基于提升小波变换和SVM的模拟电路故障诊断

故障特征提取和分类器设计是模拟电路故障诊断的两个重要环节,为了提高模拟电路故障辨识的准确率,提出了提升小波变换与支持向量机相结合的故障诊断方法。根据提升小波变换的原理,提取被测电路单脉冲响应信号的小波系数构成故障特征,建立以支持向量机为分类器的故障诊断系统。该方法对两个滤波器电路的故障诊断取得了满意的效果,在故障模式较多的情况下故障分类的精度达到了99%以上,优于传统的小波方法。     

一种基于振动信号的高压断路器故障诊断新方法

提出一种以小波包特征节点最大系数为特征向量、利用支持向量机状态分类的断路器故障诊断新方法。首先利用小波包分解振动数据,提取状态变化敏感节点作为特征节点形成分解树,利用敏感节点重构完好状态振动信号,并以此作为当前大多断路器诊断系统中使用的指纹信号;同时提取特征节点最大系数形成特征向量,作为支持向量机的输入向量,使用"一对其余"策略进行特征分类。经高压断路器无负载振动信号测试,该方法检测高压断路器故障简单、准确,在实际分析中取得良好诊断效果。     

基于小波包分析和支持向量机的异步电机转子断条故障诊断

提出了一种基于小波包分析(WPA)和支持向量机(SVM)的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量(1±2s)f进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响。采用多个最小二乘支持向量机组成故障分类器,兼顾了训练误差和计算效率,将故障特征向量输入支持向量机进行训练,从而实现在小样本情况下转子断条故障的在线识别。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和SVM构成的诊断系统,具有良好的分类能力和泛化能力,有效提高了异步电机转子断条故障在线诊断的准确率。     

基于支持向量机的逆变电源故障诊断

针对基于支持向量机的逆变电源故障诊断进行了研究。使用自行设计的变频电源模拟逆变器各种故障状态,分别采集了常态和各种故障状态下的电压信号,并进行波形和谐波分析。并在MATLAB中搭建了逆变电源的仿真电路用来验证实际电路实验。在电压波形和谐波分析的基础上,研究一种根据电压波形特征进行逆变电源故障诊断的方法,即采用支持向量机分类的方法对逆变器的故障状态进行分类。仿真实验和真实试验验证了基于支持向量机的逆变器故障诊断方法的有效性。     

基于支持向量机的电力电子电路故障诊断技术

提出一种利用小波包分析获取电力电子电路故障特征和基于支持向量机状态分类的电力电子电路故障诊断方法。首先讨论小波包故障信号特征提取和支持向量机(support vector machine,SVM)的多值分类算法,重点研究一种改进的支持向量机的"一对多"故障分类算法,实现对十二脉波可控整流电路中晶闸管断路故障的诊断。实验结果分析表明,该方法能准确对电力电子电路进行诊断和故障元定位、诊断精度高,该方法在解决电力电子电路故障诊断问题上有着很好的实用价值和应用前景。     

笼型异步电动机转子断条故障诊断方法

针对笼型异步电动机发生转子断条故障时,用于判定故障类型及其严重程度的定子电流信号中的边频信号容易被主频信号所淹没的问题,研究了一种基于Hilbert变换和支持向量机理论的笼型异步电动机断条故障诊断方法。首先进行了详细的理论推导,为该方法在断条故障诊断中的应用奠定了基础。然后设计并完成了一系列断条故障试验,取得了真实有效的故障数据。最后,将该方法应用于试验数据的分析与处理,结果表明Hilbert变换能有效提取到断条故障时定子电流信号中的故障特征量,而采用这些特征量训练得到的支持向量机分类模型则能在故障样本有限的前提下实现最优分类,将二者结合起来用于断条故障诊断的准确率高达98%。     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法。先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型。仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果。     

基于协同滤波器和支持向量机的HVDC系统故障诊断

提出一种基于协同(consensus)滤波器和支持向量机的HVDC系统故障诊断方法。由于随机噪声的干扰,测得的输电线路中直流电压信号无法直接用于故障的检测,使用协同滤波器对多个传感器测得的直流电压信号进行滤波,然后将滤波后的结果用来构建故障检测滤波器,检测故障的发生。为更好的对检测出的故障进行分类,有效提取故障特征,对直流电压波形进行S变换。变换后的特征量作为支持向量机(support vector machine,SVM)的输入,建立系统故障诊断模型,并比较不同参数下的SVM模型性能。仿真结果表明,故障检测有效,且对不同的故障能正确的进行分类。     

一种模拟电路故障诊断方法的研究

基于模拟电路发生故障会导致电路信号小波包系数某种对应改变以及神经网络非线性逼近的特点,提出了一种基于小波包变换和神经网络的模拟电路故障诊断方法.先仿真得到正常和故障状态下的输出电压信号,然后对输出电压信号进行Haar小波包变换并提取小波包系数,并对各频段小波包系数变化值的能量进行归一化处理提取故障特征量,最后利用故障特征矢量训练神经网络确定模拟电路故障诊断的神经网络模型.仿真结果表明基于小波包变换和神经网络的模拟电路故障诊断方法取得了较好的效果.     

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。     

牵引馈线自适应重合闸技术研究

就牵引馈线的自适应重合闸问题展开研究,提出了应用小波变换与人工神经网络相结合的方法来识别瞬时性故障与永久性故障,并应用Matlab软件进行了大量的仿真计算,仿真结果表明,应用小波变换与人工神经网络相结合的方法,故障识别的准确性较高,且没有误判现象。     

基于小波模糊网络的电厂汽轮发电机组故障诊断

针对传统故障诊断方法在汽轮发电机组振动类多重并发故障诊断中的局限性，提出了小波变换与模糊理论相结合的诊断方法。采用二进离散小波变换获取有效的故障特征向量，利用模糊诊断方程进行故障模式分类。通过选择足够的样本对故障诊断方程进行训练，将代表故障的信息输入训练好的诊断方程，由输出结果即可判定故障类型。实际应用表明该方法可以有效诊断汽轮发电机组振动类多重并发故障，诊断结果全面、准确。     

改进小波结合BP网络的风力发电机故障诊断

针对风力发电机早期故障时定子电流特征量难以提取的问题,提出了单子带重构改进小波变换结合BP神经网络的风力发电机故障诊断新方法。通过对风力发电机的定子电流进行单子带重构改进小波变换,消除了传统小波变换中的频率混叠现象;从小波变换后的子带信号中选取特征域、提取特征量作为BP神经网络的输入;在此基础上,结合BP神经网络的输入输出非线性映射能力,完成对故障的诊断和定位。经过仿真实验证实,该方法准确地实现了对风力发电机故障的诊断。     

基于小波能量统计法的HVDC换相失败故障诊断

将小波变换应用于高压直流输电系统换相失败的故障诊断中,基于多分辨率分析分别对不同故障情况下的直流电压、直流电流、交流电压和交流电流等暂态信号进行分解,提取每一层的特征;根据各层小波能量统计,定义2个故障诊断指标作为辨识各种故障的判据,并针对这2个指标分别设置4个阈值以诊断直流线路故障和不同原因引起的换相失败故障。仿真结果表明,该方法不仅能准确区分换相失败故障和直流线路故障,而且能判断引起换相失败的原因。     

小波阈值估计在电力系统故障信号消噪处理中的应用

考虑电力系统中噪声因素对故障检测与识别的影响,在分析了噪声信号的小波变换特性的基础上,提出一种基于小波系数的阈值估计方法.应用该方法对电力系统故障暂态信号进行消噪处理,从而更有利于故障的检测与识别.通过仿真实例说明,在消噪效果和计算量等方面,该方法比其它传统阈值算法更具优越性.     

基于小波变换和ANN的最佳重合闸时刻的研究

目前对于线路瞬时性故障的最佳重合闸时刻以离线计算为主,如利用能量函数法,但其计算困难,计算时间较长,在电力系统中不能满足实际运行条件变化的要求。文中提出了一种基于小波变换和人工神经网络（ANN）方法的在线寻求瞬时性故障最佳重合闸时刻的方法,只需较短时间就能计算出最佳重合闸时刻。首先利用MATLAB对电力系统故障进行仿真,把故障信号通过小波变换分解成不同尺度下的“近似”分量（approximation）和“详细”分量（detail）,并把提取的特征值作为人工神经网络的输入量,进行训练,从而找到最佳重合闸时刻。算例验证了所提出方法的有效性和准确性。     

边缘检测在HVDC系统故障诊断中的应用

为了及时分辨HVDC系统故障类型并快速恢复,对直流输电标准测试系统在各种故障,包括交流系统发生故障、逆变换相失败故障以及直流线路故障下的典型响应特性进行了分析。采用劋trous小波方法将行波信号分解成不同尺度下的小波面,其中包含了该尺度下细节信息,实现对故障的边缘检测;提出了3种故障判别准则,推出了模极大值能量的概念,并利用反射行波信号的小波变换模极大值的幅值、极性及模极大值能量等变化规律对不同HVDC系统故障进行诊断,实现逆变器换相失败和交流系统单相故障的识别。MATLAB仿真结果表明提出的方法能很好地完成HVDC系统的故障诊断。     

基于平稳小波变换的光伏直流串联电弧故障检测

光伏系统直流串联电弧故障具有随机性和隐蔽性的特点,且容易受到外部环境和光伏系统内部噪声的影响,难以检测。利用小波变换提取的电流时频域特征对电弧故障有很好的辨识度,但面临小波基选取的问题。在采集大量电弧故障数据的基础上,通过小波变换分析和对比实验,提出一种针对常用电弧故障特征指标提取的最优小波基选取方法。通过此方法确定bior4.4小波基为提取电弧故障特征的最优小波基,并由此构建基于bior4.4平稳小波变换的时频域特征。通过对比试验发现,基于bior4.4的时频域特征对电弧故障的辨识度明显提高,且表现出对正常噪声信号的抑制作用。为从多角度反映电弧故障特征,补充时域特征,并与时频域特征结合构成电流特征库,利用随机森林算法实现电弧故障的诊断。电弧故障检测准确率达到98.58%,正常信号的误判率仅为0.76%。     

Internal fault current identification based on wavelet transform in power transformers

This paper presents a novel approach for differential protection of power transformers. This method uses wavelet transform (WT) and adaptive network-based fuzzy inference system (ANFIS) to discriminate internal faults from inrush currents. The proposed method has been designed based on the differences between amplitudes of wavelet transform coefficients in a specific frequency band generated by faults and inrush currents. The performance of this algorithm is demonstrated by simulation of different faults and switching conditions on a power transformer using PSCAD/EMTDC software. Also the proposed algorithm is tested off-line using data collected from a prototype laboratory three-phase power transformer. The test results show that the new algorithm is very quick and accurate.     

Discrete wavelet transform and support vector machine‐based parallel transmission line faults classification

This paper presents a scheme for classification of faults on double circuit parallel transmission lines using combination of discrete wavelet transform and support vector machine (SVM). Only one cycle post fault of the phase currents was employed to predict the fault type. Two features for each phase current were extracted using discrete wavelet transform. Thus, a total of 12 features were extracted for the six phase currents. The training data were collected, and SVM was employed to establish the fault classification unit. After that, the fault classification unit was tested for different fault states. The power system simulation was conducted using the MATLAB/Simulink program. The proposed technique took into account the mutual coupling between the parallel transmission lines and the randomness of the faults on transmission line considering time of occurrence, fault location, fault type, fault resistance, and loading conditions. The results show that the proposed technique can classify all the faults on the parallel transmission lines correctly. © 2015 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.