基于贝叶斯网络的高压断路器拒动故障概率预测

在小样本条件下,结合运维单位掌握完整的设备信息、运维信息,提出了一种基于贝叶斯网络的高压断路器拒动故障概率预测方法,对高压断路器拒动故障可能性范围进行估计。首先,建立高压断路器拒动的元器件故障树;其次,通过分析多种影响因素与关键元器件之间的关联性,建立“影响因素—元器件—拒动”的多层贝叶斯网络;最后根据全网110 kV及以上电压等级高压断路器运行情况及拒动缺陷/事件情况,将每台断路器影响因素的定性特征转化为定量特征,运用贝叶斯网络的推理算法,实现高压断路器拒动概率的预测。通过算例验证,证明了所提方法的有效性。     

基于贝叶斯网络的电网故障诊断

针对电网故障诊断中存在的信息具有不确定性的问题,依据元件故障、保护动作和断路器跳闸之间的内在逻辑关系,由Noisy-Or和Noisy-And节点组成贝叶斯网络和采用类似训练多层前馈神经网络的误差反传算法进行诊断模型的参数学习,分别建立了线路、变压器和母线的通用故障诊断模型;依据元件-保护-断路器间的关联关系,给出了元件诊断贝叶斯网络的自动生成方法,最后对各个元件的诊断网络进行推理,以获得元件的故障概率值。实例仿真表明了该诊断方法的可行性和有效性,无论简单故障或多重故障,并且存在保护和断路器拒动、误动的情况下,都能得到合理有效的诊断结果。     

基于贝叶斯网络和故障录波数据的电网故障综合诊断方法

电网故障诊断是保证系统安全运行的基础,故障录波系统提供的信息为电网故障的精确诊断提供了重要依据。为了有效利用故障录波数据,并在信息缺失或不确定条件下精确诊断电网故障,研究了基于贝叶斯网络和故障录波数据的电网故障综合诊断方法。通过在故障录波联网系统的主站建立输电网贝叶斯模型,结合从故障录波系统得到的模拟量和开关量数据,从而构成基于贝叶斯网络的电网故障识别模型。将贝叶斯网络得出的高可信度诊断结果融入专家系统的知识库,形成完备的故障诊断专家系统。实例分析表明,可快速并准确地定位故障元件,提高电网故障处理效率。     

基于贝叶斯网络和故障区域识别的电网故障诊断研究

针对电网中因元件故障导致多个保护连锁动作的现象,提出了基于故障区域识别和贝叶斯网络的新型电网故障诊断方法.以电网元件为根节点分别建立贝叶斯网络,利用实时接线分析法确定故障区域以缩小诊断范围,再对故障区域中各元件的贝叶斯网络,利用反向推理得到各元件故障概率.结合SCADA/RMS系统信息,正向推理和相应计算推断出故障元件、拒动与误动的保护装置及断路器.算例的仿真结果证明了该方法的有效性,对于级联跳闸情况可准确诊断出故障.     

基于贝叶斯网络和故障区域识别的电网故障诊断研究

针对电网中因元件故障导致多个保护连锁动作的现象,提出了基于故障区域识别和贝叶斯网络的新型电网故障诊断方法。以电网元件为根节点分别建立贝叶斯网络,利用实时接线分析法确定故障区域以缩小诊断范围,再对故障区域中各元件的贝叶斯网络,利用反向推理得到各元件故障概率。结合SCADA/RMS系统信息,正向推理和相应计算推断出故障元件、拒动与误动的保护装置及断路器。算例的仿真结果证明了该方法的有效性,对于级联跳闸情况可准确诊断出故障。     

基于贝叶斯网络的电容型设备故障诊断方法

提出了基于贝叶斯网络的电容型设备故障诊断方法,阐述了贝叶斯网络的构建过程.通过广泛收集有关电容型设备的故障资料,综合其各种检测数据和故障征兆,获得了较为全面的故障集和征兆集.经过对数据的统计分析获得了各故障类型下各征兆量有明显体现的条件概率,在此基础上建立了基于贝叶斯网络的电容型设备故障诊断模型,并根据电容型设备故障诊断的特点改进了贝叶斯网络的推理过程,采用连概率计算过程进行故障类型的概率信息计算,根据概率信息进行故障分类,提高了该方法的实用性.通过电容型设备故障实例分析,诊断结果验证了该方法的正确性和有效性.     

基于贝叶斯网的电网多区域复杂故障诊断研究

针对大电网复杂拓扑结构的电网故障情况,先对其进行分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型.利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别.该方法对复杂故障采用多区域并行诊断.算例结果表明,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值.     

基于贝叶斯网的电网多区域复杂故障诊断研究

针对大电网复杂拓扑结构的电网故障情况,先对其进行分割,提出一种基于粗糙集与贝叶斯网相融合的分层递归型诊断网络模型。利用粗糙集理论的知识约简和处理不确定信息的能力,对电网故障诊断知识进行分层挖掘,实行属性优选,再运用贝叶斯网络完成故障区域及故障元件的识别。该方法对复杂故障采用多区域并行诊断。算例结果表明,该方法正确、有效,能提高系统丢失关键信息情况下的容错性,实时性也很高,具有很好的实用价值。     

基于贝叶斯网络的连锁故障概率模型

在分析连锁故障传播机理的基础上,按照连锁故障发生、发展的物理过程,分析系统潮流转移时线路的自临界特性,结合连锁故障发展阶段的概率特点,基于贝叶斯网络方法的连锁故障概率分析,建立了一种电网连锁故障的概率分析模型.通过对连锁故障过程的模拟,用系统负荷损失指标对连锁故障进行风险评估,分析系统的薄弱环节,研究降低连锁故障风险的...     

基于广域测量系统的电网故障在线智能化诊断与分析方法

现有电网故障实时诊断与分析中存在2个主要问题：一是数据源的问题,即保护和开关动作信息上传不及时、时标不一致和信息缺失;二是误动拒动分析中存在2个重要盲点。同时为实现智能输电网的自愈性特征,又必须实现对电网故障的实时准确诊断和精确分析。针对上述问题,提出基于广域量测系统(wide area measurement system,WAMS)的电网故障快速诊断与分析的解决方案。同时还设计以多智能体技术为基础的面向数据服务的体系结构,并详细分析各智能体的主要结构和实现方法。最后,通过实际扰动试验的测试结果表明,该方法具有故障诊断速度快、故障诊断与分析结果准确等特点,尤其在误动拒动问题上可达到实时精确地分析,如在智能输电网中应用可有效降低大停电事故发生的概率。     

基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于贝叶斯推断LSSVM的滚动轴承故障诊断

针对传统最小二乘支持向量机分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法通过三级分层推断优化确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率.将基于贝叶斯推断最小二乘支持向量机分类方法应用于滚动轴承故障诊断中,实验仿真结果表明该方法能有效地识别滚动轴承的故障,且训练时间和测试时间均小于传统最小二乘支持向量机方法。     

基于贝叶斯网络的水电机组振动故障诊断研究

水电站的状态监测系统积累了大量的监测数据,但由于现场专家缺乏,目前这些数据没有得到很好的利用,如何挖掘这些数据并结合专家经验对水电机组进行故障诊断是本文研究的重点。本文提出了一种基于贝叶斯网络的水电机组振动故障诊断模型。根据专家经验获得贝叶斯网络结构和部分节点参数,通过SOM神经网络对数据信号进行离散化处理,利用EM算法参数学习获得其他节点的概率分布,搭建基于贝叶斯网络的子系统模型,并将子系统模型整合成完整的系统模型。文章最后通过设计试验,验证了所建模型诊断结果的正确性和合理性。     

电网故障诊断的时间因果贝叶斯网模型

在使用保护和断路器的动作信息进行电网故障诊断时,这些警报的时序特性的加入能够给诊断提供更丰富的信息,使得诊断结果更准确。提出了电网故障诊断的时间因果贝叶斯网模型,采用模糊方式对时间因果关系进行离散化处理,采用模糊运算来合成多个时间因果关系,通过概率计算获得最大可能的故障假说。理论与算例表明该方法有效可行。     

基于遥信数据故障编码技术及DHNN校正的电网故障诊断方法

提出采用故障编码技术形成故障空间最优编码集,然后通过模板匹配的方式进行电网故障诊断的方法。针对由于缺少前端故障遥信数据处理的清洗算法,造成故障诊断算法诊断正确率不高的问题,提出了建立离散Hopfield神经网络模型用于故障遥信数据的前端数据清洗的算法。利用故障遥信数据之间的相关性对遥信变位数据进行分组,并对各组数据分别采用所提出的算法进行数据清洗,利用穷举输入状态数据的方法求取了算法的修正域,从而建立了DHNN清洗模型。最终形成具有纠错能力的电网故障智能诊断方法,实现在故障诊断空间内对故障元件的诊断。通过实际电网的故障遥信数据的测试,验证了DHNN神经网络信息纠正模型和故障诊断模型对电网故障元件诊断的有效性。     

一种基于PSO-GWO的电网故障诊断方法

针对基本优化算法在电网发生复杂故障时求解的准确度不高、易陷入局部最优等问题,提出了一种粒子群混合灰狼算法(Hybrid Algorithm of Particle Swarm Optimization and Grey Wolf Optimization,PSO-GWO)优化电网解析模型的诊断方法.引入了一种计及误动、...     

一种基于径向基神经网络和频谱分析的电路元件故障诊断方法

针对一类模型不确定的非线性系统,提出了具有强鲁棒性和高灵敏度的在线故障检测与诊断方法。其中,系统只有输入、输出可检测,故障是关于输入和状态的非线性函数。将RBF神经网络和频谱分析相结合,由RBF神经网络来学习及存储电子电路的故障频谱和故障类型之间的映射关系,介绍了该算法的实现过程。并以某船舶电气设备放大电路为例建立仿真系统。仿真结果和实验实例表明,该算法可以快速有效地对故障元件进行定位,识别率较高。     

基于贝叶斯网络信息融合的直流配电网故障诊断方法

新型直流配电系统故障期间暂态特征复杂多变,继电保护存在拒动和误动情况。为了避免继电保护的不正确动作对故障诊断产生影响,提出一种基于贝叶斯网络信息融合的直流配电网故障诊断方法。首先,对传统继电保护贝叶斯网络模型进行改进,同时考虑直流配电网故障限流策略,分别构建保护动作信息、断路器动作信息和限流策略信息3种贝叶斯网络模型,对故障区域内各元件的故障概率进行初步评估。其次,利用D-S证据理论将各元件对应的故障概率信息进行融合,完成故障元件的判别。然后,应用故障元件对应的贝叶斯网络模型识别误动或拒动的保护装置与断路器,实现对直流配电网的故障诊断。最后,通过算例验证了所提故障诊断方法的可靠性以及准确性。