基于Wiener过程的交流接触器剩余电寿命预测

在电负荷应力作用下交流接触器的电性能发生退化,其性能退化参数包含着与剩余电寿命相关的信息。该文提出将电弧侵蚀量作为描述交流接触器电性能退化的特征参数,并通过分段累积电弧侵蚀量的方法构造出服从正态分布的新变量,使其满足Wiener过程要求。建立基于Wiener过程的交流接触器性能退化模型,确定交流接触器剩余电寿命分布函数,并提出剩余电寿命的预测方法和预测模型参数的估计方法。在使用类别AC4的试验条件下进行交流接触器电寿命试验,由试验数据确定预测模型参数,并进行其剩余电寿命预测的试验验证。结果表明该文提出的方法可以用于AC4试验条件下交流接触器剩余电寿命的预测,预测误差在工程应用的可接受范围内。     

基于BP神经网络的交流接触器剩余电寿命预测

交流接触器广泛应用于各种用电控制系统,对其剩余电寿命进行准确预测可以提高用电控制系统运行的可靠性。建立了交流接触器剩余电寿命预测的神经网络模型,并提出网络模型结构参数的确定方法。采用平均影响值(MIV)筛选方法对预测模型输入参量进行筛选,确定了累积燃弧能量和吸合时间为预测模型的主要输入参量,能够反映影响交流接触器电寿命的关键因素。分析了不同神经网络模型下交流接触器电寿命的预测误差,其中自适应遗传算法优化BP神经网络(AGA-BP)模型的预测精度最高。分析了输入参量对神经网络预测结果的影响,对比了输入参量无筛选、因子分析法、MIV筛选下预测的误差,结果表明采用MIV方法筛选出累积燃弧能量和吸合时间进行交流接触器电寿命预测的效果最好。将不同试品的试验数据分别作为训练样本和验证样本进行预测,其最大预测误差在11%以下,因此预测模型满足工程需要。     

基于Gamma过程的交流接触器剩余电寿命仿真预测

交流接触器在电力系统中担负着开断、控制功能,其运行状态对整个电力系统的安全运行有重要的意义。根据交流接触器的仿真数据建立了Gamma过程模型并进行了剩余寿命预测。首先,通过MATLAB得出三组单触头电弧侵蚀仿真试验数据,并计算出每100次的累积燃弧能量。其次,将累计燃弧侵蚀数据的频率直方图和经验分布函数图分别与Gamma分布密度曲线和累积曲线进行拟合,并做出皮尔逊χ2拟合优度检验,结果证明了Gamma过程可以描述交流接触器的性能退化过程。最后,对仿真数据进行基于Gamma过程模型的剩余寿命预测,并进行误差分析。通过分析,寿命预测结果的相对误差绝大部分是在10%以下,极个别结果在20%以下,可以满足工程上的需要,提高了预测精度。     

基于小波变换与灰色理论相结合的交流接触器电寿命预测

为实现对交流接触器电寿命的准确诊断,提出了一种基于小波变换与灰色GM（1,1）模型相结合的交流接触器电寿命预测方法。采用小波变换对信号进行多分辨率分析提取特征量,再基于灰色GM（1,1）模型得出预测结果。通过自主搭建交流接触器通断试验平台进行全寿命试验,验证了方法的合理性。结果表明,提出的方法能够准确预测出交流接触器的电寿命状态。     

基于关联度与自检验长短期记忆网络的风电机组轴承寿命预测模型

为提高风电机组轴承寿命预测的稳定性，提出基于关联度与自检验长短期记忆网络(self-checkinglong short-term memory,Sc-LSTM)的轴承寿命预测模型。首先，采用长短期记忆网络(long short-term memory,LSTM)对风电机组轴承单一运行状态信号进行预测，分析预测误差与运行状态关系，建立风电机组轴承的寿命时长体系。其次，LSTM对轴承全寿命信号进行预测与分析，选择检验指标σ来构建检验层与Sc-LSTM，引入通过率η对预测效果进行评价。采用关联度(indexedrelation,IR)为轴承全寿命信号的状态评价指标，得到轴承的IR运行曲线。最后，利用Sc-LSTM分别对IR运行曲线、风电机组轴承信号进行预测与分析，结果表明：Sc-LSTM与IR的预测模型能有效地提高轴承寿命预测的稳定性，减少大规模预测试验的时间与成本，弥补预测误差对预测效果评价单一的问题，与其他预测方法相比效果更佳，在风电机组轴承寿命预测上具有一定参考价值。     

基于音频特征的交流接触器电寿命预测方法

该文基于音频特征的交流接触器电寿命预测方法,采用快速傅里叶变换法分析交流接触器线圈工作电压异常、触头磨损和壳体松动三种状态下接触器合闸时的音频特征,分别与正常的交流接触器音频特征进行对比.对比结果发现,非正常状态的交流接触器合闸时其音频特征与正常状态时明显不同.为进一步研究接触器合闸时的振动发声机理,基于振动方程和声压波动方程建立接触器合闸时的声场模型,仿真结果表明,该声场模型产生的音频频谱幅值随线圈工作电压的增大而变大、频谱分布随触头形貌改变而变化.分别运用BP神经网络和卷积神经网络(CNN)构建交流接触器合闸音频特征与电寿命的关联模型,对比了L-M算法、拟牛顿法、动量BP法和自适应梯度下降法四种BP网络学习算法,建立电寿命验证平台.实验结果表明,L-M算法性能最优,预测误差小于10％;CNN可以在线学习和提取音频特征,但其预测误差超过20％.     

基于Wiener过程电子式漏电断路器的剩余寿命预测

对高可靠性、长寿命的电子式漏电断路器建立基于Wiener过程的剩余寿命预测模型并对其进行可靠性预测.首先对电子式漏电断路器进行以温度为加速应力、剩余动作电流值为退化特征量的恒定应力加速退化试验,根据试验数据描述其性能退化轨迹,分析性能退化规律;然后对加速退化试验数据进行正态分布检验,验证其符合Wiener过程,利用极大...     

基于EEMD和IHHO-LSSVM滚动轴承剩余寿命预测方法的研究

针对滚动轴承剩余寿命预测准确度不高的问题,构建一种基于集合经验模态分解(EEMD)和考虑改进哈里斯鹰算法(IHHO)的最小二乘支持向量机(LSSVM)滚动轴承剩余寿命IHHO-LSSVM预测模型.首先,使用EEMD对原信号进行分解,根据峭度指标和相关系数选取合适的本征模态函数(IMF)进行重构.然后采用核主成分分析(KPCA)提取累计贡献率大于85％的主成分作为评估轴承退化性能指标.引入能量周期性递减调控机制,IHHO-LSSVM模型进行寿命预测,有效提高了HHO算法中寻找最优解的能力.通过轴承全寿命试验数据进行验证,其结果表明,该方法提取的轴承性能评估指标能够更为全面地表征轴承性能退化情况,建立的IHHO-LSSVM模型具有良好的预测效果.     

接触器触点超程分析及其退化状态的诊断

触点超程是表征接触器寿命的重要特征参数。目前无法在接触器工作时直接测量得到触点超程,主要通过超程时间进行接触器寿命预测研究,而此类方法存在试验周期长、推广性差、数据噪声大等问题。该文首先在寿命试验数据基础上,分析触点超程与寿命之间的关系,确定触点超程的退化机理及退化范围;然后基于虚拟样机仿真模拟触点超程退化过程,分析触点超程退化特征,提取退化特征值;基于实际产品寿命试验触点超程的退化数据,提出利用支持向量机对触点超程退化等级进行分类的方法,完成对触点超程退化状态的诊断;最后通过实例验证诊断方法的可行性,诊断结果表明该方法具有较高的准确率,可大大缩短接触器寿命预测所需要的时间。     

基于数据融合方法的智能电能表运行剩余寿命预测

本文融合加速退化试验数据和外场检测退化数据对智能电能表进行在线运行的剩余寿命预测。首先,基于加速退化试验（ADT）数据建立非线性Wiener过程退化模型和温湿综合加速模型,利用贝叶斯理论估计模型参数。其次,利用外场检测的退化数据对退化模型中参数进行不断更新,采用粒子滤波算法实现这一更新过程。最终,给出智能电能表在外场状态检测时刻开始的剩余寿命预测结果。该方法解决了两个问题,一是解决了仅仅利用ADT数据对智能电表在线运行状态评估不准确的问题;二是解决了仅仅利用外场使用条件下的数据量建立预测模型不准确的问题。不仅如此,使用粒子滤波（PF）算法对参数更新的精确度也很高。因此,本文对于智能电能表数据融合方法的研究有着一定的参考价值。     

基于XGBoost-RFECV算法和LSTM神经网络的PEMFC剩余寿命预测

针对质子交换膜燃料电池（PEMFC）寿命预测方法中PEMFC特征对其寿命的影响程度未知和模型预测精度低的问题,提出一种基于XGBoost-RFECV算法和长短期记忆（LSTM）神经网络的PEMFC剩余寿命预测方法。首先通过等间隔采样和SG卷积平滑法对PEMFC原始数据进行重构和平滑处理,有效提取PEMFC退化趋势。然后利用XGBoost-RFECV算法计算PEMFC不同特征的重要度,并选择平均交叉验证均方误差最小的10个PEMFC特征组成最优特征子集。最后将最优特征子集输入构建的双层LSTM神经网络实现PEMFC的剩余寿命预测。实验结果表明,该方法的平均绝对误差和均方根误差分别为0.001 9和0.002 5,决定系数R²为0.974,与XGBoost-RNN、XGBoost-LSTM和XGBoost-RFECV-RNN方法相比预测精度更高,能够有效地预测PEMFC剩余寿命。     

考虑台风影响的海上风电机组部件剩余寿命预测方法

针对台风天气影响下海上风电机组剩余寿命预测问题,提出了考虑退化状态与台风冲击相依的海上风电机组部件剩余寿命预测方法。基于台风冲击模型及部件状态对部件退化过程的影响分析,构建了考虑退化状态与冲击相依的海上风电机组部件剩余寿命可靠度模型。利用实际监测数据对部件可靠度模型进行修正更新,建立了剩余寿命动态预测模型。采用fmincon函数对离散化处理后的部件可靠度模型进行参数估计,结合运行监测数据修正参数,进而动态预测剩余寿命。以某海上风电机组齿轮箱部件为例进行仿真,验证了所提方法的有效性。     

基于XGBoost-RFECV算法和LSTM神经网络的PEMFC剩余寿命预测

针对质子交换膜燃料电池（PEMFC）寿命预测方法中PEMFC特征对其寿命的影响程度未知和模型预测精度低的问题,提出一种基于XGBoost-RFECV算法和长短期记忆（LSTM）神经网络的PEMFC剩余寿命预测方法。首先通过等间隔采样和SG卷积平滑法对PEMFC原始数据进行重构和平滑处理,有效提取PEMFC退化趋势。然后利用XGBoost-RFECV算法计算PEMFC不同特征的重要度,并选择平均交叉验证均方误差最小的10个PEMFC特征组成最优特征子集。最后将最优特征子集输入构建的双层LSTM神经网络实现PEMFC的剩余寿命预测。实验结果表明,该方法的平均绝对误差和均方根误差分别为0.001 9和0.002 5,决定系数R²为0.974,与XGBoost-RNN、XGBoost-LSTM和XGBoost-RFECV-RNN方法相比预测精度更高,能够有效地预测PEMFC剩余寿命。     

基于BiGRU网络的锂电池寿命预测

锂离子电池寿命预测是电池健康管理的一项重要内容,针对锂离子电池使用寿命预测难和单向LSTM神经网络不能充分利用数据信息等问题,提出了一种基于BiGRU的神经网络模型并将电池容量数据作为关键因子的锂离子电池循环寿命预测方法.BiGRU的神经网络预测精度更高,且训练参数较少,验证了BiGRU模型的有效性.     

Wiener过程性能退化电子产品的剩余寿命预测方法

针对Wiener过程性能退化电子产品剩余寿命预测中存在先验信息获取困难、预测不能有效体现个体差异性的问题,研究一种基于自助法的电子产品剩余寿命预测方法。首先,基于Wiener过程建立性能退化模型;其次,利用自助法获取先验数据,并以此数据确定退化模型参数的先验分布;最后,由贝叶斯方法融合退化数据确定退化模型参数的后验估计,进而由剩余寿命分布确定产品的剩余寿命。该方法能够得到具有个体差异性的预测结果,适合于单个电子产品的在线剩余寿命预测,并通过对GaAs激光器的实例分析验证了该方法的有效性。     

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。     

基于门控循环单元神经网络的LED寿命预测方法

LED寿命预测仍存在预测结果准确性不高、预测速度不足等问题。本文提出了一种基于门控循环单元神经网络的LED寿命预测方法,提出利用门控循环单元简化神经网络预测模型,并将模型输入数据的长度设置为变量,使预测过程能够考虑更多的LED历史退化信息;再采集LED流明维持数据作为训练样本,训练寿命预测模型;最后利用训练好的模型对LED进行寿命预测实验,并与其他三种方法进行对比。实验结果表明,本文方法具有更高的预测准确度和更快的预测速度,且具有良好的鲁棒性。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

基于Attention-GRU的短期电价预测

通过分析得出电价与负荷具有相关性,因此在电价预测模型中需要考虑实时负荷的影响。在此基础上针对前馈神经网络不能处理时序数据的缺陷与LSTM神经网络预测速度慢的问题,提出了一种基于Attention-GRU (Attention gated recurrent unit, Attention-GRU)的实时负荷条件下短期电价预测模型。该模型充分利用电价的时序特性,并采用Attention机制突出了对电价预测起关键性作用的输入特征。以美国PJM电力市场实时数据为例进行分析,通过与其他几种预测模型相比,验证了该方法具有更高的预测精度;与LSTM神经网络相比具有更快的预测速度。