基于 GST-TT 变换的单端故障行波测距方法

针对行波法测距波头时刻标定精度不足和波速不稳定的问题,提出一种基于GST-TT变换的单端故障行波测距方法。首先将采样的电压行波信号做解耦处理,提取线模电压信号,然后将线模电压信号进行广义S变换,提取适当高频频带作为故障特征频带,运用TT变换对角线位置元素聚高频、抑制低频的特性,在故障特征频带内对波头到达测量端时刻进行精确标定,根据不依赖具体行波波速的故障测距计算方法得出故障距离。该方法可以提高波头时刻的标定精度,降低波速不稳定对故障测距的影响。通过PSCAD仿真验证,根据结果可知,该方法测距精度较高,在无噪声干扰情况下,平均相对误差为0.25%;同时也可知晓该方法具有较强的耐受过渡电阻能力和抗噪能力。     

基于VMD与广义S变换的HVDC线路故障定位

针对高压直流输电线路故障定位中存在的输电线路长、故障概率大、测距精度不高以及故障波形含有噪声等问题,提出了VMD分解与广义S变换结合的高压直流输电线路故障测距算法。首先通过变分模态分解(Variational Model Decomposition,VMD)对含噪声的行波信号进行VMD分解,滤去噪声并获得最优模态分量。然后采用广义S变换(Generalized S-transform,GST)计算最优模态分量,生成高时间分辨率S矩阵。并选取S矩阵中的高频分量,识别该频率分量的波形突变点,从而获取故障初始行波到达时刻。最后通过测距公式获得故障距离。PSCAD/EMTDC仿真表明,所提方法受过渡电阻影响很小,不同故障距离的测距精度很高。经过现场故障行波数据的验证,可以实现在线路范围内快速准确的故障定位。     

可编程温湿度控制器

介绍了以Intel 8032为核心的智能温湿度控制器。可以根据用户自定义的温度、湿度曲线进行温度和湿度控制，能实时显示温湿度及所处程序段和工作时间，能对系统进行自检，并显示出错信息，能定时打印。带有标准通讯接口，可进行远程操作控制。可应用于产品环境可靠性实验及其他相应场合。     

光纤布拉格光栅传感技术在隧道火灾监测中的应用研究

针对公路隧道存在潜在的火灾问题,提出一种利用环氧树脂封装而成的光纤布拉格光栅传感器对隧道火灾进行监测,分析了其基本原理及温度传感特性,实验结果表明封装后的光纤光栅的温度传感灵敏度约是裸光栅的2.75倍.再利用光纤光栅多区波分复用技术,设计了一套基于光纤布拉格光栅传感技术的隧道火灾报警监测系统.结合现场模拟监测实验,证明该系统灵敏度高、数据准确,能够对隧道火灾报警方位进行精确判断,为隧道火灾的预警和救灾赢得时间.     

有限空间液态场中声发射信号时延估计方法

石油储罐罐底腐蚀的定位可利用声发射信号的时延估计实现,但在有限空间液态场中信号的传播会产生严重的多途效应,对准确进行时延估计产生不利影响.提出一种基于信号截取的广义互相关时延估计方法.采用曲线拟合法对每路传感器采集信号进行波达时刻估计,然后进行信号截取,对两路传感器截取信号进行基于相位变换的广义互相关,实现信号的时延估计.实验结果表明,该方法能有效克服多途干扰,提高时延估计性能.     

基于粒子滤波的液态场环境声源定位方法

研究了石油储罐罐底腐蚀声发射源的定位方法.针对有限空间液态场中水声信号的多途效应严重影响声源目标定位问题,提出一种基于粒子滤波的到达时间差(TDOA)声源定位方法,充分考虑广义互相关结果中多途效应导致的多个峰值,采用高斯似然函数进行重要性采样,实现对多途效应影响的抑制.水池实验结果表明这种方法比传统的Chan方法具有更高的定位准确性和精度,定位结果的均方根误差(RMSE)为Chan方法的10%,提高了定位性能.     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

有限封闭环境中基于PCA的水声测距方法

有限空间中多途效应严重影响测距的准确性,针对该问题,提出一种基于主成分分析的水声信号测距方法,对信号协方差矩阵进行降维和特征抽取,在保留协方差矩阵信息量的同时抑制多途干扰信号的影响。实验结果表明,该方法能够提高有限封闭液态场环境中水声测距的准确性和稳健性。     

基于 IPPA 优化 PNN 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器 故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和 融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法( IPPA),提高其优化能力,并使用改进后的 IPPA 算法优化 PNN 网络的平滑因子,以提高 PNN 的分类精度和鲁棒性。 最后将 PCA 处理后的数据输入到 IPPA-PNN 模型中进行故障诊断 并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN 模型准确率达到 93%相比于 PPA-PNN 和 PSO-PNN 模型提高了 7%和 10%能够有效地提高变压器的故障诊断性能。     

基于加权灰色关联投影的Bagging-Blending多模型融合短期电力负荷预测

针对短期电力负荷随时间变化呈现随机性和不确定性问题,提出了一种基于加权灰色关联投影算法Bagging-Blending的融合模型。首先,采用加权灰色关联投影算法对电力负荷中各影响因素(如天气、温度、湿度、日期类型等)进行分析,以选取历史负荷特征。在此基础上,分别将各单一模型SVR (support vector regression)、KNN (K-nearest neighbor)、GRU (gate recurrent unit)、XGBoost (eXtreme Gradient Boosting)、LightGBM (light gradient boosting machine)、CatBoost (Categorical features gradient Boosting)嵌入Bagging集成算法中以提升模型的稳定性和泛化能力。同时利用Pearson相关系数对各单一模型进行相关性分析。然后,依据模型对数据观测空间角度的不同,使用Blending模型对相关性小的模型进行融合。最后,通过新英格兰地区电力负荷数据ISO New England进行验证。所提融合模型与传统单模型(SVR、GRU)和其他融合模型(Bagging-XGBoost、最优加权的GRU-XGBoost)相比,具有较强的泛化能力和较高的稳定性与预测精度。