一种新的电压暂降事故源识别方法研究

电压暂降发生频率高、影响范围广、造成危害大。针对电力监测系统中带有事故源信息的电压暂降监测数据非常有限且不易获得的问题,提出了一种基于半监督支持向量机的电压暂降源识别方法。分析了各种电压暂降事故源,利用短时傅里叶变换(STFT)对电压暂降信号进行时频分析,提取出各类暂降特性参数,运用半监督支持向量机对其进行训练与识别,实现在少量带事故源标签电压暂降监测数据下电压暂降源的可靠识别。算例结果显示,在少量标签数据下半监督支持向量机比传统支持向量机具有更高的暂降源识别精度。     

一种基于二分类的电压暂降源定位方法

电压暂降源定位实质是根据暂降源位置敏感的物理量,来确定暂降源位于监测点的上游或下游位置,模式识别上属于二分类问题。提出了一种基于智能分类的电压暂降源定位方法。分析回顾了现有的几种典型暂降源定位方法及其判据,通过判据研究提取源位置敏感的多个定位特征量,并采用支持向量机智能算法对已有故障诊断结果进行学习,从而在该多维特征空间构建判别上下游的最优分类面,利用此最优分类面(即为二分类支持向量机)实现基于二分类的暂降源定位。测试数据表明,该方法能够有效实现电压暂降源定位,定位准确率高且所需计算时间短。     

电压暂降源定位的优化综合判据法

电压暂降源定位对协调电压暂降引起的供用电双方纠纷等具有关键性作用。提出了一种暂降源定位的优化综合判据法。首先,在分析介绍暂降源定位现有的四种典型方法及其判据的基础上,利用115组变电站暂降记录数据,对各方法效果进行了统计分析。然后基于四种典型方法的定位判据,建立电压暂降源定位综合判据线性模型,并结合线性支持向量机建模方法,利用50组记录数据,通过机器学习求解出线性模型的最优系数。最后采用另外65组记录数据对优化综合判据模型进行验证测试。测试结果显示,与现有的单一特征判据方法相比,该法具有良好的定位性能,不仅具有较高的定位正确率,且有较好的鲁棒性,能在加一定白噪声条件下正确定位出暂降源的上游或下游位置。该方法可应用于各类电能质量监测系统。     

电压暂降源定位的优化综合判据法

电压暂降源定位对协调电压暂降引起的供用电双方纠纷等具有关键性作用。提出了一种暂降源定位的优化综合判据法。首先,在分析介绍暂降源定位现有的四种典型方法及其判据的基础上,利用115组变电站暂降记录数据,对各方法效果进行了统计分析。然后基于四种典型方法的定位判据,建立电压暂降源定位综合判据线性模型,并结合线性支持向量机建模方法,利用50组记录数据,通过机器学习求解出线性模型的最优系数。最后采用另外65组记录数据对优化综合判据模型进行验证测试。测试结果显示,与现有的单一特征判据方法相比,该法具有良好的定位性能,不仅具有较高的定位正确率,且有较好的鲁棒性,能在加一定白噪声条件下正确定位出暂降源的上游或下游位置。该方法可应用于各类电能质量监测系统。     

基于GWO-SVM的电压暂降扰动源识别

针对电压暂降扰动事件发生频繁、扰动种类多样,难以有效识别扰动源的实际情况,结合电压暂降扰动信号的时-频特性、灰狼优化算法(GWO)和支持向量机(SVM)分类模型,提出了一种电压暂降扰动源识别新方法。通过S变换对电压暂降扰动信号进行多分辨率时-频分析,从S变换结果矩阵中提取出信号的特征曲线,建立6类电压暂降混合扰动信号的8个特征量。构建GWO-SVM一对余(OVR)分类器,以提取出的特征量作为输入,对扰动源进行分类识别。基于MATLAB/Simulink构建电压暂降模型,经仿真验证分析,该方法可以有效识别电压暂降扰动源,也为电压暂降扰动治理提供必要的技术支撑。     

基于标签传播半监督学习的电压暂降源识别

针对带标签(类别已知)的电压暂降历史样本数据有限且不易获得的情况,引入基于标签传播半监督学习的电压暂降源识别方法.首先从电压暂降信号中提取了五类暂降信号特征,建立了K-近邻图模型,并实现了图模型上的标签传播.分析了图模型参数k、α对标签传播结果的影响,同时与神经网络、最小二乘支持向量机等监督学习算法的识别结果进行了对比.仿真结果表明,在历史数据较少的情况下,标签传播算法比传统监督学习算法具有更高的识别准确率且实时性好.     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息。在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法。用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别。通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统。     

基于多分类支持向量机的电压暂降源识别

S变换具有很好的时频分析能力,能精确提取突变信号的关键特征信息.在分析S变换原理基础上,提出一种基于多分类支持向量机的电压暂降源识别方法.用S变换对电压暂降信号进行时频分析,提取各类暂降特征;用多分类支持向量机对特征进行训练与识别.通过仿真算例验证,该方法能有效识别电压暂降源,可应用于电能质量监测系统.     

电压暂降源自适应S变换辨识模型

电压暂降源的准确识别对改善电能质量具有重要意义。提出了一种基于自适应S变换和多级支持向量机的电压暂降源辨识方法,针对S变换时频分辨率有限的缺点,采用自适应窗宽调整因子动态调整S变换的窗函数宽度,满足不同暂降信号对时间与频率分辨率的不同需求。将自适应S变换用于暂降信号的分析,构建S变换模矩阵,将暂降信号分解到不同的时频子空间。提取6种特征构造多级支持向量机分类器,采用粒子群优化算法寻找最优参数,最后通过多级支持向量机实现电压暂降源的识别。仿真实验证明,该方法分类过程简单,识别准确率高。     

基于HHT和特征离散化的电压暂降扰动源分类特征提取

特征提取是分类问题最关键的环节之一,针对电压暂降扰动源分类中分类特征的提取问题进行研究。首先基于希尔伯特—黄变换(HHT)和类别—属性关联程度最大化(CAIM)离散化方法提出了三种分类特征提取方案,然后分别在决策树(DT)、概率神经网络(PNN)和支持向量机(SVM)上进行了验证。仿真结果表明,基于HHT的特征提取方法可提取有效的电压暂降扰动源分类特征。而且特征的离散化处理可以在不降低分类精度的前提下,有效压缩训练样本集。同时增强分类算法的鲁棒性,对实现电压暂降扰动源的快速、准确识别具有重要的意义。     

基于序增量功率电流方向追溯电压暂降源的方法

电压暂降已经成为最受关注的电能质量问题之一。提出一种基于序增量功率电流方向追溯电压暂降源的方法。首先以电流、电压互感器的同名端确定一个监测点的正参考方向。监测点的正序增量功率电流为正,三相对称电压暂降源位于监测点正参考方向的相同方向,即下游,反之则在上游;监测点的负序增量功率电流为正,三相不对称电压暂降源位于监测点正参考方向的相反方向,即上游,反之则在下游。仿真及实验室模拟测试都证明:所提出的追溯电压暂降源的方法能准确地追溯辐射式配电网中由各种电网故障引起的电压暂降源。该方法计算简单、运算量小,适合于单片机完成,可嵌入在继电保护器中,由保护器完成电压暂降源的追溯。     

含分布式电源电网电压跌落定位

电压跌落已经成为现今社会最为关注的电能质量问题之一,电压跌落位置的准确定位是保障电力系统运行稳定以及电力市场化进程的充分条件。分布式电源（distributed generation, DG）在配电网的广泛接入改变了配电网的运行方式和潮流,现有的几种定位方法已经不能满足对含DG电网电压跌落进行准确定位。针对含DG的配电网电压跌落故障源定位,本文基于馈线终端单元的配电网故障定位方法,提出了一种利用改进的具有自适应矩阵法初步确定电压跌落所在的故障区段,然后通过利用改进的阻抗法精确定位电压跌落源位置的方法。算例和仿真结果验证了该矩阵法和阻抗法结合的方法计算量小且具有很好的准确性优势。     

应用主成分分析约简电压暂降扰动源识别特征的方法

电压暂降是一种典型的电能质量扰动现象,准确识别引起电压暂降的扰动源类型是电能质量监测与管理的重要内容之一。为解决由于特征指标的相关性和冗余性而导致电压暂降扰动源识别准确率低的问题,提出一种基于主成分分析的电压暂降扰动源识别特征约简方法。通过分析单一电压暂降扰动源和复合电压暂降扰动源,利用小波系数从统计量、波形态、熵、能量等方面构建电压暂降特征指标。根据主成分分析方法对原始特征指标进行标准化处理,计算协方差矩阵并确定综合特征指标个数,最后得到约简后的综合特征指标。这些综合特征指标有效地消除了原始特征指标间的相关性和冗余性。采用常规方法构造分类器进行验证表明,约简后得到综合特征指标,不仅有效降低了输入到分类器中的特征向量个数,而且在不同噪声强度下对单一电压暂降扰动源和复合电压暂降扰动源的识别准确率明显高于利用原始特征指标进行的分类识别。     

基于小波域相子的电压暂降特征提取与成因辨识

有效提取电压暂降的特征并进行成因辨识是确定治理方案的前提。在多分辨分析基础上发展起来的离散小波变换(DWT)具有简单、快速和信息非冗余等特点,但一般认为不易于提取电压暂降信号的相位跳变特征。基于小波域相子方法对电压暂降的幅值和相角特征进行了有效提取。通过小波域相子的幅值和相位信息构造出电压暂降成因辨识特征指标。最后采用支持向量机(SVM)方法进行了电压暂降成因的辨识。结果表明,所提方法可以有效实现电压暂降的特征提取和成因辨识。     

Support vector classification and regression for fault location in distribution system using voltage sag profile

Fault location identification is an important task to provide reliable service to the customer. Most existing artificial intelligence methods such as neural network, fuzzy logic, and support vector machine (SVM) focus on identifying the fault type, section, and distance separately. Furthermore, studies on fault type identification are focused on overhead transmission systems and not on underground distribution systems. In this paper, a fault location method in the distribution system is proposed using SVM, addressing the limitations of existing methods. Support vector classification (SVC) and regression analysis are performed to locate the fault. The method uses the voltage sag data during a fault measured at the primary substation. The type of fault is identified using SVC. The fault resistance and the voltage sag for the estimated fault resistance are identified using support vector regression (SVR) analysis. The possible faulty sections are identified from the estimated voltage sag data and ranked using the Euclidean distance approach. The proposed method identifies the fault distance using SVR analysis. The performance of the proposed method is analyzed using Malaysian distribution system of 40 buses. Test results show that the proposed method gives reliable fault location.     

基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种.为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法.应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标.通过天牛须搜...     

Voltage sag source location: A review with introduction of a new method

In this paper different methods for voltage sag source location (upstream or downstream) based on various criteria such as energy, impedance, voltage or current will be simulated and compared with each other. Then, a new method based on directional overcurrent (DOC) relay information or by applying its algorithm will be introduced. In this method the current (presag and during sag) is the only variable measured by relay/power quality (PQ) monitor. Then, the voltage sag source relative location is found using variation of positive-sequence magnitude of the measured current and the sign of its phase-angle jump. The performance of proposed method along with the mentioned methods above will be compared under symmetrical and asymmetrical faults on a sample network. This network is a large scale real regional network including transmission and sub-transmission levels, which is modeled by using PSCAD/EMTDC. The output data are processed via MATLAB codes. The results determine the accuracy and validity of each method and show good performance of the proposed method and its unique applicability in cases where only currents are recorded. This study will help utilities in operation and network planning.     

基于HHT和GA-BP的电压暂降源定位方法

针对传统电压暂降源定位方法准确率低的缺点,提出了基于希尔伯特-黄变换(Hilbert-Huang transform,HHT)HHT和GA-BP的定位方法.用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对故障期间的电压和电流进行处理,得到有效特征值-电流实部I...     

基于 KPCA 和 SVM 的直升机旋翼桨叶损伤源定位

直升机旋翼桨叶在飞行过程中极易发生疲劳损伤,为了解决桨叶损伤源定位问题,构建了桨叶损伤监测及定位系统。通过核主成分分析(KPCA)对损伤源的声发射信号进行特征提取,结合支持向量机(SVM)及其回归功能对旋翼桨叶模型损伤源进行定位。使用特征提取后的参数区域损伤定位精度达到100%,回归分析平均误差率4.06%,均优于使用原始数据进行定位,因此该方法能够有效实现直升机旋翼桨叶损伤源定位,并且减少了输入数据的维数,降低了计算量。