基于零序直流原理的电缆测距研究

研究了零序直流保护原理在小电流接地系统单相接地故障测距中的应用。利用直流信号不受电网电容影响的特性,建立检测源与接地网电路模型。将分时段的电路模型等效为全周期的有效值电路模型,并根据其模型抽象出数学模型。同时,根据电缆规范要求选取实验电路参数,建立仿真电路模型。根据实验数据,对该模型进行分析,结果表明网络模型能够准确、可靠地实现故障测距。同时,为传统选线的零序直流原理开拓了一个新的应用。     

基于零序直流原理的电缆测距研究

研究了零序直流保护原理在小电流接地系统单相接地故障测距中的应用.利用直流信号不受电网电容影响的特性,建立检测源与接地网电路模型.将分时段的电路模型等效为全周期的有效值电路模型,并根据其模型抽象出数学模型.同时,根据电缆规范要求选取实验电路参数,建立仿真电路模型.根据实验数据,对该模型进行分析,结果表明网络模型能够准确、可靠地实现故障测距.同时,为传统选线的零序直流原理开拓了一个新的应用.     

基于神经网络建模的零序直流原理测距研究

针对电力电缆铺设隐蔽,发生故障时不易准确定位故障点的问题,研究了零序直流保护原理和人工神经网络技术在小电流接地系统单相接地故障测距中的应用。利用直流信号不受电网电容影响的特性,建立检测源与接地网电路模型。根据电路模型,建立其数学模型,由于模型中的一些参数复杂,则考虑采用神经网络对其未知量进行辨识,并将辨识好的数学模型应用于故障测距中。根据实验数据,对两种模型进行分析,结果表明利用神经网络辨识参数的方法能够准确、可靠地实现故障测距。     

小波包结合PSO-RBF故障测距法

针对传统高压直流输电故障测距方法存在的缺陷,提出了基于小波包分解与径向基函数RBF(radial basis function)神经网络相结合的故障测距算法。通过RBF神经网络拟合逼近能量比与故障距离之间的非线性关系,采用粒子群优化算法进行优化,运用小波包分解算法提取故障暂态电压信号的频谱能量对RBF神经网络进行训练学习,形成PSO-RBF故障测距模型。将反映故障位置的特征数据输入训练后的模型可进行故障测距。大量仿真结果表明,该方法精度较高,耐受过渡电阻能力强,大幅度提高了高压直流输电系统故障测距的准确性。     

基于零序直流原理的单分支故障电缆测距模型的研究

对近期提出的基于零序直流原理的单分支故障电缆测距模型做了理论分析,提出检测电流的比值与故障电缆距离之间的线性关系,从而消除了电网电压波动和故障电阻对检测电流的影响.考虑到检测电流值很小且容易受外部信号的干扰,进一步将电流比值对故障距离求偏导,指出了减小接地电阻和改变检测电阻值等提高检测精度的措施.在此基础上通过仿真和实验验证了上述理论,揭示了检测电流与故障电缆测距模型中各个参数之间的关系,为进一步构造单分支故障电缆测距算法奠定了基础.     

基于零序直流原理的单分支故障电缆测距模型的研究

对近期提出的基于零序直流原理的单分支故障电缆测距模型做了理论分析,提出检测电流的比值与故障电缆距离之间的线性关系,从而消除了电网电压波动和故障电阻对检测电流的影响。考虑到检测电流值很小且容易受外部信号的干扰,进一步将电流比值对故障距离求偏导,指出了减小接地电阻和改变检测电阻值等提高检测精度的措施。在此基础上通过仿真和实验验证了上述理论,揭示了检测电流与故障电缆测距模型中各个参数之间的关系,为进一步构造单分支故障电缆测距算法奠定了基础。     

基于混合智能算法的直流输电线路故障测距方法

提出了一种基于混合智能算法的直流输电线路故障测距方法。利用神经网络算法对基于遗传算法的故障测距方法在线路两端故障时的测距结果进行了修正,提高了线路两端故障的测距精度。该算法利用故障后线路双端的电压、电流量,在时域内进行故障测距,继承了基于遗传算法的故障测距方法的优点,不受故障点位置与过渡电阻的影响,且测距结果精度受线路参数偏差的影响较小。应用PSCAD仿真软件及Matlab对所提算法进行仿真验证,仿真结果表明,神经网络与遗传算法相结合,可以实现直流输电线路全线范围内的准确故障测距。     

一种基于高频量衰减特性的特高压直流输电线路故障测距方法

直流输电线路故障时,高频故障暂态信号将沿线路向两端传播,线路对故障暂态信号高频分量有衰减作用。研究双极特高压直流输电线路频率特性,得到特高压直流输电线路对高频量有衰减作用,线路越长,衰减作用越剧烈的结论。研究基于高频量衰减特性的特高压直流输电线路单端故障测距原理,推导出故障点距测距装置安装点的距离公式,得到基于高频量衰减特性的特高压直流输电线路单端故障测距原理难以准确实现直流输电点线路故障测距的结论。研究基于高频量衰减特性的特高压直流输电线路双端故障测距原理,推导出故障点距测距装置安装点的距离公式,提出频带衰减概念,推导出基于频带衰减的故障距离计算公式。建立云广特高压直流输电系统实际参数仿真模型,对提出的基于高频量衰减特性的特高压直流输电线路双端故障测距原理进行仿真验证,仿真测距结果有较高的准确度。     

基于金属护层模型参数辨识的电缆单相故障单端测距方法

电缆大部分故障均与金属护层相关,仅考虑缆芯电气结构参数的模型无法实现护层相关的故障测距。为解决配电网电缆单相故障测距困难的问题,提出了基于金属护层模型参数辨识的电缆单相故障单端测距方法。以配电网单相故障零模等效网络作为辨识模型,将故障距离、过渡电阻、对地电容作为模型的未知参数,利用电缆单相接地故障后缆芯和护层中的暂态信息并结合故障状态网络和零模等效模型,建立时域测距方程作为参数辨识目标函数,用最小二乘算法进行最优参数求解,得到故障距离。ATP-EMTP仿真结果验证了所提方法的有效性,且测距精度高。     

零序分布参数的单相接地故障精确定位研究

针对中性点不接地电网的单相接地故障测距问题,提出了基于故障后分布参数线路零序特征的测距方法。该方法考虑故障后零序电压、零序电流的沿线分布特征,分析零序特征作为中性点不接地系统单相接地故障点测量判据的适用性与可行性,并建立了零序特征量与故障距离的双曲函数关系表达式。为解决复平面双曲函数方程组求解困难问题,根据双曲函数的泰勒展开式,在分析传播常数数量级的基础上,将双曲函数方程合理简化为二次方程表征分布参数模型。为消除线路分布参数误差对测距结果的影响,基于加权最小二乘原理,利用非故障线路采样信息辨识故障线路零序参数,理论推导证明了其可行性。仿真结果表明,在正确选出故障馈线的基础上,该方法测距精度高,测距结果不受过渡电阻、故障距离影响。     

燃煤锅炉效率与NOx排放混合建模研究

介绍了RBF神经网络的结构和特点,进而讨论了遗传算法与RBF神经网络相结合的方法.以某300MW电站锅炉燃烧调整试验数据为基础,利用RBF神经网络对锅炉效率与NOx排放混合建模,并用遗传算法优化RBF神经网络的性能,使其预测精度大幅提高.同时RBF神经网络具有收敛速度快的独特优点.因此,优化后的RBF神经网络模型为下一步的锅炉运行参数优化和燃烧优化系统的建立奠定基础.     

基于径向基函数网络的大型电力变压器故障诊断

研究了径向基函数（RBF）神经网络的模型结构及其在电力变压器故障诊断中的实现方法,介绍了变压器故障诊断的RBF模型.通过故障诊断及仿真实例分析,将RBF网络与BP网络的性能进行比较,得出RBF神经网络训练速度快、逼近误差小、能够更有效地解决电力变压器故障诊断问题的结论.     

基于滑窗式模型预估的超声波堰式流量测试研究

结合超声波堰式流量测试方法的研究 ,在信号处理领域首次引进了“滑动窗口”的概念 ,提出了一种滑窗式模型预估的算法 ,给出了RBF神经网络实现模型实时预估的方法 ,解决了液面不平引起流量测试故障实时恢复的问题 ,提高了堰式流量测试的精度。滑窗式模型预估的算法对其他物理量的测试同样有一定的指导作用。     

基于神经网络的变压器故障诊断

为了保障变压器在电力系统中能够安全有效的运行,提出了一种将RBF神经网络与模糊控制算法相结合对变压器进行故障诊断的方法。设计了具有6层神经网络的学习体系,并且将模糊隶属度函数引入到第2层中,加快了神经网络的学习速度。基于变压器故障的数据统计,通过对其内部的气体含量进行分析对故障类型进行分类。通过样本数据对所设计的模糊RBF神经网络进行故障诊断训练。实验结果表明,通过训练后的该模型对变压器的故障诊断具有更好的效果。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

RBF网络在小电流接地系统故障选线中的应用

如何准确实现故障选线是小电流接地系统长期存在的难题,现有的选线方法和装置,都存在着许多不足。针对这种情况,以理想的建模为背景,以提高小电流接地系统的故障选线准确率为目的,提出了基于RBF神经网络的故障选线方法。RBF神经网络是一种局部逼近的神经网络,选取高斯基函数作为RBF基函数。文中在理想情况下建立一个模型,选取各条线路的零序电流、零序有功和零序无功作为输入的特征电气量,保证了故障线路特征选取的一般性;然后利用RBF神经网络强大的自适应、自学习能力,对电气特征量进行训练,保证了其快速的收敛性以及选线的准确性。文中的仿真结果表明,利用训练好的RBF神经网络可以实现故障选线,不但准确而且可靠,具有一定的可行性。     

基于AGA优化RBF神经网络的矿井通风机故障诊断

针对径向基神经网络(RBF)用于故障诊断时存在收敛速度慢、诊断结果准确率低等问题,提出了一种基于自适应遗传算法(AGA)优化RBF神经网络的矿井通风机故障诊断方法.采用AGA对RBF神经网络的隐含层节点数、隐层基函数的中心和宽度进行优化,以此提高RBF网络的泛化能力.通过大量收集和整理工作形成样本集,使用训练样本训练RBF网络,根据网络输出结果对通风机故障进行诊断.仿真结果表明,相较于RBF神经网络,AGA优化的RBF神经网络收敛速度更快,迭代次数更少,能够有效识别通风机故障类型,诊断结果准确率更高.     

基于径向基网络实现变压器故障诊断

研究采用径向基神经网络进行变压器故障诊断,以提高变压器故障诊断率。分析了径向基函数神经网络的结构和工作原理,确立了适合变压器故障诊断的网络学习算法,并设计了一个诊断变压器故障的三层径向基网络。通过采用MATLAB进行仿真实验。结果表明径向基神经网络是一很强的分类器,能够有效的对变压器故障进行诊断。     

基于GA-RBF神经网络的变压器温升预测

以预测变压器温升为目的,提出了一种基于遗传算法(GA-Genetic Algorithm)优化径向基函数(RBF-Radial Basis Function)神经网络的预测模型。首先用GA算法优化RBF神经网络中的隐层节点个数、输出权重、隐层基函数中心及宽度这四个参数的初值,然后利用优化后的RBF神经网络对样本进行训练,这样克服了传统神经网络参数选择的随机性。以S9-1000/10低损耗电力变压器为例作温升试验,将预测值与实测值对比,并与基于传统的BP神经网络预测值对比,结果表明,该方法得到的变压器温升预测值与实测值更接近,该预测模型具有更高的精度和适应能力。     

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...