一、基于相关分析的故障选线方法（论文文献综述）
朱承治,郑伟彦,夏晓春,吴靖,钮伟梁,刘箭,余天吟[1]（2021）在《基于暂态相电流频率特性的配电网单相接地故障选线方法》文中指出对配电网发生单相接地故障后,同一线路故障相与非故障相之间以及故障线路与非故障线路之间的暂态相电流故障分量的能量频带分布差异进行了分析,据此提出一种基于暂态相电流频率特性的配电网单相接地故障选线方法。该方法通过对每条线路的三相电流故障分量进行小波包时频分析,找到各线路非故障相能量最大的频带,通过比较每条线路的故障相与非故障相在该频带内的能量选择出故障线路。理论分析及MATLAB仿真结果表明,该选线方法可以正确选择出故障线路。
魏科文,张靖,何宇,刘影,姚刚,张义坤[2]（2021）在《基于VMD和相关性聚类的谐振接地系统单相接地故障选线》文中提出通过分析谐振接地系统的故障暂态零序电流组成及特性,提出了一种基于暂态非工频分量相关性聚类的故障选线方法。首先,将变分模态分解和快速傅里叶变换相结合,准确分离暂态零序电流中的工频分量和噪声信号,得到暂态非工频分量。然后,采用局部加权回归算法对各出线的非工频分量进行平滑处理,获得线路非工频分量的整体趋势,计算各出线的相关系数矩阵。最后,通过免阈值设定的K-means聚类算法实现故障选线。仿真结果表明,所提出的选线方法能够准确选取故障线路,选线结果不受故障电阻、故障初相角等因素的影响,且具有较好的抗噪能力。
喻锟,胥鹏博,曾祥君,李理,杨理斌[3]（2022）在《基于模糊测度融合诊断的配电网接地故障选线》文中研究表明非有效接地配电网运行与故障条件复杂多变,现有配电网接地故障选线方法难以有效覆盖不同故障工况,尤其对于高阻接地与弧光接地故障,基于单一故障特征量的故障判据误判率高。该文提出一种基于模糊测度融合诊断的配电网接地故障选线新方法,借助模糊C均值聚类算法,将多种运行工况下采集的表征被保护馈线不同运行状态的历史特征样本集划分为故障类与非故障类,以多种样本相似性测度判据定量分析待测样本与不同类型历史样本的相似程度,形成模糊测度融合诊断矩阵。通过多级评判指标体系对模糊测度融合诊断矩阵进行评判,从而放大故障特征,削弱偶然因素对故障判断的影响,最终输出综合判据矩阵,准确识别故障样本。PSCAD/EMTDC仿真与10kV真型实验测试结果均表明,在非线性负荷等干扰因素的影响下,该方法依然能够准确地捕捉故障特征,在各故障工况下正确地辨识故障样本,具备对不同系统运行方式变化的自适应能力,具有很强的鲁棒性。
田业,徐天奇,李琰,邓小亮,王阳光[4]（2021）在《基于重构误差及多尺度交叉样本熵的谐振接地系统故障选线》文中研究指明针对大量应用电缆线路导致的谐振接地系统单相接地故障时选线正确率下降的问题,提出一种基于计算馈线暂态零序电流重构误差及其低频分量多尺度交叉样本熵的故障选线方法。谐振接地系统单相接地故障时由于消弧线圈补偿作用,故障线路暂态零序电流相位、周期变化均与健全线路不同。利用相位变化不同,通过同步挤压小波逆变换对暂态零序电流进行重构并计算误差。利用周期变化不同计算暂态零序电流低频分量多尺度交叉样本熵。重构误差、交叉样本熵之和均为最大值的线路即为故障线路。大量仿真结果证明,该方法受不同故障条件影响较小,可靠性高,抗干扰性强。
温思成[5]（2021）在《小电流单相接地故障选线方法的研究》文中研究说明在电力系统中,依据中性点接地方式的不同,分为小电流接地和大电流接地。在我国,小电流接地方式应用于大多中低压配电网。其中,小电流接地系统可分为中性点不接地系统、中性点经消弧线圈接地系统和中性点经大电阻接地系统。我国主要采用上述的前两种方式。而单相接地故障在小电流接地系统总体故障中发生的比例高达80%以上。但因发生接地故障时,外界干扰因素较多,而故障电流的幅值又比较小,对故障选线带来很大的困难。所以,研究一种准确率高且适用性强的选线方法具有十分重要的意义。通过分析可知,只依据单独故障特征来判断线路是否发生故障已经不再适用和准确。因此本文从线路发生故障前后零序电流的暂、稳态,以及其他波形特征出发,提出一种基于主成分分析和支持向量机联合的小电流接地故障选线新方法。本文首先对我国主要采用的两种接地系统进行理论分析,对发生单相接地故障时两种系统中各自电气量的变化进行了解;利用Matlab/Simulink工具箱搭建系统仿真模型,通过模拟多种常见故障并与理论分析结果进行对比,验证了模型的准确性同时得到故障数据,为选线算法提供数据支持;接着采用控制变量法的思想,利用信噪比和均方根误差做为降噪质量评判指标,最终选取dB8小波作为小波基函数,分解层数为6层对带噪线路信号进行去噪处理。对去噪后的信号采用主成分分析进行特征提取,最终确定4组表征能力最强的故障特征。最后采用最小二乘支持向量机建立故障线路分类模型,利用改进的果蝇算法对模型参数进行优化处理,实验结果表明该算法不受接地方式的影响,且故障选线正确率达到92%以上。为验证该算法的有效性和适用性,在实验室搭建不接地系统故障模拟电路,通过采集模拟电路中故障数据对该算法进行测试。通过测试结果得出如下结论:本文算法充分结合了稳态、暂态时期二者的特点,能够识别母线、馈线故障,且不受故障距离、接地角度、过渡电阻、噪声、接地方式的影响,验证了该方法的有效性和适用性。
李梦涵[6]（2021）在《小电流系统单相接地故障选线方法研究》文中研究指明小电流接地方式因为其高供电可靠性得以广泛应用于我国现有配电网,且所有故障事故中,由单相接地引起线路故障的发生率高达80%。然而,在现有配电网线路发生接地故障时,故障选线装置由于误选、漏选等情况,导致选线正确率不能满足供电可靠性要求。因此,研究如何快速、准确地识别出故障线路在减小故障对供电的影响和充分发挥小电流接地系统的优势等方面具有重要意义。为此,本文从小电流接地系统故障选线问题展开研究,重点在于解决提取故障特征、判定故障线路、提高选线准确率的问题。本文主要工作如下:建立小电流接地系统单相接地故障理论模型,根据所构建的模型对单相接地故障的发展过程和故障特征进行了详细地理论推导。同时,通过综合比较故障信号幅值及其所包含故障特征的丰富程度,说明暂态选线算法的优越性。结合实际线路单相接地故障特性,以Matlab/Simulink为平台搭建小电流接地系统故障仿真模型,模拟实际配电网中可能出现的各种单相接地故障的情况,得到仿真数据,进一步验证理论分析的正确性,并为后文选线模型提供数据支撑。获取各出线故障前后的零序电流后,利用VMD（变分模态分解）得到包含不同分量的三种IMFs（模态分量）,通过计算各条线路模态能量测度构成特征向量。输入SVM（支持向量机）分类器对故障样本数据进行分类,针对SVM参数优化问题,引入鲸鱼群优化算法得到最优的参数值,最终将测试样本分别输入训练好的ELM（极限学习机）、KELM（核极限学习机）、SVM、WOA-SVM模型中,得到测试结果,验证了本文所采用的基于VMD特征提取和WOA-SVM分类的选线模型的优越性。
耿芳[7]（2021）在《基于迁移卷积神经网络的配电网故障选线研究》文中研究指明我国6～35k V的中压配电网以小电流接地系统居多,发生单相接地故障的几率高达80%,出于用户对供电质量的高要求,需要及时切除故障,这使得配电网的故障选线无疑成为热点研究问题。然而由于电缆线路的广泛接入、消弧线圈的补偿作用和系统运行方式的多变,不仅增加了故障选线难度,而且目前依靠人工提取故障特征的传统方法也很难保证选线可靠性和准确性。因此,有必要对故障选线问题更进一步探索,这对配电网的安全稳定运行具有重大意义。基于实际配电网故障数据少、标注缺失的情况,提出一种小样本数据驱动下的迁移卷积神经网络（Transfer Convolutional Neural Network,T-CNN）方法实现故障选线。本文首先分析配电网的接地故障特征,确定了暂态信号是表征故障线路特征的主要信号分量。其次搭建小电流接地系统模型并设置故障条件,仿真得到了网络训练所需故障数据集,并针对网络模型输入数据是二维矩阵形式,利用Hilbert时频谱带通滤波方法构造了故障信号的时频能量矩阵。然后由于卷积神经网络在小数据集下的学习能力有限,则利用迁移学习方法微调训练卷积神经网络得到T-CNN模型,该模型适用于小数据集的学习。最后结合相关理论和参数搭建了10k V的配电网仿真模型,并模拟实际配电网的复杂环境,仿真分析迁移学习在小样本数据集下的优势和T-CNN模型的选线性能。仿真结果表明:本文方法借助网络自适应学习特征的能力,解决了人工提取特征的耗时和复杂问题,且T-CNN模型不受少量数据和网络复杂结构的约束,依旧能正确判断故障线路,较无迁移学习的CNN模型的选线效果要好,速度要快,并且受过渡电阻、噪声等因素影响小,此外使用DBN模型和传统的分类器（支持向量机）进行分类对比,进一步验证了该模型在少量训练样本下的选线优势。另外,小样本数据集下迁移学习的引入也为配电网其他方面的研究提供了新思路。
杜雪[8]（2021）在《基于经验小波变换的混合线路故障定位研究》文中提出随着城市现代化建设的不断推进,线-缆混合输电线路结构占比在配电网中大幅度提升。在市外常选用架空线路进行输电以期降低配电网运行成本,在市内常敷设电缆线路来进行输电,其供电可靠性高、维护工作量小且可以美化市容、节约土地资源。故障行波定位技术优点众多,主要包括不受系统振荡、电流互感器饱和、过渡电阻和长线分布电容等影响,故本文选用行波法对混合线路故障进行定位。基于此,本文以三条出线的小型配电网为研究对象,通过对故障发生前后暂态零序电流作差提取故障电流行波,研究基于经验小波变换的混合线路单相接地故障时的故障选线及故障测距方法。主要研究内容如下:（1）对在电力系统配电网中发生单相接地故障时的各电气量做简要分析,在Pscad中搭建具有三条出线的单端供电小型配电网系统仿真模型。利用经验小波变换（Empirical Wavelet Transform,EWT）对配电网发生单相接地故障时的故障电流行波进行分解,得到低频分量,然后根据低频分量选线判据对配电网仿真模型进行故障选线;故障测距主要采用单端行波测距原理,通过对低频模态分量进行奇异性检测,利用游标标尺准确标定故障线路行波波头,通过计算得到准确的故障距离。（2）提出了一种基于经验小波变换的能量熵选线判据。在Pscad中搭建具有三条出线的双端供电小型配电系统仿真模型。利用经验小波变换对故障线路的故障电流行波进行自适应分解得到各个模态分量（IMF）,以此计算各条出线的能量熵值,根据能量熵选线判据实现故障线路正确选线。（3）针对三段式混合输电线路,提出了基于经验小波变换的双端行波测距方法。将线路故障电流行波提取之后,对其进行经验小波分解得到高频分量,通过对高频分量进行波形分析,得到故障行波分别到达两端母线时的时间,做差计算可得故障发生区段。最后通过双端测距原理进行测距。仿真结果表明,本文所提的基于经验小波变换的低频分量选线判据与能量熵选线判据均可在配电网系统中可靠选线;本文所提基于经验小波变换的混合输电线路单双端行波测距方法测距误差较小,可用于工程实践。
姜路宁[9]（2021）在《基于SVD-SNN配电网单相接地故障选线方法研究》文中研究表明随着国民经济不断发展,对电力系统的稳定性和高效运行要求越来越高。在我国,中低压配电网大多选择小电流接地系统。如果系统过长时间处于故障状态,会导致严重后果,故障概率大小将直接影响国民经济的稳定性。因此,如何准确的在小电流接地系统中,判定排查出故障位置,是当今研究工作的一个重点。本文主要围绕如何快速进行故障选线这一问题进行研究,提出了一种基于SVD-SNN的配电网选线方法,对电网的安全运行起到夯实稳定的作用。1.首先分析了国内外的科研成果及研究领域前沿的发展趋势,并对小电流接地系统中单相接地故障特征进行研究分类,分析得到发生故障时,故障线路与非故障线路两者的暂态零序电流波形特征明显不同。利用这种特性,用奇异值分解对故障线路暂态零序电流的主成分进行特征提取,达到消除外界噪声等对电流信号干扰的目的。2.为了提高选线的快速准确性,引入孪生神经网络建立了基于SNN的相似性度量故障选线模型,利用随机梯度下降算法对参数进行优化,并在Matlab中搭建了小电流接地系统的仿真模型。针对单相接地故障的零序电流,列举四种故障条件作为样本,进行算法的仿真验证并得到样本特征数据。再设置60组不同条件的故障进行仿真,将输出的故障特征数据整理,作为输入特征向量,最后导入建立好的神经网络选线模型中,进行故障选线的判定。3.为进一步研究SVD-SNN算法适用性,本文还对比了另外两种传统选线方法的判定准确率。仿真及选线结果表明,本文采用选线方法与另两种方法的相似性度量选线方法,即与基于欧氏距离选线方法及动态时间弯曲选线方法相比,故障选线的准确率更高。该论文有图51幅,表4个,参考文献78篇。
李纳纳[10]（2021）在《基于机器学习的配电网弱故障选线方法》文中研究说明配电网同国计民生息息相关,其安全可靠运行对国民经济和生产生活至关重要。由于配电网接线繁杂,设备、负荷多样,故障时有发生。为了提高电力配送的稳定性,小电流接地系统在配电网中使用较多。而在实际应用中,出现次数最多又较为棘手的是单相接地故障,此类弱故障发生时,电气信号微弱,特征量的幅值较小,是以这种情况下正确进行故障检测、及时选出故障线路一直是亟待解决的难点问题。本论文在弱故障情况下对各线路做弱故障检测,以判断其是否发生弱故障,进而选出故障线路。针对弱故障检测与选线问题,所作工作为:（1）采用选线的方法进行弱故障检测,对现今针对配电网弱故障检测的研究现状及方法进行提炼概述,说明了各自的适用范围和局限性,进而指出仅基于单一特征的方法不足以应对复杂的配电网工况。（2）小电流接地系统发生故障时,会出现稳态分量和暂态分量,前者虽易于获取,却较为微弱,而后者信号显着,存在时长却更短暂。针对暂稳态特征各自的局限性都很大的情况,本论文通过对配电网小电流接地故障暂稳态特征的分析,筛选出能够检测出弱故障的零序电流幅值、零序电流相位、暂态能量、初始行波、暂态入端零序阻抗等多个特征量,综合利用暂稳态特征,并通过相应的变换对其进行量化,之后对所得数据进行数据预处理,清除冗余项,从而用作弱故障检测的样本数据集。（3）提出了基于机器学习的选线方法。首先形成样本数据集,对支持向量机（SVM）、随机森林（RF）、贝叶斯（NB）三种基分类器进行训练,建立分类器模型;分类器模型建立之后,论文采用软投票法,根据每个基分类器在集成分类器中的重要程度和输出标签的可信度,给出每个分类器的输出分类结果的权重,代表对最终分类结果的影响程度,然后对所有分类器的输出结果加权后进行投票,取最高值为输出结果。之后采用动态加权的方法,给各个分类器分配合适的权值,且赋给多分类器系统中的每个分类器的权值不是固定不变的,会根据输入向量的变化而变化。训练好的集成分类器可以在特征不明显的情况下,有效对故障线路进行甄别,检测出发生弱故障的线路。（4）仿真验证本文提出的基于机器学习选线方法的可行性。首先使用PSCAD软件生成原始数据,并对原始数据进行预处理,形成训练样本数据集,之后使用Python软件编写算法训练得到由三种基分类器集成的弱故障检测模型,并利用辨识样本数据集对是否能检测出线路中的弱故障,进而选出故障线路进行验证。本文提出的基于机器学习的SVM、RF、NB三种基分类器相集成的模型同时具有级联和并联处理样本的能力。最后,通过Python编程实现该模型,同时利用仿真,获取故障特征量,对分类器进行验证。结果表明所选取的特征量在故障特征微弱的单相接地故障情况下能够表征出线路的故障情况,由此训练所得的集成分类器适用范围广,在多种工况下都能准确进行故障检测,具有很高的精度。
二、基于相关分析的故障选线方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于相关分析的故障选线方法（论文提纲范文）
（1）基于暂态相电流频率特性的配电网单相接地故障选线方法（论文提纲范文）
| 0 引言 |
| 1 暂态相电流的频率特性分析 |
| 1.1 故障相暂态电流频率 |
| 1.2 非故障相暂态电流频率 |
| 1.3 故障线路与非故障线路的故障相电流振荡频率特性对比 |
| 2 基于暂态相电流频率特性的单相接地故障选线方法 |
| 2.1 小波包分解 |
| 2.2 选线原理 |
| 3 单相接地故障选线方法仿真分析 |
| 3.1 仿真模型的建立 |
| 3.2 故障选线方法的仿真验证 |
| 4 结语 |
（3）基于模糊测度融合诊断的配电网接地故障选线（论文提纲范文）
| 0 引言 |
| 1 基于模糊聚类分析的历史数据类型聚合 |
| 1.1 构建历史样本集 |
| 1.2 数据预处理 |
| 1.3 历史样本集模糊聚类算法 |
| 2 基于多级评判指标体系的故障判据融合 |
| 2.1 样本相似性测度判据 |
| 2.1.1 隶属度测度判据 |
| 2.1.2 距离相似度比重测度判据 |
| 2.1.3 相关系数比重测度判据 |
| 2.2 构建多级评判指标体系 |
| 1）评判因素集 |
| 2）评判集 |
| 3）权重集 |
| 2.3 模糊测度融合诊断模型 |
| 3 配电网接地故障选线的实现 |
| 4 仿真分析 |
| 4.1 故障样本的获取 |
| 4.2 基于模糊测度融合诊断的故障选线 |
| 4.3 与其他选线方法的对比分析 |
| 5 真型实验验证 |
| 6 结论 |
（5）小电流单相接地故障选线方法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 课题研究的主要内容 |
| 2 小电流系统接地故障特征分析 |
| 2.1 故障特征理论分析 |
| 2.1.1 不接地系统理论分析 |
| 2.1.2 谐振接地系统理论分析 |
| 2.2 模型建立及分析 |
| 2.2.1 模型建立 |
| 2.2.2 模型验证 |
| 2.2.3 仿真结果分析 |
| 2.3 本章小结 |
| 3 带噪接地故障信号的数据去噪 |
| 3.1 小电流接地故障信号噪声分析 |
| 3.1.1 噪声对线路数据特征提取的影响 |
| 3.1.2 含噪故障线路数据预处理 |
| 3.2 小波变换 |
| 3.2.1 小波变换基础理论 |
| 3.2.2 小波基函数及分解尺度的选取 |
| 3.2.3 小波变换在本文中的应用 |
| 3.3 本章小结 |
| 4 接地信号故障特征的提取与分析 |
| 4.1 各类型故障特征的提取 |
| 4.1.1 信号波形的基波特征量 |
| 4.1.2 信号波形的五次谐波分量 |
| 4.1.3 信号波形的有功分量 |
| 4.1.4 信号波形的小波能量 |
| 4.1.5 信号波形的峰值因子 |
| 4.1.6 信号波形的均值 |
| 4.1.7 信号波形的方差 |
| 4.2 主成分分析(PCA) |
| 4.3 主成分分析对接地故障特征的处理 |
| 4.4 本章小结 |
| 5 基于SVM理论的故障线路分类器设计及参数优化 |
| 5.1 最小二乘支持向量机 |
| 5.1.1 支持向量机(SVM) |
| 5.1.2 最小二乘支持向量机(LSSVM) |
| 5.2 基于LSSVM的分类器模型 |
| 5.3 基于改进果蝇算法的参数优化方法 |
| 5.3.1 果蝇算法(FOA) |
| 5.3.2 改进果蝇算法 |
| 5.4 基于改进果蝇算法的分类器模型参数优化 |
| 5.4.1 模型参数优化仿真 |
| 5.5 本章小结 |
| 6 小电流接地系统模拟实验电路 |
| 6.1 不接地系统故障模拟实验电路 |
| 6.2 数据采集系统 |
| 6.3 不接地系统故障的选线结果 |
| 6.4 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读工程硕士学位期间主要成果 |
（6）小电流系统单相接地故障选线方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 外加注入信号选线方法 |
| 1.2.2 工频量故障选线方法 |
| 1.2.3 暂态量故障选线法 |
| 1.2.4 基于人工智能的融合选线方法 |
| 1.3 本文主要研究内容 |
| 2 小电流接地故障特征分析 |
| 2.1 小电流接地系统单相接地故障稳态分析 |
| 2.1.1 中性点不接地系统 |
| 2.1.2 中性点经消弧线圈接地系统 |
| 2.2 小电流接地系统单相接地故障暂态分析 |
| 2.2.1 暂态电容电流 |
| 2.2.2 暂态电感电流 |
| 2.2.3 暂态接地电流 |
| 2.3 本章小结 |
| 3 模型搭建及故障特征提取 |
| 3.1 基于Matlab/Simulink的单相接地故障仿真 |
| 3.1.1 模型建立 |
| 3.1.2 仿真结果分析 |
| 3.2 基于VMD模态能量测度的故障特征提取 |
| 3.2.1 变分模态分解 |
| 3.2.2 分解层数k的确定 |
| 3.2.3 仿真信号分析 |
| 3.2.4 模态能量法 |
| 3.3 本章小结 |
| 4 基于鲸鱼群优化算法的支持向量机故障选线模型 |
| 4.1 支持向量机 |
| 4.2 鲸鱼群优化算法 |
| 4.3 WOA-SVM选线模型 |
| 4.4 故障选线流程 |
| 4.5 仿真验证与分析 |
| 4.5.1 故障样本的选取 |
| 4.5.2 仿真结果对比分析 |
| 4.6 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间主要研究成果 |
（7）基于迁移卷积神经网络的配电网故障选线研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的选题背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 配电网故障选线研究现状 |
| 1.2.2 卷积神经网络应用研究现状 |
| 1.2.3 迁移学习方法在卷积神经网络中的应用研究现状 |
| 1.3 论文的主要研究内容和创新点 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的创新点 |
| 2 配电网接地故障特征分析 |
| 2.1 故障稳态特征分析 |
| 2.2 故障暂态特征分析 |
| 2.2.1 暂态电容电流分析 |
| 2.2.2 暂态电感电流分析 |
| 2.2.3 暂态接地电流分析 |
| 2.3 零序网络分析 |
| 2.4 其他类型故障特征分析 |
| 2.5 小结 |
| 3 配电网故障数据采集及预处理 |
| 3.1 故障数据采集 |
| 3.2 故障数据预处理 |
| 3.2.1 常用时频分析方法介绍 |
| 3.2.2 希尔伯特黄变换介绍 |
| 3.2.3 Hilbert时频谱带通滤波方法介绍 |
| 3.3 小结 |
| 4 迁移学习在卷积神经网络中的应用分析 |
| 4.1 深度学习概述 |
| 4.2 卷积神经网络的结构原理 |
| 4.2.1 局部连接 |
| 4.2.2 权值共享 |
| 4.2.3 下采样 |
| 4.3 卷积神经网络的数学模型 |
| 4.3.1 卷积层 |
| 4.3.2 池化层 |
| 4.3.3 全连接层 |
| 4.3.4 激活函数 |
| 4.4 卷积神经网络的训练算法 |
| 4.5 迁移学习基本理论 |
| 4.5.1 迁移学习的定义 |
| 4.5.2 迁移学习的分类 |
| 4.5.3 基于模型的迁移学习准则的应用实现 |
| 4.6 迁移学习应用在卷积神经网络中的过程 |
| 4.7 小结 |
| 5 基于迁移卷积神经网络的配电网故障选线研究 |
| 5.1 配电网故障选线流程的实现 |
| 5.2 配电网故障仿真模型搭建和故障数据样本生成 |
| 5.3 配电网故障数据时频能量矩阵的形成 |
| 5.4 配电网故障选线的T-CNN模型的迁移微调训练 |
| 5.4.1 迁移卷积神经网络训练过程理论框架 |
| 5.4.2 迁移卷积神经网络模型的迁移微调训练 |
| 5.4.3 T-CNN模型结构与分类标签 |
| 5.4.4 损失函数与度量标准 |
| 5.5 仿真验证与结果分析 |
| 5.5.1 迁移卷积神经网络的训练结果 |
| 5.5.2 CNN和 T-CNN模型仿真结果对比分析 |
| 5.5.3 迁移卷积神经网络在配电网中的适应性分析 |
| 5.6 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）基于经验小波变换的混合线路故障定位研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单相接地故障选线研究现状 |
| 1.2.2 单相接地故障测距研究现状 |
| 1.3 论文的主要研究内容 |
| 2 基本理论 |
| 2.1 线路故障行波特性分析 |
| 2.1.1 行波传播的线路模型 |
| 2.1.2 行波的产生过程 |
| 2.1.3 行波的传播特性 |
| 2.2 混合输电线路故障行波测距定位存在的问题 |
| 2.3 经验小波变换方法介绍 |
| 2.4 经验小波变换的优越性 |
| 2.5 小结 |
| 3 基于经验小波变换的混合线路单相接地故障测距 |
| 3.1 故障线路选线 |
| 3.1.1 故障信号EWT分解 |
| 3.1.2 低频选线判据 |
| 3.2 单端行波测距原理 |
| 3.3 算例仿真 |
| 3.3.1 故障暂态零序电流提取 |
| 3.3.2 故障行波提取 |
| 3.3.3 故障选线仿真 |
| 3.3.4 故障测距定位仿真 |
| 3.4 小结 |
| 4 能量熵与双端行波测距相结合的混合线路故障定位 |
| 4.1 能量熵原理 |
| 4.2 三段式线缆混合输电线路故障行波传播特性 |
| 4.3 线缆混合线路故障行波定位方法 |
| 4.4 算例仿真 |
| 4.4.1 建立仿真模型 |
| 4.4.2 基于能量熵的故障选线仿真 |
| 4.4.3 测距定位仿真 |
| 4.5 小结 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（9）基于SVD-SNN配电网单相接地故障选线方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 研究现状及发展趋势 |
| 1.3 论文的主要研究内容 |
| 2 小电流接地系统故障特征分析 |
| 2.1 不接地系统的故障特征 |
| 2.2 经消弧线圈接地系统故障特征 |
| 2.3 本章小结 |
| 3 故障信号的特征提取 |
| 3.1 SVD的基本理论知识 |
| 3.2 构建特征矩阵 |
| 3.3 算例分析 |
| 3.4 本章小结 |
| 4 建立故障选线模型 |
| 4.1 时间序列相似性度量 |
| 4.2 SNN神经网络 |
| 4.3 建立选线模型 |
| 4.4 故障选线模型参数优化 |
| 4.5 本章小结 |
| 5 仿真验证与分析 |
| 5.1 仿真模型搭建 |
| 5.2 配电网选线方法仿真分析 |
| 5.3 神经网络适应性验证 |
| 5.4 选线方法对比分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（10）基于机器学习的配电网弱故障选线方法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 稳态法 |
| 1.2.2 注入电流法 |
| 1.2.3 基于暂态特征的方法 |
| 1.2.4 人工智能法 |
| 1.3 本文研究内容 |
| 第二章 弱故障特征分析与选取 |
| 2.1 稳态特征分析 |
| 2.1.1 稳态电流 |
| 2.1.2 五次谐波 |
| 2.2 暂态特征分析 |
| 2.2.1 行波 |
| 2.2.2 暂态能量 |
| 2.2.3 入端零序阻抗 |
| 2.3 故障特征选择 |
| 2.3.1 稳态特征量选择 |
| 2.3.2 暂态特征量选择 |
| 2.4 故障特征表征 |
| 2.4.1 行波的表征 |
| 2.4.2 暂态能量的表征 |
| 2.4.3 入端零序阻抗的表征 |
| 2.5 本章小结 |
| 第三章 基于机器学习的弱故障检测方法 |
| 3.1 数据处理 |
| 3.1.1 样本数据特点 |
| 3.1.2 数据预处理 |
| 3.2 基分类器 |
| 3.2.1 支持向量机(SVM) |
| 3.2.2 随机森林(RF) |
| 3.2.3 朴素贝叶斯(NB) |
| 3.3 三种基分类器相结合的集成检测模型 |
| 3.3.1 集成分类器构建原理 |
| 3.3.2 集成检测模型 |
| 3.4 本章小结 |
| 第四章 算例分析和仿真验证 |
| 4.1 训练样本数据集 |
| 4.1.1 原始故障特征 |
| 4.1.2 故障特征提取与表征 |
| 4.2 样本数据处理 |
| 4.3 构建基分类器 |
| 4.3.1 SVM分类器 |
| 4.3.2 RF分类器 |
| 4.4 检测结果 |
| 4.4.1 集成检测模型结果 |
| 4.4.2 结果比较 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 在读期间公开发表的论文 |
| 致谢 |
四、基于相关分析的故障选线方法（论文参考文献）
- [1]基于暂态相电流频率特性的配电网单相接地故障选线方法[J]. 朱承治,郑伟彦,夏晓春,吴靖,钮伟梁,刘箭,余天吟. 内蒙古电力技术, 2021(06)
- [2]基于VMD和相关性聚类的谐振接地系统单相接地故障选线[J]. 魏科文,张靖,何宇,刘影,姚刚,张义坤. 电力系统保护与控制, 2021(22)
- [3]基于模糊测度融合诊断的配电网接地故障选线[J]. 喻锟,胥鹏博,曾祥君,李理,杨理斌. 电工技术学报, 2022(03)
- [4]基于重构误差及多尺度交叉样本熵的谐振接地系统故障选线[J]. 田业,徐天奇,李琰,邓小亮,王阳光. 电力系统保护与控制, 2021(13)
- [5]小电流单相接地故障选线方法的研究[D]. 温思成. 西安理工大学, 2021(01)
- [6]小电流系统单相接地故障选线方法研究[D]. 李梦涵. 西安理工大学, 2021(01)
- [7]基于迁移卷积神经网络的配电网故障选线研究[D]. 耿芳. 兰州交通大学, 2021(02)
- [8]基于经验小波变换的混合线路故障定位研究[D]. 杜雪. 兰州交通大学, 2021(02)
- [9]基于SVD-SNN配电网单相接地故障选线方法研究[D]. 姜路宁. 辽宁工程技术大学, 2021
- [10]基于机器学习的配电网弱故障选线方法[D]. 李纳纳. 山东理工大学, 2021(02)