基于RF-BiLSTM的柔直阀冷入阀水温预测及冷却能力评估

为实现柔性直流(voltage sourced converter-high voltage direct current,VSC-HVDC)换流阀冷却系统入阀水温的智能预测,文中提出一种基于随机森林(random forest,RF)和双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络混合的柔直换流阀冷却系统入阀水温的预测模型,并以此为基础对柔直换流站阀冷系统的冷却能力进行评估。首先,采用RF算法对由阀冷系统监测变量组成的高维特征集进行重要性分析,筛选出影响入阀水温的重要特征,与历史入阀水温构成输入特征向量。然后,将特征向量输入到BiLSTM预测模型,对模型进行训练并实现对入阀水温的准确预测和冷却能力定量评估。最后,以广东电网某柔直换流站为实例对所提方法进行分析,验证了所提出的基于RF-BiLSTM的混合模型预测精度优于BiLSTM模型、RF模型、支持向量机(support vector machine,SVM)模型和自回归滑动平均模型(auto-regressive and moving average,ARMA)模型,并且实现了冷却能力的定量评估。结果表明该换流站冷却裕量达98%,存在过度冷却、能源浪费的问题,与换流站现场运行情况相符,验证了文中所提方法的有效性和准确性。     

基于声纹特征和集成学习的变压器缺陷诊断方法

变压器运行过程中产生的振动噪声与其运行状态及内部缺陷情况直接相关,对其声纹信号开展特征分析,有助于进一步了解设备运行工况,保障电力系统安全稳定运行。文中以声纹特征分析为基础,兼顾诊断效率与准确性,提出一种基于卷积神经网络及集成学习模型的变压器缺陷诊断方法。该方法以变压器声纹数据的时域及频域信号为多通道输入混合特征,构建了基于卷积神经网络模型和声纹特征分析法的集成学习模型,可实现变压器声纹特征的有效识别,并通过由多个基学习器组成的集成学习模型提高了变压器缺陷诊断的准确性。基于文中所构建的变压器声纹样本库,可得到该方法对变压器单一缺陷的识别准确率为99.2%,对变压器混合缺陷的识别准确率为99.7%。研究结果表明该方法可有效识别变压器的运行状态,为变压器运维检修提供技术参考。     

光伏直流变压器不闭锁零电压穿越策略

针对中压直流系统双极故障下光伏直流变压器的低电压穿越问题,首先基于双有源桥和全桥隔离电路的子模块拓扑结构,分析光伏直流变压器正常运行时最大功率点追踪控制的快速实现方案。然后利用光伏电池板输出特性,提出光伏直流变压器不闭锁穿越策略,该策略对故障时长不敏感,可实现严重故障下的零电压穿越。进一步,针对故障穿越暂态过程中的过电压及子模块不均压问题,提出多控制策略间的平滑切换方案,有效降低暂态过程中的过电压现象,改善子模块间的均压效果。最后在MATLAB/Simulink环境中搭建仿真模型,验证所提策略的有效性。     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。     

基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于选相投旁通对的LCC-HVDC系统逆变侧换流变故障性涌流主动抑制策略

当高压直流输电系统换流变阀侧发生单相接地故障,由于换流阀的单向导通性,阀侧故障电流中含有较大的直流分量,流入换流变可能导致换流变饱和并产生“故障性涌流”。与传统三大涌流不同,故障性涌流由阀侧单相接地故障诱发并受直流控制与保护系统的影响。计及直流控保系统的影响,分析了逆变侧换流变发生阀侧单相接地故障时,换流变故障性涌流的产生机理及其对换流变差动保护的影响。针对换流变保护区内阀侧单相接地故障场景下,故障性涌流可能导致差动保护误闭锁的问题,提出了一种基于选相投旁通对的故障性涌流主动抑制策略,可以从根本上避免差动保护误闭锁问题。基于PSCAD/EMTDC的仿真实验验证了所提方案的有效性。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

变压器绕组松动故障的混沌特征分析方法

为了更加有效地对变压器绕组松动故障进行监测与识别,提出了一种变压器绕组松动故障的混沌特征分析方法。首先,针对振动信号的混沌动力学特性,采用互信息量法和G-P算法分别确定延迟时间和嵌入维数,对变压器振动信号进行相空间重构;其次,通过判断最大Lyapunov指数是否为正,进而证明变压器振动信号的混沌特性,在此基础上分析不同程度的绕组松动故障对相空间轨迹变化的影响;最后,将关联维数、Kolmogorov熵和最大Lyapunov指数作为一组混沌特征用以量化变压器绕组发生松动故障前后振动信号的混沌特性。结果表明：变压器振动信号的最大Lyapunov指数均大于0,证实了其具有混沌特性,所得到的混沌特征能够有效反映变压器绕组松动故障。研究结果为变压器绕组松动状态监测提供了一种理论依据。     

基于谐波电阻的变压器箔式绕组温升在线修正

绕组热点温度是配电变压器在线监测的重要指标,而现有的绕组温升在线计算方法未考虑箔式绕组结构产生的影响。通过配电变压器不同谐波下等效电阻比值对箔式绕组结构进行辨识,然后对比线绕式和箔式两种绕组结构发热差异,对一种通过绕组电阻变化计算绕组温升的算法进行了在线修正。该方法提供了一种通过谐波电阻比值预测箔式绕组热点温度的新思路。     

HVDC/GIC型直流偏磁的差异性分析

考虑到地磁感应电流(geomagnetically induced current, GIC)具有低频性,过去一直将其近似等效为高压直流输电(high voltage direct current, HVDC)诱发的不平衡电流进行研究。然而,与HVDC型直流偏磁相比,GIC型直流偏磁具有显著的随机性与时变性,因此简单地将两者完全等效处理并不合理,在特定场景下应加以区分。为此,首先,从理论上分析了两种类型直流偏磁在诱发原因及特点上的差异。其次,通过研究直流偏磁对变压器本体以及电流互感器的不利影响,进一步探究两种类型直流偏磁对电网一/二次设备的影响差异,为后续的偏磁治理提供有效参考。最后,基于PSCAD/EMTDC仿真平台搭建了等效仿真模型,并通过仿真验证了理论分析的正确性。