基于WOA-BP和D-S证据的高压电机局部放电模式识别方法

针对单一信号源特征无法准确识别局部放电(PD)类型的问题,提出了一种基于改进BP神经网络(BPNN)和D-S证据的高压电机PD模式识别方法。对不同类型PD的脉冲相位信息、特高频信号和超声波信号进行采集,提取不同信号的特征向参数,再分别构造基于鲸鱼优化算法(WOA)改进的BPNN识别模型对PD类型识别,将3个识别模型的识别结果作为证据体采用D-S证据组合规则进行融合,最后对融合结果进行决策。研究结果表明：基于3类单一信号源独立识别各类PD类型的准确度存在差异性和不确定性,识别率分别为83.3%、90.0%、83.3%,但3类信号源的共性和差异性可以融合互补,有各自优势,可以解决故障诊断中的不确定性问题。在此基础上,基于D-S证据融合的高压电机PD类型的整体识别率提升至96.6%,实现了3种信号源的优势互补,与单一模型对比,所提方法可以稳定、准确地识别PD模式,具有更高准确率和可靠性,验证了所提方法的有效性与正确性。     

D-S证据理论在雷达体制识别中的应用

本文在详细阐述了Dempster-Shafer证据理论的基础上,介绍了基于D-S证据理论的雷达体制识别的信息融合算法,识别实例和对比实验表明,这种信息融合识别方法是十分有效的。     

基于D-S证据理论的配电网单相故障选线方法研究

为充分利用单相接地故障的互补信息提高选线保护的可靠性,提出一种中性点非有效接地电网信息融合选线方法。该方法采用D-S证据理论,针对故障选线问题的具体特点,合理构造了选线识别框架和信度分配函数,将故障选线问题转化为证据理论模型,给出证据组合的选线判定原则,制定了基于信息融合的综合选线策略。应用该方法在模拟系统上进行实验,验证了方法的有效性。结果表明采用融合选线策略极大地提高了故障选线的可靠性。     

基于神经网络和D-S证据理论的故障电弧检测

基于电弧电流特征的故障电弧检测方法存在信息源单一的不足,容易引起保护误动作和拒动作。针对该问题,文中以电弧辐射的电场和磁场信号以及电弧电流作为检测信号,提出一种基于神经网络和D-S证据理论的故障电弧检测方法。首先,采用模极大值方法提取不同负载下电弧电磁辐射信号特征量,并用波形相似法提取电弧电流信号特征量;其次,利用BP神经网络构建各个特征量与电弧故障之间的映射关系,得到单个特征量的故障电弧识别率;最后,以该识别率作为D-S证据理论的输入,实现决策级多特征信息融合。在典型负载情况下的试验结果表明,该方法能有效提高故障电弧检测的准确率。     

基于人工神经网络的局部放电识别

说明人工神经网络对放电指纹（放电量ｑ、放电发生相位φ、放电重复率ｎ三维谱图）识别的重要意义。用蒙特卡洛方法得到了大批局部放电模拟试验数据，讨论了人工神经网络识别放电的能力，介绍了模拟电机局部放电的几种试验模型和试验结果，研究了用人工神经网络分析三维谱图表列数据，以识别不同类型放电的方法。     

基于D-S证据理论的小电流单相故障多判据融合选线研究

利用单相接地故障的暂态量和稳态量分别构造幅值、相位故障测度函数,以定量评价疑是故障线路的程度.结合选线问题的特性,设计了以故障测度值为自变量的基本信度分配函数.运用D-S证据理论实现了多判据信息融合,将多判据选线问题转化为证据推理问题,给出了基于信息融合的综合选线策略.大量仿真算例证实了该方法的有效性.     

基于D-S证据理论的直流电机故障诊断研究

通过分析直流电机的故障机理,得到在不同信号（如电流、转速、转矩等）中所表现的故障特征,提出了一种神经网络和D-S证据理论的多传感器数据融合技术的直流电机故障诊断方法。利用多源信息间的冗余性和互补性,有效提取故障特征信息,提高了诊断的可靠性和灵敏度。     

基于D-S证据组合规则的双模型融合局部放电模式识别方法

针对传统的局部放电模式识别存在的特征提取单一、识别准确率低等缺点,提出了一种基于D-S证据组合规则的双模型融合局部放电模式识别方法.根据基于相位信息的局部放电(PRPD)谱图的统计数据特征和图像特征的特点,分别建立了反向传播(BP)识别模型和卷积神经网络(CNN)识别模型.根据2个识别模型的识别结果,提出了基于信息熵改进的D-S证据组合规则以解决常见的悖论问题,基于此建立了判定模型,更好地融合了2个识别模型的输出结果,实现了2种特征识别的优势互补.根据实际数据测试,与单一模型对比,所提方法可以稳定、准确地识别局部放电模式.     

D-S证据理论在小电流接地系统单相接地故障选线中的应用

小电流接地系统发生单相接地故障后,当故障特征量非常明显时,选线结果才比较可靠,当其特征量很微弱时,选线结果则可能是错误的;在故障后不同时段,故障特征所表现的强弱程度的不同,对选线结果也会产生很大影响。针对这一特点,提出了一种充分利用故障信息的多判据多周期的选线方法,运用D-S证据理论实现多种判据信息融合,从而使选线性能得到很大提高。苛刻条件下的仿真算例证实了该方法的正确性和有效性。     

基于网络树状图和改进D-S证据理论的配电网故障定位方法

针对配电网故障信息出现异常尤其是不可识别异常而导致误判的问题,提出了一种基于网络树状图和改进D-S证据理论的配电网故障定位新方法。该方法的突出优点在于使用多源信息进行故障定位,可避免因单源信息发生异常导致的误判。首先提出了一种新的基于网络树状图的搜索算法,该算法利用配电网故障时产生的故障指示器信息、配变报警信息和电话投诉信息建立相应的网络树状图,并通过搜索网络树状图进行故障初步定位。然后利用改进D-S证据理论将每种故障信息的定位结果进行信息融合,得到最终的定位结果。实例结果表明所提方法有效、可行,可以解决故障信息出现不可识别异常时的定位问题。     

基于改进证据理论融合的站域后备保护算法

针对站域后备保护(SABP)信息同步性要求高和容错性低等问题,提出了一种基于改进证据理论融合的SABP算法。首先,SABP装置根据全站各线路两端传统主/后备保护和方向元件动作情况识别疑似故障线路,并由各疑似故障线路两端保护信息构成证据融合信息域。然后,搜集证据融合信息域内的主/后备保护和方向元件动作信息,经预处理后形成证据组并计算各证据的基本概率赋值,利用改进证据理论对证据信息进行融合判断来实现故障线路的识别。算例仿真表明,该SABP算法具有无需信息同步、站域信息交互的通信量小和信息容错性高等特点,能有效改善SABP性能。     

基于QPSO-BP和改进D-S的水电机组振动故障诊断

为提高水电机组振动故障诊断的准确性,提出了一种基于改进D-S证据理论融合量子粒子群优化BP神经网络(QPSO-BP)的诊断方法。根据水电机组常见的振动故障类型,采用3个惯性权值随机调整的QPSO-BP网络分别对其进行初级诊断,并作为独立证据体应用于D-S理论的合成之中,实现了基本概率赋值的客观化。针对标准D-S无法合成高度冲突证据的缺陷,通过计算权值矩阵对其进行修正。实例分析表明,和3个初级诊断模型及标准D-S合成法相比,所提方法可以有效识别机组的振动故障,具有较高的诊断准确率。     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于多传感器信息融合和神经网络的汽轮机故障诊断研究

针对传统故障诊断方法存在的诊断准确性不高的问题,提出了基于D-S证据理论的多传感器信息融合技术与BP神经网络相结合的方法,实现对汽轮机的机械故障诊断.由多个传感器采集振动信号,分别经小波变换特征提取后获得故障特征值,再经BP神经网络进行故障局部诊断,得到相应传感器对故障类型的基本可信任分配函数值,即获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,最终完成对汽轮机机械故障的准确诊断.实验结果表明,该方法克服了单个传感器的局限性和不确定性,是一种有效的故障诊断方法.     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

一种基于D-S证据理论和稳态量的配电网故障选相方法研究

以中性点不接地系统发生故障为例,分析了正、负和零序电压、电流故障分量之间的幅值和相位关系,在此基础上,定义了标识故障相别的特征量,建立了故障选相的决策树。定义了每个特征量的基本可信度指派函数,通过D-S证据理论对各个特征量的值进行融合得到故障选相结果。通过在PSCAD/EMTDC环境下建立仿真模型,对提出的选相方法进行了验证,并且研究了方法在中性点谐振接地系统、不同信噪比以及电弧故障下的适应性。仿真结果表明,该方法选相正确率高,抗噪性能强,不受中性点接地方式变化和电弧故障引起的非线性过渡电阻的影响。