基于Gradient-Closing变换的接地故障识别

无论陆地配电网或是船舶电网中,单相接地所占故障的比例最大.当前采用高电阻接地方式的电网,在发生金属性接地或电缆单次放电时,接地电阻不但不能抑制过电压,反而使故障点电流增加.从单相接地实验出发,提出一种利用数学形态学中的Gradient变换和Closing变换级联的方式识别接地故障类型的方法.该方法能将金属性接地和间歇性接地区分开,并且忽略掉单次放电的情况.通过大量实验和仿真对该方法进行验证,该方法在不同条件下均有良好的故障识别能力.     

基于Gradient-Closing变换的接地故障识别

无论陆地配电网或是船舶电网中,单相接地所占故障的比例最大。当前采用高电阻接地方式的电网,在发生金属性接地或电缆单次放电时,接地电阻不但不能抑制过电压,反而使故障点电流增加。从单相接地实验出发,提出一种利用数学形态学中的Gradient变换和Closing变换级联的方式识别接地故障类型的方法。该方法能将金属性接地和间歇性接地区分开,并且忽略掉单次放电的情况。通过大量实验和仿真对该方法进行验证,该方法在不同条件下均有良好的故障识别能力。     

基于数学形态谱的逆变器功率管开路故障诊断

针对逆变器功率管开路故障,提出一种基于数学形态谱的逆变器开路故障诊断方法。利用逆变器故障状态下的三相输出电流出现波形上缺失、下缺失、上下都缺失以及严重畸变的差异,求取正常电流信号及上述4种故障电流信号的形态谱,提取形态谱中前11个归一化谱值作为特征向量输入ELM神经网络进行区分,并结合简单的三相输出电流故障判别机制,实现故障功率管的准确定位。仿真结果表明,该方法的故障区分率超过96%。最后利用实验数据验证了所提方法的有效性。     

基于数学形态谱的配电网接地选线新方法

分析了配电网故障选线的现状,提出了一种新的基于图形识别的数学形态谱选线方法.从配电网发生单相接地时各线路的零序电流波形出发,采用不同刻度大小的结构元素对电流波形进行形态学开、闭运算,将运算结果对刻度求导,得到形态谱值曲线,求出各线路形态谱,找出形态谱不同于其他线路的线路即是故障线路.Matlab仿真结果表明,该方法不受有无中性点消弧线圈、过补偿度、过渡电阻和短路时刻的影响,能准确地选择出故障线路,为配电网单相接地选线提供了一种全新的思路.     

采用数学形态学的弧光接地过电压识别方法

配电网单相接地故障中危害较大的间歇性弧光接地占绝大多数。与目前广泛采用的发生接地故障后不区分故障性质直接补偿故障电流的经消弧线圈接地方式相比,依据过电压在线监测系统获取的故障过电压波形对故障类型进行快速准确的识别并进行相应的处理,抑制措施更加准确,可进一步提高系统和电气设备的安全运行水平。为此,通过对中性点不接地系统大量实测过电压波形进行分析,利用故障期间间歇性弧光接地存在多次暂态过程而金属性接地只存在1次暂态过程的特点,采用COOCG形态滤波算子提取线路零序电压标么值的奇异信号作为特征量,对间歇性弧光接地过电压进行识别,从而实现对系统单相接地类型的判别功能。经大量仿真和实测波形证明,该方法在不同故障条件下均有较好的准确性和有效性。     

基于CNN-ViT的滚动轴承故障类型识别方法

针对在滚动轴承的故障诊断中,一维信息无法充分挖掘数据特征的问题,提出一种基于卷积神经网络–视觉Transformer(Convolutional neural networks-vision transformer,CNN-ViT)的滚动轴承故障类型识别模型。首先将一维时域振动信号转化为二维灰度图以更好地表现数据特征,并在ViT模型基础上增加CNN对二维灰度图进行上采样,解决了挖掘数据特征不足以及ViT模型训练时的稳定性问题。通过所提模型对轴承不同故障类型及不同损伤程度进行识别。为了验证所提方法的有效性,采用某数据集进行实验验证,同时将所提方法与其他深度学习模型的诊断结果进行了对比。验证结果表明,该方法的准确率为99.4%,具有较高的精度。     

基于LS-SVM和数学形态谱的局部放电模式识别

阐述了1种基于最小二乘支持向量机的局部放电模式识别的新方法.该方法采用多尺度数学形态学开运算提取局部放电信号的数学形态谱,通过数学形态谱可以看出每种类型局部放电具有不同的形态特征,把提取的形态特征作为最小二乘支持向量机的输入,然后应用最小二乘支持向量机的多分类算法来识别不同的放电类型.识别结果表明,该方法有效、可行,具...     

局部放电灰度图象数学形态谱的研究

局部放电模式识别是判断电气设备绝缘状况和区分外部脉冲干扰的有效手段之一。数学形态学颗粒分析是一种十分有效的图像处理工具，主要用来处理灰度图像的粒度和形状特征，或者说通过数学形态谱以分析图像的纹理特征。提出了一种适用于局部放电模式识别的局部放电数学形态谱提取方法。该方法基于形态学颗粒分析理论，采用多尺度形态学“开”运算提取局部放电灰度图象的数学形态谱，并以此作为局部放电模式的特征向量。通过双隐层人工神经网络分类器实现放电模式识别。针对电力变压器内部放电和空气中放电设计了6种典型的放电模型，计算其形态谱，输入双隐层人工神经网络实现放电模式识别，识别结果表明了该方法的有效性。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

基于数学形态学的单相接地故障信号的特征提取

小电流接地电网单相接地故障发生几率很高,选出故障线路的关键是故障信号的特征提取,本文应用数学形态学的形态变换和形态学梯度方法来提取故障信号的特征分量,首先对形态变换和形态学梯度的进行了分析,然后通过对实际采集到的故障数据进行故障特征提取,并对比用小波变换对故障数据进行的特征提取。分析表明数学形态学在信号处理方面具有很好的应用性和计算量小的优势。     

基于人工神经网络和模式识别的配网故障恢复算法研究

研究了基于人工神经网络和模式识别的新方法以实现供电故障恢复,分析了ANN方法和模式识别方法中的训练和测试阶段涉及到的详细步骤.ANN算法适合于有效解决比较复杂的问题.通过实例配电系统证明了所研究的ANN算法的有效性,从算例结果可以得到结论:用ANN算法和模式识别方法可非常高效地获得合理的恢复方案.     

基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法

提出了一种基于Hilbert边际谱和稀疏自编码器(SAE)—深度神经网络(DNN)的局部放电(PD)信号的模式识别方法。首先,以变分模态分解(VMD)对PD信号进行分解,对所得各分量进行Hilbert变换构建相应的Hilbert边际谱。其次,以PD信号的Hilbert边际谱为输入数据,利用SAE自动学习复杂数据的内在特征来提取简明的数据特征表达获得参数。再次,利用SAE的训练结果初始化DNN,再以大量训练样本进行分类器的训练。同时,为了加快SAE和DNN学习过程的收敛速度,以自适应步长的学习速率对网络进行调优,更新权值参数。最后,用训练好的DNN完成测试样本的PD类型的识别。此外,以基于BP神经网络和支持向量机的识别结果与文中结果进行比较。实验结果证明,所采用的识别方法具有更高的正确识别率。     

基于神经网络的输电线路自适应无通道保护

在传统电流保护和距离保护原理的基础上,提出一种基于神经网络的自适应无通道的输电线路继电保护方法。设计了故障检测与选相子网络和定位子网络,通过对2个子网络输出的综合判断,能够在保护范围内的故障实现全线速动,保护区外保护不动作。     

基于神经网络模型的在线电压稳定裕度评估

为了在线快速评估当前电力系统稳定裕度,将回归分析和人工神经网络模型同时应用于电压稳定评估,用回归分析法来求负荷对电压稳定裕度的灵敏度,此种方法克服了传统潮流方法求取灵敏度的缺陷。为了改善神经网络模型的性能,根据预先设置好的灵敏度阀值来进行特征选择,从而减少输入变量的维数;然后设计了一个三层BP神经网络进行训练,求取电压稳定裕度,取得了很好的预测效果,最后在IEEE30节点系统上进行了验证。证明此方法的有效性。     

基于优化形态特征的变压器局部放电模式识别

针对变压器的4种典型局部放电模型的脉冲波形,应用多尺度数学形态学开运算提取局部放电脉冲波形的形态谱,通过形态谱的提取可看出每种放电类型具有不同的形态特征。同时,为了去掉冗余的特征量,优化形态特征,对每种放电类型的不同形态特征进行相关性分析。实验结果表明,应用优化后的特征量进行识别能够得到良好的识别效果,并且能够降低识别系统的复杂度。     

基于人工神经网络的继电器评价系统

为在继电器的设计和生产阶段通过多个评价指标评价其整体品质,研究了多层次综合评判模型的可计算性。该模型依据电器产品设计方案关于技术性能和成本的综合评价指标体系,并通过对神经网络原理的评判方法的研究而建立。实例证明,人工神经网络的出现为处理各种模糊的、数据不完全的、模拟的、不精确的模式识别问题提供了一个全新的途径。     

An Intelligent Backup Scheme for Current Source Converter-High Voltage Direct Current Systems Based on Artificial Neural Networks

This paper presents an intelligent and integrated backup scheme based on artificial neural networks for current source converter-high voltage direct current (CSC-HVDC) systems. Taking advantage of the properties of ANNs to identify and classify patterns, the proposed scheme is able to detect and correctly locate a fault occurring either at the rectifier substation, the DC line or at the inverter substation. In this scheme, only local signals are used at the rectifier substation and no communication link is necessary, thus improving the system's protection reliability and reducing the required capital cost. Moreover, the proposed scheme could be promptly applicable in practical situations, as the hardware requirements and response times are not critical issues. All steps of the proposed scheme for the aforementioned purpose are accurately discussed in addition to all the information about the CSC-HVDC system under analysis. Finally, a detailed analysis of the influence of the main fault parameters on the algorithm's performance is also conducted.     

基于人工神经网络的电压电流互补模型转子磁链估计

为了准确对感应电机磁链进行实时估计,提出了一种基于人工神经网络(ANN)电压电流互补模型的估计方案。该方案利用基于ANN的电压与电流模型之间的磁链估计差值在线对电机参数进行更新,以减小因电机参数变化所引起的模型偏差,并最终通过电机频率范围决策转子磁链。实验结果表明,该方案对磁链估计有效,实时控制效果好。