基于时频域融合和ECA-1DCNN的航空串联故障电弧检测

为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。首先,搭建航空交流电弧故障实验平台,负载选择多类型、多参数值进行电流信号的采集;其次,为了保留更多的故障信息,分析其特征频段,经过大量数据验证,航空串联电弧在发生时,1 000～4 000 Hz分量具有一定的占比,因此将原始信号与特征频段进行融合,融合后的一维数据作为模型输入;最后,搭建ECA-1DCNN检测模型,进行训练,并通过K折交叉验证模型的有效性,得到测试集平均准确率为97.96%。该方法网络层数较少,计算快速,避免了复杂时频域计算过程,较为智能,对航空串联电弧检测装置的研究提供了理论参考。     

基于模态分解的低压串联电弧故障特征提取方法比较

低压交流系统串联电弧电流的非线性、非平稳和随机等特点给故障特征提取和检测带来极大困难,同时以包络线分析为基础的模态分解在非平稳信号分析中展现了良好效果。鉴于模态分解方法的优异效果以及串联电弧故障检测的实际困难,首先对目前较为成熟的经验模态分解(empirical mode decomposition, EMD)等6种模态分解方法进行了系统梳理,并深入分析了该系列方法在电弧故障信号分析和特征提取中的适用性和有效性。然后,通过实测电弧电流的分解实验和特征计算实验,从不同角度探讨了模态分解算法在电弧电流特征提取和故障检测中的优势与不足。最后,对未来可能的研究方向做了展望。     

基于多维特征量的航空串联故障电弧检测

航空交流系统工作环境复杂、故障电弧检测可靠性要求较高,而单一特征的检测方法适应能力相对较差。开展了航空交流电源条件下串联型故障电弧模拟试验,分别对电源频率为360 Hz、400 Hz、450 Hz时的线性负载线路电流进行数据采集。根据电弧电流的特点,提出了一种融合波形畸变特征、间谐波特征和能量分布不确定性特征的多维特征量检测方法。引入支持向量机和粒子群优化算法进行参数寻优,用训练得到的分类模型对测试集进行分类预测。结果表明,该串联故障电弧分类模型最高分类准确率可达到98.83%。     

三相串联故障电弧检测方法

为进一步研究煤矿井下供配电系统中串联故障电弧的特性及检测方法,采用三相电动机及变频器负载开展了串联故障电弧实验,提出了一种基于单相电流的三相串联故障电弧的检测方法.对单相电流进行中值滤波和一阶差分预处理后,提取一阶差分信号的波峰因子、峭度、分段动态时间弯曲距离和路径长度构建故障电弧特征向量,结合改进的网格搜索优化的支持向量机建立故障电弧识别模型,并测试故障电弧检测准确率,结果表明:该方法通过分析单相电流实现三相电动机及变频器回路中故障电弧的检测,对研制低成本故障电弧断路器具有一定的参考价值.     

典型神经网络串联型电弧故障检测及选线方法研究

为解决传统特征分析加机器学习的电弧故障检测方法的准确率和实时性受到特征参数选取的主观性及特征分析过程的影响问题,搭建了三相多负载并联的串联型电弧故障实验系统,对不同支路、不同相发生电弧故障时的干路电流信号时间序列进行分析。将电流信号进行分类、分段、标准化处理并作为检测模型样本;对深度卷积神经网络模型、长短期记忆网络模型、普通神经网络模型进行架构及训练;通过差分处理对网络模型在线分类结果进行优化分析;以准确度和损失函数值、在线测试速度、优化后多分类识别准确率为评价指标,对比分析了3种模型故障检测及选线效果。研究结果表明：基于深度卷积神经网络的串联型电弧故障检测及选线模型对电机类负载故障检测及选线准确率可达96.77%,对变频器类负载故障检测及选线准确率可到98%,准确率高于近几年其他三相回路电弧故障检测模型。     

基于SSA-SVM的航空电弧故障检测

针对航空线路系统电弧故障隐蔽性高和难以检测的问题,提出一种基于麻雀搜索算法优化支持向量机（Sparrow Search Algorithm Optimization Support Vector Machine,SSA-SVM）的航空电弧故障检测方法。首先采用小波分解对电弧故障电流数据进行分解,小波分解能有效克服经验模态分解时存在的模态混叠问题。再从信号无序度的角度对电流分量提取能量熵、模糊熵与近似熵,并构造特征向量。然后,使用麻雀搜索算法对支持向量机的权值进行优化,得到最优的权值,最后用训练好的支持向量机对测试样本进行分类。为了验证所提方法的有效性,搭建电弧实验平台,模拟航空线路系统电弧故障的产生,分别采集交流串联正常和电弧故障电流数据,应用本文提出的SSA-SVM算法进行电弧故障检测,结果表明,该方法能较好地识别出电弧故障,检测准确率达到99.5%,相比于粒子群算法或遗传算法优化的支持向量机对电弧故障的检测准确率分别高出2.5%和2%。     

采用小波变换的光伏串联电弧故障检测

建立光伏系统电弧故障实验平台,利用光伏模拟器仿真不同天气环境下的光伏阵列,对光伏系统中串联电弧故障信号进行检测和分析.采用小波变换的方法对串联电弧故障信号进行特征频带提取,并利用移动时间窗方法统计信号在小波分解后的高频系数的能量值,用其表征电弧故障信号的杂乱度和混沌度.研究结果表明:该检测方法为快速准确地诊断串联电弧故障提供有效判据.     

利用改进ResNet和暂稳态时间序列的光伏阵列在线故障诊断方法

光伏阵列在线故障诊断方法主要采用实时电压电流时序信号作为输入故障特征。然而,这些时序信号因受最大功率点跟踪和时变环境因素的影响,往往包含暂态和稳态交替过程以及时变噪声,显著制约了故障诊断精度及可靠性。针对这些问题,本文首先利用相对位置矩阵方法将三种一维暂稳态时序数据,包括加权总电流以及光伏阵列时序电压和电流,转换为二维数据,以此生成红、绿、蓝三通道图像。而后,将图像输入到所提的基于与坐标注意力结合的残差网络（Residual Network, Resnet）模型中,该模型能提取其丰富的故障信息,有效地提升故障诊断精度。最后,通过仿真和实际的故障模拟实验获取故障样本数据,以训练和测试所提的网络模型,并与多种其它网络模型进行对比,还对仿真数据集进行了可靠性验证。经实验分析证明,本文提出的故障检测与诊断方法在准确性和稳定性方面都有更佳的表现,根据仿真平台获得的数据集也有较高的可靠性。     

基于加权差分电流的直流故障电弧检测方法

为了解决低压直流系统中传统电弧故障检测方法精确度不足及对不同系统通用性较差的问题，本文提出一种新的基于加权差分电流的直流电弧故障检测方法。首先搭建直流源实验平台，开展串联直流电弧高频特性实验，利用快速傅里叶变换提取电弧电流的特征频段为20～30 kHz、40～50 kHz和55～65 kHz。然后，研究电极材料和负载类型对电弧特征频率的影响，实验结果表明直流电弧的特征频段不随电极材料和负载类型改变。将3个特征频段内幅值的最大值I_max、幅值之和I_sum以及幅值的标准差I_std作为特征参量。基于对电弧电流特征频段和特征参量的双重加权差分，利用差分结果是否大于阈值0.5作为直流故障电弧检测判据。最后，在低压直流系统和光伏系统中验证所提出检测方法的有效性。检测方法能够准确区分开关动作与负载突变等系统正常操作。该方法克服了传统单一频段单一指标检测方法的不稳定性，能够有效检测直流电弧故障，提高检测的准确性，并在光伏系统中验证了检测方法的通用性。检测方法对保障低压直流系统的安全稳定运行具有重要的应用价值。     

串联型故障电弧的实验研究

为准确识别不稳定串联故障电弧、合闸操作电弧、负载正常工作电流信号,开展了串联型故障电弧模拟实验.首先对三种电流信号进行小波包分解及重构,求取重构信号的信息熵;然后对信息熵进行K均值聚类分析,从而区分出正常工作电流信号及电弧电流信号;最后求每种负载在发生串联型故障电弧及合闸操作电弧时相邻两周期电流信号导数最大值比值,并设定相邻两周期导数最大值比值阈值,实现对不稳定串联型故障电弧及合闸操作电弧的识别,防止断路器对故障电弧的误判,进而提高供电系统的可靠性.     

基于时间序列法的短期负荷预测采样装置的设计①

设计了基于时间序列法的短期负荷预测采样装置,包括设置于电网中用于从供电端向负载端进行供电输送的电力线路、用于对电力线路负载端的输电电压进行监测的电压监测器、用于对电力线路负载端的输电电流进行监测的电流监测器、用于将电压监测器和电流监测器采集的数据编码成信号的信号编码器、于用将信号编码器生成的信号传输至电网控制中心的信号发射器;还包括用于向信号编码器中输入标准时间信号的网络计时器。以间序列法的短期负荷预测采样装置为基础对某风电场PA发电机组的负荷进行实时预测风电功率,并将此与灰色模型的负荷预测进行比较。从结果可知该装置能够满足时间序列法短期的负荷预测系统的需要,为时间序列法短期的负荷预测提供精准的线路检测参数。     

配电网单相接地故障的自动化检测模型设计

当前配电网单相接地故障检测模型知识表达能力较差,其产生过程只依据正常配电网样本数据,无需单相接地故障数据,未充分利用先验知识,导致检测精度低。提出新型配电网单相接地故障自动检测模型。提取配电网单相接地故障特征,设计配电网单相接地故障自动化检测模型,将故障特征向量作为输入向量,引入输入向量与权值向量元素之间的匹配程度,将其作为第二层节点的输入,将第二层的输出作为第三层的输入,对模型进行训练,输出的结果即为配电网单相接地故障检测结果。实验结果表明,所提模型具有很高的检测精度。     

配电网故障暂态信号的逼近处理方法

针对一些需尽快计算故障后稳态电流电压值的应用情况,如配网配变支路保护、用户侧保护等,短时间内处理电流电压故障暂态信号成为了一个必须面对的问题。现有电网故障信号处理方法通常受限于采样数据长度和待求参数数量,存在处理电流电压故障暂态信号时间较长和难求取的问题。利用配网故障暂态电压电流的特点,由稳态工频分量和直流衰减分量组合建模近似表征配网故障暂态电压电流,采用粒子群高斯牛顿混合算法对此模型的各参数进行辨识,实现暂态参数的求取。仿真分析和工程应用表明,该方法可缩减待求参数个数,利用较短的采样数据对故障暂态电压电流信号参数进行求取,且具有较高鲁棒性。     

基于RBF神经网络的输电线路故障类型识别新方法

基于径向基函数(radial basis function,RBF)神经网络理论,采用电流突变量比例系数,提出了一种对输电线路故障类型识别的新方法。利用PSCAD/EMTDC软件建立500 kV高压输电线路仿真模型,仿真不同工况下的故障。由各相电流之差提取故障差流信号的突变量,并计算故障后一个周期内差流突变量的有效值,得到故障状态下各相差流突变量占三相差流突变量有效值总和的比例系数,结合零序电流判别系数构造故障类型识别特征向量,建立RBF神经网络进行故障类型识别。仿真结果表明,采用电流突变量比例系数作为特征量包含的信息更丰富,对RBF神经网络的训练效果更好,不受故障位置、故障初始角和过渡电阻等因素的影响,网络识别精度高。     

welch功率谱估计法在流化床风帽故障检测中的应用研究

利用循环流化床常见故障风帽的实际模型,在搭建的冷态鼓泡流化床的试验台上对流化床正常风帽工况和故障风帽工况下流化床炉膛内复杂多相流动的工况进行模拟。并对正常风帽和故障风帽工况下循环流化床风室内的压力波动信号进行了采集,应用welch功率谱估计法处理采集的压力波动信号,最终得出两种工况下功率谱密度(power spectral density,PSD)的分布情况。对比正常风帽与故障风帽工况下流化床风室内压力波动信号的功率谱密度分布情况,提取故障时的特征值,来实现循环流化床风帽故障的检测与诊断。试验表明,该方法能对流化床风帽的故障进行检测与诊断。提出应用welch功率谱估计法对流化床风帽故障检测的方法,为流化床风帽故障的在线检测提供参考价值。     

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.