基于自适应双阈值的局部放电基本参数提取

局部放电基本参数自动化提取是高压设备局部放电在线PRPD分析的一项关键技术。针对现有方法因缺乏有效的参数选取方案导致适用性差的问题,提出了一种基于自适应双阈值的局部放电基本参数提取新方法。该方法利用放电幅值阈值和放电间隔阈值对PD信号的所有局部极值点进行双重过滤得到有效放电脉冲及其参数。为了减少整个处理过程的人工干预,提出采用最大类间方差法自适应选取上述双阈值。实验室中所测信号分析结果表明,所提方法能有效地提取PD信号的基本参数,对总数643例放电进行检测仅漏检13例、误检0例,且对80 MHz高采样率的放电信号的检测时间仍低于0.3 s,在准确性与计算效率上均优于现有方法。     

人工智能在电力系统中应用的近期研究热点介绍

大数据驱动下的新一代人工智能由传统知识表示转向深度、自主知识学习,不再需要人的过多干预,展现出了更加智能的一面。近年来,深度学习成为人工智能研究热点。该文重点介绍了深度学习的特点、原理及其在电力系统中的应用研究现状,分析了新一代智能方法研究趋势及在应用过程中存在的问题,并提供了基于分布式机器学习和增量学习的解决方法,旨在为相关研究工作者提供参考。     

基于EEMD阈值的绝缘子泄漏电流去噪的研究

绝缘子泄漏电流信号的采集受很多噪声信号的干扰,直接使用将影响准确地提取其特征量,本文对基于EEMD(Ensemble Empirical Mode Decomposition)阈值的绝缘子泄露电流去噪方法进行研究,借鉴小波去噪的4种阈值方法对泄漏电流信号进行去噪,分别是自适应阈值、固定阈值、启发式阈值和极大极小阈值,对EEMD阈值的去噪方法进行研究,通过对去噪前后信号的波形、有效值和谐波幅值比这3个特征量进行分析比较,综合比较仿真和实测信号去噪前后的效果,得出固定阈值是EEMD去噪方法的最佳阈值。     

基于改进变分模态分解和Hilbert变换的变压器局部放电信号特征提取及分类

针对现有局部放电(PD)信号特征提取方法存在的不足,提出一种基于变分模态分解(VMD)和Hilbert变换(Hilbert-VMD)的特征提取方法,并提出一种双阈值筛选法来确定VMD算法中的分解模态数。首先,根据PD信号功率谱,采用双阈值筛选法确定VMD算法中的分解模态数;其次,采用VMD算法对PD信号进行分解,得到数个有限带宽的固有模态分量(BLIMFs);然后,对各模态分量进行Hilbert变换并线性叠加后得到PD信号的Hilbert时频谱,并计算各模态分量的边际谱;最后,根据各模态分量的边际谱提取PD信号频域内的特征量,并用支持向量机(SVM)对所提取的特征量进行分类。实验结果表明,对试验环境下和现场实测两种环境下的PD信号,采用该文方法提取得到的特征量均具有较高的正确识别率,充分说明该特征提取方法可以有效提取PD信号特征。对于噪声较大的实测信号,采用该方法得到的正确识别率并未明显降低,说明该方法具有较好的噪声鲁棒性。此外,该文所提Hilbert-VMD方法也为PD信号提供了一种新的时频分析方法。     

基于深度自编码网络的电力变压器故障诊断

基于深度自编码网络(DAEN),构建了分类深度自编码网络(CDAEN)模型。结合电力变压器在线监测油中溶解气体分析(DGA)数据,提出了基于CDAEN的变压器故障诊断方法。所提方法利用大量无标签样本进行预训练,优化模型参数,并利用少量有标签样本进行微调。实例分析表明,与基于反向传播神经网络(BPNN)、支持向量机(SVM)的故障诊断方法相比,所提方法的诊断正确率更高。     

基于加汉宁窗的FFT高精度谐波检测改进算法

大量非线性元件的应用导致电网谐波问题愈发严重,快速傅立叶变换（FFT）在非同步采样条件下难以实现谐波的精确检测,通过加窗插值可以改善FFT算法的准确度。根据信号加Hanning窗离散频谱的衰减特性,提出一种高精度改进算法。该算法通过对加窗信号的离散频谱序列进行特定的多项式变换,进一步减轻各次谐波频谱之间的互相干扰,继而应用插值运算推导出各次谐波频率、幅值和相位的高精度校正公式。对该算法与Hanning窗和Blackman-Harris窗插值FFT算法进行Matlab仿真对比,验证了该算法具有更高的分析精度。对电容器谐波电流的实验研究进一步证明了改进算法的有效性。     

新一代人工智能在智能电网中的应用研究综述

智能电网是人工智能 （artificial intelligence, AI） 的重要应用领域之一, 以高级机器学习理论、大数据、云计算为主要代表的新一代人工智能 （new generation artificial intelligence, NGAI） 技术的进步和突破, 将会促进智能电网的发展。首先概述AI的主要方法, 并对NGAI的内涵、特点与技术体系进行论述。之后, 对NGAI在能源供应、电力系统安全与控制、运维与故障诊断、电力需求和电力市场等领域中的最新应用研究情况进行比较系统的综述。最后, 总结NGAI在智能电网中应用的关键问题, 提出人工智能在智能电网中的应用可分为三阶段实施的建议。     

并行EEMD算法及其在局部放电信号特征提取中的应用

波形信号是电力设备监测中常见的数据形式,波形信号处理在大数据背景下成为计算和数据双重密集型问题。集合经验模态分解(EEMD)的自适应性在分析非线性、非平稳信号时具有优势,但高计算量限制了其应用。通过对EEMD算法处理波形信号时的并行性分析,在Spark计算平台下设计并实现了波形分段并行与经验模态分解(EMD)过程并行这两种不同结构的并行EEMD算法。波形分段并行适用于较长的波形信号,但结果存在部分误差,而EMD过程并行能获得与原算法一致的结果,但对内存的需求更大,适于数据量不大的波形信号。将并行EEMD算法用于局部放电(PD)波形信号的特征提取,计算固有模态分量的能量参数与样本熵作为特征量。实验结果表明,利用所提特征量能有效区分多种PD类型,所提并行EEMD算法与现有EEMD算法相比计算效率更高,减少了特征提取过程的耗时。     

基于VMD和多尺度熵的变压器内绝缘局部放电信号特征提取及分类

为了有效提取局部放电信号的特征,提出了一种基于变分模态分解(VMD)和多尺度熵(MSE)的特征向量提取方法,并采用BP神经网络分类器对放电类型进行识别。特征向量的提取过程是首先利用VMD分解算法对局部放电信号进行分解,得到数个有限带宽的固有模态分量;然后分别计算分解得到的模态分量的MSE,将其组合得到初始特征向量;最后利用主成分分析法对初始特征向量进行降维处理。用该方法对实验室条件下4种放电信号和不同放电程度的电晕放电进行特征提取及识别。结果表明,该方法能有效提取放电信号的特征,以其作为特征向量可以正确识别不同的放电类型和同种放电类型下的不同放电程度。     

Spark环境下并行立方体计算方法

针对传统联机分析处理(OLAP)处理大数据时实时响应能力差的问题,研究基于分布式内存计算框架Spark加速的数据立方体计算方法,设计基于Spark内存集群的自底向上构造(BUC)算法——BUCPark,来提高BUC的并行度和大数据适应能力。在此基础上,为避免内存中迭代的立方体单元膨胀,基于内存重复利用和共享的思想设计改进的BUCPark算法——LBUCPark。实验结果表明:LBUCPark算法性能优于BUC算法和BUCPark算法,能够胜任大数据背景下的快速数据立方体计算任务。