基于最小变异系数的配电网电压暂降源模型识别方法

提出了一种基于最小变异系数的配电网电压暂降源模型识别故障定位方法。该方法通过获得配电网中各个节点短路时监测点所测得的电压暂降特性,建立在不同故障类型条件下的电压暂降源识别模型,根据实际配电网发生故障时监测点所测得的电压暂降数据,用电压不平衡度公式区分出故障类型后,再与相应故障类型的电压暂降源识别模型进行比对,得到最小平均变异系数的区段则具有最大概率为故障区段。该方法将配电网故障选线和配电网故障区段定位融合在一起,经EMTDC仿真验证,有较高的准确性和有效性。     

基于VMD和IAO-SVM的电压暂降源识别方法

针对支持向量机(support vector machine, SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer, AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer, IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition, VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比。仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5%、94%、99.25%、100%、99.25%、98.5%和97.25%,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助...     

基于小波熵和概率神经网络的配电网电压暂降源识别方法

分析了短路故障、感应电动机启动和变压器投运引起电压暂降的原理及各类电压暂降的特征,提出一种基于小波熵(wavelet entropy,WE)和概率神经网络(probability neural network,PNN)的电压暂降源识别方法。提取信号的小波能谱熵和小波系数熵特征向量,并将其输入概率神经网络,实现电压暂降源的自动识别。利用Matlab/Simulink建立简单配电网的仿真模型进行验证,结果表明,基于小波熵和概率神经网络的方法能很好地识别电压暂降源。     

基于优化极限学习机的电压暂降源识别方法

准确识别电压暂降源对暂降责任分摊和治理决策至关重要。文中提出一种基于优化极限学习机的电压暂降源识别方法。通过直接提取电压暂降波形的时域特征和经S变换提取能量熵和奇异熵2种时频域特征,构建基于时域和时频域的特征向量,弥补现有方法仅采用时频变换提取特征,可能丢失仅存在于时域内的重要信息而影响识别精度的不足。针对极限学习机输入权值和隐含层偏置随机产生的不足,采用遗传算法对其进行优化,构建优化极限学习机模型,解决利用模式识别存在模型复杂和耗时较长,难以实现快速识别的问题。应用仿真数据和实测数据验证了所提特征向量和优化极限学习机模型的有效性;并与其他方法相比,证明所提模型简单、训练和分类识别速度快,识别精度更高,适用于边缘计算,可实现电压暂降源的快速准确识别。     

基于距离判别分析的电压暂降源识别方法

为准确识别电网中的各类电压暂降源,并避免其他方法在识别过程中特征提取困难的问题,从最小距离的角度提出了一种基于距离判别分析的电压暂降源识别方法。利用暂降分段法对电压暂降有效值的波形变化特点进行分析,并以粗粒化的有效值波形构建了与电压暂降源类型相对应的六个总体。采用多总体马氏距离判别分析方法,利用训练样本进行学习,建立相应的判别函数及其判别准则对待判样本进行判别,从而实现电压暂降源的识别。通过仿真建模对所提方法进行了验证和对比分析,结果表明该方法的识别准确率和性能较高、交叉误判率低,对噪声鲁棒性好,满足实际应用要求。     

一种基于临界点法的电压暂降域混合识别方法

电力系统中发生短路故障时,使敏感负荷所在母线电压骤降到预先设定的故障范围的故障点所在区域,即为暂降域。但是在大型复杂电网中,暂降域难以准确识别。提出了一种基于临界点法的暂降域混合识别分析算法,首先给出平衡和不平衡故障下,敏感负荷点的故障残余压计算公式;在此基础上引入二次插值、黄金分割法等多种数值分析方法,将母线上的临界点求取问题简化为插值函数根的求解问题;最后采用IEEE30节点标准测试系统作为算例,验证了该方法的正确性和实用性。结果表明本方法在保证计算精度的前提下,简化了暂降域的求解过程,收敛性好,易于计算机编程实现,具有一定实用价值。     

基于扰动功率小波奇异熵的电压暂降源定位

针对现行的电压暂降源定位方法在含有变压器以及复杂电网结构场景下准确度较低的问题,提出一种基于扰动功率小波奇异熵的电压暂降源定位法。首先,基于电能质量监测仪采集到电压电流波形数据计算得到瞬时有功和无功功率,获得加权瞬时扰动有功功率和无功功率;然后,通过小波变换,奇异值分解,结合信息熵原理得到扰动功率的小波奇异熵值,由小波奇异熵值的大小来确定电压暂降扰动源的相对位置;最后,仿真和实例分析证明了所提方法的有效性和准确性。     

电压暂降源识别方法研究

分析了不同暂降干扰源产生的暂降现象,从暂降幅值、是否在电压暂降同时发生了暂升、暂降期间电压的变化特点及三相电压是否平衡等方面总结了不同暂降源的特征。考虑到目前我国电能质量监测系统中一些监测仪器在一定条件下只能提供部分周期的有效值数据的情况,提出了一种适用于现有监测仪器的方法,仅进行电压有效值计算,根据不同电压暂降引起的暂降幅值大小、暂降结束时是否产生电压跳变(或对电压暂降过程中电压变化趋势进行分析比较)、三相电压是否平衡以及是否发生电压暂升等方面情况的不同,提取相应的特征量,实现了对线路故障、变压器投切和大容量感应电动机启动所引起电压暂降的分类。仿真结果验证了所提出方法的正确性。     

基于改进熵权法和灰色关联分析的变压器故障诊断

针对目前电力变压器故障诊断存在数据信息不完备和故障诊断准确率低的问题,提出了改进熵权法和灰色关联分析相结合的变压器故障诊断方法。该方法首先对变压器故障样本数据进行标准化处理,然后采用改进熵权法确定变压器故障诊断指标的权重,再通过计算改进的灰色欧几里德加权关联度确定变压器的故障类型。实例分析结果表明该方法的正确性和可行性,与传统熵权法相比,指标的权重分配更为合理,并克服了传统灰色关联分析中指标平权的不足问题,故障诊断准确率显著高于IEC三比值法和一般灰色关联分析。     

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.     

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ISGMD-DHT的电压暂降特征提取方法研究

针对电压暂降特征信号在谐波、噪声环境下的准确提取问题,提出了一种基于迭代辛几何模态分解-差值希尔伯特变换(iteration symplectic geometry mode decomposition-difference Hilbert transform,ISGMD-DHT)的提取方法。首先,基于哈密顿矩阵与辛QR分解构造重构轨迹矩阵,结合辛几何相似变换得到初始辛几何分量。其次,根据相似度准则拟合初始辛几何分量并计算残余分量,再根据残余分量构造轨迹矩阵。然后,重复上述操作直至满足迭代终止条件获得最终相互独立的辛几何分量。最后,通过差值希尔伯特变换提取暂降特征量。仿真和实测数据的分析结果表明,该方法能在严重噪声、谐波扰动情况下准确提取暂降特征量。     

基于改进灰色关联分析的GIS质量评价

提出了基于改进灰色关联分析法的气体绝缘金属封闭式开关设备(GIS)质量评价方法。该方法结合熵权法和专家打分法确定各评价指标的组合权重,克服了原始灰色关联分析计算中指标均权及专家赋权的不足。然后采用改进后的灰色关联分析法对GIS进行质量评价。将组合赋权法引入灰色关联分析方法中,充分利用各指标的全部信息,有效提高了评价精度,使得评价结果更加科学、合理。     

基于改进故障点法的电压凹陷评估

针对传统故障点法选取故障点带有盲目性的问题,提出了基于解析式的改进故障点法。算法考虑了电网传输线上的故障分布和故障类型,并根据电压凹陷深度和故障距离的关系曲线对传输线分区,将每个区间作为一个故障点,因此在每条传输线上只要设置较少数量的故障点,通过每个故障点的故障概率分布评估不同电压凹陷深度区间的凹陷频次。并由电压凹陷深度和故障距离的曲线确定不同电压限值的临界点,进而确定电网的凹陷域。提出的改进故障点法用于评估IEEE 30节点标准测试系统的电压凹陷频次,验证了该方法的正确性和实用性。所提方法适用于任何规模电网发生对称故障和不对称故障时的电压凹陷频次评估。     

电压暂降源异质堆叠集成学习识别法

电压暂降源分类识别存在可获得信息不完备的问题。针对现有单一识别法弱学习特点和组合识别法一致性强的问题,提出一种基于异质堆叠集成学习的暂降源识别方法,提升识别模型的泛化能力和鲁棒性。把线路故障分为普通故障和雷击故障,以10类单一电压暂降源的识别为目标,选取9个表征特征差异的波形统计参数,构建27维识别特征向量。引入堆叠集成算法,以5种差异性强的单一识别法为基分类器,用随机森林法作元分类器,建立异质堆叠集成识别模型。通过PSCAD仿真数据和实测数据验证,并与现有6种识别法比较,结果表明,该方法识别精度高,噪声鲁棒性良好,具有良好的工程实用性。     

基于半监督支持向量机的电压暂降源定位

电压暂降源定位对解决相应供用电双方纠纷及责任认定等起到重要作用。针对现有暂降源定位方法的准确率低、含源位置信息的电压暂降监测数据非常有限且不易获取等问题,提出了一种基于半监督支持向量机(SVM)的电压暂降源定位方法。首先分析了现有源定位方法的定位机理和判据,然后通过支持向量机结合多个定位特征量,利用二分类思想在高维定位特征空间内构建上下游分类面。最后运用半监督SVM充分利用大量无暂降源位置标签的电压暂降监测数据,不断优化上下游定位的分类面,从而实现少量标签数据下电压暂降源的优化定位。实验结果表明,在少量标签数据下,该方法定位准确率高,能可靠定位出各类电压暂降源位置。     

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。     

基于动态时间弯曲距离的电压暂降源辨识方法

为了实现对各类型电压暂降源的准确辨识,从波形相似性检测的角度提出了一种基于动态时间弯曲距离的电压暂降源辨识方法。通过仿真模型分析了基本电压暂降和经不同类型变压器传播后各类暂降的波性特征,构建了电压暂降类型与暂降原因及变压器类型的映射关系。利用9种电压暂降波形数据构建匹配库,采用动态时间弯曲距离法将实测的电压暂降波形数据与匹配库波形数据进行匹配分析,实现电压暂降源的辨识。仿真分析的结果表明,该方法能够对电网中出现的各种类型电压暂降进行辨识,具有较高的准确性和有效性,满足工程应用的需求。     

基于灰关联熵的模拟电路测试点优选算法

选择最佳测试点是电路故障诊断的重要课题。将模拟电路看作灰色系统,对模拟电路进行灰关联熵分析,利用灰熵关联度量化测试点与故障元件之间的关联程度,从而得到故障诊断的最佳测试点。通过两个典型电路的实例表明,将灰关联熵分析用于测试点优选,具有算法简单、所需样本少、结果明确等优点,保证了测试点选择的客观性。