声振信号构造CNN特征矩阵的断路器储能机构故障诊断方法北大核心CSCD

针对传统的高压断路器储能机构故障诊断方法过于依赖主观经验,准确率不高、泛化能力差,提出一种声音振动信号联合构造卷积神经网络(CNN)特征矩阵的高压断路器储能机构故障诊断方法。首先将采集到的声信号通过形态学去除背景噪声,提出基于峭度和包络相似性的时标对位方法保证声振信号的同步性,然后对数据扩容后的声振信号利用皮尔逊相关系数构造二维图像特征矩阵,最后利用CNN对特征矩阵进行训练。实验证明:文中所提出的故障诊断方法与传统方法对比总体诊断准确率高,泛化性能好。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

基于卷积神经网络的变压器有载分接开关故障识别

为进一步提高变压器有载分接开关(OLTC)故障识别的精度,从OLTC切换过程中振动信号递归图的纹理特征出发,提出了一种基于卷积神经网络(CNN)的变压器OLTC故障识别方法。首先根据OLTC振动信号的相空间分布,基于相点距离映射构建了OLTC振动信号的距离映射递归图(DMRP),然后通过合理选取CNN的网络层数、卷积核尺寸等结构超参数和对卷积核进行降维处理,提出了基于CNN的OLTC故障识别模型。对某CM型OLTC正常与典型故障下振动信号的计算结果表明,DMRP能自适应地对振动信号的相空间相点分布进行描述,所提出的识别模型对OLTC的典型故障均具有良好的识别性能,尤其在轻微故障的识别上相比于现有方法准确率提升了至少10%。     

基于卷积深度网络的高压真空断路器机械故障诊断方法

高压断路器执行机构所产生的振动信号蕴含着丰富的机械状态信息。针对传统基于浅层的振动信号分析法存在特征提取和泛化能力等方面的不足,提出一种基于卷积神经网络和长短期记忆网络的混合深度网络。该网络利用卷积层对原始振动数据进行特征转换,结合门控循环单元的局部时域特征表示能力,对故障敏感特征进行提取。通过对10 kV真空断路器振动信号的分析实验表明,所提出的混合网络模型在ROC曲线和PR曲线上的诊断性能要优于广泛应用的支持向量机诊断法。这种端到端的故障诊断策略通过振动信号特征的深度映射能够有效提高机械状态故障识别精度。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中，及时发现并排除换流阀冷却系统的主循环泵的故障，对保障换流阀的稳定运行具有重要意义，为此针对主循环泵在故障时产生的振动信号，提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)联合奇异值分解(singular value decomposition, SVD)对振动信号进行去噪处理：使用VMD分解轴向、竖直径向和水平径向的振动信号，基于相关系数法获取最优本征模态分量；使用SVD对分量信号滤波后，通过分量空间重构获取去噪后的振动信号。然后，通过格拉姆矩阵将时序振动信号转换为振动图像，提取振动信号的时空特征。最后，将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络，通过卷积层和池化层实现多层次特征融合，提高故障诊断准确率。分析结果表明，该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络，可以为阀冷系统主循环泵的故障诊断提供方法基础，为现场人员安排计划检修提供理论依据。     

一种基于双通道CNN和LSTM的短期光伏功率预测方法

针对传统光伏功率预测特征提取不足导致预测精度不高的问题,提出一种双通道网络模型进行光伏功率预测。首先将光伏功率历史数据进行归一化处理,再将数据送入两个并行的卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,经融合层融合送入长短期记忆网络(Long Short-Term Memory, LSTM)进行光伏功率预测。采用地中海气候光伏发电数据集进行测试,结果表明所提出的方法与单通道网络相比平均绝对误差(Mean-Absolute Error, MAE)减小了12.3%,均方根误差(Root-Mean-Square Error, RMSE)减小了3%,实现了更高的预测精度。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于CNN(1D)-LSTM模型的电站锅炉SCR入口NOx浓度预测

为了解决电站锅炉操作人员依赖经验调节锅炉运行参数降低SCR入口NOx浓度，提高脱硝效果的问题，提出一种SCR入口处NOx浓度预测方法。该方法建立了基于卷积神经网络和长短期记忆神经网络的CNN(1D)-LSTM模型，通过提取锅炉在时序上的特征参数，可预测5 min后SCR入口处NOx浓度。电厂运行人员可将该模型的预测结果作为SCR入口处NOx浓度的重要参考，更加有效地调节锅炉参数进行脱硝优化。结果表明，预测3 min后SCR入口处NOx浓度LSTM模型优于CNN(1D) LSTM；预测5 min后的SCR入口浓度CNN(1D)-LSTM模型相比于LSTM模型预测精度有很大的所提高，在测试集上Emape为7.05%，取得了期望的效果。     

基于恒等映射CNN的高压断路器机械故障诊断方法

为提升高压断路器机械故障识别效果,增强诊断方法的泛化性,提出基于恒等映射卷积神经网络(CNN)的高压断路器机械故障诊断方法.利用多个加速度传感器全方位获取断路器的振动信息;设计基于恒等映射卷积神经网络的故障诊断模型,信号经下采样、数据拼接等预处理手段输入,由模型综合分析各传感器信号特征并识别故障.该模型在网络结构上增加首尾直连通道,与以往研究使用的CNN相比,缓解了梯度消失问题,验证集故障识别率由96％左右提升至100％.与人工提取特征的方法相比,该方法能够自主提取故障特征信息.与其他方法的对比试验结果表明,相比提取差异区间幅值和、配合加权支持向量机识别的传统模型,以及不含恒等映射结构的卷积神经网络模型,该文提出的方法在不同严重程度故障的情况下诊断准确率依然能够达到100％,泛化性更好.     

基于卷积记忆神经网络的微博短文本情感分析

微博短文本情感分析的目的是发现用户对热点事件的观点及态度。已有的方法大多是基于词袋模型,然而,词袋模型无法准确捕获带有情感倾向性的语言表现特征。结合卷积神经网络(CNN)和长短期记忆网络(LSTM)模型的特点,提出了卷积记忆神经网络模型(CMNN),并基于此模型来解决情感分析问题。与传统算法相比,模型避免了具体任务的特征工程设计;与CNN和LSTM相比,模型既能够有效提取短文本局部最优特征,又能够解决远距离的上下文依赖。通过在COAE2014数据集上的实验来验证了模型对微博短文本情感分析的有效性。并与CNN、LSTM以及传统模型SVM做了实验对比,结果表明,模型对于微博短文本情感分析在性能上优于其他3种模型。     

基于一维卷积神经网络的低压万能式断路器附件故障诊断

由于低压万能式断路器分合闸附件的线圈回路采用交流供电方式,因此线圈回路合闸相位的随机性会导致同一运行状态下电流信号存在差异。利用传统的智能故障诊断方法可能会造成电流信号故障特征提取不准确,导致故障识别率降低。针对此问题,提出一种基于第一层宽卷积核自适应一维深度卷积神经网络(AW-1DCNN)的故障诊断算法。相较于传统智能诊断方法中存在人工特征提取与故障分类两个阶段,该方法将两者合二为一。首先,考虑到分合闸线圈电流信号的特点,采用一维卷积神经网络模型,并将模型的第一层卷积层的卷积核设为宽卷积核来扩大感受野区域;然后,利用特征提取层对电流信号进行自适应特征提取;最后,利用Softmax分类器输出故障诊断结果。实验结果表明,该算法不仅能对不同相位下同一故障进行有效识别,而且在泛化实验中仍能保持较高的故障识别率,能够有效地克服合闸相位变化对故障诊断结果的影响。     

基于改进CNN-LSTM的电力系统宽频振荡辨识

宽频振荡的强非线性和强时变性会导致参数准确辨识困难,提出了改进CNN-LSTM神经网络的参数辨识方法。首先,采用卷积神经网络（CNN）提取输入的宽频振荡信号的振荡特征,并通过Softmax分类器输出振荡模态数量。然后,根据模态数量对长短期记忆网络（LSTM）辨识的模态个数进行定阶;同时,通过对CNN输出矩阵进行1×1卷积运算替代LSTM中的矩阵乘法,实现LSTM模型对高维输入的可行性。最后,以卷积运算结果作为LSTM的输入,辨识振荡频率和衰减因子。实测数据分析结果证明改进的CNN-LSTM对宽频振荡的频率和衰减因子都具有较高的辨识精度,在处理宽频振荡频率漂移现象和衰减因子突变等问题上有突出的优势。     

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算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于深度残差网络的SSO模态参数辨识

针对电力系统正常运行中的微弱次同步振荡信号趋势难以辨识,辨识算法抗噪性差、辨识结果可靠性低等问题,提出一种基于深度残差网络的次同步振荡模态参数辨识方法。建立了一种由卷积层、若干残差层和全连接层等构成的深度残差网络模型;模型训练数据集依据SSO信号特点生成,全部采用仿真数据;经参数调整和优化后的模型能够实现对现场实测的低信噪比SSO信号模态参数的盲辨识。利用理想信号、含噪仿真信号和现场实测数据等三种方案对模型性能验证,结果表明该算法能有效地辨识出微弱SSO的频率和阻尼等关键参数,与卷积神经网络(CNN)和随机子空间(SSI)算法相比较,辨识精度更高,受噪声干扰小,具有盲辨识的特点,可用于电力系统次同步振荡风险的预警。     

基于深度学习的变压器局部放电模式识别研究

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于CNN-LSTM神经网络的电网调度火电厂短期存煤预测

采用传统的回归拟合进行发电厂存煤量单变量单步预测已无法满足电网优化调度的需求,针对该问题,提出卷积神经网络(CNN)与长短期记忆(LSTM)神经网络相结合的CNN-LSTM神经网络预测模型,利用CNN良好的特征提取能力以及LSTM神经网络特殊的记忆预测功能实现对未来电厂存煤量的精准预测.为了使预测结果更符合实际存煤量,在已有预测结果的基础上进行进一步优化.实例验证结果表明,相较于传统差分自回归移动平均(ARIMA)模型和单一LSTM神经网络模型,所提模型取得的效果更好,且经过优化后的预测精度得到了进一步提高.     

基于CEEMDAN-LSTM-CNN网络的短期电力负荷预测

短期电力负荷随机性和波动性较强，传统的负荷预测方法难以掌握短期负荷变化的规律。为提高短期电力负荷预测精度，提出一种融合自适应噪声完备集合经验模态分解(CEEMDAN)、长短时记忆(LSTM)网络、卷积神经网络(CNN)的短期电力负荷预测方法。从数据集中提取原始负荷序列，利用CEEMDAN将其分解为多个固有模式函数(IMF)，降低其非稳定性；采用LSTM网络分析各分量时序特征，获得多个预测结果 ；将各预测结果叠加后通过CNN和全连接层分别进行特征提取和数据特征学习，获得最终负荷预测结果。将所提方法分别与基准模型及其他文献方法通过实际算例进行对比分析，结果表明，所提方法能够准确掌握负荷变化的规律，且在一天负荷预测问题中精度达到97.32%。