基于故障后电流相位的含DGs配电网故障快速方向识别算法及RTDS仿真验证

通过研究故障前后电流相位的变化,提出一种改进的故障方向保护识别算法,该算法仅需故障后的电流相位信息即可确定故障方向,进而实现故障区域定位。由于该故障识别算法仅利用电流相位信息,可避免由于DGs接入而需在配电网中大量使用功率方向元件,可极大提高配电网可靠性运行的经济性。对原有保护算法在某些特定情况下的误判进行修正,增加不对称故障适应性论证,最后通过实时数字仿真器RTDS对本故障识别算法进行验证。     

输电线路的雷电识别研究

针对雷电干扰问题,提出了一种输电线路的雷电识别新算法。该方法依据轻型雷击、重型雷击及短路故障的不同暂态波形特征,构造复合识别判据。其一,利用电流行波首波面积比值特征量构成识别短路故障与雷击的判据;其二,运用电流行波在较短时间内的积分值特征量识别故障与轻型雷击。MATLAB仿真结果表明,所提算法能可靠区分轻型雷击、重型雷击和短路故障,是正确且有效的。     

基于神经网络的内燃机活塞-缸套磨损的故障诊断

分析了BP算法。在MATLAB环境下以改进的BP网络为识别模型对内燃机活塞-缸套磨损的几种故障进行分类训练,并应用待识别的故障样本识别仿真。结果表明,该方法在活塞-缸套磨损诊断中是行之有效的。     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

燃气轮机排气热电偶故障识别算法与容错设计

涡轮后排气温度作为反映燃气轮机运行状态最重要的参数之一,其测量传感器的故障识别及容错处 理对机组的安全运行有着至关重要的作用。某型燃气轮机涡轮后排气温度测点有16个,为了准确判断温度 测量值的异常变化是否因传感器故障引起,同时避免因为单点传感器的故障而造成整个燃气轮机机组不必 要的停机,设计了一种结合相邻测点温度变化和负荷变化情况的实时在线热电偶故障识别判断的逻辑算法。 经应用验证,所设计的逻辑算法能够准确识别判断排气热电偶的故障情况,并向操作人员提供及时的预警信 息,有效地避免了单点传感器故障造成机组停机。     

基于小波能谱熵和集成经验模态分解的传感器故障诊断耦合算法研究

建立了燃气轮机传感器各类故障典型信号的样本集,分别利用小波能谱熵(WEE)结合K近邻分类器(KNN)、集成经验模态分解(EEMD)结合稀疏表示分类器对故障信号进行诊断识别。通过对上述算法的优化整合,提出WEE与EEMD相结合的燃气轮机传感器故障诊断耦合算法。以某燃气轮机运行数据为基础,验证该耦合算法的识别准确率和鲁棒性。结果表明:耦合算法的识别准确率高、分析速度快和鲁棒性强,比单一算法具有更可靠的诊断结论,从而具有更好的工程应用价值。     

基于K-L变换的支持向量机在汽轮机故障诊断中的应用

支持向量机应用于故障诊断是近年来研究的热点,在支持向量机算法的基础上,以汽轮机故障为例,引入了K-L变换对故障特征进行提取。结果表明,经K-L变换后的支持向量机算法能够保证故障信息的完整性,有效识别临界故障状态,提高了故障的分类精度,扩展了支持向量机的应用范畴。     

一种用于三相整流装置故障诊断的方法

针对电力电子整流装置故障诊断方法中的故障特征提取和故障识别两个关键技术,提出一种基于主元分析和支持向量机相结合的三相整流装置故障诊断方法,首先对故障信号进行主元分析并提取相应的故障特征,然后构造支持向量机分类器实现对故障类型的识别。三相桥式可控整流电路晶闸管故障诊断仿真结果表明,该方法能准确对电力电子电路故障进行类型的识别和故障元的定位,对噪声具有鲁棒性,且算法简单,在解决电力电子电路故障问题上有很好的工程实用价值。     

海上油气田热介质供热设备故障数字化识别技术

海上油气田热介质供热设备长期在高温易燃的环境中运行，其可靠性对油气田开发的安全稳定起到重要作用，有必要研究其故障识别方法。为此，提出海上油气田热介质供热设备故障数字化识别方法。采用线性谱聚类算法对红外设备图像展开超像素分割处理，利用基于最大相似度区域合并算法分割设备目标区域。通过基于梯度变化的补偿算法对目标区域展开盲元块补偿。在核函数估计的基础上提取红外设备图像的温度概率密度函数，采用K均值聚类算法根据温度概率密度划分目标区域，将目标区域分为故障区域和正常区域，实现海上油气田热介质供热设备故障的数字化识别。实验结果表明，所提方法可以准确地完成目标区域分割和过热区域定位、故障识别准确率最低为97.3%、识别时间在2 s内。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

汽轮发电机组振动多故障诊断的遗传算法研究

汽轮发电机组的振动具有多样性的特点,经常出现多种故障同时发生的情况。将遗传算法分别与模糊c划分方法和概率因果模型相结合,应用到汽轮发电机组的振动多故障诊断中。经实例分析证明,这两种方法都可对汽轮发电机组的振动多故障进行有效诊断,具有较高的诊断可靠性和实用性。     

基于自适应遗传退火算法的配电网故障定位研究

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出了一种混合遗传算法（自适应遗传退火算法）用于解决辐射状配电网故障定位问题。该算法采用轮盘赌和最优保存策略相结合的选择机制,使得当前最优个体始终保持在种群里,并结合自适应交叉、变异概率,扩大种群的搜索范围,继而引入模拟退火算法,加快迭代后期算法的收敛速度。最后,通过对IEEE-33节点配电系统进行仿真计算,结果表明,该算法能够对单点和多点故障进行实时、准确地定位,并在故障信息畸变的情况下,也能快速地得到准确结果。     

基于分类树归纳的模糊轴系诊断规则抽取

轴系故障一直是困扰电力生产的主要问题,基于专家系统的轴系故障诊断方法存在知识获取困难、诊断精度不高的问题。本文提出了基于归纳学习的分类树构造方法,实现从运行数据中提取诊断规则,分析了基于分类归纳的诊断规则抽取方法对噪声的容忍能力,在不同噪声类型和噪声规模下,分析发现属性约简和剪枝技术都能有效提高诊断规则的泛化性能。本文进一步提出了将数值型规则转化为模糊规则,提高诊断规则的可理解性和推广能力,为实现故障诊断系统的自学习提供了可行的途径。     

A discrete hidden Markov model fault diagnosis strategy based on K-means clustering dedicated to PEM fuel cell systems of tramways

To solve the fault classification problems of fuel cell (FC) various health states for tramways, a discrete hidden Markov model (DHMM) fault diagnosis strategy based on K-means clustering is proposed. In this paper, the K-means clustering algorithm is used to filter the sample points which aren't consistent with the actual class labels. The Lloyd algorithm is employed to quantify the sample vector sets and obtain the discrete code combination of training samples and test samples. The Baum-Welch algorithm and forward-backward algorithm are respectively presented to train and deduce the DHMM. The classification results show that the six concerned faults can be detected and isolated. The targeted fault types include low air pressure, deionized glycol high inlet temperature, deionized humidification pump low pressure, deionized glycol outlet temperature signal voltage overrange, normal state and hydrogen leakage. The fault recognition rates with the novel approach are at best 94.17%.     

基于多目标优化的配电网负荷转移路径研究

建立了配电网故障后负荷转移路径优化模型,提出了优化的目标函数和约束条件。应用带精英策略的快速非支配排序遗传算法（NSGA-Ⅱ）求解该多目标多约束优化问题,得到的最优解集能更好地反映优化问题的本质,并结合熵权法建立了综合最优解的提取方法。根据提出的算法,编制了应用于配电网负荷转移的程序,用IEEE33节点算例验证了该算法的可行性。     

Identification of critical nodes for cascade faults of grids based on electrical PageRank

In this paper, the electrical PageRank method is proposed to identify the critical nodes in a power grid considering cascading faults as well as directional weighting. This method can rapidly and accurately focus on the critical nodes in the power system. First, the proposed method simulates the scenario in a grid after a node is attacked by cascading faults. The load loss of the grid is calculated. Second, the electrical PageRank algorithm is proposed. The nodal importance of a grid is determined by considering cascading faults as well as directional weights. The electrical PageRank values of the system nodes are obtained based on the proposed electrical PageRank algorithm and ranked to identify the critical nodes in a grid. Finally, the effectiveness of the proposed method is verified using the IEEE39 node system. The proposed method is highly effective in preventing the occurrence of cascading faults in power systems.     

基于鸟鸣功率谱密度的输电线路涉鸟故障相关鸟种智能识别

鸟类活动对架空输电线路的运行影响较大,不同鸟种引起的线路故障差异明显,为了提高渉鸟故障防治的针对性,需分类识别输电线路相关鸟种。以鸟粪类、鸟巢类、鸟体短接类、鸟啄类四种渉鸟故障对应的8种代表性鸟种为例,通过分帧加窗、端点检测等预处理,采用离散傅里叶变换和Welch算法获取不同鸟鸣信号的功率谱密度(PSD)图,从中提取129个频率点的PSD特征,并基于随机森林建立分类识别模型,以PSD特征作为输入量,开展模型训练和不同鸟种分类测试,8种鸟类的识别准确率为83.3%~100.0%,提高了渉鸟故障防治措施的精准性。     

时序信号处理在旋转机械故障诊断中的应用研究

叙述了是AR（自回归）技术在旋转机械故障诊断中的应用,结合AR模型的特点,讨论了旋转机械中应用的可能性,简述了AR模型的参数估计,就故障诊断中的模式建立及识别,实时性等问题进行了探讨。     

多层感知器在变压器故障诊断中的应用

提出采用多层感知器模型应用于变压器故障诊断系统,将遗传算法全局搜索能力强的特点和梯度下降法局部搜索能力强的特点有效结合,增强了神经网络模型的识别效果。     

Pattern recognition-a technique for induction machines rotor brokenbar detection

A pattern recognition technique based on Bayes minimum error classifier is developed to detect broken rotor bar faults in induction motors at the steady state. The proposed algorithm uses only stator currents as input without the need for any other variables. Initially, rotor speed is estimated from the stator currents, then appropriate features are extracted. The produced feature vector is normalized and fed to the trained classifier to see if the motor is healthy or has broken bar faults. Only the number of poles and rotor slots are needed as pre-knowledge information. A theoretical approach together with experimental results derived from a 3 hp AC induction motor show the strength of the proposed method. In order to cover many different motor load conditions, data are obtained from 10% to 130% of the rated load for both a healthy induction motor and an induction motor with a rotor having 4 broken bars