基于交叉验证深度置信网络的少样本柔直计量装置故障诊断方法研究

为识别柔性直流输电系统计量装置的故障,提出了一种基于深度置信网络的故障诊断方法。该方法首先从合并单元端获取、解析数据并分成训练样本和测试样本;然后将这些数据用于训练深度置信网络。 最后将模型的故障诊断结果和实际样本的标签组合为一个交叉验证集合,从而测试深度置信网络性能。仿真结果表明,相比于支持向量机和BP神经网络,该文提出的基于深度置信网络的方法可以更加稳定、可靠地识别故障样本少的柔性直流计量装置的故障。     

基于深度学习算法的配电网故障定位检测研究

当架空配电系统发生故障时,需要立即响应,并且运用时域反射(TDR)方法来检测故障检测位置。然而,在具有多支路的复杂网络和变压器、开关柜等配电设备中,由于TDR脉冲的波形失真和幅值减小,故障点的准确检测十分困难。本文提出了一种基于深度学习的TDR波形故障点检测方法。该方法可应用于分支配电网中观测到多次反射波的故障位置和故障类型的检测。由于深度学习算法需要大量的波形数据,我们开发了一种快速模拟方法来创建数据。为了快速模拟电路,功率分配线路被当作一个传输线,从而推导出传输线的基本矩阵。此外,通过基本矩阵的级联表示了配电网络的等效电路模型。利用MATLAB对等效电路进行计算,快速得到TDR波形数据。使用它来创建多分支架空配电网络模型的众多TDR波形数据,并使用深度学习算法进行故障位置检测。结果表明,对故障发生地点的识别准确率达到96.8%     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于深度置信网络的短期风电功率预测

为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法.该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈...     

基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明：所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到...     

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。     

基于深度学习的变电站继电保护系统故障诊断与预测

在电网规模不断扩大、电网越来越复杂化的今天,电网安全管理与监测变得越来越重要。所以在当前情况下确保电网的安全、平稳和可靠运行已经成为各大供电公司工作的焦点。变电站作为电网必不可少的组成部分,承担着供、配中心责任。在科学技术水平不断提高的形势之下,电网技术和设备都发生了翻天覆地的变化,变电运行管理逐步向信息化和智能化方向迈进。对变电所而言,继电保护对变电所的作用日益显著,其重要性逐渐被人们所了解。研究成果能够为确保电网安全、稳定、可靠供电质量提供理论依据。由于继电器系统复杂、工作环境不确定等特点,给其故障诊断与预报带来了很大难度。     

多源量测环境下基于深度强化学习的配电网分布式状态估计方法

文章在全时空量测环境下,基于深度分布式强化学习方法,提出了配电网分布式状态估计方法。首先,提出了多种量测体系的标准形式及其转换模型;其次,针对不同的量测体系,给出了线性和非线性的状态估计方法;再次,基于传统深度强化学习,提出了深度强化学习的分布式状态估计方法;最后,以实际电网为例,验证了所提方法的有效性。     

基于故障过流度的配电网故障区域定位新矩阵算法

针对现有配电网故障区域定位算法存在的问题,提出一种基于故障过流度的配电网故障区域定位新矩阵算法。该算法通过网络描述矩阵和故障信息矩阵计算比较故障时各区段的故障过流度,判定发生故障的区段,实现对配电网的故障定位。算例分析表明,该算法有效,适用于单电源、多电源和馈线末端故障等各种情况。     

基于马氏距离算法的配电网故障定位系统研究

为了满足智能配电网故障定位的实时性、可靠性、准确性等需求,提出了基于马氏距离算法的配电网故障定位系统。以IDT智能配电终端作为系统运行状态电气量实时采集核心模块,按F检验获得元件电气量变化显著性概率P值初判故障元件和故障类型后,通过马氏距离算法准确定位故障区域和故障元件,并采用IEEE9节点系统的三相短路故障对配电网故障定位系统进行测试分析。仿真结果表明,该系统能真实地反映配电网故障后故障区域和故障元件的电气量变化,可满足智能配电网在线故障定位需求。     

基于HHT配电网不对称接地故障测距新方法

为了增加配电网不对称接地故障的测距精度,减少配电网故障导致的损失,提出一种基于HHT配电网不对称接地故障测距新方法。该方法应用Hilbert—huang变换提取故障零序电流在不同频率段内不同时刻的能量分布特征。应用遗传算法以故障分支、故障类型、故障距离、接地电阻和故障时刻为变量,以不同频率段内能量分布匹配程度为适应度函数,对Matlab／Simulink仿真所得各种不同故障条件下故障零序电流特征与原始故障信号进行特征匹配,利用遗传算法对故障条件进行自动搜索,以能量分布最为匹配的故障点作为输出,故障特征最为匹配的故障条件下的故障点位置即为输出的故障距离。该方法较大程度上提高了配电网不对称接地故障测距的准确性。     

基于CNN-SVM的配电网故障分类研究

针对CNN在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。     

基于改进的BP神经网络学习算法的变压器故障诊断

电力变压器的故障除了给其自身带来重大损失外,还对电力系统的安全造成很大影响。利用BP神经网络对变压器故障进行诊断,针对BP神经网络学习率的缺点,提出了一种跟踪型自适应学习率的确定方法,该方法仅需整定一个参数,有效地提高了BP神经网络的收敛性和训练时间,进而通过构建变压器故障诊断训练样本集,验证了该方法的可行性,获得了更精确的诊断结果。     

基于PRB-SAE算法的非线性系统建模及故障诊断方法

提出了一种基于并行重构堆叠自编码的故障诊断方法。该方法在常规堆叠自编码器基础上引入预设故障方向,采用梯度下降法在所有可能的预设故障方向上进行数据重构,通过比较重构后的平方预测误差（SPE）来确定最佳故障方向和故障幅值,从而抑制残差污染。针对大规模复杂系统的高维特点,进一步通过并行重构方法来提高数据重构效率,减少计算时间,满足在线诊断要求。采用数值算例和工程算例来验证所提方法的有效性。结果表明：该方法对于单参数简单故障和多参数复杂故障都有很好的诊断效果,与常规堆叠自编码方法相比,大大降低了故障误诊率,提高了诊断准确性。     

基于电流变化的环状直流配电网故障定位方法

针对现有故障测距方法无法同时对单极接地故障和极间故障进行定位,以及利用电容放电阶段进行故障定位时忽略了多端换流站都会对故障点注入电流等问题,提出一种利用故障线路上的全电流分量对多端柔性直流配电网进行故障定位的方法.通过联立与故障点相邻两网孔的电压方程,从算法上解决了过渡电阻对求解故障位置的影响.在simulink中搭建...     

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...     

基于深度学习的配变停电电量损失预测

停电电量损失预测可为电网调度及规划提供参考,有利于为用户提供可靠供电服务。针对当前配变停电过程中的电量损失问题,先基于模糊C均值聚类算法实现对配变负荷曲线的分类处理及精细化分析,挖掘配变负荷数据规律;在此基础上,运用皮尔逊相关系数算法提取选择输入特征,构建基于门控循环单元神经网络的预测模型,从而得到停电时间负荷值,进而分析预测负荷曲线得到损失电量;最后,基于停电管理工作分析,实现基于粒子群优化的台区用电行为停电优化问题求解。算例测试验证了所提方法的正确性和有效性。