三相逆变器功率管故障智能诊断研究

以三相逆变器-电动机驱动系统为例,研究基于神经网络的逆变器故障智能诊断方法.在三相逆变器易发的功率管开路故障、短路故障及短路故障后逆变器工作状态理论分析和仿真实验研究基础上,建立三相逆变器故障仿真模型.通过仿真实验获取逆变器故障状态下的电机定子电流信号数据,利用信号分段方法提取故障特征构造神经网络的学习样本,并以此训练神经网络,确定用于三相逆变器故障诊断的神经网络结构和参数.在感应电机矢量控制系统中进行仿真验证,仿真实验结果表明,该方法相对已有逆变器故障诊断方法,具有诊断迅速、可靠性高的优点,可在20ms内在线完成上述各种功率管故障的诊断.     

水电机组中改进支持向量机算法的故障检测应用研究

水电机组故障数据通常为小样本的精密数据,而传统的支持向量机故障检测方法通常对大数量样本进行分类分析才有效,对小数据故障样本的分析存在局限性。对支持向量机方法进行了改进,提出最小二乘支持向量机方法并应用到水电机组故障检测中,对改进过程进行了详细的介绍,塑造故障检测多元分类模型,实现水电机组故障的准确检测。实验对采集的13个水电机组故障样本类型进行仿真分析,结果说明,优化支持向量机具有较高的小样本数据学习和预测性能,将其用于水电机组故障检测是有效、可行的。     

基于OCSVM的气体绝缘组合电器故障检测

为了检测气体绝缘组合电器(GIS)故障,提出了一种基于单分类支持向量机(OCSVM)的设备故障检测方法。该方法以选取GIS金属外壳振动加速度以及气体压力作为状态监测量,为了解决设备振动幅值受负载变化影响的问题,提取外壳振动信号峭度因子,与气体压力共同作为状态特征量;利用GIS正常状态特征量数据训练OCSVM模型,得到设备故障检测器,并利用故障检测器检测当前状态特征变量的异常程度来实现设备故障的检测,现场实测数据分析结果验证了该方法的有效性。     

基于栈式降噪自编码器的输变电设备状态数据清洗方法

针对当前输变电设备状态监测数据清洗过程繁琐,易造成信息丢失等问题,利用栈式降噪自编码器对"脏"数据的还原解析能力及异常状态特征提取能力,提出了一种基于栈式降噪自编码器的数据清洗方法。对设备正常工况及异常运行状态数据分别利用栈式降噪自编码器进行训练学习,获取损失函数向量,形成奇异点、缺失数据修复模型和设备异常运行状态数据降噪模型。通过核密度估计确定训练样本损失函数上限和容限时窗,根据测试数据重构误差和异常数据时长与损失函数上限和容限时窗间的关系,对"脏"数据进行分类处理。对某变压器油色谱中总烃含量及某导线温度数据进行清洗,结果表明所提方法能有效辨识奇异点、缺失信息及异常运行状态数据,并对奇异点、缺失值进行修复重构。在设备异常运行时刻,可以有效过滤干扰数据。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.     

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。     

基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方法

针对网络入侵检测中攻击样本和流量特征不足的问题,提出一种基于自监督特征增强的 CNN-BiLSTM 网络入侵检测方 法,实现在流量数据中检测异常网络流量的目标。 通过分析流量特征数据分布差异,采用 IQR 异常值处理方法进行数据预处 理,使用自编码器对攻击样本进行数据增强,构建 CNN-BiLSTM 神经网络和自编码器组成半自监督模型,分别提取高维流量特 征和自监督特征,将组合特征作为最终特征输入到分类模型中进行预测分类,实现网络入侵检测。 实验结果表明,与其他入侵 检测方法相比,所提方法在准确率和 F1 分数上分别达到了 85. 7%和 85. 1%,能够有效提高网络入侵的检测精度以及对未知攻 击的检测能力。     

基于小波包和分形维数的瓦斯传感器状态评估方法研究

为验证煤矿井下瓦斯浓度数据监测的准确性,实现对瓦斯传感器的远程状态评估,保证煤矿井下的安全工作,提出了一种基于小波包和分形理论的瓦斯传感器状态评估方法。首先构建了优化支持向量回归模型,利用输出的残差信号判断瓦斯传感器工作状态是否异常;针对瓦斯传感器的常见故障,结合小波包变换与分形理论对传感器的异常信号进行故障特征提取,构建故障特征向量;利用粒子群算法优化支持向量机的偏二叉树模型对故障进行分类识别,输出状态评估结果。与传统的BP神经网络法和SVM分类法对比,所提评估方法的整体准确率达95%,说明了其有效性和准确性。     

模式识别技术及在振动诊断中的应用

故障诊断实际上就是对设备的状态进行分类。通过从设备上采集数据、采样、提取特征、分类,来判别该信号所代表的状态是属于正常工况还是异常工况,区分异常工况为那一类故障。模式识别技术是50年代末兴起的一门新     

非负约束自动编码器在电缆早期故障识别中的应用

电缆早期故障的准确识别有助于降低电力系统的故障停电率和提高供电可靠性。在传统模式识别方法中,利于分类识别的有效特征通常难以选择,从而影响识别的准确度。鉴于此,将非负约束自动编码器(Non-negative Constrain Autoencoder, NCAE)堆叠形成的深度学习(Deep learning, DL)网络应用于电缆早期故障识别中。为了提高DL网络的学习效率,首先对故障相电流进行平稳小波变换,提取出一些具有相关性、冗余性的统计量、能量熵和信息熵等作为初级特征,其次堆叠多个NCAE构建出DL网络,通过预训练和微调机制,从初级特征中获得更易于早期故障分类识别的有效特征,最后利用Softmax分类器从正常状态和其他扰动信号中识别出早期故障。利用电缆电流仿真数据进行实验,结果表明与传统模式识别方法相比,所提方法识别准确率更高。     

基于改进的QBC和随机森林的管道类别非均衡堵塞故障识别

针对城市埋地排水管道堵塞故障检测过程中有标签故障样本少,管道运行状态样本集存在类别不均衡及样本标注成本高昂的问题,提出一种基于主动学习的排水管道堵塞故障分类识别方法。该方法采用改进后的委员会样本查询策略通过基于一致熵的委员会样本查询策略建立主动学习模型来实现不均衡样本集的学习。经过充分考虑样本的信息度并挖掘信息度高的未标注样本进行标注后,结合多个随机森林分类器组成委员会对未标注样本进行分类识别。在实验室所采集的管道运行数据集上对委员会样本查询策略中的投票熵、一致熵和随机选择样本查询策略进行对比验证。实验结果表明,采用基于一致熵的委员会查询策略在类别分布均衡初始训练集下有更快的收敛速度和更好的稳定性,在类别非均衡分布的初始训练集下同样具有良好的识别效果。     

基于沙戈荒新能源送出特性的特高压工程知识图谱构建技术研究

为了解决直流系统中工况变动及负载变更条件下造成的故障电弧识别准确率低的问题,提出了一种基于自适应噪声的完全集合经验模态分解-希尔伯特（complete ensemble empirical mode decomposition with adaptive noise-Hilbert transform, CEEMDAN-HT）包络谱和堆叠自编码器（stacking automatic encoder,SAE）的直流串联故障电弧诊断方法。首先参考雄安高铁站区直流系统典型负载搭建含混合负载的直流串联故障电弧实验平台,采集多工况下的电流信号并建立故障电弧数据库。其次采用CEEMDAN对原始信号进行分解得到多个固有模态函数（intrinsic mode function,IMF）,然后进行HT变换Hilbert transform）分析包络谱,组成首尾相接的高维特征样本,最后将样本输入SAE模型中学习特征,实现变负载下的直流故障电弧识别。实验结果表明：该方法能够很好地发挥CEEMDAN-HT从原始信号中提取故障电弧特征和SAE无监督学习的能力,不需要人工设置阈值即可准确识别故障电弧并进行负载分类,平均准确率可达98.9%。     

数据驱动的用户无功补偿装置远程故障感知

针对部分用户不能及时发现自身无功补偿装置的故障异常、降低用电能效和抬高用能成本的问题，提出数据驱动的用户无功补偿装置远程故障感知方法。该方法基于用户日用电模式会在有限的生产经营状态间切换的假设，利用无功补偿装置故障异常时用户侧功率因数降低、从电网吸收无功升高的特点，选取计量数据中的无功功率和功率因数作为特征量感知故障。采用正常运行时用户的历史计量数据构建正常样本库。同一生产经营状态下，无功补偿装置正常运行和故障异常时用户的无功及功率因数分布存在差异。采用近邻传播聚类对检测样本与正常样本库进行聚类，若检测样本产生单独类簇，即可判断当日存在无功补偿装置故障。基于实际发生的无功补偿装置故障用户计量数据的测试表明了所提方法的有效性。     

基于振动分析法的变压器故障分类和识别

为了实现变压器故障的直观分类和故障识别,在分析变压器振动机理的基础上,提出一种基于主成分分析和KNN分类识别的变压器故障测量方法。该方法采用EMMD(集合经验模式分解)方法提取变压器不同运行状态下振动信号的特征矢量,将该特征矢量通过主成分分析投影到直观的二维图像中。利用KNN分类识别实现故障分类和自动故障识别。试验结果表明,该方法可以实现对变压器正常状态、绕组变形、铁芯故障3种状态直观分类,并对测试样本进行快速的自动模式识别。     

风电机组齿轮箱温度趋势状态监测及分析方法

风电机组状态监测对于风电场特别是海上风电场降低维护成本,提高运行水平具有重要的实用价值。采用温度趋势分析的方法对风电机组齿轮箱的运行状态进行监测。利用非线性状态估计（nonlinear state estimate technology,NSET）方法建立齿轮箱正常工作状态下的温度模型并用其进行温度预测。通过合理构造过程记忆矩阵,使模型覆盖齿轮箱的正常工作空间。当齿轮箱工作异常时,其动态特性偏离正常工作空间,NSET温度模型预测残差的分布特性发生改变。采用滑动窗口方法实时计算残差的统计分布特性,当残差的均值或标准差的置信区间超出预先设定的阈值时,发出报警信息,提示运行人员检查设备状态。为模拟齿轮箱的故障情况,在机组数据采集与监视控制系统（supervisory control anddata acquisition,SCADA）数据中加入人为温度偏移。通过对该模拟故障的分析,新的状态监测方法能够及时发现齿轮箱的异常状态,达到实时在线状态监测的目的。     

基于局域均值分解和支持向量数据描述的高压断路器机械状态监测

为满足断路器机械状态监测的高可靠性要求,弥补现有方法易将轻微故障及无训练故障样本类型误识别为正常状态的不足,提出一种基于局域均值分解(LMD)能量熵和支持向量数据描述(SVDD)的高压断路器机械状态监测新方法。首先,利用LMD方法将断路器振动信号分解为一系列的PF(Product Function)分量,将各PF分量的包络按时间等间隔分段,并提取各PF分量包络的能量熵构成特征向量;然后,采用正常状态断路器振动信号的LMD能量熵向量训练SVDD分类器;最后,通过SVDD分类器对断路器的机械状态进行判断。实测信号实验证明,新方法比支持向量机(SVM)、BP神经网络(BPNN)等传统多类分类方法有更好的状态监测效果。     

小波包增强稀疏表征分类的管道堵塞故障识别

针对在声学主动检测埋地排水管道故障的过程中,不同程度堵塞信号及常规管道部件三通件信号等难以有效区分的问题,提出小波包增强稀疏表征分类(SRC)的堵塞故障识别方法。该方法首先对管道中采集的声学信号进行小波包分解,提取不同尺度分量的多个时频特征参数并筛选出更为有效的特征值,构建能全面表征不同程度堵塞与管道三通件信号的特征向量,然后利用特征向量分别构造字典和稀疏表征分类器。实验结果表明,该方法在少量样本情况下仍能有效识别排水管道内不同程度的堵塞故障及管道三通件,具有一定的工程实用价值。     

基于深度信念网络的计量装置故障溯源研究

针对电网海量大数据中存在异常的电表数据,提出了一种基于深度信念网络的计量装置故障溯源模型。首先,分析了深度信念网络（DBN）模型基本原理,提出了一种智能电表故障分类DBN结构模型,并给出了计量装置故障溯源建模流程;然后,通过建立离线台账样本库、实时用电曲线故障特征样本库,实现了计量装置故障样本库构建;最后,基于实际电表测试和数据异常识别,完成了计量装置的台账样本库溯源测试,并与已有的贝叶斯、决策树、随机森林、决策树提升等分类算法进行比较,测试结果验证了所提模型和方法的正确性和有效性。