基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。     

基于云粒子群优化SVM的汽轮机转子故障诊断

为了提高汽轮机转子故障诊断的识别准确率和效率,提出了一种基于云粒子群算法(cloud particle swarm optimization,简称CPSO)优化支持向量机(support vector machine,简称SVM)的故障诊断方法。首先,将云理论与粒子群算法(PSO)相结合得到CPSO算法;其次,通过CPSO算法优化的SVM得到诊断模型;最后,通过ZT-3转子试验台进行汽轮机转子常见故障模拟实验,获取故障数据后进行故障识别研究。结果表明:与PSO-SVM模型相比,CPSO-SVM的诊断模型可以准确、高效地识别出故障类型,证明了该诊断方法的有效性和可行性。     

基于云PSO-SVM的汽轮机转子故障诊断研究

为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。     

XGBoost算法在风电机组发电机故障监测预警中的应用研究

发电机作为整个风电机组的核心部件之一,其能否正常运行将严重影响风电机组的持续发电。利用集成机器学习算法中的梯度提升算法XGBoost对风电机组发电机故障监测预警进行研究。首先,提取数据采集与监控(SCADA)系统数据库中风电机组在并网状态下的正常运行大数据,对缺失、异常数据进行预处理后,结合运维专家经验利用XGBoost算法筛选出关键特征变量;然后经过训练和参数调整,建立最优风电机组发电机故障监测预警模型;通过对照研究发现,XGBoost算法对风电机组发电机进行故障监测预警的效果优于随机森林算法和Cat Boost算法;最后利用关键特征变量重要性排序作为风电机组发电机故障诊断与定位的参考。     

基于EEMD-LSTM的汽轮机转子碰磨故障诊断模型及其工程应用

汽轮机转子与静子间的碰磨严重影响着机组的安全运行。为了解决汽轮机转子发生在早期和中期的碰磨故障难以通过基于振动信号检测诊断方法进行有效识别的问题,本文提出一种基于EEMD-LSTM的汽轮机转子碰磨故障诊断方法。首先,该方法通过声发射技术监测汽轮机转子的碰磨故障信号;然后,利用EEMD信号分解方法处理获取的声发射信号,并提取能量特征参数和相关的时域特征参数,从而获得碰磨故障特征数据集;最后,利用划分的数据集对LSTM神经网络进行训练与测试,从而获得碰磨故障诊断模型。工程应用结果表明,本文提出的方法能够有效识别机组在不同转速时期的早期碰磨故障,且故障诊断的准确率较高。     

基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。     

基于XGBoost算法的光伏阵列故障诊断方法研究

针对光伏阵列故障频发,且无法及时有效在线对故障类型进行识别的问题,提出了一种基于极度梯度提升(XGBoost)算法对光伏阵列进行故障诊断的方法。首先,基于Matlab Simulink仿真技术,建立光伏阵列仿真模型,针对正常、开路、短路、老化、阴影遮挡5种光伏阵列运行状态进行仿真,获取500例有效数据;其次,分析仿真数据特征变量之间的共线性关系,提取有效的特征变量作为模型的特征变量输入;然后,基于特征变量构建XGBoost故障诊断模型,并根据10折交叉验证方法优化超参数;最后,依据模型性能度量指标对XGBoost故障诊断模型的诊断结果进行评价,并分析模型特征变量的重要性。研究结果表明：基于XGBoost算法的光伏阵列故障诊断方法能简单、高效、实时在线对样本数据进行故障诊断,可应用于光伏阵列典型故障类型的有效识别。该故障诊断方法可为光伏电站现场运维人员提供技术支持,未来将在大型光伏电站,使用更大范围的实时数据开展使用和验证工作。     

汽轮机转子弯曲的判别与平衡方法研究

高中压转子塑性弯曲变形是汽轮机故障类型中比较常见的一种,严重危害着发电企业的安全生产.介绍了转子弯曲变形的判定方法,选择两种不同加重面对某300MW汽轮机转子进行了动平衡试验,比较评价了两种加重面下动平衡试验的效果,研究成果对今后汽轮机转子塑性弯曲的校正具有很好参考价值.     

基于多源数据融合技术的输电线路故障定位方法

鉴于现有输电线路故障定位算法的定位结果各不相同影响到电力系统基于故障的快速恢复问题的分析,根据两端距离继电器的多源故障测距结果,提出了一种提高输电线路故障测距精度的新方法,该方法将两端定位结果与故障位置相互关联,据此建立基于多传感器数据融合的输电线路故障测距模型,该模型将模糊推理系统作为故障场景识别的初始融合步骤,并计算加权协方差融合(WWCF)系数,确定最终融合结果。最后利用PSCAD/EMTDC和变电站现场记录数据进行算例分析,针对不同故障类型、故障位置、故障电阻、故障起始角、潮流、线路参数和两端不同步角进行测试,结果证明所提方法的可行性和有效性。     

水电站220 kV输电线路故障行波定位

针对水电站输电线路发生故障后无法准确实施定位的问题，从行波的实际传播理论出发，推导出一种与波速无关的改进双端定位算法。利用变分模态分解(VMD)能自适应地分解故障电流行波信号，Teager能量算子(TEO)可快速追踪信号的能量变化、运算量小的独特优势，建立了基于VMD-TEO的220 kV输电线路行波定位模型，该模型无需考虑波速修正和双端时间同步。PSCAD仿真结果表明，改进的双端故障定位模型误差百分比最大为0.239%,优于其他定位算法，验证了所提方法的可靠性和优越性。