基于状态监测的风电机组主轴承早期故障预测方法

利用风电机组实时监测数据来研究主轴承温度与其潜在故障之间的关系,提出一种基于温度预测模型的风电机组主轴承在线故障预测方法。首先建立正常运行状况下主轴承温度的线性回归分析预测模型,提出可表示系统实际运行状态和预测状态之间偏差的判别函数,通过比较判别函数值与设定门槛值来监控主轴承的运行状态。理论分析和仿真结果表明,该方法所用模型鲁棒性好,提取的故障特征明显,可有效地预测在线风电机组主轴承潜在的故障。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于深度神经网络模型的风电机组传动系统状态监测方法

大型风电机组传动系统运行工况复杂,运维人员无法实时了解其运行状态.针对这一情况,提出一种基于深度神经网络模型(DNN)的状态监测方法.首先,BP算法训练DNN模型时容易陷入局部最小值和过拟合,因此,将麻雀搜索算法(SSA)与BP算法结合,提出一种SSA优化BP算法训练DNN模型的方法.然后,采用风电机组SCADA系统数...     

基于核主成分分析和深度置信网络的暂态稳定评估

针对电力系统暂态稳定评估实时性较差以及错误率较高的问题,提出了一种核主成分分析结合深度置信网络的暂态稳定评估方法。首先,构造了一组反映电力系统暂态稳定的特征向量;然后,基于核主成分分析法对特征向量集进行特征提取,降维特征向量维数以及过滤冗余特征,将降维后的特征向量传输至深度置信网络;最后,进行训练分析,训练过程包括预训练和微调,优化网络参数,提升深度置信网络评估精度。新英格兰10机39节点系统仿真结果表明,该方法可以有效降低输入数据的维数,去除冗余特征,降低暂态稳定性评估的错误率和测试时间,能准确、快速地判断电力系统的稳态状态。     

基于堆叠自编码网络的风电机组发电机状态监测与故障诊断

为实现风力发电机的异常检测分析,提出了一种基于风电机组发电机正常状态下数据采集与监控(SCADA)样本数据的堆叠自编码网络深度学习方法。首先将多个自编码网络连接构成深度堆叠自编码网络,选取发电机SCADA状态变量数据作为网络的训练输入,使网络逐层智能提取数据间的分布式规则,从而构建发电机的堆叠自编码学习模型。依据故障状态下发电机SCADA数据内部动态平衡规则被破坏,利用发电机深度学习网络的输入与重构值计算重构误差,并作为整体状态的观测量。通过采用自适应阈值检测重构误差的状态趋势变化,并作为异常预警判定准则,从而实现对发电机故障的判定。当发电机发生异常时,变量的实际值与对应模型的重构值发生较大偏差,表现为状态变量的残差趋势将会偏离原有的动态稳定状态。因此利用状态变量的残差趋势变化对异常变量进行隔离,判定可能的故障原因达到故障诊断的目的。通过对发电机故障前后记录数据进行仿真分析,结果验证了堆叠自编码网络深度学习方法对发电机状态监测与故障诊断的有效性。     

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究.将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一...     

基于深度置信网络状态最优反馈的智能发电控制策略

针对自动发电控制问题中的状态信息测取和最优发电控制策略的难题,结合深度置信网络与最优控制理论,提出了一种应用于自动发电控制领域的深度置信网络状态最优反馈算法.首先,设计了一种适用于发电控制问题的全状态最优反馈控制策略,并引入了深度置信网络学习全状态最优反馈控制特性,以深度置信网络的非线性表达能力弥补传统线性控制的不足,...     

基于深度置信网络的风功率预测研究

针对风电机组功率预测精度低的问题,提出基于深度置信网络的功率预测方法。根据风机的运行特点,结合深度学习网络的结构特征进行分析,搭建功率预测模型。通过无监督训练,将输入变量的内部特征逐层提取出来,并采用BP神经网络对偏移量进行有监督训练,经过误差微调后输出预测结果。综合考虑多种因素对机组输出功率产生的影响,并将以上因素进行归一化处理后作为模型的输入变量,在Matlab上对所建模型进行验证分析,证明该模型预测具有较高的准确性。     

基于深度置信网络的电网故障类型辨识

高效可靠的电网故障分类有利于指导调控人员快速排查和消除故障、恢复系统供电,对保障系统安全可靠运行具有重要意义。为了克服浅层智能方法对信号处理技术和人工经验的依赖以及对复杂电力系统特征提取和表达的不足,文中基于故障录波信息,提出一种基于深度置信网络的电网故障类型辨识方法。直接以故障发生后的各相电流/电压以及零序电流/电压作为网络输入,从原始时域信号中自动学习和提取故障状态特征,从而实现故障类型的辨识。IEEE 39节点仿真系统案例和电网实际故障案例均表明该方法具有良好的故障特征提取能力,在数据降维过程中能保持数据原本的特征,且辨识结果不受过渡电阻、故障时刻、故障位置、负荷大小等因素的影响,与传统人工神经网络模型相比其识别准确率更高。     

基于深度自编码网络模型的风电机组齿轮箱故障检测

为了实现风机齿轮箱的故障检测分析,提出一种基于风电机组齿轮箱的数据采集与监视控制(SCADA)数据和振动信号的深度自编码网络模型。该模型作为一种典型的深度学习方法,通过逐层智能学习初始样本特征,可以获取数据蕴含的规则与分布特征形成更加抽象的高层表示。首先,利用限制性玻尔兹曼机对网络参数进行预训练和反向传播算法对参数进行调优,建立深度自编码网络模型。然后,通过对齿轮箱的状态变量进行编码和解码,计算重构误差并将其作为齿轮箱的状态检测量。为了有效检测重构误差的趋势变化,选用自适应阈值作为风机齿轮箱故障检测的决策准则。最后,利用对齿轮箱故障前、后记录的数据进行仿真分析,结果验证了深度自编码网络学习方法对齿轮箱故障检测的有效性。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法.改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力.对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练...     

基于深度信念网络的低风速风电参与微电网频率优化控制

低风速分散式风电接入微电网使得微电网能够利用低风速风资源为负荷供电,但其低惯量的特点也对微电网的频率稳定性提出了挑战。为了探究微电网中低风速风电机组(LWTG)如何有效参与抑制微电网频率波动,在LWTG中引入虚拟惯量控制、超速控制和下垂控制。针对风电机组最小转子转速限制,通过理论分析确定了合适的LWTG的参数;针对超速控制存在的盲区问题,利用深度信念网络来优化不同风速下的减载率以及虚拟惯量控制、下垂控制的控制参数;在低风速风况下验证了优化后的参数能够有效减少负荷波动引起的微电网动态频率跌落幅度,并获得较好的调频效果。     

基于改进贝叶斯网络的风电机组动态可靠性评估

传统的贝叶斯网络方法对于新型智能化风电机组获取的“多元异质”状态信息、机组部件故障与状态信息间的耦合关联描述不全面,易造成可靠性评估结果不准确。为此,建立一种融合故障树、云模型及无标度网络的改进贝叶斯网络。引入迭代更新的思路,将改进贝叶斯网络与时序分析方法相结合,提出一种风电机组动态可靠性评估方法。算例结果表明,该方法不仅可以有效地利用风电机组的实时状态信息进行定量的动态可靠度计算,而且可以利用贝叶斯网络、状态结构洞以及无标度网络实现对状态信息与“部件-状态”结构关联特性的表达,提高了动态可靠性评估的准确性。     

基于深度置信网络的双馈风机变换器开路故障诊断

双馈风机的定子与电网直接连接,转子通过转子侧变换器和网侧变换器与电网进行功率交换。变换器的电力电子开关容易发生开路故障,影响双馈风机的安全稳定运行。文中针对双馈风机常见的变换器开路故障,提出一种基于深度置信网络的故障诊断方法。首先分析了双馈风机在转子侧变换器和网侧变换器的单个和双个开关管故障下的输出响应。基于双馈风机的变换器开路故障数据,构造多层受限玻尔兹曼机结构,充分利用深度置信网络优异的模式识别能力,深度提取不同故障条件和运行工况下转子电流和网侧电流的信号特征,提高算法准确度。仿真结果表明,该故障诊断方法能够准确识别单开关和双开关的多类型复杂故障。     

基于MCKD-EMD的风电机组轴承早期故障诊断方法

风电机组轴承处于早期故障阶段时,特征信号往往比较微弱,并且受环境噪声及信号衰减的影响严重,因此轴承早期故障特征一直难以提取。经验模态分解(EMD)在轴承的故障特征提取中已经得到了广泛的应用,但其在强背景噪声干扰下对轴承早期故障特征的提取具有一定的局限性。针对这一问题,考虑到最大相关峭度解卷积(MCKD)算法可凸显出轴承振动信号中被噪声所掩盖的故障冲击脉冲,非常适用于轴承早期故障信号的降噪处理,因此将MCKD与EMD相结合用于轴承早期故障诊断。用MCKD对强噪声轴承信号进行降噪,然后对降噪后的信号进行EMD,选取敏感本征模态函数(IMF)并计算其包络谱,通过分析包络谱中幅值凸出的频率成分判断故障类型。仿真和试验分析结果验证了所提方法的有效性和准确性。     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。     

基于改进深度置信网络的智能电网暂态安全状态感知

深度学习是感知智能电网暂态安全状态的有效方法,针对多层重构学习过程低维特征及结构参数难以全局寻优的问题,提出了一种改进深度置信网络(Deep Belief Network,DBN)方法.首先,该方法利用SMOTE过采样算法,增加样本多样性,促使DBN深层架构的挖掘.其次,直接面向噪声样本,DBN通过网络中各神经元吉布斯...     

考虑最小成本的风机轴承维护周期优化

针对风机主轴承可靠度要求高、维护费用高昂这一现状提出了一种基于单位时间维护成本最低的维护优化模型。首先通过对风机主轴承振动信号进行分析,提取能够较好地反映轴承退化过程的特征值,建立威布尔比例风险模型;其次对主轴承退化期内的失效率曲线进行分析,确定主轴承的失效更换阈值;然后通过改进传统的役龄回退因子对维护后的失效率进行修正,通过对模型运算结果进行分析,避免了定期维护出现欠维护的现象;最后确定单位时间内维护成本最优的维护周期。对维护优化模型进行仿真分析,计算结果表明,通过模型优化可以使单位时间维护费用降低14.4%。