Petri网和冗余纠错技术结合的配网故障区段定位新方法

由于配电系统拓扑结构的复杂性和多变性、故障过程动态离散事件描述的特殊性，使得Petri网原理在故障区段定位(FSL)中的应用研究受到限制。文中提出了Petri网与冗余纠错技术结合的配电系统FSL的新方法：依据SCADA系统所汇集FTU的信息分析，通过两次冗余纠错技术消除信息畸变对FSL的影响；在自适应获取故障拓扑结构的基础上，将配电系统的FSL问题转换为对锁定单-FTU的Petri网求解。该法具有强的通用性、简易性、快速性和准确性；可有效提高FSL的容错性能，具有高的实用价值。     

基于混合因果网络的配电变电站故障诊断

因果网模型具有快速求解诊断结论的优势,但其浅层知识推理的性质,又使诊断结论易受不确定信息的影响。根据变电站内局域网能获得全方位信息的可行性,如事件序列记录(SOE)、断路器变位信息序列、故障录波等。文中提出了基于混合因果网模型的故障诊断方法,该方法的要点是充分运用信息间的关联性提取冗余信息,并用做冗余纠错分析和深层知识推理;提出了5类基本因果关系节点用于构造混合因果网及其规则矩阵。研究的关键点是可确保对状态向量正确的布尔赋值。仿真结果证明能有效提高在线故障诊断的容错性能,使混合因果网模型具有高实用性。     

基于遗传算法的配电网故障定位和隔离

目前配网的故障定位和隔离采用故障电流分析方法,在实时信息序列中存在畸变信息时有可能错判或误判。本提出基于遗传算法的配电网故障定位和隔离,能进行全局寻优求解,并通过对实时信息进行０、１编码和构造评价函数实现寻优。当这时信息中出现畸变信息时,能自动纠错和进行准确的故障定位,并具有高容错性能。仿真结果证明了该方法的有效性。     

基于编码PETRI网的电网故障诊断

作者将离散动态系统故障诊断方法用于电力系统,对基于Petri网的电网故障诊断方法进行了进一步的研究.以一条电力线为例,建立了以该线路为对象的Petri网模型,引入冗余库所监督原Petri网库所状态.讨论了该线路所有可能发生的故障,提出了新的故障映射方法.结合差错控制原理,利用一致校验矩阵和错误伴随式,对Petri网库所状态进行检错,纠错.文中给出了关键矩阵(生成矩阵)的构造方法.仿真计算结果表明该方法计算简单,仿真速度快,采用差错控制原理,可保证诊断精度.可应用于在线实时监控系统.     

基于MOPSO的含分布式光伏配电网故障区段定位

光伏等分布式电源接入配电网,影响故障电流的分布,导致传统配网故障区段定位方法不再适用,对此提出基于MOPSO的含分布式光伏电源配网故障区段定位方法。针对配网发生单相接地故障情形,基于故障暂态分量确定终端状态的编码。考虑在不同光照强度下光伏电源提供的故障电流特性,构建满足光伏电源动态投切的开关函数。针对使用单目标优化智能算法易造成不收敛,以及NSGA-II计算复杂度较高的问题,提出采用多目标粒子群算法(MOPSO)定位故障区段。该算法避免了对权值的选取,且计算复杂度低。算例分析表明所提方法能实现含光伏配电网发生单一和多重故障的区段定位,且对畸变信息具有一定的容错性。     

基于零序阻抗模型故障特征的含分布式电源配电网故障区间定位方法

电力系统配电网的故障区间定位是故障精确测距的基础,其研究对尽快恢复供电及减少停电经济损失具有重要作用。分布式电源(DG)的引入增加了故障区间定位的难度,为此提出一种基于电源端测量数据的含DG配电网故障区间定位新算法。该方法在含DG配电网零序阻抗模型的基础上,根据故障点的故障特征搜索故障支路关联节点,定位故障区间。算例仿真结果表明所提出方法具有区间定位准确度高、鲁棒性强和计算速度快的优点。     

基于多源信息的配网单相接地定位研究与应用*

针对配网单相接地故障区段定位困难问题,通过理论分析提出了基于相电流、零序电流突变的研判方法。利用不同配电自动化终端的采样特性,综合多设备的遥测量,实现配网线路单相接地的精准定位。将相关方法应用于配网单相接地故障研判,在不增加监测装置的条件下有效提升了故障处置效率,结果验证了所提故障定位方法原理简单、定位速度快、准确率高。     

基于数据挖掘的配网设备故障智能检测研究

以准确和高效检测配网设备故障为研究核心,提出基于数据挖掘的配网设备故障智能检测方法。采用基于时间序列的配网设备运行数据预处理方法,预处理配网设备运行数据中的噪声点异常数据,提高数据质量;将预处理数据导入基于数据挖掘的配网设备故障智能检测模型中,计算配网设备运行故障的概率,定位存在故障的配网设备位置,实现配网设备故障智能检测。结果表明:配网设备故障检测精度高,可实时检测配网设备故障。     

含DG配电网保护的电流方向元件及其在故障定位中的应用

分布式电源(DG)接入配电网以后,其结构由单电源单方向的辐射型网络转变为多方向的多源网络,传统的功率方向元件不再满足配网保护的经济性和速动性的要求。提出了一种基于故障电流的无压方向判别元件,利用故障前电流和故障后电流之间的相位差判别方向。将该方向元件应用于没有安装电压互感器配电网的故障定位当中,提出基于故障方向信息的故障定位算法,该方法速度性好,原理简单,可靠性高。     

基于混合算法的含DG配电网故障区段定位

针对现有故障区段定位方法在含分布式电源DG(distributed generation)配电网定位效果不理想,且故障信息畸变会影响故障区段定位准确性的问题,提出了一种基于蝙蝠和差分进化的混合算法的故障区段定位方法。首先在蝙蝠算法中引入差分进化算法,然后建立含DG配电网拓扑结构的开关函数和区段定位评价模型,解决了含DG配电网故障区段定位问题。该混合算法提高了收敛精度、多样性,避免种群个体陷入局部最优,算例仿真结果验证了该算法能够准确地定位含DG配电网的单一和多重故障区段,具有良好的容错性。     

基于神经网络实用稳定性理论提高FNN容错性的方法及其在电力系统中的应用

在神经网络（NN)实用稳定性理论和对前馈神经网络(feed-forward neural network,NFF)容错性能（fault-tolerance performance,FTP)理论分析的基础上,提出了一种提高FNN容错性的实用方法,该法建立了基于FNN学习与模糊处理相结合的FNN模型重构机理,以改变FNN“伪吸引子”和“伪吸引域”来地提高FNN的FTP。文中以电力输电线路故障诊断为例,通过仿真测试证明了所提方法的可行性,并能有效地提高FNN的FTP,所研究的方法为基于FNN实时信息处理系统的实际应用提供了重要的保证。     

A fault segment location method for distribution networks based on spiking neural P systems and Bayesian estimation

With the increasing scale of distribution networks and the mass access of distributed generation, traditional centralized fault location methods can no longer meet the performance requirements of speed and high accuracy. Therefore, this paper proposes a fault segment location method based on spiking neural P systems and Bayesian estimation for distribution networks with distributed generation. First, the distribution network system topology is decoupled into single-branch networks. A spiking neural P system with excitatory and inhibitory synapses is then proposed to model the suspected faulty segment, and its matrix reasoning algorithm is executed to obtain a preliminary set of location results. Finally, the Bayesian estimation and contradiction principle are applied to verify and correct the initial results to obtain the fnal location results. Simulation results based on the IEEE 33-node system validate the feasibility and efectiveness of the proposed method.     

基于DSP三相逆变电路在线故障诊断研究设计

以三相SPWM逆变系统为研究对象,建立了逆变器主电路开关器件的开路故障模式,提出了基于BP神经网络的故障诊断方法,确定了网络的结构和参数,设计了基于DSP电力电子逆变电路的在线神经网络故障诊断系统。通过试验验证了所提方法的正确性和可行性。     

基于多代理系统的含DG辐射状配电网故障定位

分布式电源(DG)的高渗透接入使配电网结构发生了改变,导致传统的配电网故障定位算法失效.基于含多DG辐射状配电网拓扑结构的特点,构建多代理系统的配电网故障定位框架,该系统主代理根据子代理上传的电源端故障量测量建立RBF神经网络故障测距模型,估计各电源端到故障点的故障距离,考虑上传量测量误差对相邻线路分界点故障定位的影响...     

基于智能优化深度网络的轨道电路故障诊断研究

针对无绝缘轨道电路故障的随机性和复杂性,采用单一诊断模型存在提取特征片面,且模型结构经验设计不合理的问题,提出一种智能优化深度网络的故障诊断方法。首先以轨道电路信号集中监测系统的6个电压检测量建立故障特征集,使用卷积神经网络（CNN）提取特征空间信息,长短期记忆网络（LSTM）提取时间特征信息,从而让轨道电路故障诊断所提取的特征兼具时空信息;同时,引入遗传算法（GA）优化上述深度神经网络的结构及参数,并结合强化学习中的Q-learning方法对两个组合网络特征级的输出权重进一步优化;最后,使用多层感知器（MLP）对深度网络的分类误差进行拟合修正,提高模型对轨道电路的故障诊断精度。仿真结果表明,利用智能优化的深度网络模型对轨道电路的故障诊断相较于单一模型、精炼设计的组合模型识别率可达99.28%,评价指标等均有所提升,具有更高的故障诊断准确度,证明了智能优化深度网络能进一步提高轨道电路的故障诊断性能。     

基于核主元分析和多级神经网络集成的汽轮机故障诊断

提出一种基于核主元分析(KPCA)和多级神经网络集成的汽轮机故障诊断方法.该方法首先采用KPCA对汽轮机故障样本数据进行特征提取;然后计算相互独立训练出的多个神经网络个体在验证样本集上的泛化误差,并选择其中精确度较高的子神经网络作为集成的个体;最后采用基于正交最小二乘算法的径向基函数神经网络来集成各个子网的输出并得到最终的诊断结果.在某汽轮发电机组故障诊断中的应用表明,该方法具有较高的精确度和稳定性.     

基于贝叶斯和模糊L-M网络的变压器故障诊断

针对现今电力变压器故障诊断方法中存在编码不齐全、准确率不高等一系列问题,研究贝叶斯理论的神经网络算法,提出一种基于贝叶斯正则化优化L-M （Levenberg-Marquardt）算法神经网络的变压器油色谱故障诊断方法.算法采用贝叶斯方法确定超参数,使得神经网络在训练过程中能自适应地调节超参数的大小,得出目标函数的最优化参数.同时,该方法运用模糊理论对改良三比值法的边界模糊化,将得到的特征气体比值编码作为网络模型的输入,有利于去除冗余信息,并且克服了编码边界区间过于绝对的缺点.最后,运用仿真软件对典型变压器运行数据进行仿真,验证了该算法的可行性.结果表明,建立的模型对变压器进行故障诊断时迭代次数为21次,实际值与预测值的误差平方和仅为0.000618.     

三种变压器故障诊断方法比较研究

变压器常规诊断的油中溶解气体的三比值法(IEC),在目前变压器故障诊断中有着广泛的应用,许多人工智能技术在电力变压器故障诊断中的应用都是基于IEC法进行研究的,并在此基础上提出了基于神经网络和模糊神经网络的变压器故障诊断专家系统。该文将传统IEC三比值法、神经网络法和基于IEC三比值法的模糊神经网络法进行了比较。本文结合实例对这三种诊断方法进行了分析与探讨,指出了传统的IEC三比值法的不足,神经网络法和基于IEC三比值法的模糊神经网络法的优点等。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

基于粗糙集和RBF神经网络的变压器故障诊断方法研究

针对变压器故障诊断神经网络模型存在网络结构复杂、训练时间长等问题,提出基于粗糙集及RBF神经网络的变压器故障诊断方法。运用粗糙集理论中无决策分析,建立基于可分辨矩阵和信息熵的知识约简算法,进行数据挖掘,寻找最小约简;以处理后的数据集合作为训练样本,采用高斯函数作为径向基函数,分别求解方差及各层权值,建立变压器故障诊断模型。通过测试对比,此算法虽然略微降低诊断正确率,但网络结构简单、训练速度快、泛化能力强,对提高神经网络在变压器故障诊断中的应用性能有较好的指导意义。