中点钳位(neutral point clamped,NPC)型三电平逆变器并网工作环境恶劣,IGBT面临单管与双管同时故障的挑战,这使得故障特征之间的差异变得非常微弱,进而导致双管故障的识别精度难以有效提升。为此,提出了一种新的故障诊断方法,该方法结...中点钳位(neutral point clamped,NPC)型三电平逆变器并网工作环境恶劣,IGBT面临单管与双管同时故障的挑战,这使得故障特征之间的差异变得非常微弱,进而导致双管故障的识别精度难以有效提升。为此,提出了一种新的故障诊断方法,该方法结合了多通道的二维递归融合图和轻量化多尺度残差(lightweightmultiscale convolutional residuals,LMCR)网络。首先,通过仿真获取三相电流信号作为故障信号;再利用递归图(recurrence plot,RP)将三相电流信号分别转化为二维图并进行多通道融合,以捕捉时间序列中的周期性、突变点和趋势等特征;最后,将递归融合图作为输入,输入到LMCR模型中进行故障识别,LMCR模型整合多级Inception结构和残差网络,用于提取不同尺度的特征并融合这些特征,从而保证网络的梯度消失和爆炸。实验结果显示,该方法在IGBT故障识别中表现出色,无噪声环境下平均识别准确率达100%,噪声环境中也达到了92.53%,充分证明了该方法具有较强的特征提取能力和优异的抗噪性能。展开更多
保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive princip...保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive principal component analysis and extreme learning machine optimized by grey wolf optimization,RPCA-GELM)数据驱动的保护测量回路误差评估方法。首先基于电力系统正常运行下历史数据与实时数据,应用RPCA技术在线更新主元特征模型以缩短评估时间,进一步引入4种统计算法生成4类误差监测特征量,构建误差综合评判方法进行特征优选,提升误差评估准确率。然后针对模型评估精度取决于关键参数C、σ,引入国际无限折叠混沌映射策略对灰狼算法进行优化,以提升参数寻优精度和收敛速度,在此基础上结合ELM算法提出了基于GELM的保护测量回路误差评估方法。最后通过多组对比实验验证了所提方法能实现模型性能优化,且相对其他方法有效提升了保护测量回路误差评估准确率与精度。展开更多
文摘保护测量回路是电力系统继电保护的基石,其误差评估对电网安稳运维举足轻重。针对保护测量回路静态隐藏误差可能诱发保护误动/拒动的风险且难以在线监测问题,提出了一种基于递推主元分析和改进灰狼算法优化极限学习机(recursive principal component analysis and extreme learning machine optimized by grey wolf optimization,RPCA-GELM)数据驱动的保护测量回路误差评估方法。首先基于电力系统正常运行下历史数据与实时数据,应用RPCA技术在线更新主元特征模型以缩短评估时间,进一步引入4种统计算法生成4类误差监测特征量,构建误差综合评判方法进行特征优选,提升误差评估准确率。然后针对模型评估精度取决于关键参数C、σ,引入国际无限折叠混沌映射策略对灰狼算法进行优化,以提升参数寻优精度和收敛速度,在此基础上结合ELM算法提出了基于GELM的保护测量回路误差评估方法。最后通过多组对比实验验证了所提方法能实现模型性能优化,且相对其他方法有效提升了保护测量回路误差评估准确率与精度。
