基于小波去噪与随机森林的配电网高阻接地故障 半监督识别方法

针对配电网高阻接地故障识别易受噪声干扰、无标签数据难以利用的难题,提出一种基于小波去噪与随机森林的高阻接地故障半监督识别方法。区别于监督式学习方法仅利用标签数据,基于协同训练方法能够充分利用有标签数据与无标签数据。首先,使用小波阈值去噪算法消除零序电流中的噪声。其次,采用波峰波谷故障启动算法判断线路是否发生故障或扰动事件。运用小波变换提取零序电流的小波系数作为故障特征。最后,基于小波系数故障特征构建两个随机森林作为半监督分类器进行协同训练,从而实现高阻接地故障的检测识别。仿真结果表明,所提配电网高阻接地故障半监督识别方法可以充分挖掘配电网既有的故障案例中无标注数据蕴含的关键特征,从而提高故障分类准确率,具有较强的准确性和灵敏性。     

基于小波算法的小电流接地系统高阻接地故障的识别

在10kV配电网络中，普遍采用中性点不接地或经消弧线圈接地的小电流接地方式，在发生高阻接地故障后，故障特征不明显，对故障识别的难度较高。基于上述问题，提出利用小波算法提取故障线路特征，将零序电流小波和小波能量熵作为识别高阻接地故障的特征量。利用仿真软件PSCAD搭建了10kV中性点经消弧线圈接地配电网线路模型，仿真得到小电流接地系统发生高阻接地故障时的电压电流波形，然后采用Matlab软件分析故障波形，提取故障的特征量并识别故障。仿真试验证明该方法具有良好的故障识别效果。     

配电网高阻接地故障时频特征SVM分类识别方法

高阻接地故障(HIF)发生时的故障点接地电阻较大,并常伴随着电弧熄灭与重燃,引起的故障电流很小且随机性强。由于故障时电压、电流突变量不明显,常规保护难以准确动作,所以辨识较为困难。本文提出了LCD带通滤波结合支持向量机(SVM)的配电网高阻接地故障分类识别方法,将高阻接地故障与电容投切、负荷投切、励磁涌流等暂态工况进行区分。该算法采用LCD带通滤波构造主变低压侧电流波形的时频矩阵,求取各频带标准差作为特征向量,将特征向量输入SVM以实现故障分类识别。     

基于故障分量原理的配电网高阻接地故障检测方法

配电网中发生高阻接地故障时,短路电流小于传统过流保护的阈值,无法被常规保护装置检测和清除。若不及时消除短路电路,极易演化成严重故障。针对该问题,文中首先分析发生高阻接地故障时配电网的故障分量特征和基于母线处的正序电压故障分量与其相连接的各馈线正序电流故障分量的相位差特征,给出适用于配电网高阻接地故障检测的故障判据。然后,为解决配高阻接地故障检测过程中系统不平衡引起的一系列问题,制定了相应的故障检测启动判据。基于该故障检测判据和启动判据,制定基于故障分量原理的配电网高阻接地故障检测方法。最后,在PSCAD/EMTDC仿真软件中建立含架空线路的中压配电网模型,仿真结果验证了所提高阻接地故障检测方法的正确性。     

中性点有效接地配电网高阻接地故障特征分析及检测

中性点经小电阻等有效接地方式能有效地克服配电系统单相接地故障暂态过电压超标及故障选线不灵敏等问题,逐渐在城市配电网、大型厂矿企业电网中得到了推广应用;但这种运行方式仍然存在弧光接地等高阻接地故障正确动作率较低的问题。针对该问题,文中分析了高阻接地故障的特征,给出并验证了适用于配电网高阻故障检测的故障点电弧模型。针对现有方法中主要利用频域特征来检测高阻接地故障导致成功率低的缺点,提出了一种基于零序电流波形畸变凹凸性的高阻接地故障检测方法,仿真实验与现场试验数据验证了该算法的灵敏性和可靠性。     

有源柔性接地配电网弧光高阻接地故障检测方法

针对配电网高阻接地尤其是弧光高阻接地故障检测准确率低的问题,该文采用中性点注入电流增量的方式构造故障诊断特征参量,提出配电网高阻接地故障检测新方法,对弧光高阻接地故障有着较高检测灵敏度。实际应用中,仅需向配电网注入选定的电流增量,测量电网零序电压和线路零序电流的变化量即可实现系统和线路绝缘参数测量、接地故障判定与故障程度跟踪监视、故障选相和选线等,具备消除注入电流调控、配电线路分布参数不对称和接地燃弧感性分量等因素对检测结果的影响,操作简单、易于实现。仿真和故障模拟实验证实了方法有效性,为配电网弧光高阻接地故障快速安全处置提供理论依据。     

基于零序电压比率制动的小电阻接地系统接地保护

配电网高阻接地故障发生概率较大,对于小电阻接地系统,现场普遍采用的固定整定值零序过电流保护方法容易拒动。分析单相接地故障电气量特征发现,无论区外故障还是区内故障,保护安装处零序电流幅值与零序电压幅值成正比,且均随故障点接地电阻增大而减小。据此提出零序电压比率制动接地故障保护新原理,其核心是根据零序电压大小产生成比例的电流制动量,自适应调整零序过电流保护定值。该方法兼顾了低阻接地故障和金属性接地故障时的保护灵敏度与高阻接地故障时的保护可靠性,可将系统耐高阻能力提高到1 000Ω,仿真验证了算法的可行性。     

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。     

配网高阻接地故障伏安特性分析及检测

中性点有效接地中压配电网常发生弧光高阻接地故障,短路电流小,零序保护无法动作切除,但存在的电弧易引发火灾、人身伤亡等恶性事故。传统故障检测算法一般基于电弧热平衡模型,采用基于傅里叶变换的频域信号分析方法,但在非线性电弧的强噪声环境下检测成功率较低。针对该问题,首先提出了基于固体介质电击穿原理的非线性电弧模型,分析了电路线性元件和高阻接地非线性电阻的伏安特性,从时域角度采用最小二乘线性拟合抽取故障特征,提出了基于故障电阻非线性识别的高阻接地故障检测算法。大量仿真数据和现场试验数据证明了该故障模型比传统模型更精确,且所提检测算法具有较高的灵敏性和可靠性。     

基于小波能量矩的高阻接地故障检测方法

中性点不接地中压配电网时常发生高阻接地故障,普通的零序电流保护难以对其检测。通过对仿真和实验得到的高阻接地故障电流信号进行频谱分析,发现其高频分量分布显著区别于系统其他扰动暂态信号。由此,引入小波能量矩算法,通过对高频段能量矩进行归一化、求和及取对数处理,提出了一种高阻接地故障的检测方法,该方法只需要利用故障后第1个工频周期内的电流信号,通过小波能量矩分析得到诊断判据,即可实现高阻接地故障的有效识别。大量的仿真和实测数据表明,该方法适应性强,且不受线路非高阻接地故障暂态信号的影响。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

High impedance fault detection based on wavelet transform and statistical pattern recognition

A novel method for high impedance fault (HIF) detection based on pattern recognition systems is presented in this paper. Using this method, HIFs can be discriminated from insulator leakage current (ILC) and transients such as capacitor switching, load switching (high/low voltage), ground fault, inrush current and no load line switching. Wavelet transform is used for the decomposition of signals and feature extraction, feature selection is done by principal component analysis and Bayes classifier is used for classification. HIF and ILC data was acquired from experimental tests and the data for transients was obtained by simulation using EMTP program. Results show that the proposed procedure is efficient in identifying HIFs from other events.     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

改进粒子群算法优化的SVM模拟电路故障诊断

针对粒子群(PSO)算法优化支持向量机(SVM)参数存在容易陷入局部最优的问题,通过引入新的动态惯性权重、全局邻域搜索、收缩因子和遗传算法中的变异操作,提出了一种基于改进粒子群(IPSO)算法优化SVM参数(IPSO-SVM)的改进型分类器。采用UCI机器学习库中的公共数据集Iris、Wine和seeds来测试其分类效果,结果表明IPSO-SVM分类器在分类准确率和分类时间上优于GS-SVM、AFSA-SVM、GA-SVM和PSO-SVM分类器。最后,将IPSO-SVM分类器应用于Sallen-Key带通滤波器、四运放双二次高通滤波器及非线性整流电路的故障诊断中,结果表明IPSO-SVM分类器具有较强的全局收敛能力和较快的收敛速度。     

基于CNN-SVM的配电网故障分类研究

针对CNN 在配电网高阻故障时分类准确率低的问题,提出了一种将CNN和SVM 相结合的配电网故障分类研究方法。首先将故障数据转换为时频谱灰度图,作为训练集输入到CNN中;然后采用SVM代替CNN中的Softmax分类器构建CNN-SVM模型,并通过网格搜索算法对SVM超参数进行寻优;最后进行多工况算例分析验证所提方法优越性。算例分析结果表明,CNN-SVM模型比传统CNN-Softmax模型在高阻故障时具有更高的分类准确率,且在主变压器中性点接地方式变化、网络结构变化、噪声干扰及单相弧光接地等工况下仍具有良好的适应性。     

计及行波折反射的柔性直流电网故障限流器参数优化

行波的折反射过程对故障暂态响应有重要影响,目前对故障限流器(FaultCurrentLimiter,FCL)参数优化配置时,均未考虑故障行波折反射过程对FCL参数选取的影响。因此,提出了一种计及行波折反射的故障暂态响应时域分析方法,并用此方法对混合阻感并联型FCL进行了参数优化。首先,建立换流器故障等效模型,对比不同限流阻抗类型的FCL对故障电流的抑制能力。其次,推导了故障行波的频域和时域表达式,根据彼得逊法则建立各个时序的等效模型从而准确求得故障电流。并以故障电流和FCL两端的电压应力为优化目标,利用粒子群算法对FCL参数进行优化配置,得到限流阻抗最优匹配值。最后,通过在PSCAD/EMTDC仿真软件中搭建三端直流电网模型进行仿真对比。仿真结果验证了计及行波折反射的故障电流计算方法以及优化模型的准确性。     

基于多目标粒子群优化算法的短期电力负荷预测法

针对短期负荷预测的特点,提出一种基于多目标粒子群优化算法的短期电力负荷预测法。该算法充分利用了历史数据集的基本知识,利用多目标粒子群优化算法挑选出Pareto最优模式分类规则集,在考虑规则的分类准确性和可解释性的情况下,建立一个基于模糊规则的电力负荷模式分类系统。在仿真试验表明此分类系统具有较好的分类性能,可为电力负荷预测提供更为充分有效的历史数据,从而改善其负荷预测性能。     

基于人工鱼群算法的主动配电网故障定位

为有效解决主动配电网的故障定位问题,提出了一种基于人工鱼群算法的主动配电网故障定位新方法。首先,提出适用于主动配电网的整数规划故障模型,根据馈线终端单元上传的电流越限信息,将复杂的配电网架构等效为由整数表述的故障向量。其次,为解决不同规模的主动配电网故障定位问题,构建新的适应度函数,并利用改进人工鱼群算法根据等效后的故障向量进行迭代寻优定位故障。该方法主要根据配电网中故障电流的方向来定位故障位置,而不需要考虑DG出力的不确定性。最后,通过Matlab仿真验证所提方法,结果表明该算法准确率高、迭代速度快、对畸变信息具有高容错能力。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。