基于协同滤波器和支持向量机的HVDC系统故障诊断

提出一种基于协同(consensus)滤波器和支持向量机的HVDC系统故障诊断方法。由于随机噪声的干扰,测得的输电线路中直流电压信号无法直接用于故障的检测,使用协同滤波器对多个传感器测得的直流电压信号进行滤波,然后将滤波后的结果用来构建故障检测滤波器,检测故障的发生。为更好的对检测出的故障进行分类,有效提取故障特征,对直流电压波形进行S变换。变换后的特征量作为支持向量机(support vector machine,SVM)的输入,建立系统故障诊断模型,并比较不同参数下的SVM模型性能。仿真结果表明,故障检测有效,且对不同的故障能正确的进行分类。     

基于H∞滤波器和迭代算法的HVDC系统故障诊断

介绍了一种可有效检测而且能估计出高压直流输电(HVDC)系统中故障的方法.首先根据HVDC系统模型,构建故障观测器,形成广义残差模型.然后通过线性矩阵不等式(LMI)的方法,将HVDC故障检测问题转化为鲁棒稳定性分析问题,并给出了解存在的LMI条件和求法.为有效地对检测出的故障进行分类,建立了一种基于迭代学习算法的新型故障诊断滤波器,可估计出HVDC系统中发生的故障,从而达到对其进行分类的目的.仿真结果验证了文中所提出的算法能有效检测出发生的故障,且对不同的故障能正确地分类.     

支持向量机在传动装置故障诊断中的应用

针对传动装置中变速箱齿轮故障诊断问题.利用建立在结构风险最小原理基础上的支持向量机的模式分类功能,构造了两种多故障分类器.支持向量机采用高斯径向基函数作为核函数,选取样本进行测试和训练,在小样本情况下对变速箱齿轮的故障进行诊断.本文重点讨论了"成对分类"与"一对余类"两种多类分类算法的应用.实例表明,多类分类器对设备故障具有很好的分类效果,同时也显示了支持向量机在处理小样本问题上的优越性.     

基于支持向量机的移动机器人故障诊断

某些移动机器人在人们无法到达的环境下工作,因此机器人应该具备自己诊断和处理故障的能力。本文研究移动机器人运行时正常状态和可能发生的故障状态,通过采集和记录其数据作为训练和测试数据,采用小波变换提取不同状态下的特征矢量,利用支持向量机(SVM)的方法对特征矢量分类,实现对移动机器人行进时的故障诊断。结果表明,小波变换提取特征矢量、支持向量机分类的方法对于移动机器人的故障诊断效果良好。     

基于SVD-SVM的HVDC换流器故障诊断

换流器结构复杂,其故障信号难以诊断。文中基于奇异值分解(SVD)和支持向量机(SVM)提出了一种换流器故障诊断的新方法,对选取的故障信号矩阵进行SVD分解,所得奇异值的大小反映故障信息量的大小,选取最大奇异值对应的特征矩阵作为样本,用SVM进行训练分类。当换流器发生故障时,对故障信号矩阵进行SVD分解,用训练所得的SVM诊断器进行故障诊断。仿真表明,SVD分解可以有效提取换流器故障特征,通过SVM可以准确诊断换流器各种故障,文中方法快速准确。     

支持向量机在模拟电路故障诊断中应用

支持向量机是建立在统计学习理论基础上的机器学习方法,结构简单,泛化能力强,对小样本分类具有良好的识别效果.本文提出了基于支持向量机的模拟电路故障诊断新方法,描述了电路故障特征的选取过程,建立了以支持向量机为基础的模拟电路故障诊断模型.并以双二次滤波电路为诊断实例,实验结果表明,该方法故障诊断准确率大于96.5%,优于传统方法.     

基于支持向量机的齿轮箱齿轮故障诊断

通过对风机传动系统中齿轮故障进行模拟试验,构建结构风险最优的支持向量机（SVM）网络,对采集到的电磁速度信号进行快速傅里叶分解,选取高频段的频谱特性作为分量进行样本化学习,完成对齿轮故障样本的训练,使SVM具备分类功能.最后,采用SVM对齿轮箱试验台齿轮故障进行诊断分类识别,取得较好的效果,说明齿轮故障信号高频特性所包含故障信息在整个频谱中的有效性以及SVM作为一种故障诊断方法的实用性.     

模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

支持向量机多分类及其在变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中。通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断。     

支持向量机多分类及其在变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题.分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中.通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断.     

利用consensus滤波器诊断HVDC系统故障

高压直流输电(HVDC)系统对运行时的稳定性要求比较严格,出现故障时应能及时分辨故障类型并快速恢复。传统的利用神经网络诊断HVDC故障一般都是将电压电流信号输入网路,没有实际测量过程中随机噪声的干扰。为此,针对长输电线路中实际测量的直流电压信号易引入随机噪声干扰的特点,提出了一种分布式故障诊断算法并研究了consensus滤波器在滤除直流电压信号噪声中的应用。最后的仿真结果表明,consensus滤波器可有效滤除测量噪声,从而可有效检测出HVDC系统中的故障。     

高压直流输电系统故障诊断新方法

提出了一种新的故障跟踪估计器来诊断高压直流输电(HVDC)系统中的故障。考虑到随机噪声对测量结果的影响,首先采用协同(Consensus)滤波器对HVDC系统的输出滤波,然后根据HVDC状态方程引入一个新的参数——虚拟故障,来构建故障跟踪估计器。根据预测控制中的滚动优化思想,选取优化时域,并根据故障跟踪估计器的输出电压和HVDC实际电压的差,通过反复迭代运算来调节虚拟故障,使虚拟故障逼近系统中实际发生的故障,从而对故障进行分类。与基于神经网络等方法的故障诊断不同的是,该设计方法不但可以检测出故障,还可以估计出故障函数,针对不同类型的故障也可以很好地进行诊断。最后针对不同类型故障的仿真结果表明了该算法的可行性和有效性。     

直流输电系统PLC噪声滤波器的设计

为了抑制直流输电系统中因换流阀导通和关断时电压突变在交直流线路上产生的大量电力线载波(PLC)噪声,并将其降到规定的限制标准,减少对PLC通信系统产生干扰,在PLC噪声滤波器设计中应用了电磁兼容(EMI)滤波器的设计原理。通过与EMI滤波器进行对比,得出PLC噪声滤波器的特点并根据噪声源和负载不同的阻抗特性,给出了4种适用的PLC噪声滤波器的网络拓扑,并详细说明了各种结构中主参数和调谐参数的确定方法。最后用Matlab/Simulink作为仿真平台,以贵广二回直流输电系统深圳换流站交流侧PLC噪声滤波器设计为例,证明所提出的设计方法是可行的。     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于支持向量机多分类方法的模拟电路故障诊断研究

基于统计学习理论结构风险最小化原则和VC维理论的支持向量机对小样本决策具有较好的学习推广性。由于基本支持向量机算法最初是针对两分类问题推导出来的,在解决故障诊断这种典型的多类分类问题时存在困难。针对模拟电路故障诊断问题,在分析比较支持向量机“一对多”和“一对一”多分类算法的基础上,构建改进的串行支持向量机多分类方法,并依据该算法建立了多故障分类器。将其应用于典型的电源电路故障诊断,仿真试验结果证明了该方法的有效性。     

智能系统在电站故障诊断中的应用及展望

该文介绍了智能系统在电站故障诊断中的应用现状,论述了电站智能诊断系统的发展趋势。参６     

Novel Fault Diagnosis Scheme for HVDC System via ESO

A novel fault detection and identification(FDI)scheme for HVDC(High Voltage Direct Current Transmission)system was presented.It was based on the unique active disturbance rejection concept,where the HVDC system faults were estimated using an extended states observer(ESO).Firstly,the mathematical model of HVDC system was constructed,where the system states and disturbance were treated as an extended state.An augment HVDC system was established by using the extended state in rectify side and converter side,respectively.Then,a fault diagnosis filter was established to diagnose the HVDC system faults via the ESO theory.The evolution of the extended state in the augment HVDC system can reflect the actual system faults and disturbances,which can be used for the fault diagnosis purpose.A novel feature of this approach is that it can simultaneously detect and identify the shape and magnitude of the HVDC faults and disturbance.Finally,different kinds of HVDC faults were simulated to illustrate the feasibility and effectiveness of the proposed ESO based FDI approach.Compared with the neural network based or support vector machine based FDI approach,the ESO based FDI scheme can reduce the fault detection time dramatically and track the actual system fault accurately.What’s more important,it needs not do complex online calculations and the training of neural network so that it can be applied into practice.     

基于神经网络的HVDC系统故障诊断

HVDC(高压直流输电)系统对运行时的稳定性要求比较严格,出现故障时要求能及时分辨故障类型并快速恢复。鉴于神经网络具有很强的非线性分类能力,该文研究了多种不同结构的神经网络在HVDC系统故障诊断中的应用,并对其诊断性能进行了分析。仿真结果表明,神经网络能够很好的完成HVDC系统的故障诊断。