陈佳慧, 高彦杰, 靳一玮

(上海电力大学 电子与信息工程学院, 上海 200090)

近年来,微电网作为一种新型网络结构,充分发挥了分布式电源具备的可靠性高、环保节能等各项优势[1],越来越受到重视和青睐,电力用户对其供电可靠性也提出了更高的要求。微电网建设中一个不可或缺的环节是微电网的故障诊断和恢复。它能保证微电网安全、稳定地运行,因此研究微电网的故障诊断是十分有意义的。

目前,人工智能方法被广泛用于电网故障诊断研究中,如夏昌浩等人[2]使用了贝叶斯网络和粗糙集理论相结合的方法对现有网络进行故障诊断,提高了诊断能力和速度;薛征宇等人[3]提出了支持向量机的方法对电机轴承进行了有效故障识别;马路林等人[4]采用了BP神经网络改进算法,提高了汽轮发电机组的故障诊断准确率。此外,很多研究还广泛采用离散小波变换(Discrete Wavelet Transform,DWT)对信号进行特征提取[5]。然而,DWT变换虽然很受青睐但也存在问题,如:基于DWT的小波系数能量法被用于检测故障引起的瞬变问题,在高阻抗故障(严重)的A相接地短路故障的情况下,此方法可能无法检测到故障,同时还存在依赖母小波和延时等问题[6];DWT变换用于时间序列的分析,存在对时间序列的起始点非常敏感的问题[7]。基于以上分析,本文提出了基于极大重叠离散小波变换(Maximum Overlap Discrete Wavelet Transform,MODWT)和反向传播(Back Propagation,BP)神经网络的微电网故障诊断方法。该方法利用MODWT变换来提取信号的特征,对故障的起始点没有要求,不具备降采样过程,可以保留信号的完整性,且能处理任何样本大小,因此可以提高故障分类的准确率,从而使性能更优。……