基于模糊神经网络的小电流接地系统故障选线

小电流接地系统发生单相接地故障后,为解决传统上单一故障选线方法的局限性,文章利用信息融合技术并结合模糊系统和神经网络的特点,提出将模糊神经网络应用于配电网故障选线方法中。提取稳态时有功功率分量、暂态时衰减直流分量、基波和小波包能量熵极值作为综合选线判据,输入到模糊神经网络,再通过调整网络隶属度函数的初始参数大小,体现出在不同相角下,不同判据对故障选线判别能力的不同,能够将配网自身的特点很好地嵌入该算法中。在Matlab环境下搭建10.5kV的小电流接地系统仿真模型,仿真结果显示此方法具有选线准确率高、适应性强、灵敏度高、抗干扰能力强等优点,具有一定的可行性,能够很好地解决故障选线的难题。     

小波换应用于小电流接地故障选线

研究了小波分析在小电流接地系统单相接地故障选线中的应用,利用小波变换这一新兴的信号分析工具,提取故障时的暂态量信息,构造出了基于小波变换模极大值奇异性检测原理的新型选线判据。着重介绍了利用小波变换提取故障信号的暂态高频分量,进行故障选线的方法。并且利用Matlab提供的小波分析工具进行了大量的选线仿真实验,验证了该方法的有效性和可靠性。     

小波换应用于小电流接地故障选线

研究了小波分析在小电流接地系统单相接地故障选线中的应用,利用小波变换这一新兴的信号分析工具,提取故障时的暂态量信息,构造出了基于小波变换模极大值奇异性检测原理的新型选线判据.着重介绍了利用小波变换提取故障信号的暂态高频分量,进行故障选线的方法.并且利用Madab提供的小波分析工具进行了大量的选线仿真实验,验证了该方法的有效性和可靠性.     

小波变换在配电网接地故障监测中应用的仿真分析

应用小波变换在时频特性上的良好聚焦性能，提出一种用于小电流接地系统中的接地故障实时选线的新方法，利用MATLAB软件进行仿真分析，取得了较为满意的效果。     

基于小波理论的小电流接地系统单相接地故障选线仿真

在对小电流接地系统单相接地故障进行理论分析的基础上,指出利用合适的小波对所有线路同一非故障相暂态电流的特征分量进行小波变换求取模极大值,可以实现故障选线.Matlab仿真结果验证了这一方法的正确性.     

小电流接地系统单相接地故障选线方法研究

本文在总结小电流接地系统的特点及研究现状的基础上,进一步建模仿真分析研究了小电流接地系统发生单相接地故障时零序电流、零序电压、电压相模变换、电流相模变换的特征.为解决从变电站出口选出单相接地故障线路的问题,提出了基于电压互感器注入信号干扰零序电流的波形识别法及其与小波分析法、能量法结合的综合选线法.     

基于极限学习机的小电流接地故障融合选线

针对单一选线无法实现适应各种单相接地故障的情况,提出基于极限学习机的融合选线方法。首先在MATLAB中建立110/35 kV的小电流系统模型,用小波包变换算法提取特征分量。采用零序导纳法、自适应陷波法、改进锁相环的5次谐波法分析在不同接地系统、不同接地电阻等故障类型发生故障时的暂态特征,利用极限学习机方法进行融合选线,并与PNN融合选线方法进行对比。实验证明本算法可实现100%正确选线,且选线时间短。     

基于LSSVM的小电流接地故障融合选线

小电流接地系统单相接地故障选线是尚未解决的一大难题。传统的单一故障选线方法都有其各自的适用范围,故障选线准确率不高。在此基础上,提出利用最小二乘支持向量机(LSSVM)对多种选线方法进行信息融合。分别利用小波包变换和FFT算法,从零序电流中提取暂态能量分量、稳态基波分量和五次谐波分量,形成故障选线的特征分量。作为LSSVM的输入进行信息融合。从而实现故障选线。仿真结果表明:与标准的SVM相比,该方法学习速度更快、泛化能力更强,且不受接地电阻、故障初始角、故障距离等的影响。选线结果具有较高的精度。     

全频带小波能量相对熵的小电流接地系统故障选线

为了提高小电流接地系统中故障选线方法的精度和鲁棒性,在详细分析系统暂态零序网络故障特征后,提出基于全频带小波能量相对熵的小电流接地系统故障选线方法.利用小波变换技术对信号特征的放大作用以及小波相对熵对信号细微差别的超强辨识能力,首先对各条线路故障后零序电流的一个周波采样数据进行小波多尺度分解,并对分解后的小波系数进行单支重构;然后利用单支重构后的系数计算各条线路在各个频带下的小波能量权重系数,构造出各条线路的全频带小波能量相对熵矩阵;最后比较小波能量综合相对熵值的大小进行故障线路选择.在仿真模型中随机设置不同的故障位置、故障角、过渡电阻、电弧接地等参数,仿真选线正确率达到100%.理论分析和大量的仿真结果表明,该故障选线方法具有很强的适应性,能够在各种情况下实现正确选线.     

基于BP神经网络的小电流接地故障选线方法

针对电力系统出现的小电流接地故障,提出一种利用BP神经网络对暂态主频分析的选线方法.该方法提取各出线初始零模电流暂态主频的实部、虚部,利用BP神经网络实现故障线路的选取.使用建模软件ATP-EMTP建立小电流接地故障模型,对各条线路分别设置不相同故障状态(故障距离、过渡电阻和故障初相角)进行仿真,得到BP神经网络所需训练样本和测试数据,利用MATLAB进行编程实现神经网络的学习与训练,实现非线性映射.再利用训练好的神经网络模型对小电流故障接地故障进行选线.仿真结果表明,采用本方法可以很好地完成小电流故障接地系统的选线.     

基于小波包分析与RBF神经网络的模拟电路故障诊断

针对常用的BP神经网络须已知结构,且学习算法训练速度慢的缺点,提出一种基于小波包分析与径向基神经网络(RBFNN)的模拟电路故障诊断方法。该方法首先利用小波包分解,归一化作为预处理提取模拟电路的故障特征向量,再将故障特征向量输入到RBF神经网络进行故障诊断。仿真结果表明本方法能够对模拟电路的故障进行有效诊断和定位。     

基于小波包和RBF神经网络的压电加速度传感器故障诊断

根据压电加速度传感器故障的特点,提出运用小波包变换和RBF神经网络的故障诊断方法。首先运用小波包分解和重构原理将传感器输出信号分解到不同频段中,提取每个频段的能量作为状态监测的特征向量,作为RBF网络的输入,然后利用最佳的RBF神经网络进行压电传感器故障分类。实验结果表明该方法具有良好的非线性跟踪能力,较高的诊断准确率。     

基于零序电压小波包能量比的配网单相高阻接地故障辨识分析

配网高阻故障大多是架空线接触高阻抗物体引起的单相高阻接地故障,难以通过稳态特征进行识别。基于等值网络分析故障产生高频分量的原因并考虑正常状态对辨识的影响,提出一种基于零序电压小波包能量比的配网单相高阻接地故障辨识方法。利用小波包频段分解对零序电压进行能量特征提取,提取低频段能量与高频段能量的比值作为高阻故障的识别特征量。基于某10 kV配电网对方法进行测试,通过BP神经网络的辨识对比结果,证实了方法的有效性;通过中性点接地方式、拓扑结构及故障条件变化等多种因素的分析及仿真,验证了方法的适用性。     

电机驱动系统PWM逆变器故障诊断

电机变频调速系统中,逆变器是故障高发的薄弱环节。设计一种基于小波包分解和RBF神经网络的三相电机驱动系统PWM逆变器故障诊断模型,利用小波包变换提取三相PWM逆变器故障信号特征向量,并将其作为RBF神经网络的输入量;采用狼群—模拟退火算法优化RBF神经网络的结构和参数,利用32组学习样本和6组测试样本分别训练和检验RBF神经网络。仿真实验分析表明,该方法用于三相电机驱动系统PWM逆变器开路故障的诊断,速度快、准确率高。     

小波包能谱熵与神经网络在断路器故障诊断中的应用

提出了一种以振动信号小波包能谱熵为特征量的断路器故障神经网络诊断方法。利用小波包分解原理将高压断路器振动信号分解到不同频段中,计算各频段的能谱熵值,以此构造小波包能谱熵向量作为神经网络的输入向量,并利用遗传算法对网络的连接权值进行了优化。引入置信度的概念,对改进神经网络输出的故障模式识别结果进行评价。通过试验分析结果表明了该方法的有效性,改进后的神经网络具有新故障模式的识别功能。     

基于小波包的开关电流电路故障诊断

为提高开关电流电路故障诊断的精度,提出了一种基于小波包优选和优化BP神经网路的开关电流电路特征抽取与识别方法.首先对开关电流电路原始响应信号进行多层次的小波包分解,接着计算N层分解后的归一化能量值,以特征偏离度作为评价选择最优小波包基,构建最优故障特征向量,最后将提取的最优故障特征通过遗传算法优化的BP神经网络进行分类.该方法以实例电路进行验证,结果表明所有的软故障均得到了有效的分类,说明了该方法在开关电流电路故障诊断中的优越性.     

基于小波包分解的剩余电流接地故障选线方法

为解决电网发生单相接地故障后,无法对故障线路精确辨识的问题,提出了一种基于小波包分解的剩余电流接地故障智能感知方法.依据小波分析法和智能感知原理,针对接地故障产生的剩余电流进行故障信息采集,将收集到的剩余电流信息进行分析对比,以感知接地故障并进行故障识别;通过研究交流电源剩余电流在线式监测和基于小波变换方法的弧光接地故...     

一种基于油中溶解气体分析的变压器绝缘故障诊断新方法

将小波神经网络优良的分类诊断能力和最小二乘加权融合方法相结合,采用油气分析实现电力变压器的故障诊断.用非线性Morlet小波基作为神经网络激励函数,形成神经元,结合双方的优点,建立了紧致型小波神经网络.采用6个同一小波,其隐层单元数目、学习率等相关训练参数不同的单个子网络,对相同变压器故障信号样本进行训练,用最小二乘加权融合法对各个子网络的输出结果进行决策信息融合,通过对融合结果的分析,得到变压器故障的识别结果.测试结果表明,系统具有较好的分类诊断能力和可靠性.     

基于WPD-PSO算法的整流电路故障诊断

针对电力电子电路故障类型多、诊断正确率低的问题，提出基于小波包分解和粒子群算法优化概率神经网络的方法。建立三相桥式全控整流电路仿真模型，利用小波包分解技术对故障电压信号进行三层小波包分解与重构，提取特征值，并对数据进行归一化处理；用粒子群算法优化概率神经网络寻找合适的平滑因子，对数据进行训练和诊断；将该方法与未优化的概率神经网络作对比。仿真结果表明，该方法在训练效果和诊断正确率上都要优于未优化的概率神经网络。     

基于Pajek的沥青摊铺机故障网络分析与诊断

摊铺机是复杂的机电液系统,因受环境因素影响,容易出现故障,影响施工质量,需建立摊铺机的故障诊断系统。在建立摊铺机的故障征兆网络后,对采样信号进行3层小波包分解,用小波系数模极大值法提取故障的特征状态信息,用Pajek软件分析9个子系统故障的度和聚类系数,得到故障的可能部位,降低系统维数,减少后续计算量。用PSO优化神经网络算法进行状态样本数据学习,训练网络结构并优化,进而得到故障部位信息。样本测试表明,和神经网络相比,系统的迭代次数有效减少,实际输出结果和期望区间相符。