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
针对传统谐波责任划分方法需采用专门同步设备监测数据,且需基于等值电路模型划分谐波责任,工程应用较为复杂等不足,采用现有谐波监测装置非同步测量数据,提出一种综合考虑了数据非同步性、场景划分和数据相关性的谐波责任划分方法。首...针对传统谐波责任划分方法需采用专门同步设备监测数据,且需基于等值电路模型划分谐波责任,工程应用较为复杂等不足,采用现有谐波监测装置非同步测量数据,提出一种综合考虑了数据非同步性、场景划分和数据相关性的谐波责任划分方法。首先,对原始非同步监测数据集采用分段聚合近似算法进行降噪预处理,利用形状动态时间规整算法(shape dynamic time warping,ShapeDTW)实现数据匹配对齐;然后,利用点排序识别聚类结构的聚类算法(ordering points to identify the clustering structure,OPTICS)划分场景以处理电力系统中因负荷投切和无功补偿装置切换等情况导致的谐波责任变化;最后,基于相关性分析构建场景谐波责任和总谐波责任指标,在指标构建的过程中引入了场景时长占比这一因素以得到更加科学合理的总谐波责任值。通过仿真验证和电网实例验证,该方法能基于现有非同步性监测数据实现各用户合理时间尺度动态谐波责任划分,可为工程上的快速谐波责任划分提供一定的新思路和新方法。展开更多
文摘针对传统谐波责任划分方法需采用专门同步设备监测数据,且需基于等值电路模型划分谐波责任,工程应用较为复杂等不足,采用现有谐波监测装置非同步测量数据,提出一种综合考虑了数据非同步性、场景划分和数据相关性的谐波责任划分方法。首先,对原始非同步监测数据集采用分段聚合近似算法进行降噪预处理,利用形状动态时间规整算法(shape dynamic time warping,ShapeDTW)实现数据匹配对齐;然后,利用点排序识别聚类结构的聚类算法(ordering points to identify the clustering structure,OPTICS)划分场景以处理电力系统中因负荷投切和无功补偿装置切换等情况导致的谐波责任变化;最后,基于相关性分析构建场景谐波责任和总谐波责任指标,在指标构建的过程中引入了场景时长占比这一因素以得到更加科学合理的总谐波责任值。通过仿真验证和电网实例验证,该方法能基于现有非同步性监测数据实现各用户合理时间尺度动态谐波责任划分,可为工程上的快速谐波责任划分提供一定的新思路和新方法。
