基于主成分分析的串联电池组故障诊断实用方法

为了保证电动汽车和储能系统的安全运行,电池组的故障诊断研究备受关注。针对目前面向电池组故障诊断方法相对匮乏且实用性不佳的问题,提出了一种基于主成分分析(PCA)的故障诊断实用方法,以准确地区分组内的电池单体故障和连接故障。首先,提出了非硬件冗余的交叉测量拓扑,分别用不同数量的传感器测量电池和连接板;然后,分析组内测量电压的变化特点,引入PCA对故障特征进行提取,为了保证PCA模型适配,提出了PCA实时建模与故障诊断一体化的思路,并基于此设计了完整的故障诊断方案;最后,利用实验对所提方法进行验证,结果表明所提方法能够可靠区分电池单体故障和连接故障,准确检测阈值法无法检测的电池单体故障,且强鲁棒于荷电状态、健康状态和温度差异的影响。现场运行数据也证实了所提方法能够有效避免发生虚警。     

基于改进GSA-SVM模型的电力变压器故障诊断

准确评估输变电设备运行状态是电力企业生产技术工作的核心内容。为提高电力变压器故障诊断精度,避免传统引力搜索算法（GSA）自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机（SVM）模型,用于电力变压器故障诊断中。首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率。     

自动化技术在电力工程中的应用

阐述电气自动化技术的分类与特点,自动化技术的运用对策,包括监控系统、设备的故障诊断、电网调度、现场控制的自动化。     

基于图像处理和半监督学习的变电设备故障诊断

变电设备是电力系统中的关键部分,维护其安全稳定运行具有重要意义。当变电设备发生故障时,需要及时、准确对其故障类型进行诊断。提出一种基于图像处理和半监督学习的变电设备故障类型诊断方法。对收集到的红外图像数据进行特征提取,将其中的温度特征、纹理特征和形状特征作为模型的参考向量;利用SMOTE算法,对有标签样本的少数类样本进行样本扩充;汇总样本数据,构建图半监督学习网络,并对其进行训练。相比于传统的有监督学习方法,该文提出的方法能够学习无标签样本数据中的信息。使用真实的样本数据进行测试,验证所提方法的有效性,实验结果表明利用特征提取、样本扩充以及半监督学习模型能够提高变电设备故障的分类准确度。     

光纤电流互感器渐变性故障时频特征辨识

通过时频变换方法分解光纤电流互感器(FOCT)输出信号,获取渐变故障信号特征,是故障分析的关键步骤。针对FOCT渐变性故障信号时域跨度大且劣化过程呈随机性的特点,对输出信号进行跨间隔采样,利用小波包分解算法,根据故障信号频段实现故障信号特征提取,利用相关评价指标对时域特征参数进行筛选,得到表征FOCT劣化趋势的最优特征参数。针对信号特征维度高的特点,提出主元分析法对高维特征降维处理,满足故障特征辨识快速性的需求。实验结果表明：使用6层小波包分解算法,得到64个包含不同频段信号的子序列,对比各个频带能量占比来确定互感器运行状态,能够实现有效辨识渐变性故障特征。     

基于振动信号的干式变压器状态监测与故障诊断系统研究

研制了一套基于振动信号的干式变压器状态监测与故障诊断系统,详细介绍了装置的组成结构和工作原理,振动信号分析机理与方法,以及系统架构和主要功能。该系统能够有效预判干式变压器内部主要故障,对提升配电网的安全稳定运行具有实际意义。     

具有奖罚机制STDP的Spike-CNN模型的机械臂故障分类

在计算机视觉领域中,卷积神经网络取得了举世瞩目的成就,但其能耗问题一直未能得到很好解决.基于此问题,本文主要研究无监督学习范式下的Spike-CNN分类性能以及计算力.首先,本文设计了一种基于CNN和SNN的混合结构,在层级结构上实现脉冲机制;其次,为减少模型训练时间,本文提出了ReLU-ROC编码方案;最后,为使兴奋性神经元快速做出决策,本文提出了具有决策能力的RP-STDP学习方案：计算每对突触前与突触后兴奋性神经元的相对时间差.实验结果表明：以工业机器人采集到多元时间序列数据解决机械臂不同工作状态的3分类、4分类、5分类问题,在没有引入其他分类器的情况下,本文提出的具有奖罚机制的STDP的Spike-CNN方法平均准确率为LP1(91.07%)、LP2(96.66%)、LP4(93.95%).     

基于朴素贝叶斯的阀门关闭不合格原因评估

通过对某电科院阀门关闭测试报告中汽轮机阀门不合格原因和描述的历史信息进行分类整理,将不合格原因评估转为文本分类任务。建立基于自然语言分词处理与朴素贝叶斯分类算法结合的不合格原因评估模型,实现对新增阀门关闭不合格原因的准确判断。通过验证与对比改进,朴素贝叶斯分类模型能够对新增不合格原因进行评估分类。测试中,控制器和网络相关原因准确率能够达到98%以上,其他原因高于85%。该方法有效结合传统纸质报告信息与贝叶斯分类技术的优势,能够对汽轮机阀门复杂的关闭不合格因素进行有效判断。通过贝叶斯分类模型实现对汽轮机阀门不合格原因的判断,可减少人员依赖、加快评估速度、提升评估准确度,并且对智慧电厂中的智能运维与检修起到一定示范作用。     

E级高性能计算机的维护故障诊断系统研究

E级计算机系统规模巨大,使得故障异常总量随之增多,导致诊断发现的难度增加,因此,迫切需要一套更加准确高效的实时维护故障诊断系统,对硬件系统进行全面的异常及故障信息实时检测、故障诊断及故障预测。传统故障诊断系统在面对数万节点规模的诊断时存在执行效率低、异常检测误报率高的问题,异常检测及故障诊断的覆盖率不足。对异常及故障检测、故障诊断与故障预测相关技术进行研究,分析技术原理及适用性,并结合E级高性能计算机实际工程需求,设计一套满足数E级高性能计算机需求的维护故障诊断系统。基于维护系统的结构组成设计可扩展的边缘诊断架构,将高性能计算机系统知识、专家知识与数理统计、机器学习相融合给出故障检测、诊断及预测算法,并针对专用场景建立预测模型。实验结果表明,该系统具有较好的可扩展性,能在10 s内完成对十万个节点规模系统的故障诊断,与传统故障诊断系统相比,异常检测某特定指标误报率从3.3%降低到几乎为0,硬件故障检测覆盖率从90.2%提升至96%以上,硬件故障诊断覆盖率从71%提升至约94%,能较准确地预测多个重要应用场景下的故障。     

故障自诊断功能在智能热量表中的设计与实现

通过优化电路设计,实现关键信号的检测、存储、传输、对比和判断。实时诊断换能器失稳、温度传感器失真、电池欠压和数据异常等故障。热量表数据真实性、测量可靠性和智能化水平得到大幅提高。