论文部分内容阅读
配电网是电力系统的末端供电环节,其稳定性和可靠性直接影响着电力用户的人身安全和社会的稳定发展。配电网的网架结构大,拥有大量的配电设备,而且配电设备的电压绝缘等级不高,容易发生过电压事故。据统计,电力系统中70%～80%的过电压故障都发生在配电网。为了提高线路的绝缘水平,降低过电压发生的概率,有必要针对配电网过电压类型识别方法展开研究。本文分析了国内外学者对过电压的研究思路,总结了当前在用的特征量提取方法以及分类算法,指出希尔伯特-黄变换(Hilbert-HuangTransform,HHT)在处理非线性、非平稳信号方面的优势和深度学习算法应用在过电压领域的潜力,并以9种内部过电压为研究对象进行了详细分析。内部过电压波形包含暂态和稳态分量,为了筛选出合适的特征量,提出了暂稳态结合的特征量提取思路。列举了 HHT带通滤波算法的实现步骤,并用实例指出了该方法在信号处理方面的降噪特性。用奇异值分解理论(Singular Value Decomposition,SVD)提取时频矩阵奇异值作为过电压信号的特征量。在具体阐述支持向量机(Support Vector Machine,SVM)、卷积神经网络(Convolutional Neural Network,CNN)等理论的基础上,设计了 8层SVM和9层CNN两个智能分类器用于配电网内部过电压的分类识别。提出两种配电网内部过电压识别方法:方法1用HHT带通滤波算法对电压波形进行不等频宽分解,构造分频带时频矩阵,然后用SVD处理矩阵得到奇异值作为特征量,最后用训练样本对到多级SVM进行参数寻优,并用测试样本验证该方法的准确率。方法2对分频带时频矩阵进行处理,计算其在时域上的能量块,形成分块时频能量谱,将其以图像的形式输入到9层CNN进行训练和测试。利用PSCAD/EMTDC平台,搭建10kV中性点不接地配电网软件仿真系统,对9种内部过电压进行仿真。利用MATLAB软件分析过电压数据,对比两种算法在配电网内部过电压识别方面的准确度和速度,发现基于分块时频能量谱和CNN的方法在各方面都要优于基于时频矩阵SVD和多级支持向量机。用在物理仿真系统和不同配电网软件仿真系统中采集的过电压数据验证方法2的适应性,发现过电压样本数据的整体识别率达到了 96%以上。