基于混杂系统模型的DC/DC电力电子电路参数辨识

基于混杂系统理论构建了电力电子电路的混杂系统模型，并基于该模型提出了电力电子电路参数辨识的一种方法，可应用于故障趋势判断和预知维护。文中给出了6种DC/CC电路的混杂系统模型，并以Buck电路的滤波电感、滤波电容及其等效串联电阻的参数辨识为例，通过实验验证了这一方法的有效性。     

基于频域建模与遗传算法的电力电子电路参数辨识方法

研究电力电子电路参数辨识技术,提出了一种基于频域特性分析与遗传算法参数求解的电力电子电路参数辨识方法。以Buck电路为例,建立了电路频域模型,选择电感输入电压、电路输出电压作为监测信号,利用快速傅里叶变换对监测信号进行频域分析,得到电路模型频率响应特性;依据电路频域模型及频响特性,选择适当的频率点并利用遗传算法对电路参数进行辨识。实验结果表明,新方法能够有效实现电力电子电路参数辨识。     

基于BPNN的电力电子电路参数性故障诊断方法

提出了一种基于BP神经网络的电力电子电路参数性故障的在线诊断方法.通过研究电路中关键元器件的失效机理及电路整体性能的退化规律,选择输出电压基准变化率作为电路的故障特征参数,并确定故障阈值;利用BPNN对元器件参数及电路工作参数进行辨识,依据辨识结果获取电路故障特征参数,并将其与故障阈值比较,实现在线故障诊断.对典型Bo...     

新型容错逆变器的混杂系统建模与故障诊断

考虑到传统开关函数模型只对逆变电路的控制变迁进行分析而无法描述电路的条件变迁,容易丢失电路在条件变迁过程中所表现出的故障信息,从而影响故障诊断的实时性和准确性。电力电子电路是典型的混杂系统,文章建立了一种新型容错逆变器的混杂系统模型,在此基础上提出了故障事件辨识向量的概念,并将其应用于逆变器故障的分析,仅通过故障事件辨识向量对逆变电路变迁过程中的故障事件进行辨识来完成故障诊断,对于电路变迁过程中的正常事件辨识不予考虑,减少了控制系统的数据处理量,提高了故障诊断的实时性和可靠性,实验验证了所提方法的可行性和有效性。     

基于量子神经网络的电力电子电路故障诊断

针对电力电子电路故障诊断时故障模式间存在交叉数据的模式识别问题,在量子计算和人工神经网络结合的基础上,提出了一种基于量子神经网络的故障诊断方法,并以双桥12相脉波整流电路为例进行故障诊断.实验结果表明:量子神经网络有一种固有的模糊性,它能将不确定性数据合理地分配到各故障模式中,从而使网络具有高性能、更好的鲁棒性和省时的特点,且能正确地识别大部分的样本故障模式,成功地完成电力电子电路的故障诊断.     

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。     

基于量子粒子群算法的混杂系统参数辨识

针对电力电子电路的混杂系统模型的参数辨识问题,提出运用量子粒子群算法(QPSO)对电力电子电路中元器件的参数进行辨识,相对于传统的参数辨识,该方法能更加精确的辨识元器件.先测试函数证明算法的辨识性能,然后以非理想Boost电路为例,求解得到电路中所有关键元器件的特征参数值,在仿真中与基本算法和遗传算法(GA)比较,最后...     

基于小波和马氏距离的电力电子电路故障诊断

基于小波分析和马氏距离,提出了一种电力电子电路故障诊断的方法,并应用于DC-DC变换电路.首先仿真所有故障模式下的电路,对采样所得输出数据进行小波分析,提取特征向量以简化数据,并计算特征向量的重心及协方差矩阵的逆作为最终的故障特征建立故障字典.然后在诊断时,测量未知故障电路数据,采样并进行小波分析,只要计算未知故障与故障集之间的马氏距离就可以判断待测电路的故障.这种方法覆盖了参数性故障及结构性故障这两方面,并且通过实例表明可以达到较高的故障检测率.     

基于系统辨识的变压器绕组模型参数估计

构建了基于最小二乘法的辨识系统,对电力变压器绕组的参数估计问题在故障诊断模型下进行了理论和数值研究。根据模型提出了变压器绕组状态监测和故障诊断的流程,在改变参数的条件下能够及时识别出潜伏性故障并采取相应措施,避免故障造成损失,对于电力变压器的在线监测和故障诊断准确率的提高具有重要意义。     

基于信息理论的电力系统在线故障诊断

该文引入信息理论来研究和处理电力系统故障过程中存在的不确定性，研究了电力系统故障中的信息运动过程，建立了故障诊断的信道模型；基于信息损失最小原理，提出了适用于大规模系统不确定性决策的故障诊断新方法，该方法将故障诊断问题转化为求取最小信息损失的组合优化问题。文中还研究了通过信息损失来计算故障诊断解空间的概率分布方法，并针对大规模系统给出了近似解空间概率分布的求解方法。应用该文方法进行电网故障诊断，能给出各种可能发生的故障组合以及每种故障组合发生的概率。算例表明，该方法的快速性能满足大规模电力系统在线故障诊断辅助决策的要求。     

电力关键设备远程监测与故障诊断系统的研究

电力系统设备运行中发生的任何故障或失效不仅会引起严重后果，造成重大的经济损失，甚至还可能导致灾难性的人员伤亡和恶劣的社会影响。为此，作者设计出一套能够解决上述难题的电力设备的远程监测与故障诊断系统，并对此系统的结构、实现、应用进行了阐述。     

基于停电区域的电力系统故障诊断的一种新模型

提出了基于停电区域的电力系统故障诊断的一种新方法.主要包括三个方面的工作:(1)提出了应用无源信息识别停电区域的方法,有效地把故障诊断问题局限于某个或某些小的局部网络中;(2)在停电区域中,根据停电元件、断路器和保护动作信息构造了新的只在停电区域中识别故障元件的0-1规划模型.该模型简单、求解速度快,大大提高了故障诊断的速度;(3)采用了贪婪算法对该故障诊断模型进行求解.经算例计算表明,所提出的故障诊断的数学模型是正确的.     

基于改进GA-BP混合算法的电力变压器故障诊断

将改进遗传算法(GA)和误差反向传播(BP)算法相结合构成的混合算法用于训练人工神经网络.该混合算法有效地解决了常规BP算法学习网络权值收敛速度慢、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,并对其应用于电力变压器故障诊断进行了仿真,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,故障诊断结果证实了该算法应用于电力变压器故障诊断的有效性.     

基于贝叶斯网络及信息时序属性的电力系统故障诊断方法

该文提出了基于贝叶斯网络的故障诊断方法，并拓展建立了蕴含时序属性的贝叶斯网络分布式处理模型。该方法具有以下特点：诊断模型清晰直观，易于发现数据间的因果关系；综合了先验信息和后验信息，适合不确定性和不完备信息下进行诊断决策；充分合理地利用了信息的时序属性，有效地提高了诊断结果的准确性。算例测试结果表明所提出的故障诊断模型正确、方法有效，且在实时故障诊断的应用上具有很好的潜力。     

基于粗糙集理论和神经网络模型的变电站故障诊断方法

以变电站的开关继电保护信息为基础,提出了一种基于粗糙集理论和神经网络理论的变电站故障诊断方法.即利用粗糙集理论的知识约简和处理不确定信息的能力,对变电站的故障诊断知识进行分层挖掘,实行属性优选,再运用神经网络对故障诊断知识进行模式识别.变电站故障诊断实例表明了该方法能有效地缩小问题求解规模,且具有较强的抗干扰能力.     

基于正反向推理的电力系统故障诊断专家系统

介绍了一种在电力系统故障诊断专家系统中采用的基于正反向推理的电力系统故障诊断方法。该方法首先根据跳闸断路器提出故障假说,然后根据断路器和继电保护动作的信息逐一检验假说的正确性,最后给出故障设备或故障范围。该方法可以诊断输电线路、母线、变压器和发电机设备的故障及继电保护和断路器的非正确动作。对山西电网实际故障事例的测试结果表明,该方法是有效的。     

基于事例和规则混合推理的变电站故障诊断系统

故障诊断是保证电力系统安全运行的重要手段,目前多采用基于规则推理的专家系统,但其知识获取困难,自学习能力差,很难适应电网发展的要求.文中介绍了基于事例推理(CBR)和基于规则推理(RBR)的混合推理的变电站故障诊断专家系统.该系统采用CBR方法确定故障情况,再利用规则评价继电保护和开关的动作情况.事例库包括用RBR系统自动生成的基本事例库及无确定规则的特殊事例,在使用中还可不断地增加新事例以提高系统判断复杂故障的能力.由于采用了混合推理,系统故障诊断快速可靠,动作评价准确,自学习能力也得到很大提高,可减轻运行人员的工作量.     

基于故障群组合优化的变电站故障诊断

为处理好变电站故障诊断问题中故障源和故障征兆间因果关系的不确定性，提出了基于故障群组合优化的故障诊断方法。依据变电站运行方式和保护配置建立保护配合的Petri网模型，用该模型的状态转移方程获取所有的故障群-征兆群对子，创建故障群组合作为已知故障征兆诊断解的适应度函数，并用遗传算法搜索出最优诊断解。实验证明：该方法不仅能有效地辨识出故障源，而且能提供保护装置拒动、断路器拒动、信号传输错误等信息，对现场人员迅速确认故障设备非常有利。