汽轮发电机组振动故障诊断的粗糙集模型

在机械故障诊断中,从包含冗余和不一致信息的数据中获取简单有效的诊断决策规则是一个难题。文中提出了一种基于粗糙集理论的汽轮发电机组振动故障诊断模型。该模型从包含冗余和不一致信息的原始数据出发,利用遗传算法实现了故障征兆属性约简;然后通过给出的值约简算法进一步产生了带有置信度和覆盖度的最大广义决策规则集,建立了用于故障诊断的规则库。在应用该模型进行故障诊断时,用待诊断实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则依据提出的规则进行综合评价,并得出诊断结论。最后给出了该诊断模型的一般结构。     

基于多特征选择方法的高压断路器故障诊断

为了提高高压断路器操作机构故障诊断效率与准确性,文中提出了基于多特征选择方法和K最近邻算法的高压断路器操作机构故障诊断方法。首先从分合闸线圈电流中提取包括峰值电流、关键时刻点、电流变化率及线圈电流不同阶段持续时间等16个特征;随后使用3种不同评价准则的特征选择方法计算故障特征综合重要度并确定最优特征子集;最后,以最优特征子集作为输入特征,建立基于K最近邻算法的断路器操作机构故障诊断模型,依据交叉验证准确率评价模型故障诊断性能。实例分析结果表明,该方法能有效消除特征冗余性,简化诊断模型结构,提升诊断效率,使用少数关键特征可获得理想的故障诊断准确率。     

用于高压断路器机械故障诊断的AM-ReliefF特征选择下集成SVM方法

针对高压断路器机械故障诊断过程中存在的原始特征维度过高,导致过拟合现象,而传统Relief-F算法在筛选特征过程中对诊断模型没有针对性,以及支持向量机(support vector machine,SVM)算法受参数选择限制导致诊断精度不佳的问题,提出一种AM-ReliefF特征选择下集成SVM的诊断算法。该算法对原始特征空间进行有效筛选,生成适应模型的最优特征子集,并将SVM作为基学习器与Ada Boost算法有效集成,提高诊断性能。首先对LW30-252型SF6高压断路器典型6种工况的合闸振动信号提取特征,构成原始特征空间,然后利用AM-ReliefF特征选择算法构造与集成SVM模型匹配的最优特征子集,最后用集成SVM模型进行故障诊断。与原始特征下单一SVM算法对比,所提方法使故障诊断精度由83.0%提升到98.9%,为高压断路器机械故障诊断研究提供了新思路。     

基于模糊理论的MOA故障诊断方法研究

为了对MOA进行在线诊断,及时、准确地了解MOA的运行情况,本文将模糊理论应用于MOA的故障分析中,介绍了模糊诊断技术的基本原理并总结了MOA模糊诊断模型建立的一般步骤。根据MOA运行过程中的常见故障及故障与征兆之间的模糊关系,确立了MOA的故障集、征兆集、隶属函数、模糊诊断矩阵、模糊算法和故障诊断原则。实例验证表明:该诊断模型算法简单,易于编程实现,诊断结果准确度高,适用于MOA故障的在线诊断。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

证据理论在电机故障诊断中的应用

D-S证据理论作为一种非精确推理算法具有独特的优势,非常适用于存在大量不确定性因素的电机故障诊断工作.提取故障电机的状态特征量,并将其按时域、频域、奇异值分解为多个子参数空间.在此基础上,采用并行BP神经网络及模糊聚类系统对电机故障进行局部诊断.将每个局部诊断结果作为独立的证据体,构造相应的信度分配函数.结合电机故障的信息融合诊断模型,将基于D-S证据理论的决策融合的方法应用于电机故障诊断.通过对案例进行分析,实现了利用多证据体的融合信息对电机故障状态进行诊断,其诊断结果验证了D-S证据理论在提高电机故障诊断的准确性和灵敏性方面的作用.     

基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究

为了及时准确掌握变压器的健康状况,对潜伏性故障进行预测分析,将人工智能算法与DGA算法相结合,提出了一种基于化学反应优化神经网络的变压器故障诊断模型。考虑到BP神经网络和传统DGA算法在变压器故障诊断应用过程中存在的缺陷,在模型中引入化学反应优化算法和融合DGA算法对其进行改进。通过实例分析表明,提出的故障诊断模型的诊断准确率达到87.88%,迭代次数和训练时间分别为1991次和1927 ms;与其他诊断模型相比,模型在诊断效率和训练时间上具有明显的优势,对于变压器的故障预测和实时诊断具有一定的参考意义。     

基于支持向量机与特征降维的直流断路器机械故障诊断技术研究

直流断路器机械故障诊断算法是直流断路器机械状态在线监测系统的核心部分。文中进行了直流断路器机械故障模拟实验,采集不同故障下的线圈电流及振动信号,对其进行特征提取后,将电流特征、振动短时能量特征、小波包频带能量特征排列组合,利用支持向量机构建故障诊断模型。文中使用主成分分析法及Relief-F算法对不同特征组合降维,进一步分析特征组合降维后的诊断效果,并通过K-Fold交叉验证算法评估单一特征和特征组合训练输出的诊断模型选取分类性能最优的诊断模型。     

基于信息融合和M-RVM的变压器故障诊断方法

针对仅以油中溶解气体数据为主要依据的变压器故障诊断方法信息量不足以及传统证据理论的缺陷问题,研究了基于信息融合和多分类相关向量机(M-RVM)的变压器故障诊断模型。首先,将油中溶解气体分析数据与电气试验数据作为诊断模型的输入特征量向量,更真实地反映变压器的故障信息。然后,采用4个M-RVM作为分类器,对故障进行初步诊断,并将诊断结果分别转化为证据融合所需证据体,同时引入兰式距离函数与光谱角余弦函数对证据体进行修正。最后,采用改进冲突再分配策略进行决策融合,避免融合过程中出现证据互相矛盾的现象。对比分析结果表明,基于多源信息融合的变压器诊断模型相较单一特征参数诊断以及单一诊断算法具有更高的诊断准确率。     

基于GJO特征量优选的AO-RF的变压器故障诊断模型

在变压器故障诊断过程中,进行合理的特征优选,将有助于提高诊断模型的诊断精度,为此,文中提出了一种基于金豺优化算法（golden Jackal optimization,GJO）特征量优选与AO-RF的变压器故障诊断模型。首先,采用GJO对构建的21维变压器油中溶解气体特征量进行优选;然后,根据GJO得到的特征优选结果,采用天鹰算法（aquila optimizer,AO）优化随机森林（random forest,RF）的变压器故障诊断模型对变压器故障进行诊断,并与不同特征量、不同故障诊断模型的诊断结果进行了对比。实验结果表明：GJO优选特征量相比21维原始特征、三比值法、无编码比值法以及AO优选特征量的故障诊断准确率可提高1.12%～25.78%,kappa系数可提高0.02～0.24;AO-RF故障诊断模型较RF、SVM、ELM、SSA-RF、WOA-RF、GJO-RF模型的诊断准确率可提高1.84%～15.86%,kappa系数可提高0.02～0.16,验证了所提方法的有效性和准确性。     

光伏阵列故障诊断的可解释性智能集成方法

针对现有光伏阵列故障检测和诊断智能方法存在的泛化性不强、可解释性差的问题,提出了一种可解释性智能集成方法。对采集的光伏阵列输出时序电压、电流波形进行特征挖掘,并将多个已成熟应用于光伏故障诊断的智能算法作为不同基学习器与元学习器,构建结合不同智能算法优势且更具泛化性的Stacking集成学习模型;以沙普利可加性特征解释方法为总框架,并结合局部近似可解释性方法,对模型训练过程与结果进行解释分析,通过获取各特征的贡献、分析该集成模型的决策机制,并了解其如何进行诊断,提高其可靠度和可信度。算例实验结果表明,所提可解释性智能集成方法在不同规模数据集的测试中均实现了高精度的故障诊断,模型的可解释性结果表明由该智能集成模型建立的故障特征和诊断结果的映射遵循物理见解,增强了智能方法的可信度和透明性。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断，依赖数字信号处理技术提取故障特征。为了改进前述方法，引入了图深度学习理论，提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据，利用多个图注意力层自动提取特征信息，从而建立了数据从输入端到输出端之间的映射关系，实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性，分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明，该方法故障诊断准确率达到9975%以上，与现有几种智能故障诊断算法对比其性能最优。同时，该方法在不同白噪声下依然保持较高的故障识别率，具有良好的鲁棒性和泛化能力，为电力输电线路诊断技术提供了一定的研究思路。     

地区电网智能调度辅助决策系统

开发了一套智能调度辅助决策软件,它从智能告警、故障诊断和故障恢复3个方面为调度人员提供在线辅助决策,是现有调度自动化系统的有益扩展。智能告警模块对信息进行分类、分流,利用压缩技术解决了信号扰动问题;故障诊断模块建立统一信息模型和分层诊断模型,引入故障可信度指标,采用多模式诊断推理技术提高了故障诊断的实用性;故障恢复提出了一种基于广播原理的快速在线供电恢复技术。同时,该软件紧密切合事故前后的整个连续过程,将各模块有机结合在一起,现场运行效果良好。     

电网故障诊断解析模型的改进二进制增益共享知识算法求解

针对现有智能优化算法在求解电网故障诊断解析模型时存在的易于陷入局部最优和种群质量低等问题,提出一种改进二进制增益共享知识算法(improved binary gaining-sharing knowledge-based algorithm, IBGSK)。首先,根据故障诊断规则,构建一种包含完备故障信息的完全解析模型。其次,将离散工作机制融入改进算法的种群更迭中,以避免发生空间脱节。然后,结合进化种群动力学思想(evolutionary populationdynamics, EPD),引入一种自适应交叉算子,以提高种群质量和增强算法的全局寻优能力。最后,通过特征选择和故障诊断仿真实验对算法性能进行评估。结果表明：IBGSK算法相较于其他优化算法,在特征选择问题上具有更高的计算效率、更强的全局寻优能力和泛化能力;在求解电网故障诊断解析模型上具有更优的诊断可靠性、时效性和收敛性。     

基于深度神经网络的多电平逆变器故障诊断

为解决多电平逆变器的故障诊断问题,文中提出了一种基于深度神经网络的多电平级联H桥逆变器的故障诊断方法。首先,介绍了多电平级联H桥逆变器的故障模型;然后,采用基于堆栈自编码器的深度神经网络直接从故障原始数据中进行故障特征提取;最后,运用SOFTMAX分类器对故障特征数据进行分类从而实现多电平逆变器的故障检测与诊断。基于MATLAB/Simulink对本文提出的方法进行了仿真实验,该方法与传统的智能诊断算法相比具有更高的准确率和更好的鲁棒性。     

基于MAS的电网故障诊断系统的体系结构

在对电网故障诊断理论研究和应用实际现状分析的基础上,提出了一基于MAS(Mu lti-Agent System)的电网故障诊断模型,此模型充分发挥MAS本身固有的协调异构智能体完成共同目标的能力,来充分利用空间分布、性质分层的故障信息,实现在线精确电网故障诊断。MAS诊断模型在电网区域监控中心设置决策A-gent,而按照空间分布的厂站端,设置协作Agent。通过决策Agent和协作Agent之间的合作协商机制,来实现基于区域电网全局各层故障信息的全局最优化诊断结果,即最能够复现电网故障和解释故障现象的诊断结果。此模型可以依托于目前已构建的故障信息网络,通过合作和管理型相结合的协调通讯方式来实现。理论分析和模拟系统测试证明了此诊断模型的可行性、有效性。     

电力电子电路软故障诊断方法对比分析

为减少由于电力电子装置故障导致的停机时间,方便工作人员提前维修将要发生故障的器件,研究电力电子电路的软故障诊断意义重大。为此,分别分析并使用 BP 神经网络和支持向量机的故障诊断算法。基于 BP 神经网络,采用了单输出BP神经网络模型和多输出BP神经网络模型;基于支持向量机,采用了一对多(OVA)算法和一对一(OVO)算法。并以闭环控制的DC/DC变换电路诊断为例,仿真验证了诊断算法的有效性,并对各诊断算法的诊断性能进行了评估。     

调控一体化智能变电站运行管理模式研究

随着我国科技水平的长足发展,传统电网已不能满足国民经济对电力系统的要求,智能电网成为电力网络的发展趋势和方向。智能变电站是智能电网的重要工作环节,是保障智能电网顺利运行的基础,因此,智能变电站的设计和运行管理成为研究的重点。在分析智能变电站技术背景的前提下,以"信息化、智能性、互动节能"为目标,对智能变电站调控一体化的管理模式进行了探讨。     

生产过程轻微和早期故障智能诊断的一种新方法

为实现生产过程轻微故障和早期故障的正确识别与及时诊断，提出了一种结合征兆缩放技术和模糊知识表达的故障综合智能诊断的新方法。在模糊模式识别、神经网络等故障智能诊断方法的基础上，利用征兆缩毛主席技术可有效降低故障知识库的复杂程度，实现生产过程微弱故障的正确检测、诊断。为提高智能诊断模型对早期故障的识别能力并保证诊断结果的可靠性和稳定性。综合运用了趋势型和语义型两种故障征兆，探讨了两种征兆的模糊表达及合成计算方法。以火电机组高加系统轻微和早期故障诊断为例，验证了本文方法的有效性。     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。