基于多代理系统的含DG辐射状配电网故障定位

分布式电源(DG)的高渗透接入使配电网结构发生了改变,导致传统的配电网故障定位算法失效.基于含多DG辐射状配电网拓扑结构的特点,构建多代理系统的配电网故障定位框架,该系统主代理根据子代理上传的电源端故障量测量建立RBF神经网络故障测距模型,估计各电源端到故障点的故障距离,考虑上传量测量误差对相邻线路分界点故障定位的影响...     

基于广义深度学习的含DG配网故障诊断方法

针对传统故障定位方法难以满足含分布式电源配电网的问题,提出一种基于广义深度学习的故障定位方法。利用广义深度学习在逼近能力和容错性方面的优势,挖掘响应数据与故障位置之间的映射关系,建立含分布式电源配电网故障定位的模型。IEEE34节点仿真结果表明,该方法可有效实现含分布式电源配电网的故障定位,准确率高,速度快,且在信息畸变或缺失时容错性好。     

应用等效网络原理的新型配电网故障定位技术

针对配电网电源、负荷结构及潮流水平的变化,本文应用等效网络原理提出一种故障定位新方法。首先基于分布参数模型,利用分布式采集的电气数据,计算沿线各节点电压与电流,初步判断故障发生的区域;然后计算故障区域两端的等效网络参数,进而在该网络的基础上对不同故障类型进行故障定位分析与判断。结合工程实际,在PSCAD上搭建含分布式电源(DG)接入的配电网模型,对故障定位新方法进行仿真验证,结果表明,所提方法适应于配电网中的各种位置发生的各种类型故障。     

基于边缘计算和深度学习的有限信息配电网单相接地故障区段定位

目前围绕量测条件受限的配电网展开的故障定位研究较少,且传统的主站集中式故障定位系统在实时性与安全性等方面存在不足。针对上述问题,提出一种基于边缘计算和深度学习的单相接地故障区段定位方法。首先,构建基于分区修正的边缘计算单元配置多目标优化模型。该模型通过分区修正方法降低了故障定位系统的通信时延,提升了数据传输安全性,进而保障配电网安全运行。其次,将基于数据驱动的智能算法应用于配电网故障区段定位,选择易获取的相电流稳态有效值在故障前后的变化量作为故障特征,利用全连接型深度神经网络学习样本特征与标签间的映射关系,得到离线训练好的定位模型并储存在边缘节点以实现快速故障定位。最后,以IEEE33节点系统为例进行仿真。算例结果表明该模型在分布式电源接入、高阻故障、噪声干扰以及拓扑改变等情况下均具有良好表现。     

基于配电网原故障定位方案的分布式电源准入容量研究

为解决由于分布式电源(distributed generation,DG)接入而导致的传统配电网故障区段定位方案不再适用的问题,提出一种通过限制DG接入容量,保证传统故障区段定位方案可用的方法。首先简述了传统故障区段定位方案以及DG故障电流的计算方法;然后分析了DG接入对传统配电网故障区段定位方案的影响,提出了保证原有故障区段定位方案适用时,系统电源提供的最小短路电流与DG提供的最大反向短路电流应满足的要求,因为两者均与DG的接入容量相关,所以上述要求相当于对DG的最大接入容量作出限制。算例表明,限制DG的接入容量,基于短路计算可设置合理的开关定值来区分系统电源提供的最小短路电流及DG提供的最大反向短路电流,保证传统的故障区段定位方案可用。与其他开关定值设置方法的对比表明,直接基于短路电流计算,会提高DG的接入容量或者馈线的供电长度。     

含分布式发电的多电源配电网故障定位研究

<正>传统的配电网故障定位方法主要针对单电源辐射型配电网,含分布式电源(DG)系统结构的配电网系统由于具有新型的故障特点:故障响应迅速、提供短路电流能力差、呈现弱电;故障电气量含有大量谐波;系统结构与潮流分布复杂,使得故障区域与具体位置的判定具有难度。配电网故障时,对迅速准确定位、切除故障并减少对配电网其余DG的影响。因此,含分布式发电的多电源配电网故障     

基于配电网等效解耦的配电网故障定位算法

分布式发电(DG)接入配电网后,配电系统网络由单电源辐射状变成了含分布式电源供电的多电源复杂网络,传统的故障区段定位算法不再适用。提出了一种基于配电网拓扑结构等效解耦的新型故障区段定位算法,首先基于配电网拓扑分析的邻接矩阵D,将配电网等效解耦为数个树干网的组合。然后对单个树干网,根据馈线终端设备(FTU)过流信息构成故障矩阵,利用新型的故障区段定位方法,进行故障区段的准确定位。算法基于配电网拓扑结构的等效解耦,不仅能够定位含DG配电网的单一故障,也能定位多重故障。同时解耦后的树干网,矩阵定位算法阶数明显降低,算法简单。通过对算法的算例分析,验证了算法的有效性。     

基于零序阻抗模型故障特征的含分布式电源配电网故障区间定位方法

电力系统配电网的故障区间定位是故障精确测距的基础,其研究对尽快恢复供电及减少停电经济损失具有重要作用。分布式电源(DG)的引入增加了故障区间定位的难度,为此提出一种基于电源端测量数据的含DG配电网故障区间定位新算法。该方法在含DG配电网零序阻抗模型的基础上,根据故障点的故障特征搜索故障支路关联节点,定位故障区间。算例仿真结果表明所提出方法具有区间定位准确度高、鲁棒性强和计算速度快的优点。     

分布式发电条件下配电网故障区段定位新算法

分布式发电（DG）接入配电网后,配电网由单电源辐射状网络变成了分布电源供电的复杂网络,传统的故障区段定位算法不再适用。文中提出了一种基于故障电流的新型定位算法,首先基于DG渗透条件下配电网结构的搜索树,对故障通道进行判断搜索;然后利用搜索得到的与故障呈强相关状态的节点构建故障信息矩阵,利用基尔霍夫定律及相位比较原理执行相应的矩阵算法,进行故障区段的准确定位。该算法对网络初始结构及DG投切的变化具有一定的适应性;同时采用序电流加权和的综合电流量作为故障电流判据,提高了算法的灵敏度。通过对该算法的算例分析,验证了算法的正确性。     

基于分布式电源电流变化率的主动配电网单相断线保护方法

分布式电源的应用,改变了配电网断线故障的特征,加剧了断线故障的威胁。但是目前不仅缺乏含分布式电源(DG)的配电网断线故障保护方法,甚至电网断线故障下DG的输出特性也不清晰。基于主动配电网的可观测性,提出了一种根据DG电流变化率识别配电网断线故障的新思想。首先,分析了配电网单相断线故障下DG的输出特性,并建立了DG的等值模型。然后,建立了含DG的配电网单相断线故障等效电路,推导了故障前后DG输出电流的表达式。随后,分析了故障前后DG输出电流的变化特征,建立了基于DG电流变化率的辐射状配电网单相断线故障保护判据。仿真表明,所提单相断线故障保护方法能够迅速识别断线故障并准确定位。     

基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。     

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。     

Fault location for transmission lines using inference model neural network

The authors propose a new fault location method that uses a neural network to analyze the distribution pattern of the ground wire current along the power line. This method is able to locate the fault section even for secondary power lines with complicated configurations. The method is based on the inference process, i.e., human experts will analyze the distribution pattern of the current amplitude and phase angle. In locating fault sections, higher precision than ordinary three-layer neural network or the expert system of previous development can be obtained. The proposed neural network comprises three sets of three-layer neural networks which follow the back-propagation learning procedure. The 1st and 2nd neural networks calculate the candidate-1 and candidate-2 for the fault section using current amplitude and phase angle distribution patterns, respectively. The 3rd neural network then performs final fault location using these candidates and a current amplitude distribution pattern. The results evaluated with all possible fault causes indicate that the new method is precise to as high as 98.4 percent even when the measured values differ by 30 percent from predicted ones with EMTP.     

基于LSTM神经网络的风电场集电线路单相接地智能测距

为解决风电场多分支、混合短线路中难以查找故障点的问题,提出一种基于长短期记忆(LSTM)神经网络的风电场集电线路单相接地智能故障测距方法。首先,读取集电线路首端测量装置的电气量信息。其次,采用全相位快速傅里叶变换(apFFT)相位差校正法构建了风电场单相接地短路时的故障特征集合。然后,归一化风电场集电线路的故障数据,并训练深度学习LSTM神经网络以建立单端故障测距的预测模型。最后,通过LSTM神经网络故障定位器开展准确的故障定位。PSCAD/EMTDC实验结果表明,所提方法的预测精度高于反向传播神经网络和极限学习机方法,且在不同的故障距离和过渡电阻情况下均可行,适用于风电场集电线路的故障测距。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于深度学习的多输入特征融合的暂态电压稳定性评估方法

暂态电压稳定性评估是电力系统稳定性评估中的难点和重点。提出一种基于深度学习、考虑多输入特征集的暂态电压稳定性评估方法,首先建立包含故障前、故障发生时刻、故障切除时刻的多输入故障集;然后基于深度学习建立卷积神经网络并离线训练PMU数据,最终达到快速准确评估暂态电压稳定性的目的。仿真结果表明,提出的评估方法与现有的神经网络、最小二乘支持向量机方法相比,在准确率、评估速度2方面有着较大提升。     

一种基于图论剪枝算法的多分支配电网行波故障定位算法*

配电网由于其结构上多为树形辐射状结构,若直接采用传统的输电线路故障定位方法则会造成定位的不准确。因此,基于图论剪枝算法提出一种适用于配电网的行波故障定位新方法。该方法将配电网拓扑结构等效成图论模型,构建配电网距离矩阵和关联矩阵,采用剪枝算法剪掉无效的行波波头信息,利用配电网末端检测到的故障初始行波到达时间信息实现配电网故障的实时精确定位。文章最后采用PSCAD和MATLAB软件进行联合仿真。仿真结果表明利用该方法实现的配电网故障定位结果精确可靠。     

改进深度置信网络对TE过程故障诊断研究

为了实现对TE过程的故障诊断，改进了深度置信网络（DBN）的故障诊断方法。传统DBN在训练过程有冗余特性，减弱网络的特征提取能力，改进DBN在无监督学习阶段的似然函数中加入惩罚正则项，通过稀疏约束得到DBN训练集的稀疏分布，再用Laplace函数的分布引导DBN节点的稀疏状态，用Laplace函数中的位置参数控制稀疏的力度，使无标签的数据特征更加直观的表示出来，最后将改进DBN和传统DBN、BP神经网络的仿真实验结果进行对比。实验结果，证明改进的DBN在故障诊断方面优于传统DBN和BP神经网络，达到了最好的诊断准确度，具有很高的理论研究价值。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。