基于隐马尔可夫模型的电力系统连锁故障预测

近年来电力系统逐渐向复杂化、集成化和智能化的方向发展。电力系统的连锁故障将会导致大面积停电事故,给人们的生活带来很多不便。因此,在电力系统领域,对连锁故障的预测地位日益凸显。然而,网络的复杂性、故障间的关联性和系统的不确定性使得现有的故障预测方法并不适用。因此,提出基于隐马尔可夫模型对电力系统连锁故障进行预测。该模型能够准确地计算出状态转移概率或断路器异常动作概率,从而逐级预测故障的发生。对于电力系统中各模块的退化状态,隐马尔可夫模型可以准确地识别出来,有效地预测连锁故障发生概率。     

基于连续时间马尔可夫退化过程的牵引供电设备可靠性预测方法研究

牵引供电设备的可靠性预测能为设备运营维修决策提供依据,是当前牵引供电系统主动运维技术研究的关键。该文提出了一种基于连续时间马尔可夫退化过程的牵引供电设备可靠性预测方法。通过建立设备的连续时间马尔可夫模型,将设备退化过程按照IEEE标准划分为正常、注意、异常和故障四种状态,并结合设备故障记录样本得到其状态停留时间与状态转移速率,然后利用均匀加速技术求解可靠性参数,预测未来时刻处于各个状态的牵引供电设备数量。以实际牵引供电系统中27.5k V真空断路器为例,按所提方法进行了可靠性预测实证分析,结果表明该方法能够有效利用设备历史数据对大规模同类牵引供电设备的可靠性进行预测,且预测结果准确合理,可为牵引供电设备的维修策略制定提供决策支持。     

基于HSMM的故障识别方法研究

机械设备的故障识别方法能提供设备运行状态的实时信息,为避免生产损失和减少设备的致命故障提供保障具有重要意义.提出了一种基于隐半马尔可夫模型(HSMM)的故障识别方法.HSMM在已定义的隐马尔可夫模型的结构上加入高斯概率分布函数来表现各状态的驻留时间,比较符合设备故障发展的规律,具有较强的建模和时序分析能力,适合于复杂动态系统的故障识别问题.本文以滚动轴承为对象,通过小波分解提取滚动轴承振动信号的小波尺度熵,建立信号的特征向量集,然后训练得到各个状态的HSMM模型,最后建立基于HSMM的状态分类器,对滚动轴承的正常及不同的故障状态进行了识别试验,结果表明该方法有效可行.     

基于自回归-连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向-后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum- Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。     

基于灰色马尔可夫模型的变压器油中溶解气体体积分数预测

准确预测变压器油中溶解故障特征气体的体积分数对发现变压器早期潜伏性故障,实现电力系统安全经济运行具有重要意义。将灰色多变量预测方法和马尔可夫链理论有机结合,提出了一种适合变压器故障特征气体体积分数预测的灰色马尔可夫组合预测模型。利用优化的背景值构造公式建立灰色多变量模型对变压器故障特征气体时间序列的宏观发展规律进行动态预测,在此基础上,建立故障特征气体时间序列的状态转移概率矩阵,以归一化的各阶自相关系数作为权重值,通过加权马尔可夫链模型修正灰色多变量模型预测值,实现变压器故障特征气体体积分数的预测,预测精度较高。实际算例分析验证了该模型的实用性和有效性。     

基于云推理及加权隐式半Markov模型的变压器故障预测

为分析电力变压器运行过程中的状态变化并准确预测潜伏故障,在现有研究基础上建立了基于云推理及加权半Markov退化模型(HSMM)的变压器故障预测方法.利用云理论对故障变压器油中气体样本数据训练以发掘对应定性云概念,并构建油中气体状态空间.基于变压器运行状态变化规律分析引入老化因子,通过多步长加权方法在Markov链中引入历史运行状态信息,构建了加权HSMM退化模型对变压器运行状态进行预测.若预测DGA表征的变压器运行状态处于异常时,利用构建的云推理组合规则发生器对变压器故障类型进行诊断.多实例分析验证表明:基于加权HSMM退化模型能准确预测变压器运行状态;相较于其它常用预测方法,其在非等间隔观测数据或出现波动情况下鲁棒性及准确性更佳;结合基于云推理机制的故障诊断方法能实现变压器状态的准确预测和故障诊断.     

基于隐马尔科夫模型的多风电场相关性出力时间序列建模方法

生成具有相关性的多风电场中长期出力时间序列,对电力系统规划和调度运行具有重要的意义。该文提出一种基于隐马尔可夫模型的多风电场出力时间序列建模方法。将风电出力的相关性作为隐马尔可夫模型的状态变量,并利用Markov链描述其时变特性;将各风电场在相邻时刻的出力作为隐马尔可夫模型的观测变量,建立相关性状态与相邻时刻出力的概率映射关系。利用Baum Welch算法估计隐马尔可夫模型参数,获取时变相关性状态的转移概率矩阵和各状态下多个风电场在相邻时刻出力的联合概率分布。最后,通过蒙特卡罗仿真逐月生成多风电场出力的时间序列场景。算例中对我国西北某省份的3个风电场进行测试,结果显示:所提方法生成的各风电场出力的年/月特性、概率分布特性、波动特性和自相关性均优于独立建模方法,并且风电出力相关性与历史序列非常接近,证明所提方法的有效性。     

基于大数据技术的输电线路运行故障诊断关键技术

在智能电网的建设中输电线路故障诊断是其重要组成。针对输电线路数据利用率低、上传单一等问题,在输电线路故障诊断中应用S变换和连续隐马尔可夫模型,利用S变换提取输电线路故障特征,通过各故障的特征建立连续隐马尔可夫模型,实现故障选相。通过仿真验证在不同的工作条件下该方法的有效性,结果表明,该方法具有不受故障工况改变的影响、且在较高噪音下仍能正确识别故障线路的优势,为我国输电线路故障诊断的发展提供了参考和借鉴。     

基于RLS-SVR的光伏并网变流器早期故障预测方法研究

针对光伏并网变流器故障预测问题,提出了基于鲁棒最小二乘-支持向量回归(RLS-SVR)的早期故障预测方法.从系统层面分析了光伏并网变流器脆弱元件退化互相耦合机理及对系统状态特征和早期故障特征选取的影响,进而提出了以特征相对变化量表征变流器状态的电路故障预测方法.为了减小工作条件对特征退化预测的影响,方法首先采用RLS-...     

基于马尔可夫状态转移的变压器剩余寿命预测

提出了一种基于马尔可夫状态转移矩阵的变压器缺陷转移率预测方法。利用变压器历史缺陷记录,建立威布尔分布模型拟合得到变压器缺陷转移率,将其应用于马尔可夫状态转移矩阵中,得到变压器不同状态之间的转移率,并引入了回退因子进行修正;基于该缺陷转移率,通过构建比例故障模型对变压器剩余寿命进行预测,结果表明,所提方法预测出的剩余寿命价值更加贴合变压器实际运行状况,验证了其合理性和可靠性。     

安全稳定控制装置硬件系统可靠性分析

安全稳定控制装置的可靠性对电力系统的运行有着重要影响。以SCS-500E安全稳定控制装置为例,分析了安全稳定控制装置硬件系统的组成及内在配合关系。将故障树法与马尔可夫状态空间法相结合,建立了安全稳定控制装置硬件系统的故障树模型和马尔可夫状态空间模型,由此求得装置分别处于正常运行、隐性误动、隐性拒动和停运4个不同运行状态时的概率。并定义了安全稳定控制装置硬件系统的可用度、处于隐性故障状态的概率及因隐性故障发生停运的概率。最后以算例验证了所求结果符合实际情况,表明所用方法的准确性。     

基于离散HMM的电力电子电路故障诊断

本文提出了一种基于离散HMM(hidden Markov model)的电力电子电路诊断新方法。针对电力电子电路故障,阐述了HMM相应的基本原理和训练算法。以三相整流桥电路为例,实现了基于HMM的电路状态识别。仿真和实验结果证明本文提出的方法正确可行,具有工程的应用价值。     

融合隐马尔科夫模型的雷达工作状态跟踪

针对电子侦察系统对雷达工作状态的跟踪问题,提出了一种基于融合隐马尔科夫模型的雷达工作状态跟踪方法。该算法首先将雷达工作过程建模成隐马尔科夫模型,其次通过对侦察的雷达短语序列识别,完成单个平台下雷达工作状态的跟踪;最后再运用DS证据理论将多平台的识别结果进行融合,实现多平台融合跟踪。对算法的识别率进行仿真,仿真结果表明,提出的算法提高了错误观测下对雷达工作状态跟踪的准确率,当观测值错误率为20%时跟踪正确率高达93%。     

Discriminative training of GMM-HMM acoustic model by RPCL learning

This paper presents a new discriminative approach for training Gaussian mixture models (GMMs) of hidden Markov models (HMMs) based acoustic model in a large vocabulary continuous speech recognition (LVCSR) system. This approach is featured by embedding a rival penalized competitive learning (RPCL) mechanism on the level of hidden Markov states. For every input, the correct identity state, called winner and obtained by the Viterbi force alignment, is enhanced to describe this input while its most competitive rival is penalized by de-learning, which makes GMMs-based states become more discriminative. Without the extensive computing burden required by typical discriminative learning methods for one-pass recognition of the training set, the new approach saves computing costs considerably. Experiments show that the proposed method has a good convergence with better performances than the classical maximum likelihood estimation (MLE) based method. Comparing with two conventional discriminative methods, the proposed method demonstrates improved generalization ability, especially when the test set is not well matched with the training set.     

基于时变隐马尔科夫模型的连锁故障预测

最近几年,电力系统大面积停电事故在国内外多有发生,而这些事故都是由连锁故障所引起。因此,分析其发展机理、预测其发展路径成为相关学者重点关注的问题。针对目前预测方法比较单一、不能全面考虑连锁故障的影响因素等问题。文章提出时变隐马尔科夫预测模型,该模型改进了马尔科夫模型中的状态转移矩阵;充分考虑了支路保护/断路器拒动、误动概率、系统支路硬件故障概率、支路使用年限等方面因素。首先,基于系统拓扑结构计算支路间的故障状态转移概率矩阵;其次,对该矩阵进行不同的改进;然后,通过对比不同模型的预测结果,优化改进,得到连锁故障传播路径;最后,用IEEE36模型验证本文所提方法的可行性和准确性。     

On-line estimation and identification of HMMs with grouped state values

This paper presents a signal-processing scheme for the class of lumpable or weakly lumpable hidden Markov models (HMMs) which have state values clustered into groups. Attention is focused not only on state estimation for known models but also on on-line model identification. The approach taken employs a new technique whereby separate state estimators are used for each group of state values. The state estimator for each group estimates the discrete states in that group together with an associated flag state which represents all the other groups. The result is that the computational complexity is greatly reduced. Hidden Markov model parameters associated with lumpable or weakly lumpable Markov chains can be identified on-line using available techniques such as the recursive prediction error (RPE) approach taken in this paper. These techniques estimate the transition probabilities and discrete state values of the Markov chain on-line. Other parameters, such as the noise density associated with the observations, can also be identified.     

基于MCMC的电网安全稳定控制系统动态可靠性评估方法

现有安全稳定控制系统（稳控系统）可靠性评估方法本质上都是静态建模,由于未能体现系统内各装置的老化和检修过程而一定程度上影响了评估结果的准确性。提出一种基于马尔可夫链蒙特卡罗的稳控系统动态可靠性评估方法。首先,针对失效过程,构建四状态连续时间系数马尔可夫模型来模拟装置老化过程,并给出各状态评判方法;其次,针对修复过程,分析不同检修策略对装置状态转移的影响以体现状态检修的差异化;最后,考虑稳控装置状态转移过程的时序相关性,对稳控系统可靠性进行动态建模。以可抽象出最小单元的实际稳控系统为例,仿真对比了不同检修策略下的可靠性并对模型参数进行了灵敏度分析,评估结果表明该方法可指导稳控装置现场合理检修,并提醒工程中应格外关注对系统可靠性影响大、但随技术发展可逐渐被识别的隐性故障。     

考虑隐性故障的继电保护系统可靠性分析及评估

为了更好地评估继电保护系统的可靠性,搭建了考虑隐性故障和系统运行状态变化时单一保护系统的可靠性模型。而后基于所搭建的可靠性模型,计算得到了随潮流变化时隐性故障率的变化情况和隐性故障修复率对继电保护系统正常运行的影响,并给出了基于概率模型的方法对超高压线路继电保护系统的可靠性进行评估。基于概率模型的方法是对马尔可夫状态空间模型方法的一种简化,适合工程应用,为完善继电保护系统的可靠性评估提供了可行的数学方法。算例验证了所提方法的正确性。     

考虑电网运行状态和结构关联的连锁故障序列预测

针对传统连锁故障考虑因素单一的不足,该文提出一种综合考虑电网运行状态和网络结构的连锁故障预测方法。首先,根据系统运行状态,建立潮流相关的线路故障概率模型和基于Markov方法的隐性故障模型;其次,基于复杂网络理论,提出网络电气结构和保护关联区间,建立故障级间的结构关联模型;最后,兼顾故障后系统运行状态和网络结构的变化,提出连锁故障预测方法,从而辨识出最易受初始扰动影响的下级故障及其影响范围,使预测结果更加符合电网实际运行情况。基于IEEE 30节点系统仿真结果验证了该方法的有效性和实用性。