YOLO网络配电网故障选线方法

针对现有的配电网故障选线困难的问题,提出一种基于YOLO网络的配电网故障选线方法。首先,使用三相电流构建极坐标二维图像,充分提取特征信息;之后,对各线路三相电流的极坐标图像进行像素级融合,并以不同颜色区分,在进一步加强图像特征的同时,降低原始图像的冗余度;最后,使用YOLO神经网络对融合图像进行特征提取,训练得到最优的模型文件,利用该模型实现故障选线。将该方法与现有的故障选线结果进行对比,结果表明,该方法选线准确率可以达到99.95%,选线时间12.9 ms,明显优于其他故障选线方案,且该方案不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网故障选线的准确度和可靠性需求。

基于信号图像化和CNN-ResNet的配电网单相接地故障选线方法

配电网发生单相接地故障时,零序电流呈现较强的非线性与非平稳性,故障选线较为困难,针对此问题,提出一种基于信号图像化和卷积神经网络-残差网络的配电网单相接地故障选线方法。首先,利用排列熵优化变分模态分解算法的参数,将零序电流信号分解成一系列固有模态函数;其次,引入新的数据预处理方式,将固有模态函数转成二维图像,获得零序电流信号的时频特征图;最后,利用一维卷积神经网络提取零序电流信号的相关性和特征,利用残差网络提取时频特征图的特征,将两个网络融合,构建混合卷积神经网络结构,实现故障选线。仿真与实验结果表明,该方法能够在高阻接地、采样时间不同步、强噪声等情况下准确地选择出故障线路,可满足配电网对故障选线准确性和可靠性的需求。

基于IHHT‑RF的配电网单相接地故障选线方法

小电流系统发生单相接地故障时故障特征易受高接地过渡电阻、小初相角等弱故障条件影响而导致选线准确率低。为此,提出一种基于改进希尔伯特黄变换—随机森林(improved Hilbert⁃Huang transform⁃random forest,IHHT⁃RF)的配电网单相接地故障选线方法。首先,提取每条线路在故障发生时的电流暂态信号,通过IHHT提取纯净的暂态电气量,构造标准差、能量熵和幅值畸变度3类特征向量;然后,将特征向量输入RF分类器建立故障选线模型,把故障选线问题转化为二分类问题;最后,将测量数据输入RF分类器中得出分类结果,实现故障线路的自动识别。仿真结果表明,该选线方法综合利用暂态信号的幅值、频率和能量等特征信息,不受弱故障条件、馈线结构等因素的影响,能有效提高故障选线的准确率,具有较强的适应性和可靠性。

混合数据驱动的轻量化YOLOv5故障选线方法

针对传统选线方法精度低、实时性差、易受噪声干扰的问题,提出一种混合数据驱动的轻量化YOLOv5选线方法,简记为MSE-YOLOv5。首先,以零序电流作为区分故障线路与非故障线路的判断依据,为了增强二者间数据对比差异性,利用小波变换将零序电流信号映射为二维时频图;其次,为了扩充样本数量,利用搭建的小电流接地系统仿真模型,通过改变故障点位置、初相位以及接地电阻等参数生成仿真数据,与真实数据构成混合数据集;然后,为了减少选线时背景噪声对微弱故障信号特征的影响,在所搭建检测网络的颈部网络中引入通道注意力模块,从而增强故障特征的表达能力;最后,为了提高选线实时性,在网络中引入轻量化网络以减少其参数量与运算量。为了验证所提出方法的优势,利用某变电站真实故障数据进行测试,并与4种经典算法进行比较。结果表明:所提混合数据驱动的轻量化YOLOv5故障选线方法具有较高精度,其选线精度可达95.2%,即使在噪声干扰条件下,选线精度依然可以保持在90%以上;具有更轻的体量及更快的选线速度,参数量下降至原网络的1/5,计算量下降至1/7,检测速度可达7.7 ms。因此,混合数据驱动的轻量化YOLOv5故障选线方法具有体量小、速度快、精度高的优点,有利于后期将其部署到现场设备中。

融合稳态和暂态特征量的接地故障选线方法研究

单相接地故障是配电网运行时发生概率最高的故障,但接地时存在电气故障特征弱、外界干扰大的情况,使得配电网存在接地选线困难的问题。对此,提出基于稳态和暂态故障特征量相融合的配电网接地选线方法,分析单相接地时接地故障线路与非故障线路对地电容电流突变量五次谐波分量在幅值和相位上的差异性,利用经验小波变换提取故障零序电流的低频分量综合相关系数和高频分量相对权重系数,并利用模糊神经网络实现融合特征量与故障的非线性映射诊断。建立配电网接地故障仿真模型,通过多重干扰下的选线对比分析,验证了本文方法的有效性和优越性。

基于改进巴氏距离算法的配电网故障选线方法

本文提出一种基于改进巴氏距离算法的故障选线方法,首先通过Hilbert变换将信号转换为极坐标形式,以幅值和相位作为参数,构建离散概率分布函数,最后采用改进的巴氏距离算法求取平均BD值作故障选线判据,并通过判断各信号采样点数最多的相位区间是否一致来识别母线故障。仿真表明具有较好的故障选线效果,选线结果不受故障线路电阻、故障位置等因素影响,适用性较强。

并阻尼谐振接地系统对地参数测量与高阻故障选线新方法

针对谐振接地系统对地参数测量不准确以及高阻接地故障选线困难的问题,提出了并阻尼谐振接地系统对地参数测量与高阻故障选线新方法。基于消弧线圈并联阻尼电阻的投切特性,利用投切阻尼电阻前后零序电压幅值与相位的变化关系,测量系统对地电导与电容参数。在系统正常运行时,通过调整并联阻尼电阻值大小,测量各馈线零序导纳值。在发生接地故障后退出阻尼电阻,测量故障后各馈线零序导纳值,可消除系统参数不对称、互感器采样不同步的影响,主动构造故障前后各馈线的零序导纳相角差,实现故障线路的准确判别。在PSCAD仿真环境下对所提方法进行验证,结果表明:所提方法能够精确测量对地电导与电容参数,测量相对误差不高于0.6%;在不同馈线、不同过渡电阻下发生接地故障时,能准确判别故障线路,耐过渡电阻能力达10 kΩ。

基于改进Hough变换的消弧线圈接地配电网故障选线新方法

针对配电网在电压过零点和高阻故障时刻选线不准确的问题,提出一种适用于谐振接地系统单相接地故障的选线新方法,利用优化后的变分模态分解对各馈线零序功率进行处理,遴选出与原始零序功率相关强度最高的本征模态函数IMF(k),将IMF(k)转换为JPG格式的二维图像,再利用Hough变换检测技术,得到故障起始阶段IMF(k)的拟合直线及夹角;对各支路模态量拟合直线夹角进行比对处理,将最小综合相关系数值对应的馈线确定为故障馈线;仿真结果表明:该方法不受接地电阻、故障相角、噪声干扰、数据缺失等因素的影响,验证了所提方法的有效性。

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。

基于零序信号全波形识别的小电流接地系统故障选线方法

小电流接地系统发生单相接地故障时,故障电流微弱,暂态特征复杂,导致现有选线方法正确率偏低,可靠性较差。该文提出了一种基于零序信号全波形识别的选线方法。首先,介绍了基于故障信号全波形识别的通用方法,指出从波形的角度认识并识别信号,可以充分利用信号的全部故障信息;其次,选取母线电压和所有馈线电流波形作为待识别信号,并根据电流波形分布特征自适应捕捉信号中特征差异最明显的波形进行故障识别,提出了基于故障信号全波形识别的选线方法;然后,利用改进后的全卷积神经网络来识别不同信号波形,并基于Dice系数对识别出的故障信号波形进行可信赖性评价。最后,PSCAD仿真和真型实验测试结果表明该方法具有很高的选线正确率和可靠性。

基于VMD和改进聚类算法的配电网故障选线方法

为提高小电流接地系统单相接地故障的选线准确率,设计了一种基于调幅调频函数的变分模态分解VMD(variational mode decomposition)与K-means++聚类算法相结合的故障选线方案。对故障发生后各条线路零序电流信号进行VMD分解,得到多个自适应频带特征的本征模态函数;构造以低频分量的波形相关系数为横坐标和以高频分量初始极性为纵坐标的二维平面,在该二维平面绘制代表各出线的散点分布图;最后通过K-means++聚类算法对所构造的散点点集进行聚类分析,利用代表故障线路的散点属于离群点的特点,筛选出故障线路。通过Pscad软件进行仿真验证,结果表明,该故障选线方法不受条件改变的影响,能够实现对故障线路的准确识别,具有较好的抗噪能力。

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于PCA和EEMD的柔性直流配电网故障选线算法

柔性直流故障选线技术的发展对直流配电网有着至关重要的作用。本文针对现有柔性直流故障存在的可利用的故障信息较少等问题,提出了一种新算法,该算法有效利用了集合经验模态分解EEMD(ensemble empirical mode decomposition)算法、主成分分析PCA(principal component analysis)和相关系数各自的优势。首先,提取暂态电流样本信号,采用EEMD得到以正交基函数表示的数据矩阵;接着,基于PCA进行该矩阵元素特征向量到主成分的转换,将样本信号投影到主元空间实现坐标变换,从而得到对样本数据的聚类和识别结果;最后,基于相关系数进行故障线路判别。本文算法的EEMD揭露了原始历史数据的内在变化规律,PCA能够有效选择故障有效特征。大量实验表明,该新算法准确有效,与现有其他方法相比,在故障信息不明显、不同过渡电阻方面具有优势。

基于域自适应迁移学习的有源配电网故障选线方法

基于数据驱动的人工智能模型,特别是卷积神经网络在配电网故障诊断领域取得了优异的表现。然而卷积神经网络严重依赖海量数据,模型性能会因数据量的减少而严重下降。为此,提出了一种基于域自适应迁移学习的有源配电网故障选线方法。首先,构造了一种嵌套注意力机制的卷积神经网络,提取有源配电网暂态零序电流的故障特征。然后,采用域自适应迁移学习方法,利用最大均值差异函数降低源域和目标域数据之间的分布差异,有效解决少样本故障选线问题。最后,在Matlab/Simulink中搭建不同运行方式的有源配电网对所提方法进行测试验证。结果表明,所提方法可在少样本情况下实现高精度、鲁棒性的有源配电网故障馈线识别。

灵活接地系统小电阻退出暂态特征及对暂态故障选线方法影响

灵活接地系统发生高阻接地故障时,中性点小电阻并联阶段保护往往拒动,仍需考虑小电阻退出时的暂态特征对已有暂态故障选线方法的影响。并联小电阻退出时伴随一定的暂态过渡过程,文中针对此过程建立灵活接地系统单相接地故障暂态等值电路。分析了并联小电阻退出时系统各暂态电气量特征、不同故障情况对暂态电气量幅值的影响、暂态零序电流与暂态零序电压的约束关系,明确并联小电阻退出后暂态量对暂态故障选线方法稳定性的影响。当灵活接地系统高阻接地故障小电阻退出时,产生的暂态电气量将导致暂态幅值比较法、暂态极性选线法、暂态功率方向法误动,但暂态零序电流投影法选线正确,仿真验证了分析结果的正确性。

注入电流分布特性辨识的配电网故障选线方法

针对谐振接地系统单相接地故障特征微弱,基于故障特征的选线方法灵敏度和可靠性降低的问题,提出一种主动注入信号辨识的故障选线方法。首先,推导了注入电流受线路对地导纳影响下的分布特性,利用此分布特性构造选线判据。然后,从不同角度分析了注入信号对系统运行的影响,选择适宜参数的注入信号。考虑降低注入频率能够提高主动注入式选线方法的耐过渡电阻能力,故选择注入低频信号。测量注入信号后各条馈线的零序电流,选择稳态零序电流时间窗,利用Prony算法辨识各条线路零序电流中25 Hz电流幅值完成故障选线。最后,Pscad仿真和现场实测波形验证结果表明,该方法在不同故障场景下均能准确实现故障选线,且具有良好的耐过渡电阻能力。

基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法

根据故障线路与非故障线路的故障特征,提出一种基于模糊熵和离散Fréchet距离的小电流接地系统故障选线方法。利用完备集合经验模态分解(CEEMDAN)对各线路暂态零序电流进行分解,并根据峰度和连续均方误差选取特征IMF分量。对各线路特征IMF分量求取相关系数,构造相似特征矩阵,判断其是线路故障或是母线故障。若为线路故障,则对各线路特征IMF分量进行模糊信息粒化,将各线路粒化后的三组Low,R,Up分别混合叠加,并求取离散Fréchet距离,结合隶属函数,求取加入复杂影响因子的模糊熵,构造复杂特征矩阵;利用双重特征矩阵进行故障选线。经过大量的仿真分析证明了该选线方法的准确性,同时不受过渡电阻和故障合闸角的影响,且抗噪能力强。

基于多故障特征融合的直流配电网单极故障选线方法

为保障直流配电网的可靠运行,提出一种基于多故障特征融合的单极故障选线方法。首先,分析直流配电网单极接地故障后各馈线零模电流及母线零模电压的特征;其次,利用各馈线的零模电流波形、零模电流与母线零模电压间夹角及能量大小的差异,构造零模电流相关性、零模电流与母线零模电压夹角余弦及能量相对熵3种判据;最后,利用模糊理论实现3种选线判据的融合,将故障测度最大的馈线判定为故障馈线。PSCAD仿真验证表明,该方法可克服单一选线方法的局限性,有效提高故障选线可靠性。

基于图像融合和双通道卷积神经网络的配电网故障选线方法研究

针对传统的配电网故障选线方法受限于单一的故障诊断模型,提出一种基于图像融合和双通道卷积神经网络的配电网故障选线方法。研究目的是解决现有方法在面对高阻接地、噪声干扰、分布式电源接地、采样时间不同步等复杂工况时的准确性问题。首先,利用格拉姆角和场和格拉姆角差场将零序电流信号转成易于区分故障的二维图像,为图像处理提供了基础。其次,通过图像融合技术将GASF图像和GADF图像进行空间域图像融合,得到一张综合特征图像,充分利用了不同图像的特征,提高了特征表达的丰富性和有效性。接着,构建双通道卷积神经网络模型,其中一维卷积神经网络和ResNet50网络分别用于挖掘零序电流信号和格拉姆角场图像的特征。这种设计充分发挥了不同卷积神经网络在处理一维信号和二维图像时的优势。最后,将融合后的特征输入到Sigmoid函数实现故障线路的筛选。实验结果表明,该方法在各种复杂工况下的表现均优于传统方法,其准确率、Kappa系数、马修斯相关系数、召回率分别达到了99.97%、0.9993、0.9993、0.9995。这些结果表明,该方法不仅具有较高的准确性,还具有良好的鲁棒性和稳定性,能够有效应对高阻接地、噪声干扰、分布式电源接地和采样时间不同步等实际应用中的挑战。提出的方法为配电网故障选线提供了一种新颖且高效的解决方案,具有重要的实际应用价值和广泛的推广前景。

基于变分模态分解与空洞卷积神经网络的配电网故障选线方法

小电流接地系统发生单相接地故障时,零序电流故障特征微弱且繁杂多变,传统选线方法可靠性有待提高。提出了一种基于变分模态分解(variational mode decomposition,VMD)与空洞卷积神经网络的配电网故障选线方法。首先,分析配电网健全线路和故障线路的电气特征,采用零序电流作为故障特征信号,为选线模型的输入量提供理论依据;其次,通过变分模态分解把零序电流序列分成不同频率的固有模态函数,提高故障信号特征的平稳性和差异性;然后,采用空洞卷积神经网络作为选线网络,以增大卷积操作感受野的方式增强模型的自适应分类能力;最后,在MATLAB/Simulink中构建10kV配电网进行算例分析,结果表明,该方法在不同故障场景条件下均有较高的选线效果,验证了所提方法的鲁棒性与准确性。