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。     

基于级联随机森林的光伏故障诊断模型研究

针对环境气象监测数据与光伏电站的历史数据,提出一种基于级联随机森林的光伏组件在线故障诊断模型,从模型的特征变量分析、真实数据集的预处理、模型训练及使用3个方面进行详细描述,最后通过实验验证该方法的有效性和准确性,证明其对光伏电站智能在线故障诊断具有较好的使用价值。     

基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

基于支持向量机的凝汽器故障诊断研究

分析了凝汽器工作过程及故障机理,建立了凝汽器典型故障集、征兆集及典型故障特征向量集合.建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性.同时和神经网络方法对比后发现:在小样本情况下,采用支持向量机方法的计算结果比神经网络更优越,推广能力更强,而且效率高于神经网络.本方法针对故障诊断样本少的特点,为建立智能化的凝汽设备状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值.     

基于FCM-FM算法的光伏阵列故障诊断

工作于自然环境的光伏阵列故障频发,及时对故障进行定位和分类对于提高光伏电站运行水平具有重要意义。针对光伏阵列的常见故障类型（短路、开路、局部遮挡等）,基于运行数据提出无监督模糊C均值（FCM）聚类与模糊隶属（FM）算法相结合的光伏阵列故障诊断方法。论文首先对光伏阵列典型故障的产生机理进行分析并提取故障特征参数;然后,采用FCM聚类方法对光伏阵列典型故障样本数据进行分类,得到不同故障的聚类中心;最后,利用FM算法计算运行数据与聚类中心的隶属度,判定故障类型。基于数字模拟实验和实证测试,验证上述方法的有效性。分析结果表明,本文方法可有效判别光伏阵列的典型故障,诊断结果准确、可靠。     

基于支持向量机的柴油机排气阀智能故障诊断研究

排气阀是柴油机的重要部件之一，其故障诊断一直受到研究者的关注，传统的学习机器在小样本学习时不具有良好的泛化能力，其现场效果与实验室精度差距较大。建立在统计学习理论基础之上的支持向量机具有和样本数相适应的最优泛化能力。利用支持向量机适合处理高维数据以及具有良好泛化能力的特点，建立了排气阀故障诊断模型，将排气阀振动信号经过小波包分解后提取的特征指标在小样本时进行支持向量机学习，通过不同核函数的支持向量机和其它智能方法准确率的比较证明：支持向量机较其它智能方法有较大的优越性；准确率对核函数有一定的敏感性；在常用的3种核函数中，线性核的诊断准确率达到了100％，是柴油机排气阀智能故障诊断支持向量机的最佳核函数。     

基于扩展频域时域反射法的在线光伏阵列故障检测信号特性研究

基于扩展频域时域反射法（Spread Spectral Time Domain Reflectometry, SSTDR）的光伏阵列故障诊断方法存在检测盲区和衰减特性,有必要研究检测信号的性质以提高故障检测性能。首先,对检测信号在光伏阵列中的传输行为进行研究,探究不同信号参数对检测范围和精度的影响;其次,根据光伏电池的动态模型和排布规律,搭建光伏阵列故障检测仿真平台,通过断路故障仿真实验对结果进行验证,结果表明,改善信号能有效增强相关峰辨识能力,使光伏组件检测数量增加4块;最后,综合考虑检测盲区和衰减特性对检测性能的影响,提出基于SSTDR的光伏阵列故障检测信号选择策略,用以确定测距范围和最优信号参数。     

基于粗糙集与支持向量机的发动机故障诊断研究

在提取发动机气门机构故障特征的基础上,提出了采用粗糙集和支持向量机相结合的故障诊断方法。首先,基于粗糙集理论对故障诊断决策表进行属性约简,然后在最优决策属性的基础上使用支持向量机分类器对故障进行分类。实际诊断结果验证了采用粗糙集与支持向量机相结合的方法对故障进行诊断的可行性与有效性。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

基于支持向量机的柴电混合动力故障诊断研究

对柴电混合动力系统级故障诊断进行了研究,利用仿真软件搭建了实时整车模型,并构建了基于支持向量机的柴电混合动力系统的诊断框架.采用一对一方法构建多分类器,故障识别准确率达到98％.构建了柴电混合动力系统故障诊断实时仿真平台,进行了基于支持向量机的柴电混合动力系统故障诊断实时仿真,验证了实时环境下基于支持向量机诊断算法能有...     

基于支持向量机的汽轮机振动故障诊断系统

以MATLAB为开发平台构建了一套汽轮机振动故障诊断系统.该系统以支持向量机算法为核心,并通过建立支持向量机多分类模型对汽轮机常见故障进行了精确的诊断.     

基于串联电阻估计的光伏阵列热斑故障诊断方法

光伏面板由于部分遮阴或者光照不均匀所带来的热斑故障,可能导致整个光伏面板的输出功率降低,严重时可能造成光伏面板的烧毁。首先针对单个光伏电池推导出其数学模型,继而推广到采用SP结构的光伏阵列;接着对热斑故障的机理进行了分析,并分析了旁路二极管对于光伏面板的保护作用;通过将传统的电压、电流定位法、时间跟踪描述和光伏电池参数估计模型相结合,给出一种故障诊断方法,从而判断热斑故障发生的位置和严重程度;最后,通过对光伏阵列进行仿真建模,分析热斑故障对光伏阵列输出特性的影响,验证了所提故障诊断方法的可行性。     

基于GA优化支持向量机的变压器故障诊断

针对变压器故障诊断中出现的多故障分类问题,为提高支持向量机的多故障分类的准确率,利用遗传算法(GA)对支持向量机的相关参数进行了优化。将利用遗传算法优化的支持向量机(GA-SVM)应用于变压器故障诊断中,并与利用粒子群算法优化的支持向量机(PSO-SVM)的识别结果进行比较。对比试验结果可以看出,GA-SVM算法能够更为有效地选择支持向量机的相关参数,在很大程度上提高了变压器多故障分类的准确性。     

基于多类支持向量机的汽轮发电机组故障诊断

故障诊断发展的瓶颈之一是故障样本的缺乏，而不仅在于诊断方法本身。支持向量机方法是专门针对小样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。该文分析了多类支持向量机的DAGSVM算法，时于σ的取值，提出了基于错分样本数的变增量迭代算法，在小样本情况下时汽轮发电机组故障诊断进行了仿真研究，结果表明了该方法的有效性。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。     

一种基于BOA-SAE-EELM的光伏阵列故障诊断方法

光伏阵列非线性输出的特性以及最大功率点跟踪算法,会影响光伏阵列保护设备的工作.为了正确辨识光伏阵列的运行状态,本研究提出一种基于贝叶斯优化算法(BOA)、堆栈自动编码器(SAE)以及集成极限学习机(EELM)相结合的故障诊断方法.首先,将光伏阵列的时序波形进行标准化处理;接着,使用SAE对标准化后的时序波形进行特征自动...     

基于EMD分解和支持向量机的齿轮箱故障诊断与研究

齿轮箱存在故障时,其振动信号往往表现出非平稳特性,并且故障特征信息往往淹没在强大的背景噪声中,难以实现有效诊断.提出了采用基于EMD方法的特征能量值提取法及支持向量机的智能模式诊断方法,并将二者结合运用于齿轮箱的故障诊断,实现了齿轮箱故障的智能识别与诊断.实验结果证明了EMD方法与支持向量机相结合用于齿轮箱故障诊断的正...     

基于模糊规则和支持向量机的凝汽器故障诊断

有向无环决策图支持向量机(DDAGSVM)算法是在支持向量机1-v-1算法基础上,引入了图论中有向无环图的思想而构建的多分类方法.它将多个支持向量机1-v-1两类分类器组合成一个带有根结点的多层的有向无环决策图来实现分类,它建立在结构风险最小化原理基础之上,能在训练样本较少的情况下得到很好的分类效果.在总结汽轮机凝汽器常见故障的基础上,建立了凝汽器典型故障集,通过模糊规则获得凝汽器故障征兆知识库,采用DDAGSVM算法对小样本情况下凝汽器设备典型故障诊断进行了研究,实例计算表明DDAGSVM算法具有较高的诊断准确率.     

基于Bezier函数光伏阵列建模对比仿真研究

针对光伏阵列建模存在所需参数较多和计算较繁琐的弊端,基于一种新型的Bezier函数光伏阵列建模方法,利用厂商给定参数对BN20-M进行建模,并与传统迭代法的计算结果进行对比,利用已有的实测数据进行验证,结果表明,Bezier函数计算精度虽略低于迭代法,但具有参数获取方便和计算简单的特点,并能够有效地缩短仿真时间,提高计算效率,证明了Bezier函数在光伏阵列建模中的适用性和有效性。