一种基于小波分时灰度矩与概率神经网络的电网故障诊断方法

为提高电网故障诊断的准确率和速度,提出一种将小波分时灰度矩与概率神经网络相结合的电网故障诊断方法,通过对小波灰度矩进行时间上的划分,计算得到故障发生后电流在不同时刻的灰度矩的值,从而得到小波系数随时间的变化情况;以小波分时灰度矩作为概率神经网络的输入,诊断结果作为输出,实现对电网故障的自动诊断,利用PSCAD/EMTDC对电网不同类型的故障进行了仿真,采用连续小波变换对电网发生短路故障后的暂态信息进行分析,提取其灰度矩信息,利用概率神经网络进行了故障识别。仿真结果表明,小波分时灰度矩具有较强的细节表现能力,可作为电网故障的故障特征,与概率神经网络相结合可有效地实现对电网故障的自动识别。     

基于优化模糊推理系统的电力变压器故障检测方法

为了提高电力变压器故障检测的准确性和稳定性,提出一种基于一维卷积神经网络和优化自适应神经模糊推理系统的检测方法;将利用溶解气体分析法得到的14个特征属性作为自适应神经模糊推理系统的初始未处理输入,通过一维卷积神经网络从中选择8个最具指示性的属性;采用改进帝王蝶优化算法对自适应神经模糊推理系统进行训练,并通过真实数据集实验与其他电力变压器故障诊断算法进行检测性能对比。结果表明,所提出方法的电力变压器故障检测准确率达98.91%,50次独立运行中故障检测的标准偏差为±0.01,具有检测准确性高、性能稳健、运行时间短的优点。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于多种指标优化的连锁故障预防策略研究

为了预防连锁故障的发生,兼顾电网运行时的安全裕度和电压稳定情况,将电网当前运行与临界状态的节点注入功率之间的差值转化为安全裕度指标;分别将衡量电网整体和某节点电压稳定的雅可比矩阵最小特征值指标和电压稳定的L指标相结合,给出了电压稳定的综合指标;结合电网实际情况给出了各种约束条件,由此确定了完整的预防连锁故障模型;提出了监控优化过程中电网切除初始故障后的剩余支路所受潮流转移的影响程度是否在降低,从侧面证明了文中提出的预防连锁故障模型能够达到预防连锁故障的目的;通过对IEEE39节点系统进行算例仿真,验证了所构建的预防连锁故障模型的可行性和有效性.     

基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值,实现电网内异常区域的自动识别与定位,本文研究了基于随机矩阵理论（random matrix theory,RMT）和卷积神经网络（convolutional neural networks,CNN）的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统,分区构建监测矩阵;然后采用RMT作为数据挖掘的特征提取方法,提取分区矩阵特征向量作为输入,根据电网监测数据和异常识别需求的特点搭建CNN模型;最后基于分区矩阵特征向量构建数据集,训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例,分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度,提高CNN模型的故障定位准确率,分区RMT-CNN模型能有效定位电网内异常事件的发生地点,定位精度可达97.96%,精确率可达98.65%.     

线性离散系统间歇故障的鲁棒检测方法

针对一类存在未知扰动、过程噪声和测量噪声的离散线性随机动态系统,研究了其鲁棒间歇故障检测问题.设计了降维未知输入观测器的输出,通过引入滑动时间窗口构造了截断残差信号,使得该残差信号对未知扰动解耦而对间歇故障敏感;针对间歇故障的发生时刻和消失时刻,分别提出了2个假设检验,在给定误报率和漏报率的情况下,分别定量确定了间歇故障发生时刻和消失时刻的检测阈值以满足检测性能要求,并在概率框架下分析了间歇故障的可检测性.同时,在某卫星模型上对所提出的方法进行了仿真验证.结果表明,所提出的方法能够快速、准确地检测出间歇故障的发生时刻和消失时刻.     

小电流接地下10kv馈线单相接地故障定位方法

针对10kV电网节点多、分支多、传统故障定位方法不方便、不准确的特点,提出一种新的小电流接地下10 k V馈线单相接地故障定位方法。分析了发生小电流接地下10 k V馈线单相接地故障时线模电流暂态分量特性与相电流暂态分量特性。采用FTU检测装置进行故障信息采集,构建出相应的网络描述矩阵。通过控制平台对其进行处理得到故障判定矩阵,给出单相接地故障区段判定依据。实验结果表明,所提方法不但简便,还具有较高的抗干扰性和定位精度,能够有效地对小电流接地下10 k V馈线单相接地故障进行定位,为电网的安全稳定运行提供了强有力的保障。     

基于动态元件离散化的柔性直流电网故障电流计算方法

故障电流计算是柔性直流电网设计与规划、故障类型判断的重要环节,开展相关问题的深入研究尤为重要。基于电路理论和数值积分原理,针对合理简化后的电路提出了一种基于动态元件离散化的故障电流数值计算方法。首先,通过电路理论分析故障放电机理,对电网进行合理的简化;然后,通过后向欧拉法对动态元件进行离散化处理,建立简化后电路的离散模型;最后,基于简化后电路的离散模型建立改进节点方程,求得各时刻的故障电流值。通过将所提方法的计算结果与在PSCAD/EMTDC中搭建的柔性直流电网仿真模型的结果进行对比分析,验证了所提方法的可行性与通用性。     

基于相量测量单元(PMU)部分观测的传输线断路故障定位

在大规模智能电网中,迅速并准确定位电力线断路故障是保证电网安全运行的必备条件.本文提出一种新颖的基于局部电气量观测来定位全网中电力线断路故障的算法,根据一定的分隔准则,将网络节点分为可观测的内部节点和不可观测的外部节点两部分,进而通过内部节点的相量测量单元(PMU)的量测数据和拓扑信息,利用观测矩阵分块和故障线路的稀疏表示,结合压缩感知的正交匹配追踪算法(OMP),以实现对外部故障线路的实时定位.通过对IEEE 118节点模型的仿真结果表明所提出的方法具有定位准确、抗噪声能力强的优点.     

带有邻居度信息的容量负载模型下电网级联故障研究

考虑节点及其邻居节点的度值信息,本文提出了一种全新的节点容量负载模型,并将其应用到美国西部电网等电网级联故障研究中。通过高负载攻击(HL攻击)和低负载攻击(LL攻击)2种方式来攻击电网,仿真实验表明,与传统的基于节点度的容量负载模型相比,改进负载模型的电网具有更好的鲁棒性和抗毁性。通过对受攻击节点的邻居度值和与其本身度值之比的研究,分析了本文所提容量负载模型可以减小网络级联故障规模的原因。     

基于卷积神经网络的水表故障检测算法

利用卷积神经网络(CNN)提取水表故障特征,提出一种基于CNN的水表故障检测方法,并通过大量实验对检测模型进行参数优化.对比实验结果表明,所提方法相比于支持向量机和集成学习方法,具备更高的检测性能,且检测精度满足实用需求.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

多包传输机制下航空发动机分布式控制系统故障检测

考虑航空发动机分布式控制系统中,传感器与控制器间采用多包传输机制,传感器节点将测量数据封装为多个数据包发送给控制器,在每一采样时刻,同时产生的多个数据包只有一个能够发送,不能发送的数据包则被数据总线丢弃,针对这种情况,设计了神经网络预估器,用预估值来更新未被传输的数据包,使多包传输分布式控制系统"变为"单包传输分布式控制系统,建立了基于状态预估的多包传输分布式控制系统模型,构建了相应的故障观测器,将观测器误差系统看成一个离散周期系统,并应用周期系统稳定性理论推导了神经网络预估器和故障观测器能够稳定工作的条件。最后,给出了具体的故障检测步骤,仿真结果验证了所提出的故障检测算法的有效性。     

采用ELM和优化电压传感器布局的光伏阵列故障检测与区域定位

为快速检测并定位光伏阵列中出现的故障,提出一种新的传感器布局策略,通过优化电压传感器的位置减少电压传感器的数量,同时显化故障的特征.然后,将定位问题转化为分类问题,选用极限学习机(ELM),将最大功率点处的电压数据作为输入训练分类模型.结合实验室屋顶光伏并网发电平台获取的故障数据,对健康状态和所设置的3种故障状态下细化的故障共18种类别,进行分类模型的建立与测试.实验表明,应用本模型故障检测与区域定位的精确率达99.52%,优于所对比的支持向量机、多层感知机网络和随机森林的诊断结果.     

基于集成卷积小波极限学习的绝缘子故障检测

针对绝缘子因分布位置较远、背景复杂而导致传统方法无法精准并高效识别其故障的问题,提出一种基于集成卷积小波极限学习神经网络(ECWELNN:Ensemble Convolution Wavelet Extreme Learning Neural Network)的绝缘子故障检测方法.首先通过安装在无人机上的工业级摄像机采集现场的绝缘子图像数据并进行预处理;其次将卷积神经网络、自动编码器、极限学习机和小波函数的优势结合,构造集成卷积小波极限学习神经网络,并逐层堆叠建立多个深层神经网络;最后将绝缘子图像样本输入多个深层神经网络进行自动特征学习,将预测结果进行集成并输出最终的故障检测结果.通过实验对比验证了小波函数作为极限学习机网络模型中的激活函数在绝缘子识别领域中的优势.实验结果表明,该方法的平均故障检测准确率达到了98.49％,标准差仅0.20,相比其他方法在图像特征提取和故障检测准确率方面更具优势,适用于绝缘子故障的自动识别.     

基于关联性的卫星通信网链路故障自主识别

针对传统的网络链路故障识别方法往往需要人工参与、准确性有限的不足,提出了一种网络元素关联性的卫星通信网链路故障自主识别算法.该方法通过建立卫星网故障链路识别模型(FLIG),管理节点能够自主地、实时地检测出最可能出现故障的链路.利用该算法对示例网络链路故障进行了分析,并且与经典的非关联性的故障识别方法进行了对比.实验结果表明:所提出的算法考虑网络元素故障之间的作用,结果精确并具有实时性.     

一种考虑连锁过载和隐性故障的电网脆弱区域分析方法

针对电网的连锁过载现象,提出了一种划分和识别电网脆弱区域的算法。首先从初始故障支路对剩余系统支路产生作用的角度,提出了受动敏感性和使动敏感性的概念,然后在考虑继电保护隐性故障的模式下,给出了初始故障支路和剩余系统支路之间的关联作用指标以及初始故障支路对剩余系统支路形成敏感性的指标,将这些指标作为特征输入量给出了一种基于聚类方法的电网脆弱区域的划分和识别算法,并在IEEE 39节点系统上进行了算例分析,验证了算法的合理性。     

考虑隐性故障时电网二级连锁过载的风险水平分析方法研究

针对电网的二级连锁过载现象,并结合继电保护隐性故障,提出了一种风险水平研究方法:首先结合直流潮流法定义了二级连锁过载模式下的风险指标,然后从初始故障和剩余系统受扰支路的不同角度给出了3种进行风险水平统计的模型,进一步结合IEEE39节点系统,通过模拟计算对风险的统计结果及隐性故障中的参数对风险统计的影响进行了分析。所提出的方法可为分析具有不确定因素的电网连锁过载现象提供一定的借鉴。     

双馈风力发电机故障穿越能力研究

在不对称电网故障下,为提高双馈风力发电机(DFIG)三相不平衡故障穿越能力,采用甘肃河西电网的实时数据,对双馈风力发电机发生不对称故障下穿越能力进行研究.在发电机出口串联采用改进控制策略的DVR,辅助DFIG风电机组实现故障穿越.为提高检测精度,首先,通过锁相环与pqr变换检测方法结合对电压跌落检测系统加以改进,为克服不平衡故障下负序分量对网侧和机侧的影响,在检测系统中加入基于对称分量法的正负序解耦算法;其次,利用四个PID控制器将参考电压的值与通过检测系统的结果值进行比较,分别调节每一相序,注入无功功率到电网中,保证待恢复的双馈风力发电机端口电压可以达到额定值,转速恒定,进一步保证系统的稳定运行.仿真结果验证了该方法的正确性.     

基于鸣声组合特征与CNN的电网危害鸟种识别

为了辅助电网涉鸟故障的差异化防治,提出一种基于组合特征和卷积神经网络 （Convolutional Neural Network,CNN）的电网危害鸟种鸣声识别方法 . 根据历史涉鸟故障的鸟 种信息及输电线路周边鸟种调查结果,选择13种高危鸟类、8种微害鸟类和2种无害鸟类建立 鸣声样本集;对鸟种鸣声信号进行分帧、加窗、降噪和剪裁等预处理,提取鸟鸣 Mel 倒谱系数 （Mel-frequency Cepstrum Coefficients,MFCC）、Gammatone 倒 谱 系 数（Gammatone Frequency Cepstrum Coefficients,GFCC）和短时能量（Short-term Energy,STE）特征 . 针对单一特征表达能 力不足的问题,将MFCC及其一阶差分、GFCC及其一阶差分和STE归一化后进行组合,生成新 的鸣声特征集 . 搭建卷积神经网络模型对组合特征进行训练和识别,鸟种鸣声测试集的识别 正确率达91.8%,较单一MFCC和GFCC特征表现更为优异.