变分模态分解在小电流接地系统故障选线中的应用

为探究适用于小电流接地系统的故障选线方法,解决现有暂态故障选线方法效果欠佳的问题,提出了一种基于变分模态分解VMD(variational mode decomposition)的小电流接地故障选线新方法。通过引入本征模态函数基于调幅调频函数的VMD算法对配电母线各出线的零序电流进行分解,模态中心频率选取自适应且分解结果直观。最后综合直流分量以及高频分量构造双重判据实现选线,以Matlab/Simulink平台搭建的小电流接地系统故障选线模型为平台,对算法在单相接地故障下的准确度进行仿真校验。结果表明该算法不受故障电阻、故障发生位置、故障时刻与系统接地方式的影响,准确度高且对噪声有着一定的鲁棒性。     

基于MEEMD与概率神经网络的贯通式同相牵引直接供电系统故障识别

针对贯通式同相牵引直接供电系统可能发生的雷击故障、雷击干扰和接地故障3种扰动进行建模分析和识别研究。在牵引网仿真模型的基础上,通过实验得到3种扰动的暂态特征。根据以上故障提出了改进总体平均经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)与概率神经网络(Probabilistic Neural Network,PNN)结合的智能识别方法。MEEMD分解故障暂态电流信号得到本征模态函数(Intrinsic Mode Function,IMF),分别用样本熵和排列熵提取IMFs分量特征,结合PNN进行故障识别,通过实验看出,基于MEEMD排列熵与PNN结合的智能识别方法能较好地识别牵引网的3种故障。     

基于GA-BP改进算法的配电网接地故障选线方法

针对采用单一故障信息的配电网接地故障选线方法存在的缺陷,提出一种基于遗传算法(GA)改进BP神经网络的融合选线算法。该算法分别采用5次谐波法、有功分量法和暂态能量法从零序电流信号中提取5次谐波分量、有功分量、暂态能量作为故障特征,并定义其故障程度,然后将这些故障程度作为模型的输入,利用故障稳态与暂态信息对接地故障不同的判别能力,并通过GA优化BP神经网络的权值和阈值,避免神经网络陷入局部极值,使得选线模型达到较高的精度。仿真结果表明,在采用真实录波数据作为样本的情况下,所提改进算法比BP神经网络算法的选线精度更高,满足配电网单相接地故障选线精度要求。     

基于暂态信号分析的矿井电网单相漏电故障选线

为解决矿井电网系统漏电故障选线这一安全供电技术难题，提出了一种基于暂态信号特征监测与辨识技术的单相接地故障选线方法。利用变分模态分解算法对线路测量的暂态零序电流信号进行解析，制定了以特征模态分量模最大值极性和线路模态能量权重因子差异性相结合比较的故障选线判据。通过设定故障触发条件对矿井电网系统选线模型进行仿真环境测试，结果表明该选线方法不受故障合闸角、接地电阻和消弧线圈补偿度的影响，均可实现故障线路的识别，具有较强的工程适应性。     

基于改进SSA-VMD和多尺度模糊熵的接地故障选线方法

针对高压配电网发生单相接地故障时暂态工频电流分量利用不充分,提出一种基于改进麻雀搜索算法优化变分模态分解(SSA-VMD)和多尺度模糊熵的接地故障选线方法。首先,利用精英反向学习策略提高麻雀搜索算法的种群多样性,利用改进后的SSA对VMD进行迭代寻优,由实验数据可得,优化后的变分模态分解可准确区分各馈线暂态零序电流的工频分量。其次,计算各馈线零序电流工频分量的多尺度模糊熵值,并采用多尺度模糊熵偏均值作为选线判据,选出故障线路。经MATLAB/Simulink仿真结果表明,该方法在大多数故障条件下均可正确选线,可靠性高,具有较强的鲁棒性。     

中性点谐振接地的配电网故障选线方法

应用在高频空间具有良好聚焦性的小波包工具,对故障后线路中的暂态零序电流进行分解,提取暂态零序电流在选定频带内的高频分量,以故障线与非故障线的零序电流高频分量之和的测度和故障线与非故障线的电流测度之和作为系统故障的特征信息,提出一种新的基于零序电流高频分量的故障选线判别方法;以自定义系统的故障特征值为主判据、故障电流高频分量为辅助判据实现故障类型的判断。通过实验仿真证明,提出的这种故障选线的判别方法有较强的抗白噪声干扰能力以及它不受系统中性点接地方式的影响,故障选线准确率更高。可适合于各种不同接地方式的配电网的单相接地故障选线。     

基于EEMD和能量法的谐振接地配电网故障选线研究

提出一种基于集合经验模态分解（EEMD）的谐振接地配电网暂态量选线新方法。提取故障发生后各线路1／4周期暂态零序电流作为数据窗长度,用EEMD将1／4周期暂态零序电流分解为有限个固有模态函数（IMF）分量和一个剩余分量 r;将每条线路的IM F分量与原始信号做相关分析,选出与原始信号相关程度最大的前3个IM F分量作为暂态零序电流特征IM F分量,计算特征IM F分量和剩余分量的能量和作为线路的固有模态能量;计算各线路的固有模态能量权重因子,比较能量权重因子的大小选出故障线路。为了判断母线故障,选出能量权重因子最大的前3条线路做进一步比较。该方法利用暂态量,不受消弧线圈影响,可以同时适用于中性点不接地和谐振接地配电网,而且针对故障条件比较苛刻的高阻接地和小角接地故障同样适用。MATLAB仿真验证了方法的正确性。     

基于改进模糊神经网络的配电网故障选线研究

在配电网中广泛采用小电流接地方式,传统的单一单相接地故障选线方法适用范围有限。针对单一故障选线方法的不足,提出利用模糊神经网络对多种选线方法进行融合。采用基于小波包从零序电流中提取暂态能量分量和暂态方向分量,和基于FFT从零序电流中提取稳态基波分量和五次谐波分量作为故障选线的特征分量。设计模糊神经网络的结构并进行改进,采用BP学习算法。在Matlab7.1环境下搭建10 kV配电网模型,分别仿真不同的故障位置、故障合闸角、故障接地类型和故障线路的故障以验证理论的有效性。     

基于改进模糊神经网络的配电网故障选线研究

在配电网中广泛采用小电流接地方式,传统的单一单相接地故障选线方法适用范围有限.针对单一故障选线方法的不足,提出利用模糊神经网络对多种选线方法进行融合.采用基于小波包从零序电流中提取暂态能量分量和暂态方向分量,和基于FFT从零序电流中提取稳态基波分量和五次谐波分量作为故障选线的特征分量.设计模糊神经网络的结构并进行改进,采用BP学习算法.在Matlab7.1环境下搭建10 kV配电网模型,分别仿真不同的故障位置、故障合闸角、故障接地类型和故障线路的故障以验证理论的有效性.     

基于VMD能量相对熵的配电网单相接地故障选线方法

针对目前配电网单相接地故障选线存在的问题,提出一种基于变分模态分解(VMD)和能量相对熵结合的故障选线新方法。该方法首先采集线路故障后一个周期的暂态零序电流信号,运用VMD方法对其进行分解得到有限个不同尺度的本征模态函数(IMF)分量;计算各IMF分量的能量和作为线路的暂态能量;再结合能量相对熵对线路的暂态信号特征进行量化放大;最后通过比较各条线路的能量相对熵大小进行故障选线。Matlab仿真对其可行性和有效性进行验证,结果表明:该方法不受消弧线圈补偿度、故障距离、故障初相角和过渡电阻的影响,均可实现对故障线路的正确选线。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

计及分布式电源注入谐波的单相接地故障联合选线

随着配电网线路安全运行要求的提高,分布式电源注入的谐波会使得现有的选线方法失效,且单一判据的故障选线方法愈加难以胜任复杂配电网系统发生单相接地故障后的选线工作。因此文中提出了计及分布式电源注入谐波的谐振接地系统单相接地故障联合选线。针对谐振接地系统中出现单相接地故障后,故障线路与健全线路的暂态零序电流相位、周期变化不同的特点,先根据低频周期差异用多尺度交叉样本熵计算暂态零序电流,再根据高频相位差异用加权暂态能量法及同步挤压小波变换计算高频暂态零序电流的重构误差。此外,使用加权暂态能量法控制计算量并通过多尺度交叉样本熵、加权暂态能量和重构误差3个判据判定故障线路。实验结果显示,文中的联合选线法受不同故障条件的影响小,准确性高,抗干扰性强。     

基于VMD和相关性聚类的谐振接地系统单相接地故障选线

通过分析谐振接地系统的故障暂态零序电流组成及特性,提出了一种基于暂态非工频分量相关性聚类的故障选线方法。首先,将变分模态分解和快速傅里叶变换相结合,准确分离暂态零序电流中的工频分量和噪声信号,得到暂态非工频分量。然后,采用局部加权回归算法对各出线的非工频分量进行平滑处理,获得线路非工频分量的整体趋势,计算各出线的相关系数矩阵。最后,通过免阈值设定的K-means聚类算法实现故障选线。仿真结果表明,所提出的选线方法能够准确选取故障线路,选线结果不受故障电阻、故障初相角等因素的影响,且具有较好的抗噪能力。     

利用暂态电流Hausdorff距离的谐振配电网故障选线方案

针对谐振接地配电网系统高阻单相接地故障时无法可靠准确进行故障选线的问题,提出一种利用暂态高频电流波形差异的故障选线方案。通过分析谐振接地系统单相接地故障时的零序电流特征,发现健全线路与故障线路的暂态电流5、7次分量的波形依旧存在明显差异。利用Hausdorff距离算法比较线路间的暂态电流主要高频分量的波形差异进行故障选线。对各线路的暂态电流分量进行归一化处理,构造了暂态电流分量Hausdorff距离参数的故障选线判据,并设计了故障选线的实现方案。利用Matlab仿真以及试验录波进行计算分析,验证了所提出选线方案的正确性和有效性,尤其是对于配电网高阻单相接地故障具有良好的适用性。     

基于模糊粗糙集和GA-BP神经网络的L配电网故障选线方法

针对BP神经网络故障选线当输入数据量大时,其结构复杂、收敛慢,并且易陷入局部最优的缺点,将模糊粗糙集和遗传算法优化神经网络的方法引入配电网单相接地故障选线中.通过MatLab仿真试验,得出大量的各线路零序电流信号,并将多种提取的特征量进行信息融合.利用粗糙集理论对条件属性进行约简,去掉冗余条件属性,将约简后的属性作为输入层的BP神经网络,然后通过遗传算法优化BP神经网络进行训练和测试.测试结果表明,该方法具有训练速度快、误判率低的优点,能够满足电力系统对选线精度和准确性的要求.     

基于小波特征量的瞬时性绝缘故障选线技术

介绍了利用瞬时性绝缘接地故障的选线来监测中压配电网绝缘状态的新思路。通过对瞬时绝缘接地故障的相位和频率进行分析,提出了基于小波包分解的小波特征频段选取方法,阐述了利用小波特征频段信号的暂态无功功率选线判据。最后搭建了瞬时性绝缘接地故障的仿真模型,仿真结果表明,该方法能够有效、可靠地选择出瞬时性绝缘故障线路。     

基于纵横交叉算法的神经网络配电网故障选线研究

为了提高小电流接地系统单相接地故障选线的精度,提出一种基于纵横交叉算法优化RBF神经网络的故障选线新方法。利用Matlab/Simulink仿真单相接地得到一组零序电流信号,通过小波包变换和傅里叶变换从中提取出暂态特征值、有功分量以及五次谐波分量。再将提取得到的特征量作为神经网络的输入,用纵横交叉算法优化后的神经网络对故障特征值进行训练,实现故障选线。仿真中建立100组不同的故障样本,其中80组作为训练集,20组作为测试集。实验结果表明,与传统神经网络相比,CSO-RBF方法训练效果好,准确性高。     

基于改进DNN的配电网接地故障选线方法研究

针对配电网单相接地故障特征信息不清晰且现有选线方法易受故障条件和环境噪声的影响,根据配电网暂态故障特征和稳态故障特征,提出了一种改进的深度神经网络用于故障选线。对深度学习网络的损失函数和学习率进行优化,进一步提高选线的效率和准确性。通过仿真验证了该方法的可行性。结果表明,与改进前相比,改进后的训练迭代次数由86次降低到30次,训练效率提高了65.12%,故障判断的准确率由95%提高到99%,具有较好的抗干扰能力,有一定的参考价值。