共查询到20条相似文献,搜索用时 15 毫秒
1.
光伏电站故障频发,影响发电效率.而相对于正常运行数据,电站故障数据较少,导致故障检测精度不高.针对这个问题,提出了一种基于AFCM(alter-native fuzzy C-means)-SMOTE(synthetic minority over-sampling technique)算法与随机森林算法相结合的光伏电站故障诊断方法.用AFCM-SMOTE算法对故障样本进行处理,生成"人造"样本,用"人造"样本训练随机森林算法,最终实现对光伏电站故障的检测.实验结果表明,AFCM-SMOTE算法很好地解决了随机森林在光伏故障检测应用中因为故障样本数据少导致分类不精确的问题,提高了故障诊断的准确性. 相似文献
2.
新能源电站运行数据量大、运行工况多变,发电机组的故障诊断难度较大。为此,提出了一种基于改进SVM算法的新能源电站故障诊断方法。首先,对SVM(支持向量机)的概念和原理进行了分析,并采用多元SVM分类器对SVM进行优化;然后,研究了光伏电站和风电站的故障信号提取和故障特征分析方法,并在此基础上提出了故障诊断模型;最后,从实际新能源电站获取样本数据,构建了基于决策级融合的改进SVM故障诊断模型,并将故障特征向量输入模型进行训练。结果表明,针对光伏电站的故障诊断准确率达到了97.5%,风电站的故障诊断准确率达到了98.09%,验证了该方法的准确性。 相似文献
3.
4.
为实现对电站发电量的精准估计与测算,引入改进深度学习算法,以某光伏发电站为例,进行发电量精准估计方法的设计研究。计算光伏电站太阳辐照量,收集光伏电站功率、电流、电压等发电数据以及太阳辐射强度、温度、湿度等相关气象数据,并对收集到的光伏电站发电信息进行预处理;为排除光伏组件损失对发电量估算的影响,先进行光伏组件损失分析,再以此为依据对光伏电站发电量进行估计。实例应用结果表明该设计方法在应用中可以有效控制光伏电站发电量估计误差,提高发电量估计值的准确性与可靠性。 相似文献
5.
针对支持向量机不平衡样本分类倾斜性问题,提出一种欠采样支持向量机分类器。构建包含少类样本的最小封闭超球体,计算各个多类样本到包含少类样本最小封闭超球体球心的距离,利用该距离对多类样本进行欠采样,产生新的训练集,实现训练集的平衡。该方法和其他不平衡分类方法在基准数据集的分类结果表明该方法在识别率和分类速度方面的有效性。将该方法应用于永磁同步电机驱动电路功率开关管开路故障诊断中,结果表明该方法缩短故障分类器的训练时间,提高了故障分类器的泛化能力和诊断速度。 相似文献
6.
7.
8.
肖晓晖 《电子测量与仪器学报》2019,33(5):57-64
为提高支持向量机(SVM)在模拟电路故障诊断中的精度,对果蝇优化算法(FOA)进行改进,提取了一种基于改进果蝇优化算法优化SVM的模拟电路故障诊断方法。改进果蝇优化算法(SHFOA)在FOA算法中增加了"学习历史"的策略,增强了果蝇种群的多样性和算法跳出局部最优的能力,可以获得更优的SVM参数,有效地提升了SVM的分类性能。Sallen-Key低通滤波器电路故障诊断和工程应用验证了SHFOA算法提升了SVM的识别效果,获得了更高的故障诊断精度,相比于其他一些方法更有优势。 相似文献
9.
以某西南电网变电站出现的4种故障的实测数据作为数据集,针对高压直流输电(high voltage direct-current, HVDC)系统的故障诊断设计出一种基于集成学习(ensemble learning, EM)的故障诊断方法,显著提升了故障诊断的速度、精度和鲁棒性。首先,对4类故障数据进行数据预处理,同时对故障数据的特征进行提取并完成训练,使用故障数据标签对故障数据集进行均分权重。然后,计算当前弱分类器对带权重数据集的分类误差,并计算当前分类器在强分类器中的权重。最后,更新训练样本权值的分布得到强分类器,根据训练好的模型对不同数据集下的故障类型进行辨识实验。通过与BP神经网络故障诊断模型对比,所提出的方法在多组测试中可以达到89%以上的诊断准确率,错误率较低并且鲁棒性强,有利于HVDC系统的故障识别和快速诊断。 相似文献
10.
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。 相似文献
11.
12.
针对滚动轴承诊断中难以获得大量故障样本的问题,拟结合迁移学习的思想,提出了一种基于迁移学习的多变量预测模型(TVPMCD)方法。该方法首先采用已知样本库建立基础变量预测模型(BVPM);然后利用少量的目标域已知样本更新基础变量预测模型,使得更新的基础变量预测模型能兼顾目标域已知样本的信息;同时,以目标域已知样本的判别误差最小为目标,剔除已知样本库中误识样本,建立迁移变量预测模型(简称TVPM);最后利用迁移变量预测模型对待测样本进行识别,从而可以有效地解决小样本的故障诊断问题。对滚动轴承数据的分析结果表明,适合于小样本的TVPMCD模式识别方法可以更快更准确地识别滚动轴承故障类型。 相似文献
13.
14.
15.
17.
基于改进PSO-BP混合算法的电力变压器故障诊断 总被引:3,自引:1,他引:3
将改进的粒子群优化(PSO)算法与误差反向传播(BP)算法相结合构成混合算法训练人工神经网络。改进的PSO算法中,惯性权重从最大到最小线性减小,以平衡局部和全局搜索能力,并将类似“选择”的概念引入PSO算法,使该算法更好地协调全局和局部搜索能力,有利于更快寻找到全局最优点。该算法有效地解决了常规BP算法学习网络权值和阈值收敛速度慢、易陷入局部极小和GA算法独立训练神经网络速度缓慢等缺点。将该算法应用于变压器故障诊断,仿真结果表明了该算法具有较快的收敛速度和较高的计算精度,满足电力变压器故障诊断的要求。 相似文献
18.
基于小波分析和随机森林算法的变流器电路故障诊断研究 总被引:1,自引:0,他引:1
针对变流器电路中电力电子器件的故障特性,利用小波分析对采集的数据进行去噪,运用随机森林算法对变流器电路故障类别进行诊断,并与单一随机森林故障诊断方法进行对比。仿真与实验结果分析表明,提出的方法在变流器故障诊断中具有较强的抗噪能力和较高的正确诊断率,尤其在干扰噪声较大时效果明显,在实际工程解决变流器电路故障诊断问题上具有良好的实用价值。 相似文献
19.