基于长短期记忆神经网络的光伏阵列故障诊断

目前的故障诊断方法无法精确识别与定位光伏发电系统中光伏阵列的故障,导致光伏发电运维成本增加。为此,本文提出一种基于长短期记忆（LSTM）神经网络的光伏阵列故障诊断模型。在MATLAB/Simulink软件环境下,搭建光伏发电系统仿真模型,采用扰动观测的最大功率点跟踪（MPPT）算法和电网电压闭环控制策略,分析光伏组件断路和遮挡等故障的机理,并对光伏阵列故障状态进行仿真,研究不同故障状态对光伏系统输出特性的影响,进而获取故障特征参数。建立LSTM神经网络故障诊断模型,采集光伏阵列在不同故障条件下的特征参数作为训练样本,对模型进行训练,并与BP神经网络模型进行比较,发现LSTM神经网络模型的测试正确率高于BP神经网络。采用光伏实验平台模拟不同光伏阵列故障,将故障特征参数输入LSTM神经网络故障诊断模型进行诊断,结果表明,LSTM神经网络故障诊断模型能够精确识别和定位光伏阵列故障。     

基于LSTM的航空发电机整流电路诊断技术

整流电路是航空发电机的重要组成部分,存在故障频发且维修困难等问题。为对电励磁双凸极发电机(DSEG)的整流电路进行故障诊断,研究了一种基于长短时记忆(LSTM)网络的故障诊断方法。首先,采集多种故障模式下发电机的三相电枢电流信号。其次,利用不同的信号处理方法处理故障信号以获取故障特征信息。然后,将获得的故障特征数据分为训练和测试样本输入LSTM网络进行故障分类。最后,计算并分析诊断结果。仿真与试验结果表明所提方法具有良好的故障诊断效果。     

基于改进KNN算法的汽轮机通流故障诊断方法及应用

汽轮机的故障诊断对整个电厂的安全运行意义重大。根据热力参数建立计算模型可以及早地观测到性能退化趋势,预测设备故障类型。本文采用特征通流面积的方法建立汽轮机系统性能退化模型,模拟系统故障样本与测试样本,建立设备故障样本库。通过使用改进的KNN（K-nearest neighbor）算法,基于汽水系统热力参数变化规律,计算当前机组运行数据样本相对于设备故障样本的相似度,判定当前机组各设备已发生故障的概率。通过对某S109FA联合循环机组汽轮机研究结果表明,特征通流面积在不同工况下的计算误差均在5%以内,满足工程计算要求。相比于传统KNN算法,改进KNN算法通过样本评估近邻在决策过程中的权重,取得了比传统KNN算法更高的分类正确率。对测试样本故障诊断结果表明,改进KNN算法比传统KNN算法诊断准确率更高,对测试样本诊断准确率为100%,采用改进KNN算法汽轮机系统故障诊断具有可行性,与现场实际情况吻合。     

基于并联CNN-LSTM的弱受端直流输电系统故障诊断

现有的故障诊断手段面对复杂电网时,难以精确提取故障特征,急需适应性强、识别率高的故障诊断方法。鉴于此,提出一种基于压缩感知与并联卷积神经网络(CNN)和长短期记忆网络(LSTM)结合的电网故障诊断方法。搭建永富直流输电系统模型采集原始故障数据,原始故障数据应用压缩感知原理进行压缩采样,获得压缩域故障信号,以提高网络的计算效率。然后搭建了麻雀搜索算法（SSA）优化的并联CNN-LSTM深度学习模型。通过SSA确定并联CNN-LSTM的网络结构及参数,利用并联CNN-LSTM深度学习模型直接在故障的压缩域挖掘故障波形特征和时序特征,并对故障进行识别。仿真结果表明该模型相较于传统方法具有更高的故障诊断精度。     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

基于SMOTE与Bayes优化的LSTM网络变压器故障诊断

随着电力信息化的提高,智能算法结合历史数据进行变压器故障诊断的方法越来越受到关注。在溶解气体分析法基础上借助少数类样本过采样（SMOTE）算法合成新样本,实现样本多维度扩充,并以贝叶斯优化算法寻找长短期记忆（LSTM）网络模型参数的最优设置值,以降低训练集错误率,进而建立了变压器故障诊断模型。结果表明：样本扩充后的变压器故障诊断模型过拟合度降低约20%,测试集准确率提升约10%。     

基于长短期记忆网络的继电保护测试故障诊断研究

为提高智能变电站继电保护测试效率,解决数字式继电保护试验装置无法对整个测试过程中出现的故障自动进行诊断的问题,提出基于长短期记忆(Long Short-Term Memory,LSTM)网络的继电保护测试故障诊断方法.梳理了故障断面特征信息和故障类别,建立了多故障诊断模型,构建了故障诊断流程.以典型220 kV继电保护...     

基于PCA-SVM模型的多电平逆变系统故障诊断

多电平逆变系统由许多开关器件组成,具有非线性因素,很难建立数学模型来识别故障。针对多电平逆变系统故障的特点,为了实现级联H-桥多电平逆变系统的故障诊断,提高诊断的精确度和运算速度,提出了一种基于PCA-SVM模型的故障诊断策略。分析了故障信号,采用快速傅里叶变换（FFT）实现对故障信号的预处理,主元分析（PCA）提取起主要作用的特征向量,降低噪声,减少训练和测试时间,通过SVM进行训练和测试。实验结果表明,该方法具有很好的故障诊断能力、整体的诊断精度高达98%、计算效率高,满足了级联H-桥多电平系统诊断故障要求。     

基于小波变换和CFA-LSSVM模拟电路故障诊断

为了提高模拟电路软故障诊断、识别的正确分类率,提出了一种提升小波变换和混沌萤火虫算法(CFA)优化LSSVM参数的模拟电路故障诊断方法。首先对采集到的被测电路输出电压信号进行提升小波变换;然后对变换后的数据进行因子分析法对优化处理,将经优化的数据作为不同模式的故障特征集;最后将所得故障特征集作为样本输入到CFA-LSSVM模型进行故障诊断。实验结果表明,该方法的故障诊断正确率达到了98%以上,提高了诊断性能,可适用于模拟电路的故障诊断。     

基于EMD-PNN网络的刚性罐道故障诊断方法

针对刚性罐道故障种类识别困难,提出了一种基于经验模态分解-概率神经网络(EMD-PNN)的刚性罐道故障诊断方法。首先,搭建立井提升实验平台,使用北京东方振动和噪声技术研究所的INV3062T0设备采集罐道的振动信号,然后对含噪的振动信号进行EMD降噪;其次,提取降噪后振动信号的能量参数、偏度参数、峰度参数、波形参数、峰值参数、峭度参数、脉冲参数、裕度参数构成特征向量,作为PNN网络输入层的训练样本和测试样本;最后,利用训练样本建立PNN网络模型,选取测试样本检测概率神经网络的模式识别效果。实验证明,本方法对台阶凸起故障、接头错位故障和正常状态3种模式的识别率达到100%,为立井提升等非线性非平稳复杂系统的故障诊断提供一种通用可行的解决方案。     

Air-based coal gasification in a two-chamber gas reactor with circulating fluidized bed

During the bed gasification of solid fuels, the process temperature in the reaction zone is not high enough for reaching the maximum rate of the chemical efficiency factor of the gasification process. In order to increase the chemical efficiency factor, it is necessary to supply extra heat to the reaction zone to increase the reaction temperature. In this article, coal gasification in a chamber with forced fluidized bed is considered and it is proposed to supply extra heat with a circulating flow of an inert particulate heat transfer agent. Circulating inert particulate material is successively heated by coal combustion in a cone chamber with bubbling fluidized bed and in a combustion chamber with a spherical nozzle that inhibits the forced fluidized bed. After that, the heat transfer agent heated to 930–950°C enters first in a gasification chamber with bubbling bed and then in a chamber with forced fluidized bed, where it transfers the physical heat to the air fuel mixture. The experiments conducted with crushed Borodinsky coal and inert particulate heat transfer agent (electrocorundum) showed the temperature rise in a gasification chamber with from 760 to 870°C and the increase in the combustible component (CO) concentration in the gasification products by 5.5%. Based on the kinetic equations of the fuel combustion reactions and the CO₂ reduction to CO and on the thermal balance equations of combustion and gasification chambers, the simulation model for the gas composition and the temperature rate calculated by the height of reaction chambers was developed. The experimental temperature rates and product gas compositions are in good agreement with the simulation results based on the proposed kinetic gasification model.     

循环流化床煤气化平衡模型研究

该文根据试验结果拟合了碳转化率和甲烷产率动力学经验关系式,结合物料平衡、能量平衡和化学平衡,建立了动力学修正的循环流化床煤气化平衡模型.在与试验相同的条件下,进行了循环流化床煤气化模拟计算,模拟计算结果和试验结果比较吻合.在此基础上,还就空气加入量、蒸汽加入量及加煤速率对床温、煤气组成、煤气热值、碳转化率和气化效率的影响做了预测和分析.     

木块在流化床气化炉内气化特性的试验研究

利用自行设计的小型流化床试验装置系统,对城市生活垃圾中木块组分在不同的反应温度、不同的过量空气系数下进行了空气气化实验。分析了在流化床气化炉中,这些反应条件对木块转化为气化气的影响以及在不同的气化反应条件下,木块气化气成分、产气率、气化气热值及气化效率的变化规律。最后,提出了流化床城市生活垃圾气化熔融技术中一些有价值的运行参数范围。     

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。     

干法进料煤气化技术在中国的进展与发展趋势

煤气化技术是燃煤联合循环、煤化工、综合利用系统和零排放系统的关键技术之一。介绍中国煤气化技术的应用和发展现状，包括固定床气化(常压UGI炉和加压Lurgi炉)、流化订气化（U-gas炉和中国科学院山西煤炭化学研究所开发的常压灰熔聚流化床炉)和气流床气化(国电热工研究院提出的2段式干煤粉加压气化炉)，并对这3种床态的优缺点进行了对比。通过比较认为，2段式干煤粉加压气人炉气化和灰熔聚流化床气化优势明显。     

流化床燃烧麦秸床料团聚结渣研究

流化床技术在热转化生物质方面具有优势,但生物质流化床锅炉在运行中,经常遇到床料结渣问题。该文用流化床实验装置燃烧麦秸,发现床料发生了严重的团聚结渣,床层流化状态明显恶化。随着运行时间延长,床料颗粒表面富集越来越多的钾。分析表明,渣块中的融化物组成可以用K2O-CaO—SiO2三元系简化,三元系相图可解释融化出现的原因。由于生物质灰熔点低,燃烧的半焦表面变黏,黏结床料颗粒产生结渣。通过与细灰碰撞,床料颗粒表面形成一层均匀的灰层并融化,当灰层足够厚时,黏性力让床料颗粒通过有限的点黏结在一起,形成结渣。     

基于长短期记忆网络的电网故障区域定位与故障传播路径推理

为了在发生故障后维持电力系统的安全稳定,有必要实现对故障区域的快速定位并确定故障冲击的传播路径,提出基于长短期记忆网络(LSTM)的故障区域定位和故障传播路径推理方法.首先,利用LSTM建立2个故障诊断模型分别实现在线检测故障时刻和确定故障区域;然后,通过计算故障点附近线路的端口供给能量确定故障冲击的传播路径;最后,以8机36节点电网为例进行算例验证,结果表明所提模型可在发生故障后短时间内检测到故障,给出故障区域和故障冲击传播的路径,且对噪声有较强的鲁棒性.