基于VMD-LSTM的小电流接地系统故障选线方法

提出一种基于VMD-LSTM的故障选线方法。首先通过VMD算法将各出线零序电流分解为表征其特性的高、中、低频分量,分时段计算各分量能量值,并依次输入到LSTM神经网络中,通过建立各分量能量随时序变化特征与故障线路的联系,从而实现故障选线。仿真结果表明,该方法不受故障初始相角、接地电阻以及故障距离等因素影响,且在有噪声干扰、异步采样和采样频率较低时依然可以取得良好的选线效果。

基于配电自动化故障管理的配电网扩展规划方法

针对现阶段配电网规划过程中面临的可靠性问题,提出一种基于配电自动化故障管理的配电网扩展规划方法。首先对配电自动化的故障管理功能进行介绍;其次根据配网公司的盈利性,以其自身利益最大化建立目标函数,决定线路建设、变电站位置和容量,从而提出一种基于配电自动化的配电网扩展规划模型;然后针对所提模型和所研究的规划问题,采用遗传算法对其进行求解,并对配电系统可靠性进行评估;最后,基于仿真算例验证了所提规划模型的有效性。

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM(long short-term memory)神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。

基于VMD-DTW聚类的配电网故障选线方法研究

提出了一种基于VMD-DTW聚类的小电流接地系统故障选线方法.通过变分模态分解法(VMD)提取和增强原始信号,而后引入动态时间归整法(DTW)实现不同线路零序电流相似性测度和聚类,根据聚类结果区分故障线路和健康线路,从而实现故障选线的目的.最终的仿真试验结果证明,本文所提方法在不同场景下的适应性较强,特别是在接地电阻大、消弧线圈电抗较高等故障特征较弱的场景中可以提升故障选线的准确率.同时,该方法具有较强的鲁棒性,当初始信号采样频率和采样存在噪声时依然可以准确地选定故障线路.