基于物联网技术的电力铁塔抱杆拉力测量装置的研究

为了解决电力铁塔施工过程中抱杆拉线拉力不均的问题,设计了一种基于物联网技术的拉线拉力实时检测装置,并详细说明了其系统结构和软硬件配置。设计充分考虑了施工的实际情况,比较各种无线通信方法后,选择利用433 MHz无线通信技术实现采集信息的无线传输。结果表明,该设计方案能够准确地持续监测多个远距离目标的拉力值,大大提高了电力铁塔施工的安全性。

基于小波包能量熵和DBN的MMC-HVDC输电线路单极接地故障定位方法

可靠精确的故障定位技术对MMC-HVDC输电系统的稳定运行至关重要。针对高阻接地故障的定位精度低的问题,提出了一种基于小波包能量熵(wavelet packet energy entropy,WPEE)和深度信念网络(deep belief network,DBN)的输电线路单极接地故障定位方法。通过对不同条件下故障波形中所包含的故障信息进行分析,运用小波包能量熵提取双端故障电压波形中深层故障特征并构造新的特征矩阵。基于新的特征矩阵搭建DBN模型并通过粒子群寻优(particle swarm optimization,PSO)算法对其模型参数进行寻优,最终利用DBN回归机制实现精确的故障定位。利用电磁暂态仿真软件PSCAD/EMTDC搭建了±250 kV双端MMC-HVDC系统模型并在线路上进行不同位置、不同过渡电阻的单极接地故障模拟仿真。为了对比测试模型的定位精度性能,与基于支持向量机(support vector machine,SVM)的故障定位方法相比较。实验结果表明,该方法在20 kHz的低采样频率下可以精准可靠地定位过渡电阻高达4000Ω以内的直流线路单极接地故障。

基于最优特征训练支持向量机的MMC-HVDC输电线路故障检测方法

准确辨识MMC-HVDC系统的线路故障类型对于快速恢复故障线路正常运行有着重要的意义,但高阻接地故障一直是识别的难点。为此,提出了一种基于支持向量机的故障类型检测方法。该方法利用经验模态分解提取故障电压信号中的若干个高频模态量,通过粒子群优化算法寻找各个模态量的最优权值后重构波形信号作为特征样本训练分类模型。仿真结果验证,利用优化样本训练出的分类模型可以在低采样频率和较少故障波形采样点的情况下完成对不同类型故障的准确识别。