基于粒子群与多分类相关向量机的变压器故障诊断

为有效提高变压器故障诊断准确率,文中将粒子群优化算法与多分类相关向量机方法相结合,构建了一种基于粒子群优化多分类相关向量机的方法用以变压器故障诊断。该方法首先将油中溶解气体与4种特征气体比值相结合作为故障特征量,以进一步丰富故障信息。其次,利用粒子群优化算法并结合训练样本数据对多分类相关向量机的核参数进行优化,以获得能够最优的及能有效提高故障分类效率的参数。最后,将9种特征量作为特征输入,并利用已训练完毕的多分类相关向量机进行故障诊断。经实例分析表明,该方法使故障特征量与故障分类模型得到了有效补充、改进及完善,且其故障诊断效率更具优势。     

变压器故障特征量可信度的关联规则分析

变压器在线监测得到的多个特征量对于不同故障类别的潜在信息量不一样,量化各特征量与特定故障类型之间的关联度将对变压器的潜在故障诊断和预测都有着很重要的作用。为此,利用布尔型离散化方法和基于ChiMerge算法的多值离散化方法分别对变压器在线监测的连续数据进行离散化,再利用改进的Apriori关联规则数据挖掘算法计算多个变压器在线监测特征量与各个故障类型之间的可信度。最后在实例中进行了多个特征量与多个故障类型的可信度的计算,结果表明特定特征量与故障类型之间确实存在不同的关联程度,量化关联程度能有效提高故障诊断算法的效率;另外还在实例中进行了多值的关联规则挖掘,结果表明关联规则可以应用在对故障类型划分较细的变压器故障诊断。     

基于水电大数据算法平台的故障模型验证

水电大数据算法平台能够通过其内嵌的数据计算功能组件,对水电站实时监控数据进行计算,进而求出其特征值、特征差及缓变率。通过故障诊断模型对其值的逻辑判断来预测故障,因而故障表征量的科学选取就显得尤为重要。本文通过数学统计分析的方法,首先利用MATLAB进行T检验,检验监测量是否是正态分布,讨论用哪种相关分析较为科学,再用SPSS进行双变量相关分析,分析在水电大数据平台中故障模型所选择表征量相互是否为强相关量,强相关就代表两者有相同变化趋势,如此才能判断出一个故障,达到对故障模型的合理性验证目的。经过本论文的故障模型验证,所得结论支撑了水电大数据算法平台故障模型的科学性,相关量选择合理,通过所选相关量建立的相关模型能够判断并预测出故障是否会发生。     

基于免疫RBF神经网络的变压器故障诊断

为了提高变压器故障诊断的准确率,提出一种免疫RBF混合智能诊断算法,用免疫聚类算法确定RBF神经网络隐含层中心的数量和初始位置,减少了网络训练的计算量,提高了网络的泛化能力;用遗传算法对RBF网络训练,进一步优化网络的结构和连接权重,将训练后的RBF网络应用于变压器故障诊断。经过大量实例分析,并将其结果与其他算法进行对比,表明该方法算法精简,诊断正确率高。     

基于局部异常因子的锂离子电池储能系统故障诊断

锂离子电池在过充、高温及外短路等滥用工况下工作会导致火灾等事故的发生。通过对锂离子电池进行早期故障诊断，定位故障的具体位置并及时采取相应措施，可以有效避免故障进一步升级为热失控。为此，基于锂离子电池储能系统的运行数据，采用局部异常因子算法对其进行故障诊断分析。通过计算单日及多日的电压运行数据，确定故障电池的具体位置，分析故障电池的异常情况。研究结果验证了局部异常因子算法应用于锂离子电池储能系统故障诊断的有效性。     

基于快速过采样主成分分析法的光伏阵列故障诊断

针对光伏阵列出现的组件阴影遮挡、短路与断路等故障,提出一种基于快速过采样主成分分析(over-sampling principal component analysis,OS-PCA)算法的光伏阵列故障诊断方法,实现故障检测与故障识别。通过检测各组串电流信号,利用快速OS-PCA算法计算各组串异常度,从而检测出故障串;通过误差补偿对光伏阵列工程模型进行优化,并通过分析故障时阵列工作点状态来识别故障类型。实验表明,该故障诊断方法可有效诊断出多变环境下组件阴影遮挡、短路、断路等故障,此外该方法在计算量以及内存占用上具有较强优势,适用于大型光伏电站的实时监控。     

基于RIMER专家系统和DGA的变压器故障诊断

针对电力变压器故障诊断中的复杂非线性关系,提出一种基于RIMER(基于证据推理算法的置信规则库推理方法)专家系统和油中溶解气体分析(DGA)技术的变压器故障诊断方法。该方法考虑了变压器故障特征量和征兆的概率不确定性和模糊不确定性,在IEC三比值法和变压器油中溶解气体故障数据样本训练的基础上获得置信规则库的主要参数,结合证据推理算法建立一个新型的变压器DGA故障诊断模型。通过RIMER和DGA变压器故障诊断模型进行故障诊断,克服了IEC三比值法故障编码缺失的问题,故障诊断准确率获得提高,其分布式置信度的输出方式对描述混合故障类型更加有效。仿真实验表明该方法推理计算简单有效,具有较强实用价值。     

基于多分类相关向量机的MMC多相故障诊断关键技术

模块化多电平转换器拓扑结构复杂,当不同相子模块发生故障时,传统诊断方法只检测单个子模块故障,无法识别多相子模块故障。提出了一种多分类相关向量机算法用于模块化多电平换流器的多相故障诊断,对三相电压的时频数据进行傅立叶变换,以获取三相电压的频域数据,使用频域中的典型低次谐波分量作为故障特征量,采用多分类相关向量机算法进行故障分类。通过与传统故障诊断方法的仿真比较,验证了该方法的有效性和准确性。仿真结果表明,该方法在训练精度和测试精度上均优于传统的故障诊断方法,训练精度达到99.2%,测试精度达到99.4%,具有一定的应用价值。     

变压器绝缘故障类型的改进型RBF神经网络识别算法

为精确诊断电力变压器内部潜在绝缘故障类型,通过对变压器内部油过热和油纸绝缘中局部放电等8种潜在绝缘故障发生时所产生的气体成分分析,提出了一种以人工免疫网络与粒子群算法改进径向基函数RBF(radial basis function)神经网络的变压器故障诊断算法。重点介绍了基于RBF神经网络的变压器故障诊断模型的构成原理、基于人工免疫网络算法的故障模型隐层中心确定方法以及基于粒子群算法的网络模型权重寻优方法,并进行了仿真实验。实验结果表明:该算法能有效地识别其绝缘故障类型,且识别精度可达90%以上。     

基于扩展公共信息模型的配电网故障诊断研究

为解决故障信息数据庞大、信息不确定性以及故障诊断算法的选择性等问题,本文依据IEC61970的公共信息模型(CIM)以及IEC61968的CIM扩展模型,搭建故障诊断信息统一模型,并在扩展故障信息模型的基础上,提出基于拓扑搜索的配电网故障诊断算法。该算法是在故障发生后,诊断程序调用以CIM为模型的配电网拓扑结构及故障信息数据,采用简单的深度优先搜索方法实现故障诊断。文中给出实现算法的流程图,并用某配电网局部联接图验证该算法的正确性,结果表明本文提出的故障诊断算法具有一定的可行性和准确性。     

基于多预测模型融合的电力变压器安全预判

为解决传统分析措施未能将多源异类的数据信息纳入电网设备故障征兆分析及基于小样本单一算法难以较好应对多种故障类型设备诊断的问题,构建一种不同类型电网设备相关数据的统一化、标准化方法。采用卡方分布算法通过对数据相关性挖掘进行特定故障类型征兆集的选择,以避免层次分析法、格林兰验证等故障征兆集分析方法存在人工经验干扰。构建了一种多算法融合决策方法来避免单一算法决策的弊端。通过实例验证了对电力设备的单一故障类型寻找故障征兆集比针对设备选择故障征兆集具有更好的简约效果与预判准确率。实例还验证了所提融合算法效果好于单一算法。     

基于模型分层的配电网故障诊断方法

针对配电网故障的基于模型诊断方法在发生多重多相故障时存在诊断速度慢、诊断准确率不高、容错能力低的情况,提出一种适用于配电网故障的基于模型分层诊断方法。在诊断算法上,利用新的适应度函数和特征学习搜索策略来提高诊断速度和诊断准确率。在诊断模型上,利用分层的方法,将单层单次高维度运算转变为2层多次低维度运算,进而再次提高诊断速度、诊断准确率;通过定义等效部件的约束关系式提高第1层诊断的容错能力,利用电压约束和电流约束的冗余关系提高第2层诊断的容错能力。算例表明,与其他模型相比,基于模型分层诊断方法的诊断速度有了较大的提高,诊断准确率始终维持在理想值附近,容错能力明显增强;在大规模配电网故障诊断中,其优势明显。     

基于特征判定系数的CSO-SVM的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解（CEEMDAN）和特征熵权法（EWM）进行故障诊断的方法。通过相关系数加权峭度（CCWK）原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数（FDC）实现单一数据诊断变压器故障类型;通过主成分分析法（PCA）减小混合域特征尺度,采用鸡群优化算法（CSO）优化支持向量机（SVM）模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络（PNN）和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法（C-SVC：C-support vector classification）和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出（寻找最佳）支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。     

基于FFT-LSTM的变速抽蓄机组转子绕组短路故障和偏心故障诊断方法

变速抽水蓄能机组是适应系统功率波动的重要调节手段。转子绕组短路故障和转子偏心故障是其常见的故障类型,两种故障均会在定子侧感应生成特征频带相近的谐波环流,导致两种故障难以被区分。提出了一种基于快速傅里叶变换-长短期记忆(fast Fourier transform-long short-term memory, FFT-LSTM)网络的故障诊断方法,以细化分辨故障特征相近的转子绕组短路故障和转子偏心故障。所提方法以定子分支环流的谐波分量为特征量进行故障诊断,分别推导了两种故障发生时定子侧环流谐波特征,并总结二者间的相似性和差异性。鉴于该差异较为微弱,引入长短期记忆(longshort-termmemory, LSTM)神经网络算法对其进行辨识。利用内部故障仿真模型对可能发生的转子绕组短路故障和偏心故障进行批量仿真,以得到用于LSTM网络训练和测试的数据集。仿真结果表明FFT-LSTM能够准确诊断不同转速下变速抽蓄机组的转子绕组短路故障和转子偏心故障。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

基于小波神经网络和D-S证据理论的电力变压器故障诊断研究

>Transformer faults are quite complicated phenomena and can occur due to a variety of reasons.There have been several methods for transformer fault synthetic diagnosis,but each of them has its own limitations in real fault diagnosis applications.In order to overcome those shortcomings in the existing methods,a new transformer fault diagnosis method based on a wavelet neural network optimized by adaptive genetic algorithm(AGA)and an improved D-S evidence theory fusion technique is proposed in this paper.The proposed method combines the oil chromatogram data and the off-line electrical test data of transformers to carry out fault diagnosis.Based on the fusion mechanism of D-S evidence theory,the comprehensive reliability of evidence is constructed by considering the evidence importance,the outputs of the neural network and the expert experience.The new method increases the objectivity of the basic probability assignment(BPA)and reduces the basic probability assigned for uncertain and unimportant information.The case study results of using the proposed method show that it has a good performance of fault diagnosis for transformers.     

Adaptive fault tolerant control for a class of multi‐input multi‐output nonlinear systems with both sensor and actuator faults

Compared with the fault diagnosis, detection, and isolation literature, very few results are available to discuss control algorithms directly for multi‐input multi‐output nonlinear systems with both sensor and actuator faults in the fault tolerant control literature. In this work, we present a fault tolerant control algorithm to address the system output stabilization problem for a class of multi‐input multi‐output nonlinear systems with both parametric and nonparametric uncertainties, subject to sensor and actuator faults that can be both multiplicative and additive. All elements of the sensor measurements and actuator components can be faulty. Besides, the control input gain function is not fully known. Backstepping method is used in the analysis and control design. We show that under the proposed control scheme, uniformly ultimate boundedness of the system output is guaranteed, while all closed‐loop system signals stay bounded. In the cases where the sensor faults are only multiplicative, exponential convergence of the system state variables into small neighbourhoods around zero is guaranteed. An illustrative example on a robot manipulator model is presented in the end to further demonstrate the effectiveness of the proposed control scheme.     

基于加权粗糙集的代价敏感故障诊断方法

在故障诊断领域，粗糙集已成为一种有效的不一致信息处理工具，然而当故障诊断存在明显的诊断代价差异时，经典粗糙集方法由于无法考虑先验知识而不能取得满意的效果。通过引入样本对象的主观加权，该文提出加权粗糙集的学习方法，设计了加权属性约简和加权规则提取算法，为粗糙集学习提供一种引入先验知识的途径。基于提出的加权粗糙集学习方法，开展了代价敏感故障诊断的研究，并进行了汽轮机振动的代价敏感故障诊断实验。实验表明，基于加权粗糙集方法的代价敏感故障诊断能优先选取高代价故障的关键征兆，并且使提取的规则集中高代价故障的规则具有更高的规则支持度和可信度，当诊断存在不一致的情况下，该方法倾向于将故障诊断为高代价故障，从而降低诊断代价。