足生产要求的问题,开展基于机器学习和图像识别的电力配件智能识别研究.首先采用灰度处理、二值...     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。