基于 BP 神经网络的电容式电压互感器谐波测量误差修正方法

110 kV以上电压等级电压普遍采用电容式电压互感器(capacitive voltage transformer,CVT)。针对实际应用CVT时存在的杂散电容效应导致的二次侧谐波电压无法按额定变比反映高压侧谐波实际值而存在测量误差的问题。通过建立CVT等效电路模型,对CVT杂散电容对谐波测量的影响进行了仿真分析,并通过构建人工神经网络模型对CVT 2-25次谐波电压传递系数进行预测,在此基础上,提出了一种CVT误差修正方法。仿真分析表明,所构建模型可以很好反映杂散电容对CVT测量结果的影响,可对CVT谐波电压的测量进行有效预测,所提误差修正方法也为降低CVT测量误差,提高测量精度进行了有益的尝试和参考。     

500kV电容式电压互感器试验方法改进

本文中作者对现有测量方法和改进测量方法进行了详细的理论分析,并利用两种方法对500kV电容式电压互感器进行预防性试验。     

电容式电压互感器在我国的发展

由于设计和制造技术的进步,电容式电压互感器(简称CVT)作为一项重要的输变电设备,近十年来在我国得到了很大发展。它在高压和超高压电力系统中广泛应用于电压、功率和电能的计量,提供继电保护装置的电压信号,同时可以兼作耦合电容器用于载波通信系统,发挥着一机多能的作用。越来越多的用户认识到CVT的一系列优越性,     

电容式电压互感器准确度的研究

1概述电容式电压互感器（简称CVT）是一种十分重要的高压输变电设备,主要用做电压测量和继电保护的信号取样装置,其电容分压器还可兼作电力线载波通讯用的耦合电容器。作为一种功率测量计费用的电压信号取样装置,准确度是CVT的一个重要技术性能指标。通常,CVT的准确度等级以在规定运行条件下,其电压误差的百分限值表示。它包括两个方面,即电压比值误差和相角差。其中电压比值误差是由于互感器的实际变比不等于额定变比所造成的电压误差;而相角差是指一次电压与二次电压相量之间的相位角的差值。电压误差的百分值用下式表示：电压…     

改进电容式电压互感器的讨论

电压互感器在电能计量装置中是一个重要的环节,在分析了电容式电压互感器结构和基本工作原理的基础上,结合多年电网变压器设备运行情况以及事故统计分析,分析了电容式电压互感器的使用现状,并提出了改进建议,对于电容式电压互感器的使用有一定的参考意义。     

500kV电容式电压互感器现场交接试验方法

目前，现场进行５００ｋＶ电气设备交接试验存在一些困难，如缺乏试验方法，试验设备不易解决等。为使该试验能在现场进行，华北电力科学研究院对此进行了研究和探讨，通过模拟试验，摸索了一套现场试验方法。     

电容式电压互感器的现场测量

电容式电压互感器的现场测量河北省电力试验研究所陈志勇，阎春雨，高骏河北省电力系统运行的电容式电压互感器（简称ＣＶＴ）越来越多。国内外较先进的ＣＶＴ均为电容分压器座落在电磁装置上形成单柱式给构。现场测量ＣＶＴ分压电容器的介质损耗和电容量是交接试验和预防...     

基于传递熵和小波神经网络的电子式电压互感器误差预测

电子式电压互感器目前的主要问题是长期运行后的准确度退化问题.现行的方法有定期离线校验和在线校验,前者不利于及时发现互感器的误差变化,后者需要标准器并网运行,无法大规模应用.基于这一现象,文中提出了基于传递熵和小波神经网络的电子式电压互感器误差预测方法.先根据传递熵分别选取比差和角差的主要影响因素,然后将筛选所得的因素作...     

基于小波包和改进BP神经网络的变压器励磁涌流识别方法

根据励磁涌流和内部故障电流的波形特征存在巨大差异,提出一种基于小波包和改进BP网络的识别励磁涌流的新算法。利用小波包对励磁涌流和故障电流信号进行分解和重构,提取小波包重构系数,计算各频段的能量并进行归一化处理,构造能量特征向量,作为BP网络的输入样本,进行训练和测试,提出保护判据。经过PSCAD/EMTDC和MATLAB软件对大量样本进行仿真验证,证明该方案能够快速准确地识别励磁涌流和内部故障电流。     

基于BP神经网络群的中压配电网电压降落估算

对影响农村中压电网电压降落的因素进行了分析,利用神经网络具有自学习、联想记忆功能以及逼近任意非线性映射的能力,提出了基于BP神经网络群的中压电网电压降落估算方法。为解决由于样本多、分类空间复杂而易导致网络不容易收敛的问题,采用分层的BP网络群结构,将样本分类,由各BP子网进行单类样本训练,完成对样本的并行训练及测试。该方法依据电压降落影响因素及实际电网结构参数,确定神经网络输入输出特征量;按照线路负荷分布类型将样本分类,减小了BP网络训练复杂度;根据样本误差和误差变化调整学习率和冲量因子,提高了BP网络学习效率。实际算例结果验证了所提出方法的有效性和可行性。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于混沌序列优化的BP网络油纸绝缘变压器寿命预测

变压器在服役期间其各个部分都会发生老化,影响其使用寿命。通过刻画其健康程度有助于电力部门预测变压器在运行期间的故障率以及剩余寿命,对确保变压器的安全运行极为重要。文中利用变压器故障浴盆曲线的思想,对收集到的变压器故障率进行Weibull拟合,得到故障率曲线;考虑变压器运行环境与负荷因素,利用糠醛含量构建健康指数剩余寿命预测模型。通过混沌序列优化BP神经网络权重参数进行数据挖掘,构建起多参数关联的变压器寿命预测模型,并引入交叉验证机制提高网络泛化能力。通过实例训练与测试对比,说明提出的方法有较高的预测精度,能准确运用于变压器的寿命预测。     

一种基于电压对电容灵敏度的台区电压控制方法

目前,中低压配网电压尚未得到很好的控制,低压台区存在功率因数正常但电压偏低的问题。针对该问题文中给出了一种基于电压对电容灵敏度的台区电压控制方法,该方法考虑了电容器实际发出无功功率随电压变化的特性。给出了电压对电容的灵敏度矩阵求取方法,并以此为基础提出了一个新的低压电容远程控制策略。通过对IEEE 33节点配网模型的仿真,验证了文中控制策略的有效性与合理性。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于BP神经网络的最佳风煤比寻优

传统风煤比寻优通常采用求解燃烧函数解析式,再求极值得出最佳风煤比,这一方法可靠性差而且工作量大。提出用BP神经网络拟合燃烧函数,并结合Matlab中的优化工具箱求解最佳风煤比。仿真计算的结果表明所用的方法能很好地适应（克服）燃烧函数的非线性,所得的风煤比可以取得较高的燃烧效率。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

采用高压加压法校核电压互感器(放电线圈)变比

电压互感器(放电线圈)的基本工作原理与变压器相似。电压互感器(放电线圈)将高电压变为低电压,以供测量和保护等二次设备使用。电压互感器(放电线圈)如在运行中出现故障,或测量不准确,将会造成保护跳闸,影响电网的安全稳定。因此,应当重视电压互感器(放电线圈)的试验检查,特别是对异常的电压互感器(放电线圈)应当采取高压加压法进行变比校核。