改进变分模态分解-多尺度排列熵结合广义回归神经网络的高压直流输电线路故障辨识

摘要：

针对现有的高压直流(high voltage direct current,HVDC)输电线路故障识别方法识别准确率低,且无法同时准确识别低阻和高阻故障的问题,提出一种改进变分模态分解(variational mode decomposition,VMD)-多尺度排列熵(multi-scale permu-tation entropy,MPE)结合广义回归神经网络(general regression neural network,GRNN)的HVDC输电线路故障辨识方法.首先,采用鲸鱼算法改进后的VMD对故障电流信号进行分解,并选择合适的本征模态函数(intrinsic mode function,IMF)分量计算多尺度排列熵和IMF能量和比值提取故障特征组成故障特征向量;其次,将特征向量输入到GRNN网络中进行训练与测试,利用GRNN网络对小样本数据的高分类能力识别不同类型的故障.实验结果表明,所提出的方法对HVDC输电线路不同类型故障辨识准确率高,无论发生低阻或高阻故障都能够准确辨识,耐受过渡电阻能力强,在小样本故障辨识方面性能突出,可靠性高.

关键词：变分模态分解(VMD)、多尺度排列熵(MPE)、特征提取、广义回归神经网络(GRNN)、小样本故障辨识

所属期刊栏目：22

分类号：TM712(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金61903129

在线出版日期：2022-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：211-219