论文部分内容阅读
近年来,随着国民经济的高速发展,人们对电能的需求越来越大,一流配电网建设也在逐步推进。配电系统的网络结构日益复杂,线路分支较多,架空线和电缆线路相互混联,运行状态多样,难免会发生各种类型故障。快速准确地辨识故障类型和定位故障点位置将有利于故障迅速排除,缩短停电时间,减少人工巡线的工作量。但是电力系统的故障机理较为复杂,故障信号呈现较强的随机性与非线性,数据规模庞大,故障特征提取与分析环节存在误差积累,导致现有的故障诊断方法的结果难以达到预期的效果。本文将新一代人工智能技术、混沌理论和现代信号处理方法引入到配电网故障诊断之中,可以实现配电网的故障类型辨识、故障选线、故障定位与故障测距,提高了配电网故障诊断效果。（1）研究了在样本充足与样本不充足两种情况下配电网故障类型辨识方法。1)在样本充足情况下,提出参数优化变分模态分解（variational mode decomposition,VMD）和卷积神经网络（convolutional neural network,CNN）相结合的配电网故障类型辨识方法。利用VMD算法分解电网主变低压侧线路的三相电流、母线的三相电压和零序电压信号,将所得的固有模态函数按照中心频率从低到高顺序排列,构建时频矩阵,为了自适应地确定VMD算法的分解层数,采用多尺度排列熵偏均值对其进行优化。对时频矩阵进行量化编码,将其转成像素矩阵,适当压缩后作为CNN的输入,通过CNN自主地提取故障的特征向量。分别采用支持向量机、朴素贝叶斯分类器、极限学习机、随机森林对CNN提取的特征向量进行训练与测试,验证了方法的有效性。2)在样本不充足或样本不平衡条件下,提出了一种基于改进自适应加噪完备集合经验模态分解（modified complete ensemble empirical mode decomposition with adaptive noise,MCEEMDAN）和条件生成式对抗神经网络（conditional generative adversarial network,CGAN）数据扩充的配电网故障辨识方法。通过MCEEMDAN方法,将电量信号逐层分解为一系列固有模态函数,对得到的固有模态函数进行数据到图像的转换,实现将原始一维时域信号转成二维灰度图像。对故障灰度图像添加标签,利用CGAN生成大量新样本实现数据扩充,为了提高生成样本的质量,在原始CGAN网络中引入最小二乘损失函数使生成样本与真实样本更加接近。采用CNN自主挖掘增强后的原始样本故障特征,利用Softmax分类器实现配电网故障分类。通过实验分析,结果表明,利用样本数据扩充方法可以有效学习原始样本数据分布特征,进而提高配电网故障类型识别的正确率。该方法具有稳定性好,收敛速度快,精度高等优点,能够有效地完成配电网故障类型辨识。（2）当小电流接地系统发生单相接地故障时,各线路零序电流信号含噪成分严重,并呈现出了非线性和非平稳等复杂特征使得故障选线较为困难。针对此问题,提出改进互补集合经验模态分解（modified complementary ensemble empirical mode decomposition,MCEEMD）优良降噪光滑模型和混沌振子相结合的配电网故障选线方法。通过广义回归神经网络、模糊C均值聚类和广义复合多尺度排列熵结合得到改进的CEEMD方法,将原始信号逐层分解为一系列相对平稳的固有模态函数完成一次滤波,在分解阶段采用端点镜像法解决端点效应问题,MCEEMD方法可以抑制经验模态分解（empirical mode decomposition,EMD）的模态混淆问题,较集合经验模态分解（ensemble empirical mode decomposition,EEMD）和CEEMD方法有更好的完备性和正交性。建立优良降噪光滑数学模型,择优选取固有模态函数完成二次滤波,保证重构的滤波信号具有较好的光滑度和相似度。通过MCEEMD优良降噪光滑模型可以削弱噪声干扰,增强故障特征。应用混沌振子的分岔特性,将各线路零序电流信号的优良降噪结果作为混沌振子的外周期策动力,利用三分对称相位检测方法,通过图像纹理参数自主判别混沌振子的相变轨迹完成故障选线。实验算例分析证明该方法具有很强的适用性和有效性。（3）针对配电网故障区段定位进行了研究。提出一种基于小波包变换AlexNet-GRU模型实现配电网故障区段定位的方法。利用小波包变换分解配电网的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息。建立AlexNet-门控循环单元（gated recurrent unit,GRU）模型,通过微调的AlexNet网络自主提取像素矩阵的故障特征作为预测变量,将提取的预测变量作为GRU的输入,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,结果表明,该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。（4）研究了 一种基于图像空间域融合与卷积神经网络（convolutional neural network,CNN）的配电网故障测距方法。通过相模变换矩阵对三相行波进行解耦,获取行波线模分量。利用格拉姆角场（Gramian angular field,GAF）将一维行波线模分量转换为二维图像。一维线模分量通过GAF可以被映射成二维图像的颜色、点、线和其它特征参数。为了扩大线模行波的不可见信息,将格拉姆角和场（Gramian angular summation field,GASF）、格拉姆角差场（Gramian angular difference field,GASF）得到的图像进行加权融合。利用CNN模型自主挖掘二维图像的特征并进行故障测距。仿真结果表明,该方法无需考虑行波的波头和行波的波速,且测距方法不受故障时刻、故障距离和过渡电阻等因素的影响,具有较好的鲁棒性和较高的故障测距精度。