基于信息熵理论和Parks聚类分析的水电机组振动故障诊断

针对水电机组振动故障与征兆之间复杂的非线性关系,将经过整理的水电机组典型故障分别作为标准故障类,每个标准故障类和它所对应的具有代表性的特征参数构成故障类特征向量,建立标准故障特征参数矩阵。采用信息熵理论和Parks聚类分析方法对待检样本进行聚类分析,从而辨识出待检样本最有可能属于哪个故障类,即最有可能是哪种故障。通过实例检验表明理论计算与现场检查结果相符,证明该方法能有效地确定故障类型和发生故障的部位,适合于故障诊断中自动模式识别,具有良好的实际应用前景,为水电机组状态监测及故障诊断提供了一种新途径。     

基于条件信息熵与贝叶斯网络的变压器故障诊断研究

提出了将条件信息熵与贝叶斯网络有机结合的变压器故障诊断方法,并进行了变压器故障实例分析。     

基于数据挖掘的火电机组主要参数基准值获取方法

采集火电机组重要参数的历史运行数据,基于数据挖掘的方法对参数进行数据清理和数据规约,根据关联规则挖掘历史运行参数的基准值并给定相应的偏差范围。以某300MW机组为例,结合系统中的多重数据验证模块,对获取的基准值和偏差范围进行了试验验证。结果表明,采用数据挖掘手段获取的基准值和偏差带的准确性较高,保障了煤耗在线监测系统的准确性与可靠性,有利于电力调度的合理实施。     

基于信息熵与证据融合的接地网故障诊断

为了提高接地网故障诊断的准确性,提出一种基于信息熵与证据融合的接地网故障诊断方法。该法通过高频激励获取可及节点的电压信号,根据信息熵理论分别提取信号的时域特征奇异谱熵、频域特征功率谱熵、时频域特征小波包能谱熵,并将这3个特征量作为证据体,运用证据理论进行多特征信息融合,然后将融合结果输入经误差修正算法改进后的径向基函数神经网络中,实现对接地网的故障识别。仿真实例表明,与由单一特征量得到的诊断结果相比,此方法故障诊断的可靠性和准确性更好。     

基于数据挖掘的煤电机组能效特征指标及其基准值的研究

煤电机组的优化运行对于节能降耗有重要的意义,如何合理地选择能效特征指标并确定其基准值是机组优化运行的关键。基于数据挖掘算法,对机组历史运行数据分析:利用灰色关联度分析法,选取对供电煤耗产生主要影响的能效特征指标;采用K均值算法对多特征参数进行聚类划分并确定其基准值;结合广义回归神经网络,预测供电煤耗在基准工况下的目标值;对离散基准值样本点进行样条插值,建立机组全工况下的动态基准值工况库。最后,选取某超超临界百万湿冷机组运行数据分析与验证,分析结果表明提出的能效指标基准值研究方法,可以为煤电机组的优化运行提供调整方向。     

基于信息熵与主成分分析的火电机组综合评价方法

为解决火电厂运行优化、状态监测和故障诊断中机组运行状态的综合评价问题,在分析评价指标特点的基础上,将信息熵理论与主成分分析方法相结合应用于火电机组综合评价,得到了机组状态评价的二级指标和一级综合评价指标。以2008年全国600 MW火电机组竞赛中的5台机组为研究对象,建立基于信息熵与主成分分析的机组状态综合评价模型。该方法得到的机组排名与实际竞赛机组排名完全一致,表明该方法可信度和有效性较高,对不同机组进行状态对比和不同电厂之间开展竞赛具有较好的指导意义。     

基于信息熵与DS证据理论的电网故障诊断方法

为解决传统故障诊断方法在准确性、完备性和容错性等方面的不足,在分析电气量信息特征的基础上,将信息熵理论应用于电力系统故障诊断,得到了故障度熵和Hilbert边际谱熵两类指标,结合DS证据融合理论综合表述电网元件的故障支持度。算例表明,该方法能提高对故障诊断结果的支持度以及故障诊断的准确性与容错性,为基于信息融合原理的故障诊断方法提供了一种有效的信息源。     

基于信息熵的油田变压器局部放电故障诊断

油田变压器是保证油田电网稳定运行的重要结构之一,而局部放电故障又是其常见的故障。因此对故障及时准确地作出判断是至关重要的。为了准确诊断故障,在获取特征值的基础上,融合信息论中熵的概念。分别从时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征熵整合特征指标,通过判断故障熵点与已知故障的熵距来判断属于何种故障,全面分析以达到对故障的准确识别。仿真结果表明此方法用于变压器局部放电故障诊断中是行之有效的。     

大型机组振动数据管理、分析及故障诊断网络系统

大型机组振动仍是当前影响我国火电生产的关键技术之一。文章全面介绍了台州发电厂机组振动数据管理、分析及故障诊断网络系统,并对其中的关键技术进行了探讨。     

基于模糊模式识别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 .应用模糊模式识别方法及最大隶属原则 ,建立了凝汽器故障诊断模型 ,并以实例验证该模型识别故障的准确性 .实践证明 ,该模型简单实用 ,能有效地识别凝汽器故障     

基于模糊神经网络的凝汽器故障诊断研究

采用模糊神经网络进行凝汽器的故障诊断。根据某电厂的运行规程及运行经验构造了进行凝汽器故障诊断所需的全部17个隶属函数,利用这些隶属函数可以对各个输入进行模糊化处理,使之成为量化输入。对模糊BP网络进行训练,可以得到模糊BP网络的知识库结构。在此基础上,对一个凝汽器实际故障进行了诊断,得出了令人满意的结果。     

基于模糊PID方法的大型电力机组温度过热控制

在大型电力机组温度过热的控制中,传统的控制方法较为烦琐。针对这一问题,提出了一种PID和模糊控制原理相结合的控制方法,通过该方法设定大型电力机组温度过热给定值偏差的范围,以模糊集合论、模糊语言变量描述和模糊逻辑推理为基础进行控制。在无需建立被检测对象准确数学模型的前提下,对不确定性和非线性温控系统进行控制。该方法对大型电力机组系统参数变化控制有较强的鲁棒性,有较强的抑制干扰能力。仿真的结果表明,该控制方法与传统的控制方法相比,在大型电力机组温度过热控制中具有响应快、稳定性高、工作效率高和鲁棒性强等特点。     

基于数据挖掘的水电机组振动故障诊断研究

提出一种利用聚类分析、离差标准分法、神经网络等方法建立机组综合评价模型,用来解决水电机组故障诊断问题。该算法应用到某些电站机组的故障诊断中,结果表明,该方法能够对故障做出准确判别,分离各种故障类型。由于需要存储的数据比较少,速度快,非常适于水电机组故障诊断中大规模图形序列挖掘。     

基于MATLAB的风电机组故障诊断方法研究

为有效诊断风电机组主要部件的振动故障,分析了倒谱分析、包络谱分析2种分析方法的原理和优势,以及两者在MATLAB算法中的实现方法。并以现实风机振动故障提取的信号为例进行分析,分析结果表明算法可行。     

基于WNN空调机组故障诊断

本文中详细阐述小波神经网络(WNN)的结构、原理，在探讨智能大厦中空调机组的主要故障的基础上，提出应用小波神经网络的诊断方案。经过MATLAB仿真运行证明，在相同的条件下，WNN网络在故障诊断的准确率及训练速度方面均优于传统的BP网络。     

基于小波包信息熵和SO-SVM的滚动轴承故障诊断

针对滚动轴承振动信号的特征提取和故障诊断,提出了一种基于小波包信息熵和蛇优化算法（SO）优化支持向量机的滚动轴承故障诊断方法。使用小波包处理采集到的振动信号,构建小波包的能谱熵和系数熵,将构建的特征向量输入SO-SVM进行识别和分类;最终实现多故障模式识别,输出诊断结果。通过仿真实验表明,此方法对五组不同的样本诊断准确率达到99.17%~100%,且相比于果蝇算法优化支持向量机（FOA-SVM）和粒子群算法优化支持向量机（PSO-SVM）具有更高的故障识别分类效果。     

基于信息熵最优约简算法的电网故障诊断模型

介绍粗糙集理论及信息熵约简方法,应用粗糙集理论对电网故障样本数据进行分析统计,建立决策表,采用信息熵约简算法对其进行条件属性约简,得到一组最小知识系统,再用粗糙集值约简方法对其进行简化,得到一组故障诊断的最小决策规则集,结合模型进行分析,证明该方法简便、快速、有效。     

基于信息熵的大型电力系统元件脆弱性评估

现代大规模电力系统面临着多种不确定性因素,它们给系统带来的扰动已成为系统安全运行的主要威胁之一。针对这一问题,提出一种大型电力系统元件脆弱性评估的新方法:在改进信息熵的基础上,结合含风电电力系统的灵敏度分析及支路容量裕度,研究节点扰动功率安全转移的分布信息,建立衡量节点抗扰动能力的节点脆弱性评估指标;在此基础上,通过补偿法将支路开断转化成两端节点的虚拟注入功率扰动,并采用熵权法将其与节点脆弱性评估结果相结合,提出支路脆弱性综合评估方法。通过IEEE 300节点系统算例,验证了方法的快速有效性,同时分析了影响系统关键元件脆弱性的因素,为电力系统中的误差控制和运行管理提供了参考。     

基于信息熵的机组运行劣化度综合指标

水轮发电机组故障诊断与运行状态评价课题是当前水电系统研究课题中的热点。首先从分析影响水电机组运行状态的相关参数出发,得到的故障熵指标反映了机组的故障发展和变化情况,融合了时域、频域和时频以外的一些信息,能有效地反映机组的运行状态。提出了机组运行状态综合劣化度的指标,机组运行劣化度综合指标结合了机组运行工况的信息和故障熵的长处,反映机组状态劣化的程度,是一种有效地表征机组状态是否劣化的参量。将上述指标在水轮发电机组进行了运行状态评价的实际应用,结果表明研究成果对机组的运行稳定评价是有效的。