随着大量新能源的接入,使得多端柔性直流系统(modular multilevel converter based multi-terminal direct current, MMC-MTDC)故障特征愈加复杂,快速准确的故障识别与测距是亟需解决的关键难题之一。为此,提出了一种风-光-储-蓄互补发...随着大量新能源的接入,使得多端柔性直流系统(modular multilevel converter based multi-terminal direct current, MMC-MTDC)故障特征愈加复杂,快速准确的故障识别与测距是亟需解决的关键难题之一。为此,提出了一种风-光-储-蓄互补发电站经柔性直流输电外送系统故障识别与测距方法。首先,搭建风-光-储-蓄互补发电站经柔直外送系统,在此基础上,提出了一种Teager能量算子能量熵的新方法,利用测量点正负极Teager能量算子能量熵的比值构建故障选极及区段识别判据。接着,针对已识别的故障线路,提出变分模态分解(variational mode decomposition, VMD)与Teager能量算子(teager energy operator, TEO)相结合的故障测距方法。最后,利用PSCAD/EMTDC进行仿真,结果表明所提识别方法可以准确判断故障所在线路,所提测距方法能在故障发生2 ms时间窗内实现故障测距,误差率不超过2.55%,并具有较高的耐过渡电阻能力。展开更多
针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional...针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional gate recurrent unit,BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。展开更多
光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量...光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine,SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine,PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine,GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine,SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine,GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine,WOA-SVM)算法。首先,六种SVM混合算法都克服了SVM诊断结果易受参数初始值影响的缺点,识别精度相较传统SVM算法都有所提升,但是识别时间都增加。其次,7种算法中SCSO-SVM识别效果最好,克服了SVM易受参数初始值的影响,相较SVM识别精度提高了约9.4594%;是因为更能有效找到SVM惩罚因子和核函数参数。然后,对于同一种算法而言,算法的识别精度是随输入特征减少而降低的,是因为输入特征越少,越不能有效表征光伏组件在不同故障类型下的输出属性。但算法的识别时间却不是随输入特征减少而减短。所以选取合适的输入特征才能兼顾算法的故障识别准确率和效率。最后,发现七种算法的识别效果依赖于数据集的影响。原因可能是各个算法参数选择过多导致泛化性有差异,且依赖参数初始值选择。展开更多
文摘随着大量新能源的接入,使得多端柔性直流系统(modular multilevel converter based multi-terminal direct current, MMC-MTDC)故障特征愈加复杂,快速准确的故障识别与测距是亟需解决的关键难题之一。为此,提出了一种风-光-储-蓄互补发电站经柔性直流输电外送系统故障识别与测距方法。首先,搭建风-光-储-蓄互补发电站经柔直外送系统,在此基础上,提出了一种Teager能量算子能量熵的新方法,利用测量点正负极Teager能量算子能量熵的比值构建故障选极及区段识别判据。接着,针对已识别的故障线路,提出变分模态分解(variational mode decomposition, VMD)与Teager能量算子(teager energy operator, TEO)相结合的故障测距方法。最后,利用PSCAD/EMTDC进行仿真,结果表明所提识别方法可以准确判断故障所在线路,所提测距方法能在故障发生2 ms时间窗内实现故障测距,误差率不超过2.55%,并具有较高的耐过渡电阻能力。
文摘针对高压直流(high voltage direct current,HVDC)输电线路故障暂态行波具有时序性和强非线性的特点,导致高过渡电阻情况下故障识别率低的问题,提出基于卷积神经网络(convolutional neural networks,CNN)和双向循环门单元(bidirectional gate recurrent unit,BiGRU)的HVDC输电线路故障识别方法。首先,采用故障后整流侧的双极暂态电流行波作为特征向量,利用CNN提取全局特征,并从中剔除噪声和不稳定成分,完成对数据的降维处理。然后,采用BiGRU来捕获CNN提取到特征的前后时间信息,进一步提取数据中的时序特征,以实现HVDC输电线路故障识别。仿真结果表明:该方法可在不同故障地点以及不同过渡电阻下对单极接地、双极短路、雷击故障、雷击干扰共四种故障实现准确识别,可靠性高,具有较强的耐受过渡电阻能力,同时具备一定的抗噪性能。
文摘光伏阵列通常被安装在恶劣的室外环境中,因此在运行过程中易发生故障。为了准确识别光伏阵列的故障类型,提出沙猫群优化支持向量机(sand cat swarm optimization support vector machine,SCSO-SVM)用于光伏组件故障识别,且对比支持向量机(support vector machine,SVM)、粒子群优化支持向量机(particle swarm optimized support vector machine,PSO-SVM)、遗传优化支持向量机(genetic optimized support vector machine,GA-SVM)、麻雀优化支持向量机(sparrow optimized support vector machine,SSA-SVM)、灰狼优化支持向量机(gray wolf optimized support vector machine,GWO-SVM)和鲸鱼优化支持向量机(whale optimized support vector machine,WOA-SVM)算法。首先,六种SVM混合算法都克服了SVM诊断结果易受参数初始值影响的缺点,识别精度相较传统SVM算法都有所提升,但是识别时间都增加。其次,7种算法中SCSO-SVM识别效果最好,克服了SVM易受参数初始值的影响,相较SVM识别精度提高了约9.4594%;是因为更能有效找到SVM惩罚因子和核函数参数。然后,对于同一种算法而言,算法的识别精度是随输入特征减少而降低的,是因为输入特征越少,越不能有效表征光伏组件在不同故障类型下的输出属性。但算法的识别时间却不是随输入特征减少而减短。所以选取合适的输入特征才能兼顾算法的故障识别准确率和效率。最后,发现七种算法的识别效果依赖于数据集的影响。原因可能是各个算法参数选择过多导致泛化性有差异,且依赖参数初始值选择。
