基于相空间重构的大型变压器绕组松动的振动特征识别

为识别大型变压器的绕组松动缺陷特征,进行110 kV变压器短路实验并测取油箱顶面3个测点的振动信号。应用相空间重构方法对振动信号进行研究。基于相图可视性的目的,取嵌入维数为2。应用平均位移法确定最佳时间延迟,重构振动信号的相平面轨线。观察较大电流下(80%~110%额定电流)的轨线,可以发现特征:绕组松动状态下轨线近似为闭合的空心畸变椭圆,表明变压器振动是非线性周期振动;绕组压紧状态下轨线交叉混叠,并未沿主对角线打开。该特征在实验中的可重复性强。依据此特征,实现了绕组松动缺陷的识别。     

基于C-C算法的混沌吸引子的相空间重构技术

基于混沌理论可以检测心率失常、分析脑电变化,发现复杂信号的特性.相空间重构是进行混沌分析,从几何和信息论角度计算混沌特性的必要步骤.相空间重构是有效的展现混沌吸引子动力学特性的一种方法.该方法要构造一个非线性时间序列的嵌入,选择合适的时间延迟.C-C算法结合了自相关函数和互信息方法的优点,既能有效减少计算量,又能保持系统的非线性特征.本文运用C-C算法进行相空间重建,考察通过C-C算法获得的最优延迟函数.在理论分析的基础上,本文将C-C算法实际应用于洛仑兹吸引子和一组实测心电信号的相空间重构,说明相空间重构的原理与使用.经过相空间重构,可以为进一步的混沌信号分析提供关键的嵌入维数和延迟时间等参数.     

基于多变量相空间重构和优化深度极限学习机的短期风电功率预测

针对风电功率单变量处理方法及预测模型拟合能力不足的问题,提出了一种多变量相空间重构（multivariate phase space reconstruction,MPSR）和鲸鱼优化算法深度极限学习机（whale optimization algorithm-deep extreme learning machine,WOA-DELM）的短期风电功率组合预测方法。首先,利用Pearson相关系数筛选出与风电功率相关的气象因素,并将其与风电功率序列组成多变量时间序列;其次,利用C-C法确定每一时间序列的最优嵌入维数和时间延迟,实现多变量相空间重构;然后,将多变量相空间重构建立的数据集输入到深度极限学习机（deep extreme learning machine,DELM）模型中,同时利用鲸鱼优化算法（whale optimization algorithm,WOA）对DELM的权值参数进行优化,得到WOA-DELM预测模型,以此预测短期风电功率,最终得到预测结果。将平均绝对误差（mean absolute error,MAE）、均方根误差（root mean square error...     

相空间重构和支持向量机结合的电力负荷预测模型研究

风电机组集中并网会对电网安全稳定运行带来影响,为了合理规划各类供电机组高效运行,对电力负荷预测的精度提出了更高的要求。电网负荷时间序列具有混沌特性,普通预测方法难以描述其特性和内在规律。利用混沌相空间重构理论对负荷时间序列进行研究,用互信息法和CAO方法分别求得时间延迟和嵌入维数,并由此得到系统最大李雅普诺夫指数,证明其具有混沌特性。然后根据时间延迟和嵌入维数对样本数据相空间重构,在此基础上利用支持向量回归算法(PSR-SVR)对电力负荷进行预测,支持向量回归采用网格寻优确定参数。最后将预测的结果同时间序列模型和BP神经网络模型的预测结果进行对比,结果表明,这是一种误差小,精度高的电网负荷预测方法器。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

交叉递归图在变压器铁芯压紧力变化检测中的应用

基于交叉递归图(CRP)能够对信号的非线性非平稳变化进行检测的特点,提出了一种基于CRP的铁芯连续压紧力变化的检测方法。首先对铁芯在压紧力单调下降情况下的振动信号进行递归图分析,根据铁芯振动信号的特点经验性地选择距离阈值ε,然后分别采用一元和多元传感器信号进行相空间重构并进行递归图分析,计算铁芯全局和局部的压紧力的4个基于对角线结构的递归度量分析(RQA)度量,对铁芯压紧力的变化从总体角度和局部角度分别进行衡量。对实验数据使用该方法的分析表明,选取的4个度量在一定压紧力范围内随压紧力的下降而单调下降,多个RQA参数结合能够有效地表征铁芯压紧力的变化趋势。该方法能较好地反映铁芯结构发生的非线性变化,能有效地监测铁芯松动故障。     

基于混沌理论和KPCM聚类的变压器绕组松动状态监测

运行中的变压器会产生持续振动,通过振动的变化可以判断变压器内部运行状态。变压器振动信号中包含了大量状态信息,难以从中提取有效特征来监测绕组松动状态。为此,提出了基于混沌理论和核可能性聚类算法KPCM的变压器绕组松动状态监测方法。首先,从振动信号的混沌动力学特性出发,通过选择最佳嵌入维数和时间延迟,对实测变压器振动信号进行相空间重构。然后,针对重构信号的高维空间分布,使用KPCM聚类方法对分布模式进行识别,据此对绕组松动状态进行监测。现场实测数据的计算结果表明,使用Wolf法计算得到的最大李雅普诺夫指数为正,证实了变压器振动信号的混沌特性,基于KPCM聚类分析得到的聚类中心位移矢量的变化能够有效识别出绕组松动的机械故障隐患。研究结果为从混沌动力学角度监测变压器绕组的松动状态提供了理论依据。     

径流混沌时间序列局域多步预测模型及其在黄河上游的应用

近10多年来,许多学者相继开展了应用混沌理论对径流时间序列的预测研究,以Takens嵌入定理为理论基础的混沌局域法是一种简单、有效的预测方法。但是常用的零阶局域法、一阶局域法、加权零阶局域法和加权一阶局域法都是一种单步预测模型,进行多步预测时计算量大且存在误差累积效应。基于相空间重构技术的加权一阶局域法多步预测模型可以克服上述不足。因此,本文首先利用虚假邻域法选取相空间重构的参数时间延迟和嵌入维数,而后依据小数据量法计算最大Lyapnuov指数进行径流时间序列混沌特性的定量识别,最后建立了径流混沌时间序列加权一阶局域法多步预测模型,并将该模型应用于黄河上游贵德站1954年1月-2003年12月的实测径流时间序列预测。结果表明,该模型用于径流时间序列的短期预测是可行和有效的。     

基于相关邻近点与峰谷荷修正的短期负荷时间序列预测

采用混沌相空间重构理论进行电力短期负荷预测,存在峰谷荷预测精度相对较差和预测参考点不易选取的问题.根据电力系统日负荷曲线构造了日峰谷荷时间序列,揭示了日峰谷荷时间序列的混沌特性,采用相空间重构直接预测未来峰谷荷,进而提高了峰谷荷和整点负荷的预测精度.针对相空间中相点的预测参考点确定问题,提出了按相点演化相关性进行选择的方法,首先根据模型要求的预测参考点数量选出邻近点,然后根据相点演化相关性排除伪邻近点,同时引入时间权重来反映相空间不同坐标的时间次序.实际电网负荷预测的仿真结果验证了文中提出的相空间相关邻近点的选择方法与峰谷荷修正思想的有效性.     

基于混沌理论的异步电机偏心故障诊断的研究

结合混沌理论和分形几何学对采集到的振动信号进行混沌特征论证,结果表明,异步电机振动信号具有明显的混沌特征:出现了分频,最大李雅普诺夫指数大于0,相图具有分形几何特点。然后对数据序列进行了相空间重构实验,分别用经典的算法得出时间延迟和系统的嵌入维数,最后计算得出重构出的奇怪吸引子的的关联维数,对分析偏心电机的故障提供了依据。     

基于混沌理论与蝗虫优化K-means聚类算法的电抗器铁芯和绕组松动状态监测

为了更加准确有效地监测高压并联电抗器铁芯和绕组机械状态,提出了基于混沌理论与蝗虫优化K-means聚类算法的电抗器铁芯和绕组松动状态监测方法。首先,对振动信号的混沌特性进行分析,采用C-C法选择最佳延迟时间和嵌入维数,对电抗器振动信号进行相空间重构;然后,利用蝗虫算法优化传统K-means聚类算法,从而更加合理地选取初始簇中心,进而通过优化后的K-means聚类算法求出重构信号相轨迹的簇中心;最后,根据簇中心位移矢量和的模值变化对电抗器铁芯和绕组松动状态进行监测。研究结果表明：采用Wolf法求得的各测点最大Lyapunov指数均大于0,证明电抗器振动信号具有混沌特性。蝗虫优化K-means聚类算法有效提高了计算结果的准确性,振动信号相轨迹的簇中心位移矢量和的模值变化能够有效反映铁芯和绕组松动故障隐患,从而为电抗器铁芯和绕组松动状态检修提供了理论依据。     

Selection of Embedding Dimension and Delay Time in Phase Space Reconstruction

A new algorithm is proposed for computing the embedding dimension and delay time in phase space reconstruction. It makes use of the zero of the nonbias multiple autocorrelation function of the chaotic time series to determine the time delay, which efficiently depresses the computing error caused by tracing arbitrarily the slop variation of average displacement (AD) in AD algorithm. Thereafter, by means of the iterative algorithm of multiple autocorrelation and Γ test, the near-optimum parameters of embedding dimension and delay time are estimated. This algorithm is provided with a sound theoretic basis, and its computing complexity is relatively lower and not strongly dependent on the data length. The simulated experimental results indicate that the relative error of the correlation dimension of standard chaotic time series is decreased from 4.4% when using conventional algorithm to 1.06% when using this algorithm. The accuracy of invariants in phase space reconstruction is greatly improved. Translated from Journal of Xi’an Jiaotong University, 2004, 38(4): 335–338 (in Chinese)     

基于相空间重构和迁移学习的配电网高阻接地故障检测

配电网中高阻接地故障(High ImpedanceFault, HIF)时常发生,其故障特征微弱而难以检测,严重情况下可能导致火灾或人身事故。提出了一种基于相空间重构和迁移学习的故障识别方法,实现对谐振接地系统中HIF的辨识。首先,使用基于综合策略的小波阈值降噪方法对零序电流信号进行处理,以降低噪声的影响。随后,对降噪后的仿真信号及实测信号进行相空间重构,获取重构轨迹图,以此作为故障识别的特征量。最后,在辨识模型构建上,先使用仿真信号的重构轨迹图训练GoogLeNet模型,再使用实测信号对模型进行微调,实现迁移学习。所提算法的优点是使用相空间重构进行了信号转换,故障信号与干扰信号的重构轨迹图差异明显,且实测信号与仿真信号的重构轨迹图相似度较高。在进行迁移学习后,实现了对实测小样本数据较为准确的检测。实验结果表明,无论是故障实测数据还是故障仿真数据,识别准确率均达到95%以上。此外,在强噪声干扰、采样数据点缺失及故障回路间歇性导通情况下,所提算法也取得了较好的结果。     

基于MOEA的智能电网需求侧管理分时电价优化方案

本文为降低分时电价方案中电力客户的用电成本并减少用电设备的平均延时,提出一种基于多目标进化算法的智能电网需求侧管理分时电价优化方案。首先简要介绍了分时电价方案及其优势;其次重点阐述了多目标进化算法评估用电成本和设备延时的具体实现方法,并给出了目标函数;最后,以Matlab/Simulink软件为平台对所提出的方法进行建模与仿真。结果表明,优化后的方案能显著降低用电成本并使用电设备正常运行的等待时间最小化。因此,对用户需求侧管理具有一定的参考意义。     

基于BOTDR监测数据的光纤复合海底电缆状态预测

为了判断光纤复合海底电缆状态的发展趋势,及时发出故障预警信号,提出了基于加权最小二乘支持向量机(WLS-SVM)的海缆BOTDR监测数据多步预测模型。利用Birge-Massart策略计算实测数据小波分解后不同尺度上的阈值,使用软阈值法消除随机噪声对预测准确性的影响;在混沌序列分析的基础上,采用G-P算法进行相空间重构,确定最佳嵌入维数,同时验证频移时间序列的混沌特性;将重构相空间中的相点馈入到WLSSVM模型完成递归多步预测;最后对海缆两个典型位置处测点进行了频移6步预测。结果表明,递归6步预测的最大平均相对误差为1.80%,具有比标准支持向量机预测结果更高的预测精度和更好的适用性。     

压缩感知在电能质量扰动信号去噪中的应用

针对电能质量信号去噪中阈值去噪存在信号失真,去噪效果不理想,阈值选取影响重构质量的问题,提出了一种基于压缩感知理论(compressed sensing,CS)的电能质量信号去噪新方法。CS去噪将扰动信号映射到低维空间,利用电能质量信号具有稀疏性可以重构,噪声信号不具备稀疏性不可重构的特点,应用正交匹配追踪(orthogonal matching pursuit algorithm,OMP)重构算法重构电能质量信号达到去噪目的。实验表明,CS电能质量信号去噪法优于传统的基于小波去噪的阈值去噪法,且信号不失真,具有扰动信号采集与压缩的同时完成去噪和易于实现的特点,为电能质量信号去噪提供了一种新的方法。     

一种基于小波包和apFFT的间谐波检测方法

针对现有的间谐波检测精度不高以及暂态间谐波信号定位困难等问题,探讨了一种新的间谐波检测方法。首先,将信号进行小波包和FFT变换,计算相对小波包能量。然后应用频谱特征量和相对小波包能量确定信号所含分量。最后利用小波包重构与apFFT算法检测和定位信号,计算间谐波幅值和频率。分别采用含稳态及暂态的间谐波信号模型对该检测方法进行了仿真研究,并将仿真结果与文献的结果进行了比较。仿真结果表明:该检测方法能够有效地检测间谐波,并具有较高的检测精度。     

基于坐标变换的风电变流器电压信号CS压缩方法

为了解决直接利用压缩感知(CS)理论对风电变流器输出端三相电压监测数据存储空间的资源浪费以及重构性能差等问题,提出了一种基于坐标变换的风电变流器电压信号CS压缩方法。该方法的关键是利用dq0变换、空间矢量变换将三相电压信号转换为一维信号;然后将传统的多频带融合思想用于CS稀疏表示中,构造稀疏字典矩阵,并分析了稀疏字典与测量矩阵的不相关性;最后利用高斯随机矩阵进行压缩测量,使用追踪算法实现一维信号的恢复,将其转化为两相信号并作坐标反变换,即得到重构的三相电压信号。仿真结果表明,与直接对监测的三相电压数据进行CS处理相比,该方法可有效的压缩原始三相电压数据,使得运行时间降低,重构误差减小,并且节约了测量数据的存储空间,因而更加具有实际应用价值。     

基于频域子空间平滑的MUSIC时延估计算法

时延估计常被用在无线定位测距中,针对多径环境下定位精度下降和时延估计失真的问题,提出了一种基于正交频分复用（OFDM）频域子空间平滑的超分辨率（MUSIC）时延估计算法。首先使信号源经过OFDM调制,利用子载波形成数据流;随后在频域对数据流的协方差矩阵作双向平滑处理,使其最大程度的利用信号子空间的数据信息;最后利用MUSIC算法下信号/噪声子空间正交性逐一进行谱峰检测,并针对噪声情况对伪谱作归一化处理,从而获得更为准确的时延信息。计算机仿真表明,本文优化算法相对于特征空间MUSIC算法具有更高的谱峰和更窄的旁瓣,且无错误估计干扰。在测距信号间隔较近时能够有效解决估计失真问题,最小时延间隔可达6ns,分辨能力较强。估计性能层面,可在信噪比为-15dB复杂条件下估计精度达到3ns左右,验证了该算法的有效性和优越性。     

基于混沌理论的电网售电量预测研究

对具有混沌特性的电网售电量时间序列重构相空间,计算相空间的饱和嵌入维数和最大Lyapunov指数,并利用计算得到的饱和嵌入维数指导建立T-S模糊神经网络预测模型。采用递阶遗传算法对T-S模糊神经网络的结构和权值进行训练,可确定最适合的预测模型结构,提高神经网络的收敛速度,使其具有良好的泛化能力。在此基础上,对秦皇岛电力公司售电量数据进行预测,结果表明,该方法可精确地再现售电量时间序列的混沌动力学行为,在可预报尺度范围内,能对售电量作高精度的预测,且具有很强的适应能力。