基于电压振幅和支持向量回归机的高压电力输电线故障定位

针对高压电力输电线智能定位法中由于采用特征提取算法导致定位速度慢的问题,提出一种基于电压振幅和支持向量回归机的高压电力输电线故障智能定位系统。首先使用Matlab建立一条220 k V/300 km的高压电力输电线,并在此输电线上模拟出不同过渡电阻、不同位置、不同故障类型和故障初始角的故障信号。此系统使用单端测量方式,并只采集电压故障信号。采集到的电压故障信号经过低通滤波剔除干扰信号后,提取故障点后1/2周期的电压幅值作为故障特征信号,由支持向量回归机对故障特征信号进行训练和验证,实现对故障的精准定位。仿真研究表明,此系统不仅在很大程度上提高了故障定位的速度,而且故障定位的精度也非常高。     

Fault location scheme for a multi-terminal transmission line based on current traveling waves

As very little research on the fault location for multi-terminal transmission lines based on current traveling waves only has been done, a new fault location scheme on this is proposed. The proposed scheme is different from the traditional ones based on fundamental impedance. Fast Intrinsic Mode Decomposition (FIMD) and Teager Energy Operator (TEO) are combined (FIMD&TEO) to detect the arrival time of the traveling wave at each terminal. Fault Distance Ratio Matrix (FDRM) and rules for identifying faulted sections of a multi-terminal transmission line are proposed and the method for building FDRM is presented in this paper. After several couples of local and remote terminals connecting through the faulted section are got, their fault distances are calculated by means of a two-ended traveling wave method, and then the fault point can be located by averaging the fault distances. Many simulations under various fault conditions have been done, and the results show that the proposed scheme can locate faults more accurately than existing impedance-based methods.     

基于SVR算法的短期负荷快速预测研究

将支持向量回归(SVR)算法引入短期负荷预测,为提高预测速度,根据负荷预测的特点,提出了一种SVR的在线训练算法,该算法通过不断输入新的负荷数据来更新回归函数,以获得更快的计算速度和较好的预测结果。和传统的SVR算法比较,它能在保证精度的同时大大减少支持向量的数目,具有更快的收敛性。仿真结果表明了算法的有效性。     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

Discrete wavelet transform and support vector machine‐based parallel transmission line faults classification

This paper presents a scheme for classification of faults on double circuit parallel transmission lines using combination of discrete wavelet transform and support vector machine (SVM). Only one cycle post fault of the phase currents was employed to predict the fault type. Two features for each phase current were extracted using discrete wavelet transform. Thus, a total of 12 features were extracted for the six phase currents. The training data were collected, and SVM was employed to establish the fault classification unit. After that, the fault classification unit was tested for different fault states. The power system simulation was conducted using the MATLAB/Simulink program. The proposed technique took into account the mutual coupling between the parallel transmission lines and the randomness of the faults on transmission line considering time of occurrence, fault location, fault type, fault resistance, and loading conditions. The results show that the proposed technique can classify all the faults on the parallel transmission lines correctly. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

A performance oriented impedance based fault location algorithm for series compensated transmission lines

This paper proposes a performance oriented fault location algorithm for series compensated transmission lines. The algorithm estimates the fault location based on the calculated fault voltage and current using two end measurements and line parameters. Fault location computations are carried out considering faults existed before or after the compensator location on the line. The calculated MOV impedance is the key factor in determining whether or not the fault is located in front of the compensator. A 380 kV transmission line with a series capacitor and an MOV has been tested for various fault types, fault locations and fault resistances. The results show that the algorithm accurately estimates the fault location for all cases.     

基于支持向量回归机的谐波分析

传统谐波分析方法中,窄带滤波器选频法对元件参数十分敏感,受外界环境影响较大,且精度难以保证;快速傅里叶分解法会产生频谱泄漏误差,不同频率谐波之间也有干扰;神经网络分析方法检测精度高,但其基于大样本的学习方法,受样本及训练初始值影响较大,有时会导致训练不成功。为减小外界环境影响,提高检测精度和降低噪声影响,提出基于支持向量回归机的谐波分析方法,它是基于统计学习理论,以结构风险最小化为原则的机器学习,通过引入松弛变量和损失函数提高算法泛化能力和减小误差,该算法最终转化为标准二次规划问题,有全局最优解。通过算例分析,并与傅里叶检测方法相比较,可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。     

基于半正交三角样条小波包的电机故障信号处理方法

三角样条小波TSW（Trigonometric Spline Waelet)是作者首先提出适合电力系统信号处理的小波函数，它是对称的半正交小波。基于它的小波包称为半正交小波包，与Daubechies小波迭代算法不同，三角样条小波是对称的或反对称的小波，基于它的滤波器具有线性相位或广义线性相位，因而可避免信号相位失真，实验结果表明半正交小波包对故障信号的分解，压缩，重构比Daubechies小波包效果明显，另外对故障信号的小波包分解的不同频带的特征值和正常信号的特征值进行比较，可以对故障信号进行谐波检测和定位。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于小波包变换的暂态电流保护在带固定串补的超高压线路上的应用研究

运用柏德生法则,定性地分析了带固定串补的超高压线路上的波过程及保护安装处反射电流与透射电流的S域表达式,该暂态量保护的性能不受串补电容金属氧化物变阻器（MOV）保护非线性特性的影响。以小波包分解作为分频手段对暂态电流进行分频,利用高低频段能量比作为保护判据。理论推导与仿真结果证明,该原理的保护可应用于带串补的超高压线路。且与串补电容安装位置基本无关,对不同的系统运行方式、故障类型、故障初始角及过渡电阻不敏感。     

基于Morlet小波核多类支持向量机的故障诊断

故障诊断问题实质上是一个模式识别问题,即多分类问题.采用Morlet小波来构造支持向量机(Support Vector Machine, SVM)的核函数,Morlet小波核SVM比普通SVM具有更好的鲁棒性和更强的泛化能力.在一对一算法的基础上实现Morlet小波核多类支持向量机的故障诊断,并将此方法成功应用于电厂汽轮发电机组的故障诊断.实验仿真结果表明Morlet小波核多类SVM故障分类器比BP神经网络训练和测试速度快,且其分类精度在高斯噪声干扰下还保持100%,比BP神经网络高出11.8%.因此该方法能够快速而准确地对电厂汽轮发电机组的故障进行诊断,满足电力系统实时操作的要求.     

基于CEEMD和膜计算优化支持向量机的风速预测

为提高预测的可靠性和准确性,提出一个基于模态分解理论和膜计算优化算法的混合模型用于风速预测。与现有的风速预测方法相比,该模型提高了预测精度。该模型包括3个主要步骤:为了简化数据的复杂度,通过互补集合经验模式分解(CEEMD)将原始风电功率时间序列分解成几个固有模态函数(IMFs);对每个IMF分量单独建立膜计算优化算法优化支持向量机(MCO-SVR)的模型进行预测;叠加全部IMF分量的预测值作为最终的预测结果。建立包括单一的支持向量回归机模型、不同分解方法以及相同的分解方法但使用不同的优化算法在内的9种基本模型,来验证所提出的混合模型的优越性。实证研究表明,所提出的混合模型在预测精度上显著优于其他的基本模型。     

基于经验模式分解和最小二乘支持向量机的短期负荷预测

电力负荷是具有一定的周期性和随机性的非平稳时间序列,传统的预测方法是建立在负荷是平稳序列的前提下,难以精确的预测。为了进行有效的预测,提高预测精度,提出将经验模式分解EMD(Empirical Mode Decomposition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)相结合对短期负荷进行预测。首先,运用EMD将负荷序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsic mode function),分解后的分量突出了原负荷的局部特征,能更明显地看出原负荷序列的周期项、随机项和趋势项;然后,根据各个IMF的变化规律,采用合适的核函数和超参数构造不同的LS-SVM进行预测,最后对各分量的预测值进行相加得到最终的预测值。仿真试验表明,此方法具有较高的精度和较强的推广能力。     

高压电缆局部放电小波包 峰度法在线检测与定位

在利用双端行波法进行高压电缆局放在线检测与定位时,针对脉冲初至时刻拾取精度不高影响定位精度的问题,引入地震信号检测领域中的时变峰度法。首先利用时窗能量比检测局放事件,然后在确定的局放时窗内,通过计算时变峰度变化率并求其最大值点,初步实现脉冲初至时刻拾取。为了克服现场强噪声干扰对拾取精度的影响,利用小波包分离出局放脉冲所在的主要频带,并在此频带内求取时变峰度极大值,实现了局放脉冲初至时刻的高精度拾取。最后运用到达时间分析法实现局部放电源的在线精确定位。实验结果表明,该方法抗噪声干扰能力强,定位精度高,在-14 d B的噪声环境下定位误差小于2 m,能够满足高压电网对局放故障在线定位的精度要求,有效提高供电可靠性。     

基于小波包去噪与EMD的故障电弧检测算法研究

经验模态分解(Empirical Mode Decomposition,简称EMD)方法是一种被广泛应用于故障诊断领域的信号处理方法,但是分解的结果容易受到高频噪声的干扰。因此本文提出利用小波包去除噪声,同时利用EMD分解进行故障电弧信号处理的研究方法。首先根据国标GB/T 31143-2014搭建故障电弧实验平台,采集故障电弧信号,利用小波包去除信号中的噪声,然后利用EMD方法对正常电弧和故障电弧进行分解得到一系列本征模态分量,通过计算求出这些分量的能量熵并进行归一化处理得到特征向量,最后进行支持向量机(SVM)训练,进而诊断得出故障电弧的故障类型。实验结果表明该方法可以有效准确地对故障电弧进行判断。     

基于ICEEMDAN与小波包分解的脉搏信号联合去噪

针对脉搏信号非线性、非平稳,且难以去噪的问题,提出了一种基于改进的自适应噪声集合经验模态分解(ICEEMDAN)与小波包分解(WPD)相结合的联合去噪方法,对采集的脉搏信号进行去噪处理。首先对噪声信号进行ICEEMDAN模态分解,产生一系列的固有模态函数(IMF),再将这些IMF分量分别与原信号进行相关系数的计算,比较相关系数的值,然后进行信号的重组,最后对重组后的信号进行小波包分解,提取得到降噪后的脉搏信号。利用仿真数据、实际采集的脉搏信号进行实验分析,将该方法与集合经验模态分解(EEMD)进行了对比,并比较了这两种方法的信噪比(SNR)和均方根误差(RMSE)。实验结果表明：基于ICEEMDAN-WPD的联合去噪方法能更有效地去除噪声,并更好地保留脉搏信号的特征。     

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。     

基于小波包分解的风电混合储能容量配置方法

提出了一种基于小波包分解的风电混合储能容量配置方法。该方法对风电输出功率进行小波包分解,将其分解为低频部分和高频部分,采用低频部分作为并网目标功率,根据蓄电池和超级电容器的互补特性,分别用其平抑次高频部分和最高频部分。通过高斯逼近法拟合波动功率的概率密度函数,进而得出混合储能系统的容量。在Matlab/Simulink平台上搭建混合储能系统仿真模型。通过风电并网点输出功率的平滑程度以及混合储能系统荷电状态波动范围的分析,验证了该容量配置的有效性。     

VMD 及 PSO 优化 SVM 的行星齿轮箱故障诊断

以故障高发的行星齿轮传动系统为对象,提出基于变分模态分解(variational mode decomposition, VMD)及粒子群算法(particle swarm optimization, PSO)优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,对信号进行VMD分解,采用改进小波降噪的方法处理分解后的本征模态分量(IMF),并对处理后的分量进行重构,凸显信号蕴含的信息;然后,对处理后的振动信号进行特征提取,分别提取信号的样本熵和均方根误差,并组成输入矩阵;最后,引入PSO优化SVM的关键参数,将提取的特征向量输入PSO-SVM进行训练和识别。将该方法应用于行星传动试验平台获取的行星轮裂纹故障、太阳轮轮齿故障及行星轮轴承故障信号,通过多维比较,验证了该方法的有效性。     

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以精确确定,基于已知线路长度和初始波头到达时间,提出一种不受波速影响的测距方法。仿真结果表明,所提方法能够有效标定波头,且测距结果不受波速、故障距离、故障类型、过渡电阻及噪声的影响。与利用波速计算的双端法、HHT及小波包测距算法相比,该方法的测距误差更小。