Составной алгоритм машинного обучения для классификации неисправностей в линиях HVDC сочинение пример

ООО "Сочинения-Про"

Ежедневно 8:00–20:00

Санкт-Петербург

Ленинский проспект, 140Ж

Сочинение на тему Составной алгоритм машинного обучения для классификации неисправностей в линиях HVDC

Система защиты является неотъемлемой частью системы электропередачи. Ранее для систем кондиционирования воздуха предлагались различные способы защиты, которые годами отбивались для повышения производительности. В последние несколько десятилетий передача HVDC была представлена ​​как решение для передачи на большие расстояния и оффшорной передачи благодаря разработкам в области силовой электроники. Быстрое и гибкое управление, большая пропускная способность, экономическое обоснование расстояний более 500 км (зависит от технологии силовой электроники) и менее занятая полоса пропускания (RoW) по сравнению с передачей HVAC для определенной мощности [1], являются некоторыми преимуществами используя передачу HVDC. Статистический анализ системы передачи HVDC в Китае показывает, что 36,8% из 114 простоев группы клапанов были вызваны отказами защитной зоны линии [2]. Таким образом, надежный метод защиты может предотвратить неправильное обнаружение неисправностей и, в результате, снизить полное отключение электроэнергии. Дифференциальная защита является одним из традиционных решений, которое используется для передачи переменного тока. в [3] была исследована типовая конфигурация защиты линии HVDC фирмы SIEMENS, в которой в качестве резервной защиты была введена дифференциальная защита. В [4] была предложена улучшенная дифференциальная защита линий передачи преобразователя источника тока (CSC) -HVDC, в которой для обнаружения неисправности использовалось соединение блокирующего устройства и недавно определенные критерии дифференциального тока. [5] Определяет расстояние сигнала между токами стороны выпрямителя и стороны инвертора, которые можно различить по внешней и внутренней неисправности.

Влияние емкостного тока и проблемные требования к каналу связи были смягчены в [6], [7]. Переходная мощность и другие комбинации измерений напряжения и тока с двух сторон изучались в [8] – [10]. Наличие сглаживающих реакторов и боковых фильтров постоянного тока на обоих концах линии CSC-HVDC позволяет реализовать некоторые селективные неединичные методы защиты [11], такие как Использование характеристики полного сопротивления сглаживающих реакторов и боковых фильтров постоянного тока в неисправных условиях. что было выполнено в [2], [12], [13]. Защита от бегущих волн (TWP), которая используется в качестве первичной защиты [14], может использовать некоторые методы, такие как Принципиальный компонентный анализ (PCA), Вейвлет-преобразование (WT) и т. Д. [15] – [17], но затухание и следует учитывать искажение бегущей волны, вызванное сопротивлением и расположением повреждения. Хотя некоторые системы защиты были предложены для систем VSC-HVDC, они также могут применяться к линиям передачи CSC-HVDC. (Также могут быть упомянуты методы, основанные на производных тока и напряжения, которые в случае, если ссылки во вводной части достигают уровня выше 23). Следует отметить, что почти все упомянутые исследования использовали концепцию порога в качестве критерия, который обычно получается не аналитическим (на основе наихудшего случая). Обычно существует компромисс между безопасностью и надежностью в системах защиты, что вызывает неточность в методах, основанных на пороговых значениях. 21 марта 2005 года первичная защита системы HVDC Тянь-Гаунга не смогла обнаружить отказ с высоким сопротивлением, поскольку амплитуда не достигла своего порогового значения [18], а резервная защита отказалась действовать из-за колебаний тока. Чтобы преодолеть упомянутую проблему, мы представляем составной алгоритм машинного обучения, основанный на односторонних измерениях, который исключает использование порога защиты. Предлагаемое решение содержит два различных метода наклона машины: двоичная машина опорных векторов (SVM) в качестве стартовой единицы и классификатор K-Nearest Neighborhood (KNN) для классификации неисправностей. В разделе Ⅱ представлена ​​основа используемых классификаторов. Раздел Ⅲ содержит характеристики неисправностей на биполярной тестовой модели HSC постоянного тока CSC, а также выбранные функции системы в качестве входов классификатора, также изучаются в этом разделе. В разделе the предложенный алгоритм применяется к тестовой модели, выполняется симуляция, а также результаты и проверочные тесты. Наконец, раздел dedicated посвящен заключению.

Поделиться сочинением
Ещё сочинения
Нет времени делать работу? Закажите!

Отправляя форму, вы соглашаетесь с политикой конфиденциальности и обработкой ваших персональных данных.