配电网相电压不对称动态变化下的高阻接地故障辨识

配电网单相高阻接地故障与相电压不对称动态变化间具有相似的中性点位移电压波形,易引起接地保护的误判。为此,该文建立不对称导纳矢量模型,通过分析相电压不对称动态变化的原因,揭示非故障条件下中性点位移电压的变化机理。同时建立故障电路全响应模型,刻画中性点位移电压随过渡电阻的变化轨迹,研究高阻接地故障和不对称导纳动态变化时的位移电压稳态重合区域及暂态特征差异。在论证二者稳态特征存在混叠的同时,揭示暂态过程中故障初相角对中性点位移电压直流衰减分量的影响规律。采用经验小波变换提取中性点位移电压直流衰减分量和高频分量,并利用直流衰减分量辨识故障;对于特定故障初相角导致的直流分量无法检测场景,提出基于方差贡献率的重心频率分布特征判断方法辨识接地故障。仿真分析表明,该方法为5 kΩ及以下的高阻接地故障与不对称导纳动态变化提供了明显的区分特征,为单相接地故障的准确辨识提供了新思路。

基于改进深度残差网络的柔性直流配电线路故障辨识

针对现有深度学习方法在柔性直流输电系统故障辨识方面存在抗噪性和历史样本较少时性能不足的问题,提出一种基于改进深度残差网络(ResNet)的柔性直流输电线路故障辨识方法。首先,对残差单元进行改进,将注意力机制和正则化方法融入残差单元,并从宽度和深度2方面对模型进行优化完善。然后,对故障电气量进行特征筛选,在交叉验证中执行递归特征消除(RFE),依据特征属性定义关键特征。最后,在PSCAD仿真平台上搭建张北-北京四端±500 kV柔性直流电网仿真模型,通过仿真验证了所提方法在抗噪声干扰和小样本数据情况下故障辨识的有效性。

基于模式识别技术的光电探测器故障辨识研究

当前光电探测器故障辨识错误率高,为提升光电探测器故障辨识效果,设计了基于模式识别技术的光电探测器故障辨识方法。首先采集光电探测器状态信号,并从光电探测器状态信号中提取特征,然后利用主成分分析算法对特征进行降维处理,得到最优光电探测器状态辨识特征,最后将光电探测器状态特征作为支持向量机的输入,光电探测器状态作为支持向量机输出,通过支持向量机学习设计光电探测器状态辨识器,实验结果表明,本方法可以有效辨识光电探测器辨识故障,光电探测器故障辨识正确率超过了90%,光电探测器故障辨识时间控制在20 ms以内,为光电探测器状态分析提供了理论依据。

基于IF-AD-ELM的特高压直流输电系统故障辨识

针对现有的特高压直流(ultra high voltage direct current,UHVDC)输电系统故障检测方法灵敏度低、难以识别高阻接地故障的问题,提出了一种基于整数因子(integer factor,IF)-近似导数(approximate derivative,AD)和极限学习机(extreme learning machine,ELM)的特高压直流输电系统故障辨识方法。其中整数因子用于分析不同采样频率下的信号,近似导数法用于获得信号不同程度的细节系数。首先,基于不同的整数因子对信号进行下采样,并利用近似导数法对所得信号求一阶、二阶和三阶近似导数。其次,分别计算各个子信号的熵特征。然后,用基于交叉验证的递归特征消除(recursive feature elimination with cross validation,RFECV)算法对得到的一系列特征进行特征筛选,并结合ELM对特高压直流输电系统进行故障辨识。最后,在Matlab/Simulink环境中搭建了±800 kV的UHVDC系统模型,模拟不同故障类型。实验结果表明,所提方法在识别特高压直流输电系统不同类型故障时有更高的准确率,且耐受过渡电阻能力强。

基于格拉姆角场与ResNet的输电线路故障辨识方法

针对如何利用实际故障录波数据,提取和放大故障特征差异,开展故障类型与故障原因辨识的问题,提出了基于格拉姆角场与迁移学习-ResNet的输电线路故障辨识方法。首先,统计分析了输电线路故障类型和故障原因的分布特征,用于指导构建适用于类不平衡问题的故障分类器。然后,利用格拉姆角场变换将采集得到的故障电压、电流时序信号转化为格拉姆角场图像,放大故障特征差异,作为故障分类器的输入。进一步,将生成的图像集输入搭建好的故障分类器进行网络训练和测试,输出输电线路故障类型和故障原因。最后,完全采用真实故障录波数据开展了算例分析。结果表明:所提方法对故障类型的辨识准确率达到了97.51%,对故障原因的辨识准确率达到了94.23%。并且将训练的故障辨识网络迁移至其他地区时,仍然具有较好的故障辨识效果和泛化性能。所提方法为基于暂态波形数据驱动的故障辨识提供了新方法,可以用于实际电网的输电线路故障辨识。

基于故障旁路特征的电网电弧接地故障辨识

中性点有效接地供配电系统中电弧接地故障频发,而已有的故障检测方法在电弧耗散功率较小,零休时长较短时存在不足,导致检测准确性偏低。针对此问题,采用故障旁路零序电流特征进行故障辨识。首先,探究了电弧接地故障下故障旁路零序电流的形成机理,揭示了电弧故障特征向故障旁路信号的传递作用。然后,采用梯度积及相关系数指标,描述故障旁路零序电流信号特征,建立辨识判据,实现故障类型判别。最后,仿真结果及实验结果验证了所提方法的有效性。对比分析表明,其相比于已有方法,该方法具有较高的识别精度。特别是在电弧耗散功率小于2×103 W、零休特征不明显的故障场景中,该方法更具识别优势。所提方法拓展了电弧故障辨识手段,可用于预防电弧故障引发的电气火灾。

城市轨道交通贯通供电方式牵引网分段供电方案及故障辨识方法

[目的]城市轨道交通线路采用贯通供电方式时,因牵引网结构复杂且无备用,牵引网发生故障时可能会扩大停电范围,为此需要对牵引网的分段供电方案进行优化。[方法]提出了一种适用于贯通供电方式的牵引网分段供电方案。基于牵引网分段供电拓扑特征,结合车-网耦合特性,提出了分段故障、过渡段故障的辨识方法。对牵引网分段短路和过渡区短路2个故障场景的控制方案进行了分析,描述了这2个故障场景下牵引网的自愈流程,并制定了这2个故障场景对应的断路器控制方案。以广州地铁18号线牵引供电系统为例,通过MATLAB/Simulink软件仿真,验证了所提分段供电方案及故障辨识方法的正确性和可靠性。[结果及结论]该方法可有效辨识故障区段。牵引网故障断路器控制方案可为分段和过渡区提供可靠的主保护,可保证广州地铁18号线牵引供电系统稳定、高效运行。

电气设备红外图像故障辨识方法研究

为高效且智能化辨识电气设备故障红外图像,本文基于传统电气设备故障红外图像检测方法存在的不足,提出以优化BEMD频域分解为基础的Res-LSTM网络模型。针对BEMD算法分解红外图像时检测效率低下的问题,采用Gaussian滤波器替代原有滤波器以改进BEMD算法,使其分解速度大幅提升。搭建Res-LSTM故障诊断网络,通过ResNet提取电气设备红外图像特征,并以LSTM网络诊断所提取特征的故障,以消融实验探讨所提算法的可靠性。从结果看,文中所提方法有效性较高,有一定的推广价值。

基于激光传感器采集信号的机电设备故障辨识研究

机电设备运行环境复杂,当前方法无法高精度获得机电设备故障辨识结果,而且机电设备故障辨识时间长,实时性差,为了获得更加理想的机电设备故障辨识结果,设计了基于激光传感器采集信号的机电设备故障辨识方法。首先采用激光度传感器采集机电设备工作状态信号,并对机电设备工作状态信号进行预处理,提取机电设备故障辨识的相关特征,然后将特征作为机器学习算法的输入,机电设备故障类型作为机器学习算法的输出,通过训练建立机电设备故障辨识的分类器,最后通过具体的仿真实验分析机电设备故障辨识性能。结果表明,本方法可以辨识机电设备故障,辨识精度超过95%,机电设备辨识的时间均控制在5 s以内,辨识整体效果要优于当前典型机电设备故障辨识方法。

基于数据驱动模型的智能风机失速故障辨识方法

智能风机失速状态变化难以捕捉,导致故障辨识结果不精准,提出了基于数据驱动模型的智能风机失速故障辨识方法。分析智能风机压力-流量特征,计算固定流量系数和压力系数,通过不同故障模式空间映射分析风机失速状态变化。引入小波阈值除噪方法对重构信号进行小波包分解,结合小波包能量分析方法实现故障特征提取。将具有映射关系的融合单元应用到智能风机失速故障辨识过程中,构建基于数据驱动的故障辨识模型,结合故障特征提取结果实现智能风机失速故障辨识。分析实验结果可知,该方法应用下的低压、高压风机失速频谱波动范围分别是0~1100 Hz、0~4200 Hz,与实际结果一致,说明该方法的故障辨识结果更为精准。

基于数字孪生的配电网局部异常因子故障辨识仿真

为进一步提高对配电网局部异常因子故障辨识的精度,提出基于数字孪生的配电网局部异常因子故障辨识仿真。通过实时获取配电网运行电气参数并进行预处理,以此为基础提取基于时间序列的故障特征量列矩阵,使用多维标度分析(MDS)方法从降维处理后的故障特征中检测出配电网异常物理节点,再根据配电网网络拓扑得到异常物理节点对应的故障区段,最后结合局部异常因子(LOF)算法计算各物理节点所对应的局部异常因子值,从而获取故障诊断结果,完成对配电网故障的精准辨识。仿真结果表明,运用该方法可以实现对配电网故障的精准辨识。

基于多模态融合的步进式加热炉电气故障辨识研究

为降低加热炉运行过程中的事故发生率,提出了基于多模态融合的步进式加热炉电气故障辨识研究,首先,利用基于非线性扩散的导数谱增强模型展开信号增强处理。然后,对增强后的电气信号展开EMD分解,获取信号中的所有IMF分量。利用小波包变换提取电气故障的细节特征信息,并电气故障的细节特征信息进行多模态融合。最后,利用随机森林算法对多模态融合的特征展开故障辨识。实验结果表明,所提方法的损失函数值下降较快并且可以降到0.05以下,特征提取能力强、故障辨识效果好,能够为步进式加热炉电气故障辨识提供帮助。

基于改进深度学习的配电网故障辨识系统研究

针对配电网运行过程中设备故障辨识难度大、处理不及时等问题,通过将长期记忆引入到深度学习模型,提出了一种改进深度学习模型,设计了基于改进深度学习的配电网故障辨识系统.该系统包括数据源、接口层、数据库、数据服务、计算层和信息层,实现对配电网故障的准确辨识预警.实验结果表明:提出的改进深度学习模型与现有方法相比,故障预测精度能够达到94.19%,优于现有模型,具有良好的应用价值.

高压开关柜应急处置装置故障辨识技术研究

高压开关柜是电力系统中的关键设备,其故障识别对于确保电力系统的安全稳定运行至关重要。文章提出了一种多源传感器辅助的高压开关柜应急处置装置故障自动辨识技术。利用双目视觉、红外及局部放电传感器对开关柜的故障进行综合检测和辨识,结合数据融合算法和机器学习方法,提高故障识别的准确性和实时性。试验结果表明,该技术能够有效识别开关柜的多种故障类型,为电力系统的维护和应急处置提供可靠的技术支持。

基于模糊神经网络的发电厂继电保护隐性故障辨识方法

发电厂继电保护隐性故障因其隐蔽性和突发性,对电网安全稳定运行构成重大威胁。传统辨识方法在处理此类故障时面临诸多挑战,难以有效应对复杂多变的电网环境和故障模式的模糊性。模糊神经网络作为一种融合模糊逻辑与神经网络优势的技术,为解决这一问题提供了新的思路。本文提出一种基于模糊神经网络的发电厂继电保护隐性故障辨识方法,利用模糊神经网络的非线性映射能力和模糊推理机制,构建高精度的隐性故障辨识模型。通过对发电厂继电保护系统的实际数据进行训练和测试,验证了该方法的有效性和准确性。实验结果表明,该方法能实现对隐性故障的早期预警和精准定位,提高电网运行的安全性和可靠性。

基于机器学习的变压器故障辨识方法研究

电力变压器是电力系统能量传输的重要枢纽,其故障具有复杂性强、维修成本高等特点,一旦出现故障,很容易对电网本身运行的安全性产生消极影响,因此,对变压器内部故障状态进行辨识对于保证电力系统运行安全具有重要意义。本文通过对相关文献进行查阅,对研究背景与意义进行了简要阐述,结合机器学习中的极限学习机(Extreme Learning Machine,ELM)理论,进行了基于极限学习机的变压器故障诊断模型建设与仿真分析,最终得出结论:使用该模型在面对IEC TC 10变压器故障数据时,其综合正确率能够达到75.23%,与传统辨识技术相比,其故障识别质量得到了显著提升。希望本文的研究内容能够为变压器故障辨识工作提供必要的理论支持,提升电力系统运行可靠性。

多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题,提出一种多尺度卷积神经网络(novel multi‑scale convolutional neural network,简称NMS‑CNN)故障辨识方法。首先,对滚动轴承的振动信号进行快速傅里叶变换(fast Fourier transform,简称FFT)获取其频域数据;其次,利用多尺度卷积提取频域数据中的多粒度敏感特征,并使用实例归一化技术(instance normalization,简称IN)对特征图进行归一化;然后,采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征;最后,使用softmax分类器完成故障辨识任务。经过实验验证,所提方法能够在较少训练样本下完成故障辨识任务,并且其抗噪性与泛化性均优于其他智能故障辨识算法。

基于GWO-KELM模型的变压器油纸套管典型绝缘故障辨识方法

油浸式套管是变压器的重要组成部件,其安全运行与整个电网的稳定性息息相关。分别制作零屏受潮、金属杂质、末屏破损和末屏未接地共4类套管内部或安装过程中的典型故障,利用现有检测手段,实现套管典型缺陷的故障特性分析。建立了适用于4类典型套管故障辨识的GWOKELM算法模型,通过灰狼优化后,KELM诊断正确率从75%上升至95.8%,得到了明显的提升。依据正确率和训练时间这2个指标,对优化后算法与传统机器学习算法的进行对比,结果表明:优化后的分类结果和训练时间均表现优异,灰狼优化后KELM仍然保持了高泛化、低计算复杂度的优点,在所搭建的故障分类案例中表现优异。

多端直流电网的非边界依赖型线路故障辨识方案

为实现在网孔结构多端直流电网中仅利用本地测量信息进行故障辨识,本文提出一种基于多频带能量分布特征和模式识别技术的故障辨识方案。首先,利用小波包将故障暂态量分解为多能量频带,然后构建深度置信网络模型来分辨不同频带能量分布之间的差异性,模型分辨出的故障数据组可对应不同的故障类型,结合具有方向识别功能的启动判据形成一套完整的非边界依赖型直流线路故障辨识方案。仿真结果表明,该方案能快速、有效地辨识区内、区外故障。

基于GWKNN算法的风力发电机组内部短路故障辨识系统

风力发电机组内部短路故障特征模式多且复杂,导致故障辨识质量下降,该文研究基于GWKNN算法的风力发电机组内部短路故障辨识系统。由电源模块、显示模块、通信模块、控制模块、采集模块、存储模块搭建系统硬件架构,以保证系统控制、数据采集、供电、存储、显示、通信功能的实现。在系统硬件的支持下,采用GWKNN算法获取内部短路故障特征值的异常搜索因子以及特征模式,实现风力发电机组内部短路故障辨识算法设计。分析测试结果可知,该系统的主要模块功能均达到了预期设计目标,能快速、准确地辨识出短路故障信号与类型,平均辨识时间仅需3.99 s,证明所构建的系统应用效果好,能满足实际应用需求。