输电线路故障层次化变步长Tsallis小波奇异熵诊断方法

为提高熵方法输电线路故障信号时-频域的特征提取能力,提出层次化变步长Tsallis小波奇异熵(Tsallis Wavelet Singular Entropy, TWSE)方法用于电力系统故障诊断。首先,对采集到的电压信号进行小波分解与单支重构,构建时-频矩阵;之后,将奇异值分解与Tsallis熵理论相结合,对该时-频矩阵求滑动步长为1的Tsallis奇异熵,确定故障发生时刻;然后,对故障发生后1周期内的三相电压重构系数求滑动步长为1/4周期的TWSE,构建用于故障诊断的特征向量;最后,将TWSE特征向量输入到极限学习机(Extremly Learning Machine, ELM)分类器中,实现输电线路故障诊断。仿真结果表明,新方法具有更好的故障暂态信号特征表现能力,且分类结果不受故障时间、过渡电阻和故障位置等因素影响,相较基于小波奇异熵的线路故障诊断方法具有更好的诊断效果。     

Tsallis小波包奇异熵与功率谱分析在电力谐波检测的应用

针对Shannon小波能量熵在电力谐波检测过程中的局限性,提出一种基于Tsallis小波包奇异熵与功率谱(PSD)分析结合的电力谐波检测新方法。从Shannon熵和Mallat算法理论入手,论证Shannon小波能量熵在电力谐波复杂度表征及频率辨析中存在的不足。在分析Tsallis熵与Shannon熵的区别与联系的基础上,将Tsallis非广延熵理论和小波包算法结合,构造具有非广延性的Tsallis小波包奇异熵。根据Tsallis小波包奇异熵对电力谐波复杂度的表征结果,对谐波信号进行分段PSD分析。理论分析及仿真结果证明:该方法在正确表征电力谐波复杂度的同时,能对电力谐波的具体频率和功率进行具体量化。     

基于小波包Tsallis奇异熵的磁浮列车辅助逆变器故障诊断研究

针对中低速磁浮列车辅助逆变器的绝缘栅双极性晶体管(insulated gate bipolar transistor,IGBT)开路故障,提出了一种基于小波包Tsallis奇异熵的故障诊断方法.首先,利用快速傅里叶算法对辅助变流器输出电流故障前后的频率成分进行分析,获取故障的基本特征;其次,对输出电流信号进行小波包分解...     

基于S变换和极限学习机的高压断路器机械故障诊断

机械故障是高压断路器最常见的故障,研究高压断路器机械故障诊断方法对于提高电力系统可靠性具有重要意义。为提高高压断路器机械故障诊断的效率,文中提出一种基于S变换和极限学习机(ELM)的高压断路器机械故障诊断新方法。首先,对高压断路器动作期间产生的振动信号进行S变换处理,获得相应的时—频矩阵;然后,对S变换模值矩阵进行时域和频域划分,计算振动信号在不同时段和频段的局部奇异值,并选择各子矩阵的最大奇异值作为故障诊断的特征向量;最后,采用ELM对高压断路器机械状态进行分类。对高压断路器在正常和故障状态下进行诊断实例测试,实验结果表明,该方法能够快速准确地识别断路器机械状态,具有较高的诊断效率。     

快速小波熵输电系统暂态信号特征提取研究

利用Shannon小波能量熵算法能够提取电力系统暂态信号特征,但其特征提取精度、抗干扰能力以及运算速度均存在不足。针对上述不足,基于提升插值小波和Tsallis熵理论,提出一种快速小波能量熵算法,并应用于输电系统暂态信号特征提取。以三能级系统复杂度统计为例,分析不同非广延参数q条件下Tsallis熵的非广延统计特性以及与Shannon熵之间的联系。引入提升插值小波代替Mallat小波算法,结合Tsallis熵理论构造快速小波能量熵算法,对新算法复杂度进行理论分析。以输电线路两种暂态电压信号为研究对象,对新算法暂态特征提取效果和运算速度进行测试。理论分析和实验证明,与传统Shannon小波能量熵相比,新算法不但能保证输电系统暂态信号特征提取精度、抑制小波混叠及噪声干扰,而且缩短了运算时间。     

基于核主元分析和极端学习机的轴承故障诊断方法

针对轴承故障诊断问题,提出了一种基于核主元分析和极端学习机的轴承故障识别方法。首先应用小波分析的方法计算轴承时域信号的小波系数能量作为原始特征,然后应用核主元分析方法对高维的原始特征进行优选和降维,最后将优选和降维后的特征应用极端学习机方法建立故障诊断模型,从而区分各类轴承故障。SKF6205滚动轴承故障诊断实验结果表明,核主元分析方法能较好地获取故障响应信号的本质特征,并可直观地描述出了各个故障的低维分布特征,可有效提高轴承故障的诊断正确率。     

基于LMD多尺度熵和极限学习机的模拟电路故障诊断

为了高速、高效的测试和诊断模拟电路,提出一种将局部均值分解(LMD)多尺度熵和极限学习机相结合的模拟电路故障诊断的新方法。该方法中,首先采用LMD将故障信号分解为若干个乘积函数(production function,PF);然后,求出各PF分量的多尺度熵并构造故障特征向量;最后,将特征向量输入到极限学习机中进行训练和测试。仿真实验结果显示采用该方法诊断时间只需0.028 74 s,诊断精度达到了98.89%。相较于其他3种方法有效减少诊断时间,提高故障诊断精度。     

基于Hankel矩阵的复小波–奇异值分解法提取局部放电特征信息

气体绝缘组合电器(gas insulated switchgear,GIS)在产生局部放电(partial discharge,PD)时,会向外辐射特高频(ultra-high frequency,UHF)电磁信号,有效提取UHF PD信号的特征信息可实现GIS的在线监测与故障诊断。针对UHF PD信号经过复小波变换后,层间奇异信息分布和层内奇异信息复杂度的差异性,采用二元树复小波变换(combined dual-tree complex wavelet transform,DT-CWT)和奇异值分解(singular value decomposition,SVD)相结合的信号处理方法,提取了UHF PD信号的特征信息。采用Birge-Massart阈值策略对DT-CWT分解后的复小波系数模值序列进行压缩,并构造复合矩阵,分析复合矩阵的奇异熵和复小波分解层数的关系,提出一种求解复小波最优分解层数的算法;利用最优分解层数下的压缩后的各高频系数模值序列构造Hankel矩阵,提取各Hankel矩阵的最大奇异值和奇异熵作为PD辨识的特征参量。结果表明:该特征可以有效识别4种典型绝缘缺陷,且识别率都到达了92%及以上。     

小波－奇异值分解在异步电机转子故障特征提取中的应用

针对电流信号中异步电机的转子故障特征分量经常被电源频率分量淹没而无法准确检测的缺点,提出了一种基于小波-奇异值分解的转子故障特征提取方法。通过连续小波变换将电流信号中的各特征频率分量转换到时频分布空间中,对该时频空间进行奇异值分解将各特征频率分量分解到不同的正交特征子空间中,对特征子空间的选择重构可以有效地滤除电源频率分量而提取出转子故障特征分量。模拟数据和实际故障信号的应用表明,该方法提供了一种可实际应用的异步电机转子故障诊断方法。     

改进OPELM在超声电机退化状态识别中的应用

压电陶瓷部件开裂是超声电机的主要故障模式之一,通过监测孤极信号能够有效地识别超声电机的退化状态。最优剪枝极限学习机(optimally-pruned extreme learning machine,OPELM)解决了极限学习机隐层节点无法准确确定的问题被较好地应用于模式识别中,然而OPELM采取多响应稀疏回归算法(multiresponse sparse regression,MRSR)对神经元进行排序时依靠两个神经元彼此间的相关性,使得计算耗费时间较长。借鉴矩阵奇异值分解的方法提出一种改进OPELM方法,奇异值作为一种能够反映矩阵属性的固有特征,利用其数值的大小对神经元进行排序能够大幅度缩减计算量。应用时首先对超声电机孤极信号采取经验小波变换(empirical wavelet transform,EWT)的方法提取其退化特征,然后将其输入至改进OPELM模型识别超声电机的退化状态,最后通过与ELM和OPELM的对比分析,验证了该方法的有效性。     

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。     

基于小波变换和CFA-LSSVM模拟电路故障诊断

为了提高模拟电路软故障诊断、识别的正确分类率,提出了一种提升小波变换和混沌萤火虫算法(CFA)优化LSSVM参数的模拟电路故障诊断方法。首先对采集到的被测电路输出电压信号进行提升小波变换;然后对变换后的数据进行因子分析法对优化处理,将经优化的数据作为不同模式的故障特征集;最后将所得故障特征集作为样本输入到CFA-LSSVM模型进行故障诊断。实验结果表明,该方法的故障诊断正确率达到了98%以上,提高了诊断性能,可适用于模拟电路的故障诊断。     

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。     

基于小波包变换和SVM的三电平逆变器故障诊断

针对中性点箝位型(NPC)三电平逆变器开路故障诊断计算复杂、准确率低等问题,提出一种基于小波包变换和支持向量机(SVM)的故障诊断方法。采用小波包变换将具有各自时频特征的故障信号分解为若干个频段,并重构提取小波包能量作为故障特征向量;将该故障特征向量作为SVM的输入量,运用交叉验证径向基核函数,通过训练数据集得到多类SVM模型,将随机选取的测试集输入训练好的模型中。仿真试验结果表明,该方法可对IGBT开路故障进行诊断并具有更高的故障识别准确率。     

基于小波AlexNet网络的配电网故障区段定位方法

文中提出一种基于深度网络迁移学习的配电网故障区段定位方法。利用小波包变换(WPT)分解配电网各区段的电量信号,将各节点小波包系数按照低频到高频的顺序重新排列获得时频矩阵,通过颜色编码将时频矩阵转成具有图像性质的像素矩阵,像素矩阵囊括了当前系统的工作状况信息,利用迁移学习AlexNet网络,调整网络结构使其适应于配电网故障区段辨识,通过微调的AlexNet网络自主挖掘像素矩阵的故障特征作为预测变量,利用门控循环单元(GRU)、学习向量量化(LVQ)、朴素贝叶斯分类器(NBC)、极限学习机(ELM)、支持向量机(SVM)等模式识别算法进行故障特征分类,从而实现配电网故障区段定位。针对多分支的线缆混合线路进行实验分析,比较5种模式识别算法的分类效果,得到GRU算法准确率可以达到99.92%,证明了该方法不受故障时刻、故障类型和过渡电阻等因素的影响,可满足配电网对故障区段定位准确度和可靠性的需求。     

联合 VMD 与 ISSA-ELM 的电力电子电路软故障诊断

针对电力电子电路的软故障特征区分度差、不易诊断等问题,提出了变分模态分解(VMD)结合改进的麻雀搜索算法(ISSA)优化极限学习机(ELM)的故障诊断方法。首先,将采集的故障信号进行VMD分解成本征模态分量(IMF),提取线性重构后IMF的12维时域参数作为故障诊断的特征向量。其次为提高ELM在故障诊断中的精度,提出ISSA对ELM的参数进行优化,建立ISSA-ELM分类模型。ISSA首先采用Iterative映射初始化种群,然后在发现者位置更新处引入自适应惯性权重因子,最后在解的位置引入Levy变异算子进行扰动得到新解等3种策略改进,提高算法性能。在8类基准函数测试中,ISSA比另外4种智能算法的收敛速度和寻优精度均有提升,并且VMD结合ISSA-ELM在功率为150 W Boost电路软故障诊断中精度达到99%以上。     

基于提升小波变换的模拟电路故障特征识别

模拟元件的非线性属性导致电路特征集异常庞大,当故障电路响应出现一定带宽的随机分量与主频分量相互叠加,信号频谱中的故障特征频率及其2、3次谐波附近的边频带均出现显著增长。由于提升小波算法的预测和更新原理与故障信息紧密相关,预测器和更新器设计可替代小波基的选取。本文首先将响应信号经过提升小波变换,对蕴含大量故障信息的高频细节部分进行Hilbert调制分析,从包络谱中剔除载频的常规分量,随后通过特征频率识别技术实现数据降维处理和故障定位。最后通过一个实例验证了该方法完全胜任模拟电路故障特征频率识别。     

基于MODWPT与LFDA的模拟电路故障诊断

在模拟电路故障诊断过程中,存在故障特征信息提取不充分以及特征信息冗余的问题,对此,提出一种基于最大重叠离散小波包变换(MODWPT)与局部Fisher判别(LFDA)的模拟电路故障诊断方法。该方法中,首先利用MODWPT进行模拟电路原始信号处理与故障特征提取;随后,针对高维特征集中存在冗余信息,不利于模式识别与分类,利用LFDA方法进行降维,获取更有益于故障模式识别的低维特征集;最后,支持向量机(SVM)作为故障模式识别分类器,在此基础上构建模拟电路故障诊断模型。电路仿真实验结果表明,所提出方法的最大故障诊断准确率可达99.17%,从而验证了所提方法的有效性。     

基于EMD和SPS的容差模拟电路故障诊断

针对具有容差的模拟电路故障诊断难题,提出了结合经验模态分解(EMD)和子带多态谱(SPS)的提取模拟电路故障特征新方法。首先计算出待测试电路的二阶Volterra核序列,然后用EMD对Volterra序列进行分解,获得本征模态函数(IMFs),最后通过计算IMFs的倒谱(CS)和Hiltert谱(HS),对时频域的多态数字故障特征进行提取,从而将容差模拟电路中的软故障和非线性故障进行分离,完成模拟电路故障诊断。实验结果表明,该方法能够有效地解决故障混叠难题,提升故障元件定位和分离的能力。