基于小波包Shannon熵的PHM系统故障特征提取

针对同步发电机故障预测与健康管理(Prognostics and Health Management,PHM)系统故障特征提取困难,信号容易受到噪声干扰,诊断结果可靠性低的缺点,本文以故障率较高的轴承故障为例,提出以小波包熵值作为故障特征,提取轴承典型故障的振动信号。通过小波包分析,计算出不同故障、不同故障程度的小波包Shannon熵值。与正常轴承对比进行故障程度预测及故障定位。仿真结果表明小波包Shannon熵值能够清楚地反映出轴承故障程度及故障位置,该方法简单可靠,进行故障预测及诊断效果显著,克服了传统故障特征提取方法的不足。     

基于小波包能量熵的电力变压器运行状态评估方法研究

振动在线检测法在电力变压器机械故障诊断中的应用越来越广泛,在此基础上将能量熵引入电力变压器绕组振动信号的特征提取中。通过实验提取一台电力变压器绕组正常运行和短路冲击运行时的振动信号,运用小波包分解重构原理分解出信号的子频带,采用频段-能量熵方法来检测电力变压器绕组不同运行条件下短路故障类型。实验结果表明,不同机械状态下电力变压器绕组振动信号特征向量之间的差异性可作为故障诊断的依据。     

基于FCM和ANFIS的配电网运行状态识别策略

配电网运行状态复杂多变,迅速甄别配电网的正常、异常以及故障状态,有助于快速排除配电网故障并恢复供电。基于模糊C均值(FCM)和自适应模糊推理系统(ANFIS),提出一种配电网运行状态分类识别策略,其基于ANFIS构建一种递阶模糊推理系统分类器,并采用FCM分类方法对递阶模糊推理系统参数进行初始优化。定义小波包时间熵对配电网运行状态信号数据进行处理,将构造的分类特征向量作为递阶模糊推理系统分类器的输入,实现对配电网运行状态的智能分类识别。基于PSCAD-EMTDC搭建典型配电网模型,仿真计算配电网各运行状态,测试结果表明,提出的分类识别策略可以得到较高准确性的分类结果,并且对故障点位置的变化和配电网络拓扑结构的改变具有较好的适应性。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于小波包能量相对熵的配电网单相接地故障区段定位

配电网发生单相接地故障时,故障点两侧暂态零序电流波形差异较大,在不同频率下的能量分布不同。结合信息熵和小波包分解,定义了具有对称性的小波包能量相对熵来识别此差异,实现故障区段定位。对馈线自动系统中沿线安装的FTU或其他测量装置获得的暂态零序电流进行小波包分解,获得其频谱能量分布特性,再计算各区段两端暂态零序电流的相对熵,比较计算结果,熵值最大的为故障区段。通过选用暂态零序电流能量最大的数据段来计算相对熵,可以避免采样不同步的影响。该区段定位方法不受过渡电阻、故障位置和故障角的影响,通过仿真分析验证了方法的有效性。     

基于小波包变换的癫痫脑电信号特征提取

为了有效识别癫痫脑电信号,提出了一种适合于非平稳脑电信号的特征提取方法。以临床采集的包含癫痫发作期的5组500个EEG公共数据为样本,选择了具有任意多分辨分解特性的小波包变换,对信号进行多尺度分解,并提取了各级节点的小波包系数。将小波包系数能量作为特征值,构建了特征向量并输入到BP神经网络分类器中进行自动识别。实验结果表明,该算法的识别率达到了91.5%。     

基于最优小波包基分解的暂态电能质量分类方法

对屯能质量暂态扰动进行正确的识别分类是改善电能质量的前提,而电能质量扰动特征向量的提取又是电能质量扰动识别分类中的关键步骤。提出基于最优小波包熵特征的特征提取方法．对采样信号进行小波包分解及时域预处理并选取最优小波包基．计算各尺度下信号的最佳小波包子空间的熵值,归一化处理后,把同尺度下的熵值和作为特征量,再将所有尺度下的特征量按尺度分解顺序依次组合在一起．形成最终的特征向量并作为神经网络的输入构建神经网络识别系统．对暂态电能质量信号进行识别。系统负荷投切和电容器充电的仿真结果表明．该方法能快速有效地区分暂态脉冲和振荡暂态。     

一种配电网运行状态智能识别方法

文中提出了一种基于小波包时间熵与支持向量机(SVM)的配电网运行状态智能识别方法。仿真结果表明,该配电网运行状态智能分类识别方法中选取的小波包时间熵特征量维数相对较低,抗干扰能力强,分类识别所需训练样本少,分类速度快,识别准确率高,可较好应用于配电网运行状态的在线智能识别。     

快速小波熵输电系统暂态信号特征提取研究

利用Shannon小波能量熵算法能够提取电力系统暂态信号特征,但其特征提取精度、抗干扰能力以及运算速度均存在不足。针对上述不足,基于提升插值小波和Tsallis熵理论,提出一种快速小波能量熵算法,并应用于输电系统暂态信号特征提取。以三能级系统复杂度统计为例,分析不同非广延参数q条件下Tsallis熵的非广延统计特性以及与Shannon熵之间的联系。引入提升插值小波代替Mallat小波算法,结合Tsallis熵理论构造快速小波能量熵算法,对新算法复杂度进行理论分析。以输电线路两种暂态电压信号为研究对象,对新算法暂态特征提取效果和运算速度进行测试。理论分析和实验证明,与传统Shannon小波能量熵相比,新算法不但能保证输电系统暂态信号特征提取精度、抑制小波混叠及噪声干扰,而且缩短了运算时间。     

基于多小波包系数熵和人工神经网络的输电线路故障类型识别方法

基于多小波包分解系数和信息熵的概念定义了多小波包系数熵的表达式,并提出多小波包系数熵和人工神经网络相结合的输电线路故障类型识别方法：首先对不同故障工况下采集的故障电流信号进行适当的多小波包分解,计算各频带的系数熵;然后构造多小波包特征向量,将这些向量作为训练样本对径向基函数(radial basis function,RBF)神经网络进行训练;当输电线路发生故障时,将提取的故障电流信号的多小波包系数熵特征向量输入训练好的RBF神经网络,即可实现故障类型的识别。仿真结果表明采用多小波包提取的故障电流特征量比采用传统小波包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势。     

云平台下时间序列数据并行化排列熵特征提取方法

随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。     

基于融合熵时段划分的三相配电网动态重构

针对大规模电动汽车接入配电网带来的三相不平衡程度加剧问题,提出一种基于融合熵时段划分的三相配电网动态重构方法。在Fisher-最优分割的基础上,融合曲线的信息熵,对蒙特卡洛模拟得到的等效日负荷曲线进行更加精准合理的时段划分;将动态重构策略引入三相配电网中,以三相不平衡度最低为目标建立配电网重构模型;改进传统的帝国主义竞争算法,在殖民地革命环节中引入复合型微分进化思想,并提出自适应帝国合并机制以提高算法的收敛速度和精度。IEEE 33节点系统仿真结果表明,所提方法能对曲线进行合理的分段重构,并且有效解决了配电网中的三相不平衡问题。     

基于EEMD近似熵的水电机组振动信号特征提取

对于水电机组非平稳非线性振动信号特征提取方法的研究近年来一直是水电机组故障诊断领域研究热点,特征提取的有效性直接关系到故障诊断的准确性。本文提出基于集合经验模态分解(EEMD)和近似熵的水电机组振动信号特征提取方法,将信号经EEMD分解后筛选得到的本征模态分量(IMF)近似熵特征值输入概率神经网络(PNN)进行模式识别。采用经验模态分解(EMD)和近似熵特征提取方法进行对比实验。识别结果表明:采用EEMD和近似熵的特征提取方法,能有效区分机组不同的运行状态,可为实际工程应用提供理论依据。     

基于过程状态特征化的配电网线损计算

针对配电网的线损计算问题,提出了一种新的基于过程状态特征化的线损计算方法。首先,将智能计量终端在某一时间段内采集到的负荷电流进行特征化处理,在充分反映负荷状态变化特征的同时,显著减轻通信数据传输和主站数据处理的压力。其次,根据配电网公用变压器的接线特点,通过序分量法对其低压侧的三相状态特征电流进行对称分解,并根据各序电流分量在高、低压侧的相角变化情况计算其高压侧的三相状态特征电流。进一步基于这些状态特征量,通过分相计算的方法对配电网的线损进行计算,以解决三相不平衡和分布式电源接入情况下的线损计算问题。最后,将所提方法在某实际电网进行示范应用,所得结果证明了其有效性。     

基于模糊动态时间弯曲算法的主动配电网电压运行状态评估

主动配电网(ADN)电压运行状态评估能够有效集成运行产生的多源异构数据表征ADN电压运行状态。为了客观反映关键节点的电压控制能力、互联分区的无功互动支撑和配电网全局的无功平衡水平,构建“点-区-网”多颗粒度评估指标体系;提出一种融合模糊识别和动态时间弯曲的模糊动态时间弯曲(FDTW)评估算法,将电压运行状态评估问题转化为模糊序列模式识别问题,并采用最小弯曲距离比较待评估样本与参考样本的相似度。以某ADN为应用实例,验证了所提指标体系和FDTW评估算法的有效性。     

基于变分模态分解和多尺度排列熵的配电网电缆终端局部放电信号特征提取研究

针对配电网电缆终端绝缘缺陷引起的局部放电问题,建立了一种基于高频CT的局部放电监测系统,并利用HFCT采集到的局部放电信号经调理后的数据进行局部放电特征提取和识别,提出了一种基于变分模态分解和多尺度排列熵结合的特征提取算法.利用变分模态分解算法对局部放电波形进行模态分解后,提取有效模态分量,并求取各模态分量对应的多尺度...     

基于熵权-云模型的配电网设备投资策略评价方法研究

配电网设备精准投资是确保电力企业集约化、精益化管理的关键,目前配电网设备投资方案的评价信息往往具有随机性,方案的客观评价和优选难度较大。本文提出基于熵权-云模型的配电网设备投资策略评价方法,利用云模型和熵值法计算评价指标权重,研究经济效益、技术和风险等因素对投资策略的影响,科学评价投资方案,为投资策略制定和优选提供数据支持和实践参考。实践结果表明,该方法能定位配电网设备投资方案中的差异与不足,给出优选决策方案,对促进配电网高质量发展,提升配电网投资决策水平具有一定的参考价值。     

基于时间区间的实用配电网重构方法

目前,基于时间区间的配网动态重构还没有很好的解决办法.为把重构技术引入配网的实际运行中,提出一种基于时间区间的实用重构方法,它能快速、有效地求解二次以内的重构问题.首先,文章通过对基于时间区间的配网一次重构进行分析,得出了关于最佳一次重构时间的推论,并用算例对其进行了验证.根据此推论,对二次重构进行了求解.由于不用考虑两次重构时间之间的组合问题,大大地提高了求解的速度.最后文章对实用法所能节省的网损进行了分析,进而讨论了多次动态重构的必要性.     

基于时间区间的实用配电网重构方法

目前,基于时间区间的配网动态重构还没有很好的解决办法。为把重构技术引入配网的实际运行中,提出一种基于时间区间的实用重构方法,它能快速、有效地求解二次以内的重构问题。首先,文章通过对基于时间区间的配网一次重构进行分析,得出了关于最佳一次重构时间的推论,并用算例对其进行了验证。根据此推论,对二次重构进行了求解。由于不用考虑两次重构时间之间的组合问题,大大地提高了求解的速度。最后文章对实用法所能节省的网损进行了分析,进而讨论了多次动态重构的必要性。     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.