基于深度卷积神经网络的变电一次设备故障检测方法

为解决传统变电一次设备故障检测方法中存在的故障检测误报率及漏报率等问题,提出了基于深度卷积神经网络的变电一次设备故障检测方法。在多种光照条件下采集变电一次设备图像和场景图像,组建变电一次设备数据集合场景数据集,再对各类型数据集进行预处理。通过深度卷积网络自适应方法提取变电一次设备的时域和频域信号特征,将深度卷积神经网络作为特征提取器,利用免疫学习特性形成未知故障检测器,实现变电一次设备故障检测。实验结果表明:所提方法能够有效降低变电一次设备故障误报率和漏报率,切实提高了检测及时性和故障辨识率。

基于K折验证的配电网故障转供可靠性评估研究

针对现阶段配网故障后快速、合理地拟定负荷转供措施的要求,介绍了一种基于K折验证的配网故障转供可靠性评估方案。根据配网多种供电方式,按照停电前后的能量平衡方程建立负荷转供效果评估指标。以损失功率最小为前提,考虑在运设备的运行状态、自身特性和外部环境等多因素,构建基于多种因素的故障转供评估模型的等式和不等式约束条件。采用基于K折验证数据处理方法,对历史数据进行充分的预前训练,完成配网转供关键约束参数的拟合,便于与后续可能出现的故障信息相比对,可最大限度地减少转供计划的准备时间。调度人员可根据比对结果拟定稳妥的转供措施,并对应选取转供路径。对实际运行方式的安排和检修计划的调整有一定的参考价值。

35kV线路故障快速定位系统故障判断

35kV系统在我国主要的中压配电网等级中,常用于供电用户较为分散的地区,因此35kV配电线路较一般配电线路而言长度更长。同时,为了满足分散用户的供电需求,35kV配电线路产生了T接、π接等复杂的拓扑结构。在发生短路或者接地故障后,35kV配电线路故障定位比10kV更困难,造成的危害也更严重,传统的故障定位方法难以满足现场需求。本文通过将故障选相与故障定位相结合,提出了针对不同故障类型的快速定位方法,同时结合多端信息提出故障快速区段识别和快速测距方案,有助于快速确定位置便于清除故障,为供电恢复奠定基础,提高供电可靠率。