低压开关重复跳闸预防及故障电缆快速识别装置的研制

为降低低压开关重复跳闸的次数，并提高含有分支箱节点的低压电缆抢修效率。本文提出了一种新型装置，该套装置可在用电负荷高峰期或者开关跳闸后未发现故障时，装设在分支箱内的电缆上一定时间，监测电缆的运行情况，进而预防负荷超容引起的重复跳闸，以及在开关跳闸发生后能快速识别故障电缆。最后通过实验室试验和现场试验，证明了本装置可达到预期效果，具有较好的应用前景和推广价值。

非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。

基于深度学习算法的大型飞机电缆故障识别

为了提高大型飞机电缆故障识别效果,提出了基于深度学习算法的大型飞机电缆故障识别方法。首先利用S变换方法获取大型飞机电缆信号的复时频矩阵,利用熵和奇异值分解理论提取复时频矩阵的特征向量,将特征向量作为深度学习网络的输入、大型飞机电缆故障作为输出;然后采用随机梯度下降法更新深度学习网络的权重参数、偏置参数,从而建立大型飞机电缆故障精准识别模型;最后对大型飞机电缆故障识别实例进行了分析,分析结果表明,在含有白噪声的情况下,深度学习算法的电缆故障识别精度仍高于99%,识别误差控制在有效范围内,具有较高的实际应用价值。

基于DAE-IPSO-SVM的电缆早期故障识别方法

电缆早期故障是发生在中压配电系统中的一种间歇性的电弧故障,持续时间短且自清除,通常不能被继电保护装置识别,最终发展成为永久性故障。因此,为识别并及时清除电缆早期故障,提出一种基于降噪自编码器-改进粒子群算法-支持向量机(DAE-IPSO-SVM)的电缆早期故障识别方法。首先,使用DAE对馈线首端的电流信号进行数据维度压缩和数据特征提取,采用IPSO对SVM进行优化,优化参数的SVM被用于电缆早期故障分类识别。利用PSCAD/EMTDC仿真软件搭建中压配电网模型,在不同的故障位置和场景以及多种过电流扰动条件下进行了仿真测试,结果表明该方法能够有效识别电缆早期故障信号,检测精确度高,对噪声具有较强的鲁棒性,具有较高的工程应用价值。

射频工程师的理想工具——万用射频测量仪

本文介绍了手持式便携频谱分析仪FSH3的结构原理和技术特点,以及FSH3在信号的频谱分析、功率测量、传输特性和反射特性的测量、射频电缆故障点识别、干扰信号定位等方面的应用。