基于诱导有序加权证据推理方法的不完全信息下继电保护系统健康状态评价

考虑到实际继电保护系统的监测数据庞杂,往往呈现动态性、不完备性和不精确性等特征,属于不完全信息,针对不完全信息下继电保护系统的评价方法进行研究。基于证据推理方法,对属性值存在缺失的继电保护系统状态进行了综合评价。引入诱导有序加权算子,系统状态信息的权重依据各属性表现的排序来确定,保证了状态评价模型中权系数与系统状态在任一时间点上的相关性。通过算例与传统模糊评价方法对比,验证诱导有序加权证据推理方法对不完全信息下继电保护系统状态评价的有效性,且更能针对性地反映系统劣化趋势。     

串联混合动力电动汽车交直流变换器的故障仿真分析及诊断

交直流变换器是串联式混合动力汽车(Series Hybrid Electric Vehicles,SHEV)电气驱动系统中实现功率变换以及调速调频的核心装置,由于存在大量功率器件,导致其容易发生各种故障,且受功率以及外界环境等各种因素影响导致故障信号特征提取困难,故障诊断难以准确定位故障发生位置。文中主要针对功率器件发生断路故障问题,基于建立的SHEV电气系统的交直流变换器仿真模型,选择直流侧母线输出电流为特征量,并且充分考虑功率器件的位置,对功率器件开路故障类型进行详细分类,然后对各种故障下直流侧母线输出电流的特性进行分析。利用快速傅里叶变换将故障信号分解到不同的频率段,通过分析比较选取30k Hz(k=1,2,3…)频率段信号为故障诊断特征向量,再结合基于遗传算法的BP神经网络实现故障类型识别。仿真结果表明,这种方法可对交直流变换器的开路故障进行有效诊断和识别,预测结果误差非常小,具有计算简便,准确性高的优点。     

考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法

当前基于油中溶解气体分析(DGA)的变压器故障诊断方法往往仅考虑单一时刻数据点,容错性差,难以充分挖掘在线监测数据的时序信息。提出一种考虑变压器油特征参量序列间复杂关系的基于双向长短时记忆(Bi-LSTM)网络的变压器故障诊断方法。首先构建了变压器油特征参量序列,基于序列数据构建了Bi-LSTM变压器故障诊断模型。工程实际中不同变压器油特征参量序列长短不一,需通过排序、分组填充对模型输入进行重构改进,然后对超参数进行优化。基于同一自建数据库对比所提方法与其他方法,结果表明:经过数据重构后所提方法的准确率可达91.9%;当特征指标数量减少约2/3时,所提方法的准确率仅下降约1%,而其他方法的准确率平均下降约6%;当采样数据存在10%的随机错误时,所提方法诊断准确率仅下降2%～6%,且通过改变隐藏层的数量可得到改善。