神经网络式单相自动重合闸的研究

提出了基于RBF神经网络的单相自动重合闸的方案,将RBF神经网络用于其中,建立了一个三层前向网络模型 利用EMTP及MATLAB进行了大量的仿真实验,验证了其可行性,并克服了自适应单相重合闸的电压判据在判别瞬时性故障与永久性故障时存在的缺陷.     

小波能量熵在三相重合闸故障判别中的应用研究

分析了输电线路在发生两相接地故障时,永久性故障与瞬时性故障自振电压的特性,提出一种基于小波能量熵的自适应三相重合闸故障类型的判别方法。对采集到的故障后电压信号进行5层小波分解,提取相应的熵值,通过比较熵值的大小来区分故障的类型。理论分析和大量MATLAB仿真实验表明,该方法对于三相重合情况下判别故障类型具有较好的效果。     

动态小波变换在单相重合闸故障判别中的应用研究

分析了输电线路发生单相接地故障时,永久性故障与瞬时性故障电弧燃烧的特性,提出一种基于动态小波变换的自适应单相重合闸故障类型的判别方法。小波变换能够准确地检测到电力系统故障突变信号的特征,而傅里叶变换能够较准确地反映工频信号量,将二者结合起来构成的动态小波变换,不仅可以检测到故障信号中的工频分量,还可以检测到谐波分量。动态小波变换与常规小波变换相比,检测故障突变信号的能力更强。将其用于单相重合闸故障类型的判别,可以在熄弧之前进行判断,具有快速、准确的显著特点。仿真结果验证了该方法的有效性。     

基于PRONY法的超高压线路单相自适应重合闸故障性质识别新方法

为解决带并联电抗器超高压输电线路中自动重合闸盲目重合及永久性故障问题,针对瞬时性故障时恢复电压的拍频现象进行研究,发现其恢复电压中除工频频率外还存在位于30-45 Hz之间的频率。根据该频率特性,提出了基于PRONY算法的超高压单相自适应重合闸故障性质识别判据。利用PRONY算法计算恢复电压信号频率,快速准确识别瞬时性故障与永久性故障。仿真及实测结果验证了判据的有效性和准确性。     

基于神经网络的单相自适应重合闸的研究

自适应自动重合闸技术具有诸多传统重合闸技术所不具有的优势。将人工神经网络理论应用于单相自适应重合闸中,建立了一个3层的前向网络模型。利用MATLAB软件进行了大量仿真实验,验证了其在带并联电抗器的超高压长输电线路的瞬时性故障与永久性故障的识别中具有良好的可行性。     

基于暂态电流极性的小电流接地系统故障选线装置

根据均匀传输线路的频率特性,对于空载线路,当频率小于fm时,线路输入阻抗呈容性,线路可用一集中电容等效.小电流接地系统发生单相接地故障时,对零序分量来讲,非故障线路相当于空载.根据这一特点,对小电流接地系统中线路的零序参数相频特性进行研究,得出系统发生单相接地故障时不同频带上暂态零序电流特性.在选定频带(Selected Frequency Band,SFB)内,非故障线路零序电流极性和故障线路相反.应用小波包对各线路的暂态零序电流进行分解,小波包系数的符号代表了相应频带零序电流的极性,通过比较SFB内小波包系数的符号,便可找出故障线路.RTDS(Real Time Digital Simulator)试验结果表明此方法可以准确地实现单相故障选线.     

配电网电缆系统的故障选线方法

利用电缆故障电流谐波高频分量,对电缆泄露性故障进行判定。运用在高频空间具有良好聚焦性的小波包工具,对故障暂态零序电流进行分析,提取SFB频带内的特定频带的高频分量,通过比较所有线路高频分量的测度之和,实现故障线路的识别。基于暂态零序电流特征的理论,提出一种新的选线判据:以系统故障特征值为主判据,以故障电流高频分量的1范数为辅判据实现故障选线。该方法克服了中性点消弧线圈接地的影响,提高了线路过零点附近接地故障和母线接地故障时的选线精度。实验仿真证明,该选线方法可以准确、可靠地实现单相故障接地选线。     

基于频谱分析的小电流接地系统单相接地故障选线研究

针对中性点不接地和经消弧线圈接地小电流系统选线不准确的问题,从零序暂态电流特性入手分析了零序暂态电流呈容性的特征频带SFB,提出利用小波变换提取SFB频段内暂态零序电流电压,实现小电流接地系统单相接地故障线路判别。     

基于小波变换的超高压非对称T型线路故障保护方案

描述了一种利用小波变换对T型线路进行快速保护的方案,保护单元使用各支路经同步化后的三相电压电流,使用小波变换提取故障电压电流频带中的暂态高频分量,进行故障检测与类型判别。建立了非对称T型线路仿真模型,针对不同故障位置、故障类型、故障初始角和故障过渡电阻进行仿真验证。结果表明,该方案快速,准确。     

基于小波包的配电网故障选线距离判别方法

针对目前小波包选线方法的不足,提出了一种利用距离判别的统计方法以对小波包分解的信息进行充分利用,计算实时能量向量与非故障线路分布的距离以进行选线．充分利用了小波包分解的各频段能量信息和频段能量之间的相关信息,能较好地提高故障选线的正确性,并能结合暂态方向分量、五次谐波等稳态分量的统计特征使用．     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

基于小波变换的神经网络模拟电路故障诊断

对模拟电路提出了一种基于小波变换与神经网络相结合的故障诊断方法,该方法用小波变换对模拟电路故障信号提取小波特征,并经小波变换压缩,再将故障特征量输入至神经网络处理。结果表明,该方法有效地减少神经网络输入层单元数,简化了神经网络结构,提高了故障诊断能力。     

子波神经网络在故障诊断中的应用研究

根据旋转机械常见的的故障类型和故障信号时域采样数据 ,以子波空间作为模式识别的特征空间 ,采用信息熵为代价函数的神经网络学习算法 ,由子波神经网络对故障进行学习和诊断 .实验结果表明 ,子波神经网络的故障诊断方法在不了解故障信号频率结构的情况下 ,即可对平稳和非平稳故障信号进行诊断 ,适于设备在线监测及设备的巡检     

基于多频带信息融合的小电流故障选线方法

经分析小电流接地系统单相接地时的故障特征,指出了适合暂态分量选线的高频频带,同时利用在时频空间具有良好聚焦特性的小波包,提出了一种利用多尺度小波包分解的多频带信息融合的选线方法。单一尺度的固定频带信息所形成的选线判据容错能力较低,无法保证选线的准确度和灵敏度,而利用多个频带故障信息,及其对应的小波分解系数所构造的选线判据,则可有效提高选线的鲁棒性。仿真结果表明,该方法可有效实现小电流系统的故障选线,较常规系统具有更高的可靠性和准确性。     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

电缆-架空线混合线路故障行波定位及自适应重合闸控制

提出一种基于预值查表故障搜索算法的混合线路双端行波故障定位方法．基于各个电缆一架空线连接点产生的行波到达线路两端的时间差建立故障区段预置表,利用故障时初始行波波头到达线路两端的时间差查表搜索故障区段,根据故障区段进行重合闸控制,如果故障在电缆上则闭锁重合闸,反之,则开放重合闸;并根据双端行波定位公式计算出故障点位置．EMTP仿真结果表明,提出的行波定位方法可准确定位故障点位置,误差小于50m,且不受故障点位置、故障类型及过渡电阻的影响,可精确实现重合闸,具有较强的实用性．