基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

电力电子技术中故障诊断特征提取方法的研究

特征信息提取作为电力电子电路故障诊断的重要环节,直接影响到诊断结果的有效性。阐述了目前常用的各种故障诊断提取方法,结合实际应用对各个方法进行了优缺点评价。在此基础上,提出了未来特征提取方法的新思路,即构造能够发挥各自优点,实现功能互补的特征提取方法,为进一步提高故障诊断的准确性提供参考。     

虚拟现实技术在电缆故障诊断仿真中的应用

为使电缆运维检修人员快速找到并处理故障,减少故障停电时间,对虚拟现实技术在电缆故障诊断仿真中的应用进行研究,构建系统架构及相关功能,使专业人员能在没有检修设备、真实电缆、真实故障电缆的情况下实现不同电压等级、环境、故障类型的电缆故障查找、处理的练习与教学,节约制作实体设备的成本及时间成本,提高电缆运维检修人员的实战技术水平.     

虚拟仪器在变压器绕组变形故障诊断中的应用

介绍了变压器绕组变形测试系统的硬件选择、软件设计、系统的实现及应用情况。     

基于虚拟仪器的发电机励磁系统故障诊断

发电机励磁系统功率单元故障将严重影响发电机的稳定运行,快速准确发现、排除故障显得非常必要。本文在分析发电机励磁系统功率单元工作原理和特点的基础上,对其故障进行了分类,提出了一种改进的模式识别诊断方法,并据此开发出了基于虚拟仪器的发电机励磁系统功率单元的故障诊断系统。测试表明该诊断系统能够准确地判断出具体的那个晶闸管发生故障,给出正确诊断。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于极限学习机的变压器故障诊断方法研究

针对基于传统智能学习方法的变压器故障诊断存在训练速度慢、需调整的参数多及参数确定困难的问题,本文提出了基于极限学习机(Extreme Learning Machine,ELM)的变压器故障诊断方法。文中根据变压器故障的特点选取输入特征向量,分析了激活函数、隐含层节点数目对诊断性能的影响,并与基于BP神经网络和SVM的诊断方法进行了对比。实验结果表明,文中提出的变压器故障诊断方法性能明显优于BP神经网络,与SVM的诊断正确率相当,需要预先设置的参数更少,训练速度更快,更加便于工程应用。     

基于遗传算法改进极限学习机的变压器故障诊断

针对变压器故障的特征,结合变压器油中气体分析法以及三比值法,提出了基于遗传算法改进极限学习机的故障诊断方法。由于输入层与隐含层的权值和阈值是随机产生,传统的极限学习机可能会使隐含层节点过多,训练过程中容易产生过拟合现象。该方法运用遗传算法对极限学习机的输入层与隐含层的权值与阈值进行优化,从而提高模型的稳定性和预测精度。将诊断结果与传统的基于极限学习机故障诊断进行对比,结果表明,基于遗传算法改进极限学习机变压器故障诊断的精度更高。     

改进极限学习机应用于电网故障诊断

电网故障诊断中交叉数据模式识别问题占据重要位置,传统的人工智能方法处理效果不甚理想。提出运用改进极限学习机进行故障诊断的算法,随机选取输入权值向量和隐含层的偏差,并且利用最小二乘法分析计算输出权值,以达到提高故障诊断容错性的目的。仿真结果表明:在保护动作信息不完备的情况下,该算法的故障判断准确性明显优于BP神经网络,该算法对存在一定错误数据的故障信息也具有良好的识别能力。     

深度学习神经网络在电力变压器故障诊断中的应用

由于电力变压器发生故障时油色谱在线监测数据无标签,工程现场往往会得到大量无标签故障样本,而传统的故障诊断方法在对变压器故障类型进行判别时往往无法充分利用这些无标签故障样本。该文基于深度学习神经网络（deep learning neural network,DLNN）,构建了相应的分类模型,分析并用典型数据集对其分类性能进行测试。在此基础上提出一种电力变压器故障诊断新方法,它能够有效利用大量电力变压器油色谱在线监测无标签数据和少量故障电力变压器油中溶解气体分析（dissolved gas-in-oil analysis,DGA）实验数据进行训练,并以概率形式给出故障诊断结果,具有更优的故障判别性能,能够为变压器的检修提供更为准确的参考信息。工程实例测试结果表明,该方法正确可行,诊断性能优于三比值、BP神经网络和支持向量机的方法,适用于电力变压器的故障诊断。     

基于深度降噪极限学习机的变压器故障诊断

针对变压器故障诊断中模型训练时间长,容易过拟合,噪声敏感等问题,本文提出一种深度降噪极限学习机变压器故障诊断方法。将极限学习机与降噪自编码器结合构建降噪自编码极限学习机,并将其堆叠构建深度降噪极限学习机模型进行特征提取,将提取的特征输入常规极限学习机进行分类,整体构成深度降噪极限学习机分类算法。该算法能有效应对电压器油中溶解气体分析数据中的噪声且具有非常快的学习速度。仿真实验结果表明,相比于传统BP神经网络,本文方法有更高的故障诊断正确率和更短的训练时间,是一种有效的变压器故障诊断方法。     

基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题,提出一种基于样本集成学习和蛇优化算法(SO)优化支持向量机(SVM)的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集;然后以Bagging策略训练SO优化关键参数后的SVM模型,综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证,数据表明,SO-SVM的故障诊断相比于RF、SVM、KNN等模型,诊断准确率分别提高了3.44%、6.89%、10.92%,AUC值分别提高了0.026 4、0.042 5、0.081 2;在同一分类器下,SO-SVM模型相比于SMOTE和ADASYN样本平衡方法,诊断准确率分别提高了4.59%、2.87%,说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

风力发电机组状态监测系统与故障诊断方法研究现状

为保证风力发电机组可靠稳定运行,降低机组的维护成本,最有效的办法是监测风力发电机组的运行状态.对于已经出现故障的部件,及时分析状态监测系统采集的部件信息,利用一定的分析手段和方法,可快速有效地诊断出导致故障发生的具体零部件,缩短排除故障的时间,降低损失.对于故障出现前部件的早期退化,通过对状态信息变化的分析,可提前预测故障,为部件的维护提供明确指导.阐述了风力发电机组状态监测系统及故障诊断方法研究的现状.     

Fault Detection and Diagnosis of Pneumatic Control Valve Based on a Hybrid Deep Learning Model

As the growing requirements for the stability and safety of process industries, the fault detection and diagnosis of pneumatic control valves have crucial practical significance. Many of the approaches were presented in the literature to diagnose faults through the comparison of residual sequences with thresholds. In this study, a novel hybrid neural network model has been developed to address the issue of pneumatic control valve fault diag-nosis. First, the feature extractor automatically extracts in-depth features of the signals through multi-scale convolutional neural networks with different kernel sizes, which not only adequately explores the local dis-tinguishable features, but also takes into account the global features. The extracted features are then fused by the feature fusion layer to reduce redundant features. Finally, the long short-term memory for fault identification and the dense layer for fault classification. Experimental results demonstrate that the average test accuracy is above 94% and 16 out of the 19 conditions can be successfully detected in the simulated actual industrial en-vironment. The effectiveness and practicability of the proposed method have been verified through a com-parative analysis with existing intelligent fault diagnosis methods, and the results suggest that the developed model has better robustness.     

MATLAB仿真在电力电子教学中的应用

电力电子技术的关键知识点多为变换器工作过程分析,在电路结构复杂、电路具有多个工作状态的条件下,通过传统教学手段讲解的过程冗长、枯燥而且容易漏掉细节。本文对MATLAB/Simulink仿真环境下的SimPowerSystems仿真模型库进行简单介绍,并通过搭建串联谐振直流环节DC-DC变换器模型,演示了MATLAB/Simulink环境在教学实践中应用,最后本文对教学效果进行了评估和总结。     

Transformer Fault Diagnosis by Dissolved-Gas Analysis

The great majority of incipient faults occurring in power transformers gives evidence of their presence early in their developmental stages. Oil and oil-impregnated electrical insulating materials can decompose under the influence of thermal and electrical stresses generating gaseous decomposition products which dissolve in the mineral oil. The nature and the amount of the individual component gases extracted from the oil may be indicative of the type and degree of the abnormality present [1]. One out of four transformers tested, using a gas chromatography technique, has an operational fault. Data obtained from the analysis of nearly 5000 transformers considers units ranging in size from 25 kVA-300 MVA. Case histories comparing fault diagnosis with actual conditions are cited. A method of determining the severity of the problem will be demonstrated. Over three years of experience using this method has proved the practical value of this chemical analytical tool to the power engineer.     

（15期已排版）基于代价敏感组合核相关向量机的电力变压器 故障诊断

组合核相关向量机可以融合多个特征空间,输出变压器隶属于各种状态的概率。将代价敏感机制融入组合核相关向量机,构建了代价敏感组合核相关向量机,该算法以误诊断代价最小为目标,按贝叶斯风险理论预测样本的故障类别,克服了传统诊断方法未考虑误诊断代价差异的问题。针对代价敏感组合核相关向量机核函数参数选取需人为设定的问题,采用K折交叉验证和粒子群算法相结合的方法寻优核函数参数。基于油中溶解气体分析(dissolved gas analysis,DGA)数据的诊断实例表明,与BP神经网络,支持向量机及组合核相关向量机算法相比,代价敏感组合核相关向量机不仅具有较高的诊断正确率,而且具有较低的误诊断代价。     

某电厂SCR烟气脱硝系统故障诊断

以某火电厂330 MW机组选择性催化还原（SCR）烟气脱硝系统为例,针对运行中存在的氨逃逸率高、空气预热器压差大、脱硝反应器出口与烟囱入口NOx浓度监测数据偏差大等问题,进行了流场、浓度场测试及催化剂检测。结果表明,流场分布不均是造成催化剂磨损的主要因素;催化剂活性下降、喷氨流量分布不合理是造成脱硝系统故障的原因;通过喷氨优化调整可以改善脱硝反应器出口NOx浓度分布均匀性,降低氨逃逸率。同时结合诊断分析,对电厂脱硝系统的改造提出了建议。     

基于图像处理和半监督学习的变电设备故障诊断

变电设备是电力系统中的关键部分,维护其安全稳定运行具有重要意义。当变电设备发生故障时,需要及时、准确对其故障类型进行诊断。提出一种基于图像处理和半监督学习的变电设备故障类型诊断方法。对收集到的红外图像数据进行特征提取,将其中的温度特征、纹理特征和形状特征作为模型的参考向量;利用SMOTE算法,对有标签样本的少数类样本进行样本扩充;汇总样本数据,构建图半监督学习网络,并对其进行训练。相比于传统的有监督学习方法,该文提出的方法能够学习无标签样本数据中的信息。使用真实的样本数据进行测试,验证所提方法的有效性,实验结果表明利用特征提取、样本扩充以及半监督学习模型能够提高变电设备故障的分类准确度。     

基于虚拟仪器的水轮机组监测与故障诊断系统

针对水轮发电机组单机功率的增加而提出的状态监测和故障诊断要求,提出以虚拟仪器系统作为开发平台设计并构成水轮发电机组监测和故障诊断系统,实现了水轮发电机组振动信号的数据采集、数据处理和分析,并可进行故障诊断。