基于深度置信网络的电压暂降特征提取及源辨识方法

提出一种基于深度置信网络(DBN)的电压暂降特征提取与暂降源辨识方法,利用DBN的特征提取能力对实测波形数据进行特征自提取,解决了人工提取特征过度依赖专家经验,受未知特征影响较大不具备一般性的问题。采用多隐层结构网络学习特征最终实现暂降源辨识。该模型集特征提取器与分类器于一体,优化了模型结构框架,提高了暂降源辨识效率。对模型最优参数进行选择,建立适用于电压暂降实测数据类型的DBN模型,对电网实测暂降数据进行特征提取与暂降源辨识,通过对比验证了DBN方法在特征提取与暂降源识别上的优越性,适用于实际工程。     

电压暂降扰动源电压空间矢量辨识法

分析了不同暂降扰动源产生的电压暂降的幅值、相位和谐波特征,提出一种基于电压空间矢量的电压暂降扰动源辨识方法。该方法先对三相电压信号进行αβ变换构造出电压空间矢量和零序分量,利用离散傅里叶变换(DFT)将电压空间矢量分解成正、负序两个旋转分量,构造出幅值、相位和谐波特征量,将三者相结合可对造成电压暂降的扰动源进行辨识。时变电压空间矢量在复平面轨迹的三维可视化的描述可以对电压暂降全过程进行全面表征。利用Matlab/Simulink建立简单配电网的仿真模型,结果验证了所提出方法的有效性和正确性。     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

基于动态时间弯曲距离的电压暂降源辨识方法

为了实现对各类型电压暂降源的准确辨识,从波形相似性检测的角度提出了一种基于动态时间弯曲距离的电压暂降源辨识方法。通过仿真模型分析了基本电压暂降和经不同类型变压器传播后各类暂降的波性特征,构建了电压暂降类型与暂降原因及变压器类型的映射关系。利用9种电压暂降波形数据构建匹配库,采用动态时间弯曲距离法将实测的电压暂降波形数据与匹配库波形数据进行匹配分析,实现电压暂降源的辨识。仿真分析的结果表明,该方法能够对电网中出现的各种类型电压暂降进行辨识,具有较高的准确性和有效性,满足工程应用的需求。     

基于BiLSTM的电压暂降原因辨识方法研究

电压暂降是配电网中常见的电能质量问题之一,准确辨识电压暂降原因对制定有效的电压暂降综合防治方案、实现电网—用户责任划分等具有重要意义.提出一种基于双向长短期记忆神经网络(Bidirectional Long Short Term Memory,BiLSTM)的电压暂降原因辨识方法.首先,提取电压暂降时域特征和S变换能量...     

煤矿配电网电压暂降源辨识模型

针对煤矿配电网电压暂降信号特征提取困难和辨识准确率低的问题,应用小波熵结合支持向量机SVM(support vector machine)建立故障辨识模型,以故障信号的小波熵测度来表征故障特征,对电压暂降信号进行小波多分辨分析,选取采样序列的高频系数分量,计算其小波系数熵和小波时间熵,作为特征向量输入SVM,使故障信号特征更加明显,对故障源进行自动分类辨识。结果表明,与小波结合BP神经网络方法比较,无论在训练时间上还是在辨识准确率方面均有明显优势。     

基于FFT与形态加权动态时间规整的电压暂降源辨识新方法

电压暂降源的准确辨识,有助于合理解决电压暂降问题和公正处理供用电纠纷。提出了一种基于快速傅里叶变换(FFT)与形态加权动态时间规整(SWDTW)的电压暂降源辨识新方法。首先分析了系统中可能出现的单一暂降源与复合暂降源所引起电压暂降波形特征。其次通过FFT方法分析信号谐波特征,构建并划分了特征波形库。然后针对传统的动态时间规整(DTW)方法中存在的不足之处,采用了一种基于形态特征的加权动态时间规整方法(SWDTW),用于对一维波形数据的相似度匹配。最后通过仿真证明,所述方法能有效实现电压暂降源的辨识,为电压暂降的有效治理以及相关纠纷问题的合理解决提供有力支持。     

基于上游正序参数比较的电压暂降源定位方法

电压暂降源的上下游定位有着明确供用电双方责任的作用。面对传统定位方法中负荷模型适用性差的难题,文中以戴维南等效模型为基础,通过比较电压暂降前后上游正序参数的变化,提出了一种电压暂降源定位方法。首先,对上游正序参数进行辨识,通过比较电压暂降前后上游系统正序参数的变化来确定电压暂降源的上下游位置。考虑参数不确定性、计算误差和测量误差的影响,提出了基于概率的改进判据。考虑误差对定位结果的影响,在定位模糊区域内引入概率型指标,定量分析了引起电压暂降上下游双方的责任,提高了定位结果的合理性。最后,通过IEEE标准模型验证了所提方法的正确性和有效性。     

基于EMD和IABC-SVM算法的复合电压暂降源辨识方法

针对配电网中线路短路故障、大型感应电动机启动以及变压器投切等单一电压暂降源和由单一电压暂降源组合而成的复合电压暂降源导致的电压暂降现象,在MATLAB/Simulink中搭建改进的IEEE 33节点配电网系统模型进行仿真分析和验证,提出一种先对电压暂降信号进行经验模态分解(empirical mode decompos...     

基于小波变换的配电网电压暂降的干扰源辨识

该文用EMTP建立了一个配电网电压暂降仿真系统，对线路故障引起的电压暂降以及多级电压暂降、变压器投运和感应电动机启动引起的电压哲降进行了原理分析并给出了相应的仿真结果。仿真分析结果表明：电压暂降的电压波形特征是和特定的干扰源相联系的，因此，可以利用它来辨识电压暂降的干扰源。在此基础上，文中提出了基于三次中心B样条小波变换的电压暂降干扰源辨识方法，该方法以电压暂降的电压波形为分析对象，以小波变换的奇异性检测理论为基础，利用B样条小波变换准确地提取了各种电压哲降的波形特征量，并对故障、变压器投运和三相感应电机启动引起的电压暂降做了辨识。仿真试验结果表明该方法简洁可靠，辨识准确性高，抗干扰能力强。     

基于BR和GBDT的电力信息通信客服系统多标签文本分类

现有电力信息通信(ICT)客服系统主要依靠客服坐席员经验,根据电力ICT系统用户报修信息进行故障类型分类判别,存在在线处理及时性较差、准确性不足的问题.针对上述问题,提出了一种基于集成学习的电力ICT客服系统文本数据的多标签文本分类方法,实现对电力ICT系统的复杂故障类型进行自动化、高准确率分类识别.首先,针对电力IC...     

基于梯度提升决策树静态电压稳定裕度评估

随着特高压直流输电的发展,电网负荷集中地区无功缺乏的问题日益突出,系统电压稳定与无功功率密切相关,有必要研究电压稳定裕度的在线监测问题,以期为无功补偿装置的协调配合提供参考。基于PMU提供的数据资源,提出一种基于梯度提升决策树的电压稳定裕度在线监测方法,该方法分为离线运行点数据库的建立以及实时评估两部分。通过模拟负荷的变化,求解最优潮流模型,得到各个发电机出力状态以及对应的电压稳定裕度从而形成离线运行点数据库,并在线下对梯度提升决策树进行训练,在线做出电压稳定裕度的评估。实验结果表明,所提方法对裕度的预测准确度高于基于支持向量机回归模型,且时间可以满足实时性的要求。在测量不确定性场景下,当信噪比大于40 dB时,所提方法应对噪声干扰具有较强的鲁棒性。并且基于梯度提升决策树的特征选择能力,可以为PMU的布点提供一定依据,从而实现系统可靠性和经济性的平衡。     

基于10kV配电网的电压暂降源的定位与识别

提出了一种基于10kV配电网的电压暂降源定位与识别的方法。利用有限的监测点采集的数据,根据电压暂降发生时系统中能量的流动变化,判定电压暂降源相对于监测点的位置;从三相电压是否平衡、暂降深度、有功功率变化和电压总谐波畸变率等方面研究了几种常见电压暂降源的特征;根据各类电压暂降源的特性以及仿真试验提取相应的特征量并设立判据,从而实现了对线路故障、感应电机启动和变压器投运引起的电压暂降的识别。     

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法.首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播.分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比.仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好.     

基于决策树的复杂电网多谐波源监管

为对复杂电网多谐波源进行有效合理的监管,提出一种基于决策树算法的评估方法。首先对复杂网络进行拓扑分析,实现主环网与辐射子网的分层,完成公共节点的选取。其次,根据公共节点的有功功率方向法,判断出主要谐波责任方,并利用简单的滑动平均的线性滤波方法提取出谐波的快速变化分量,从而计算出谐波阻抗和相应谐波电压以分离出各等效谐波源对关注节点的谐波贡献量。最后,结合决策树算法完成各等效谐波源的数据分类,并根据其相关影响因素提出一种奖罚机制。该方法简化了复杂电网的多谐波源监管,为建立公平有效的谐波惩罚机制和标准以限制和治理谐波污染奠定了理论基础。     

电压骤降概率评估的建模与仿真

基于蒙特卡罗法和PSCAD/EMTDC实现对电压骤降指标进行自动随机评估仿真计算。推导了电压骤降故障信息的蒙特卡洛模型,并在PSCAD/EMTDC软件中建立和实现该模型,运用Multiple Run组件对故障信息进行多次随机抽样仿真计算,同时对仿真结果进行统计,得到各敏感负荷节点处电压骤降特征参数和电压骤降能量指标的概率分布。     

基于斜回归树及其集成算法的静态电压稳定规则提取

可再生能源渗透率的增加给电力系统安全稳定运行带来持续性的挑战,传统方法分析系统稳定性、控制电网稳定运行变得愈加困难。针对这一难题,提出了内嵌安全稳定约束的电力系统优化运行框架以及用于电力系统安全稳定规则提取的斜回归树及其集成算法。该算法首先优化斜划分系数以训练单棵斜回归树,然后利用boosting思想集成斜回归树,并通过正则化方法保证树的稀疏度,增强算法的可解释性。相比神经网络等黑箱模型,文中提出的方法能够提取显式安全稳定规则,为内嵌安全稳定约束的电力系统优化运行奠定了基础。最后,以静态电压稳定问题为例验证算法的有效性,算例验证结果表明所提算法具有良好的可解释性、较强的表示能力和较高的集成效率。     

基于模糊神经网络决策树的电压稳定性评估

提出了适用于电力系统电压稳定性评估的模糊神经网络决策树模型。在生成的决策树中引入模糊神经网络技术,构建出模糊神经网络决策树模型。采用模糊神经网络中的前向神经网络BP算法对小分裂样本进行进一步处理。Matlab仿真结果表明,模糊神经网络决策树应用于电压稳定性评估中,与单独应用决策树相比,分类成功率提高了3.3%。同时,由于减小了样本维度,缩短了模糊神经网络的训练时间,更有利于实现在线电压稳定预测。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。