基于遥信数据故障编码技术及DHNN校正的电网故障诊断方法

提出采用故障编码技术形成故障空间最优编码集,然后通过模板匹配的方式进行电网故障诊断的方法。针对由于缺少前端故障遥信数据处理的清洗算法,造成故障诊断算法诊断正确率不高的问题,提出了建立离散Hopfield神经网络模型用于故障遥信数据的前端数据清洗的算法。利用故障遥信数据之间的相关性对遥信变位数据进行分组,并对各组数据分别采用所提出的算法进行数据清洗,利用穷举输入状态数据的方法求取了算法的修正域,从而建立了DHNN清洗模型。最终形成具有纠错能力的电网故障智能诊断方法,实现在故障诊断空间内对故障元件的诊断。通过实际电网的故障遥信数据的测试,验证了DHNN神经网络信息纠正模型和故障诊断模型对电网故障元件诊断的有效性。     

基于模糊匹配的配电网短路故障区段定位方法

针对传统10 kV配电网短路故障方法难以适应非健全信息环境的难题,文中利用配电网配用电信息系统的多源数据,以Elman神经网络模型为中心,建立基于模糊匹配的短路故障区段定位方法。首先,以配用电信息系统数据库为基础,对配电网短路故障相关的信号与电气量进行分析,建立配电网短路故障诊断特征库。然后通过I-Relief算法进行主要特征的筛选选取,来作为Elman神经网络的数据输入,并基于Elman神经网络模型对多源数据和配电网短路故障类型及位置进行模糊匹配。最后通过西南某地区实际算例分析,证明所提模型能高效快速地对10 kV配电网短路故障进行区段定位,且具有较好的容错性和实用性。     

基于组合神经网络的配电网故障定位方法

为解决实际配电网中量测装置不完备导致电气信息获取不完全、分布式电源大量接入改变电网运行特性、传统配电网故障区段定位方法难以应用的问题,提出一种基于组合神经网络的配电网故障定位方法。将全连接神经网络与图卷积神经网络相结合,搭建完整故障定位神经网络模型。神经网络模型输入层通过引入全连接神经网络将支路电流信息整合至节点上,为特征信息进一步传递做准备;隐藏层由图卷积神经网络进行特征决策信息的提取、处理与转化;输出层增加了全连接神经网络,调整输出维度以输出故障定位结果。采用改进IEEE33节点系统进行案例分析,研究表明,搭建的图卷积神经网络定位模型可对配电系统中单相接地短路、两相短路等常见故障进行准确的故障定位。     

基于多源数据及多维故障诊断空间的快速智能电网故障诊断方案

针对目前的电网故障诊断算法难以兼顾实时性和全面性,导致其无法满足调度实用化需求的问题,提出一种利用多源数据进行故障诊断的快速智能诊断方案。首先通过故障编码技术将遥信数据映射到故障诊断空间,形成故障编码集;然后针对仅用开关量数据的缺陷,提出利用广域量测系统（WAMS）中的电气量信息对故障编码进行修正和补充。接着将带标签的故障编码输入概率神经网络（PNN）进行训练,构造PNN分类模型。最后通过构造故障分析模块对保护和断路器误动、拒动情况进行分析,形成综合智能诊断模型。算例分析表明,该方法正确可行,可满足调度实用化要求。     

基于多源数据融合的Alexnet神经网络大电网故障诊断

针对电网在台风、冰冻等极端条件下发生故障的诊断问题,提出利用标准遥信及广域测量系统(wide area measurement system,WAMS)数据训练Alexnet模型,并应用于电网故障诊断的方案。首先利用标准故障遥信信息和WAMS数据构造Alexnet的输入图片矩阵,对Alexnet进行训练。然后对Alexnet输入图片高维特征提取方法进行分析,提出构造最优分布结构的输入图片矩阵方法,并形成故障诊断模型。最后以海南岛电网遭受台风袭击为场景,搭建仿真模型对Alexnet故障诊断模型进行验证。     

基于最优编码集及智能状态估计的电网故障诊断方法

当电网发生故障时,大量的遥信告警和变位信息上传到调度端,使得调度人员很难在短时间内对故障设备及故障类型做出准确的判断.因此提出了利用分组遥信数据识别故障类型,利用人工智能方法纠正差错遥信的电网故障诊断方法.对于此,将各种设备的标准遥信数据映射到故障诊断空间中,求取最优编码集,把故障遥信的故障空间编码值和故障空间最优编码...     

图学习与零序分量相结合的风电场集电线单相接地故障定位

由于风电场集电线线路短、连接风机多且风机间距小，传统行波测距等故障定位方法难以适用。为此该文提出一种图学习与零序分量相结合的新型层次化单相接地故障定位方案。首先，计及集电线拓扑信息构建图数据，应用图卷积神经网络进行图分类建模判断集电线故障区域；然后，为克服样本不平衡的影响，结合迁移学习进行模型串联，并引入代价敏感机制后处理分类结果；最后，利用风电场接地方式与箱变接线特点，基于双端零序分量推导与风机无关的故障区域测距公式。所提方案可跨越风机实现定位，并能克服数据不同步的影响，所需测点少，适用于含分支集电线。仿真表明，图卷积神经网络相对传统深度网络判断正确率更高，模型串联结合代价敏感机制可有效克服样本不平衡影响；故障区域判断与测距效果不受故障位置、过渡电阻和风速的影响。     

基于信息融合的光伏并网逆变器故障诊断

将多源信息特征融合应用于光伏并网逆变器故障诊断。选择电网侧电流和重要桥臂电压为融合对象,利用小波变换对数据进行预处理和特征提取,通过神经网络对特征值进行训练,得到故障诊断结果。仿真结果表明,采用多源信息特征融合可有效提高光伏并网逆变器故障诊断的精度。     

基于云边架构和小波神经网络的配电网故障诊断方法

电力物联网的建设促进了配电网故障诊断技术的发展。提出了基于云边架构和小波神经网络的配电网故障诊断方法,利用电力物联网的智能传感和通信技术,实现配电网故障诊断的同步数据量测及智能化信息分析。根据配电网同步相量测量单元(distributed phasor measurement unit,D-PMU)等装置对配电网故障进行分层处理,将经过小波变换的故障电流信号进行小波包变换分解得到故障特征向量,带入神经网络训练,输出诊断结果,实现快速收敛并减少了故障时间,提高了故障诊断精度。通过仿真算例验证,证明了所提方法的有效性。     

基于扩展公共信息模型的配电网故障诊断研究

为解决故障信息数据庞大、信息不确定性以及故障诊断算法的选择性等问题,本文依据IEC61970的公共信息模型(CIM)以及IEC61968的CIM扩展模型,搭建故障诊断信息统一模型,并在扩展故障信息模型的基础上,提出基于拓扑搜索的配电网故障诊断算法。该算法是在故障发生后,诊断程序调用以CIM为模型的配电网拓扑结构及故障信息数据,采用简单的深度优先搜索方法实现故障诊断。文中给出实现算法的流程图,并用某配电网局部联接图验证该算法的正确性,结果表明本文提出的故障诊断算法具有一定的可行性和准确性。     

基于大数据的配电网故障诊断预测模型设计

针对传统基于无线传感器的配电网故障检测模型对大数据环境下的配电网故障数据存在诊断准确率低、故障诊断耗时较长以及经济效益较低的问题,设计基于大数据的配电网故障诊断预测模型,其采用RSIA模型对大规模故障信息进行智能搜索,计算出最优约简得到决策规则,实现对配电网故障发生位置的初步定位。采用基于模糊积分的故障诊断预测模型,根据初步诊断结果确定发生故障的候选元件及模糊测度值,根据拓扑信息以及元件的诊断结果形成不同相关联度的支持度集合,采用模糊积分融合技术确定模糊积分值构成故障可能性指标集合,根据该指标确定配电网故障发生的准确位置。实验结果说明,所设计模型能提高大规模配电网故障诊断的精度,缩短诊断用时,提高配电网的安全性。     

基于联邦学习的含不平衡样本数据电力变压器故障诊断

基于海量样本数据的深度神经网络可以显著提升电力变压器的故障诊断效果，但实际环境中各变压器本地数据被“数据孤岛”隔离，难以进行集中式深度训练。联邦学习可以实现多源数据的共同建模，但各变压器的非独立同分布不平衡数据会使算法性能严重下降。针对上述问题，提出一种基于联邦学习的含不平衡样本数据电力变压器故障诊断机制。与传统深度学习集中训练方式不同，文中采用多个参与者分布训练方式。每个参与者采用LeNet-5深度神经网络进行本地训练，中央服务器将本地模型进行聚合，同时引入改进的数据共享策略对云端共享数据进行选择性下发，以降低非独立同分布数据的不平衡性。实验结果证明，该机制实现了各变压器独立且不平衡数据的协同训练，对变压器故障类型的诊断精度可达到97%。     

旋转机械故障诊断的量子神经网络算法

针对故障模式之间存在交叉数据的诊断不确定问题，将多层激励函数的量子神经网络引入多传感器信息融合之中，提出一种基于量子神经网络的多传感器信息融合故障诊断算法。并将其应用到旋转机械故障诊断中，通过测试被诊断设备的振动速度和加速度信号，求出两传感器对各故障模式的故障隶属度，利用多层激励函数的量子神经网络进行信息融合，得到融合的各故障模式隶属度值，确定真正的故障模式，提高了故障诊断的准确率。     

基于图卷积网络的配电网无功优化

高级量测体系的建设和深度学习技术的快速发展使得不依赖于物理模型,而是通过挖掘历史数据和先验知识快速地找到最佳无功优化策略成为了可能。为此,提出了一种基于图卷积网络(graph convolutional network,GCN)的配电网无功优化方法。通过邻接矩阵来表征配电网节点间的拓扑信息,所提出的算法能够有效地挖掘节点负荷之间的相关性,并利用深层图卷积架构映射电力设备状态与负荷数据之间复杂的非线性关系。仿真结果表明,GCN的无功优化精度和鲁棒性皆优于卷积神经网络、多层感知机和案例推理等现有的数据驱动方法,且求解时间远低于传统的启发式算法,可以满足配电网无功优化实时性的需求。     

基于多源异构数据的配电网故障信息挖掘与诊断

配电网海量运行数据为其运行分析提供了良好的基础,如何挖掘多源异构数据诊断故障是提升配电网安全运行水平和优质服务水平的关键。文章以生产管理系统、故障抢修以及SCADA数据为对象,分析多源信息构成与属性,建立SCADA事件的预集规则,并匹配关联故障抢修事件与SCADA数据。基于数据来源、属性等不同维度,综合考虑数据预集规则,对多源异构数据进行分类组合与融合,并存储于大数据hadoop平台。基于多源异构数据的配电网故障诊断首先对事件进行判断,挖掘与故障相关的保护动作、遥测、事故汇总等,明确故障对象、内容与属性,并结合辅助信息验证诊断结果。利用该策略建立的系统部署于某城市配电网,其诊断性能及正确率满足要求,可有效提高配电网数据挖掘与分析能力,为调度运行及检修提供支撑。     

基于改进的方向性加权模糊Petri网配电网故障诊断

为提高配电网保护动作信息丢失时故障诊断的准确率及容错性，提出了基于改进的方向性加权模糊Petri网配电网故障诊断方法。首先，考虑故障发生时近后备保护对可疑故障元件故障诊断的影响，对可疑故障元件的各个故障蔓延方向进行建模；其次，在专家经验的基础上采用随机数对模型输入权值进行随机赋值；最后，在保护动作信息丢失时，跟踪改变可疑故障元件保护未动作的可信度取值，并分析该故障诊断方法的适应性与容错性。仿真结果表明，所提基于改进的方向性加权模糊Petri网配电网故障诊断模型在信息不完备或者保护及断路器拒动时，均具有较高的故障诊断准确率。     

改进决策树对10kV配电网分支线断线故障诊断与定位的优化分析

针对10 kV配电网分支断线故障难以被诊断的问题,在利用配电网多源数据的基础上,提出改进决策树的断线故障诊断与定位方法.该方法先通过数据间的关联规则,对已有的多元数据进行分析,建立兼具电气量特征、时空量特征的故障诊断表.然后利用决策树对故障特征进行计算,找出其关键故障特征信息,并与关联规则进行匹配,最终确定分支断线接地故障的位置.实际算例结果显示,改进决策树法可以准确地对10 k V配电网分支断线故障进行诊断,并具有计算速度快、兼容性好的优点.     

基于神经网络算法的感应电机故障诊断方法

本文研究电机转子断条故障的诊断机理,选取小波包分析作为信号处理的前置手段,得到输出神经网络的特征向量。神经网络通过学习训练得到诊断结果,将小波的局部特性和神经网络的自学习特性结合起来,使诊断系统具有自适应分辨性和良好的容错性。本研究已经应用于电机故障诊断教学实验,针对特征向量提取方法实现了故障的诊断和区分。     

电力系统故障诊断遥信量遗漏分析

针对输电网故障诊断过程中的遥信量遗漏问题,提出建立事实事件集和虚拟事件集,并以事件集为结点进行故障的因果链诊断。根据故障信息的内在逻辑关系构造虚拟事件集结点,通过分析因果链的合理性来判断构造是否成立,将信息遗漏情况和拒动、误动状态区分开来。最终实现在故障诊断过程中识别遥信量遗漏、评价保护动作情况的功能,从逻辑上解释故障后保护设备的行为。算例验证了所提算法的有效性。     

潜在等式约束的配电网遗传算法故障定位

如何建立遗传算法故障诊断数学模型,是提高配电网故障定位准确性和算法容错性能的基本前提。通过将一个由设备状态信息确定的多变量等式约束条件,经不同的等价变换,隐含于开关函数中,建立一个新的故障诊断数学模型。由于潜在等式约束条件的存在,避免了寻求最优解存在一值多解的可能性,能够实现配电网在有无信息畸变情况下单一故障的精确定位,具有很高的容错性。仿真结果证明了该算法的有效性。