基于D-S证据理论的配电网单相故障选线方法研究

为充分利用单相接地故障的互补信息提高选线保护的可靠性,提出一种中性点非有效接地电网信息融合选线方法。该方法采用D-S证据理论,针对故障选线问题的具体特点,合理构造了选线识别框架和信度分配函数,将故障选线问题转化为证据理论模型,给出证据组合的选线判定原则,制定了基于信息融合的综合选线策略。应用该方法在模拟系统上进行实验,验证了方法的有效性。结果表明采用融合选线策略极大地提高了故障选线的可靠性。     

基于D-S证据理论多源信息融合与配电网故障行波分析

多源信息融合与单一信息源故障定位相比,故障定位能够充分利用电力系统自动化设备,例如将更多的卡尔曼滤波、贝叶斯理论、D-S证据理论、聚类分析、人工神经网络、专家知识系统、模糊集理论、粗糙集理论等信息汇集到一起,大幅提升故障定位的准确性。结合多源信息融合技术相关理论与D-S证据理论,在故障发生后行波的各种特性进行分析,对于故障定位与行波装置配置研究提供相应的参考理论支持。     

基于多源信息的配电网故障定位方法

针对利用单一故障信号进行定位容易出现故障定位错误问题,文章提出了利用多种故障信号综合定位的方法。该方法利用配电网发生短路时收集到的各种故障信号,包括柱上开关动作信号、故障指示器动作信号、配变停电告警信号和95598投诉信号得到各自定位结果;然后将每一种定位结果形成证据,用D-S证据理论合成方法对所有证据进行合成,得到最终定位结果。最后以一个具体实例验证了该方法的有效性和可行性,表明该方法可以提高故障定位的容错性和准确性。     

基于图注意力网络的配电网故障定位方法

基于人工智能的电网故障诊断技术已经有了大量的研究成果,但配电网拓扑变化频繁,而传统人工智能方法高度依赖训练数据,给配电网的故障定位问题带来了困难.提出了一种基于图注意力网络(graph attention network,GAT)的配电网故障定位方法.将配电网的电气节点和线路映射为图注意力网络中图的顶点和边,根据相邻顶...     

证据理论在配电网故障定位中的应用

将不同的故障指示器当作独立的传感器,利用其采集的故障信息形成不同的证据,然后通过改进的D-S证据理论对形成的证据进行融合,最后依据改进的决策原则得到最终的故障定位结果。仿真分析表明,该方法在故障信息误报或漏报的情况下,定位结果仍然可信。为基于故障指示器的故障定位方法提供了新的参考。     

基于D-S证据理论的小电流单相故障多判据融合选线研究

利用单相接地故障的暂态量和稳态量分别构造幅值、相位故障测度函数,以定量评价疑是故障线路的程度.结合选线问题的特性,设计了以故障测度值为自变量的基本信度分配函数.运用D-S证据理论实现了多判据信息融合,将多判据选线问题转化为证据推理问题,给出了基于信息融合的综合选线策略.大量仿真算例证实了该方法的有效性.     

基于神经网络和D-S证据理论的故障电弧检测

基于电弧电流特征的故障电弧检测方法存在信息源单一的不足,容易引起保护误动作和拒动作。针对该问题,文中以电弧辐射的电场和磁场信号以及电弧电流作为检测信号,提出一种基于神经网络和D-S证据理论的故障电弧检测方法。首先,采用模极大值方法提取不同负载下电弧电磁辐射信号特征量,并用波形相似法提取电弧电流信号特征量;其次,利用BP神经网络构建各个特征量与电弧故障之间的映射关系,得到单个特征量的故障电弧识别率;最后,以该识别率作为D-S证据理论的输入,实现决策级多特征信息融合。在典型负载情况下的试验结果表明,该方法能有效提高故障电弧检测的准确率。     

应用证据理论实现配电网单相接地故障选线保护

提出了一种利用多重故障信息融合选线方法。为实现这一目的，提出了故障测度概念，用来定量评价各线路可能是故障线路的程度。运用D-S证据理论实现了多判据信息融合，将多判据选线问题转化为证据推理问题，使选线结果聚焦到各个判据的共同支持点上，选线性能得到极大提高。现场实测故障算例证实了文中方法的正确性。     

基于改进的S注入法的新型树状配电网故障检测装置

介绍一种基于注入法原理进行低压树状配电网接地故障定位的新装置。装置由恒流信号电源和信号检测装置两部分组成。在恒流信号电源部分控制系统的设计中采用了闭环PID直流反馈控制和引入了非线性环节 ,因此能在负载大范围波动的情况下保持注入电流频率恒定和幅值恒定 ,可靠性高。信号检测部分采用了编码、高阶滤波等技术。该装置工作可靠、灵敏度高、抗干扰性强、携带方便且操作容易 ,能广泛适用于复杂树状配电网的故障检测     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于网络树状图的低压配电网故障研判仿真分析

智能化设备在低压配电网中的普及,为实现低压配电网故障的实时研判与主动抢修提供了新的研究方向.首先分析故障研判的信息来源及其校验方法,利用树状图描述低压台区的拓扑结构,并以此为基础提出主动故障研判的流程.然后运用模糊集理论分析部分设备运行状态信息缺失时的故障研判.最后基于PSCAD搭建涵盖中压馈线、低压配变、低压分支箱、...     

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。     

基于改进证据理论融合的站域后备保护算法

针对站域后备保护(SABP)信息同步性要求高和容错性低等问题,提出了一种基于改进证据理论融合的SABP算法。首先,SABP装置根据全站各线路两端传统主/后备保护和方向元件动作情况识别疑似故障线路,并由各疑似故障线路两端保护信息构成证据融合信息域。然后,搜集证据融合信息域内的主/后备保护和方向元件动作信息,经预处理后形成证据组并计算各证据的基本概率赋值,利用改进证据理论对证据信息进行融合判断来实现故障线路的识别。算例仿真表明,该SABP算法具有无需信息同步、站域信息交互的通信量小和信息容错性高等特点,能有效改善SABP性能。     

基于改进二进制灰狼优化算法的配网故障定位

灰狼算法具有结构简单、概念清晰、易实现和全局性能好等优点,但由于存在后期收敛速度慢、局部搜索能力弱等缺点。为提高配网故障定位的准确性和快速性,对灰狼优化算法进行了改进。首先,由于配网故障定位方法可以把问题表示为0~1整数规划问题,故引入转换函数,以解决算法在二进制空间里位置更新问题。然后引进动态权重策略,以平衡算法的全局搜索能力和局部搜索能力且加快算法收敛速度。最后加入概率扰动策略,使算法避免过早陷入局部收敛。本文通过配网故障的算例分析来验证改进二进制灰狼优化算法的可行性和高效性。     

融合FTU和配变告警信息的有源配网故障定位方法

针对含分布式电源的有源配网相间短路故障定位问题,提出了一种融合FTU和配变告警信息的有源配网故障定位方法。首先,考虑配网故障后FTU和配变告警信息的不同特征,根据配网拓扑,动态生成不同告警信息对应的反映故障区段和告警信息关系的关联矩阵,并据此构造新的开关函数,有效避免了繁琐的逻辑运算。然后,根据两种信息源收到的实际告警信息分别建立优化模型,利用遗传算法求解,计算对应信息源下各区段的故障概率。最后,利用证据融合理论将两种信息源下的结果进行融合,得到最终的故障定位结果。以修改后的IEEE 33节点为例进行验证,结果表明,所提方法可对单点和双重故障实现定位,且具有较高的容错性。     

基于灰色关联和证据理论的故障诊断方法

本文在证据理论的基础上,结合信息熵和灰色关联算法,提出了一种新的机械故障诊断方法。该方法从信息融合的思想出发,首先依据反映机械故障的信息熵特征,获得基于信息熵的故障诊断标准特征向量。接着采用灰色关联理论建立证据理论的基本概率赋值函数,提出了利用证据理论对单传感器多测量周期证据时域融合和多传感器证据空域融合相结合的时空二级融合算法,最后以基本可信数的决策方法作为故障模式识别依据。通过旋转机械故障的典型实例证明,基于灰色关联和证据理论的机械故障诊断方法是故障模式定量识别的一种可行的新方法。     

基于磁场检测与多判据融合的架空线路接地故障定位方法

针对当前配电网故障区段定位难的问题,提出了一种基于故障点前后磁场差异的故障定位新方法。首先,分析了杆塔处x轴与y轴磁场的分布及其与相电流的关系,同时考虑了三相导线排列差异与数据窗长短对磁场的影响。其次,通过故障点上下游x轴与y轴的磁场差异作为定位依据,分别从不同角度对双轴磁场进行相似度分析,由此构建5种定位新判据。最后,将5种定位判据通过D-S证据理论进行融合,将概率最大的区段判定为故障区段。所提方法综合了各判据的优势,克服了单一判据的适应性问题。通过对高阻故障、噪声干扰等多种工况进行仿真测试,验证了所提方法的有效性。     

基于CNN+D-S证据理论的多维信息源局部放电故障识别

基于多维信息源融合的局部放电故障识别方法对提高故障识别的准确性和容错性具有重要意义。文中以开关柜中的典型局部放电类型为识别对象,设置4种典型的局部放电模型(电晕放电、沿面放电、悬浮放电和气隙放电),利用超声波(Ultra)法、甚-特高频(V-UHF)法以及脉冲电流法(PCM)采集不同放电类型产生的局放信号。首先利用深度卷积神经网络(CNN)算法对不同传感器测量数据进行训练,之后利用Dempster-Shafer(D-S)证据理论对多维信息源识别结果进行融合,并作出最终决策。结果表明,相比于基于单一信息源的故障识别模式,基于多维信息源的故障识别模式准确率更高,且当多维信息源中某一信息源出现误判时仍能正确识别放电类型,对信息源的容错性更好,识别效果良好。     

D-S证据理论融合多特征的油菜病害识别方法

针对单一特征在识别油菜病害上存在的局限性,提出一种基于D-S证据理论融合多特征的油菜病害识别方法。首先对预处理后的油菜图片提取颜色矩、颜色共生矩阵两种特征,通过欧氏距离来构建D-S证据理论所必需的基本概率分配(BPA),最后运用D-S证据组合规则进行决策级融合,依据决策条件输出最终分类识别结果。针对存在最终识别结果被误识别为不确定问题,通过引入方差来对决策方法进行改进,避免了这一现象的产生。利用该方法在采集到的油菜样本上进行实验,取得了97.09%的识别率。实验表明,该方法能有效提高油菜病害识别率。