基于大数据算法模型的电力运维故障诊断方法研究

文章研究了一种基于大数据的深度学习模型,将其应用于电力运维故障诊断设备中。该模型通过整合卷积神经网络（Convolutional Neural Networks,CNN）和递归神经网络（Recurrent Neural Network,RNN）,可以快速且精准地诊断电力设备故障,从而提高电力系统的可靠性和运行效率。     

基于App技术的电缆故障测试平台故障诊断方法

在电缆应用过程中，容易因为各种问题造成电缆故障，导致与电缆有关的设备无法正常工作。为了提高电缆检测的精度，提出一种基于App技术的检测方法。采用CN3704电源芯片为故障模拟装置持续供能，减少电缆电力输送状态下的电量消耗；采用组件对象模型(COM)动态模拟技术对各设备针对性检测，利用经验模态分解(EMD)混合分布算法分析模拟数据，对电缆故障设备精确定位。试验表明本研究电缆最高传输电能为816.13 kW,清晰显示出各设备故障事件；诊断误差范围为0.5%～1.5%,稳定误差为0.8%,大大提高了检测精度。     

电力通信网络智能运维故障诊断系统研究

当前,电力通信网络需要进一步提高对网络节点的感知能力,从而加快网络的故障运维效率。设计了智能运维故障诊断系统,以监测网络中节点状态、实时感知网络节点的运行参数,并实现故障诊断输出运维策略。系统的网络感知模块中加入了扩频调制技术,使模块能够感知到更大范围内的网络节点状态,提高了模块的通信范围和抗干扰能力。故障诊断模型中融合了生成对抗网络和决策树算法,通过各网络故障数据的拟合得到大量可靠数据集,输入最优特征组合以完成故障检测。试验结果显示,系统故障诊断模型的故障诊断率最高为99.8%,损失值最低为0.03。该研究确保了自动化诊断和检测的精确性。     

基于动态HMM和离散SPC的空调机组的故障诊断

为了精确诊断暖通空调机组的故障,提出了一种动态隐马尔可夫模型。该模型可以精确且高效地描述设备状态的动态变化以及设备间的故障传递,因此可以通过估计设备的离散状态来诊断故障。为了滤除由于测量噪声和模型误差引起的错误状态估计,提出了一种适用于离散情况的统计过程控制方法。仿真数据以及真实数据被用来验证提出的故障诊断方法。实验结果表明,与其他方法相比,该方法能以较低的误报率和漏报率诊断出故障。     

电动汽车锂电池外部短路故障诊断研究

该研究对电动汽车锂离子电池的外部短路(ESC)故障特征进行了实验研究.建立了一个实验平台,采用修改的一阶RC模型来模拟ESC故障过程中锂电池的电学行为.模型参数由动态邻域粒子群优化算法重新识别.提出了一种基于双层模型的ESC故障诊断算法.第一层进行初步故障检测,第二层进行精确的基于模型的诊断.四个新单元被短路以评估所提出的算法.结果表明,ESC故障可在5s内诊断,模型与实测数据之间的误差小于0.36V,所提出的算法可以进行正确的诊断.     

改进PSO-BP方法在ATP车载设备多故障诊断中的应用研究

针对目前ATP车载设备采用单故障诊断方法存在诊断精度偏低的问题,首先对ATP车载设备的故障原因进行分析,并提取出9种故障特征作为输入,7种故障类型作为输出,同时结合ATP车载设备的结构和故障特点建立了改进PSO-BP的多故障诊断模型;其次,在模型求解过程中,引入遗传算法中的变异思想,通过动态调整粒子群的参数来优化BP网络,采用改进PSO-BP算法对此模型进行求解;最后,以武广线数据进行仿真验证,期望输出与实际输出基本一致,故障识别的正确率达到95%。结果表明,采用改进PSO-BP算法解决ATP车载设备的多故障诊断问题是一种有效的方法,其诊断能力优于传统的BP算法和PSO-BP算法。     

电力变压器故障预测与诊断仿真研究

电力变压器是电力系统的主要设备,对故障准确预测是保证运行安全的前提.研究电力变压器故障诊断问题,针对传统支持向量机参数寻优方法在诊断中往往费时而且得到的参数不一定最优,导致识别精度低,为了提高变压器故障识别精度,提出一种用粒子群优化支持向量机参数(PSO-SVM)的变压器故障诊断方法.在变压器故障诊断过程中,将变压器油中溶解气体作支持向量机输入,故障作为输出,在故障诊断的过程中利用粒子群算法动态调整支持向量机的参数,最后得到优化变压器故障诊断模型.以某地区供电局的变压器故障数据为例进行了仿真,实验结果证明,PSO-SVM的故障诊断识别精度高,是一种有效性、高精度的变压器故障诊断方法,为实际应用提供了依据.     

可拓神经网络在变压器故障诊断中的应用

可拓神经网络是一类新的神经网络,它结合了可拓学理论和人工神经网络技术。可拓神经网络已经在模式识别、故障诊断、分类聚类等领域有了成功的应用。针对变压器故障诊断的特点,提出一种基于可拓神经网络的电力变压器故障诊断方法。介绍了可拓神经网络;构造了基于可拓神经网络的故障诊断模型和算法设计,并将其应用到电力变压器的诊断识别;通过仿真实验验证了该方法简单易行、训练误差小、收敛时间快等优点。该方法具有一定的应用及推广能力。     

基于SOM算法和免疫神经网络的飞机燃油系统故障诊断

针对传统的飞机燃油系统故障诊断方法如硬件冗余方法和系统模型检测方法存在的飞机重量限制和难以建立精确数学模型的问题,设计了一种基于SOM算法和BP神经网络的故障诊断模型;首先,建立了系统故障诊断模型并对诊断原理进行了描述,然后,对故障征兆数据进行预处理,即先采用SOM算法进行连续属性离散化处理,再通过粗糙集互信息方法进行属性降维,以减少数据量和提高诊断效率;最后,建立了基于BP神经网络的故障诊断模型,为了进一步提高故障诊断精度,在采用免疫优化算法对BP神经网络故障诊断模型中的各参数即权值和阈值等进行优化的基础上,进一步采用BP反向传播算法进行参数调整,从而得到最终的故障诊断模型。通过飞机燃油系统故障诊断实例仿真实验证明了文中方法能较为精确地实现故障诊断,且与其它方法相比,具有较高的诊断精度和诊断效率,具有较大的优越性。     

电力大数据的智能电表远程误差分析和诊断

针对电力大数据的智能电能表远程在线误差较大、故障诊断较为缓慢的问题,本文采用筛查法进行在线数据误差分析,使误差控制在0.1％以下;采用相似性匹配法对故障数据进行诊断,精准判断出故障类型;采用点云配准算法对误差数据和故障数据进行整合传输,保证数据能够及时连接到远程在线控制中心.最后通过记录电能表数据得到误差数据和故障类型,发现本研究误差不会超过0.1％;通过与传统误差分析方法进行仿真对比,本研究相对误差稳定在0.03％.     

利用大数据实现电能计量装置运行状态质量评估

为解决当前采集系统计量工单漏报、误报、数量大、单一、准确度低等问题,极大减少基层运维人员现场工作量,消除人为因素干扰计量装置故障判断,提升电力计量装置运行质量的可靠性、稳定性,辅助决策计量装置的采购与调配。本文探索开展电力计量装置运行状态下的质量评估工作,运用大数据分析技术,将影响电能计量装置运行质量的数据从系统、现场、时间、空间、数量、标准等多维度多系统进行诊断分析,消除各个系统数据专业壁垒,对运行设备质量形成健康、亚健康、疾病、重病四级健康评价,实现计量装置故障快速精准定位、发现隐性缺陷,提供问题解决方案。转变运维方式,由以前的“事后救治”升级到“主动防控”,实现精准高效运维、精益化管理的目的。     

基于模糊支持向量机的智能站继电保护设备隐性故障检测方法

针对智能站继电保护设备运行工况不稳定,误动率和拒动率较高的问题,提出了基于模糊支持向量机的智能站继电保护设备隐性故障检测方法。采用多小波变换方法处理采集的继电保护设备信号数据噪声,将处理后的信号输入模糊支持向量机网络中,计算隐性故障样本类别隶属度函数以及训练该网络,建立模糊支持向量机模型;通过组合二类分类器,分类检测继电保护设备隐性故障;利用采用布谷鸟算法优化模型的隶属度函数和惩罚函数,提升故障检测精度。测试结果显示：隐性故障检测相对误差结果均低于0.2,检测效果较好,并且应用后保护的误动率和拒动率均低于0.3%;能够可靠完成继电保护设备隐性故障运行工况下的故障类别检测。     

基于远程无线通信的直流电源故障诊断系统

针对直流电源运行过程中存在诸多故障数据信息,设计了包括数据层、通信层和网络层的改进型蚁群神经网络的直流电源故障诊断系统,通过无线远程通信的方式实现数据通信,提高数据通信能力。并通过交流互感器实现直流电流源中的高精度电流采样,硬件系统主要包括输入设定模块、功放模块、输出变压器、采样互感器和整流模块等,以误差计算的方式提取,并将电源中的故障诊断数据提取进行监测。通过构建蚁群算法实现直流电源故障数据信息的最优诊断。通过试验,本研究方法故障检测误差低,搜索能力强。     

基于数据挖掘的电能计量设备异常并行诊断研究

针对电能设备异常并行诊断数据量大、种类繁多等问题,以朴素贝叶斯和Spark为基础,提出一种基于数据挖掘的电能设备异常并行诊断模型。在该模型中,首先对电能计量装置异常数据进行计算,然后采用HDFS+Hive+Spark SQL的方案实现对异常信息的多维分析;应用Spark并行框架搭建朴素贝叶斯并行诊断模型。最后,通过搭建服务器集群和仿真的方式对上述方案进行测试。实验结果表明,朴素贝叶斯算法在Spark上具有高效的并行处理数据能力,且异常诊断正确率与单机相比相差较小,同时在多维分析方面,集群比单机处理的时间具有明显优势。由此结果说明,提出的基于数据挖掘的电能设备故障并行诊断切实可行。     

电能表运行误差与状态评价模型研究

为降低在电能表日常计量误差验证和运行维护管理工作中,因工作量大、效率低、操作现场复杂情况和操作人员经验水平限制等问题导致的消耗大量成本浪费,本文基于用电信息采集数据,建立大数据分析模型,提出一种数据驱动的电能表运行误差计算方法,以一个台区的采集档案数据、考核表供电量数据及所有用户表的用电量数据,根据能量守恒,建立方程,使用多计量周期数据建立线性方程组,使用加权平均、最小二乘法求解方程组获得电能表运行误差和台区线损率等指标,可作为电能表运行状态评价的重要参考,为台区线损治理、电能表运维和精准更换等提供有效支撑,可有效降低现场运维人次、提升故障分析定位精确性。使用仿真和实际台区数据验证了本文方法的准确性,试运行成果较好。     

基于大数据的主网生产运维数据分析系统设计

主网生产运维的数据存在差异性大且统一困难、数据集成度与共享性不足等问题,造成这些数据利用率低且应用不充分,已不能满足主网生产运维的要求。本文提出基于大数据的主网生产运维数据分析系统设计方案用于解决这些问题。本文在分析主网生产运维数据特点的基础上,设计了包含数据存储、设备缺陷图谱分析、基于众包的设备故障修复、输变电设备健康度评估、主网精益化作业管理等功能的数据分析系统。该系统对主网生产运维数据进行分布式存储、关联分析、深度挖掘。此外,本文以大数据平台为核心设计了系统的软件架构,重点阐明了主网生产运维数据的存储原理。本文设计的系统面向主网的生产运维人员,旨在为他们提供设备检修、精益化管理等高级服务。     

基于大数据平台的电力设备运作状态监测系统研究

针对目前电力设备运作状态监测系统焦点都在集群的硬件索引上,对电力设备的线状、性能、节点状况和指令反馈等数据层的监控不足,本文采用大数据技术对电力设备运作状态的显著性及统计因子变量进行相应的决策分析,建成一套通过主动监测设备潜在的运行状态变化的多元回归系统模型。从而有效解决了电力设备运行过程实时监控,潜在故障预警、评估、回溯管理等问题。通过宁夏电力公司的试运行结果表明该模型平台能预期捕获电力设备运作状态下的各项影响变量因素,对这些因素进行掌控将广泛应用于电力设备运作部署与运维。据此结论为该大数据平台的电力设备运作状态监测系统,可自定义设备运行分析报表,实现数据分析结果的随需展现,起到保障电力设备安全、可靠运作,具有一定的推广意义。     

多尺度特征融合的光伏电站故障诊断

为了高效率、低成本地发现光伏电站设备故障,提出了一种多尺度时序特征融合的故障诊断深度学习模型。组合多种尺度的卷积操作,实现了多尺度时序特征提取,能够使网络过滤输入数据的噪点,同时又不丢失数据的关键信息;针对光伏电站监测数据长序列、多维度的特点,采用带有注意力机制的长短时记忆循环网络提取数据中的序列特征;使用了度量学习的损失函数辅助训练,进一步提升模型辨别能力。另外,设计了一种数据规范化算法,能够通过不同设备之间的横向比较和不同日期之间的纵向比较,将监测数据转化为相对度量值,从而矫正设备、天气等因素对监测数据的干扰。实验表明,配合数据规范化算法,该模型在真实的电站监测数据上能够达到95%以上的诊断准确率,明显优于已有的诊断算法,能够满足实际应用场景的故障诊断需求。     

基于全息时标量测数据挖掘的配电网设备健康状态诊断分析

大数据、数据挖掘等新技术的出现和进步,为建设智能配电网提供了新的技术手段。为实现对配电网运行状态的真实还原、精细分析和精准预测,详实有效的配电网设备运行数据记录和支撑是关键,研究了配电网全息时标量测数据的变化即存储技术,基于全息时标量测数据研究了配电网设备健康状态诊断的方法,对配电网历史数据以及模型信息等进行了深入的数据挖掘,通过聚类分析、线性回归算法、熵权法等建立了设备状态诊断模型和评价体系,实现了对设备故障评估和预警分析等,为及时发现配电网的薄弱环节,保障配电网设备的安全稳定运行提供了有效手段。系统已在地市供电公司的配电网诊断方法研究与实现项目中得到实际应用,很好地满足了地市供电公司的配电网精益化管理需求。     

基于图像识别技术的隧道工程监控管理系统设计

针对现有技术中隧道工程故障诊断存在的技术弊端,提出了一种利用巡检机器人进行智能化的监控管理方法,本研究通过巡检机器人对隧道工程的进度信息进行采集,通过图像识别技术实现隧道工程故障信息获取,通过多传感器数据信息融合模型对采集的信息进行处理,通过GIS技术对运维常的项目情况进行三维建模,并利用视觉点对三维建模中三角形空间单元进行删减,提高图像刷新率。通过模拟实验,本研究设计的巡检机器人监管方案的评价精度高,得出采用本研究设计的可视化监管方案可以使评价得分提升了21%。大大提高了隧道工程故障诊断能力。