基于多尺度数学形态学和高低频能量比值的海上风电场内部瞬态过电压特征分析

目前,海上风电场集电系统因电气设备频繁操作或故障所引起的高频瞬态过电压尤为严重。为识别不同类型下海上风电场内部过电压的瞬态特性,该文首先提出一种多尺度数学形态学信号特征提取方法,构建形态学结构元素新算子,运用多尺度数学形态分解方法提取瞬态过电压的高低频成分,构建适用于识别海上风电场内部瞬态过电压类型的时域特征量。再基于所构造的高频特征量和高低频能量比值识别特征量,结合支持向量机分类器模型对典型的内部瞬态过电压分类识别。仿真和试验研究表明,所提出的数学形态学算法相对于传统的小波算法,构造的特征量区分度更明显,可以准确地识别过电压类型,为海上风电场变电站电气设备的电压保护整定和绝缘配合奠定基础。

基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法

准确、快速的海底电缆故障分类是海上风电场运维的重要一环。该文提出一种基于改进稀疏表示的海上风电场交流海底电缆短路故障分类方法,该方法综合利用故障发生后半周波电流信号的时域特征作为故障分类依据,采用K次奇异值分解(K singular value decomposition,K-SVD)字典学习算法对各类故障信号的特征信息进行学习,构造出准确匹配各类故障本质特征的过完备字典。在学习字典的基础上,提出一种基于混合交替方向乘子法(mixed alternating direction method of multipliers,M-ADMM)的改进稀疏分解算法将故障信号分解为过完备字典与稀疏向量的乘积,结合基于稀疏表示的分类方法实现对故障重构信号的分类。仿真研究结果表明,该改进稀疏分解算法具有精确的信号重构、降噪效果。所提出的故障分类方法无需人工构造故障信号特征,避免了多工况故障信号特征筛选、时频域变换等繁琐流程。与SVM、CNN、LSTM等智能分类算法的对比结果表明,该方法具有较强自适应性的同时不易受故障时刻、故障位置影响且噪声鲁棒性强,可以准确识别海底电缆场景下低阻短路故障类型。

基于PCA-PNN-LVQ的电压跌落扰动源辨识方法

提出了一种基于PCA-PNN-LVQ的电压跌落扰动源分类辨识模型。该模型基于模拟电压跌落数据,利用主成分分析(principal component analysis,PCA)对数据进行降维,基于深度学习方法概率神经网络(probabilistic neural network,PNN)提取数据特征,利用学习向量量化(learning vector quantization,LVQ)对电压跌落类型进行分类。仿真实验表明,该模型能有效识别电压跌落类型。与其他仅使用PNN、PCAPNN和PNN-LVQ的模型相比,该模型对其中电压跌落源的识别精度最好。PCA-PNN-LVQ方法在中小型样本数据集上具有较好的性能。