基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法.针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法.以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较.仿真结果验证了两种故障识别方法的正确性和较好的准确性.     

基于交叉小波变换和主元分析的电力电子电路故障特征提取

针对现有电力电子电路故障特征提取特征量精确度不足、分类差异性不明显以及故障提取过程易受到噪声的影响等缺点,提出一种基于交叉小波变换和主元分析的电力电子电路故障特征提取方法。该方法首先采用交叉小波变换分析故障信号,然后得出表征交叉小波谱图特性的特征量矩阵,最后利用主元分析方法降低特征量矩阵维数,剔除特征向量中的冗余信息。通过BP神经网络进行的故障诊断仿真测试,其诊断准确率达98.2%,证明了该方法的准确性。     

基于HS-PF的电力电子电路故障预测方法

提出了一种基于混杂系统建模和粒子滤波预测算法的电力电子电路故障预测方法。针对电力电子电路混杂特性,建立了描述电力电子电路故障变化的状态空间模型,同时采用粒子滤波预测算法,通过粒子迭代估计当前时刻系统状态和缓变参数的变化趋势。通过分析BUCK电路的工作状态,阐述了选择输出纹波电压作为电路故障判据的理由。仿真实验证明了本文方法的有效性。     

小波包分析和BP神经网络在滚动轴承故障模式识别中的应用

根据滚动轴承振动信号的不同故障模式在频域能量分布中的差异性,提出了基于小波包分解与重构和BP神经网络的轴承故障模式识别技术。论文首先对轴承振动信号进行小波包三层分解,完成了振动信号在空间的完整拆分,同时得到了第三层由低频到高频的小波包分解系数,再依据小波包分解系数分别重构各频段的信号,并提取信号各频段的能量。然后利用信号各频段的能量组成的特征矢量作为BP神经网络的输入样本,对BP神经网络进行训练,获得不同故障模式识别网络模型,最后利用测试数据对建立起来的BP神经网络模型进行检验,通过BP神经网络判别滚动轴承的故障类型。实验结果证明,采用小波包分解与重构和BP神经网络相结合的方法可以比较准确地识别滚动轴承的故障。     

基于神经网络的电力电子电路故障诊断

提出采用基于波形直接分析的神经网络故障诊断方法实现电力电子电路在线故障诊断，以三相整流电路为例，选用ＢＰ网络对其进行了有效故障诊断。仿真实验表明，其方法是有效的。     

基于新型小波神经网络的电力故障回放技术

在已有小波神经网络研究的基础上,从小波库中抽取最优小波包基作为神经元激励函数,并由时频逼近原理确定网络结构和结点个数;采用速度跟踪粒子群优化训练网络权值,克服了传统学习算法收敛速度慢和易陷入局部极小的缺陷.介绍了该网络的结构设计和参数训练方法,利用仿真实验证明其能够精确和快速地逼近非线性系统,并将该网络应用于电力故障回放装置中功率放大部分的系统辨识,建立装置的输入输出模型,根据模型输出和理想放大值确定修正值表,对故障录波数据在数字域内修正后再投入装置进行故障回放测试,有效解决了回放波形的非线性失真.     

诊断电力电子电路故障的一种新方法—基函数法

本文提出了一种电力电子电路故障的在线诊断法。电路的输出波形可以看成由若干段的基本曲线组合而成。这些基本曲线的解析式称之为基函数,可以用相应的矢量表示,因而各种故障波形(正常可看作一种故障特例)可用相应的矢量序列来表示。根据相应于不同序列的语句。就可诊断出该语句所代表的故障属性。     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系。针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数。将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据。通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率。     

基于加权小波神经网络的油浸式电力变压器故障检测

分析变压器油中溶解气体含量进行变压器故障诊断的关键是找到油中溶解气体含量和故障之间的非线性关系.针对已有检测方法诊断准确性不高的问题,提出不基于Fourier变换,而是利用细分的方法构造一类新的具有加权性质的小波函数.将小波函数作为前馈神经网络的隐含层函数并优化网络的学习率,构造出加权小波神经网络处理变压器油中溶解气体含量数据.通过实际故障数据验证,此方法较已有的诊断方法准确性更高,在同等计算精度下速度更快,进而提高了变压器故障诊断的效率.     

基于LS-SVM的电力电子电路故障预测方法

针对现有电力电子电路故障预测技术的不足,提出将电路特征性能参数和最小二乘支持向量机(least squares support vector machine,LS-SVM)预测算法结合,对电力电子电路进行故障预测.以Buck电路为例,选择电路输出电压作为监测信号,提取输出电压平均值及纹波值作为电路特征性能参数,并利用L...     

基于小波分析及网络的电力电子电路故障诊断方法

针对电力电子电路故障,结合小波多分辨分析,将信号的特征提取作为网络的第一层,用小波函数代替普通神经网络中的S函数,提出了函数型和权值型两种不同的4层小波神经网络方法,给出了相应的数学模型和学习算法。以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路的故障诊断,并与用普通BP网络诊断的结果进行了比较。仿真结果验证了两种方法的正确性。     

基于粗糙集-神经网络系统的电力电子电路故障诊断

基于粗糙集理论RST(Rough Set Theory)与BP神经网络系统,提出了电力电子电路故障诊断的方法：粗糙集-神经网络系统相结合的方法。叙述了粗糙集-神经网络系统诊断电力电子电路的过程。以三相可控整流电路为例,对故障信息中样本的故障征兆进行数据预处理,通过知识约简,形成诊断的确定性规则,实现故障分类;然后将粗糙集的分类结果与故障信息中的输出电压Ud采样值作为神经网络的输入,实现故障元的定位。仿真实例表明,该方法不仅准确可靠,而且提高了系统诊断的速度。     

基于分形神经网络的电力电子电路故障诊断

针对电力电子电路的故障,分析了故障产生的特征类型,提出了基于分形理论及BP网络故障诊断的方法。以三相整流桥路为例,利用分形理论建立了故障元与分形维数之间的关系,对故障信息做预处理。通过仿真试验提取出用于BP神经网络训练的学习样本,并构建了用于不同类故障的三层BP神经网络结构,继而确定故障点。     

小波网络在故障诊断中的应用研究

为了更好地提取电器产品的故障特征信息 ,提高诊断结果的可靠性和准确性 ,对用于故障诊断的小波网络模型的原理及构造进行了分析研究 ,并对特征向量的选取和网络功能进行了介绍。     

基于多小波包和人工神经网络的电力系统故障类型识别

采用PSCAD/EMTDC仿真500 kV高压输电线路不同工况下的故障.先对采集到的故障电流信号进行适当的多小波包分解,并计算各频带的能量,然后构造信号的多小波包特征向量,并以此向量作为训练样本对BP神经网络进行训练,当输电线路发生故障时,将提取的故障电流信号的多小波包能量特征向量输入训练好的BP神经网络,即可实现故障类型的识别.仿真结果表明采用多小波包提取的故障电流特征量比采用传统小渡包提取的特征量信息更丰富,对人工神经网络的训练效果更好,网络识别精度具有明显优势.     

基于小波分析与随机森林算法的电力电子电路故障诊断

提出一种基于Db6小波函数和随机森林算法相结合的电力电子故障诊断新方法.介绍应用Db6小波进行波形分解和提取故障特征量的方法与步骤,阐述随机森林算法决策树的生长和投票过程,应用随机森林算法设计出故障分类器,并将其应用于12脉波可控整流电路的故障识别.诊断结果表明,所提方法具有较高的正确诊断率和较强的抗噪声能力.在加入5%或10%的噪声情况下,该方法正确诊断率分别比DHMM诊断法高出2.87%和17.43%,在工程中具有实际应用价值.     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。     

多信息量分布式小波神经网络在电力系统故障测距中的应用

提出了一种利用单端多信息量的测距方案。该方案采用分布式小波神经网络．通过模块化设计,充分考虑了高压线路中影响测距精度的各个因素．并针对常规测距中对于线路始端和终端测距精度不高的缺点。给出了运用泛化层解决的方案。实现了高压输电线路的高精度测距要求。该方案可以避免常规方案中出现伪根．迭代不收敛．以及消除对端系统运行方式和助增电流影响导致测距误差大等不足。该方法可以根据现场运行数据进行训练。具有再学习的能力。ATP和Matlab仿真表明．该方案测距精度高．适应性强．性能可靠。