基于小波神经网络的超高压输电线路行波测距保护研究

针对超高压输电线路的超高速保护而建立人工神经网络模型,将输电线路行波信息和高频暂态电流信号经小波变换数据预处理,并提取相关时域和频域特征值之后作为分布式神经网络的输入,以通过人工神经网络来准确识别线路故障类型、故障位置,为实现保护的超高速动作提供判据。     

双极直流输电线路暂态高频小波能量保护

随着高压直流输电的推广,针对直流系统的保护配置也在不断改进。直流线路作为直流输电系统的核心元件,其保护配置一直是研究重点。本文利用小波变换提取故障暂态时电压高频信号,通过检测电压高频信号小波能量突变量的大小及比较正负极小波能量的大小,提出一种直流输电线路的全线速动保护新方法。该方法原理简单、动作迅速、耐过渡电阻能力强。利用PSCAD搭建仿真模型,对各种类型故障进行仿真,结果表明,该保护具有绝对的选择性,能有效可靠保护直流线路全长。     

小波分析在输电线路故障检测中的应用

当输电线路发生故障时,准确、及时地切除故障是减少经济损失最直接的措施.小波变换具有良好的时频局部化特性,能准确定位信号的奇异点,因而在故障检测方面有广泛的应用价值.利用小波变换模极大值原理对线路故障信号的奇异点进行检测,并应用MATLAB进行了仿真研究,仿真表明该方法在输电线路发生故障时能快速准确地检测到故障点.     

输电线路暂态量保护的研究进展

输电线路的暂态量保护原理是继电保护的重要新原理之一,保护装置是有望应用于特高压系统,实现故障的超高速切除．针对课题组近10年的暂态保护研究工作进行了较为全面的总结,介绍了一套面向实用化的暂态量保护总体方案,由高速的主保护（双端纵联的方向保护）、超高速的辅保护（单端的边界保护）和配套元件（用于启动、识别雷电干扰、识别合闸于故障、故障选相等）构成;构建了一套暂态量保护的实验装置,包括一台能够同步采集暂态信号并实时进行保护计算与判断的实验室样机和一台能够输出保护用模拟信号的暂态信号发生器．基于EMTP仿真数据和现场行波实录数据,对装置进行性能测试试验,表明暂态量保护原理算法和实验室样机是可行的、动作速度为2—8ms．同时,探讨了影响暂态量保护实用化的互感器高频暂态信号传变特性问题和输电线路高频载波的干扰问题．     

小波奇异熵及其在超高压输电线路暂态保护中的应用

在研究小波变换、奇异值分解及信息熵理论的基础上,进行了线路模型参数的选择研究,分析了小波奇异熵的应用原理和本质,并将其应用于超高压输电线路的暂态保护,同时提出了基于小波奇异熵的暂态保护判据。基于PSCAD/EMTDC的故障仿真结果表明:该保护判据能快速准确地识别区内、外故障,并且不易受到故障时刻、过渡电阻、故障位置等因素的影响,具有较好的适应性。     

小波理论与行波理论在供电线路上的应用

介绍了行波在输电线路上的理论计算方法和传输特性,并结合实际提出了波阻抗和波速的简易测量方法,同时给出了小波变换的基本理论及小波基函数的选择依据.在此基础上,从故障测距、故障性质判断和继电保护三个方面提出了将行波理论与小波变换理论相结合在输电线路上的具体运用,该方法能够实现故障的精准定位,故障特征提取以及提高继电保护的灵敏性.     

高压直流输电线路边界保护算法

暂态量保护是直流线路继电保护的主要研究方向之一,分析直流输电线路及其边界的频率特性,研究直流线路区内外故障判别的边界保护原理;利用快速的改进递归小波变换提取特征差异显著的故障暂态特定频率分量幅值,并构造边界保护的实用算法.经过大量PSCAD仿真实验测试,该边界保护算法可以正确判别故障范围、识别故障极,保护性能不受故障距离、故障类型及过渡电阻等因素的影响.     

基于提升小波的输电线路短路故障奇异点检测

输电线路的破坏大多由短路故障引起．通过分析短路故障,采用提升小波对故障后的电流进行检测．仿真结果表明,提升小波能有效地检测输电线路短路故障信号的奇异点．同传统小波变换相比,提升小波变换计算速度更快,计算方法更简单．     

基于小波变换和ARMA-PSO神经网络的输电线路停运率时变模型

元件停运率时变模型是电力系统运行可靠性评估和风险评估的基础,其准确度直接影响运行可靠性评估的结果。由于输电线路长期暴露在大气环境中,气候因素是导致输电线路发生故障的主要原因,基于历年数据,提出一种具有时变、随机、检修回退等特点输电线路停运时变模型。首先对原始数据预处理后采用小波进行分解和重构,获得各尺度域上的小波系数;然后分别对各尺度域上的小波系数分别进行ARMA-PSO神经网络建模、预测和整合,建立输电线路故障停运时变模型,最后,结合某实际输电线路,并进行算例分析。分析结果表明,基于小波变换和ARMA-PSO神经网络模型的输电线路停运率时变模型具有较高的精度,既反映了输电线路停运率时间相依的规律,也可用于未来时段输电线路停运率的预测,为电力系统运行可靠性评估提供了重要的数据来源。     

动态小波变换在单相重合闸故障判别中的应用研究

分析了输电线路发生单相接地故障时,永久性故障与瞬时性故障电弧燃烧的特性,提出一种基于动态小波变换的自适应单相重合闸故障类型的判别方法。小波变换能够准确地检测到电力系统故障突变信号的特征,而傅里叶变换能够较准确地反映工频信号量,将二者结合起来构成的动态小波变换,不仅可以检测到故障信号中的工频分量,还可以检测到谐波分量。动态小波变换与常规小波变换相比,检测故障突变信号的能力更强。将其用于单相重合闸故障类型的判别,可以在熄弧之前进行判断,具有快速、准确的显著特点。仿真结果验证了该方法的有效性。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于模糊神经网络的模拟电路故障诊断算法

将小波包分析、模糊理论和神经网络有机结合在一起,提出了一种基于小波包特征提取和模糊规则的模拟电路故障诊断的神经网络算法。计算和仿真实验结果表明,该方法可以减少网络的训练规模,加快网络的收敛速度,能够为模拟电路故障诊断提供一种新的有效的方法。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

小波神经网络用于非线性函数逼近的研究

神经网络具有良好的学习特性,而小波变换具有良好的时频局部化特性,将二者结合在一起构成小波神经网络,网络隐层采用morlet小波函数,输出层采用线性函数,可使该网络兼具神经网络和小波变换的优点.作者分别用小波网络和BP网络逼近一非线性函数,其结果表明,在相同的误差条件下,小波网络的收敛速度要远远快于一般的BP网络.     

高压输电线路距离保护克服过渡电阻能力研究

高压输电线路中存在较大的过渡电阻,很容易引起距离保护拒动或误动.分析特高压单侧电源经长线路出口故障和双侧电源长线路出口故障时过渡电阻对距离保护工作的影响,探讨单侧电源助增电流网络、外汲电流网络中过渡电阻对测量阻抗的影响,并给出2种网络结构在不同地点处保护测量阻抗的计算公式.研究能较好躲过渡电阻特性的零序电抗继电器、自适应接地距离继电器、神经网络距离继电器,分析比较不同方法的优缺点及适用场合.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于神经网络学习控制的图像挖掘算法

针对传统神经网络算法进行图像分类识别时收敛速度慢,学习过程中可能出现震荡甚至收敛于局部极小值的情况,提出了一种小波变换融合神经网络的图像分类识别方法.利用高斯小波基函数取代神经网络隐含层中的隐节点函数,采用小波神经网络参数初始化方法和改进的模拟退火算法自适应调整学习过程中的网络权值参数,从而解决了神经网络的学习效率低等情况.结果表明,本文方法对5类动物图片的正确分类识别率为84.0%,较传统神经网络和稀疏表示的正确分类识别率提高了4.2%和6.1%.