基于sViT的风电场集电线故障区段定位

为解决风电场集电线单相接地故障后定位困难的问题,提出基于变分模态-小波变换(VMD-CWT)时频谱联合孪生视觉自注意力模型(sViT)的故障区段定位方法。分析发现故障区段与集电线故障电压的VMD-CWT谱有密切关系,借助深度学习算法挖掘谱线与故障区段的关系可以实现集电线故障区段定位。借助PSCAD/EMTDC软件搭建集电线模型,收集各类故障情况的数据后进行VMD-CWT变换生成时频谱;在训练集上搜索sViT网络的最优识别参数,将这一网络的分支用于测试集识别。仿真结果表明该方法对集电线多分支、混合短线有着良好的适应能力,定位受到过渡电阻、噪音和故障相位角的影响较小。     

河南油田不同类型油藏聚合物调驱技术研究与应用

河南油田三采产量从2001年最高时的15.98×10~4 t下降到2004年最低时的4.75×10~4 t,递减幅度高达34%,为了扭转油田后期开发产量递减的不利局面,通过针对不同类型的油藏开展深部调剖和聚合物驱相结合的"2+3"组合驱技术,充分发挥了二者之间的增强效应,取得了一定的效果。     

基于改进DDAE的风电场集电线单相接地故障测距

为解决风电场混合接线的集电线短路后难以精确定位的问题,提出基于改进深度自编码网络的故障测距方法。分析集电线故障零序电流可知,暂态电流值、稳态电流幅值、稳态电流相位与故障距离呈现强非线性关系,借助深度学习挖掘这一复杂关系实现集电线精确定位。在深度去噪自编码框架上添加距离回归输出端口,采用联合训练以提升定位网络的准确性、抗噪性和鲁棒性。其过程为：首先,借助PSCAD/EMTDC搭建集电线模型,将给定时窗内故障零序电流序列和对应距离作为故障样本,仿真不同情况故障生成样本集。然后,在训练集上训练改进深度自编码网络得到最优网络用于精确测定故障距离。借助各测点零序电流幅值关系可先确定故障区域,将故障信号送入已训练好的网络即可确定故障所在精确位置。本文方法对集电线多分支、混合短线路有着良好的适应能力;定位性能明显优于传统机器学习算法,且受过渡电阻、采样率、噪音、故障相位角影响较小。     

广域行波信息与图注意力网络相结合的 输电网故障定位

融合电网中诸多的行波测点信息能够提高故障定位的精度和可靠性,但目前尚缺乏一种能够结合网络拓扑、自适应地确定不同故障位置下各测点重要度的多源行波融合定位方法。因此,提出了广域行波信息与图注意力网络(GAT)相结合的输电网故障定位方法。首先,将全网行波测点及测点间的架空线作为节点和边构建广域行波图数据,行波信号的变分量模态分解(VMD)分量作为节点特征。GAT根据各测点的拓扑关联挖掘广域行波特征,并选定故障线路、输出表征测点重要度的自适应权重。进一步地,利用该自适应权重融合多源行波信息以测算精确的故障位置。结果表明,本文方法能够定位多种类型的线路故障,诸多故障位置下的测距误差均在100 m以内;相较于传统方法,减少测点时优势更加显著,不同故障位置下的定位精度提高了20～400 m不等。     

基于FDM孪生网络的风电场集电线单相接地故障区段定位

针对风电场集电线路故障后定位困难以及故障样本稀缺问题,文章提出了基于傅里叶分解算法与孪生神经网络相结合的风电场集电线路区段定位方案。傅里叶分解算法适用于集电线路接地故障所产生的瞬态非平稳信号;孪生神经网络可用于对样本集的扩充和辅助训练识别网络。该方案首先提取集电线故障信号线模分量,借助傅里叶分解算法生成时频能量谱;然后借助孪生神经网络扩充样本集,并在该集合上辅助训练定位网络;最后将孪生神经网络分支部分保留以形成定位网络,基于已有故障区段模态,应用定位网络完成对未知故障模态的判别。试验结果表明,文章提出的算法在小样本情况下比传统行波法更适合风电场集电线路故障定位。