排序方式: 共有10条查询结果,搜索用时 31 毫秒
1
1.
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。 相似文献
2.
为提高变电站长段动力电缆漏电监测水平,提出了一种基于空间矢量复合判据的变电站长段动力电缆漏电检测算法。首先对现有方法中无法检测三相漏电故障的问题进行了分析。然后,引入空间矢量的概念,将剩余电流数据转换为空间矢量圆,提出了剩余电流差流、A相漏电流以及空间矢量圆半径变化率3个漏电状态判断指标。并建立了针对电缆不平衡漏电及三相漏电故障的类型判断机制,实现了对长段动力电缆漏电状态及类型的准确检测。最后,通过仿真及江苏电网某500 kV变电站实际数据对所提方法的有效性与优越性进行验证。结果表明,该方法能够准确实现对不平衡漏电故障、故障演变过程以及三相漏电故障的判断,丰富了电缆漏电故障的诊断信息,有效提高了对变电站漏电问题的分析处理效率。 相似文献
3.
4.
目前,受端分层接入技术在特高压直流工程中得到广泛运用。受分层接入影响,高低端无功分层控制、核心控制器下放至阀组层。如何优化阀组投入方式,使其成熟运用于分层接入工程中亟待研究。该文详细介绍了分层接入方式下阀组在线投入的控制策略,着重指出在线投入过程中控制器切换与触发角变化的关系;通过与常规特高压直流比较,提出分层接入方式下阀组在线投入策略的新特点;通过实际建模以及试验支撑,提出阀组在线投入成功的关键步骤。现场试验结果表明,该文所叙述的控制策略适用于现有的特高压分层接入直流工程,分层接入逆变站在合理的时间区间内拉开BPS开关可以确保阀组可靠投入。 相似文献
5.
阀冷系统是保证换流站稳定运行的重要组成部分.喷淋系统将循环水以喷雾方式持续湿润盘管表面,从而达到冷却换热的效果.循环水易出现滋生细菌藻类和结垢的现象,从而严重影响阀冷系统的换热效率.对此,提出一 种基于 XGBoost的特高压换流阀冷却系统的自动加药状态评估方法.首先针对阀冷系统主要部件,提取进阀压力、进阀温度、喷淋水电导率和阀厅温度等10个特征指标;然后将预处理后的数据导入 XGBoost分类器进行训练,并通过网格搜索法实现参数寻优;最后使用江苏省某换流站的现场数据验证模型的有效性,结果显示模型的评估准确率达 到92%. 相似文献
6.
7.
8.
针对双极双十二脉动特高压直流线路永久性接地故障异常环流无法有效隔离问题,提出了故障异常环流抑制优化方案。首先分析了直流线路永久性接地故障异常环流值的影响因素。其次结合国内直流线路故障清除现有策略,分析了有通信工况下线路接地故障重启高端阀组异常环流、有通信工况及无通信工况下线路接地故障重启不成功闭锁异常环流的形成原因。然后据此提出基于极隔离以及移相90°再闭锁策略优化的直流线路永久性接地故障环流抑制方案。最后通过实时仿真系统(real time digital system,RTDS)建立了仿真模型验证改进方案的有效性。结果表明,文中所提出的方案可有效解决不同工况下直流线路永久性接地故障异常环流问题。 相似文献
9.
10.
针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解(Variational mode decomposition,VMD)提出改进变分模态分解(Improved variational mode decomposition,IVMD)方法分解轴承故障信号,并基于快速谱峭度图(Fast kurtogram,FK)提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明:IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络(Convolutional neural network,CNN)进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。 相似文献
1