10kV电缆插拔式终端拆卸问题研究及对策

由于随着我国市政基础设施的快速发展,特别是10kV配电线路的广泛应用,电缆的使用率迅速上升。而随之而来的问题是,配网电缆插拔终端的数量也在不断增加。这就给设备维修和测试工作带来了一定的困扰,因为在进行设备维修和测试时,必须将电缆与设备分离。然而,在拆除过程中,电缆插拔终端的拆装过程变得非常困难。本文通过研究10kV电缆插拔式终端拆卸问题,分析了其存在的安全隐患和操作困难,提出了解决方案和对策。通过对比不同的终端拆卸方法和现有问题的分析,总结出了可行的改进方案,为提高10kV电缆插拔式终端的拆卸效率和安全性提供了指导和建议。

基于特征融合并行优化模型的电能质量扰动分类方法

为了提高对复杂电能质量扰动(power quality disturbances,PQDs)的分类准确率,该文提出一种基于特征融合并行优化模型的PQDs分类方法。该方法以特征融合的方式,使用全卷积神经网络(fully convolutional networks,FCN)和长短期记忆网络(long short-term memory,LSTM)并行挖掘PQDs在空间和时序上的高维特征,并提出全局最大池化(global max pooling,GMP)和时间序列重组(time series reshape,TSR)优化,提升模型的分类性能。为了验证所提方法的有效性,该文基于Keras框架搭建分类模型,建立含72类扰动的PQDs数据库并进行仿真实验,所提方法在20dB白噪声环境中平均分类准确率可达92.38%,相较于其他主流深度学习分类方法有更高的噪声鲁棒性和分类准确率。另外,对硬件平台所采样的10类PQDs进行分类测试,共100组实验信号均得到正确分类,该结果进一步验证了所提方法的可靠性。

基于张量重构融合诊断的电动汽车直流充电桩开路故障诊断方法

电动汽车充电桩的开路故障影响电网电能质量、威胁充电安全,研究开路故障诊断对保障电网安全稳定运行、降低充电桩维护成本具有重要意义。针对充电桩开路故障信号多维度特点,该文提出一种张量重构融合诊断方法。该方法分别利用残差网络(residual network,ResNet)的多维特征并行提取能力和门控循环单元(gated recurrent unit,GRU)的时序特征提取能力,提取充电桩充电模块电路中前、后级故障特征,并对前、后级特征进行融合诊断,实现了充电桩中充电模块前、后级故障的较高精度诊断。提出的基于张量重构的前级三相故障数据预处理方法,避免了传统深度学习算法使用的图像化输入或一维输入,充分发挥了深度神经网络的并行诊断性能。与传统的故障诊断方法相比较,所提方法使用深度学习技术,无需人为选定故障特征参数。仿真证明所提方法对不同强度噪声影响下的故障数据平均诊断准确率可达96%以上,特别是在信噪比(signal-noise ratio,SNR)10dB的高噪声情况下,依然具有90%以上准确率,在实验测试中该方法准确率达94.54%,进一步验证了该方法的有效性。

基于可视化轨迹圆和ResNet18的复合电能质量扰动类型识别

为逐步实现新型电力系统,大量电力电子元器件被投入电网使用。由此引起的电能质量问题愈发严重,主要表现为电能质量扰动类型复合化,并造成传统识别算法适用性降低。针对这一问题,该文采用可视化轨迹圆技术,将一维扰动信号转换为具有明显形状特征的二维轨迹圆,并输入到深度残差网络进行自主的特征学习并分类识别。首先,对复合电能质量扰动信号进行希尔伯特变换得到基于采样时间的包络线序列;然后,以瞬时幅值为极径,以瞬时相位为对应极角,在极坐标上得到轨迹圆图像;最终将轨迹圆输入到Res Net18中训练学习并通过最优网络模型实现分类识别。为验证该算法的有效性,该文同时利用仿真和实验进行扰动信号分类,结果表明该方法能有效克服传统方法特征选择主观性强、抗噪性能差等缺点,可以更好地提取复合电能质量扰动特征信息,对复合电能质量扰动识别率高。