基于VMD-LSTM的小电流接地系统故障选线方法

提出一种基于VMD-LSTM的故障选线方法.首先通过VMD算法将各出线零序电流分解为表征其特性的高、中、低频分量,分时段计算各分量能量值,并依次输入到LSTM神经网络中,通过建立各分量能量随时序变化特征与故障线路的联系,从而实现故障选线.仿真结果表明,该方法不受故障初始相角、接地电阻以及故障距离等因素影响,且在有噪声干...     

基于VMD-SVM的小电流接地系统故障选线方法

针对现有小电流系统发生单相接地故障时的选线问题,提出基于变分模态分解与鲸鱼群算法优化支持向量机(VMD-WOA-SVM)的选线方法.首先获取各出线故障前后的零序电流,利用变分模态分解得到包含不同分量的3种IMFs,并对其进行hilbert变换得到能量频谱分析;然后通过计算能量熵得到特征向量;最后建立SVM分类器,输入特...     

基于 VMD与 HT分析的小电流接地系统故障选线技术分析

配电网中小电流接地系统发生单相接地故障时,具有故障幅值小、噪声波动大等特点,导致线路电流变化特征不明显,采用传统选线技术又难以判断是线路故障还是母线故障.为了及时准确地判断线路故障,提出了一种基于 VMD与 HT分析的小电流接地系统故障选线新技术.首先利用Simulink搭建三种小电流接地模型———中性点不接地系统模型、中性点经消弧线圈接地模型及中性点经高阻接地系统模型.然后提取三种模型的零序电流进行 VMD 分解得到 K 个固有模态函数IMF,将分解得到的IMF通过 HT分解得到每个模态相应的幅值谱图.最后通过算法逼近度计算每个模态相应的幅值,得到相应的算法逼近度系数,对比系数可以正确判断故障线路与非故障线路.结果表明,在三种不同接地模型中,基于 VMD与 HT分析的小电流接地系统故障选线新技术在不同故障距离、不同接地电阻情况下能够有效识别故障与非故障线路,具有一定的实用性。     

基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究

针对光伏发电系统中光伏逆变器电路复杂,出现故障时间短等问题,文中提出一种基于改进的变分模态分解和卷积神经网络相结合的故障诊断方法,可有效地解决故障特征提取困难,特征参数奇异性差,以及由于特征参数差而引起的故障诊断率低等问题.利用SIMULINK建立光伏逆变器软故障模型,并采集相关参数作为样本;使用VMD对参数进行变分模...     

基于深度学习的天然气钢制管道缺陷检测方法研究

在天然气钢质管道腐蚀缺陷超声检测中,常规模式识别采用人工提取回波信号的方法,存在主观性强、普适性低的问 题。 基于此,本文提出用一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)提取回波信号的特征结合随 机森林(random forest RF) 分类的方法。 首先根据实验获取的回波信号的噪声情况,用小波包变换(wavelet packet transform WPT)对信号进行去噪;并用变分模态分解( variational model decomposition VMD)对去噪后的信号进行分解和重构以获得平滑 的信号;最后将处理好的回波信号进行 1D-CNN 网络特征提取和随机森林分类。 实验结果表明,基于 VMD-1D-CNN-RF 的天然 气钢质管道缺陷检测方法针对人造缺陷的识别准确率为 85. 71%,针对天然气站场的管道缺陷识别准确率为 71. 05%,表明无需 专家识别也可初步判别管道状况。     

变分模态分解在小电流接地系统故障选线中的应用

为探究适用于小电流接地系统的故障选线方法,解决现有暂态故障选线方法效果欠佳的问题,提出了一种基于变分模态分解VMD(variational mode decomposition)的小电流接地故障选线新方法。通过引入本征模态函数基于调幅调频函数的VMD算法对配电母线各出线的零序电流进行分解,模态中心频率选取自适应且分解结果直观。最后综合直流分量以及高频分量构造双重判据实现选线,以Matlab/Simulink平台搭建的小电流接地系统故障选线模型为平台,对算法在单相接地故障下的准确度进行仿真校验。结果表明该算法不受故障电阻、故障发生位置、故障时刻与系统接地方式的影响,准确度高且对噪声有着一定的鲁棒性。     

基于EEMD-DCNN方法的电机轴承故障状态诊断研究

为了提高电机轴承故障状态诊断精度,设计了一种基于EEMD和DCNN的融合方法,实现局部特征的提取和特征图的输出。DCNN从5个不同单元中提取特征,通过全连接层整合相关特征且利用Softmax层完成分类工作,实现对数据短时特征的提取。研究结果表明:采用的方式与BPNN、SVM、WDCNN相比,有着比较显著的优势,诊断效果较为平稳,且数次实验获得的指标标准差是0。该研究可以拓宽到其它的机械传动领域,具有很好的市场应用价值。     

小电流接地系统故障检测方案研究

油田及其它配电网经常出现各种类型故障，如三相短路、相间短路、单相短路。故障 难以确定，这将带来原油产量的损失。为解决这一难题。在充分研究现有理论和技术的基础上，提出了解决上述难题的理论，主相应的实现手段，本文介绍了小电流接地系统故障检测的一咱可行方案     

基于AlexNet深度学习网络的串联故障电弧检测方法

在家用交流供配电系统中,接触松动等原因可能会导致故障电弧的发生,威胁用电系统的安全。线路发生串联故障电弧时的电流基本与正常运行时的电流大小一致,具有很强的隐蔽性。对此,首次提出用深度学习检测电流信号的方法来检测串联故障电弧,该方法只需将电流信号输入深度学习网络,由网络自主挖掘隐含在电流信号数据背后的特征,实现对串联故障电弧的识别。搭建实验平台,并用开关模拟发生正常电弧,分别采集电阻性负载、电感性负载和阻感性负载正常运行和发生串联故障电弧时的电流数据共7 200组。构建AlexNet卷积神经网络并做相应改进,用采集到的数据训练网络并测试,结果显示辨识平均准确率在85%以上,表明该方法能够较好的实现对串联故障电弧的检测。     

基于深度学习的天然气管道气体压力超声检测模式识别方法

针对天然气管道气体压力超声检测模式识别问题,提出了对原始信号进行预处理去除冗余信息,然后对信号进行变分模态分解(variational modal decomposition,VMD)提取最优本征模态函数(intrinsic model functin,IMF)对信号进行重构,接着对处理好的信号进行连续小波变换(con...     

基于电弧电流高频分量的串联交流电弧故障检测方法

通过分析典型负载下电弧电流高频分量在时域与频域表现出的不同特征,提出一种串联交流电弧故障检测方法。该方法利用电弧电流变化率与其有效值的比值以及6~12k Hz频段电流幅值这2个特征参量进行串联交流电弧故障识别;并利用负载启动电流持续时间远远小于电弧电流持续时间的特点,设定电弧故障检测时间阈值,降低负载启动过程对串联交流电弧故障检测的影响。试验结果表明,所提方法能够实现串联交流电弧故障的快速检测,对硬件要求相对较低,简便易行。     

考虑弧长动态变化的配电网电弧接地故障建模及辨识

目前针对配电网电弧故障的研究大多忽略电弧弧长变化因素的影响,电弧故障模型与实际配电网电弧故障相差较大,电弧接地故障辨识不准确。为此,搭建了考虑弧长动态变化的电弧接地故障模型。在此基础上,分析了电弧接地故障稳态零序电流的时域波形差异,提出了一种基于稳态零序电流加权欧式距离的电弧接地故障辨识方法,实现对电弧故障的有效辨识。利用PSCAD搭建10 kV配电网模型,大量电弧接地故障仿真实验结果表明,所提电弧故障模型准确有效,可以准确描述电弧电流、电压和故障特性。所提辨识方法能够准确辨识故障类型,且所提方法不受故障初相角、故障位置的影响,为配电网故障精准可靠感知提供依据。     

小电流接地系统单相接地故障选线方法分析

我国大多数配电网广泛采用小电流接地系统,此类系统发生故障最多的是单相接地。如何快速准确地检测出故障线路一直是一个重要的研究课题。本文介绍了有关小电流接地系统单相接地故障选线方法,对现有的一些选线原理做了系统的归纳,并且进行了分析和比较,提出了尚需解决的问题。     

电动汽车串联型电弧故障检测方法

电弧故障是引发电气火灾的主要原因之一。在电动汽车电气系统中,直流串联电弧故障通常发生在接触点松动或线路连接损坏处,会引起火灾、爆炸等严重事故。为快速、准确地检测电动汽车串联型电弧故障,搭建了电动汽车故障电弧实验平台,采集不同工况下干路电流时间序列并建立了样本库。通过轻量化卷积神经网络,建立了基于改进Mobilenet网络的串联故障电弧检测模型。通过对比分析学习率、网络层数、样本长度,对模型进行了优化。该优化模型通过干路电流可实现电动汽车串联型故障电弧的检测和故障选线,检测准确率达到96.39%,论文为电动汽车电气系统电弧故障检测提供了一种可行性方案。     

基于近似熵的小电流接地系统故障区段定位方法

提出了一种基于暂态零模功率近似熵的故障区段定位方法。该方法在计算出各检测点暂态零模功率近似熵值的基础上,通过求取近似熵比例因子数值与控制主站中事先设置的阈值进行比较,若该因子值大于阈值,则判定为健全区段;若小于阈值,则判定为故障区段。大量的ATP仿真实验表明,无论是中性点不接地系统还是经消弧线圈接地系统,对于任意初相角和过渡电阻值时,该方法均能有效判定出故障位置,并且在5 000 Ω高阻接地故障时,仍然有良好的表现。通过比例因子之比曲线衡量阈值设定时裕度的大小,最终确定该故障定位方法在各初相角条件下的最佳性能工作区间。     

基于RTDS的电弧接地故障自定义建模及仿真分析

电弧接地故障建模仿真对于电气设备的研制和电力系统安全运行的分析具有重要意义。基于实时数字仿真仪(RTDS)平台对电弧接地故障进行建模仿真。对Cassie电弧的连续系统数学模型进行数值逼近,将其转换成离散系统数值递推模型;在RTDS的CBuilder开发环境中创建了可控的Cassie电弧元件模型。通过与Matlab标准模型的测试对比实验,以及电力系统的中性点不接地系统的单相电弧接地故障应用实验,验证了自建元件模型的正确性和有效性。所建电弧模型填补了RTDS仿真模型的空白,采用的建模方法具有普适性,为类似的研究提供参考借鉴。研究成果可以应用于电力系统实时电弧故障仿真以及继电保护设备的实时闭环混合仿真检测。     

小电流接地系统故障定位方法综述

介绍了国内外电力系统中性点接地方式的现状和小电流接地系统发生单相故障的特点,详细阐述了小电流接地系统故障定位的方法,深入分析了定位原理,比较了各种方法的优缺点。指出了当前小电流接地故障定位存在的主要问题,并给出了小电流接地故障定位研究的几点建议。     

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。 根据低压串 联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。 针对串联电弧故 障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映 射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。 之后,为了不增加时间开销,同时改善模型的识别效能,使 用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。 最后,利用容器封装 已训练好的故障识别模型,实现故障信息的快速分析。 验证表明,所提方法对串联电弧故障的识别率达到 99. 95%,具有良好的 识别效果。     

基于广义基尼指数和脉冲神经网络的航空交流 串联电弧故障检测

航空电缆在振动作用下很容易产生电连接器松动、线束断裂等情况,从而引起交流电弧故障。针对交流串联电弧故 障时频域特征不明显而引起的故障检测问题,提出了一种基于广义基尼指数(generalized Gini indices,GGI)和脉冲神经网络 (spiking neural network,SNN)的电弧故障检测方法。首先,提出用广义基尼指数对试验数据电流波形进行分析;其次判断正 常周期和故障周期下的数值差距,然后与时域特征指标裕度、峭度、脉冲因子相比,所提指数对电流波形周期故障判断更准 确;最后,将广义基尼指数转变成特征值,代入到积分泄漏发放(leaky integrate-and-fire,LIF)模型进行训练,进一步提高方法 的普适性。试验结果表明,该方法能够快速有效地检测航空交流串联电弧故障。