风力发电机故障诊断的优化算法研究

为提高风力发电机故障诊断的可靠性,结合小波变换,提出一种遗传算法优化BP神经网络(GA-BP)的综合优化算法.利用单子带重构改进小波变换方法对风力发电机的定子电流信号进行分解与重构,提取准确的特征量;通过遗传算法的选择、交叉、变异等操作和全局寻优特性获取稳定的权值和阈值,赋值于BP网络作为初始值;借助BP网络的自学习、寻优具有精确性等特性不断训练网络;最后以BP神经网络的非线性映射能力完成对风力发电机的故障诊断.算法对比和实例分析表明,该算法对风力发电机的故障诊断有良好的实用性.     

基于简化GFRF模型辨识算法的非线性模拟电路故障诊断

提出了基于简化GFRF(广义频率响应函数)模型辨识非线性电路的故障诊断方法.利用非线性频谱分析法获得被诊断系统的GFRF模型估计并提取能表征系统工作状况的电路特征,通过预设故障模式确定被诊断系统所处的工作状态从而定位系统故障.实验结果表明:基于非线性GFRF分析的故障诊断技术,无需在线辨识GFRF、计算量小,故障诊断效果较好.     

基于互补免疫算法的变压器故障诊断

基于自组织抗体网络(so Ab Net)的变压器故障诊断方法中没有网络压缩机制,并且网络的初始抗体是随机选取的,网络性能不稳定。针对这一问题,提出了基于互补免疫算法的变压器故障诊断方法,结合变压器故障诊断的特点详细设计了免疫算子以弥补so Ab Net的不足。免疫算子中接种疫苗利用K-means最佳聚类算法为so Ab Net提供初始抗体,并通过免疫选择压缩网络规模,其参数由粒子群算法进行优化。变压器故障诊断实验结果表明,所提出的互补免疫算法能够充分利用系统的先验知识,并有效地提取故障样本的数据特征,与单一智能方法相比具有更高的诊断准确率。     

基于BP神经网络的STATCOM主回路故障诊断

STATCOM主回路主要由电力电子器件构成。电力电子器件过载能力小,损坏速度快,故障发生前征兆较难捕捉。设计合理有效的STATCOM主回路故障诊断方法可在故障发生后及时对故障管进行定位,尽快排除故障,使装置恢复正常运行。人工神经网络技术具有很强的非线性映射特征和自学习能力,非常适用于STATCOM主回路电力电子器件的故障诊断。以三相三桥臂STATCOM为研究对象,建立其主回路IGBT或续流二极管单管开路故障模式并提取故障特征,根据神经网络非线性映射特性,建立BP神经网络来学习及存储故障特征信号和故障类型的映射关系。MATLAB仿真表明,该神经网络能够准确地诊断和定位STATCOM主回路开关元件单管开路故障,具有很好的故障识别能力。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断，依赖数字信号处理技术提取故障特征。为了改进前述方法，引入了图深度学习理论，提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据，利用多个图注意力层自动提取特征信息，从而建立了数据从输入端到输出端之间的映射关系，实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性，分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明，该方法故障诊断准确率达到9975%以上，与现有几种智能故障诊断算法对比其性能最优。同时，该方法在不同白噪声下依然保持较高的故障识别率，具有良好的鲁棒性和泛化能力，为电力输电线路诊断技术提供了一定的研究思路。     

基于胶囊网络的电力变压器故障诊断

传统的变压器故障诊断方法难以准确地拟合溶解气体和故障类型之间复杂的非线性关系,其诊断精度有限.为了提高变压器故障诊断的精度,提出了一种基于胶囊网络(capsule network,CapsNet)的变压器故障诊断方法.利用卷积层强大的特征提取能力,将溶解气体数据映射到特征空间,实现关键特征的自动提取.进一步,通过主胶囊...     

基于IFOA-SVM 的变压器故障诊断与定位研究

为了充分发掘变压器油中溶解气体所蕴含的故障信息,实现变压器故障性质和故障位置的准确判断,利用 邻域粗糙集(NeighborhoodRoughSet,NRS) 和强化型果蝇算法(ImprovedFruitFlyOptimizationAlgorithm,IF- OA)优化的支持向量机(SupportVectorMachine,SVM)构建变压器故障诊断与定位多层分类模型.首先,利用邻 域粗糙集按照条件属性重要度对变压器故障样本特征值进行约简.其次,为了提升变压器故障诊断与定位模型的分类 精度,设计一种强化型果蝇算法对SVM 的核函数参数和惩罚因子选取进行优化.利用Tent-logistic混沌映射产生的 混沌序列生成果蝇种群的初始位置信息,减少随机过程带来的不可控性;利用动态自适应步长参数调节个体的搜索范 围,增强FOA的寻优效率.仿真分析结果表明,基于改进模型的方法不仅可以实现变压器故障位置的判定,而且能 提升变压器故障诊断的精度.     

结合LMD云模型和ABC-LSSVM的 模拟电路故障诊断

针对模拟电路存在的非线性和非平稳性,以及电路元件存在容差而带来诊断时的模糊性与随机性等问题,提出了一种结合了局域均值分解(LMD)云模型特征提取和人工蜂群-最小二乘法支持向量机(ABC-LSSVM)分类器的模拟电路故障诊断法。首先,利用LMD算法对初始故障信号进行分解,再将分解的信号通过云逆向发生器计算得出分解信号的云数字特征,并将得到的云数字特征构造为故障特征向量。然后,将部分故障特征向量作为测试样本输入到ABC算法优化的LSSVM中,对各电路故障进行分类识别,得到各故障的分类精度。以两个国际基准电路CTSV和Sallen_Key电路为验证对象,结果表明,该方法提取的故障特征能很好的反映电路各故障状态信息,所提方法的故障诊断精度均达到99%。     

基于 Super SAB神经网络算法的主变压器故障诊断模型

人工神经网络(ANN)由于其高度的非线性映射能力在电力系统模式识别及非线性优化领域有着广泛深入的应用研究.本文将Super SAB神经网络算法应用于主变压器溶解气体故障诊断(DGA),通过与带动量因子的标准BP算法、Bo1d Driver算法比较,验证SuperSAB算法在故障模式识别中具有更好的学习效率与泛化能力,故障诊断的准确度高于传统分析方法,表明其在变电设备状态诊断中具有良好的应用前景.     

大型电力网络故障数据库快速数据定位模型仿真

对大型电力网络故障数据进行快速定位,对提高电力网络配电管理及故障诊断方面具有重要意义。传统的定位算法,利用故障数据库慢变包络切片对定位信息进行能量聚集,容易受到的电磁干扰,导致定位准确度不好。提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。构建大型电力网络故障数据库模型,对故障数据信息进行时频特征提取,对提取的故障数据的时频特征进行滑动时间窗口重排,实现数据的快速定位,通过特征提取和特征分类实现故障诊断。仿真结果表明,采用该模型进行大型电力网络故障数据库的故障数据定位,具有较好的抗干扰能力,实现对故障数据的快速定位,进而实现对电力网络的故障检测,检测概率高于传统算法。     

基于RST-SOM的高压断路器故障诊断

由于高压断路器运行过程中产生的状态数据庞大,传统的基于人工神经网络的高压断路器故障诊断方法在针对这一问题时存在网络结构复杂、训练过程费时、诊断速率缓慢的缺点。由此,文中提出RST粗糙集结合SOM自组织特征映射网络的方法,通过RST理论对断路器故障数据中的各个属性进行评价并寻找最小属性集,以此消除特征信息中存在的冗余属性,得到约简决策表,并将新形成的故障特征数据作为输入结合自组织特征映射网络进行高压断路器故障诊断。经过验证,在确保整体准确率能够达到91%的情况下,缩短了训练时间,简化了网络结构,在工程实践应用中表现良好。     

基于核Fisher子空间特征提取的汽轮发电机组过程监控与故障诊断

提出了基于核Fisher子空间特征提取的汽轮发电机组过程监控和故障诊断新方法。该方法首先利用非线性核函数将数据从原始空间映射到高维特征空间，然后在高维特征空间中利用线性Fisher判别分析法提取数据最优的核Fisher特征矢量和判别矢量来实现过程监控。若系统出现故障，则根据当前的判别矢量与历史故障数据集中所含故障的最优核Fisher判别矢量的相似度进行故障诊断。该方法能有效地捕获过程变量之间的非线性关系，过程监控和故障诊断效果明显好于线性Fisher判别法。汽轮发电机组历史故障特征数据集仿真试验证明了该方法的有效性。     

Real‐time identification of nonlinear multiple‐input–multiple‐output systems with unknown input time delay using Wiener model with Neuro‐Laguerre structure

In this article, a real‐time block‐oriented identification method for nonlinear multiple‐input–multiple‐output systems with input time delay is proposed. The proposed method uses the Wiener structure, which consists of a linear dynamic block (LDB) followed by a nonlinear static block (NSB). The LDB is described by the Laguerre filter lattice, whereas the NSB is characterized using the neural networks. Due to the online adaptation of the parameters, the proposed method can cope with the changes in the system parameters. Moreover, the convergence and bounded modeling error are shown using the Lyapunov direct method. Four practical case studies show the effectiveness of the proposed algorithm in the open‐loop and closed‐loop identification scenarios. The proposed method is compared with the recently published methods in the literature in terms of the modeling accuracy, parameter initialization, and required information from the system.     

基于深度学习的绝缘子故障检测研究

绝缘子是架空线路中重要组成部分之一,当出现故障时,影响电网安全运行。为实现绝缘子故障快速、精准的识别,提出了一种基于改进YOLOv3-Tiny的绝缘子故障检测方法。首先,为了增强小目标检测能力,对浅层特征图与第二检测层之前特征图进行同维拼接构建第三预测层。随后,该网络采用Ghost模块替换主干网络中的卷积层,降低模型的参数量。然后,设计了一个新的注意力模块MECA,不仅能够多尺度信息融合,还能使网络专注绝缘子的显著特征。最后,提出了新的交并比EIoU作为边框回归损失函数,更好的定位目标位置。实验结果表明,改进的YOLOv3-Tiny在绝缘子故障检测中平均准确率（MAP）高达96.1%,较原始YOLOv3-Tiny算法MAP提高了17%。     

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题，合理的特征选择可提高故障诊断率，提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先，通过变分模态分解(VMD)进行信号降噪预处理，计算多尺度排列熵进行信号特征重构；其次，引入惯性动态权重对鲸鱼算法进行改进，通过训练SVM参数，建立IWOA-SVM故障诊断模型；最后用美国凯斯西储大学轴承数据集进行仿真。结果表明，相较于多尺度熵，MPE可表征的故障特征信息更加丰富，故障识别率提高了2.1%;与同类优化算法相比，采用IWOA对SVM进行优化的故障诊断模型，收敛速度快、训练时间短、故障识别精度高，可对滚动轴承进行有效诊断。     

基于梅尔倒谱系数特征集的储能变流器开路故障诊断方法

电池储能电站功率转换系统（power conversion system,PCS）故障诊断在储能电站智能运维中发挥着重要作用。现有方法在非侵入式识别PCS内部IGBT开路故障时,易出现信号特征提取困难、数据维度爆炸以及阈值判定区间不稳定等问题。提出一种基于梅尔倒谱系数（Mel-scale frequency cepstral coefficients,MFCC）特征集的储能变流器开路故障诊断方法。首先,以交流侧三相电流为输入信号,通过分析不同频率区间的信号频谱能量分布情况和包络特征,构建MFCC故障特征数据集。然后,结合核主成分分析（kernel principal components analysis,KPCA）,实现充放电工况下非线性故障特征的降维筛选;其次,以低维故障特征集为输入,构建基于贝叶斯优化算法（bayesian optimization algorithm,BOA）与一维卷积神经网络（1d-convolutional neural network,CNN-1D）的故障状态诊断模型;最后,通过并网储能变流器的故障仿真实验,与现有方法进行比较,结果表明：所提方法在复杂的噪声环境下的鲁棒性和准确性更优。     

基于BCL-ASA-BP神经网络的模拟电路板芯片故障诊断

针对模拟电路板芯片故障界定标准不明确和实现快速、准确分类困难的问题,本文提出了一种基于双元卷积Logistic原子搜索算法(Binary Convolution Logistic-Atom Search Algorithm,BCL-ASA)优化BP神经网络(BCL-ASA-BP)的故障诊断模型。首先,对电路板芯片不同状态下的温度进行采集和特征提取,并采用欧氏距离对特征进行融合,建立含有芯片故障界定标准的故障特征模型。接着,利用双元卷积Logistic映射初始化原子搜索算法的种群规模和位置,提高收敛速度和精度。然后,通过BCL-ASA优化BP神经网络寻优过程,获得最优权值和阈值。最后,将芯片故障特征模型输入到BCL-ASA-BP神经网络中进行训练和测试,完成电路板芯片故障诊断。实验采用电源电路板进行可靠性分析,结果表明,BCL-ASA-BP对芯片故障综合诊断准确率可达98.35%,较传统BP算法提升13.9%。     

基于VMD与快速谱峭度的滚动轴承故障诊断

针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其...     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine,SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis,KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization,NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization,INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

旋转机械状态非线性特征提取及状态分类

为提取淹没于环境和结构噪声下风力机轴承故障信号,基于能量追踪法,提出改进变分模态分解法(improved variational mode decomposition, IVMD),并采用粒子群算法求解最优约束因子,获取准确模态分量;摒弃传统对故障特征频分量的提取,基于非线性分形理论提出多重分形谱特征因子(multi-fractal spectrum,MFC)以选取最具非线性特征的模态分量,以不同故障程度及状态的轴承加速度信号为对象,采用优化递归变分模态分解获取多分量,通过多重分形谱特征因子最大值选取有效信息分量,通过支持向量机进行故障分类。结果表明优化递归变分模态分解可准确分解振动信号至不同频段,以便故障信息提取;多重分形谱特征因子与信噪比呈正相关,以其最大值选取的分量具备更多有效信息;对IVMD-MFC所选取非线性分量,通过8种非线性特征值构建特征矩阵,通过BP神经网络实现故障分类,诊断准确度达97.5%。表明所提出方法可对不同故障程度的轴承状态进行区分。