贝叶斯网络的电网故障诊断应用

根据电网的线路模型,建立贝叶斯网络对元件故障进行诊断.该方法能对不确定的知识和规则进行推理,根据实际的电网故障样本数据进行训练,不断更新条件概率表的参数,以提高电网故障诊断的准确率.     

基于决策树与脉冲神经膜系统的输电网故障诊断方法

为有效处理电网故障诊断过程的不确定和不完备信息,提出一种基于决策树与模糊推理脉冲神经膜系统的输电网故障诊断方法:首先采用权重网络分割法将电网分割为若干小型子网,再利用决策树算法对原始故障决策表进行训练,并约减故障信息,提取输电网故障产生式规则;然后利用模糊推理脉冲神经膜系统的强大知识并行推理和模糊信息处理能力,建立基于 FRSNPS 的故障诊断模型,实现输电网故障诊断;最后,以 IEEE14 节点标准系统为对象进行仿真实验和分析。实验结果表明,该方法在单类型和多类型故障信息丢失时,依然能够诊断出正确故障元件。     

基于神经网络和元件关联分析的电网故障诊断

利用人工神经网络（ＡＮＮ）和元件关联分析进行电力系统故障诊断,提出了一种电 力系统多重复杂故障的诊断方法。该方法采用面向元件的ＡＮＮ模型,将电力系统的元件分 为３类,即线路、变压器和母线,对每类元件都有一个特定的ＡＮＮ处理其报警信息,确定 故障位置。对于同一跳闸区域中面向各个元件的ＡＮＮ的诊断输出,通过定义一个故障指标 函数,根据各元件的故障指标函数值的大小来识别同一跳闸区域内的多重故障。该方法所使 用的ＡＮＮ模型规模小,通用于网络的所有元件,且故障识别的方法简单,适用于大规模电 力系统的故障诊断。     

贝叶斯网络及时间序列下电力系统元件故障诊断模型

针对电力系统频繁出现故障,其人工成本及工作危险系数增加的问题,在贝叶斯网络及时间序列下提出一种电力系统元件故障诊断技术.将提取的故障特征作为待诊断的特征项,确定每个类别下故障因子的集合,通过集合中潜在故障因子的系数判断真假,为真则将该类别下的因子系数代入到挖掘公式中,利用时间序列匹配法求得故障因子发生与未发生概率,根据单位元件发出的具体断开或跳闸等保护动作判断具体故障元件.仿真结果表明,所提出的故障诊断模型诊断结果与实际结果的拟合程度较高,拥有较高的准确率和有效性,在智能电网领域具有很好的应用潜力.     

基于时间约束脉冲神经P系统的电网故障诊断方法

为在电网故障诊断过程中快速准确地识别故障元件,文章提出一种基于时间约束脉冲神经P系统的电网故障诊断方法。首先,利用保护装置之间的动作顺序建立线路和母线的时间约束脉冲神经P系统故障诊断模型;然后,利用断路器、继电器和元件之间的时间约束对警报信息进行检查并修正诊断模型输入神经元的初始脉冲值;最后,用矩阵推理算法进行故障诊断,并对保护装置的动作行为进行评价,判断保护装置的拒动、误动情况。采用IEEE39节点系统进行算例分析,证明该方法可行、有效。     

人工神经网络的电网故障诊断

电网发生故障后,为能迅速找出发生故障的元件,及时解决故障,提出了人工神经网络诊断方法。采用径向基神经网络(RBF)来进行故障诊断,其具有良好的最佳逼近和全局最优的性能,并对RBF隐含层的中心用K均值聚类算法进行优化,给出了仿真实验结果。仿真实验结果表明:与未优化的网络进行对比,经验证,两种方法均可用于电网的故障诊断。     

利用保护、断路器状态信息进行电网故障的诊断

利用故障诊断数学模型,在深入分析电网故障保护、断路器状态信息结构的基础上,提出了相应关联矩阵运算方法,以便快速、准确地找到故障元件;同时,利用保护和断路器信息的故障诊断解析模型,在数学上是一个无约束0～1整数规划模型.该方法克服了传统的数据存储手段,在节省计算机资源,提高运算速度方面具有一定的优势;同时,具有通用性,能够在保护或者断路器拒动作或误动作的情况下,仍能正确地处理故障区域判断问题.通过一个简单的电网结构图在几种不同的故障情况下的仿真实验,证明了所提出的矩阵算法是正确合理的.     

故障诊断信息缺失情况下的电网故障诊断系统

针对电网故障诊断过程中常常出现元件信息传递漏报,导致故障诊断错误甚至无法诊断的问题,提出了基于信息漏报元件的后备信息来对该信息漏报元件的当前状态重新赋值的方法,实现对信息缺失元件的状态值的重新赋值。采用故障诊断优化模型,使得诊断系统能够在完整正确的数据支持下得到正确的诊断结果。经实际例证表明,在引入对缺失信息的修正方法后,因信息缺失而导致的无法对故障实现诊断或者误诊的问题得到了比较好的解决,诊断结果比较合理和准确。     

基于复模型的模拟电路故障诊断

参数故障诊断和容差问题是模拟电路故障诊断的两个主要难题。该文从故障建模入手,提出一种新的复数域参数故障统一建模方法。模拟电路输出电压的实部和虚部都是故障元件参数的函数,联立实部和虚部函数,并消掉被建模元件参数,得到与参数无关的函数。该函数只由电路结构、故障元件位置和无故障元件的参数确定。因此,以它作为故障模型就与参数无关,能描述任何参数漂移、开路和短路故障。该模型函数是二次函数,除了无故障点之外,不同元件的模型函数会在复平面上相交于第二个点,称为混叠问题。该文采用多频方法来消除此混叠现象。仿真结果验证了方法的有效性。     

考虑气象因子条件下的电网连锁故障预测

电网连锁故障已经成为影响电网运行安全的主要因子,气象因子中可能导致元件发生"故障聚集"现象,该现象将明显增加电网发生连锁故障的概率。通过分析气象因子影响下电网连锁故障的产生机理,运用贝叶斯网络模型结合气象因子预测电网的初始故障;建立完整的支路静态能量函数的模型,构建在气象因子影响下映射潮流变化的能量指标和反映电网结构脆弱性的电气介数;考虑电网连锁故障过程中前后故障之间的累积效应,提出反映气象因子影响下电网故障后的状态和结构的综合安全指标并对连锁故障的后续故障进行预测,为甄别复杂天气下电网危险环节提供了重要的依据。对IEEE-57母线系统的实例分析,证明了该方法的合理性、有效性。     

基于层次化类别嵌入的电力ICT系统故障分类

为解决电力信息通信客服系统在故障研判时存在故障分类准确率低甚至误分的问题,提出基于层次化类别嵌入的文本分类方法,进行电力信息通信系统故障识别.首先,基于电力信息通信系统故障的用户保修工单文本数据构建电力信息通信系统层次化电力故障标签;其次,提出了基于层次化深层金字塔卷积神经网络和基于层次化中断循环神经网络2种层次化文本分类方法,采用层次化类别嵌入方法逐层进行故障类型分类.实验结果表明,基于层次化深层金字塔卷积神经网络的方法效果最优,可以提供高效、准确的故障识别服务.     

基于因果图的分布式诊断模型研究及应用

为了降低系统多故障诊断的计算复杂性,研究了一种基于因果图的分布式诊断模型.首先用因果网络图建立集中式模型,然后通过有向树分解技术把集中式模型转化为分布式模型,并离线计算集群表,得到局部诊断解后再采用诊断融合算法实现全局诊断.对电源系统的应用结果表明,分布式模型简化了集中式模型的计算复杂性,提高了效率,并且通过计算后的集群表及融合算法可以实现耦合故障的诊断.此种方法适用于卫星这类复杂系统的故障诊断.     

船舶控制系统故障诊断神经网络专家系统的研究

将神经网络技术应用于船舶控制系统故障诊断专家系统，给出了系统的组成和知识的表达方法；提出了自增长动态网络学习算法，其优点在于学习迅速，能动态建造多层网；给出了神经网络专家系统的推理方法。     

基于BP神经网络的容差电路故障诊断

模拟电路的可靠性决定了电子设备系统的可靠性，本文主要研究容差模拟电路故障诊断的神经网络方法，主要目的是解决模拟故障诊断中的容差问题和减少诊断时间。提出了基于BP网络的模拟电路故障诊断实现方法，其仿真结果达到了预期目的。     

基于遗传小波神经网络的电网故障诊断方法研究

电网故障中继电保护和断路器的拒动、误动以及信息上传过程中的丢失、畸变等问题使快速、准确的故障诊断仍是一个难题。神经网络方法虽已应用,但神经网络容易陷入局部极小值,针对此情况,提出了基于小波神经网络和遗传算法相结合的故障诊断方法。用遗传算法学习小波神经网络的权值、尺度函数、结构,可以确定用于故障诊断的最优小波神经网络。并对算例进行了仿真,仿真结果表明优化的故障诊断系统优于BP算法的诊断系统,提高了故障诊断精度。     

基于BP神经网络的变压器故障诊断及其应用

针对电力变压器故障的特点以及传统故障诊断方法在变压器诊断应用中的局限性,研究一种基于BP神经网络算法的变压器故障诊断方法．通过选择足够的故障样本训练神经网络,达到变压器故障诊断的要求,并通过实例证明本算法的有效性．     

Deep Multimodal Learning and Fusion Based Intelligent Fault Diagnosis Approach

Industrial Internet of Things(IoT) connecting society and industrial systems represents a tremendous and promising paradigm shift. With IoT, multimodal and heterogeneous data from industrial devices can be easily collected, and further analyzed to discover device maintenance and health related potential knowledge behind. IoT data-based fault diagnosis for industrial devices is very helpful to the sustainability and applicability of an IoT ecosystem. But how to efficiently use and fuse this multimodal heterogeneous data to realize intelligent fault diagnosis is still a challenge.In this paper, a novel Deep Multimodal Learning and Fusion(DMLF) based fault diagnosis method is proposed for addressing heterogeneous data from IoT environments where industrial devices coexist. First, a DMLF model is designed by combining a Convolution Neural Network(CNN) and Stacked Denoising Autoencoder(SDAE) together to capture more comprehensive fault knowledge and extract features from different modal data. Second, these multimodal features are seamlessly integrated at a fusion layer and the resulting fused features are further used to train a classifier for recognizing potential faults. Third, a two-stage training algorithm is proposed by combining supervised pre-training and fine-tuning to simplify the training process for deep structure models. A series of experiments are conducted over multimodal heterogeneous data from a gear device to verify our proposed fault diagnosis method. The experimental results show that our method outperforms the benchmarking ones in fault diagnosis accuracy.