Jul, 2023

利用神经网络对气体绝缘高压直流系统中的超高频局部放电信号进行分类

PDF
TL;DR本文提出并分析了一种基于神经网络的方法，用于分类高压直流气体绝缘系统中对金属凸起和导电粒子产生的局部放电信号，同时对不同的归一化策略的影响进行了探究。
partial dischargesgas insulated systemsneural networkclassificationhvdc gis
发现论文，激发创造
  • 电力变压器局部放电特征工程和分类模型

    使用相态分解部分放电信号数据来识别局部放电，建立了一套包括总量级、最大值级和最长空区段长度等特征的分类模型，采用随机森林和支持向量机分类方法，在分类准确率方面取得了显著的成果，同时开发了一个叠加集成模型，结果表明该模型在准确性和方差方面均优于现有方法。

    Oct, 2022

  • 基于物理约束的异构图神经网络及其在直流隔离器放置中的应用

    通过开发物理信息的异构图神经网络来解决基于图的直流阻挡器部署问题，该方法结合了异构图神经网络和物理信息神经网络，以捕捉交流 / 直流网络中不同类型的节点和边，并融合电力网络的物理定律。经过案例研究验证，结果表明该方法能够有效而高效地支持 GIC 直流阻挡器的部署，确保持续供电以满足社会需求，对于抵御不断增长的 GMD 威胁的可靠且弹性电力网络的发展具有潜力。

    May, 2024

  • 基于数据驱动的配电系统高阻抗故障定位方法

    高阻抗故障的准确快速识别对于配电系统的可靠运行至关重要。本文提出了一种数据驱动的方法，通过优化问题近似高阻抗故障电压电流轨迹的分段函数特征，并利用支持向量机方法在不同位置高效地识别高阻抗故障。对 IEEE 123 节点测试馈线的数值研究证明了该方法在实时高阻抗故障识别方面的有效性和准确性。

    Nov, 2023

  • 从电力信号中学习：电力传输系统中电气干扰识别的自动化方法

    电力质量问题的自动化分析方法使用基于规则的分析技术对电压和电流信号的时域和频域特性进行分类，具有高准确度。通过循环直方图检测微小信号变化，预防电力系统问题，提高传输系统的可靠性。

    Sep, 2023

  • 分布式发电下配电系统基于数据驱动的接地故障定位方法

    该研究提出了一种数据驱动的接地故障定位方法，通过分析处理后的数据的统计量，利用人工神经网络找到计算的电压特征与故障之间的映射关系，实现了接地故障的定位。研究结果表明该方法具有良好的潜力，并为测试鲁棒性而应用于未知系统状态的数据集。

    Feb, 2024

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 物理引导的图神经网络用于实时的交直流功率流分析

    本文提出了一种基于物理引导的图神经网络来对交流 / 直流混合系统进行更快速的电力流分析，并取得了比传统基于模型的基准更高的计算效率。

    Apr, 2023

  • 基于混合 AI 的相量测量单元数据异常检测模型

    本研究旨在开发基于混合算法的深度学习模型，用于检测 phasor measurement unit 数据中的异常，数据集基于实际电网测量数据，并探讨了异常数据产生的影响和缓解方法。

    Sep, 2022

  • 具有未知模式和性能保障的配电网线路故障识别

    在这项研究中，我们提出了一种实用而稳健的检测方法，仅利用现有的电压幅值，消除了昂贵的相角或功率流数据的需求，并通过梯度下降学习后事故分布的参数，以及添加 Bregman 散度约束解决可行性问题，证明可以及时检测和定位停电，无需假设已知停电模式。

    Sep, 2023

  • 利用深度卷积自编码器进行电力系统干扰的无监督聚类

    该论文提出了一种使用自编码器和 K 均值聚类的无监督学习技术，可将电力质量事件分类为下降、中断、瞬变、正常和谐波畸变等类别，并使用 t 分布随机邻域嵌入（t-SNE）可视化工具分析这些聚类，便于快速研究大量事件，为电力系统工程师诊断和纠正根本问题提供帮助。

    Jun, 2023