基于融合模型的单相接地故障类型辨识方法

在中国6~66 kV的中低压配电网中,单相接地故障约占配电网故障总数的80%。由于发生单相接地故障时仅由系统的对地电容引起很小的接地故障电流,故障特征不明显,并且不同类型的单相接地故障之间的特征区分度不高,造成了对其类型辨识的难度增大。对此,提出了一种融合特征分解和深度学习思想的单相接地故障类型辨识方法。首先,基于希尔伯特黄变换（HHT,hilbert-huang transform）对配电网采集到的故障录波数据进行初步处理,使不同故障类型间的区分度更高;其次设计深度学习模型ResNet18学习故障事件的复杂非线性特征,从而辨识出故障类型结果。通过国内某真型试验场采集到的录波数据进行验证,证明了本文提出的综合辨识方法能准确识别出多种单相接地故障类型,可为后续制定有针对性的故障处理措施提供可靠依据。     

基于小波变换的配电网单相接地故障选线方法

分析了配电系统发生单相接地时的故障特征，在研究了现有选线方法的基础上，提出了利用小波变换的奇异性检测理论进行故障选线的新方法。该方法对单相接地故障的暂态分量进行小波变换，通过比较零序电流小波变换模极大值的大小和极性判别出故障线路。MATLAB仿真结果表明，该方法能够准确、可靠地实现故障选线，且不受故障电阻及中性点接地方式的影响。     

配电网的单相接地方法和故障研究

本文讨论了配电网主要采用的几种单相接地方式和优缺点,对单相接地的故障现象进行了分析。     

10kV配电网单相接地故障精确定位研究

提出了一种基于配电自动化系统,通过检测到的现场断路器和柱上开关等设备的反馈信息完成对10kV配电网单相接地故障,故障段的定位,利用离散小波变换、行波测距原理在此故障段上分别完成对接地故障点的故障选线精确定位。最后进行了实例验证,仿真结果表明,利用行波测距原理能够对难干准确定位的故障类型精确定位,并且算法简单,易于硬件实现,对配电网精确故障定位装置的研制提供了理论和技术依据。     

采用HHT的单相接地故障电流与励磁涌流辨识

为有效辨识中压配电网单相接地故障电流与变压器铁芯饱和产生的励磁涌流相似波形,提出一种基于希尔伯特 黄变换（HHT）经验模态分解（EMD）的辨识方法。通过对故障电流和励磁涌流进行EMD特性分析,将原始信号分解为若干本征模态函数（IMF）分量,根据确定的主导IMF分量个数以及比重系数和阈值的关系,区分出故障电流和励磁涌流的波形。仿真发现,单相接地故障电流主导的本征模态函数分量仅有1个,而励磁涌流主导的IMF分量则有多个;故障电流的比重系数Ki远大于励磁涌流的Ki。仿真结果表明,该方法能够有效辨识故障电流和励磁涌流。     

基于多判据聚类分析的配电网单相接地故障区段定位方法

针对单相接地故障零序暂态过程短暂、稳态特征量微弱,单一故障定位算法通常较难取得相对理想的选线结果,设计出一种基于多判据聚类分析的配电网单相接地故障区段定位方法.选取使用零序电流极性法、固有模态能量法和相电流突变量差异性法这3种具有代表性的单相接地故障选线方法生成故障特征集合,在一定时间维度内对选定的特征集进行聚类分析,根据聚类结果即可判定故障线路位置.多种故障条件下的仿真验证表明,该方法具有较好的灵敏性和可靠性.     

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。     

基于暂态分量的配电网单相接地故障选线新方法

在对目前应用小波变换技术进行配电网单相接地选线方法综合分析的基础上，提出了一种基于最小瞬时零序功率的选线新方法。通过分析配电网单相接地故障的暂态过程，给出了配电网单相接地故障时零序电压和各条线路的零序电流的瞬时表达式，定义了瞬时零序功率并将其作为故障选线特征量。结合配电网单相接地故障的大量仿真分析，应用小波包将零序电流和零序电压暂态信号逐层剥离，提取最大分量的信号频段为特征频段；根据各线路特征频带的零序电流、零序电压计算每条线路的瞬时零序功率，在短路第1个周期内，具有最小瞬时零序功率的线路为故障线路。仿真分析结果表明，该选线方法对中性点不接地和中性点经消弧线圈接地配电网都适用，而且不受短路时刻、线路长度的影响，抗电弧过渡电阻能力强。     

基于暂态分量的配电网单相接地故障选线新方法

在对目前应用小波变换技术进行配电网单相接地选线方法综合分析的基础上,提出了一种基于最小瞬时零序功率的选线新方法.通过分析配电网单相接地故障的暂态过程,给出了配电网单相接地故障时零序电压和各条线路的零序电流的瞬时表达式,定义了瞬时零序功率并将其作为故障选线特征量.结合配电网单相接地故障的大量仿真分析,应用小波包将零序电流和零序电压暂态信号逐层剥离,提取最大分量的信号频段为特征频段;根据各线路特征频带的零序电流、零序电压计算每条线路的瞬时零序功率,在短路第1个周期内,具有最小瞬时零序功率的线路为故障线路.仿真分析结果表明,该选线方法对中性点不接地和中性点经消弧线圈接地配电网都适用,而且不受短路时刻、线路长度的影响,抗电弧过渡电阻能力强.     

10kV配电网单相接地故障成因与排除方法分析

随着近年来城市电网改造工程的深入开展,10kV配电网的供电方式也发生了较大的变化。随着供电方式的改变,配电线路的绝缘水平得以提升,从而有效地降低了配电线路的跳闸率、提高了供电可靠性。但是在新的供电方式下也不可避免的发生单相接地故障,尤其是在较为恶劣的环境下更是事故频发。从10kV配电线路单相接地的故障分析入手,重点论述了故障的排除及处理措施。     

基于改进S变换的配电网故障定位方法

该文提出了一种基于改进S变换提取行波特征频率的配电网故障定位方法。配电线路故障产生的暂态行波在波阻抗不连续点之间来回反射,从而在不同的振荡路径上形成不同的特征频率分量,根据故障路径特征频率分量的大小可以计算出故障距离。S变换是一种性能优越的时频分析方法,该文将其应用到行波特征频率的提取中,仿真结果验证了该方法相此基于Morlet连续小波变换方法的优越性。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

基于改进免疫遗传算法的配电网网架规划

为了解决传统方法难以实现配电网网架规划组合优化的问题,针对改进免疫遗传算法具有生物免疫系统中抗体多样性的保持机制和基于抗体浓度的调节更新机制,同时又具有一般进化算法的随机搜索能力,采用改进免疫遗传算法对配电网网架规划进行求解,提高了种群的多样性和遗传算法的全局寻优能力.优化模型以网络年费用最小为优化目标,以线路传输容量、电压降、配电网的辐射性等为约束条件;根据配电网辐射性的要求,以备选网络的生成树作为初始解,从而避免了随机产生初始可行解时速度较慢的弊端.并借鉴支路交换的思想设计杂交算子和变异算子,以避免辐射性检查过程,使得算法的寻优能力大为增强.通过算例验证了该算法的有效性,同时算例结果表明该算法的计算速度比常规免疫遗传算法的计算速度有较大提高.     

基于人工免疫网络的多峰值函数优化

针对多峰值函数优化中常规方法难以同时搜索出多个极值的问题,借鉴生物免疫系统的相关机理,提出了基于人工免疫网络的多峰值函数优化算法,并在一些典型的测试函数上进行性能测试。实验结果表明,该算法具有很好的全局和局部搜索能力,能够较好地保持抗体的多样性,获得多峰值函数的全部或多个优化解。     

基于人工免疫的网络安全监控系统

引入人工免疫思想, 采用多Agent技术, 构建一个基于人工免疫体系结构和多Agent的网络安全监控系统, 用以改善传统网络安全监控系统的弊端. 该系统通过引入异常告警, 将免疫系统中的固有性免疫和适应性免疫相结合, 克服了传统网络监控中主机性能瓶颈、 监控内容静态固定、 监控方式单一及扩展性差、 适用范围窄等问题, 提高了网络安全监控系统的效能和可靠性.     

基于时频分析的网络故障自动识别

通过研究网络流量的时频分析,提出了一种新的基于平滑魏格纳分布(WVD)的故障识别算法.该算法只利用管理信息库中的标准信息来识别不同种类的故障,而且与现有的简单网络管理协议体系结构兼容.采用平滑WVD可消除交叉项的干扰,并将网络流量序列转换为二维空间的波动能量分布.用获取的不同网络服务的时频特性分布作为训练样本,训练后的K最近邻分类器可实现网络故障的识别.实验中,故障识别结果与预设的场景一致,与理论值相比识别误差率为14 41%.分析结果表明,该算法适用于具有流量变化的故障场景.     

一种改进的模糊人工免疫网络数据分类方法

针对现有人工免疫网络算法对先验知识应用不足的问题，提出一种基于模糊人工免疫网络的有监督学习数据分类方法．首先采用模糊C均值聚类算法为免疫网络提供疫苗（初始种群），将此疫苗作为免疫网络的初始抗体群，种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩，形成一个由浓缩后的训练数据构成的抗体网络，最终基于该抗体网络采用“邻近原则”构造分类器．由于各算子的协调作用，该方法能够在高浓缩率的情况下更好地代替样本空间．UCI（University of California，Irvine）数据集的仿真实验证明，与aiNet方法相比，该方法在分类准确率和数据浓缩率上分别高出7．26％和11．16％，而且更稳定、可靠．     

基于人工免疫网络的模式识别算法

针对实际对象数学模型不明确而难以控制的问题,采用人工免疫网络的离散模型与学习算法,将人工免疫系统与神经网络结构的优势相结合,提出了一种基于人工免疫网络的模式识别算法,构造了对象识别的人工免疫网络模型.该算法综合了网络节点的定位与参数调整以及对基函数的平滑因子实施调谐等功能,有效地解决了径向基函数(RBF)神经网络模式识别的两个阶段任务,使模式识别的精度有较大的改进.采用两个不同对象函数进行的仿真试验表明,该算法具有快速收敛性与较高的准确性.