基于事件序列数据挖掘原理的高压输电线系统故障诊断:(二）仿真和容错性能分析

在基于事件序列（SOE）数据挖掘原理的故障诊断模型与方法的基础上，提出了将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统（HVTLS）故障诊断领域。分析了故障诊断模型中变异故障模式的种类及其对故障诊断策略的影响,阐述了基于SOE的数据挖掘HVTLS诊断模型和功能模块的构造。依据输电系统故障事件序列在时空特性的关联性，用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识，将诊断问题的求解转化为寻找与实时故障事件序列模式最相似的、运算操作代价最小的标准故障事件序列模式。以实现对变异事件序列模式中畸变事件的“复原”和纠错，从而确保故障诊断系统的高容错性。     

基于Petri网基础标识的分散式故障诊断方法研究

电子信息技术的飞速发展催生了很多包含众多组件的复杂系统,故障诊断技术致力于及时、准确地检测这些系统中的故障,从而为快速恢复系统功能提供重要支撑。基于Petri网数学模型提出分散式的故障诊断方法,分别针对分散式架构中的诊断站点和协调者设计故障诊断算法,并提出相应的诊断协议。站点诊断算法基于Petri网基础标识和基础向量构建,避免穷举所有与观测序列一致的变迁序列,有效提高诊断效率。提出的分散式诊断方法比传统的集中式方法具有更高的计算效率和更好的稳定性。相对于其他已存在的分散式方法,该方法具有更小的Petri网结构假设限制和更广的适用范围。     

基于键合图理论的故障诊断方法及在锅炉给水泵上的应用

利用键合图模型知识表达方式，可创建系统设备之间的复杂因果推理关系，从而生成故障树，进行系统的故障诊断。文中以锅炉给水泵为对象，提出一种基于键合图理论的定性故障诊断方法。在介绍故障树和键合图基本理论后，提出利用键合图生成故障树的概念，然后通过给水泵系统的键合图模型，给出了基于倒置因果分析方法的给水泵故障树，并为因果树中元素分配了定性值，利用故障树边界层元素的定性值分析法，定位出引起给水泵初始故障集的故障源。此方法具有定性故障诊断的优点，通过给水泵动态特性的仿真结果验证了该方法的正确性。     

基于PLC的嵌入式故障诊断代码生成

嵌入式故障诊断是近年来研究的热点,如何生成诊断代码是其中的一个难点。本文介绍一种基于ＰＬＣ的嵌入式故障诊断代码的生成方法,这种方法利用故障树分析（ＦＴＡ）和Ｐｅｔｒｉ网（ＰＮ）设计诊断程序,在实际中得到了较好的效果。     

基于 DFTA的机车分布式传感网络故障诊断系统∗

随着我国重载铁路货运机车的快速发展,机车的故障率与事故发生率相应上升,机车故障诊断技术的重要性也越来越突出.针对SS4B型机车主要设备的故障模式和诊断需求,采用基于传感器信息的动态故障树算法(DFT A),根据故障原因部位传感器采集的数据化简由故障树分析得到的故障原因.对传感器网络的拓扑结构、网络接口、网络协议进行了研究,使用C语言实现DFT A算法,对其进行测试验证.测试结果表明,当某些节点的状态通过外部传感器采集的数据确认正常后,可通过DFTA的测试程序得到更加精确的诊断结果.     

基于重心平均动态时间规整算法的有载分接开关机械故障诊断

有载分接开关(on-load tap changer, OLTC)是电力变压器中故障频率较高的部件之一，为了实现有载分接开关的故障诊断，提出了一种基于重心平均动态时间规整算法的故障诊断方法。针对OLTC振动信号的非线性与强时变性，提出自适应变分模态分解算法，计算OLTC振动信号的时频特征矩阵。进一步地，引入重心平均动态时间规整算法，自适应地计算OLTC振动信号时频特征矩阵之间的差异度，从而实现OLTC的故障诊断。研究结果表明，利用重心平均动态时间规整算法能够通过计算多组信号的重心平均序列提高故障诊断的鲁棒性。同时，基于所计算的差异度，不仅能够实现OLTC故障的有效诊断，还能在一定程度上定量表征故障的严重程度。该研究能够为OLTC的故障诊断提供新的思路。     

FDD在电网技术中的应用

故障检测和诊断 (FDD)技术目前已发展为四大类 ,适用于电网故障检测和诊断的有基于状态估算的FDD法和基于人工智能的故障诊断法。基于状态估算的FDD法 ,直接反映被控系统的运行状态 ,通过重构被控过程状态 ,构成残差序列 ,再通过构造模型 ,采用统计检验法 ,并利用状态观测器、滤波器等把故障检测出来 ;基于人工 智能的故障诊断法又细分为专家系统和故障树等诊断法 ,基于专家系统的故障诊断法 ,主要利用计算机的推理能力、电力专家的丰富经验及电网中的因果关系 ,快速找到故障 ;基于故障树的诊断法是一种常用、有效的故障诊断法 ,通过逐级提问 ,构成一个递阶故障树 ,再通过启发性搜索 ,查找到故障。总之 ,运用自动控制中的故障检测和诊断技术来提高电网中计算机在线应用中实时数据库的有效性和可靠性 ,从而成为电力系统遥测校正和状态估算的重要辅助手段。     

发生共因失效的状态评估系统运行可靠性分析

引入贝叶斯网络,对发生共因失效的状态评估系统的子系统或组件与失效事件建立逻辑关系故障树和最小割集。对原始故障树进行多重阶段任务简化,从底层事件到顶层事件,逐层向上进行二进制运行状态赋值,生成系统共因失效贝叶斯网络和二进制运行状态关系表格。通过β因子模型对共因失效进行定量分析,并在β因子模型基础上进一步讨论了β的近似取值方法。以变压器在线监测装置油色谱和绝缘单元的共因失效分析为例对该方法进行验证,结果表明该方法可对复杂系统的共因失效问题进行适当简化,根据子系统或组件串联或并联的关系进行系统运行可靠性分析。     

基于事件序列数据挖掘原理的高压输电线系统故障诊断:(二）仿真和容错性能分析

在基于事件序列(SOE)数据挖掘原理的故障诊断模型与方法的基础上,提出了将基于事件序列的数据挖掘原理故障诊断模型用于高压输电线系统(HVTLS)故障诊断领域.分析了故障诊断模型中变异故障模式的种类及其对故障诊断策略的影响,阐述了基于SOE的数据挖掘HVTLS诊断模型和功能模块的构造.依据输电系统故障事件序列在时空特性的关联性,用动态规划算法的优化相似性原理挖掘事件序列之间的关联性和蕴涵的知识,将诊断问题的求解转化为寻找与实时故障事件序列模式最相似的、运算操作代价最小的标准故障事件序列模式.以实现对变异事件序列模式中畸变事件的"复原"和纠错,从而确保故障诊断系统的高容错性.     

基于VMD与优化SVM的变压器绕组松动缺陷振动信号诊断方法

随着电力系统中变压器容量的不断增加，变压器绕组松动缺陷引起的影响也愈发严重，故需进行故障诊断。针对利用振动信号进行变压器绕组松动缺陷诊断问题，提出基于变分模态分解（VMD）排列熵（PE）的变压器振动信号特征提取方法与天牛须搜索（BAS）优化支持向量机（SVM）的变压器绕组松动缺陷诊断方法。首先对一台实际110 kV变压器设置不同松动状态，采集绕组正常与不同松动程度状态下振动信号；其次，采用变分模态分解结合排列熵进行变压器绕组松动缺陷特征提取；再次，采用天牛须搜索优化支持向量机算法进行绕组松动状态模式识别。最后将该方法与传统方法进行对比，结果表明，VMD分解效果优于当前主要采用的经验模态分解，排列熵量化故障特征效果优于多尺度排列熵、近似熵等时间序列复杂度计算指标，BAS-SVM运算时间及诊断正确率优于网格搜索优化SVM、遗传算法优化SVM等优化算法；所提方法在所进行的60%～110%额定电流状态试验下变压器绕组松动故障诊断准确率达到98.7%以上。     

基于广域录波数据和FCM聚类的电网故障诊断方法

断路器和保护设备存在误动和拒动的可能性,不正确的动作会引入错误的故障信息干扰电网故障诊断。针对上述问题提出了一种基于广域故障录波数据和模糊C均值(FCM)聚类的电网故障诊断方法。对母线、输电线路和变压器这3种电网元件的故障录波数据进行挖掘分析,从中提取能够有效区分故障元件的特征;建立基于模糊C均值聚类的电网故障元件诊断模型。对故障后的元件进行聚类分析,并计算各元件的故障可信度,最终确定故障元件。新英格兰39节点系统的仿真和实际算例表明所提方法能够快速准确定位故障元件且不受故障类型和位置的影响。     

基于多输出衰减径向基函数神经网络的电网故障诊断

为提高电网故障诊断神经网络模型的构建速度,提出了一种基于多输出衰减径向基函数（Multi-output Decay Radial Basis Function, MDRBF）神经网络的故障诊断方法。DRBF神经网络不需训练即能以任意精度一致逼近任意连续多变量函数。介绍了单输出DRBF（Single-output DRBF, SDRBF）神经网络,分析了其存在的不足,即只能处理单输出变量问题,不能直接应用于电网故障诊断。在此基础上,根据电网元件的故障特点,提出了将SDRBF神经网络演变为多输出DRBF（Mu     

基于粗糙集理论的故障诊断决策规则提取方法

为了在故障诊断信息不一致的情况下提取简单有效的诊断规则，提出了一种基于粗糙集理论的决策规则提取方法。该方法从定义的故障诊断决策系统出发，将故障诊断问题用一个具有不同简化层次的决策网络表示，在引入诊断决策规则的覆盖度概念后，推导出每个网络节点的诊断决策规则集。在应用网络进行故障诊断时，用待诊实例的信息与网络中相应节点的诊断决策规则集进行匹配，即使在故障诊断信息不完备的情况下，也能得到正确的诊断结果。以某往复机械故障为例验证了该方法的有效性。     

基于大数据挖掘技术的智能变电站故障追踪架构

文中提出了一种基于大数据平台的电网故障追踪方法,将故障诊断数据源延展至变电站层,利用Spark作为大数据处理工具对各类故障信息进行处理,有效地解决了海量监控数据的管理问题。通过数据挖掘技术对故障信息进行分析,找到故障元件的同时能够运用决策树对保护或断路器的不正确动作进行反向追踪,给出故障原因,使电网故障诊断的功能得到进一步优化。相比于目前依靠事故级报警信息的电网故障诊断,所提出的方法能够有效利用变电站层的各级监控数据,对故障做到追本溯源。     

基于时序信息的模糊Petri网电网故障诊断方法

为提高电网故障诊断的准确性,充分利用报警信号的时序信息,研究一种基于时序信息的分层变迁模糊Petri网故障诊断方法。首先,建立分层变迁加权模糊Petri网(WFPN)故障诊断模型;其次,构建元件、保护和断路器之间的时间关联特性(TAC),进行时间关联一致性检查;最后,通过模糊推理进行故障诊断,并对保护和断路器异常行为进行评判。通过典型电网算例推理验证,结果证明该方法不仅能够提高故障诊断的准确性和容错性,还能够判断保护和断路器的异常行为并推出元件故障发生时刻。     

基于GA-BRBPNN的航空自耦变压整流器故障诊断方法

航空自耦变压整流器(auto-transformer rectifier unit, ATRU)是飞机高压直流电网关键电能变换装置,在运行过程中受高 温、机械应力、荷载波动等因素持续影响,其内部元件可能出现相应故障,进而威胁飞机可靠运行及持续适航。 针对 ATRU 整流 部分故障信号频谱难以区分、诊断准确率不高问题,提出一种遗传算法(genetic algorithm,GA)与贝叶斯正则化反向传播神经网 络(Bayesian regularisation back propagation neural network,BRBPNN)相结合的故障诊断识别方法。 首先,实现 ATRU 故障仿真, 以时频分析方式处理所得信号,从而挖掘不同故障状态的特征信息;随后采用 GA 算法优化 BRBPNN 初始权阈值并建立最优 GA-BRBNPNN 诊断模型,将特征样本输入诊断模型进行故障分类识别,测试模型性能;最后,搭建故障模拟实验平台对实测数 据进行模型验证。 实验结果分析可知,对于仿真故障,该模型诊断准确率可达 99. 46%,对于实测故障,该模型可全部诊断识别 待测样本;由此表明提出的 GA-BRBPNN 优化模型诊断效果好,具有较高实用价值。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

A fault diagnosis method for power systems based on temporal tissue-like P systems

To quickly and accurately identify faulty components based on the alarm information is critical for the fault diagnosis of power grids. To address this challenge, this paper proposes a novel fault diagnosis method based on temporal tissue-like P system (TTPS). In the proposed method, suspected faulty components are identified first via a network topology analysis method. An TTPS-based fault diagnosis model is then built for each suspected faulty component to perform fault reasoning, so as to accurately detect the faulty components. To take full advantage of the action signals and temporal information of protection devices, TTPS and its forward temporal reasoning algorithm are proposed. TTPS can synchronously model the action and temporal logics of protection devices in an intuitive and graphical way, while the reasoning algorithm can process the fault alarm information in parallel. To demonstrate the effectiveness and superiority of the proposed method, simulations are carried out on the IEEE 14-bus and 118-bus systems, while the results are compared to other two widely adopted methods.     

An adaptive PMU based fault detection/location technique fortransmission lines. I. Theory and algorithms

An adaptive fault detection/location technique based on a phasor measurement unit (PMU) for an EHV/UHV transmission line is presented. A fault detection/location index in terms of Clarke components of the synchronized voltage and current phasors is derived. The line parameter estimation algorithm is also developed to solve the uncertainty of parameters caused by aging of transmission lines. This paper also proposes a new discrete Fourier transform (DFT) based algorithm (termed the smart discrete Fourier transform, SDFT) to eliminate system noise and measurement errors such that extremely accurate fundamental frequency components can be extracted for calculation of fault detection/location index. The EMTP was used to simulate a high voltage transmission line with faults at various locations. To simulate errors involved in measurements, Gaussian-type noise has been added to the raw output data generated by EMTP. Results have shown that the new DFT based method can extract exact phasors in the presence of frequency deviation and harmonics. The parameter estimation algorithm can also trace exact parameters very well. The accuracy of both new DFT based method and parameter estimation algorithm can achieve even up to 99.999% and 99.99% respectively, and is presented in Part II. The accuracy of fault location estimation by the proposed technique can achieve even up to 99.9% in the performance evaluation, which is also presented in Part II     

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。