基于模糊支持向量机的开关柜运行故障实时监测方法

常规的开关柜运行故障实时监测方法主要使用GSY20 测量传感器采集故障信号,易受局部放电作用影响,导致监测的异常幅值与实际异常幅值相差较大。因此,需要基于模糊支持向量机设计一种全新的开关柜运行故障实时监测方法。利用模糊支持向量机进行了故障实时监测分类,构建了开关柜运行故障实时监测中心,从而实现了开关柜运行故障实时监测。实验结果表明,所设计的监测方法监测的异常幅值与实际异常幅值接近,监测效果较好。     

基于多尺度排列熵和改进多分类相关向量机的滚动轴承故障诊断方法

针对传统的时域、频域和时频域参数提取方法,难以从滚动轴承振动信号中提取出丰富的故障特征问题,提出通过多尺度排列熵提取故障特征,并结合改进的多分类相关向量机进行故障诊断的方法。由于多分类相关向量机的核函数参数不具有自适应选择的能力对故障诊断精度有较大影响,通过一种新智能优化算法-蝗虫优化算法改进多分类相关向量机,实现多分类相关向量机的自适应优化故障诊断。采用美国西储大学的试验数据验证表明,提出的优化故障诊断模型能够实现滚动轴承不同类型的故障诊断和不同故障程度的辨识,与粒子群优化多分类相关向量机的故障诊断模型相比,提出的故障诊断模型准确率达到了100%。     

基于多变量多尺度熵的变压器励磁涌流识别方法

推导变压器励磁涌流的频域表达式,分析不同的合闸初相角和剩磁对励磁涌流的影响。采用可评价多通道数据复杂性和相关程度的多变量多尺度熵算法识别励磁涌流。根据励磁涌流和故障电流多变量多尺度熵的特点,将由尺度因子和多变量多尺度熵组成的二维空间划分为动作区和制动区,定义电流熵值面积与给定的制动区面积的比值为熵值面积比,根据熵值面积比与定值的关系,识别变压器励磁涌流和故障电流。基于ATP/EMTP建立变压器模型,仿真不同情况下的励磁涌流和故障电流。仿真结果表明,基于多变量多尺度熵的辨识方法能有效区分励磁涌流和故障电流,并在性能上优于传统的二次谐波判据。     

基于多尺度排列熵和支持向量机的风力发电机组齿轮箱振动故障诊断

针对传统方法难以精确检测风力发电机组齿轮箱非线性、非平稳振动信号以及现有许多故障诊断方法无法有效诊断齿轮箱早期故障的问题,首先引入排列熵算法对齿轮箱振动信号进行早期故障分析,进而引入多尺度排列熵算法实现原始振动信号的特征提取,得到故障诊断的样本数据,最后将其输入到建立的基于遗传算法优化支持向量机的诊断模型中,完成故障模式的识别与分类。仿真结果表明,该方法能够有效识别齿轮箱的异常工况,具有较高的故障诊断精度。     

基于小波熵权和支持向量机的高压输电线路故障分类方法

高压输电线路故障类型的正确识别是进行故障定位和事故分析的前提。为此,作者提出一种分层的故障类型识别方法,首先根据线路故障时三相电流小波熵权分布曲线相互间距离的差异、距离之和进行故障的初步归类,构造表征不同故障类别的样本,然后采用支持向量机算法对样本进行训练,得到识别不同故障类型的最优分类面。仿真结果表明：该方法识别速度快,克服了常规线性分类方法的局限性,且故障识别精度不受系统运行方式、过渡电阻以及故障位置的影响,具有较强的通用性和实用性。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态...     

基于改进支持向量机的智能电能表故障多分类方法

智能电表故障多分类对于制定合理及时的智能电表检修计划具有重要意义。针对智能电表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电表的输出电压,输出电流,输出功率,功率因素误差等数据作为分类依据构建多维空间,考虑包括误差超差,直流电流开路,直流电压短路,控制回路短线在内的智能电表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电表故障多分类方法进行求解流程设计。最后通过对某配电台区智能电表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。     

改进多分类支持向量机的配电网故障识别方法

准确识别故障是配电网故障定位与治理研究的实现前提。提出以故障分量均方根及欧氏距离为特征量,结合改进多分类支持向量机(SVM)的配电网短路故障识别方法。首先,对馈线三相电流及母线零序电压故障后一周波的故障分量进行小波分解,并重构第2层的近似分量;其次,求取重构信号的均方根及欧氏距离作为特征向量;最终输入至改进多分类支持向量机完成配电网故障类型识别。10kV典型配电网软件仿真模型的与配电网物理仿真实验系统测试结果表明,所提出方法不但可高准确率地识别典型中压配电网常见故障,且能适应于中性点运行方式调整、分布式电源并网后等情况,验证了方法的准确性与适应性。     

基于模糊支持向量机的输电线路故障模糊分类方法及其降维显示

针对已有输电线路故障分类方法在样本中存在噪声时准确率有所降低情况,研究了基于Hilbert-Huang变换和模糊支持向量机(fuzzy support vector machines,FSVM)的输电线故障模糊分类方法,以提高输电线路故障分类的准确率.采用HHT变换获得故障时刻,提取故障后A、B、C三相及零序电流的特征能量函数值,组成FSVM的4维输入向量.利用网格优化方法对FSVM二分类器的惩罚参数C、核函数宽度σ进行优化.构造了FSVM的高维空间带状分段隶属度函数,求取样本的模糊决策函数值.构造多FSVM分类器.将故障时刻后特征向量送入多FSVM分类器,得到样本的故障分类初始标签.构造支持向量回归机(support vector regression,SVR),优化获得测试样本的最终故障隶属度,再对FSVM的分类标签进行修正.研究采用主成分分析法对样本高保真的降维处理方法、在3维坐标系中显示降维后3维向量及其故障模糊分类结果.为了测试算法,做了784组仿真实验,实验结果表明:FSVM+SVR的输电线路模糊故障分类方法不受故障点、故障类型、过渡电阻影响,故障识别率达到99.4％.在训练集1/5故障数据中加入5 dB Gauss白噪声,故障识别率仍保持不变.研究表明基于模糊支持向量机的分类方法适用于线路故障分类.     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提.应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵.以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别 A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络.应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型.仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响.     

基于小波奇异熵和支持向量机的配电网故障类型识别

准确识别故障类型是实现配电网故障定位的前提。应用小波变换技术提取反映接地故障特征的零序电压低频信号能量,应用小波变换和信息熵相结合的方法提取三相电压的小波奇异熵。以零序电压低频能量和三相电压的小波奇异熵为输入特征量,以相别A、B、C和地G为输出量,建立了四输入四输出的SVM故障类型识别网络。应用ATP/EMTP搭建配电网仿真模型模拟了各种故障条件下的各种故障类型。仿真分析表明,该方法能够快速准确地识别各种故障类型,且不受过渡电阻、故障位置等的影响。     

基于AVMD多尺度模糊熵和VPMCD算法的宽频振荡分类

电力系统宽频振荡具有宽频域、非线性和时变性的特点,对振荡分类在准确性、快速性等方面提出了更高的要求。为此,提出一种基于自适应变分模态分解(adaptive variational mode decomposition, AVMD)的多尺度模糊熵(multi-scale fuzzy entropy, MFE)和变量预测模型(variable predictive model-based class discriminate, VPMCD)相结合的宽频振荡分类新方法。首先,对宽频振荡信号进行AVMD,得到固有模态分量(intrinsic mode functions, IMFS)。然后,引入MFE对IMFS进行时域特征描述,同时实现对IMFS构造特征向量的降维处理。最后,采用VPMCD对MFE降维后的特征向量实现宽频振荡的分类检测。通过仿真和实测数据分析,结果表明,所提方法的宽频振荡分类检测准确率比支持向量机(support vector machines, SVM)、BP神经网络方法的分类准确率更高,分类时间更短。     

基于改进SSA-VMD和多尺度模糊熵的接地故障选线方法

针对高压配电网发生单相接地故障时暂态工频电流分量利用不充分,提出一种基于改进麻雀搜索算法优化变分模态分解(SSA-VMD)和多尺度模糊熵的接地故障选线方法。首先,利用精英反向学习策略提高麻雀搜索算法的种群多样性,利用改进后的SSA对VMD进行迭代寻优,由实验数据可得,优化后的变分模态分解可准确区分各馈线暂态零序电流的工频分量。其次,计算各馈线零序电流工频分量的多尺度模糊熵值,并采用多尺度模糊熵偏均值作为选线判据,选出故障线路。经MATLAB/Simulink仿真结果表明,该方法在大多数故障条件下均可正确选线,可靠性高,具有较强的鲁棒性。     

基于模糊C均值支持向量机的直流电机故障模式识别

提出了一种基于模糊C-均值的永磁直流电机故障模式识别方法。首先通过模糊C-均值聚类算法对无类别标识的故障样本数据进行模糊划分,并根据模糊聚类的隶属度矩阵,判断定位每一样本数据的所属类,并定位样本数据中的野点,消除野点后,再利用基于支持向量机的模式识别方法对模糊划分后的数据进行训练。研究结果表明:该方法解决了永磁直流电机故障在线监测与诊断中缺少已知类别标签的训练样本问题,抑制了复杂环境中噪声,提高了含有大量噪声数据的永磁直流电机在线故障识别精度。     

基于形态小波范数熵和支持向量机的电能质量分类研究

针对电能质量信号分类存在实时性差、准确度低的问题,提出了一种基于HMT(hit or miss transform)小波范数熵(norm entropy,NE)和支持向量机(support vector machine,SVM)的电能质量扰动识别方法。根据HMT小波分解每一层能量不同的特点,取扰动信号的10层小波分解的范数熵组成特征矩阵。特征量起到了对扰动信号分形的作用,以此作为SVM的输入。为了提高分类的准确度,研究采用了粒子群算法(particle search optimization,PSO)对SVM参数进行了寻优,分类准确度达到99%左右。同时比较了HMT小波和传统db4小波分别和SVM结合时的准确度,证明了HMT小波的优势和本文特征量提取法的有效性。而对于含噪声的电能质量信号,采用了广义形态滤波器进行了滤波预处理。仿真结果表明,该方法识别准确率高,稳定性好,适用于电能质量扰动识别系统。     

采用交叉熵支持向量机和模糊积分的电网故障诊断

为了解决分布式电网故障诊断中局部电网内部故障和相邻区域联络线故障的诊断问题,采用交叉熵支持向量机(cross entropy support vector machine,CE-SVM)的改进方法,提出一种基于后验概率输出的CE-SVM和模糊积分动态融合的大电网故障诊断策略。首先通过网络分区算法将电网分割成连通且计算负担平衡的子区域;采用历史数据离线训练各局部CE-SVM模块,根据故障报警信息选择性触发局部CE-SVM实现局部电网内部的故障诊断;利用模糊密度动态调节算法构建模糊积分环节,关联融合相连区域CE-SVM模块关于联络线故障的后验概率输出,实现联络线故障的综合决策。该方法不仅可以应对局部网络内部的故障诊断,也可以有效处理相邻区域间联络线的故障诊断问题。仿真结果看出:所得到的诊断结论正确,并且对于处理保护器和断路器报警信息丢失或不正确动作的情况具有较好的容错性。     

基于超球球心间距多类支持向量机的滚动轴承故障分类

为了降低滚动轴承故障智能分类的训练时间并提高分类精度,提出了一种滚动轴承正常、内、外环故障及不同故障严重程度的多状态分类方法。该方法首先采用峭度值结合相关系数法确定集合经验模态分解结果中包含主要状态信息的固有模态函数;再将其组成特征矩阵,利用奇异值分解所得奇异值作为特征向量;最后在采用改进分类规则的超球多类支持向量机分类时,提出由各状态超球球心间距中的最值来确定多类分类器核参数的选取范围,缩小选取区间,最终实现滚动轴承的多状态分类。实验结果表明,提出的滚动轴承多状态分类方法可以减少分类器的训练时间,提高分类精度。     

基于VMD多尺度模糊熵的HVDC输电线路故障识别方法

针对HVDC输电线路故障识别率低、远端高阻故障识别困难等问题,提出一种基于变分模态分解VMD(variational mode decomposition)多尺度模糊熵的HVDC输电线路智能故障识别方法.首先对暂态电流信号进行VMD分解,利用中心频率法则提取合适的IMF分量计算多尺度模糊熵、VMD能量和比值.分别利用V...