基于小波变换和GA-BP神经网络的电力电缆故障定位

由于电力电缆敷设于地下,当发生故障时难以快速且准确定位,出现了故障定位问题。因此,提出一种基于小波变换和遗传算法反向传播(Genetic algorithm back propagation,GA-BP)神经网络的电力电缆故障定位方法,在分析对比各小波能量集中程度和波动次数的基础上,选择多贝西小波(Daubechies wavelet 6,Db6)作为小波基函数,对于各故障位置,采集正向故障行波的α模分量,并对其进行小波分解。选取在d1尺度下的模极大值点作为特征值,同时将故障距离作为标签值,从而构建了训练和测试样本数据集;利用遗传算法(Genetic algorithm,GA)的种群进化和全局最优搜寻能力来改善误差逆传播(Back propagation,BP)网络对初始权重敏感的缺点,并使用优化后的权值、阈值重新对BP神经网络进行训练和预测,最后通过与传统双端行波定位算法、BP算法、粒子群优化BP算法(Particle swarm optimization BP,PSO-BP)相比较,证明了所提方法在测距性能方面的优越性。

基于IAFS算法融合小波神经网络的变压器故障诊断研究

鉴于小波神经网络训练模型在电力变压器故障诊断中存在易陷入局部最优与对初始值高难度、高要求性问题,通过将人工鱼群算法和小波神经网络技术有机地融入到变压器故障诊断中,开发出一种全新、高效的方法。采用人工鱼群算法改善小波神经网络训练模型的权重和阈值,以达到最佳的模型性能,提升模型的准确性和可靠性。在整个学习过程中,小波神经网络训练模型的复杂度和泛化能力都得到了较大的提升,同时加快了收敛速度,从全局搜索逐步转向精细搜索,避免算法出现局部最优的情况。最后,通过仿真实验结果证明所提方法可有效地提升变压器故障诊断的准确度,提高了变压器故障诊断效率。

光伏电站直流输电线路早期绝缘故障识别与定位

直流输电线路发生早期绝缘故障时电流波动小、故障现象不明显,难以快速识别以采取保护措施,光伏电站线路拓扑结构复杂,不易准确定位故障发生位置。该文提出一种连续小波变换和混合神经网络模型结合的方法,可在尽可能短的时间完成故障识别与定位。该方法首先利用连续小波变换对暂态零模电流信号提取二维时频矩阵特征,压缩为彩色图像;然后,将图像送入神经网络模型中进行训练。该混合神经网络模型通过结合卷积神经网络和门控循环单元,提高识别精度并减少训练时间。最后,为验证本方法的优势,在高噪声环境下选取4条直流输电线路分别进行4种时频分析方法、3种神经网络模型仿真对比后,又对早期绝缘故障单独进行识别仿真试验,结果表明该方法可有效识别出早期绝缘故障并定位至发生线路,且具有较强的抗噪能力。

基于融合深度特征的含分布式电源配电网智能故障检测

为解决含分布式电源配电网发生故障时无法快速准确获取故障类型、故障相序和故障位置的问题,该文基于深度学习理论和小波变换的思想,提出一种基于融合深度特征的含分布式电源配电网智能故障检测新方法,达到对含分布式电源配电网故障实时识别并准确定位的效果。算法仿真验证结果表明,该方法在故障类型和故障相序识别的准确度方面有一定提高,且对故障位置定位的误差显著降低。

基于人工鱼群算法的船舶电子设备故障智能诊断方法

为实现电子设备的高效维护,确保船舶安全航行,设计了基于人工鱼群算法的船舶电子设备故障智能诊断方法。采用离散小波变换法分解电子设备运行信号样本,通过计算不同尺度下的小波能量值完成船舶电子设备故障特征参数的提取,将其作为基于RBF神经网络的故障诊断模型的输入,利用人工鱼群算法对故障诊断模型的权值、阈值参数作优化处理,最终输出不同类型故障发生概率,实现电子设备故障诊断。实验结果表明,正常以及不同故障状态下,电子设备运行信号的时域波形存在很大差异,研究方法可实现故障特征参数的提取,并完成故障类型的识别,30次迭代后MSE指标即可降至最低,仅为10^(-4)。

结合CWT和LightweightNet的滚动轴承实时故障诊断方法

针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

基于改进AIA-BP算法的煤矿供电线路故障类型识别方法

为了提升煤矿电力系统中供电线路故障识别方法的准确率,提出一种基于小波变换与灰色AIA-BP的煤矿供电线路故障类型识别方法。采用小波变换分析对电力暂态信号进行故障特征提取;引入灰色关联度法对人工免疫算法(AIA)进行改进,并对BP神经网络的的权值与阈值进行了优化,建立灰色AIA-BP故障识别算法模型。仿真结果表明,灰色AIA-BP模型的识别准确率高出传统AIA-BP模型11.37%,故障识别误差率相较于单一BP神经网络模型降低了6.47%,验证了所提方案能够有效地提高供电线路的故障诊断精度;提出模型的平均识别准确率为96.81%,相较于GA-SVM模型和RBF模型提升了14.32%和21.99%,可以对供电线路故障类型进行精确识别判断。

利用小波神经网络的电力变压器故障诊断方法

为提高变压器传统油中溶解气体分析(DGA)的故障诊断能力,提出了一种利用小波神经网络(WNN)的变压器故障诊断方法。WNN隐含层采用离散仿射小波函数,仿照前馈BP神经网络算法构造WNN,引入学习率和动量系数来训练网络。实验结果表明:相同条件下,较之传统比值法与BP神经网络,WNN的故障模式识别准确率更高,对照BP神经网络,所提出的WNN变压器故障诊断方法在稳定性和收敛时间方面表现更优。

基于小波和神经网络的配电网故障测距算法

目前,树型配电网单相接地故障测距问题仍未得到较好解决。通过对零模和线模行波传输规律的分析,发现了零模—线模行波的传输时间差和零模波头的Lipschitz指数随传输距离变化的规律。以此为基础,利用小波的时频分析能力和BP神经网络的强非线性拟合能力,提出了基于小波和神经网络的故障测距算法,通过ATP仿真软件进行了仿真验证。仿真结果表明,该算法不受配电网分支线路、故障初相角、过渡电阻等因素影响,具有较高的测距精度。

有源电子式互感器故障诊断技术的研究与应用

作为继电保护和自动化装置的信息源头,电子式互感器的运行性能直接影响整个电网,由于受到环境和电磁辐射的影响,其输出信号的稳定性是智能变电站普及推广应用的瓶颈。通过对电子式互感器运行中的故障类型进行分类,采用分段函数模拟不同的故障类型,利用小波理论分析对故障信号进行除噪处理,再通过小波分解对除噪后的信号进行故障检测定位,归纳为小波-神经网络的故障诊断分析方法。该方法能够直接判别漂移偏差故障、固定偏差故障和变比偏差故障,对提高智能变电站运行可靠性具有前瞻性的意义。

小波神经网络在模拟电路故障诊断中的应用研究

对模拟电路提出了一种基于小波与神经网络辅助式结合的故障诊断方法.该方法用小波变换作为模拟电路故障信号的预处理器,大大减少神经网络的输入数目,简化神经网络结构和减少它的训练时间,提高辨识故障能力.在介绍该故障诊断方法的基本原理后,给出了小波函数及故障特征选择的方法.

基于小波神经网络的配电网故障类型识别

为准确可靠地识别配电网故障类型,应用小波变换技术对故障信号进行预处理,滤除其中大量的谐波和非周期分量,准确地提取工频信息构成神经网络的训练样本集,通过构建小波神经网络实现配电网故障类型的识别。仿真测试表明,此网络模型收敛速度快,并能在各种故障模式下准确实现故障类型的识别,不受故障过渡电阻、系统运行方式以及故障点位置等随机因素的影响。

±800kV特高压直流输电线路故障定位小波能量谱神经网络识别法

固有频率与故障距离之间存在数学关系,故障行波暂态能量在固有频率附近较集中,其暂态能量包含丰富的故障距离信息。利用人工神经网络(ANN)的非线性函数逼近拟合能力,建立直流输电线路故障定位的ANN模型。利用小波变换的等距特性提取单端线模电压7尺度的小波能量,并将其作为样本属性对神经网络进行训练、测试。所提方法将不易提取的固有频率点特征转化为容易提取的频带特征,提高了测距的可靠性。数字实验结果表明,所提方法在不同过渡电阻和不同故障距离下均能准确测距。

电流互感器饱和影响测距精度的一种解决方法

电流互感器 (TA)饱和会给基于工频电气量的输电线路故障测距精度带来很大的误差。文中利用 MATLAB程序 ,设计了一个前向 BP网络 ,利用 BP网络来对 TA饱和电流进行矫正补偿 ,然后再进行故障测距。EMTP仿真的结果表明 ,对 TA饱和电流进行补偿矫正后 ,明显地改进了故障测距的精度。

基于零模行波衰减特性的配电线路单相接地故障测距方法

零模行波在传播过程中发生衰减,且高频分量衰减快,低频分量衰减慢。随着故障距离的增加,零模行波波头中高频分量幅值与低频分量幅值的比值单调减小。本文提出利用测量点处零模行波首波头中不同频率分量的幅值比来判断故障点距离。由于暂态信号中特定频率的幅值难以直接求得,本文提出采用连续小波变换获得两个特定尺度下行波首波头信号小波系数的模极大值,求取其模极大值比。利用人工神经网络以确定该模极大值比和两个尺度对应的中心频率分量幅值比的对应关系,从而通过该网络求取任意故障距离时的频率分量幅值比。最终利用频率分量幅值比与故障距离之间的对应关系确定故障点位置。在电磁暂态仿真软件ATP-EMTP软件中搭建模型,仿真结果验证了该方法的有效性。

基于小波变换与BP神经网络相结合的配电网单相接地故障定位方法

提出一种基于小波变换与BP神经网络相结合的方法来实现小电流接地系统单相接地故障定位。由于利用暂态故障电流和暂态母线电压的模极大值的实部和虚部作为BP神经网络的输入,提高了识别故障能力和可靠性,通过对BP神经网络的特别处理,大大地减小过渡电阻对故障定位的影响。仿真结果表明,该故障定位方法准确可靠。

单端行波故障测距的组合方法研究

单端辐射状电网发生单相接地故障时,单端行波故障测距的关键是正确识别来自故障点的反射波、对端母线的反射波及健全线路的反射波。行波零模波速具有较强的依频特性,而线模波速较稳定。由于零模波速的不稳定性,当取其为固定值时,导致基于线模、零模波速差的单端行波故障测距精确度不够。针对此问题,首先利用神经网络训练学习,估算出零模波速,基于线模、零模波速差得到初步故障距离,以此初步故障距离从线模行波突变波头中找出故障点反射波头及对端母线反射波头,再把线模波速代入相应的测距公式得到精确故障距离。利用PSCAD/EMTDC搭建仿真模型,对不同的故障情况进行仿真,均验证了该方法具有较高的测量精度和可靠性。

基于小波包分析与神经网络的变压器区内外故障判断方法

作为变压器主保护的瓦斯保护经常在发生变压器区外故障时误动作,严重影响了变压器和电力系统运行的安全性和可靠水平,准确识别区内外故障是解决瓦斯保护误动作的重要前提。研究了适用于区内故障仿真的变压器PSCAD模型,验证了该仿真模型与原有模型的一致性。设计了基于小波包分析的变压器区内外故障特征量提取方法,通过不同小波包能量的对比,分析了区内外故障时差动电流的特征。基于小波包能量差异性,提出了利用神经网络进行区内外故障识别的方法。通过具体算例验证了方法的正确性和有效性。

基于PT在线注入信号及神经网络跟踪小波变换模极大值变化的配电网故障定位方法

提出了一种配网单相接地在线故障定位的新方法。故障发生后从变电站母线在线向系统注入高频脉冲信号并获取线路上与注入信号相对应的反射行波,在电网结构已知的情况下,通过对反射波的分析进行故障定位。该方法不仅能检测故障点的电气距离,而且能确定故障所在的分支线路,还能通过调节注入信号的大小多次定位故障,提高定位的准确性。应用该方法进行故障定位不受接地电阻的限制。通过M atlab/S imu-link进行了建模与仿真分析,仿真结果验证了该方法的正确性。

自构形神经网络在变压器故障诊断中的应用

神经网络已广泛应用于设备的故障诊断中。鉴于神经网络的性能和诊断能力与网络的拓扑结构和学习算法有着密切的联系,本文研究并实现了在故障诊断应用中能进行自构形的神经网络模型,改善了全局收敛性和节点总体饱和度,并较好地应用于变压器故障诊断实践中。