基于开关柜故障的继电保护动作分析及故障诊断

分析一个由开关柜相间绝缘故障导致的电力系统继电保护复杂动作过程。为及时发现和预防开关柜引起的此类故障,提出一种开关柜故障诊断及预防的综合方法。该方法选取了开关柜绝缘、温升、湿度和放电等不同类型故障特征量指标,通过数据评估方法建立评估概率数据,综合特征量指标反映缺陷因果关系,实现了开关柜预防诊断的过程状态检修。工程运行研究证明,该综合预防治理策略能够有效预防开关柜故障的发生。     

基于多变量多尺度云样本熵和模糊支持向量机的开关柜故障分类

利用智能开关柜多源监测数据识别其异常状态和故障类型,可实现配电设备高效精细的运维管理。为提取开关柜的故障特征,利用传感器监测开关柜电压、电流、温湿度和闪光信号等状态量,通过引入降半梯形云模型量化状态量时间序列的复合延迟向量间的相似度,由此软化多变量多尺度样本熵相似容限判据,进而获取包含多个时间尺度的开关柜多通道状态监测数据的多变量多尺度云样本熵(MMCSE)故障特征向量;依据分段半降正态云模型量化开关柜故障样本间关联关系的不确定性,综合样本空间的区域差异性和分散性计算样本隶属度,形成改进的模糊支持向量机(FSVM)特征分类方法,实现了开关柜不同故障类型的识别。根据现场实时监测数据,验证结果表明所提方法具有较高的分类正确性。     

电力系统二次设备风险评估模型和方法

针对二次设备的风险评估中无量化评估方法和规范的问题,提出一种量化评估模型和方法,该模型将设备状态评价结果和平均故障概率统计数据进行关联拟合,确定二次设备平均故障概率的计算方法;针对二次设备自身的特点建立基于事件树的可能损失评估模型,并结合设备的平均故障概率和故障引起的等效可能损失计算出设备当前的风险值。实例证明,利用该方法开展风险评估可以合理地反映二次设备的运行风险,其评估结果为科学开展二次设备风险控制等工作提供依据。     

基于卷积神经网络的主变压器外观缺陷检测方法

主变压器是变电站中最重要的电气设备之一,其运行状况直接影响所连区域电网的安全可靠运行。为全面提升主变压器外观缺陷检出效率,提出了一种基于CNN(卷积神经网络)算法的主变压器外观缺陷机器视觉识别检测方法。针对海量设备图像,该方法中的SSD算法模块能够准确提取目标设备(主变压器), CNN算法模块可对图像中所含缺陷信息进行解析。为了提升检测方法的准确性,针对检测算法负样本不足的问题,利用VGG-Net的图像迁移算法对主变压器缺陷样本进行扩充,以提升整个算法模型的泛化能力。最后,利用实际运维检修工作中采集整理的主变压器图像样本集进行算法验证,结果表明该方法能较准确地识别出变压器外观缺陷,具有较高的有效性和可行性。     

基于时间序列和神经网络的电力设备状态异常检测方法

为进一步提高电力设备异常检测方法对设备信息的利用率,发现更多潜在设备故障,结合大数据分析技术和设备评估技术,提出了一种将时间序列和神经网络相结合用于电力设备状态数据异常检测。首先通过时间序列自回归模型和自组织映射神经网络将连续的电力设备数据离散为单个序列,对时间轴上的状态变量转移概率进行计算,通过状态转移概率和聚类算法快速检测数据异常。通过实验对该方法的有效性进行验证。 结果表明,该方法能快速有效地检测出电力设备的异常状态。     

基于综合赋权与WRSR的高压开关柜状态评估方法研究

高压开关柜作为配电网络中应用最广泛、使用数量最多的配电设备之一,为保证高压开关柜稳定运行及电网安全,需要对其状态进行准确评估。文中提出了一种综合赋权与加权秩和比(WRSR)相结合的新的开关柜状态评估方法。首先根据高压开关柜的绝缘状态、电气状态、机械状态和历史记录等信息,建立状态评估体系,运用层次分析法和熵权法相结合分别计算指标主客观权重并实现综合赋权;其次建立基于加权秩和比(WRSR)的开关柜状态评估模型,该模型构建简便,且具有强大的信息统计分析功能,可以实现状态分类及定量评估;最后运用该评估方法进行了实例分析,同时实现对多个开关柜的状态评估,并根据评估结果对多个开关柜的状态进行排序,进而制定相应的检修策略,有效地提高了检修效率。     

基于信息熵和BP神经网络的故障分类方法

为了实现电厂运行中设备故障类型的快速、准确判断,解决神经网络因输入量增多导致收敛速度大幅降低的问题,将基于近似决策熵模型的属性约简算法结合BP神经网络进行故障分类预测。基于信息熵的属性约简算法对故障样本数据进行预处理,得到约简决策表,将约简数据样本作为BP神经网络的输入进行训练,预测故障分类。将该方法用于汽轮机振动故障诊断,结果表明:有效降低了神经网络的输入维数,简化了网络结构,获得了较高的分类精度,同时降低了计算开销,对快速判断故障类型,提高维修效率,具有工程实用价值。     

基于卷积神经网络的变压器套管故障红外图像识别方法

作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别模型;最后,通过对网络超参数的选取进行实验分析,确定了激活函数种类、池化方法及卷积核数目。针对文中样本库,文中所提模型对套管3种状态类型的分类结果准确率达到96%,相较于SVM算法和BP神经网络算法分别提升约14%和15%,识别性能更为优异。     

基于多源数据融合与设备相似性的高压开关柜评价模型北大核心CSCD

针对目前高压开关柜运行评价大多只是对单一设备进行评价的问题,提出了一种基于多源信息融合,利用设备相似性,使用阈值判断与灰色关联分析的状态评价模型。首先通过带电检测数据、设备信息、设备缺陷三方面,进行多源信息融合并构建开关柜运行状态评价指标体系;然后将三角模糊引入层次分析法,计算指标的权重;考虑到短板效应,引入阈值判断;最后,利用灰色关联分析法,将设备运行环境及状态相近的开关柜进行横向对比及排序,并实现了同时对多台设备的运行趋势分析。通过算例分析,上述方法能更加准确地评估设备的运行状态,为设备检修及维护提供更多的依据。     

基于轻量级卷积神经网络的GIS绝缘和机械故障诊断方法北大核心CSCD

绝缘和机械故障是气体绝缘金属封闭开关设备(gas insulated metal-enclosed switchgear,GIS)中占比最大的故障类型,准确的故障诊断和状态评价对保证电力系统安全稳定运行具有重要意义。深度学习方法已成为故障诊断领域的主流,但传统卷积神经网络需要强大的计算资源,在计算能力一般的智能终端设备中难以应用。为此,文中提出了基于轻量级卷积神经网络的GIS绝缘和机械故障诊断方法。首先,采用空间可分离卷积代替传统卷积构造EffNet轻量级卷积神经网络,大幅度降低了模型的计算量;其次,采用迁移学习策略进行模型训练,在提升网络识别准确率的同时加快了模型的收敛速度,解决了现场数据不足的问题;最后,通过t分布随机邻近嵌入对卷积神经网络特征进行可视化,进一步验证了模型的性能。研究结果表明,具有5个EffNet卷积块的轻量级卷积神经网络模型在绝缘和机械故障诊断中的准确率分别达到94.7%和98.7%,并显著降低了参数量、存储空间和计算开销等,适用于GIS智能组件和检测仪器,是电力物联网下嵌入式系统和移动终端的最佳选择。     

基于CNN-GRU组合神经网络的变压器短期故障预测方法

为挖掘变压器运行状态参量间的关联关系,量化外部环境对变压器运行状态的影响,提出了一种基于卷积神经网络和门控循环单元组合神经网络的变压器短期故障预测方法。首先,通过关联规则挖掘变压器状态参量间的相关性,结合变权思想进行综合状态评估,引入指数函数建立表征变压器运行状态的故障率模型,并将其作为预测状态参量。其次,考虑外部环境对变压器运行状态的影响,分别从日期因素、气象因素和生产工艺因素构建变压器故障预测特征集。然后,利用卷积神经网络在高维空间提取特征集与故障率间的特征向量,将结果输入门控循环单元进行优化训练,从而预测变压器故障率的发展趋势。最后,通过某海上平台变压器的故障预测趋势分析,验证了所提方法的可行性与有效性。该方法与长短期记忆模型、GRU模型、CNN-LSTM模型和支持向量机模型相比,具有更高的预测精度与更高的预测效率。     

基于CNN的风力发电机绕组短路故障识别方法研究

绕组的匝间短路等故障是风力发电机的主要故障类型之一,严重影响风电机组运行的可靠性和安全性。提出采用卷积神经网络和频率响应相结合,对风力发电机的定子绕组短路故障进行检测。首先对该方法的基本原理进行介绍,并通过模拟平台进行绕组短路故障模拟,测试了绕组不同短路状态的频率响应曲线;进一步分析了神经网络不同参数对识别模型性能的影响。结果表明,该方法能有效识别出风力发电机绕组短路故障及其类型,识别准确率达到98.5%。综合来看,该方法具有潜在的应用价值。     

基于朴素贝叶斯分类器的高压开关柜状态评估方法

提出了基于朴素贝叶斯分类器的高压开关柜状态评估方法,分析了高压开关柜带电检测大数据,选取了10种状态特征作为开关柜健康状态的特征向量,通过计算贝叶斯分类器的后验概率,获取每种特征对状态分类的贡献率,并以开关柜健康状态作为预测结果对开关柜进行状态评估。采用陕西电网2016—2019年高压开关柜带电检测相关数据对模型进行训练和测试,结果表明：测试样本的召回率达到80.77%,准确率远高于传统判定方法。     

局部放电检测在开关柜中的应用

开关柜是配电网系统中的重要设备,在工厂供电系统中存有大量的开关柜.为提高开关柜的运行可靠性,迫切需要对电力设备运行状态进行评估,及时反映运行设备的问题,以便采取预防措施避免突发停电事故的发生.通过此我们可以将检修工作的重点从“定期检修”转移到“状态检修”.据统计,电气设备所发生的绝缘事故大多与局部放电有关,而通过对设备进行在线局部放电检测是运行设备绝缘状态检测的有效方法.利用在线局部放电检测技术对开关柜进行绝缘检测可以及早发现开关柜内绝缘故障,及时对故障点进行维护处理,因而可以大大提高工厂配电系统的供电可靠性.     

大电网可靠性评估的卷积计算模型

最大负载能力(maximum loadability,ML)是一个与系统设备的随机故障、网络拓扑、运行约束和运行策略等因素紧密相关的随机变量,实现最大负载能力和负荷需求的概率分布计算并开展二者互动分析可为大电网可靠性评估提供新的方法思路。文中在最大负载能力计算模型基础上提出了其修正模型,并将最大负载能力看成依赖于网络拓扑和设备偶发故障的随机变量,基于核密度估计构建了最大负载能力的概率分布计算模型,采用半不变量法进行最大负载能力与负荷间的概率分布卷积计算。该方法在负荷变动规律改变后,只需对最大负载能力和变化后的负荷随机变量进行卷积即可高效简便计算出新的电网可靠性指标,避免了重新进行可靠性评估的传统方法缺陷,大大减小了计算成本,具有较高实际工程应用价值。通过对RBTS和IEEE-RTS79系统的评估分析,验证了所提方法的快速性和有效性。     

开关柜穿柜套管内悬状态检测技术研究

开关柜作为电力系统连接用户的中间环节,其运行过程中内绝缘状态严重影响供电可靠性。为减少内绝缘劣化导致开关柜故障临停次数与临停时间,本文对缺陷比例较高的穿柜套管内悬缺陷为例进行研究,给出内悬缺陷放电种类,以及各类缺陷的典型放电特征。基于内悬状态的电场仿真、故障案例分析,给出传统带电检测方法对该缺陷检测的有效性,空气电分解、环氧树脂热分解与电分解的气体成分,提出了穿柜套管内悬状态特征气体检测方法,并对内悬缺陷状态的发展趋势进行预警,避免穿柜套管内悬缺陷发展为突发性接地故障,保证系统运行可靠性。     

基于改进BP神经网络的充电模块故障状态识别

为提高充电桩运行质量,研究了基于改进BP神经网络的充电模块故障状态识别方法。利用充电模块振动信号包络峭度检测充电模块振动信号包络线的尖峰度,确定充电模块振动信号起始点,通过KS检验方法提取充电模块故障特征。选取BP神经网络作为充电模块故障状态识别方法,利用遗传算法的寻优性能对BP神经网络进行改进,将所提取充电模块故障特征输入到改进的BP神经网络之中,以获得充电模块故障状态识别结果。实验结果表明,该方法可精准识别充电模块故障状态,改善充电桩接入配电网的网侧电流谐波含量过高问题。     

基于信息融合的预装式变电站健康状态评估

预装式变电站将气体绝缘组合电器设备(GIS)、变压器、低压开关柜和二次设备等作为模块集成在一组外壳内,使得整个变电站成为了一个产品,故对预装式变电站的整站状态评估成为可能。提出了基于信息融合的评估方法。首先用多层模糊综合评价法、BP神经网络和灰色关联法三种方法对预装式变电站中的GIS、变压器、低压开关柜和二次设备四大模块进行状态评估。再利用DS合成法则将三种方法得出的评估结果进行融合,分别得出各个模块的综合评估结果。最后将这四大模块作为预装式变电站的评价因素,使用单层模糊综合评价法对整站进行状态评估。仿真结果表明,该方法能正确评估出预装式变电站整站的健康状态。     

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。     

基于实时运行数据挖掘的配电变压器状态评估

随着配电网在线监测的广泛应用,利用海量的运行数据进行设备健康状态评估,主动干预配电网设备缺陷和故障预警,提高有限人力资源的利用效率成为配电网运维的发展方向。通过对智能公变监测终端采集的配电变压器实时运行数据进行分析,选取反映设备健康状态的指标,在状态评价通用模型的基础上,采用变权综合和平均变权方法,建立了基于实时运行信息的配电变压器状态评估模型。算例表明评估结果及趋势与故障记录相吻合,验证了该评估模型的有效性,反映了在配电变压器缺陷的早期诊断和预警方面具有应用前景。