基于小波和神经网络的齿轮箱故障诊断

本文对齿轮箱故障诊断特点和方法进行分析,并举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警 方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测 点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和 残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生 前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差 减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

基于小波-时间序列组合模型的风电功率预测

随着风电规模的不断扩大,及时准确地对风电场功率输出进行预测具有重要意义。但由于风速具有不确定性,风电功率难以掌控。通过分析风速与功率之间的变化趋势,建立基于风速的功率计算的数学模型,然后以风速预测为突破口,基于小波分解模型将历史无规律风速进行模式分解。对分解出来的历史数列进行分析,采用合适的预测模型分别预测,还原为原始数列得到预测风速,最后计算得到预测风电功率。通过某地的实例计算,证明了采用小波分解与时间序列模型进行风电功率预测的准确性与可靠性。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

时间序列小波神经网络在故障测距中的应用

在小电流接地系统单相接地故障特征分析的基础上,提出了一种基于故障后暂态电气量由时间序列小波神经网络原理来实现的直配线路单相接地故障测距方法。给出了广义的小波神经网络概念,提出了适合暂态时间序列分析的小波神经网络模型并应用于小电流接地系统直配线故障测距。理论及大量的EMTP仿真结果表明此方法是可行的,且具有较好的故障测距性能。     

基于提升小波的时间序列分析法的电力负荷预测

为了合理分配电能和规划电网运行,需要对居民小区电力负荷进行精确预测。提出了一种基于提升小波的时间序列分析法进行电力负荷预测,采用提升小波对居民小区电力负荷进行主要特征量提取,避免了用电量数据随机性和波动性的干扰;运用时间序列法对经过提升小波去噪后的电力负荷序列,求取自相关和偏相关系数,确立相应数学模型,预测未来时刻的用电量。最后,利用上海嘉定某小区的历史负荷大数据进行了比较和分析,验证了方法的有效性。     

一种小波分解回声状态网络时间序列预测方法

针对多尺度时间序列各尺度发展趋势及整体预测问题,建立小波分解回声状态网络预测模型（wavelet decomposi-tion and echo state networks,WDESN）,根据各尺度的不同性质选取与之相匹配的回声状态网络模型（echo state networks,ESN）,同时,通过在各尺度条件下引入权值系数实现预测分量最优整合,提高整体预测精度。预测带噪多尺度正弦序列实验表明：WDESN模型与ESN、支持向量机及BP神经网络模型相比预测精度较高。目前,该模型已成功用于移动通信话务量的预测,并满足了现实系统的精度要求。     

基于OOB-GWO-SVR的风电机组齿轮箱故障预警

针对风电机组齿轮箱超温出现的故障问题,提出了基于改进参数优化机器学习算法的风电机组齿轮箱故障预警模型。 首先,通过随机森林袋外估计确定特征变量,并采用滑动平滑滤波对输入变量进行滤波处理。 其次,构建灰狼算法优化支持向 量回归模型,根据最优模型输出的偏差值确定状态识别指标。 最后,通过时移滑动窗口设置阈值范围,当状态识别指标超出阈 值范围之外时立即报警。 实验结果表明,该模型能提前 87 min 对风电机组齿轮箱温度异常发出故障预警,并且预警效果优于 距离相关系数-GWO-SVR 模型、Pearson-GWO-SVR 模型和 OOB-SVR 模型。     

基于时间序列的分布式光伏电站发电数据采集方法

由于当前方法对发电数据进行采集时,没有对发电数据的缺失值进行修复,存在缺失数据修复前数据采集精度差、与实际采集数据相差多的问题。该文提出一种基于时间序列的分布式光伏电站发电数据采集方法。根据光伏电站受到的不同影响,构建了负荷异常值类型的时间序列模型,利用该模型对异常数据负荷点进行剔除,由于剔除后的数据存在缺失值,因此对其进行修复;根据修复结果,采用BP神经网络对发电数据进行采集。实验结果表明,通过对该方法进行缺失数据修复前后对比测试、不同方法与实际指标数据采集测试,验证了该方法的有效性强、实用性高。     

基于小波分析的风电机组齿轮箱振动信号识别方法

针对传统齿轮箱振动信号识别方法使用过程中识别准确率较低,研究基于小波分析的风电机组齿轮箱振动信号识别方法.通过经验模态分析将振动产生信号分解后,提取信号振动时的频率特征,利用小波变换算法确定频率局部化特征,将振动产生的不同频率用来表示齿轮箱振动信号的变化幅度.实验表明使用小波分析方法进行振动信号识别,当频率为500Hz时,信号的幅度变化值为3m/s２;当频率为1000Hz时,信号的幅度变化值为6m/s２;而对异常信号的识别平均准确率为９７．２％,准确率较高,说明设计方法的识别效果较好.     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

基于GAKNN方法的配电站时间序列缺失数据补全方法

配电站时间序列数据从采集、传输到存储的过程中可能出现数据记录缺失的情况,在一定程度上影响高层级的数据分析及处理.针对这一问题,提出一种基于灰色自适应K-最近邻(GAKNN)方法的缺失数据补全方法.首先构建时间序列特征,然后在朴素K-最近邻(KNN)方法的基础上设置阈值筛选最近邻点,并结合灰色关联系数计算近邻点权重系数,最终依次补全缺失数据.以江苏省某市的电力数据样本进行实验,结果表明与其他方法进行对比,基于GAKNN方法的缺失数据补全方法的结果更好,并且补全后的样本在深度学习预测中具有更低的误差.     

基于聚类和时间序列分析的变压器状态评价方法

传统的电力变压器DGA故障诊断方法,仅能二值化地判断设备处于健康或故障状态,无法表征变压器的潜在故障情况,也无法确定变压器向故障状态转化的趋势。对此,提出了一种基于聚类和时间序列分析的变压器状态评价方法。首先,基于点密度判据进行数据预处理,消除噪声影响。其次,基于大数据聚类思想,计算采样数据和历史故障数据簇的相对邻近度,根据计算结果将设备状态划分为健康、潜伏故障或故障。在此基础上判断故障设备的故障类型,基于故障类型关联权重计算健康设备的健康得分,通过时间序列相似性分析方法获取潜伏故障设备的预测故障发展时间。算例分析验证了该方法的可行性与有效性。     

传感器在预警铁塔不均匀沉降应用中的试验分析

在输电线路中经常由于外部工况的变化导致输电铁塔的整体倾斜甚至产生倒塔事故的发生,而铁塔的倾斜必然会引起铁塔主材内力的变化,为了预防输电铁塔倾斜造成的铁塔倒塔事故,提出利用一种特制的应变式传感器来反应铁塔主材的受力状态,根据传感器输出值判断铁塔是否失稳,以此达到预警的目的,保证输电线路的安全正常运行。     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于时间序列法与马尔可夫链的多沙水库动态运用研究

为了更好解决多沙河流水库蓄水和排沙间的矛盾,在传统水库运用模式的基础上,结合时间序列法和马尔可夫链原理建立多沙水库的动态运用模型。该模型首先运用时间序列法对历史水文资料进行展延,生成长系列入库水沙数据,然后根据马尔可夫链原理分析生成的水沙系列,确定不同频率洪水在不同条件下发生的概率,最后结合水库当前已发生的洪水预测即将发生的洪水的概率,对初始的水库调度参数进行调整,得到最终的水库运用参数,从而弥补水库运用参数与实时入库水沙条件不匹配的不足。将该方法应用于实际水库的控制运用,结果表明,该水库在供水量变化不大的情况下,较原有的运用方案具有更大的剩余库容。     

基于时间序列法的风电场风速预测研究

采用Box.Jenkins时间序列分析方法,通过Matlab软件,利用达坂城风电场30 m处,每10 min采集1次得到的风速数据,建立ARMA模型,阐述了数据预处理、模型参数识别及模型诊断、检验。实现提前1 h的风速预测,为更长时间(0.5~2 d)的风速预测提供理论基础。     

串联型Z源滞环控制策略研究

基于Z拓扑的逆变系统,需在开关控制信号中加入直通信号。传统的变频滞环控制无法实现。提出一种适用于串联型Z源的定频电流滞环控制策略,综合传统滞环控制和串联型Z源的优点;采用定频控制,降低系统损耗,简化滤波;利用Z源的升压作用,提高系统功率输出能力。通过Matlab仿真与实验验证,证明了策略的可行性。     

一种基于趋势的时间序列相似性模型

针对传统基于欧氏距离的时间序列相似性模型,搜索相似时间序列子段效率低、形态不完整的问题,本文提出了一种基于趋势的时间序列相似性模型。该模型以时间序列分段线性表示和符号化为基础,通过计算符号串的编辑距离得出时间序列在形态上的差异性。同时该模型把时间序列长度和时间序列变化幅度单独考虑,扩大了该模型的使用范围。实验表明,本文提出的基于趋势的时间序列相似性模型,在相似性匹配方面,搜索效率高于传统基于欧氏距离时间序列相似性模型;同时,该模型侧重于形态方面的相似性,所以对时间轴方向的偏移和白噪声不敏感,适用于不等长时间序列的相似性匹配。