基于循环神经网络的电网故障智能告警信息分类研究

由于电网故障告警信息较为密集,现有方法没有考虑对数据离散化处理,导致增加分类算法难度,降低对样本分类能力.提出基于循环神经网络的电网故障智能告警信息分类方法.构建混合本体集成模型,利用基于本体的方法进行电网故障智能告警信息集成,对集成到的数据信息进行去噪、填补、离散化处理,获取优化的循环神经网络结构和参数,利用循环神经网络模型实现电网故障智能告警信息分类.结果 表明:所提方法得到的F1值和G-means值均要更高,分类耗时远远低于现有方法,分类平稳性较高,具有较好的实际应用价值.     

基于关联规则的配网设备故障自动检测研究

为了掌握配网运行规律，检测并排除设备故障，提出了基于关联规则的配网设备故障自动检测方法。通过Apriori改进算法挖掘配网设备故障样本数据的关联规则，运用贝叶斯方法训练样本数据，获得最终配网设备故障检测结果并将其输出。实验结果表明：该方法的故障检测数量与故障分布真实数量基本一致，具有较强的配网设备故障自动检测能力；各类型故障检测正确率高，具有一定的实际应用价值。     

基于神经网络的配变无功补偿装置故障远程监测方法研究

传统配变无功补偿装置故障远程监测方法采集信号存在干扰信息,影响了信号特征量的提取效果,故障类型识别准确率较差。为此,该文提出基于神经网络的配变无功补偿装置故障远程监测方法。设置监测主站和采集终端,采集补偿装置状态信号,预处理后提取信号特征量,得到装置运行状态属性参数,评估运行参数判断故障,利用神经网络识别故障类型,同时追踪故障参数变化情况。实验结果表明,所提方法减小了信号采集频偏,提高了故障信号提取精度,应用效果优于传统方法。     

航发喘振智能化故障诊断模型研究

针对航空发动机的喘振故障严重影响飞机安全运行的问题，提出了一种基于深度学习的航发喘振智能化故障诊断模型。结合喘振的生成机理对航空发动机传感器数据进行喘振故障分析，采用基于滑动窗口的数据预处理算法构造数据集和标签集；集成卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆(Long-Short Term Memory, LSTM)网络，设计出针对航发喘振故障诊断的深度神经网络模型(1D-CLSTM);在所构建的数据集上，对所提模型与当下流行的深度神经网络进行比较。实验结果表明，所提模型对喘振故障分类的F1分数(F1＿score)、召回率(Recall)和精确度(Precision)分别达到了96.45%、95.48%、97.46%,优于其它网络模型。所提模型在时序信号处理与旋转机械智能化故障诊断方面有着较高的应用和推广价值。     

面向智能配网的低压直流电路故障诊断与定位分析

针对配网台区智能化的需求,提出一种低压直流线路故障的诊断与定位方法.首先分析了在智能配网背景下,低压直流配网的形态特征,建立了低压直流配网的故障模型,分析了智能设备在配网故障诊断中的作用.然后讨论了不同类型的接地故障特点,并通过模型说明了故障阻抗在故障电流中的作用.最后针对智能配网台区的用户侧特点,提出了一种配网故障定...     

基于BWO-ELM算法与VR-GIS技术的电力光缆故障诊断及定位研究

针对目前电力光缆故障模式识别精度低和故障点定位误差大的问题,提出一种基于BWO-ELM算法与VR-GIS系统的电力光缆故障诊断及定位方法,首先利用白鲸优化算法（BWO,beluga whale optimization）优化极限学习机（ELM,extreme learning machine）初始参数,构建BWO-ELM多分类OTDR曲线分析的故障模式识别方法,获取光纤故障点的直线距离与类型,为故障定位奠定基础;其次,提出基于VR-GIS的光缆故障精确定位方法将光纤故障点的直线距离转换为光缆距离,并与实际地理位置匹配,得到实际故障点的坐标,同时直观展示于VR-GIS系统;最后通过仿真实验来验证所提方法的应用效果,结果表明所提方法故障模式识别精度约为98.66%,故障定位误差在3m上下浮动,平均误差为1.481%,较其他识别模型和故障定位方法具有较高的性能与准确率。     

基于深度学习的健美操力量训练器故障监测方法

针对传统故障监测方法对精密的健美操力量训练器故障监测精度低的问题,通过优化卷积神经网络随机梯度下降算法中的梯度下降方式和学习率,并将提取的训练器振动信号特征作为改进卷积神经网络输入,提出一种基于深度学习的健美操力量训练器故障监测方法。仿真结果表明,所提方法对卷积神经网络改进有效,利用改进的卷积神经网络可识别监测健美操力量训练器不同类型、不同位置和不同程度的故障,平均监测准确率达到97.75%,对训练器正常状态和4根转子断裂的轴承故障监测准确率达到100%。相较于改进前卷积神经网络,所提监测方法的监测准确率提高了7.50%,相较于常用故障监测算法,所提方法的监测准确率均有不同程度的提升,具有一定的有效性和优越性,并采用改进卷积神经网络进行分类识别,可有效监测。     

基于相关熵和距离方差的支持向量数据描述选择性集成

提出基于信息理论学习中相关熵和距离方差的支持向量数据描述选择性集成。利用相关熵代替均方误差来度量集成的紧致性,构造出更为紧致的分类边界;利用距离方差集成度量集成中基分类器间的差异性,以提高集成模型的差异性;在目标函数中增加基于₁范数的正则化项,实现选择性集成。此外,利用半二次优化技术对所提选择性集成模型进行求解。与单个支持向量数据描述、基于Bagging的支持向量数据描述集成以及基于AdaBoost的支持向量数据描述集成相比,所提方法取得了更优的分类性能。     

基于随机森林算法的配网抢修故障量预测方法

配网抢修是电力系统运行环节中十分重要的一环,精益化的配网抢修管理不仅能提高电力系统的供电服务质量,也能减少电力公司的经济损失. 本文提出一种新的配网抢修故障数量预测的方法. 首先,基于历史数据,以气温、风力、前一天的故障量、最大最小负荷等作为因变量,对数据做了特征映射等预处理. 然后,应用随机森林算法建立配网抢修故障量预测模型,并预测不同区域、不同电网故障及非电网故障、不同电压维度下未来一天故障量. 在真实电力数据上进行了对比验证,实验结果表明提出的方法具有较好的预测效率和准确性.     

基于移动GIS的中低压配网故障定位计算机系统设计

中低压配电网故障定位是配网调度中心等部门开展日常运营工作的重点之一。文章针对中低压配网故障定位常见方法如通过保护动作信息判断故障元件等的不足进行分析，构建一种基于地理信息系统（GIS）的中低压配网故障定位计算机系统，对该系统的工作人员及具体故障定位与处理流程进行阐述并对该系统在实际应用中的注意事项进行总结。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

网络汇聚点传输层拓扑的流量识别

针对利用数据流统计特性的网络流量分类算法复杂及实时性差的问题,提出一种基于传输层拓扑的网络流量识别方法,根据应用类型在汇聚节点表现出不同的主机连接拓扑结构,提取应用类型的拓扑特征,结合深度包检测(DPI)技术生成应用类型库,并基于该库和启发式准则实现典型应用类型的快速识别和分类。实验结果表明,所提方法对各主要应用类型的识别精确度均高于85%,并将未识别流比例从深度包检测技术的18%降低到7%,有效利用了不同应用类型的连接拓扑信息,能提高应用类型的识别准确度。     

基于互信息选择聚类集成的网络流量分类方法

针对互联网流量标注困难以及单个聚类器的泛化能力较弱,提出一种基于互信息(MI)理论的选择聚类集成方法,以提高流量分类的精度。首先计算不同初始簇个数K的K均值聚类结果与训练集中流量协议的真实分布之间的规范化互信息(NMI);然后基于NMI的值来选择用于聚类集成的K均值基聚类器的K值序列;最后采用二次互信息(QMI)的一致函数生成一致聚类结果,并使用一种半监督方法对聚类簇进行标注。通过实验比较了聚类集成方法与单个聚类算法在4个不同测试集上总体分类精度。实验结果表明,聚类集成方法的流量分类总体精度能达到90%。所提方法将聚类集成模型应用到网络流量分类中,提高了流量分类的精度和在不同数据集上的分类稳定性。     

基于海量数据挖掘的配网单相接地故障自动定位方法

配网单相接地故障发生后，提出了基于海量数据挖掘的配网单相接地故障自动定位方法。根据配网的接线结构和故障原理，设置单相接地故障的评判依据。利用海量数据挖掘技术，从电压和电流两个方面自动收集配网运行数据。针对存在单相接地故障的配网，启动故障定位程序，通过故障选线、测距等步骤，得出可视化的配网单相接地故障自动定位结果。通过实测得出结论：在低压、中压及高压环境下，优化设计故障定位方法的选线错误率和测距误差均低于预设值，即优化设计的定位方法具有良好的定位精度。     

基于遗传算法的配网电缆单相接地故障定位方法

配网电缆故障定位精准度至关重要,为提升配网电缆故障定位效果,设计了一种基于遗传算法的配网电缆单相接地故障定位方法。通过提取配网电缆单相接地故障特征,了解故障成因;利用遗传算法设计一种单相接地故障定位方法,提高单相接地故障定位精准度,以此实现对电缆故障的精准定位。实验结果表明,设计方法故障定位误差较小,仅为±0.01km,准确度高,具有一定应用价值。     

基于重要度排序与全寿命周期的配网故障治理措施优化方法

摘 要：为优化配网故障治理措施，提升配网供电可靠性，针对配网故障治理措施优化问题，以故障、投诉、措施实施空间为约束条件，以综合效益优化为目标函数，基于Prato最优原则和Well-bing模型，提出一种基于设备重要度排序和全寿命周期的配网优选设备的治理措施。基于Well-bing模型的配网设备重要度排序综合考虑了环境的恶劣度、网络的复杂度和设备的重要度，与状态检修不同，基于大数据的重要度评价，评估输入的底层基础数据更丰富、评估结果更合理可靠。基于Prato最优原则，以设备全寿命周期内的综合经济性最优为目标，按照设备重要度排序进行差异化治理措施优选，治理措施更精准。基于上述方法，对某重过载配变及其所处的区域进行了治理措施优化，实际应用效果验证了该方法的有效性。     

基于EMD和优化K-均值聚类算法诊断滚动轴承故障

考虑到滚动轴承振动信号的非平稳特征和实际应用中典型故障样本不易获得等原因,而在实际应用中,故障程度识别和故障类型诊断一样重要,提出一种滚动轴承故障类型及故障程度识别方法。首先对原始振动信号进行EMD分解,对含故障特征的IMF(intrinsic mode function)分量进行信号重构,随后对重构信号进行Hilbert包络谱分析,在提取特征量的基础上,应用优化K-均值聚类算法进行故障类型和故障程度分类。实验结果表明:基于EMD和优化K-均值聚类的故障类型和故障程度识别算法,可将含不同故障类型的样本集,按故障类型进行正确分类;也可将含同种故障类型、不同故障程度的样本集,按故障程度进行正确分类。     

基于振动传感器的风力发电机故障检测算法

风力发电机长时间处于高应力状态下,易产生设备细小故障,若不能及时找出,会造成风电系统严重受损或瘫痪,为此提出了基于振动传感器的风力发电机故障检测算法。利用向量索引值集合及广义逆向矩阵,在压缩感知下匹配追踪信号,恢复缺失数值,经过经验模态分解后,加入白噪声求解信号分量平均值,识别信号的振动类型和能量变化,判断信号故障类型,利用逻辑回归模型分类信号是否属于故障信号,实现风力发电机故障信号分类及判断。仿真结果表明,所提算法可以准确区分正常工作状态和故障状态,迭代30次后可以将故障检测误差率保持在0.035。由此可知,所提算法能准确判断故障及所属类型,且精准度高。     

基于Petri网和多源广域同步信息融合的配网故障定位方法

针对现有配电网故障定位技术存在的不足，提出了利用Petri网和多源广域同步信息的配网故障定位方法。分析了含有分布式电源的配电网络故障电流情况，给出了相应的开关函数和适应度函数。针对含有分布式电源的配电网络，说明了故障指示器在发生故障时的工作原理。针对网络中含有的保护装置、配自开关、故障指示器等多源信息，提出基于模糊Petri网故障诊断模型，说明了基本推理方法和故障诊断模型的建立原则，并给出了相应的故障判断流程。对提出的方法进行了仿真分析，说明了利用多源信息融合Petri网的方法，能够有效判断含有分布式电源配电网络故障区段。     

基于多核多分类相关向量机的模拟电路故障诊断方法

针对模拟电路实际存在的多类故障问题,本文提出一种基于多核多分类相关向量机（Multi-kernel learning multiclass relevance vector machine,MKL-mRVM）的模拟电路故障诊断方法.所提方法能够在故障数据所在的原始特征空间上建立多个非线性核,在构建分类器的同时实现故障特征的约简;同时,基于贝叶斯框架的分类模型还能够给出诊断结果的后验概率.通过两个电路的诊断实验证明了所提方法的优越性和实用性.