基于暂态分量的配电网单相接地故障测距的研究

在对配电网单相接地故障零序电流分析的基础上,提出了基于暂态分量的配电网单相接地故障测距方法,利用小波包重构系数形成各频段的能量值,构造出测距的特征向量,并引入支持向量机映射该特征向量与故障距离之间的对应关系.仿真结果证明该算法是有效的.     

采用CWP-EM和IPSO-WNN的配电网单相接地故障定位

随着用户对供电质量要求的不断提高,在线解决配电网单相接地故障定位问题成为供电部分的迫切需要。为此提出了一种中性点不接地或经消弧线圈接地的配电网单相接地故障定位的新方法,采用基于卷积型小波包能量矩(CWP-EM)的特征提取方法,对暂态电流信号进行特征向量的提取。相比传统的小波包能量特征提取方法,此方法能更有效地提取信号在各频带上的能量分布特征,并构造特征向量以作为基于免疫粒子群优化算法(IPSO)的3层小波神经网络(WNN)的训练样本集。最后,利用训练好的小波神经网络实现单相接地故障的定位。MATLAB仿真计算结果表明,提出的方法能够充分利用配电网单相接地故障信息,实现更快、更精确的单相接地故障的定位。     

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。     

基于双通道混合网络融合支持向量机的电容层析成像流型辨识

针对两相流流型辨识精度低的问题,提出一种基于双通道混合网络融合支持向量机的流型辨识算法。通过多尺度卷积核对电容向量进行多尺度特征提取丰富特征层信息,利用压缩激励网络(squeeze-and-excitation networks,SENet)关注卷积核通道上重要特征张量,调整各通道的重要占比,此外引入多头自注意力机制对电容向量的深度特征进行学习。将带有SENet的多尺度卷积通道与多头自注意力通道进行特征融合形成双通道辨识模型,最后将双通道模型有效捕捉到的电容向量特征的特征送入支持向量机中进行训练并测试。仿真实验结果表明,相比于BP神经网络、SVM、1DCNN算法,所提算法在流型辨识中的平均辨识率显著提升,高达98.6%。     

暂态零序电荷-电压特征与支持向量机结合的谐振接地系统故障选线研究

提出了一种暂态零序电荷-零序电压(Q-U)特征与支持向量机(SVM)相结合的配电网谐振接地系统故障选线方法。为解决配电网故障选线不可靠的问题,从配电网暂态故障特征出发,研究单相接地故障后馈线暂态零序电荷与零序电压的故障特征关系。并以各条馈线零序电荷与电压相关系数作为选线特征输入量,通过结合支持小样本分类的支持向量机分类算法,建立了一套基于暂态零序Q-U特征的配电网故障选线流程。在PSCAD/EMTDC仿真软件下建立35 kV的谐振接地系统模型,大量仿真结果表明该方法不受故障距离,故障时刻的影响,特别在高阻,电弧等工况下仍然能够实现正确故障选线。     

基于VMD-CNN的小电流接地系统故障电弧检测方法研究

构建准确且符合特定场景的电弧模型,研究电弧小电流接地的电流信号特征,并基于可量测电气量信号进行处理,对于及时可靠辨识故障电弧具有重要意义。提出一种小电流接地系统故障电弧的检测方法,通过建立故障电弧模型,基于变分模态分解算法(Variational Mode Decomposition, VMD)和卷积神经网络算法(Convolution Neural Network, CNN)对故障电弧进行准确辨识。首先,采用改进“控制论”电弧模型,基于PSCAD软件平台搭建了典型10 kV配电网仿真模型和接地“控制论”电弧模型。其次,采用变分模态分解算法对故障情况下的电气信号进行处理,得到4组电流信号的固有模态分量(Intrinsic Mode Function, IMF)。然后,提取包含信号基频成分的第一组IMF(IMF1)作为卷积神经网络(CNN)的输入。最后,应用CNN对IMF1进行特征识别,正确辨识正常与电弧故障情境。实验与仿真结果显示,通过利用VMD-CNN识别方法,提高了对原始电流信号识别准确度,能准确检测出故障电弧。     

基于多源信息融合的配电网故障选线新方法

配电网小电流接地系统单相接地故障频发且故障信号特征微弱,导致现有的故障选线方法效果欠佳。利用S变换强大时频分析能力对单相接地故障的零序电流暂态特性进行分析,根据能量最大值原则确定特征频带,提取各条线路特征频带下的零序有功能量特征、S变换暂态能量特征和S变换综合相角特征等故障特征量作为输入量,结合最小二乘法支持向量机分类算法的数据融合特性,建立配电网故障选线保护新方案。仿真结果证明了所提方法的有效性。     

基于改进PSO-BP网络的配电网故障选线与测距

利用子群优化神经网络(PSO-BP)提出更适合配电网故障选线与测距算法,使配电网线路得到更好的优化。针对配电网单相接地故障特征,开展系统单相接地故障稳态分析,系统单相接地故障暂态分析,以及系统单相接地故障谐波分析,得到影响选线及测距的因素,进一步提出PSO-BP网络改进算法,通过分析BP算法的结构模型以及粒子群优化算法,结合2种算法,得出改进PSO优化BP的算法流程,明确基于改进PSO-BP网络的配电网故障选与测距的操作方法,从而更好的为配电网故障的定位选线是以测距提供准确、可靠的数据。     

基于GA-BP改进算法的配电网接地故障选线方法

针对采用单一故障信息的配电网接地故障选线方法存在的缺陷,提出一种基于遗传算法(GA)改进BP神经网络的融合选线算法。该算法分别采用5次谐波法、有功分量法和暂态能量法从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障程度,然后将这些故障程度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并通过GA优化BP神经网络的权值和阈值,避免神经网络陷入局部极值,使得选线模型达到较高的精度。仿真结果表明,在采用真实录波数据作为样本的情况下,所提改进算法比BP神经网络算法的选线精度更高,满足配电网单相接地故障选线精度要求。     

基于行波全景故障特征自辨识的高阻接地故障检测方法

受故障信号微弱、配电网存在噪声干扰等因素的影响，高阻接地故障情况下行波波头提取和检测困难，导致基于行波信号的高阻故障检测方法可靠性不高。针对上述问题，提出一种基于行波全景故障特征自辨识的高阻接地故障检测方法。首先，借助行波全景波形对高阻接地故障与正常暂态扰动电压行波信号的时-频差异性进行分析；然后，搭建卷积注意力模块-卷积神经网络（convolutional block attention moduleconvolutionneuralnetwork,CBAM-CNN）模型，使其较传统的卷积神经网络（conrolutionneralnetwork,CNN）模型更具抗干扰能力，将行波全景波形以灰度图形式输入卷积神经网络，实现对多维故障特征的提取与利用；最后，在PSCAD上搭建10 kV配电网模型进行各种故障条件下的仿真分析。结果表明：所提方法能够可靠检测高阻接地故障，抗噪性能良好，且不受故障位置、过渡电阻、初相角的影响，大大提高了基于行波信号的高阻接地故障检测方法的可靠性与灵敏性。     

GA优化LVQ网络的配电网接地故障选线方法

针对配电网故障相电压过零点且高阻接地故障选线困难的问题,文中提出了应用遗传算法优化学习量量化神经网络的配电网单相接地故障选线方法。首先利用小波分析方法提取线路零序电流信号的模极大值,以此作为学习量量化神经网络的输入向量,采用局部搜索算子改进的遗传算法去优化神经网络的初始权值向量,解决了网络对初始权值的敏感性问题。加速网络的收敛过程,提高网络的聚类精度,实现对不同故障类型进行故障线路的快速、准确识别。仿真结果表明,该方法有效地减少了传统学习量量化神经网络选线的误判几率,提高了选线速度和精确度。     

基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法

为减少居民生活用电浪费现象,非侵入式负荷监测技术显示出其重要性。基于事件检测的情况下,该文提出一种基于卷积神经网络耦合双向长短时记忆神经网络(convolutionalneuralnetworksandBi-directionallong short-term memory,CNN-BiLSTM)与动态时间规划(dynamic time warping,DTW)的非侵入式住宅负荷监测方法。首先通过概率质量函数计量负荷的运行状态信息,提取出稳态运行时的U-I特性曲线图;然后将图片归一化为统一格式的灰度图,利用卷积神经网络提取出特征向量作为负荷印记;将其输入至双向长短时记忆神经网络中进行辨识,并利用动态时间规划算法优化辨识结果,实现高精度的负荷辨识。最后,利用PLAID公开数据集对于所提算法进行仿真验证,实验证明所选负荷印记具有良好的辨识性能,辨识算法相比对比算法具有更高的信度与准确率。     

小电流接地系统单相接地故障选线方法的研究

对小电流接地系统进行简单介绍,并以小电流接地系统中的中性点不接地系统为例,进行单相接地故障分析。对支持向量机的理论和基本算法进行详细的阐述,对支持向量机算法在小电流接地系统单相接地故障选线中的应用进行了有意义的尝试,针对中性点不接地系统单相接地故障建立支持向量机模型,给出了故障选线仿真结果,结果表明使用该方法有着比较高的选线准确率,具有一定的可行性。     

局部均值分解与支持向量机相融合的配电网故障定位

为了提高电源配电网的故障定位准确度,提出一种局部均值分解与支持向量机相融合的配电网故障定位方法。首先应用局部均值分解提取配电网故障定位特征,然后采用支持向量机对配电网故障进行分类和定位,最后采用仿真实验测试方法的性能。仿真结果表明,该方法可以快速、准确地对配电网故障进行定位,而且故障定位性能要优于其他配电网故障定位方法。     

基于改进暂态相关分析和支持向量机的电弧故障选线研究

提出了一种综合电弧模型。并针对电弧接地情况复杂的特点,提出了一种暂态零序电流和两相电流差特征和支持向量机(SVM)相结合的配电网单相电弧故障时的选线方法。研究暂态零序电流和故障相与非故障相两相电流差的关系,将其用小波分析方法变换到特征频带(625~1 250 Hz)内进行相关分析。将得到的各馈线的相关系数作为特征输入量,结合支持向量机(SVM)分类算法,建立了针对配电网单相接地电弧故障的选线流程。在EMTP中仿真,并经Matlab中进行数据处理后。结果表明,该方法对于不同中性点接地方式、不同距离、不同故障时刻发生的电弧故障,均能正确地选出故障线路。     

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。     

基于C型行波与SVM的配电线路故障定位

在进一步研究C型行波故障定位方法的基础上,通过对现有配电网故障定位方法的分析,针对我国配电线路分支较多,故障信号难以捕捉的特点,提出了基于C型行波与支持向量机SVM(support vector machine)的配电线路综合故障定位的方法。该方法不仅融合了C型行波在故障测距中的优势与支持向量机在模式识别方面的功能,而且采用小波降噪技术对故障信号加以处理,通过优化SVM参数,并与BP人工神经网络法进行对比得出:SVM分类法能够准确判断故障区段。经过EMTP与Matlab仿真实验表明:C型行波与支持向量机相互结合的方法能够准确地对带有多分支的配电网进行单相接地故障的定位。     

基于多核支持向量机的混合扰动波形辨识算法研究

针对特征提取手段自身局限性导致的扰动典型特征间边缘重叠对混和扰动辨识的影响,提出一种基于多域特征优选的多核支持向量机辨识算法。首先,利用多种特征提取手段获取混和扰动多域典型特征。其次,为考虑高维特征与目标类别的相关性和度量尺度的规范化,利用改进的最大相关最小冗余准则优选用于辨识的关键特征子集,进而利用计及半径信息的多核SVM来辨识混合扰动波形。仿真结果表明,所提辨识算法能够克服混合扰动特征空间模糊对辨识精度的影响,受噪声影响小,稳定性好。     

基于小波和深度学习的配电网单相接地故障辨识

随着配电网规模的不断扩大,发生单相接地故障后产生的危害也愈加严重,为避免故障进一步升级,必须迅速采取措施切除故障.配电网故障辨识有利于快速查明故障原因,进而采取相应措施切除故障.同时,故障辨识也是故障选线的前提.针对上述情况,文中介绍了一种利用小波分析提取故障特征量并用深度神经网络进行故障辨识的方法.结果 表明,该方法...     

基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。