基于因子分析和支持向量机算法的高压断路器机械故障诊断方法

高压断路器操作过程中的振动信号能够反映断路器的机械状态。以高压断路器机械振动信号中振动事件的起始点作为特征参量,使用因子分析对特征量进行降维优化、支持向量机(Support Vector Machine,SVM)经粒子群参数寻优(Particle Swarm Optimization,PSO)后可对断路器的不同状态进行分类。本文对断路器机械故障进行了模拟试验,结果表明,因子分析和支持向量机算法适于诊断高压断路器的机械状态。     

基于多分辨率奇异谱熵和支持向量机的断路器机械故障诊断方法研究

根据高压断路器机械振动信号的特点,提出一种基于多分辨率奇异谱熵的信号特征提取方法,并以此特征向量作为支持向量机的输入对断路器机械状态进行识别。多分辨率奇异谱熵是在信息熵模型的基础上,将多分辨率分析和奇异谱分析有效结合的一种信息处理方法,用信号的奇异谱熵作为特征向量更能体现断路器在不同机械状态下的不同特征。利用交叉检验和粒子群优化方法来对支持向量机模型中的参数进行寻优。通过对断路器实际振动信号分析表明,该方法能对断路器故障进行准确诊断分类。     

基于支持向量机的高压断路器机械状态分类

基于统计学习理论的支持向量机是专门研究少样本情况下的统计规律及学习方法,为故障诊断向智能化方向发展提供了途径.本文首先介绍了支持向量机的基本原理;其次提出了一种基于小波包和熵理论的振动信号特征提取方法,即利用小波包分解各节点重构信号的熵值反映信号与正常状态的偏移;最后详细介绍了这种新方法在断路器故障诊断中的具体应用,并与传统神经网络方法相比较.使用结果表明:无论在分类效果,还是学习速度方面,支持向量机都优于神经网络,更适合在断路器机械状态识别中的应用.     

特征评估高压断路器机械故障诊断方法的研究

分析断路器的机械振动信号的特性,针对采用单一性质故障特征难以实现整个故障状态空间上准确诊断的局限性,提出了一种基于改进的距离评估技术和多类支持向量机相结合的诊断高压断路器机械故障的方法,该方法由3部分构成:首先从高压断路器机械振动信号中提取时域统计特征、频域统计特征、经验模态分解能量熵及小波包能量特征信息;接着采用改进的距离评估技术从原始特征集合中选取最优特征,实现对原始特征空间的降维处理;最后选取的最优特征量作为"次序二叉树"策略方式的多类支持向量机的输入向量,实现对断路器3种机械故障模式的识别。实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果。     

基于振声时三维图的高压断路器机械故障诊断方法

分析高压断路器机械振动信号和声波信号的特性,针对现有诊断方法的不足,笔者提出了一种基于振声时三维图的高压断路器机械故障诊断方法,并给出了可行的诊断步骤和分析。此方法首先利用分级多时标信号对准的方法构建振声时三维图,然后提取断路器振声时三维图的包络,最后采用基于形状的分级特征向量提取方法构建支持向量机的输入向量进行故障诊断。其中,一级特征提取振声时三维图包络六面八角的特征向量,二级特征提取振声时三维图二维投影的区域弦的分布特征。实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果。     

基于时变自回归模型与支持向量机的旋转机械故障诊断方法

旋转机械如电机振动信号普遍存在非平稳性，同时对于某台设备已有的故障样本往往非常有限的。针对这些问题，提出一种基于时变参数自回归模型和支持向量机相结合的旋转机械故障诊断方法。首先通过对振动信号建立TVAR模型，提取模型系数及残差的方差作为信号特征，然后利用SVM对信号进行分类，继而实现故障自动识别。转子实验台实验结果表明该文方法能够有效提取非平稳信号的特征，并能在较少训练样本的情况下获得较好的诊断结果。     

基于振动信号特征的高压断路器机械故障诊断技术研究

以ZW-32型永磁机构断路器为研究对象,搭建了断路器动作时振动信号监测平台,采集了操动机构常见故障状态下的振动数据。利用小波包—特征熵提取了振动信号特征值,并建立了基于相关向量机原理的操动机构故障诊断模型,实现了对断路器振动状态的在线监测及故障类型的智能辨别。试验结果表明,该方法具有较高的故障识别能力,对实现断路器机械状态的在线监测与故障诊断有一定的工程实用价值。     

基于支持向量机的高压断路器机械状态预测算法研究

机械故障是高压断路器运行过程中的主要故障之一,对高压断路器开展机械状态评估与预测,对提高高压开关设备和电网运行可靠性具有重要意义。文中基于支持向量机进行了高压断路器机械状态预测算法的研究。支持向量机是一种统计机器学习算法,以结构风险最小化为训练目标,能够很好地解决过学习、维数灾难、局部最优等传统机器学习算法遇到的问题。在具体的算法实现中,文中利用断路器前几次动作的触头行程和操作线圈电流曲线来预测下一次或者后几次动作数据。利用预测出来的机械动作数据对高压断路器进行故障诊断,可以发现高压断路器潜在的问题,从而达到机械状态预测的目的。此外,文中通过归一化、交叉验证、网格搜索等方法来确定算法参数和提高算法精度。最后,以高压断路器机械寿命试验数据为例测试了该算法,结果表明该算法能够很好地训练并预测机械动作行程曲线和操作线圈电流曲线。     

一种基于线圈电流的高压断路器机械故障诊断方法

断路器动作过程中的分/合闸电磁铁线圈电流包含了丰富的断路器状态信息,且线圈电流具有采集方式简单、易于分析且重复性较好的特点;在对线圈电流划分为4个阶段基础上,文中提出一种更加全面的利用线圈电流信息的特征提取方法;试验模拟了5种断路器故障,利用支持向量机建立断路器故障诊断模型,并利用上述方法进行了诊断,结果表明,该方法可以更加准确有效地诊断断路器机械故障。     

基于主成分分析降维和支持向量机回归的短期负荷预测方法研究

针对负荷预测一般使用多维度历史相关数据,随着计算机技术和采集技术的发展,形成了高维度数据,使得关键数据和因素被掩埋,造成"维数灾难"的状况,重点研究主成分分析的特征降维方法和支持向量机的智能预测算法,提出基于主成分分析和支持向量机回归的短期负荷预测方法,并进行算例计算,对比分析采用主成分分析降维对支持向量机短期负荷预测方法的影响。     

基于改进沙丘猫群算法优化支持向量机的高压断路器故障诊断

为了更加准确地对高压断路器的状态进行分析与故障诊断,提出一种多策略改进沙丘猫群优化(improverd sand cat swarm optimization, ISCSO)算法优化支持向量机(support vector machine, SVM)的故障诊断方法。首先,通过多种改进策略对沙丘猫群优化(sand cat swarm optimization, SCSO)算法进行改进,提高算法的全局搜索能力、局部搜索能力及平衡全局的能力,并利用两种不同类型的测试函数对ISCSO进行性能测试,验证了其具有更强的收敛性和寻优能力。然后,采用ISCSO优化SVM,建立故障诊断模型。接着,用完全自适应噪声集合经验模态分解能量熵对振动信号进行特征提取并构建特征样本集。最后,将提取到的特征样本集输入到ISCSO-SVM模型中,对高压断路器进行故障诊断。实验结果表明,该方法的诊断准确率达到了96.29%,与其他三种模型对比实验,证明了该方法具有更高的准确率及更好的稳定性。     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

二维bagging集成支持向量机进行网络故障诊断

由于网络故障信息通常表现出不确定、复杂的特点并且对故障特征的描述也多是非完备的,运用支持向量机进行故障诊断经常不能达到其最优性能.本文提出一种新颖的二维bagging集成支持向量机,显著提高了传统支持向量机进行网络故障诊断的精度.实验结果验证了该方法的准确性和有效性.     

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。     

基于变精度粗糙集-支持向量机的断路器故障诊断

由于断路器运行时监测数据量大,以前采用的反向传播算法(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)神经网络的故障诊断存在网络结构复杂、诊断速率慢等缺点,为了快速准确地得出断路器故障原因,提出一种基于变精度粗糙集-支持向量机的断路器故障诊断算法。利用变精度粗糙集约简决策表去除断路器庞大监测数据里的冗余信息,降低过程数据的维度,并结合支持向量机对粗糙集处理后的信息进行故障诊断,可减少诊断时的主观因素,并具有容错性和解释性,该诊断方法是可以有效实施的。     

基于最小二乘支持向量机的高压断路器故障诊断

为了快速、准确地对高压断路器发生的故障进行分析和诊断,确定故障的性质、类别和部位,提出了一种高压断路器故障诊断的新方法。首先对高压断路器分合闸线圈电流进行分析,提取电流和时间特征量形成特征向量,然后用遗传算法对最小二乘支持向量机(least square support vector machine,LS-SVM)参数进行优化,最后,将特征向量输入到优化后的最小二乘支持向量机中进行故障识别、分类。试验表明,该方法可以准确地识别断路器的多种故障类型,为断路器故障定位和状态检修提供了依据。与广泛使用的神经网络方法相比,该方法在样本较少时仍能获得较好的诊断效果,更适用于高压断路器等小样本设备的故障诊断。     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

基于轨迹输入特征支持向量机的湖南电网暂态稳定在线识别

针对目前基于人工智能算法的电力系统暂态稳定评估输入特征选择困难的问题,采用发电机单一状态变量故障清除后一段时间内的轨迹作为支持向量机(Support Vector Machine,SVM)的输入特征,并采用网格法寻找支持向量机在交叉验证意义下的最优参数。通过对这类支持向量机的性能进行详细的分析和对比,给出了3个分类准确度很高的发电机状态变量。在湖南电网的测试系统上仿真实现了该模型,仿真结果证明所提基于轨迹输入特征的支持向量机具有很高的精度,为支持向量机输入特征的选取提供了新思路。     

基于模糊支持向量机的输电线路故障模糊分类方法及其降维显示

针对已有输电线路故障分类方法在样本中存在噪声时准确率有所降低情况,研究了基于Hilbert-Huang变换和模糊支持向量机(fuzzy support vector machines,FSVM)的输电线故障模糊分类方法,以提高输电线路故障分类的准确率.采用HHT变换获得故障时刻,提取故障后A、B、C三相及零序电流的特征能量函数值,组成FSVM的4维输入向量.利用网格优化方法对FSVM二分类器的惩罚参数C、核函数宽度σ进行优化.构造了FSVM的高维空间带状分段隶属度函数,求取样本的模糊决策函数值.构造多FSVM分类器.将故障时刻后特征向量送入多FSVM分类器,得到样本的故障分类初始标签.构造支持向量回归机(support vector regression,SVR),优化获得测试样本的最终故障隶属度,再对FSVM的分类标签进行修正.研究采用主成分分析法对样本高保真的降维处理方法、在3维坐标系中显示降维后3维向量及其故障模糊分类结果.为了测试算法,做了784组仿真实验,实验结果表明:FSVM+SVR的输电线路模糊故障分类方法不受故障点、故障类型、过渡电阻影响,故障识别率达到99.4％.在训练集1/5故障数据中加入5 dB Gauss白噪声,故障识别率仍保持不变.研究表明基于模糊支持向量机的分类方法适用于线路故障分类.