配电网高阻接地故障时频特征SVM分类识别方法

高阻接地故障(HIF)发生时的故障点接地电阻较大,并常伴随着电弧熄灭与重燃,引起的故障电流很小且随机性强。由于故障时电压、电流突变量不明显,常规保护难以准确动作,所以辨识较为困难。本文提出了LCD带通滤波结合支持向量机(SVM)的配电网高阻接地故障分类识别方法,将高阻接地故障与电容投切、负荷投切、励磁涌流等暂态工况进行区分。该算法采用LCD带通滤波构造主变低压侧电流波形的时频矩阵,求取各频带标准差作为特征向量,将特征向量输入SVM以实现故障分类识别。     

基于CNN-SVM的高压输电线路故障识别方法

高压输电线路故障识别对保证电网安全稳定运行具有重要意义。提出了一种基于CNN-SVM的高压输电线路故障分段识别方法。针对传统故障识别方法数据特征提取过程复杂的问题,通过深度学习的CNN模型,将故障特征以时序矩阵形式输入其卷积层与池化层,从而简化特征提取与计算过程。此外,针对高压输电线路故障特征不明显导致相间故障识别率较低的问题,提出将故障相间电流差及非故障相负序与零序分量作为特征,输入到SVM模型,进而判断相间故障接地类型。仿真结果表明,所提方法准确率高,与其他深度学习方法相比,在相间故障识别的准确率上提升尤为显著。     

基于行波全景故障特征自辨识的高阻接地故障检测方法

受故障信号微弱、配电网存在噪声干扰等因素的影响，高阻接地故障情况下行波波头提取和检测困难，导致基于行波信号的高阻故障检测方法可靠性不高。针对上述问题，提出一种基于行波全景故障特征自辨识的高阻接地故障检测方法。首先，借助行波全景波形对高阻接地故障与正常暂态扰动电压行波信号的时-频差异性进行分析；然后，搭建卷积注意力模块-卷积神经网络（convolutional block attention moduleconvolutionneuralnetwork,CBAM-CNN）模型，使其较传统的卷积神经网络（conrolutionneralnetwork,CNN）模型更具抗干扰能力，将行波全景波形以灰度图形式输入卷积神经网络，实现对多维故障特征的提取与利用；最后，在PSCAD上搭建10 kV配电网模型进行各种故障条件下的仿真分析。结果表明：所提方法能够可靠检测高阻接地故障，抗噪性能良好，且不受故障位置、过渡电阻、初相角的影响，大大提高了基于行波信号的高阻接地故障检测方法的可靠性与灵敏性。     

基于XGBoost的配电网高阻接地故障检测方法

配电网高阻接地故障具有电气量微弱、与正常运行工况相似等特点,因此难以检测。针对传统指标阈值法常由经验整定,在复杂环境下适应性较差、灵敏性不足等问题,提出一种基于极端梯度提升(extreme gradient boosting, XGBoost)的配电网高阻接地故障检测方法,以避免复杂的阈值整定。首先,通过建立10 kV中压配电系统高阻接地故障的等效模型,获取高阻接地故障和正常运行工况的零序电流数据。然后,在对数据进行归一化处理的基础上,利用XGBoost直接从原始量测信息中学习其与高阻接地故障的映射关系,构建高阻接地故障检测模型,以降低因特征提取产生的误差。最后,大量仿真结果表明,所提方法对高阻接地故障检测具有较好的灵敏性和速动性,并且在噪声和数据缺失等情况下表现出较强的泛化能力。     

基于CNN的配电网接地故障识别

对配电网不同类型接地故障的准确识别有助于提高配电网供电可靠性。鉴于配电网发生接地故障时，故障信息微弱且分类器挖掘故障特征能力有限，提出了时分频分方法提取故障特征，基于卷积神经网络(CNN)实现不同接地故障分类。对仿真实验结果的分析表明，相较于传统机器学习方法SVM、KNN、DT，所提方法的评估指标结果更优。     

10 kV线路老化与高阻接地故障对线损影响研究

随着中国经济的快速发展,配电网线路网架趋于复杂,架空线路受环境因素影响引起老化与高阻接地故障而增加了线路损耗,不利于电网可靠经济运行。为分析老化与高阻接地故障分别对配电网线损产生的影响,首先建立了10 kV配电线路老化数学模型,以实际测量数据为基础,拟合得到不同运行年限的各类型线路阻抗变化情况,然后通过实验统计数据建立了不同接地介质下的高阻接地附加损耗模型,最后以某配电网为例,采用等值电阻法分别计算分析了老化与接地故障对配电网线损的影响。算例结果表明,一方面配电网线损随运行年限呈指数增长趋势,且运行年限较长、低负载线路的线损率易超过线损标准;另一方面高阻接地故障对于规模较小的配网而言会大幅度增加其线损率。     

人工智能在配电网高阻接地故障检测中的应用及展望

配电网发生高阻接地故障时,接地电阻较大并伴随着电弧熄灭与重燃,导致故障电流很小且随机性强,传统过电流保护装置无法辨识和动作。人工智能技术提高了高阻接地故障检测的灵敏性和准确率。本文首先介绍了高阻接地故障检测数据库的构建方法;然后从信号采集、特征提取以及分类器选取对人工智能在高阻接地故障识别的应用进行了分析和探讨;最后总结了人工智能应用于高阻接地故障检测需要解决的关键问题,为后续相关研究提供了解决思路。     

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。     

基于故障分量原理的配电网高阻接地故障检测方法

配电网中发生高阻接地故障时,短路电流小于传统过流保护的阈值,无法被常规保护装置检测和清除。若不及时消除短路电路,极易演化成严重故障。针对该问题,文中首先分析发生高阻接地故障时配电网的故障分量特征和基于母线处的正序电压故障分量与其相连接的各馈线正序电流故障分量的相位差特征,给出适用于配电网高阻接地故障检测的故障判据。然后,为解决配高阻接地故障检测过程中系统不平衡引起的一系列问题,制定了相应的故障检测启动判据。基于该故障检测判据和启动判据,制定基于故障分量原理的配电网高阻接地故障检测方法。最后,在PSCAD/EMTDC仿真软件中建立含架空线路的中压配电网模型,仿真结果验证了所提高阻接地故障检测方法的正确性。     

暂态零序电荷-电压特征与支持向量机结合的谐振接地系统故障选线研究

提出了一种暂态零序电荷-零序电压(Q-U)特征与支持向量机(SVM)相结合的配电网谐振接地系统故障选线方法。为解决配电网故障选线不可靠的问题,从配电网暂态故障特征出发,研究单相接地故障后馈线暂态零序电荷与零序电压的故障特征关系。并以各条馈线零序电荷与电压相关系数作为选线特征输入量,通过结合支持小样本分类的支持向量机分类算法,建立了一套基于暂态零序Q-U特征的配电网故障选线流程。在PSCAD/EMTDC仿真软件下建立35 kV的谐振接地系统模型,大量仿真结果表明该方法不受故障距离,故障时刻的影响,特别在高阻,电弧等工况下仍然能够实现正确故障选线。     

基于暂态零序电流图像识别的配电网单相接地故障区域定位

为了提高配电网单相接地故障的定位准确率,提出一种基于暂态零序电流图像识别的配电网单相接地故障区域定位方法。通过PSCAD实现故障仿真,构建卷积神经网络(CNN)学习所需图像集。根据单相接地故障的两值性和分化性特征,基于Python编程进行图像预处理,采用VGGNet11网络结构对预处理后的字节形式故障样本进行训练,得到故障区域定位模型,并可视化分析模型分类效果。典型10 kV配电网模型数字仿真及现场试验均表明,所提方法能够准确实现故障区域定位,不受系统接地方式、故障电阻和初始相角的影响。可采用暂态录波型故障指示器采集线路暂态零序电流,信号获取方便。     

基于改进U-net和CNN的绝缘子自爆检测方法研究

针对绝缘子自爆故障人工检测效率低,成本高的问题,基于改进U-net和卷积神经网络（CNN）模型,提出一种可有效识别绝缘子自爆故障的双阶段目标检测算法。首先,在语义分割阶段使用改进U-net模型,通过翻倍提高图像分辨率的方法有效提高图像分割精度。其次,在图像分类阶段提出更适合所提问题且有效提高分类准确度的新型CNN模型。最后,使用无人机拍摄的绝缘子图片为实验数据进行实验。实验结果表明所提算法识别精度较高。     

基于模量网络分析的接地极线路故障定位新算法

针对直流接地极线路发生远距离、高阻接地故障时,现有故障定位算法精度低的问题,提出了一种基于模量网络分析的接地极线路故障定位新算法。基于线路的分布参数模型,建立了故障后接地极线路故障模量网络,在此基础上利用接地极线路量测端的电压、电流量计算沿线的电压、电流分布,进而得到故障点处的测量阻抗,根据故障点处测量阻抗虚部最小的特点进行故障定位。大量仿真结果表明,该算法可实现接地极线路全长范围内的准确定位,且不受故障位置和分布电容的影响,具有较高的故障定位精度。     

面向FPGA部署的CNN-SVM算法研究与实现

卷积神经网络-支持向量机(CNN-SVM)混合算法结合了CNN特征提取能力和SVM分类性能,在计算复杂度和解决小样本问题上具有一定优势,目前已在故障诊断、医学图像处理等领域得到了一定应用,同时,由于其计算复杂度较低,也引起了边缘计算领域的关注。针对边缘计算场景中对算法性能和功耗的要求,提出了一种面向FPGA平台的CNN-SVM算法优化与实现方法。首先,结合FPGA的架构特点,对CNN-SVM算法结构进行了硬件适应性优化,包括模型压缩和分类器核函数的选取。其次,采用了软硬件协同和高层次综合(HLS)设计方法,完成了CNN-SVM算法加速器的设计与实现。实验结果表明,在ZCU102上,加速器的FPS(frames per second)达到了18.33 K,计算速度为1.474 GMAC/s,相对于CPU平台四核Cortex-A57和Ryzen7 3700x分别实现了23.57和4.92倍加速,相对于Jetson Nano GPU和GTX750平台能耗比分别达到了33.24和50.27。     

Application of Feature Extraction through Convolution Neural Networks and SVM Classifier for Robust Grading of Apples

This paper proposes a novel grading method of apples, in an automated grading device that uses convolutional neural networks to extract the size, color, texture, and roundness of an apple. The developed machine learning method uses the ability of learning representative features by means of a convolutional neural network (CNN), to determine suitable features of apples for the grading process. This information is fed into a one-to-one classifier that uses a support vector machine (SVM), instead of the softmax output layer of the CNN. In this manner, Yantai apples with similar shapes and low discrimination are graded using four different approaches. The fusion model using both CNN and SVM classifiers is much more accurate than the simple k-nearest neighbor (KNN), SVM, and CNN model when used separately for grading, and the learning ability and the generalization ability of the model is correspondingly increased by the combined method. Grading tests are carried out using the automated grading device that is developed in the present work. It is verified that the actual effect of apple grading using the combined CNN-SVM model is fast and accurate, which greatly reduces the manpower and labor costs of manual grading, and has important commercial prospects.     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于广义S变换和QPSO-SVM的水电机组振动故障诊断方法

提出一套完整的水电机组振动故障模式识别方法。首先,基于广义S变换提出一种能反映频谱特性的频带能量谱特征向量提取方法,并对其进行归一化处理后作为诊断模型的输入变量;然后,在分析量子粒子群算法（QPSO）和支持向量机算法（SVM）的基础上,利用QPSO算法对SVM算法中的核函数参数g和惩罚系数C进行寻优以提高SVM算法模型的诊断精度,提出一种基于QPSO-SVM算法的故障分类方法;最后,通过对比仿真和实例应用表明,该方法具有学习能力强、诊断精度高、鲁棒性好等优点,是一种有效的方法。     

A novel protection scheme for synchronous generator stator windings based on SVM

This paper proposes a novel scheme for detecting and classifying faults in stator windings of a synchronous generator (SG). The proposed scheme employs a new method for fault detection and classification based on Support Vector Machine (SVM). Two SVM classifiers are proposed. SVM1 is used to identify the fault occurrence in the system and SVM2 is used to determine whether the fault, if any, is internal or external. In this method, the detection and classification of faults are not affected by the fault type and location, pre-fault power, fault resistance or fault inception time. The proposed method increases the ability of detecting the ground faults near the neutral terminal of the stator windings for generators with high impedance grounding neutral point. The proposed scheme is compared with ANN-based method and gives faster response and better reliability for fault classification.