基于COMSOL的干式变压器故障诊断

干式变压器是一种重要的电力设备，广泛应用于电力系统和工业领域。传统的干式变压器故障检测方法主要依靠人工巡检和手动诊断，存在着准确性低、效率低、依赖性强等问题。随着机器学习技术的快速发展，基于机器学习的干式变压器故障识别方法逐渐得到了广泛应用。基于COMSOL Multiphysics软件的有限元分析方法，对干式变压器进行模型构建、网格划分和温度场仿真。使用仿真计算得到的数据进行机器学习训练集和测试集的制作。分析了机器学习多分类算法并对数据处理及分类准确率进行了比较分析。分析并研究了对支持向量机模型参数进行了遗传算法优化的故障识别方法，准确率可达96.00%，在对比传统支持向量机聚类方法上，准确率提高了11.63%。     

网络故障管理中的自动告警关联

研究了故障管理中的故障定位，提出了一套新的、完整的告警关联方案。告警的时间关联中采用了模糊逻辑推理事件之间的最佳时间关系。对关联窗口的选择进行了讨论，提出了一种新的关联窗口选择方法以保证故障的告警集合的完整性，并证明了其有效性。告警的聚类关联采用依赖关系图模型，给出了一种最大公因数贪心算法。通过分析对比该算法与完全搜索算法和传统贪心算法的复杂性，证明了其在故障告警域重叠度较小情况下的有效性。     

序列模式挖掘在通信网络告警预测中的应用

告警预测是保证整个网络的稳定性和可靠性的技术之一。现有的告警预测技术存在未考虑告警数据的时间顺序、难以获取先验知识等缺陷。由此,提出了一种基于拓扑约束的序列模式挖掘方法以发现有意义的告警序列模式。该方法主要考虑网络节点之间的拓扑连接关系,将其作为告警序列模式挖掘的约束条件;并且为了发现非频繁重大告警模式,改进了序列模式挖掘的剪枝操作,将包含重大告警的序列模式直接保留。实验结果表明,采用基于拓扑约束的序列模式挖掘方法挖掘出的告警序列模式可以提高网络告警预测的精度和效率,并 能较准确地预测 非频繁的“重大”告警。     

基于BP网络的移动通信网络告警多级筛选算法

本文通过分析移动通信网络中无线、交换、传输故障告警数据的分布模型和特点,提出了一种基于BP网络的多级告警筛选模型。该模型在实时采集移动通信网络中告警数据的基础上,通过对告警数据的过滤和预处理将告警数据归一化,并使用二进制编码机制将告警数据编码为可使用神经网络进行处理的类型,进而通过使用高斯感知器对告警数据进行预分类,有效降低BP网络需要处理的故障告警数据量,最后通过利用BP网络的自适应特点和模式识别能力,对告警进行模式识别分类,定位主要故障点,提高了移动网络告警的监控效率和网络的稳定性。     

PLC硬件结构的水电站故障监测系统及故障识别

针对现有水电站故障监测系统识别效率低、工作难度大等问题,提出了一种基于巡检机器人视觉识别的故障监测方法,并将其应用于水轮机调节系统故障诊断问题;通过可编程逻辑控制器保证巡检机器人的稳定工作运行,通过非线性输出频率响应函数分析故障参数的特性;利用方向梯度直方图作为模板,采用可变形组件模型算法实现HTGS的故障识别;试验表明,该研究方法处理2 GB故障数据所耗时间为40 s。     

基于数据挖掘的网管告警处理方法研究

为了方便电力行业网管人员能够快速的从这些告警中找到有用信息,迅速的定位设备故障。本文设计了由接口告警采集、故障处理系统、告警相关性分析模块等构成处理框架。采用过滤告警、补全缺值数据、去重等方式进行数据预处理。通过告警发现和相关性分析机制实现告警的匹配和识别,利用基于关联规则的方法对告警信息挖掘。采用本文设计的方法,能够有效的实现网管系统的告警信息的挖掘分析,提高网管的效率。     

基于终端数据的电信承载网异常节点定位方法

随着电信IPTV业务的高速发展，承载网规模不断扩大，设备故障运维难度逐渐增大。当设备发生故障时，如何在大规模网络中对故障节点进行快速定位已成为运维方面的重大挑战。目前承载网设备故障告警主要依赖于设备性能日志，误告较多，且无法适应大规模网络故障定位。因此借助Spark等工具，提出一种基于终端数据的异常节点定位方法，结合网络拓扑初步实现阈值告警。并进一步以设备相关性和可靠性为分析基础，将告警过程产生的大量虚假告警进行清洗，提高故障定位精确率。实验结果表明，在承载网故障定位中该方法精确率能达到89%，具有较高实用价值。     

浅析分布式数据中心运营支撑平台建设及应用

随着国家电网公司分布式数据中心建设数量的不断增加,受困于分布式机房的规模、距离等客观因素,运维人员疲于奔波应付巡检和故障检修,导致分布式数据机房运维效率低下,运维人员工作量日益加大.为了提升分布式数据中心监控管理和故障处置能力,该文将研究一套分布式数据中心统一运营支撑平台,通过对数据中心机房设施进行统一管理,对故障告警...     

基于关联规则的通信网络告警相关性分析模型

在通信网络运行过程中．每天都会产生大量告警，将数据挖掘中的关联规则发现技术用于分析历史告警数据，可发现告警相关性规则。这些规则可辅助故障定位和告警过滤，以减轻网络管理员的工作强度，提高工作效率。本文分析了通信网络原始告警信息的特点，提出了一个基于关联规则的通信网络告警相关性分析模型，该模型通遏对原始告警数据进行预处理，不仅有效地解决了网络告警时间不同步问题，使得处理后的告警数据可直接用一般的关联规则挖掘工具发现告警相关规则，还大大地压缩了挖掘结果，提高了规则的准确率。初步的实验表明这种分析模型具有实用价值。     

基于双约束滑动时间窗口的告警预处理方法研究

在通信网告警相关性分析中,针对传统时间窗口提取告警数据效率低的问题,提出了一种基于双约束滑动时间窗口的告警预处理方法.在双约束的条件下,滑动时间窗的窗口宽度和滑动步长能够根据告警序列的实际情况自动地调整,并选取时间段的中点作为参照点.实验证明,采用双约束滑动时间窗划分算法可以获得比传统方法更高的数据提取效率,并且能够有效去除噪声数据,非常适合于通信网告警数据的预处理.     

基于WSN和数据融合技术的电力变压器故障诊断系统的研究

探讨一种基于数据融合和可拓理论的电力变压器故障诊断方法,基于此方法,应用无线传感器网络技术和.NET开发平台构建和开发出一套电力变压器故障诊断系统。该系统将WSN技术用于电力变压器油中溶解气体的无线数据采集,实现变压器油中溶解气体的实时数据采集和传送;同时运用信息融合技术对数据进行优化处理,既可以降低网络能耗又保证了数据的准确和客观;在变压器进行故障诊断时,针对现有电力变压器故障诊断的气体比值法存在的编码规则不完整、诊断故障类型单一等缺陷,使用可拓诊断方法,定量与定性相结合,使变压器故障诊断方法更为精细化。在线故障诊断可视化系统可以实现变压器油中溶解气体参数的采集、显示、分析、存储和回放等功能,实现对变压器故障信息的实时分析与自动诊断,既解决了作业人员远程实时监测变压器运行状态问题,又大大提高了变压器故障诊断的性能,为变压器在线监测和故障诊断技术提供新的发展方向。     

基于正交信号修正与高效偏最小二乘的质量相关故障检测方法

偏最小二乘(PLS)是一种广泛应用于多变量统计过程监控中的有效算法,高效偏最小二乘(EPLS)是近年提出的一种PLS改进算法,在质量相关故障检测中具有良好的检测效果,但当测试数据含有质量无关故障时,EPLS算法的误报率偏高,可能导致误报警,对工业过程中的故障检测有较大影响.为降低检测质量无关故障的误报率,将EPLS结合4种正交信号修正(OSC)方法提出4种OSC-EPLS算法.用质量无关故障样本建立OSC模型对在线监测数据进行预处理,将处理后的信息用EPLS算法进行故障检测,误报率明显降低.最后结合田纳西-伊斯曼工业过程,应用OSC-EPLS、PLS、EPLS算法进行故障检测,分别比较误报率和有效报警率的大小,体现所提出算法在故障检测中的优势.     

基于深度学习的变压器故障诊断方法研究

油中溶解气体分析方法（DGA）是变压器内部故障诊断的重要方法,广泛应用在变压器在线监测和定期试验检测中,传统的特征气体法和三比值法等诊断方法在实际应用中普遍存在着一定的局限性,导致故障诊断精度偏低。针对这一问题,本文提出了一种基于深度学习技术中的多层感知机的变压器故障综合诊断方法,利用开源的Scikit-learn 机器学习框架及TensorFlow深度学习框架构建了变压器故障诊断模型,并应用实际工程中的故障样本数据,对故障诊断模型进行了训练和测试。试验结果表明,基于多层感知机技术的变压器故障诊断模型能够对变压器故障进行正确诊断,与传统的三比值法及支持向量机技术相比,多层感知机的诊断准确率更高,具有更优的故障诊断性能,能够为变压器的检修提供更为准确的参考信息。     

基于大数据的变压器油中溶解气体关键状态量动态预警研究

针对传统方法难以解决变压器故障诊断中精确度不高、无法实现故障预警的问题,本文利用大数据分析方法,提出一种变压器油中溶解气体关键状态量动态预警方法.该方法采用了高斯混合聚类模型对设备的正常、亚健康和异常状态进行评价,并利用了隐马尔科夫转移矩阵提取色谱演化过程的动态特征参量,实现了亚健康状态下变压器设备状态的短期预测,实现...     

输变电设备状态大数据分析应用探讨

随着电网数据急剧增加,传统的数据挖掘和分析方法已经不能适应当前智能电网的要求,而大数据分析为此提供了相应的实现手段。首先简述了大数据技术理论,并从输变电设备状态分析及应用的具体电网业务角度出发,开展数据整合、数据存储、数据计算、数据分析和结果可视化五部分工作;然后针对输变电设备历史缺陷数据和全过程技术监督的问题数据,应用主成分分析法和聚类算法,构建变压器设备缺陷特征分析模型,实现将设备缺陷内容归类特征贴标签,为电网运检人员提供相关决策的数据分析依据;最后介绍了开展输变电设备潜伏性故障关联预测研究的工作展望。     

基于混沌粒子群优化核极限学习机的变压器故障诊断方法

为提高电力变压器故障诊断的准确度,提出一种基于核极限学习机(KELM)的变压器故障诊断方法,利用混沌优化改善粒子群算法的全局寻优性能。该方法首先用KELM建立故障诊断模型,再利用改进后的混沌粒子群算法(CPSO)对KELM的参数进行优化。结合油中溶解气体分析法(DGA)获得样本数据,通过实例仿真结果对比分析表明,所用算法具有更高的诊断准确率,提高了变压器故障诊断的可靠性。     

变分自编码器在机械故障预警中的应用

由于往复压缩机、航空发动机等复杂机械振动信号呈现非平稳性,目前应用较多的单特征门限报警方法存在报警准确率低的问题。针对该问题,依据机械响应点的响应信号特点,提出一种基于变分自编码器的故障预警方法。该方法基于机械振动信号的高维特征参数,利用变分自编码器自学习出高维特征的统计分布模型,将正常工况模型作为基准模型,通过计算实时工况模型与基准模型间的差异度,并将其与自适应预警阈值相比较,实现故障预警。通过与单特征门限报警方法、基于状态子空间的预警方法进行比较,验证了该方法的优越性。实验结果表明,该方法能够提高机械故障预警的准确率并大幅提前故障的报警时间点,具有较高的时效性和较强的适应性。     

Analysis of fault detection method based on predictive filter approach

Model-based methods are most popular in fault detection and have received consid-erable attention in the past two decades[1,2]. Based on them, many kinds of detection al-gorithms have been developed for fault detection and diagnosis[3,4]. Usually those algo-rithms are adaptive algorithms or have adaptive structures including neural networks and neuro-fuzzy networks. But the errors in the models may decrease the robustness of the methods and increase the false alarm rate. A real-time predictive…     

基于改进GSP的电力通信告警关联挖掘研究

随着电力通信网络规模不断扩大,网架结构日益复杂,其网络告警产生的原因与机理也多种多样。面对繁多复杂的通信告警,需要减少对人工专家知识的依赖,提高故障定位的准确性和效率。论文分析了主流通信告警关联分析方法存在的不足,针对电力通信网络设备网元数量多、告警数据数量大等特点,将序列模式挖掘与网络拓扑约束相结合,有效提高了电力通信告警关联分析的效率和精度。通过算例分析,该方法对电力通信告警关联分析具有较好的适用性,对提升通信运维管理水平具有一定的实际意义。