基于支持向量机的传输线故障类型识别算法

针对电力传输路由线路故障类参数多识别率不高等问题,利用提取故障特征向量和支持向量机结合的算法识别线路故障类型.提取故障线路特征向量,采集变化量的有效值,计算突变量所占三相突变量有效值总和的比例系数,将比例系数与零序电流判别系数结合构造故障特征向量.训练支持向量机以测试集特征向量作为输入,利用训练好的支持向量机判别分类,实现故障类型识别.实验表明,提出算法可克服多重困难针对输电线路十种类型故障进行学习并识别,并保证精度和效率.     

采用电磁时间反转的不同电压等级同杆双回输电线路故障测距

针对不同电压等级同杆双回输电线路测距复杂的问题,提出了一种基于电磁时间反转理论的故障测距方法。建立了线路的故障附加网络,推导了经时间反转后的故障电流有效值,并分析了电磁时间反转理论应用于输电线路故障测距的适用性。记录线路两侧故障电流变化的情况并用新六序分量法解耦线路,对经解耦后得到的两侧同向正序电流分量进行小波分解,提取两侧电流突变量,对两侧电流突变量进行时间反转并叠加。假设在输电线路多处发生故障,计算出各个故障点处的电流有效值,最大电流有效值对应的距离即为故障距离。利用ATP-EMTP软件搭建了不同电压等级同杆双回输电线路仿真模型,采用Matlab进行编程验证。仿真结果表明:所提方法不受过渡电阻和故障相角的影响;当采样频率为1 MHz时,在不同故障类型情况下测距结果的相对误差低于0.57%,所提方法测距精度高;测距结果的相对误差会随着采样频率的上升而降低。     

基于小波能谱熵和神经网络的输电线故障识别

在暂态电流信号小波变换结果的基础上,采用小波能谱熵定义,对小波分解系数进行处理,提出了一种基于小波能谱熵和神经网络的输电线路故障类型识别方法。该方法通过计算故障前后三相电流信号小波变换系数沿尺度分布的小波能谱熵,经过适当处理,输入神经网络,利用神经网络在模式识别方面的优势,输出结果即为故障类型识别的结果。仿真结果表明,该故障类型识别方法不受故障类型、故障电阻及故障位置等因素的影响,识别结果准确可靠。     

基于ＬＭＤ－１（１／２）维谱熵－Ｅｌｍａｎ神经网络输电线路短路故障识别理论与方法

针对电力系统输电线路故障时短路电流的暂态特征,采用LMD对相模变换后的短路电流进行分解,得到一系列PF分量,然后计算前8个PF分量的1(1/2)维谱熵值作为特征向量,最后将构造的特征向量输入到已训练好的Elman神经网络中进行故障类型识别,并在Matlab平台上建立仿真模型.仿真结果表明,采用的方法能够快速准确地判断出故障类型和故障相;与传统BP网络相比,该方法具有更快的识别速度、更高的识别率,并且识别结果不受过渡电阻、故障位置、相差角等线路参数的影响,因而,实用、有效.     

基于小波神经网络的超高压输电线路行波测距保护研究

针对超高压输电线路的超高速保护而建立人工神经网络模型,将输电线路行波信息和高频暂态电流信号经小波变换数据预处理,并提取相关时域和频域特征值之后作为分布式神经网络的输入,以通过人工神经网络来准确识别线路故障类型、故障位置,为实现保护的超高速动作提供判据。     

单相自动重合闸永久性故障识别新方法研究

提出一种识别高压输电线路单相接地故障类型的新方法.高压输电线发生单相接地故障,两侧断路器完全开断后,从线路首端检测线路对地电流,瞬时性故障时为很小的本线路电容电流;永久性故障时为较大的电磁耦合电流.通过检测故障线路对地电流的大小实现短路故障类型的判断.该方法可有效识别单相接地短路故障类型,有一定耐过渡阻抗影响的能力,仿真结果验证了该方法的有效性.     

基于改进学习矢量量化神经网络输电线路故障识别技术

针对输电线路距离长、覆盖范围广,易受到自然环境和人为因素的影响,对输电线路故障分类和识别非常困难.在输电线路故障分类中将经验小波变换与改进的学习矢量量化神经网络相结合,使用经验小波变换提取输电线路的故障特征,并使用改进的学习矢量量化神经网络识别故障特征.通过对不同故障类型、故障位置、过渡电阻和初始故障角度进行仿真,验证该模型的准确性和有效性.仿真结果表明,该方法在故障分类中具有一定的优势,不受上述因素的影响,具有良好的鲁棒性和故障分类性能.该研究为中国输电线故障识别技术的发展提供一定的参考.     

一种混合双极直流输电线路保护新原理

应用故障网络分析方法,研究了混合双极直流输电线路可能发生的各种短路故障类型,并进行了故障特性分析。根据分析结果发现:当直流输电线路发生区内故障时,整流侧与逆变侧的暂态电压和暂态电流夹角的余弦值相同;当直流输电线路区外(整流侧或逆变侧)发生故障时,整流侧与逆变侧的暂态电压和暂态电流夹角的余弦值相反。根据该故障特征,可实现区内、外故障的识别。利用小波变换提取暂态电压、电流分量。另外,故障极的暂态电压和电流的积的变化量远远大于正常极。根据此特征,进行故障选极。最后,通过电磁暂态仿真软件搭建电压不对称的混合双极直流输电系统仿真模型,对其直流输电线路设置不同故障进行仿真,利用MATLAB进行算法的验证,结果表明该保护新原理的正确性及故障选极是可行的。     

基于小波分解和重构的暂态选线与扰动识别

在小波分解和重构理论的基础上,提出了基于故障暂态电流α模分量突变量的故障选线方法。根据小波理论善于处理突变信号的特点,利用小波理论对暂态电流、电压信号进行分析,由分解后的小波系数构成综合故障测度进行选线,小波重构信号则对故障和扰动进行识别。大量的仿真试验证明,提出的选线方法可以很好地对故障线路进行选择,同时不受扰动影响。     

基于端电压特征的半波长线路综合保护方案

半波长线路区外故障时,故障相端电压幅值很小;线路中间段故障时,故障相端电压幅值接近额定值。根据这一特征,提出半波长线路端电压特征与贝瑞隆电流差动保护原理相结合的综合保护方案:通过端电压辅助判据与高、低灵敏度不同的贝瑞隆差流判据相结合,保护线路全长并实现故障选相。利用MATLAB/Simulink软件搭建半波长输电线路模型,进行仿真验证。仿真结果表明:该保护方案能够有效区分区外故障与线路中间段故障,可靠保护半波长线路全长,并准确识别故障相。     

结合扰动集成RBF的故障识别方法

为提高旋转机械故障识别精度,将神经网络与集成学习方法进行结合,提出结合扰动方式的集成RBF故障模式识别方法.首先,通过ReliefF算法计算所提取出的转子故障特征数据集各个特征的权重,并且将权重值进行降序排列,从而筛选出权重趋大的系列特征构成低维特征数据集;其次,将较大权重作为无放回轮盘赌法的输入,对权重所对应的低维特征数据集进行特征扰动,产生系列化低维数据子集并将其划分为训练集和测试集;然后,采用Bagging算法中的自助采样法对训练集进行样本扰动,以此形成新的训练集并用于训练对应个数的RBF神经网络,完成差异性子分类器的构建;最终,对各个神经网络的测试数据辨识结果通过相对多数投票法进行结合,得到故障识别结果.实验结果表明,对于转子系统的故障识别,该方法相较于未集成RBF神经网络、集成BP神经网络具有较高的识别精度,并且拥有较好的泛化性能.     

基于Zernike矩特征的FCM-RBF神经网络图像分类器

针对交通监控图像识别精度较差的问题,设计一种基于径向基(radial-basis)函数神经网络的图像分类器.该分类器利用Zernike矩噪声敏感度较小、形状特征稳定性好的特点,构建四阶矩的特征向量,用于特征提取;利用自适应模糊聚类方法,解决径向基函数神经网络隐层节点数不确定的问题.仿真分析表明,该分类器与基于改进的快速模糊C均值聚类算法的Back Propagation网络分类器和径向基函数神经网络分类器相比具有更高的识别率,与改进的粒子群优化模糊C均值聚类算法的径向基函数神经网络分类器相比具有相近的识别率,但其计算复杂度较低.仿真实验结果表明,该方法具有较好的分类能力及较高的计算效率.     

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。     

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。     

具有干扰解耦能力的鲁棒在线故障诊断

针对一类带有未知输入干扰和模型不确定性系统,提出了一种新型鲁棒在线故障诊断方法,该方法综合应用带有未知输入状态观测器技术和RBF神经网络的在线建模能力,利用状态观测误差实时调整RBF神经网络的权值,使其不但能在线实时检测、分离、估计故障信号,而且对未知输入干扰具有解耦能力,对有界模型不确定性具有鲁棒性,给出了该方法的鲁棒性和灵敏度的分析结果,仿真结果表明了该方法的有效性。     

基于六序分量法的同杆双回线精确故障测距

在对同杆双回线的故障特性进行分析的基础上，提出采用六序分量法进行故障测距．该方法巧妙地解决了两回线间的互感问题，在六序故障分量网络中，线路两侧的序电流故障分量的有效值之比仍然只是线路阻抗、两端系统阻抗和故障距离的函数，由此得出的测距方程简洁明了，易于求解，且不受故障类型和过渡电阻的限制，也不需要两端数据同步．对同杆双回线的各种故障类型进行仿真的结果表明，所提出的方法能够高精度地测定同杆双回线故障距离．对于超长线路，线路的分布电容对故障测距有较大的影响，在测距方程中，将分布电容以集中参数的形式分配到故障点到输电线路的两侧，从而具有很高的测距精度．     

磁控开关型故障限流器RBF神经网络自适应偏置电流控制

基于新型磁控开关型故障限流器偏置电流控制系统复杂的非线性时变特性,提出一种基于径向基函数神经网络的限流器偏置电流自适应控制系统,采用2个RBF神经网络来分别构成自适应控制网络和辨识网络,实现了偏置电流的实时控制.试验证明,利用该偏置电流控制系统,限流器的响应速度和限流效果可以得到保证.     

非线性、大滞后系统神经网络辨识研究

基于神经网络的非线性、大滞后系统辨识是当前研究的热点之一,介绍了神经网络辨识的基本原理,研究了BP与RBF神经网络两种典型网络的设计和算法,最后通过MATLAB进行了仿真分析与比较。仿真结果表明:一致性方面RBF优于BP神经网络,RBF神经网络收敛速度更快,辨识效果更好;泛化性能方面RBF网络较差,不如BP网络。由此得出两种网络各自的优缺点,在实际应用中可以此作为神经网络模型辨识的参考。     

基于RBF神经网络的传感器非线性故障鲁棒诊断

针对一类非线性系统,传感器非线性故障情形,提出了新的故障诊断方法·该方法采用状态变量扩展技术将传感器故障转化为系统故障进行诊断,RBF神经网络对传感器故障的导函数进行估计,网络权值在线调整,进而实现故障的实时估计·对于系统中存在的不确定性,故障诊断方法应用阈值处理技术,使算法具有一定鲁棒性·对于给出的算法,证明了Lyapunov稳定性·最后,给出了仿真实例,结果验证了该方法的正确性·