陈仕龙, 谢佳伟, 毕贵红, 张杰, 张文英[1]2015年在《一种特高压直流输电线路神经网络双端故障测距新方法》文中研究指明提出一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法。传统基于高频量衰减特性的特高压直流输电线路双端测距方法的测距精度依赖于线路衰减常数的准确求取,但准确计算线路衰减常数是一个难题。人工神经网络具有很强的非线性逼近拟合能力,利用人工神经网络方法,将不必准确计算线路衰减常数也能准确实现故障定位。选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波线模分量高频部分首波头幅值比作为BP神经网络的输入样本集,故障距离作为输出样本集,对神经网络进行训练、测试,形成直流输电线路故障测距神经网络模型,将反映故障位置的特征数据输入训练后的网络模型即可实现故障测距。大量仿真结果表明:该基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法精度较高,而且耐受过渡电阻能力强。
林圣[2]2011年在《基于暂态量的高压输电线路故障分类与定位方法研究》文中进行了进一步梳理随着综合国力的不断提升与电力工业的飞速发展,我国电力系统已经步入了高电压、大电网和大机组时代；但随着输电容量与电压等级的不断提高以及输电距离的不断增长,高压输电线路的故障将对电力系统的稳定运行、国民经济建设及人民日常生活带来更为严重的危害与影响。因此,研究快速、准确的输电线路故障分类与故障定位方法,不仅可以缩短停电时间、减小电力运行维护人员的工作强度,而且对保障电力系统的安全性与经济性具重要的意义。高压输电线路故障产生的暂态量虽然持续时间短,却蕴含了丰富的故障信息,这为实现快速、准确的故障分类与定位提供了可能性。基于此,本文以构筑高压输电线路的快速故障诊断系统为目标,对基于暂态量的高压输电线路故障分类与故障定位方法进行研究。在故障分类方面,论文基于人工智能算法给出了三种高压输电线路故障分类方法。其一为基于粗神经网络的故障分类方法,该方法提取故障暂态电流信号13种不同的时域特征和时频域特征作为故障分类的特征量,以10个不同的粗神经网络构成故障分类器对十种常见的短路故障进行分类识别。其二为基于自适应神经模糊推理系统的故障分类方法,该方法以暂态电流故障分量的时域标准差和四分位距作为故障分类的特征量,根据特征量的特点构造两个不同的自适应神经模糊推理系统作为故障分类器,第一个用于分类识别单相故障、两相故障和三相故障,当其输出结果为两相故障时,利用第二个分类器来判断故障是否为接地故障。其三是基于阴性选择算法的故障分类方法,该方法以暂态电流信号的高频暂态能量作为故障分类的特征量,并依据改进的阴性选择算法设计故障分类的分类机制。利用PSCAD/EMTDC仿真数据对三种故障分类方法进行了测试与验证,仿真结果表明：论文给出的三种方法均能快速、准确、可靠地分类识别出高压输电线路的故障类型,且其分类效果不受故障电阻、故障距离、故障初始角等因素的影响,对噪声干扰具有较强地适应性。其次,论文在研究高压输电线路故障暂态信号时频特征的基础上,提出了一种基于暂态信号时频特征的故障分类方法。该方法综合考虑故障暂态电流信号的时频相关系数和时频能量特征,定义了暂态信号的时频特征相关系数,以此来刻画不同的故障类型；并据此设计故障分类机制,避免了基于人工智能算法的故障分类方法中训练样本难以构造的问题。利用仿真数据对故障分类方法进行了仿真验证,结果表明：该方法能快速、准确、可靠地分类识别出高压输电线路的不同故障,且其分类效果不受故障电阻、故障距离和故障初始角等因素的影响。在故障定位方面,为提高现有单端行波法和行波固有频率法的定位准确性,论文基于暂态行波的时频特征,提出了两种单端故障定位方法。方法一为考虑暂态行波频域特征的时域故障定位方法,该方法以传统单端行波法为出发点,在考虑暂态电流行波频率特征对行波传播速度及波头到达时刻影响的基础上,利用暂态行波信号的Lipschitz指数将暂态行波波头的时域特征和频域特征联系起来,得到更为准确的故障定位结果。方法二为考虑暂态行波时域特征的频域故障定位方法,该方法以单端行波固有频率法为出发点,利用信号的时域周期特征来修正暂态行波信号的固有频率值,进而得到更为准确的故障定位结果。大量的PSCAD/EMTDC仿真试验结果证明：提出的两种故障定位方法的定位准确性比现有的行波法和固有频率法都有明显的提高,且其定位的可靠性、准确性不受故障电阻、故障初始角以及故障类型的影响,同时具有较强抗噪能力。论文最后将考虑暂态行波时域特征的频域定位方法拓展至高压输电网的故障定位中,在推导了暂态行波信号的固有频率与其在电网中的传播路径以及边界条件的数学关系的基础上,提出了基于暂态行波传播路径的高压输电网故障定位方法。该方先根据暂态行波信号的固有频率值或分布情况准确地判断故障线路,然后利用反映包含故障点的行波传播路径的固有频率对故障距离进行准确计算。大量仿真试验结果表明：在输电网拓扑结构确定的情况下,该方法不仅能准确地判断出故障线路,而且还能准确地计算出故障距离,且故障定位准确性不受故障电阻、故障初始角和故障类型的影响。总的来说,本论文最终形成了一个从故障分类到故障定位的高压输电线路快速故障诊断体系。本论文是国家自然科学基金——《基于信息理论的多信源电网故障诊断方法及应用》(No.50877068,2009-2011)和教育部博士点基金——《基于单端行波自然频率提取的输电线路故障测距新方法》(No.200806130004,2009-2011)的组成部分。
杨家兴[3]2000年在《基于人工神经网络的输电线路故障测距新方法研究》文中进行了进一步梳理高压输电线路故障测距具有巨大的社会效益和经济效益，是国内外电力生产和科研部门密切关注的研究课题。 高压输电线路的故障测距受到故障过渡电阻、故障前负荷电流、对端系统阻抗等诸多因素的影响，很难用精确数学模型来描述，使得常规的测距方法存在这样或那样的缺陷和不足。人工神经网络(ANN)具有很强的模式分类、非线性映射、联想和鲁棒性等能力，在继电保护及故障测距领域成为研究的热点。 鉴于单端法测距的不足和ANN的基本功能，以高压输电线路的故障电气量与故障点之间的一一对应关系为出发点，利用NcuroShell 2神经网络仿真工具，通过样本的组织、可推广性的研究，提出了一种基于人工神经网络(ANN)的输电线路的单端故障测距新方法。 本文首先对输电线路任意点短路进行电磁暂态数字仿真，为组织训练样本及测试样本提供数据来源。该方法基于多传输线理论，频域分析方法和Hosono的数值反拉氏变换技术，采用频变参数模型进行仿真，适用于均匀换位与不换位的线路并考虑了电弧故障。 本文通过对单一神经网络的测距效果进行实验发现，单一神经网 S③R络不但存在训练难以收敛的问题，而且测距误差已达到了无法实际应用的程度，网络也是病态的。在此基础上，提出分层分介的神经网络，第一层完成故障相别判定任务，将输电线路故障类型划分为五类；第二层五个测距子网络分别完成对应五种故障类型的准确测距。 为检验分层分布神经网络的综合测距性能，组织了大量不同类型的故障样本进行测试，结果表明该方法能有效的克服和消除过渡t川阻和对端系统阻抗变化的影响，具有较高的测距精度和良好的可推广性，说明该方法是有效且可行的。
杨立红[4]2014年在《直流输电线缆混合线路故障测距方法》文中认为线缆混合线路作为直流输电线路的一种，具有节约土地资源、便于跨越大江和海峡以及供电可靠性高等独特优点，在我国直流输电系统中得到广泛应用。发展一种适合高压直流线缆混合输电线路的精确可靠故障测距技术，对于保障电力系统的安全运行，提高系统的经济性和可靠性具有重要意义。行波波速的选取和反射波头的检测是影响行波法测距精度和可靠性的主要因素。线缆混合输电线路的色散特性和衰减特性会造成的故障行波波头畸变和波速变化，进而影响了行波测距的可靠性和精确度。而固有频率测距算法具有回避波头识别和能够准确计算波速的特点，测距可靠性较高，与行波法有较高的优势互补性，因此，对于线路连接较为简单的A型线缆混合输电线路，为提高行波法测距的准确性和可靠性，本文在分析直流故障行波时域特征和频域特征的基础之上，将固有频率测距算法引入传统单端和双端行波测距法中：首先利用行波固有频率计算出故障点位置的粗略值；然后反推出所需行波波头达到母线测点的时间范围，由此对所需行波反射波头进行识别；最后利用行波法得到准确测距结果。对于更为复杂的B型混合输电线路，行波波头的识别和提取难度较大，行波测距的可靠性和精度较低。因此，本文提取故障行波固有频率的幅值和频率作为样本属性，提出一种基于神经网络的线缆混合输电线路故障测距算法。对于直流线缆混合输电线路，故障区域不同，固有频率的成分及幅值也不同。该算法首先根据固有频率频谱中有无“定频”以及主频的大小判断故障发生的区域，然后利用分层分布式神经网络进行故障测距。为了提高了BP神经网络的训练效率，加快其收敛速度，文中采用粒子群算法对神经网络的权值和阈值进行优化，进一步增强了该测距算法的实用性。最后，在EMTDC/PSCAD仿真环境下，建立了高压直流线缆混合输电线路仿真模型，并且采用新型测距法分别对不同故障点和不同过渡电阻值等各种类型的线路故障进行了测距仿真验证。大量仿真结果表明：新型故障测距算法的测距精度和可靠性比原有行波法有明显提高，且对故障距离具有良好的适应能力，对过渡电阻具有良好的鲁棒性。
刘飞[5]2005年在《信息处理智能方法及其在高压输电线路故障分析中的应用》文中进行了进一步梳理随着电力系统规模的日益发展,对输电线路的安全运行和供电可靠性的要求越来越高。高压输电线路作为输电系统中的枢纽干线,在电力系统中起着重要作用,其故障直接威胁着现代电力系统的安全运行,而且引起的经济损失也越来越大。当输电线路发生故障时,在很短的时间内会有大量的报警信息,如果仅凭运行人员的经验进行故障诊断,其快速性和正确性难以保证。因此研究智能化的高压输电线路故障诊断和分析系统对电力系统恢复决策的制定和电力系统的安全运行具有重要意义。本文在对目前高压输电线路故障分析的基础上,提出了实现输电线路故障类型识别、故障测距和故障诊断的新方法。为高压输电线路故障智能综合分析提供了新途径,具有重要的理论意义和实用价值。针对目前高压输电线路的故障类型识别在原理上主要依据某种逻辑关系来实现故障类型识别的局限性,本文提出采用满足结构风险最小化原理(SRM)的支持向量机(SVM)算法来进行高压输电线路的故障类型识别。针对高压输电线路故障模式空间的非线性可分情况,提出将SVM算法通过非线性变换将输入向量映射到高维空间来进行模式分类的方式,实现了对高压输电线路整个故障模式空间的非线性最优分类,达到了准确故障类型识别的目的。另外,SVM算法还具有训练过程简单,训练结果清晰明了的特性,可以实现故障类型的快速识别。本文利用一种基于双端电气量的新型方法进行输电线路的故障测距。该方法对两端电气量的数据采集不要求严格同步,而且在求解时只需识别出故障所属类型,而无需知道具体的故障相别。仿真测试表明,该方法不受故障类型、故障点位置、过渡电阻和线路两端系统运行阻抗角的影响,能精确地确定出故障点位置,具有较高的实用价值。针对高压输电线路故障诊断的智能方法要求模型简单,容错性能强的问题,本文提出使用径向基函数神经网络(RBFNN)来实现高压输电线路的故障诊断。在对RBFNN网络的隐含节点数目以及核函数的确定过程中,本文提出采用基于HCM算法的聚类过程,该算法与常规的LBG等算法相比,不需要在每一次迭代中计算新的模式种类的重心,并且不用预设高斯核函数的宽度r ,不仅使聚类过程简单,而且避免了人为预设r值对聚类数的确定带来的影响,实现了RBFNN网络结构的最优确定,从而使整个网络达到了较高的利用效率。仿真结果表明, 基于RBFNN的故障诊断系统不仅可以有效地实现高压输电线路故障诊断,而且网络的训练速度和对畸变输入信息的容错能力均优于传统的神经网络方法。
谢佳伟[6]2015年在《特高压直流输电线路神经网络故障测距新方法研究》文中研究表明特高压直流输电具有输送容量大、送电距离远、线路走廊窄等优点,因此在远距离电能传输方面具有明显的优势,研究准确、快速的特高压直流输电线路故障测距技术具有较高的实用价值。目前直流输电线路故障后的测距主要依赖于行波故障定位技术,分为单端行波测距法和双端行波测距法。单端行波法需要准确识别第二个反射行波波头,高阻接地故障时第二个反射行波波头的正确识别存在困难；双端行波测距法需要通讯设备,且对两端同步采样要求很高。本文在分析故障行波在特高压直流输电线路上传播特性的基础上,发现了与故障距离之间存在特定非线性关系的特征量,鉴于人工神经网络具有良好的非线性逼近拟合能力,利用人工神经网络对故障特征量与故障距离之间的非线性关系进行拟合逼近,进而提出了几种基于故障特征量的神经网络测距算法,具体工作如下：1)分析故障高频量在线路上传播时的衰减特性,推导出故障距离与到达整流侧和逆变侧测距装置处的故障电压行波首波头幅值比之间的数学关系,但准确计算线路衰减常数是一个难题。人工神经网络具有很强的非线性逼近拟合能力,利用人工神经网络方法,将不必准确计算线路衰减常数也能准确实现故障定位。大量仿真结果表明：该基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法精度较高,而且耐受过渡电阻能力强。2)仿真发现特高压直流输电线路发生故障时,暂态电压线模分量和零模分量首波头模极大值比与故障距离之间呈现非线性关系,而且此关系与故障强度无关。利用BP神经网络对两者之间的关系进行拟合,进而利用检测装置处检测到的模量首波头模极大值比进行故障测距。不同故障类型下不同故障距离的大量仿真结果表明：该基于模量首波头模极大值比的特高压直流输电线路神经网络单端测距方法精度较高。3)故障行波零模分量与线模分量到达线路端测距装置处的时间差与故障距离之间呈现非线性关系,而且此种关系与故障类型无关,故利用BP神经网络对这种关系进行拟合以达到故障测距的目的。仿真表明：该基于模量传输时间差的特高压直流输电线路单端故障测距神经网络算法精度较高。
田鑫萃[7]2012年在《含补偿元件的输电线路行波故障测距方法研究》文中研究指明FACTS元件用于输电线路,一方面可以提高输电线路的输送功率的极限,另一方面提高系统的稳定性。线路中含有串联补偿器,而破坏了输电线阻抗的均匀性。并联无功补偿装置STATCOM安装在线路中点时,若故障位于STATCOM安装位置之后,STATCOM会向线路中注入电流。利用工频量的单端测距,由于其测量阻抗是根据首端电压、电流计算得到的,因此不能正确反映故障位置。随着现代电子技术的迅速发展,特别是微电子技术发展,DSP的出现和以小波变换为代表的信号处理工具广泛地应用于提取故障暂态信息,使得故障行波测距的可靠性和精度得到了提高。全文围绕含有FACTS元件的输电线路行波测距这一重大课题展开工作,详细分析了STATCOM元件和TCSC元件的工作原理及其数学模型,并分析控制系统的动作特性,利用仿真软件PSCAD/EMTDC搭建其电磁暂态仿真模型。行波在串补线路传播时要经过串补装置,串补装置是否对行波波头检测有影响这个问题值得研究。串补电容对低频分量具有较强的透射和反射,随着串补度的增加,串补电容的透射作和反射增强；而对于高频分量,频率越高,透射作用越强,反射作用越弱。可见,对于含有串补元件的故障测距,主要原因不在于串补电容,而在于MOV的动作特性。线路故障时,流过MOV的电流剧增,呈导通状态,电容器短路,线路阻抗发生突变,致使线路电流又一次突变,产生又一次暂态行波。双端行波测距仅利用了故障初始行波,在输电线路短路时,由短路故障引起的MOV的导通要滞后于故障发生时刻一定的时间,利用双端测距可以消除对MOV动作产生的行波波头的辨识。对于单端行波测距,若线路发生单相接地故障,线路量测端得到线模分量的第二行波波头可能来自故障点反射波,或是对端母线的反射波、或是健全线路反射波,甚至可能是故障点零模透射到线模的反射行波,甚至可能MOV动作产生的行波波头。可见量测端在时间轴上行波波头的增加使得故障点第二个反射波波头的识别变得困难。利用单端量的行波测距必须对第二个行波波头进行辨识。神经网络具有大规模并行、分布储存和处理、自组织、自适应和自学习能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。因此,将神经网络引入故障测距,利用神经网络强大的拟合能力,正确的辨识第二个行波波头的性质,到达精确定位。对于阻抗法测距来说,由于STATCOM的投入,其注入的电流改变了测量阻抗,从而引入测距误差。但从行波角度看,STATCOM对地阻抗可以等效为一个电感,在行波高频可以视为开路,因此不影响行波在此的折反射,因此行波法可以成功运用于含有并联补偿的线路。
杨家兴, 束洪春, 蔡武卫[8]2000年在《基于人工神经网络的输电线路单端故障测距方法》文中研究说明针对传统单端故障测距的不足 ,提出了一种利用时域波形数据输入人工神经网络 (ANN)进行故障测距的新方法 ,经仿真测试证明该方法具有较高的精度和良好的适应性。
参考文献：
[1]. 一种特高压直流输电线路神经网络双端故障测距新方法[J]. 陈仕龙, 谢佳伟, 毕贵红, 张杰, 张文英. 电工技术学报. 2015
[2]. 基于暂态量的高压输电线路故障分类与定位方法研究[D]. 林圣. 西南交通大学. 2011
[3]. 基于人工神经网络的输电线路故障测距新方法研究[D]. 杨家兴. 四川大学. 2000
[4]. 直流输电线缆混合线路故障测距方法[D]. 杨立红. 华北电力大学. 2014
[5]. 信息处理智能方法及其在高压输电线路故障分析中的应用[D]. 刘飞. 天津大学. 2005
[6]. 特高压直流输电线路神经网络故障测距新方法研究[D]. 谢佳伟. 昆明理工大学. 2015
[7]. 含补偿元件的输电线路行波故障测距方法研究[D]. 田鑫萃. 昆明理工大学. 2012
[8]. 基于人工神经网络的输电线路单端故障测距方法[J]. 杨家兴, 束洪春, 蔡武卫. 云南电力技术. 2000
标签：电力工业论文; 自动化技术论文; 人工神经网络论文; 输电线路论文; 固有频率论文; 仿真软件论文; 特高压输电论文; 定位精度论文; 线性系统论文; 可靠性分析论文; 可靠性设计论文; 可靠性测试论文; 非线性论文;