基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值(WSV)和支持向量机(SVM)的电力系统故障类型识别的新方法.利用WSV来量化故障特征,再与SVM结合进行故障类型识别.对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别.仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性.SVM具有训练样本少、训练时间短、识别率高等优点.     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值（WSV）和支持向量机（SVM）的电力系统故障类型识别的新方法。利用WSV来量化故障特征,再与SVM结合进行故障类型识别。对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别。仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性。SVM具有训练样本少、训练时间短、识别率高等优点。     

基于自适应协同稀疏表示的多工况故障诊断方法

针对设备故障诊断中多工况与环境扰动对故障特征表征能力的影响问题,以及故障特征的个体差异性对稀疏分类精度的影响问题,提出基于自适应协同稀疏表示的多工况故障诊断方法。该方法通过各个故障特征在K-SVD稀疏表示中的重构残差构建特征稀疏分类性能的评分矩阵,以评分矩阵迭代优化后得到的权值矩阵对输入特征进行协同稀疏表示,更新字典原子与稀疏系数,使得同类故障模式下的稀疏重构误差最小化,不同类故障模式下的稀疏重构误差最大化,以增强每个样本特征的协同稀疏分类性能。该方法避免了多工况故障诊断中敏感特征筛选及特征高维映射的繁琐步骤,无需大量历史故障数据支撑,通过故障特征的自适应协同稀疏表征与稀疏分类器的加权迭代优化,建立最能表征设备故障状态的稀疏字典,有效提升了稀疏分类器对多工况设备故障的鉴别能力。滚动轴承与齿轮箱故障诊断实验结果表明,提出方法比现有的稀疏分类算法与传统的神经网络分类算法,具有更高的故障辨识精度与工况环境鲁棒性。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

基于EMD近似熵和SVM的电力线路故障类型识别

提出了一种基于经验模式分解(EMD)的近似熵和支持向量机(SVM)的电力故障类型识别的新方法.利用EMD良好的局域化特性和近似熵来量化故障特征.再与SVM结合进行故障类型识别.首先,对故障线路的三相电压信号进行EMD分解得到若干个能反映故障信息的本征模式分量(IMF);其次,选取三相电压的前4个IMF的近似熵值作为信号的特征向量.最后将构造的特征向量输入到SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,不同的故障类型,其三相近似熵变化明显不同,同一种故障类型,在不同故障位置、过渡电阻和初始相角情况下,其三相近似熵变化规律相似;与传统的BP网络相比,SVM网络具有训练样本少、训练时间短、识别率高的特点.     

基于奇异值分解和多级支持向量机的配电网故障类型识别

对配电网故障类型的及时准确识别有助于故障定位和事故分析等。提出一种基于奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障类型识别方法。首先通过希尔伯特-黄变换(HHT)带通滤波算法对三相电压/电流、零序电压等7个故障波形进行等频宽分解,构造时频矩阵。然后将时频矩阵SVD得到的部分有效奇异值作为特征量,输入到多级SVM进行训练和分类识别。利用PSCAD/EMTDC软件搭建10 k V配电网模型用于获取训练样本和测试样本。测试结果表明,该方法对配电网单相接地、两相接地、两相短路、三相短路等10种故障类型的识别正确率较高,且在噪声干扰、采样不同步、系统网络结构改变、负荷电流变化、系统中性点经消弧线圈接地、系统等值阻抗变化、分布式电源接入等情况下均有较好的适应性。     

六相两电平逆变器的开路故障定位研究

针对六相两电平逆变器开路故障类型多、定位复杂问题,提出一种利用小波包分解获取六相逆变器电路故障相特征和基于支持向量机(SVM)的六相逆变器开路故障定位方法。在分析六相逆变器开路故障类型的基础上,利用小波包分析提取故障特征向量,再基于SVM进行故障分类。针对不同类型双管故障存在的因小波包能量值相似而出现的误判问题,提出了一种基于平均电流结合小波包分析的故障特征向量构造方法。实验结果表明,所研究的故障定位方法能实现六相两电平逆变器不同开路故障的有效定位。     

一种基于多分类概率输出的变压器故障诊断方法

多分类概率输出方法可用于变压器故障诊断,其分类效果较好并能提供概率信息。针对现有基于支持向量机(SVM)的诊断方法在特征不明显条件下有误分类的情况,提出了一种基于多分类概率输出的变压器故障诊断方法。此方法引入Sigmoid函数将SVM决策函数输出映射为二分类概率输出,然后综合多个二分类概率输出结果,求解一个凸二次规划问题实现多分类概率输出。此方法可以得到发生不同类型故障的可能性,即故障类别概率,进一步分析后给出诊断结论。算例分析表明,此方法在继承了SVM故障诊断方法优点的基础上,提供了概率信息,对现有SVM方法误诊断样本也能给出可能存在的故障,弥补了现有SVM方法在变压器故障特征不明显条件下的不足。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。