国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于MODWT和LSTM網(wǎng)絡(luò)的分布式電網(wǎng)故障診斷

2021-01-12 06:25陳佳慧靳一瑋
科技創(chuàng)新與應(yīng)用 2021年3期
關(guān)鍵詞:標(biāo)準(zhǔn)偏差特征向量故障診斷

陳佳慧,靳一瑋

(上海電力大學(xué) 電子與信息工程學(xué)院,上海 201306)

1 概述

在能源短缺,環(huán)境惡化和電力需求快速增長(zhǎng)的背景下,分布式發(fā)電技術(shù)得到了迅速地發(fā)展,也越來(lái)越受到研究者們的青睞。它不但能發(fā)揮分布式電源具備的可靠性高、環(huán)保和節(jié)能等優(yōu)點(diǎn),還能解決許多大型集中電網(wǎng)存在的潛在問題[1]。同時(shí),分布式電網(wǎng)的故障診斷技術(shù)也受到了廣泛的關(guān)注,因?yàn)樗诮鉀Q電網(wǎng)故障、恢復(fù)供電和確保其穩(wěn)定運(yùn)行等具有現(xiàn)實(shí)意義。

近年來(lái),人工智能方法(例如Petri網(wǎng)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等)已廣泛用于電力系統(tǒng)故障診斷的研究中[2-4]。曲麗萍等[2]采用改進(jìn)的概率Petri網(wǎng)對(duì)分層電網(wǎng)進(jìn)行故障診斷,既提高了故障診斷的準(zhǔn)確率又確保了通用性。袁柳楊[3]提出基于支持向量機(jī)的方法對(duì)復(fù)雜電網(wǎng)進(jìn)行故障診斷,并通過(guò)三種案例驗(yàn)證了該方法的有效性。楊彥杰等[4]利用優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)光儲(chǔ)微電網(wǎng)進(jìn)行故障診斷,結(jié)果表明該算法能準(zhǔn)確對(duì)內(nèi)部線路進(jìn)行故障分類。這些智能方法的運(yùn)用使得故障診斷得到了極大的改進(jìn):效率快,精度高。其中,長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory networks,LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)模型的一種變體,在對(duì)時(shí)間序列信息的處理上有一定的優(yōu)勢(shì),被廣泛應(yīng)用于語(yǔ)音識(shí)別、時(shí)間序列預(yù)測(cè)以及故障診斷等領(lǐng)域[5-7]。另外,許多研究在使用機(jī)器學(xué)習(xí)模型的同時(shí)也經(jīng)常采用小波變換對(duì)信號(hào)進(jìn)行特征提取。眾所周知,小波變換是進(jìn)行信號(hào)時(shí)頻分析的理想工具,它能很好地分析非周期性、噪聲、暫態(tài)等信號(hào)。實(shí)際的工程應(yīng)用通常使用離散小波變換(Discrete Wavelet Transform,DWT),如文獻(xiàn)[8-9]。然而,在分析時(shí)間序列時(shí),DWT需要將信號(hào)長(zhǎng)度限制為2J0的整數(shù)倍(其中:J0=1,2,3,...,J;J為 DWT 的分解級(jí)數(shù)),還對(duì)信號(hào)的起始點(diǎn)非常敏感[10]。與DWT相比,最大重疊離散小波變換(Maximum overlap discrete wavelet transform,MODWT)是一種高度冗余的非正交變換。當(dāng)MODWT用于分析故障引起瞬態(tài)的實(shí)時(shí)檢測(cè)時(shí),它可以比DWT更快地檢測(cè)瞬態(tài)[11];它可以任意選擇起始點(diǎn),而不會(huì)引起諸如相位失真等問題[10];此外,它還可以處理任何長(zhǎng)度的信號(hào),更適合于實(shí)際的應(yīng)用??紤]到MODWT和LSTM網(wǎng)絡(luò)的這些特點(diǎn),文章將兩者相結(jié)合應(yīng)用到分布式電網(wǎng)中,設(shè)計(jì)了一種智能的故障診斷方法,旨在提高分布式電網(wǎng)的故障分類準(zhǔn)確率。另外通過(guò)和其他智能診斷方案相比,該方法的故障分類準(zhǔn)確率是所有方案中最優(yōu)的,這將為電網(wǎng)故障診斷的實(shí)際分析和研究提供了一定的參考意義。

文章的其余結(jié)構(gòu)安排如下:第二部分介紹了故障診斷方案,包括MODWT理論、特征提取和LSTM網(wǎng)絡(luò);第三部分介紹了算例分析和結(jié)果討論;最后一部分是文章的結(jié)論。

2 故障診斷方案

2.1 MODWT理論

與DWT相比,MODWT具有以下特點(diǎn)[10]:它可以處理任何大小為N的樣本,適用范圍更廣;它沒有降采樣過(guò)程而不會(huì)丟失系數(shù)的完整性;另外,它具有平移不變性,不會(huì)受到時(shí)間序列起始點(diǎn)的影響。這些特點(diǎn)讓MODWT在一定程度上彌補(bǔ)了DWT在用于分析暫態(tài)信號(hào)時(shí)的局限性,適用于分析具有任意故障初相角的故障診斷問題。

對(duì)于一個(gè)任意長(zhǎng)度N的信號(hào)Y(N),MODWT將信號(hào)分解成log2N級(jí)。同時(shí),第j級(jí)的細(xì)節(jié)系數(shù)和尺度系數(shù)如公式(1)和公式(2)所示[12]:

其中:N 是信號(hào)的長(zhǎng)度;l=0,1,2,...L-1;L 是濾波器的寬度。

其中:L是濾波器的寬度。

2.2 特征提取

在采集到數(shù)據(jù)后,首先對(duì)波形進(jìn)行MODWT,可以得到每一級(jí)的細(xì)節(jié)系數(shù),如果直接把它們作為特征向量輸入到網(wǎng)絡(luò)中去訓(xùn)練,會(huì)引起諸如存儲(chǔ)空間大,處理時(shí)間長(zhǎng)以及分類準(zhǔn)確性差等問題[13]。因此,在不丟失原始信號(hào)特征的前提下,選擇合適的特征向量進(jìn)行訓(xùn)練至關(guān)重要。本文選用了標(biāo)準(zhǔn)偏差和平均值這兩個(gè)典型的統(tǒng)計(jì)量作為特征向量。特征向量的詳細(xì)信息如下:

(1)標(biāo)準(zhǔn)偏差:標(biāo)準(zhǔn)偏差是很多研究采用的典型特征向量,它可以反映一組數(shù)據(jù)分布的分散程度。根據(jù)文獻(xiàn)[9],標(biāo)準(zhǔn)偏差的定義如公式(5)所示:

其中:i=1,2,3,...,J(J是 MODWT 的分解級(jí)數(shù));N 是每一級(jí)的采樣點(diǎn)數(shù);Dij是細(xì)節(jié)系數(shù);μD,i是每一級(jí)細(xì)節(jié)系數(shù)的平均值。

(2)平均值:平均值的定義如公式(6)所示:

其中:i=1,2,3,...,J(J是 MODWT 的分解級(jí)數(shù));N 是每一級(jí)的采樣點(diǎn)數(shù);Dij是細(xì)節(jié)系數(shù)。

綜上:完整的故障分類特征量(F1-F8)如下所示:

(1)F1:A相的每一級(jí)詳細(xì)系數(shù)的標(biāo)準(zhǔn)偏差總和;

(2)F2:B相的每一級(jí)詳細(xì)系數(shù)的標(biāo)準(zhǔn)偏差總和;

(3)F3:C相的每一級(jí)詳細(xì)系數(shù)的標(biāo)準(zhǔn)偏差總和;

(4)F4:零序分量的每一級(jí)詳細(xì)系數(shù)的標(biāo)準(zhǔn)偏差總和;

(5)F5:A相的每一級(jí)詳細(xì)系數(shù)的平均值總和;

(6)F6:B相的每一級(jí)詳細(xì)系數(shù)的平均值總和;

(7)F7:C相的每一級(jí)詳細(xì)系數(shù)的平均值總和;

(8)F8:零序分量的每一級(jí)詳細(xì)系數(shù)的平均值總和。

2.3 LSTM網(wǎng)絡(luò)

LSTM網(wǎng)絡(luò)的隱藏層結(jié)構(gòu)包含遺忘門、輸入門和輸出門,其公式分別如式(7)-(12)所示[14]:

遺忘門:

其中:ft為遺忘門;σ 為 sigmoid 函數(shù);Wf為權(quán)重;bf為偏差。

輸入門:

其中:it為輸入門;σ 為 sigmoid 函數(shù);Wi、Wc為相應(yīng)的權(quán)重;bi、bc為相應(yīng)的偏差;Ct為 t時(shí)刻的單元狀態(tài);為記憶單元的輸入狀態(tài)。

輸出門:

干法電選是利用粉煤灰在高壓電場(chǎng)作用下,因灰與炭導(dǎo)電性能不同而進(jìn)行的分離。粉煤灰是非導(dǎo)體物料,炭粒是良好的導(dǎo)體物料,在圓形電暈電場(chǎng)中,當(dāng)粉煤灰獲得電荷后,炭粒因?qū)щ娦阅芰己?,很快地將所獲電荷通過(guò)圓筒帶走,在重力慣性離心力作用下,脫離圓筒表面,被拋入導(dǎo)體產(chǎn)品槽;而非導(dǎo)體的粉煤灰所獲電荷在表面釋放速度較慢,故在電場(chǎng)力作用下,吸收在圓筒表面上,被旋轉(zhuǎn)圓筒帶到后部,由卸料毛刷排入非導(dǎo)體產(chǎn)品槽中,從而達(dá)到灰炭分離的效果。

圖1 LSTM網(wǎng)絡(luò)的結(jié)構(gòu)圖

其中:ot為輸出門;σ為sigmoid函數(shù);Wo為權(quán)重;bo為偏差;ht是t時(shí)刻的輸出。

3 算例分析

3.1 模型的建立

本文采用了修正的IEEE 13總線系統(tǒng)進(jìn)行算例分析,在MATLAB軟件中搭建相應(yīng)的仿真模型,如圖2所示。以下是對(duì)該系統(tǒng)的一些說(shuō)明[15]:

(1)這是一個(gè)小型、負(fù)載較高且三相不平衡的4.16kV饋線系統(tǒng)。

(2)該系統(tǒng)的架空線和地纜線的相位不平衡。注意,有些線路是單相的:如線路684-653和線路684-611;有些線路是兩相的:如線路671-684、線路632-645和線路645-646;其他線路則是三相的。

(3)一個(gè)4.16kV的三相電壓源直接連接到測(cè)試系統(tǒng)中的節(jié)點(diǎn)632處,而不是像原始系統(tǒng)那樣通過(guò)穩(wěn)壓器連接節(jié)點(diǎn)650和節(jié)點(diǎn)632。

(4)光伏發(fā)電單元通過(guò)一個(gè)4.16kV/480V的變壓器連接到節(jié)點(diǎn)680處,從而實(shí)現(xiàn)并網(wǎng)。

(5)系統(tǒng)的其余數(shù)據(jù)都未作改動(dòng),具體參數(shù)詳見文獻(xiàn)[16]。

3.2 數(shù)據(jù)的產(chǎn)生

本文在建模仿真時(shí)需要考慮任意的故障發(fā)生時(shí)間、不同的故障線路、不同的過(guò)渡電阻和各類短路故障類型等不同的故障工況,以盡可能模擬實(shí)際的電網(wǎng)運(yùn)行情況。其具體設(shè)置如下所示:

(1)故障發(fā)生時(shí)刻:對(duì)于系統(tǒng)仿真的各個(gè)時(shí)刻均有可能發(fā)生故障且發(fā)生的概率相同,所以故障發(fā)生時(shí)刻服從[0,1]分布,本文在仿真時(shí)隨機(jī)產(chǎn)生了三個(gè)故障發(fā)生時(shí)刻t1、t2、t3;

(2)故障線路:圖2中的line632-633,line632-671,line692-675,line671-680四條線路;

圖2 修正的IEEE13總線微電網(wǎng)系統(tǒng)拓?fù)鋱D

(3)故障過(guò)渡電阻阻值:0.01Ω,1Ω,50Ω;

(4) 短路故障類型:AG,BG,CG,AB,AC,BC,ABC,ABCG,ABG,ACG,BCG。

所以:以上共模擬了3*3*4*11=396種故障工況。

3.3 LSTM網(wǎng)絡(luò)模型

LSTM網(wǎng)絡(luò)的故障分類模型由輸入層、隱含層和輸出層組成,將經(jīng)過(guò)特征提取后的8維特征向量組成的輸入數(shù)據(jù),輸入數(shù)據(jù)通過(guò)隨機(jī)分配分成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,測(cè)試數(shù)據(jù)集將用于驗(yàn)證其性能。輸出目標(biāo)維數(shù)是短路故障的11種類型,隱含層為一層,其狀態(tài)維數(shù)以及剩余參數(shù)的設(shè)置對(duì)網(wǎng)絡(luò)的訓(xùn)練至關(guān)重要,將直接決定最終的分類效果,若選擇不恰當(dāng)還可能會(huì)出現(xiàn)過(guò)擬合和欠擬合等現(xiàn)象。通常它們沒有確定的選擇,可以通過(guò)經(jīng)驗(yàn)公式和不斷試驗(yàn)來(lái)設(shè)置。本文具體的參數(shù)設(shè)置如表1所示:

表1 LSTM網(wǎng)絡(luò)的參數(shù)設(shè)置

3.4 結(jié)果分析和方案比較

為了驗(yàn)證所提方案的有效性,本文首先對(duì)其性能進(jìn)行了測(cè)試和評(píng)估,其故障分類結(jié)果如表2所示。接著,將提出的方案與其他智能故障診斷方案的性能進(jìn)行了比較,其結(jié)果也匯總在表2中。注意:其中效果最好的方案以粗體顯示,且這些比較方案的數(shù)據(jù)均由本文測(cè)試系統(tǒng)生成的數(shù)據(jù)提供。

表2 故障分類結(jié)果及對(duì)比

通過(guò)表2可以看出:基于MODWT和 LSTM神經(jīng)網(wǎng)絡(luò)的故障分類準(zhǔn)確率達(dá)到了98.99%,同時(shí)通過(guò)和其他方案比較可以發(fā)現(xiàn),在所有這些比較方案中所提出的方法以最高的分類準(zhǔn)確率優(yōu)于其他方案,從而驗(yàn)證了該方法是有效的。

盡管所提出的方案可以獲得很好的分類精度,但仍然存在個(gè)別錯(cuò)誤判斷的情況。主要原因是:當(dāng)過(guò)渡電阻增加時(shí),故障相的電壓和電流的特性將變得越來(lái)越不明顯,從而導(dǎo)致區(qū)分的難度增加。特別是在高阻抗(嚴(yán)重)故障的情況下,甚至可能出現(xiàn)無(wú)法區(qū)分的情況。

4 結(jié)論

本文提出了一種基于MODWT和LSTM網(wǎng)絡(luò)的分布式電網(wǎng)故障診斷的智能方法,并在修正的IEEE 13總線標(biāo)準(zhǔn)系統(tǒng)上進(jìn)行了測(cè)試。我們對(duì)收集到的故障數(shù)據(jù)進(jìn)行特征提取,通過(guò)MODWT可以提取出頻域特征作為特征向量,輸入到LSTM網(wǎng)絡(luò)中去訓(xùn)練。結(jié)果表明,它可以快速并準(zhǔn)確地對(duì)故障類型進(jìn)行分類,并且不會(huì)受到故障發(fā)生時(shí)間和過(guò)渡電阻等影響。同時(shí),與幾種現(xiàn)有的診斷方案相比,該方法可以提供更好的故障分類精度,這將為提高分布式電網(wǎng)故障分類精度的研究提供一定的參考。盡管該技術(shù)在故障分類中的應(yīng)用是可行的,但仍存在一些不足:本文沒有涵蓋故障定位的內(nèi)容,這對(duì)故障診斷的研究也是必不可少的,因此未來(lái)需要進(jìn)一步的研究和探索。

猜你喜歡
標(biāo)準(zhǔn)偏差特征向量故障診斷
二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計(jì)——以特征值和特征向量為例
比亞迪秦EV充電系統(tǒng)故障診斷與排除
克羅內(nèi)克積的特征向量
基于包絡(luò)解調(diào)原理的低轉(zhuǎn)速滾動(dòng)軸承故障診斷
傾斜改正在連續(xù)重力數(shù)據(jù)預(yù)處理中的應(yīng)用
三個(gè)高階微分方程的解法研究
數(shù)控機(jī)床電氣系統(tǒng)的故障診斷與維修
平滑與褶皺表面目標(biāo)的散射光譜的研究
互感器檢定裝置切換方式研究
WLR—60D溫度表檢定裝置不確定度的評(píng)定