小波包结合PSO-RBF故障测距法

针对传统高压直流输电故障测距方法存在的缺陷,提出了基于小波包分解与径向基函数RBF(radial basis function)神经网络相结合的故障测距算法。通过RBF神经网络拟合逼近能量比与故障距离之间的非线性关系,采用粒子群优化算法进行优化,运用小波包分解算法提取故障暂态电压信号的频谱能量对RBF神经网络进行训练学习,形成PSO-RBF故障测距模型。将反映故障位置的特征数据输入训练后的模型可进行故障测距。大量仿真结果表明,该方法精度较高,耐受过渡电阻能力强,大幅度提高了高压直流输电系统故障测距的准确性。     

混合三端直流输电线路故障测距方法研究

对混合三端直流输电系统而言,准确、可靠的故障测距方法可确保故障线路快速恢复,提高供电可靠性。为了解决混合三端直流输电系统结构复杂性强、线路故障定位难度大等问题,提出了小波包能量谱结合BP神经网络的测距方法。具体的定位方法实现步骤如下:首先在故障发生时快速进行故障选线。然后把发生故障时在测量点采集到的电压故障分量经过小波包分解重构得到小波包能量,并将其作为输入样本通过BP的非线性拟合能力进行训练。最后将反映故障位置的小波包能量代入即可输出相应的故障距离。仿真结果表明,该方法耐过渡电阻能力强,定位的准确度高。     

±800 kV特高压直流输电线路故障定位小波能量谱神经网络识别法

固有频率与故障距离之间存在数学关系,故障行波暂态能量在固有频率附近较集中,其暂态能量包含丰富的故障距离信息。利用人工神经网络(ANN)的非线性函数逼近拟合能力,建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量,并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征,提高了测距的可靠性。数字实验结果表明,所提方法在不同过渡电阻和不同故障距离下均能准确测距。     

基于MRSVD-GRU的混合三端特高压直流输电线路单极接地故障定位方法

针对换相换流器（LCC）-模块化多电平换流器（MMC）混合三端特高压直流输电线路因结构复杂度提高而造成的故障定位困难问题,提出一种基于多分辨奇异值分解（MRSVD）-门控循环单元（GRU）神经网络的特高压直流输电线路单极接地故障定位方法。首先,对故障线路进行选线,判断故障发生线路区段。然后,通过MRSVD对双端故障电压波形进行逐层分解和波形重构。最终,搭建GRU神经网络模型进行故障定位,模型参数通过粒子群优化（PSO）算法进行设定,提升其故障定位准确性。利用PSCAD/EMTDC软件搭建±800kVLCC-MMC混合三端特高压直流输电系统,对不同过渡电阻值、不同故障距离进行仿真。仿真结果证明,所提出的故障定位方法准确度高,能够为混合三端特高压直流输电线路单极接地故障定位提供新的解决方案。     

基于GRU的特高压三端混合直流输电线路故障区域识别方法

针对特高压三端混合直流输电线路故障区域识别问题,提出一种基于门控循环单元(gate recurrent unit, GRU)的特高压三端混合直流输电线路故障区域识别方法。首先,分析了直流线路昆北侧边界和龙门侧边界直流功率传递函数的幅频特性、T区线模功率突变量的正负差异,指出三端直流线路不同区域故障时的故障特征差异。其次,对线模功率进行多尺度小波分解,提取线模功率高频能量,结合T区线模功率突变量、正负极功率突变量幅值,组成故障特征量,作为GRU的输入量,故障区域作为输出量,构建GRU故障区域识别模型。然后,将测量点得到的故障特征量输入训练完成的GRU模型中,即可达到故障区域识别的目的。通过大量仿真,验证了所提故障区域识别方法准确率高,且可耐受300Ω的过渡电阻。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

基于行波模态分解的特高压直流输电线路双端行波测距方法

基于晶闸管换流器的特高压直流输电系统(ultra-high voltage direct current based on line commutated converter, LCC-UHVDC)的故障定位算法对智能电网的安全稳定运行起着重要作用。针对长距离特高压直流输电系统故障测距方法精准度低、快速性差的问题,提出了一种基于变分模态分解法(variational mode decomposition, VMD)和Teager能量算子(Teager energy operator, TEO)的双端行波故障测距方法。首先,研究了LCC-UHVDC线路故障电压行波的传播特性。利用零模电压随线路传播衰减明显的特征,通过VMD算法提取采样点处零模电压行波的时频特性。针对VMD参数选择不当导致的模态混叠问题,利用K-L散度(Kullback-Leibler divergence)对提取的模态指标进行优化。然后采用TEO对分解后信号进行瞬时能量谱提取,精确标定波头到达时间,最后采用双端迭代测距法迭代求解故障距离。在PSCAD/EMTDC搭建±800 kV LCC-UHVDC仿真模型进行验证。结果表明,所提方法在不同故障位置、过渡电阻和故障类型下具有较强的鲁棒性。     

基于小波包能量熵和DBN的MMC-HVDC输电线路单极接地故障定位方法

可靠精确的故障定位技术对MMC-HVDC输电系统的稳定运行至关重要。针对高阻接地故障的定位精度低的问题,提出了一种基于小波包能量熵(wavelet packet energy entropy,WPEE)和深度信念网络(deep belief network,DBN)的输电线路单极接地故障定位方法。通过对不同条件下故障波形中所包含的故障信息进行分析,运用小波包能量熵提取双端故障电压波形中深层故障特征并构造新的特征矩阵。基于新的特征矩阵搭建DBN模型并通过粒子群寻优(particle swarm optimization,PSO)算法对其模型参数进行寻优,最终利用DBN回归机制实现精确的故障定位。利用电磁暂态仿真软件PSCAD/EMTDC搭建了±250 kV双端MMC-HVDC系统模型并在线路上进行不同位置、不同过渡电阻的单极接地故障模拟仿真。为了对比测试模型的定位精度性能,与基于支持向量机(support vector machine,SVM)的故障定位方法相比较。实验结果表明,该方法在20 kHz的低采样频率下可以精准可靠地定位过渡电阻高达4000Ω以内的直流线路单极接地故障。     

高压直流输电线路两极短路接地故障测距研究

小波分析已被广泛应用于高压直流输电线路的故障测距之中,但多数也仅局限于对单极接地故障的测距研究。在此基础上,提出利用小波变换的模极大值理论对两极短路接地故障进行分析。首先,在PSCAD中搭建出高压直流输电系统的仿真模型并进行故障线路仿真,得到故障时的暂态电流信号,最后,对电流行波进行小波分析实现故障测距。从仿真分析结果可知,该方法的定位误差不超过线路全长的0.5%,证明了小波变换的模极大值理论可适用于两极短路接地的故障测距中。     

基于WEMTR的柔性直流输电线路故障测距

提出了基于小波技术的电磁时间反转(WEMTR)理论的柔性直流输电线路故障测距原理。对线路两端故障电流的1模量进行小波分解,提取有效信息;将所提取的有效暂态量以时间轴镜像,即进行时间反转;再将时间反转后的电流量作为电流源并联在无损镜像线路两端,并在无损镜像线路上各处都假设发生故障,计算各个假设故障的接地电流有效值;假设故障电流有效值最大处即为所求故障点处。理论证明,该方法不受过渡电阻和故障类型的影响。在PSCAD/EMTDC搭建了基于模块化多电平换流站的高压直流输电系统进行仿真验证,输电线路采用相域频变分布参数模型。结果表明,不需要高采样率,该方法可以得到精确的故障测距结果。     

基于DWT-PNN的柔性直流输电系统故障检测方法

柔性直流输电系统故障极大地影响了电力系统的稳定性.现有输电线路故障检测方法存在阈值选取困难、对过渡电阻阻值变化敏感、检测时间长等问题.提出一种基于小波能量占比的使用概率型神经网络(PNN)进行故障类型检测与位置判别的方法.通过对不同故障类型下的母线和线路测量电压进行快速傅里叶分析得出暂态电压频率特性,再利用离散小波变换(DWT)求得不同尺度下的小波能量特性,通过大量的离线仿真数据对PNN进行训练,根据PNN的输出结果实现故障类型与故障位置的精确判定.在PSCAD/EMTDC仿真环境下搭建了四端柔性直流电网电磁暂态模型进行仿真验证,结果表明所提方法可以准确地对高阻接地故障的故障类型与位置判别进行检测,不受过渡电阻阻值影响.     

基于小波AlexNet网络的配电网故障区段定位方法

文中提出一种基于深度网络迁移学习的配电网故障区段定位方法。利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92%,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。     

基于小波包能量谱的电网故障行波定位方法

为减少电网故障行波传播色散特性对行波波头检测和波速测量的影响,提高电网故障行波定位的准确度,提出了基于小波包能量谱的电网故障行波定位方法。该法结合小波包技术与傅立叶变换的谱分析,对行波信号进行分析,提取能量相对集中的故障频带信号进行故障行波定位计算;行波到达时间由该频带相应尺度下的小波包能量时谱提取的行波特征点位置计算;该频带行波传播速度由输电线路两端对外部扰动的实测行波数据计算。大量的电网故障行波定位ATP仿真分析结果和现场实验测试分析表明,该电网故障行波定位方法能有效提取电网行波特征信号,减少行波传播色散特性和线路长度变化的影响,定位误差<200m。     

基于小波阈值去噪和CEEMD的混合三端直流输电线路故障测距

针对行波法测距精度受波速、行波波头标定的精度以及噪声的影响,提出一种基于小波阈值去噪和CEEMD-HT结合的混合三端直流输电线路测距方法.首先利用小波阈值去噪对故障信号滤噪,然后对滤噪后的信号使用互补集合经验模态分解和希尔伯特变换标定初始波头的到达时间.再根据故障行波到达测量端时间比值识别故障支路.最后考虑到行波波速难...     

基于特征选择与TCED的UHVDC输电线路故障判定方法

针对多端特高压直流(UHVDC)输电线路存在的故障范围广、保护动作易误动等问题,提出基于特征选择与暂态电流能量差(TCED)的多端UHVDC输电线路故障区域判定方法。首先,采用离散小波变换对暂态故障电流进行特征分析,并基于皮尔逊积矩相关系数的母小波选择进行故障匹配。然后,利用故障两侧TCED的特性判别故障方向,通过各换流站故障方向信息确定故障区域。最后,建立四端UHVDC输电线路的PSCAD/EMTDC仿真模型,从故障位置、电阻、距离等方面进行论证。仿真结果表明,文中所提方法能有效区分电力系统暂态扰动与直流故障,准确判定线路故障区域,极大提高检测效率及故障区域判定准确率。     

含混合型MMC的四端柔性直流电网改进自适应重合闸策略

柔性直流电网是进行大规模新能源远距离架空线传输的重要技术手段。但架空线比直流电缆更容易发生瞬时性短路故障,待故障消失后需迅速重合闸。若直流电网发生永久性故障,常规基于换流器主动信号注入的故障性质判别方法易对直流电网的稳定运行产生较大干扰。针对上述问题,提出一种基于混合型模块化多电平换流器（MMC）主动信号注入的柔性直流电网改进型自适应重合闸方法,在混合型MMC极控制器中附加主动信号控制,使柔性直流电网在不中断功率传输的前提下实现故障性质辨识。此方法具备较强的耐过渡电阻能力,且不影响柔性直流电网功率传输的稳定性。在PSCAD/EMTDC搭建了混合型MMC四端柔性直流电网的电磁暂态模型,通过仿真验证了该方法在配备混合型MMC和机械式直流断路器的柔性直流电网中的有效性。     

适用于架空线路的双极混合MMC-HVDC拓扑

为应对柔性直流输电在远距离大容量架空线输电领域应用问题,基于钳位双子模块和双晶闸管子模块拓扑构成的两种模块化多电平换流器,设计了串联双极混合直流输电系统,既提高了输电容量,又能缓解单种拓扑能耗较大或直流故障抑制时间较长问题。重点分析了双极混合拓扑在不同直流故障下等值电路和直流故障穿越机理及其抑制特性。最后,在PSCAD/EMTDC仿真环境下搭建双极混合直流输电模型,对系统稳态运行工况和直流故障穿越特性进行了对比研究。仿真结果表明,双极混合系统既体现出灵活多样的稳态运行特性,又具有直流故障穿越与快速恢复能力,较好地适用于远距离大容量架空线路输电应用领域。     

基于GA优化BP神经网络的有源配电网高阻接地故障选线方法

当配电网发生高阻接地故障时,逆变型分布式电源的接入会向零序网络中注入不平衡的谐波电流,改变原有故障特征的分布规律,导致传统高阻故障选线方法失效。考虑光伏电源接入对配电网的影响,提出了一种基于GA优化BP神经网络通过融合多种故障特征的有源配电网高阻接地故障选线方法。首先,利用Matlab/Simulink搭建谐振接地系统仿真得到选定周波的故障零序电流,根据小波包变换从中提取小波包能量熵和模极大值,并将其作为数据样本。然后,将数据输入优化后的网络中进行训练,得到能够实现智能选线的机器学习模型。最后,算例分析表明该方法较传统算法提高了迭代速度和训练精度,在多种复杂故障条件下具有良好的选线容错率,且具有一定的抗噪能力。