基于波形分区重构的变压器励磁涌流与故障电流识别方法

励磁涌流是影响差动保护正确动作率的重要因素,在电力变压器中时常发生,而大故障电流导致的电流互感器饱和也会对差动保护造成影响。为了提高差动保护的可靠性,该文提出一种基于波形分区重构的变压器励磁涌流与故障电流识别方法。首先分析了变压器励磁涌流和电流互感器饱和的波形特性,提出了将差动电流分区和重构的思想。基于此,采用小波系数能量与二阶导数能量作为联合判据,将差动电流划分为线性区和饱和区并重构。然后根据波形趋势构造了幅值的绝对值之比,利用该比值决定判断变压器是否发生了故障。最后,通过大量的仿真测试、各场景下的波形分析以及与传统方法的对比,证明了所提方法的有效性、优越性。

基于CBAM-FCN的高压输电线路发展性故障识别方法

高压输电线路的发展性故障往往受运行状态和故障发展过程的影响,给故障甄别和保护决策造成困难。为了准确识别高压输电线路的发展性故障,保证继电保护装置动作的正确性,将全卷积神经网络(fully convolutional network,FCN)与卷积注意力模块(convolutional block attention module,CBAM)相结合,提出一种基于CBAM-FCN的发展性故障识别方法,通过在传统全卷积网络中引入CBAM模块,使神经网络能够聚焦于故障波形的突变、幅值等重要特征,忽略无关干扰。此外,所提方法能够输出表征故障状态变化的一维时序序列,实现对输电线路发展性故障的全过程识别。最后大量仿真验证了所提方法的抗噪性能和泛化能力,并通过可视化技术展示了网络模型的可解释性。

基于深度字典学习的输电线路故障分类方法

针对当前输电线路故障分类识别方法存在的阈值整定复杂、人工智能算法可解释性不足等问题,提出了一种基于深度字典学习的输电线路故障分类方法。该方法利用稀疏性约束驱动字典自动提取样本中的故障特征,同时深度字典结构使得所提取的故障特征具有较好的层次性和物理含义,符合人对故障的直观认识,一定程度上解决了数据驱动型方法可解释性不足的问题。最后,通过PSCAD/EMTDC仿真验证了所提方法的有效性。