神经网络在水电机组振动故障诊断中的应用研究

本文首先简单介绍了人工神经网络的基本性能和BP网络模型及算法，在此基础上将神经网络应用于水电机组振动故障诊断中。试验证明，基于神经网络的水电机组振动故障诊断方法具有很高的实用价值。     

不等时距 GM（1,1）模型的建立及在土质边坡位移预测中的应用

在介绍灰色理论的基础上,针对传统灰色理论GM（1,1）模型只能用于等时距数列的不足（在实际边坡监测中,由于主客观原因的影响很难保证监测到的数据是等时距的）,基于GM（1,1）模型的原理建立了适用于不等时距数列的GM（1,1）模型。运用不等时距GM（1,1）模型对某边坡位移变形预测研究,经过残差修正后GM（1,1）模型得到的预测值和实测值比较接近,说明基于灰色理论建立边坡变形预测模型GM（1,1）可以用来预测边坡的变形,与神经网络、群蚁算法、遗传算法等相比,灰色动态GM（1,1）模型不需要大量典型的样本来学习,这一特点使得其在边坡变形与稳定性分析中的应用提供了可能性。     

BP网络在水电机组振动故障诊断中的应用研究

将人工智能引入水轮发电机组的故障诊断，有利于大中型水电厂“无人值班（少人值守）”管理模式的加速发展，本文首先简单介绍了人工神经网络的基本性能和BP网络模型及算法，然后将神经网络中的BP模型应用于水轮发电机组振动故障诊断中，比较了选择不同的网络掺数对诊断系统必能的影响，实验证明，基于BP网络的水轮发电机组振动故障诊断方法具有很高的实用价值。     

一种用于统一OMS与PMS设备库的BSM结构设计

提出了一种能用于统一电网调度运行管理系统（OMS）和电网生产管理系统（PMS）基础设备库的桥式对称模型（BSM）结构设计。阐述了BSM结构中的逻辑设备和物理设备的解耦、逻辑设备与物理设备的桥接以及BSM结构中运行位置、抽象物理设备在统一OMS和PMS设备库方面的核心作用。通过BSM中的桥，采用继承技术分别在OMS和PMS中派生出对称的具体设备类型，满足OMS和PMS对于设备管理的不同需要。利用BSM结构设计，在实现OMS和PMS设备库结构统一的同时，最终实现这2个系统设备库的集成。     

基于LM算法的BP神经网络在大坝变形监测数据处理中的应用

针对传统反向传播（BP）神经网络收敛速度慢、计算量大的缺点，引入一种结合LM（Leverberg Marquart）优化算法的BP神经网络，并应用在大坝的变形预报中。实验结果表明，新模型具有训练速度快、预测精度高的特点。     

GPSIM(1)模型在预测地表水COD_(Mn)指数中的应用

由于常规GM（1，1）有许多不足，因而限制了它在环境科学领域中的应用范围。本文采用较新颖的GPSM（1）灰色模型，作为某水域地表水CODmn指数时序资料的预测模型。应用表明，GPSM（1）模型较GM（1，1）具有更高的拟合、预测精度。     

基于IG-SFPA-BP的水工钢闸门安全等级识别

针对BP神经网络对水工钢闸门安全等级识别能力差的问题,提出基于信息增益(IG)与自适应花授粉算法(SFPA)的BP神经网络模型。采用IG理论对水工钢闸门安全等级评价中的特征进行精简,降低冗余特征的影响,缩短网络模型的训练时间;利用SFPA优化BP神经网络初始权重及阈值,提高网络模型的收敛速度,防止其陷入局部最优,提高网络模型对水工钢闸门安全等级的分类能力。根据IG-SFPA-BP、标准BP、IG-BP、IG-FPA-BP、IGPSO-BP及IG-GA-BP等神经网络模型在水工钢闸门安全等级数据集上进行多次独立运行的试验结果,从识别正确率、运行时间及模型均方误差等多个角度验证了IG-SFPA-BP网络模型对水工钢闸门安全等级识别的适用性。IG-SFPA-BP网络模型提高了神经网络模型在水工钢闸门安全评价领域的实用价值,也为类似工程提供新的模型参考。     

基于模拟退火神经网络模型的岩质边坡稳定性评价方法

 针对BP神经网络收敛速度慢、易陷入局部极小的缺点,将具有全局搜索能力的模拟退火（SA）算法引入到神经网络的权值优化中。并且在SA算法中引入状态接受过程和退火过程的自适应措施,增加了对当前状态最优解的"记忆能力",避免了当前最优解的遗失,提高了算法的搜索效率。通过对XOR问题求解的比较,显示出SABP算法具有全局收敛且精度高的优越特性。最后基于实际工程的边坡数据建立了一个SABP算法模型,成功解决了具有高度非线性特点的边坡稳定性评价问题。     

基于MMS的风电设备信息模型获取方法

风电机组与数据采集与监控（SCADA）系统之间数据不兼容将影响风电场的扩容和技术升级,需构建统一的数据模型。以一种基于IEC 61400-25协议和制造报文规范（MMS）通信协议的风电场通信软件开发为背景,介绍了风电场SCADA系统中对风电设备信息模型的获取方法。设计了风电场通信软件的体系结构和交互流程,构建了IEC 61400-25协议的风电机组信息模型,从业务逻辑控制模式、抽象通信服务接口（ACSI）服务到MMS服务的映射以及MMS报文生成等3个方面,阐述了风电设备信息模型在SCADA系统中重构的实现方法。     

基于不同RS与NN组合的数据挖掘配电网故障诊断模型

在将基于RS(粗糙集)理论的数据挖掘用于配电网故障定位诊断模型研究的基础上，提出和构造了4类不同的RS与NN（神经网络）组合的故障诊断模型，给出了RS与NN在4类模型中实现不同的互补性、关联关系、应用机理和原则及相应的局限性。通过对5类模型的仿真测试结果比较，证明数据挖掘模型潜在知识发现的重要意义，并对4类模型中RS的应用机理和性能作出全面的评估。文中对RS和数据挖掘研究的评估对其他领域的故障诊断研究具有同样的指导意义。     

一种适用于灰色预测控制的无偏直接GM（1，1）模型

GM（1，1）模型是灰色预测控制器的重要组成部分，它是有偏差的模型．提出了一个无偏差的模型一无偏直接GM（1，1）模型，结合具体数据将无偏直接GM（1，1）模型和GM（1，1）模型进行了比较，结果表明无偏直接GM（1，1）模型优于GM（1，1）模型．将无偏直接GM（1，1）模型替代GM（1，1）模型应用于灰色预测控制中可望得到较好结果．     

STATCOM与发电机励磁的协调控制

针对单机无穷大系统，建立了包含静止同步补偿器（STATCOM）的状态空间模型，应用给定信息结构约束下的最优控制理论和算法，设计了4组STATCOM与发电机励磁的协调控制器。它们的控制规律分别是：状态反馈的完全分散协调控制、输出状态反馈的完全分散协调控制、STATCOM处可以反馈机组角频率偏差的特定信息结构下的LQ协调控制、全状态反馈的集中型最优控制。仿真结果表明，与独立设计的AVR/PSS励磁控制器和电压偏差PI调节型STATCOM控制器相比，上述4组协调控制器能更加有效地提高系统暂态稳定性能。同时，完全分散信息结构的状态和输出反馈控制的控制性能稍次于其他两种协调控制规律，但由于它们实现代价低、可靠性高，更易于实际应用。     

灰色季节性指数模型与神经网络模型在蒸发预测中的应用

在原GM(1,l)模型基础上采用滑动平均法进行季节因素修正,建立了灰色季节性指数模型,并将该模型与神经网络模型运用在海拉尔市季蒸发量预测中。计算结果表明,修正后的模型与神经网络模型在拟合既含趋势变动,又含季节因素的时间序列预测中,比普通GM(1,1)模型具有更好的适应性,具有较好的效果。     

基于事件序列数据挖掘原理的高压输电线系统故障诊断:(二）仿真和容错性能分析

在基于事件序列（SOE）数据挖掘原理的故障诊断模型与方法的基础上，提出了将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统（HVTLS）故障诊断领域。分析了故障诊断模型中变异故障模式的种类及其对故障诊断策略的影响,阐述了基于SOE的数据挖掘HVTLS诊断模型和功能模块的构造。依据输电系统故障事件序列在时空特性的关联性，用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识，将诊断问题的求解转化为寻找与实时故障事件序列模式最相似的、运算操作代价最小的标准故障事件序列模式。以实现对变异事件序列模式中畸变事件的“复原”和纠错，从而确保故障诊断系统的高容错性。     

基于支持向量机的水电机组状态趋势预测研究

趋势预测是水电机组状态监测与故障诊断系统中的重要内容之一，对保障机组安全稳定运行具有重要意义。针对水电机组振动的非线性、非平稳特性，提出将最小二乘支持向量机应用于水电机组振动状态趋势预测；并将该算法应用于某水电机组振动序列峰峰值的预测，与BP神经网络的预测结果的对比表明：最小二乘支持向量机算法更适合于水电机组状态趋势预测分析。     

基于两层迭代聚类算法的RBFNN及在发电机诊断中的应用

首先分析了传统的基于K均值聚类算法径向基函数神经网络（RBFNN）的缺点，即需要人为确定隐含层神经元数量，并且不同的初始化方法有不同的聚类结果和学习误差。然后提出了一种新的RBFNN算法——两层迭代聚类算法，能根据样本的分布情况自动计算RBFNN隐含层神经元数量、中心向量和宽度。将实测的MJF-30-6型发电机正常运行、转子励磁绕组故障运行和定子绕组故障时定转子径向振动号作为学习样本，运用文中所述算法与传统的RBFNN算法比较，结果表明，基于两层迭代聚类算法的RBFNN具有较小的学习误差。     

基于水电机组复合特征提取的RBFNN故障诊断

针对传统快速傅里叶变换（FFT）方法在非稳态信号分析上的局限和水电机组稳定性状态分析及故障诊断中过分依赖单一能量特征的不足，提出了集小波分析、模糊理论和径向基函数神经网络（RBFNN）优点于一体的基于复合特征提取的RBFNN故障诊断方法。首先采用小波分析方法对稳定性状态信号进行多频段分解、降噪，提取相对能量特征;运用模糊理论进行稳定性状态对过程参数变化响应的数值分析和量化，提取关系型征兆;然后将这2种特征组合，形成综合反映机组稳定性状态的复合特征向量;最后利用RBFNN诊断出机组的典型故障类型及其严重程度。工程应用结果表明，该方法能够全面准确地提取水电机组稳定性状态特征，在水电机组故障诊断上具有一定的可行性和有效性。     

绝缘在线监测中电容式电压互感器的误差校正

对引起电容式电压互感器（CVT）稳态误差的相关因素进行了分析。根据CVT结构及参数建立了用于校正CVT稳态误差的参数模型。将该模型输出电压的误差仿真结果与准确级试验结果进行对比，验证了该模型的有效性。基于该模型提出一种绝缘在线监测中实时校正CVT稳态误差的新方法:通过采集测量绕组的输出电压和各二次绕组的负载电流信号，利用基于Levenberg-Marquardt算法的非线性最小二乘拟合算法提取信号中的基波分量，结合CVT参数模型的数学方程确定CVT的一次电压。分析结果表明，该方法能够有效减小因系统频率、CVT二次负载大小及功率因数的变化对CVT比差及角差的影响，为二次监测设备提供高精度的电压信号。     

基于IPSO优化LSSVM的水轮发电机组振动故障诊断

提出改进的粒子群(IPSO)算法，并与最小二乘支持向量机(LSSVM)相结合，得到基于IPSO-LSSVM的水轮发电机组故障诊断方法。改进后的粒子群算法能较好地调整算法在全局与局部搜索能力之间的平衡，将其应用于LSSVM的参数优化，可以提高故障诊断的精度和效率。实例分析结果证明，IPSO-LSSVM模型不仅能够取得良好的分类效果，而且诊断速度与精度均高于采用BP神经网络、LSSVM以及PSO-LSSVM等方法，适合在实际工程中应用。     

模糊神经网络在水轮发电机故障诊断中的应用

结合模糊理论中的模糊矩阵算法和神经网络的自适应性,建立BP模糊神经网络对水轮机发电机组进行故障诊断,避免传统的模糊理论诊断方法主观性和经验性的弊端,最后结合具体工程实例验证该BP模糊神经网络提高水电机组故障诊断的精确性和可靠性。对建立模糊神经网络模型应考虑的因素,以及模糊神经网络模型在水轮发电机组故障诊断中的实际应用情况作了简单介绍。